本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

Nov, 2020

本文回顾了可解释的深度学习在医学影像任务中的应用，讨论了这种方法的不同途径，临床应用挑战以及需要进一步研究的领域。

May, 2020

本文介绍了在医学影像诊断中应用深度学习的机会与挑战，重点讲述了可解释人工智能（XAI）在医学影像中的应用，并对解释方法、数据集和评估指标进行了综述和比较，最后探讨了深度学习在医学影像领域的未来研究方向。

May, 2022

本论文提出了一种新的深度学习框架 ReLaX，用于解释性和准确的视网膜病理分类，通过热图和 OCT 分割模型结合以确定每个视网膜层的重要性，并产生丰富的定性和定量模型解释，该模型结合了在精度和可解释性方面的优势，提高了患者的视网膜疾病诊断水平。

Sep, 2021

本文提出了一种可解释性分类器，旨在通过生成可解释的视觉地图对糖尿病视网膜病变病例进行分类和解释。

Dec, 2017

本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

Dec, 2018

计算机视觉模型的决策过程（尤其是深度神经网络）的不透明性意味着这些决策无法被人类理解。因此，在过去几年中，已经提出了许多提供人理解解释的方法。本文针对图像分类开发了新的评估指标，并对常见的显著性方法在 ImageNet 上进行了基准测试。此外，还提出了一种基于心理测评概念的可靠性评估方案。

Jun, 2024

本文提出了一种可解释的和可解释的基于神经符号学习的糖尿病性视网膜病变（ExplainDR）分类模型，其中对决策制定应考虑高层符号表示以获得可解释性。特别是，我们介绍了人类可读的符号表示，该表示遵循与眼部健康相关的糖尿病性视网膜病变特征的分类法样式以实现解释性。我们随后将从符号表示获取的人类可读特征包括在疾病预测中。对糖尿病性视网膜病变分类数据集的实验结果表明，与应用于 IDRiD 数据集的最先进方法相比，我们提出的 ExplainDR 方法表现出有希望的性能，同时提供解释性和可解释性。

Apr, 2022

通过使用深度学习和迁移学习技术，本研究提出了一种新的诊断糖尿病视网膜病变的方法，与传统的诊断方法相比，具有更高的准确性，对于早期的诊断、治疗和预防失明至关重要。

Jan, 2024

本文是可解释人工智能领域的第一篇调查研究，探讨了深度视觉模型解释方法和度量标准，提供了现有技术的分类组织，阐述了不同属性的度量方法，并就当前趋势、挑战和未来方向进行了深入讨论。

Jan, 2023