本文回顾了近期文献，提出了可解释人工智能系统的设计指南以及可解释人工智能领域的规范化贡献。该文章提出了一个框架，以指导选择可解释人工智能方法的类别，进而解释重要属性的相对重要性。同时也发现，尽管定量评价指标对于客观标准化评估很重要，但对于某些属性（如“清晰度”）和解释类型（如“基于实例的方法”）仍然缺乏。最终的结论是，可解释建模可以为可信的人工智能做出贡献，但还需要在实践中证明可解释性的好处，并可能需要采取补充措施，例如报告数据质量，进行广泛（外部）验证和监管等措施。

Jul, 2020

本文综述将人工智能应用到智能医疗产品（包括医疗电子设备）中所面临的伦理挑战，提出了传统医学领域伦理问题和人工智能驱动的医疗伦理挑战之间的区别，特别是在透明度、偏见、隐私、安全、责任、公平和自治方面。还概述了开放性挑战和建议，以促进伦理原则的整合到基于人工智能的智能医疗产品的设计、验证、临床试验、部署、监测、维护和退役中。

Nov, 2022

本文讨论了人工智能在医疗保健等高风险领域中的公平性问题，强调了技术与临床角度之间的不协调性，提出了跨学科合作的必要性，并为解决与人工智能公平性相关的临床问题提供了可能的解决方案。

Apr, 2023

我们提出了GREAT PLEA伦理原则，涵盖了在医疗中应用生成型人工智能所面临的治理、可靠性、公平性、问责制、可追溯性、隐私、合法性、同理心和自主性等伦理困境和挑战。

Aug, 2023

近年来，医疗人工智能领域已取得显著进展，但面临着建立用户信任、符合法规和合乎道德使用数据等挑战。这篇论文针对代表性样本中的198篇文章对医疗决策支持的可解释人工智能解决方案进行了文献综述，发现大多数解决方案采用了模型无关的可解释人工智能技术，深度学习模型被广泛应用，用户界面的可视化和交互更有助于理解解释和系统推荐。在医疗和人工智能专家之间加强合作，以指导可解释人工智能解决方案在医学领域的设计、实施和评估，仍需要开展更多的研究。

Aug, 2023

AI技术的快速发展与伦理维度的深入研究，特别关注于医疗领域，探索透明度、数据管理、人工监督、教育要求以及国际合作等众多方面，呼吁全球统一的AI伦理原则和框架，并提出有益的伦理方案以应对新兴挑战。

Aug, 2023

FUTURE-AI指南是第一个国际共识框架，用于指导可信赖人工智能医疗工具的开发和部署，该指南基于6项可信AI原则和28项最佳实践，旨在增加AI技术在医疗实践中的接受度和应用。

Aug, 2023

通过分析次级调查数据，我们确定了人工智能在医疗领域中的伦理原则，并提出了一个基于功利主义伦理的新的理论框架来设计医疗领域的伦理人工智能。

Sep, 2023

医学领域中人工智能（AI）的道德整合需要解决公平性这个高度依赖上下文的概念。本文通过详细的证据缺口分析，系统地指出了医疗数据和AI公平解决方案中存在的一些缺陷。我们强调了在许多医学领域中AI公平研究的稀缺性。此外，我们分析还凸显了对群体公平的重要依赖，旨在从宏观医疗系统的角度确保人口统计群体之间的平等；相比之下，对于更精细化程度上的个人公平性常常被忽视了。为了填补这些间隙，我们的综述为医疗和AI研究社区提出了可操作的策略。除了在医疗中应用现有的AI公平方法，我们进一步强调了将医疗专业人员纳入其中，以完善AI公平概念和方法，以确保AI在医疗领域中具有上下文相关性和道德健全性。

May, 2024

该研究针对生成式人工智能应用于医学成像和文本分析时带来的伦理问题、法律问题和算法挑战进行了深入研究，并提出了负责任的解决方案和强有力的监管框架，以确保生成式人工智能在医疗领域的道德和负责任的实施。

Jun, 2024