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

利用视觉 - 语言模型识别视觉分类任务中的基于语言的描述器，通过在图像和文本之间的预训练联合嵌入空间进行线性组合，得出每个单词与基于视觉的分类器的关联度权重，从而使非专家人员能够以非平凡水平完成专业医学任务。

Nov, 2023

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

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

本篇论文介绍了医学领域中解释性人工智能的研究，强调让人们能够透明地理解和信任 AI/ML 技术的重要性，主要关注于图像、* 组学数据和文本三个方面。

Dec, 2017

通过使用黑盒深度学习方法，并结合可解释的人工智能和基于概念的方法，在医学图像分析领域提出一种多模态可解释疾病诊断框架，以实现模型可解释性、高性能和标签效率的平衡。

Jan, 2024

本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用，该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化，其结果表明该模型优于现有黑盒和概念模型。

Apr, 2023

AI 模型的可解释性通常会因降低准确性而受到质疑。我们开发了一种训练策略，不仅提高了目标分类方案的解释性，同时并未降低准确性，实现方式是对决策网络作出决策的可视证据进行区域定位，其表示方法为表征哪些像素对网络决策的贡献最大的显著性图。我们的训练策略通过使模型集中于直接对应于地面目标的图像区域的反馈，在自动和人工指标的量化中量化可解释性，并提出了可解释性作为弥合不同域之间视觉 - 语义差距的手段。我们证明，这种方法不仅提高到新领域的泛化性能，而且不会影响在原始领域上的性能。

Mar, 2020

使用深度神经网络识别皮肤病变，并通过对抗自编码器生成的例子向医生提供诊断解释，以实现可解释的人工智能医疗决策系统。

Jan, 2023

分析多模态模型的解释性性能以及提出克服这些方法的缺点的简单方法，并提供对医学领域中解释性的新观点，该评估方法具有普适性。

Mar, 2024