本文分析现有的隐私保护方法，发现 PPRL-VGAN 深度学习方法在保证隐私的同时保留了与疾病相关的语义特征，但是需要改进医学成像的隐私保护方法。
Jul, 2021
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
本研究旨在分析 XAI 在医学诊断研究中应用的最新研究，对多种不同疾病（如癌症和 COVID-19）的机器学习结果进行解释，以实现想要的评估。
May, 2023
本文调查了可解释人工智能 (XAI) 在基于深度学习的医学图像分析中的应用，提出了一个 XAI 标准框架来分类这些基于深度学习的方法，根据解释方法和解释结构将应用于医学图像分析中的 XAI 技术进行了分类，并按解剖位置进行了整理，并给出了未来在医学图像分析中 XAI 的机会的展望。
在医疗领域中，应用深度学习进行医学图像分类已成为趋势。然而，这种人工智能系统是极其复杂的 “黑匣子” 模型，难以解释其预测的原因。因此，研究探索可解释的人工智能（XAI）方法，以更好地应用于医学领域。本文通过对卷积神经网络模型进行规范化学图像分类，从三种不同的 XAI 方法对模型进行了可视化的研究和分析。
Dec, 2022
本文综述了生物医学数据处理中可解释人工智能的发展，并提出了 IEEE 信号处理杂志即将于 2022 年 3 月推出的深度学习在生物医学影像和信号处理中的特刊。
Jul, 2022
该研究提出了一种基于可解释的人工智能方法的自监督抑噪技术，利用导数矩阵中的像素平均值来识别最有效的抑噪掩码，从而实现无需标记或预先知识的全面自动抑噪过程。
Jul, 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
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
本文介绍一种使用卷积层构建的去噪自编码器进行医学图像去噪的方法，通过少量样本的训练，可以高效地去除医学图像噪声。同时，本文提出了将异构图像进行合并来提高训练样本的可行性，并成功地实现了最简单的网络重构高噪声医学图像的效果。
Aug, 2016