本研究评估了商业可用的可解释的 AI 算法在增强临床医生识别胸部 X 光片上的肺癌的能力方面的影响。研究结果表明，使用 AI 算法可以提高肺癌的检测性能，减少漏诊，促进健康公平。

Aug, 2022

乳腺癌是全球妇女最常见的恶性肿瘤之一，需要改进诊断方法以获得更好的临床结果。本文全面探讨了可解释人工智能（XAI）技术在乳腺癌检测和诊断中的应用，通过与机器学习和深度学习模型的整合，尤其是与 SHAP、LIME、Grad-CAM 等 XAI 方法，分析乳腺癌数据集及其 AI 处理方式，强调 XAI 可以提高精确诊断和个性化治疗方案，讨论了实施这些技术的挑战，以及在临床环境中评估 XAI 有效性的标准化指标的重要性。该文章通过详细分析和讨论旨在凸显 XAI 在复杂 AI 模型和实际医疗应用之间搭建桥梁的潜力，从而建立医疗专业人员之间的信任和理解，改善患者的预后效果。

Jun, 2024

通过深度学习技术，本研究旨在将不同的肺部疾病分为五类，并以 96.21% 的准确率通过 Xception 模型进行分类和诊断。

Apr, 2024

该研究拟定了 CheXplain 系统，以帮助医生了解和探索基于人工智能的胸透分析，并提出了设计可解释的医学人工智能系统的建议。

Jan, 2020

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

通过引入透明度和后置解释性来增强深度学习模型的临床医学诊断适用性，提出了对比诊断，一个简单而有效的可解释诊断框架，实现了高可靠性的诊断并保持了高透明度和解释性。

Mar, 2024

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

解释性人工智能在解密人工智能决策过程中，特别是在医疗行业中起着不可或缺的作用，医生在诊断时倚赖详尽的推理，传统方法无法达到的进步。然而，这些模型的复杂性和不透明性既是优势也是劣势，他们作为 “黑匣子” 运作，其推理方式被遮蔽不可访问，增加了误诊的风险，从而可能导致患者伤害。因此，有一个迫切的需求来培养透明度，在医疗界中确保机器推出的诊断建议的逻辑是清晰可理解的，这种转向透明度不仅是有益的，更是在医疗行业中负责任的人工智能整合关键一步，确保人工智能能够帮助而不是阻碍医务人员的重要工作。

Mar, 2024

通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

Nov, 2023