通过医患互动，将医学知识与病症识别相结合，建立一种诊断助手，显著提高疾病识别的能力，并整合视觉感知信息以增强诊断助手的功能。

May, 2024

通过使用可解释的人工智能模型，我们的研究聚焦于罕见癌症眼部肿瘤的诊断，在集成领域专家的见解和放射学报告的基础上，我们的模型不仅在 F1 评分上与黑盒模型相媲美（0.91），而且还提高了初级医生的诊断准确性（提升了 42%），这一研究凸显了可解释的机器学习在改善罕见疾病的诊断方面的巨大潜力，并为未来医学人工智能在复杂健康场景中取得突破奠定了基础。

Mar, 2024

本文提出了一种用于临床图像分类的序列级深度学习模型，以有效识别感染性角膜病的不同和细微之处。该模型的表现比样本中的 421 名眼科医生实现的 49.27% 的诊断准确率高得多，达到了 80.00% 的准确性。

Jun, 2020

知识图谱在医疗人工智能中扮演重要角色，尤其在药物发现和制药研究方面，通过提供结构化的方式整合多样化信息源，增强了人工智能系统的可解释性。该综述总结了知识图谱在医疗行业的最新文献研究，以及其在开发可解释人工智能模型中的作用。重点介绍了知识图谱的工作流程，包括构建、关系提取、推理，以及在药物相互作用、药物靶标相互作用、药物开发、不良药物反应和生物信息学等领域的应用。强调了通过在医疗领域运用具有知识注入的学习方法，使知识图谱更具可解释性的重要性。最后，提出了研究挑战，并为未来的发展方向提供了见解。

Sep, 2023

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

在这项工作中，我们提出了一个针对乳腺 X 线摄影术的可解释机器学习框架，以预测病变性质并追踪放射科医生的推理过程，同时，我们的算法能够突出显示图像中与分类相关的部分，而其他方法则突出显示健康组织和干扰信息。

Mar, 2021

该研究调查了用于膝关节骨关节炎诊断的可解释人工智能技术，旨在提供膝关节骨关节炎可靠诊断方法的更多见解并鼓励其在临床实践中的采用。

Aug, 2023

开发了一种人工智能工具，通过远程皮肤病学为基底细胞癌（BCC）的诊断提供了可解释的支持，从而加快了转诊流程并优化了资源利用。

Jun, 2024

使用集成学习和可解释的人工智能来视觉化慢性肾脏疾病的主要特征、特征得分和价值，提高对该疾病早期预测和检测的准确性，为临床医生开处方推荐个体患者的生活方式改变以减缓疾病进展提供帮助。

Jun, 2024

提出一种基于证据的分类方法，利用 CNN，三元损失和全局平均池化学习特征嵌入，通过 kNN 搜索分类，并以发现的邻居和最相关的局部图像区域作为证据。通过实现一种新的分级三元逻辑，根据疾病标签和非专家相似性一起学习嵌入，以确保结果对于任何技能水平的人来说都具有标签准确性和视觉相似性，从而改善了基于疾病标签和标准多类损失的基准结果，并显着改善了结果的定量相关性和局部图像区域。

May, 2018