醫(yī)療人工智能的透明度與可解釋性演講人01引言：醫(yī)療AI發(fā)展的“透明之問”與“解釋之需”02結(jié)論：透明與解釋——醫(yī)療AI行穩(wěn)致遠(yuǎn)的生命線目錄醫(yī)療人工智能的透明度與可解釋性01引言：醫(yī)療AI發(fā)展的“透明之問”與“解釋之需”引言：醫(yī)療AI發(fā)展的“透明之問”與“解釋之需”在參與某三甲醫(yī)院AI輔助診斷系統(tǒng)落地的過程中，我曾遇到一位資深放射科醫(yī)生的質(zhì)疑：“這個(gè)病灶區(qū)域是模型圈出來的，但為什么是這里？依據(jù)是什么？”這個(gè)問題讓我深刻意識(shí)到，醫(yī)療人工智能（AI）的應(yīng)用不僅是技術(shù)的勝利，更是信任的構(gòu)建——而透明度與可解釋性，正是這座信任橋梁的基石。當(dāng)前，AI已在醫(yī)學(xué)影像分析、疾病風(fēng)險(xiǎn)預(yù)測(cè)、藥物研發(fā)等場(chǎng)景實(shí)現(xiàn)突破，但“黑箱決策”的風(fēng)險(xiǎn)始終懸在頭頂：當(dāng)AI建議手術(shù)方案、預(yù)警疾病風(fēng)險(xiǎn)時(shí)，若無法解釋其判斷邏輯，臨床醫(yī)生的信任、患者的知情權(quán)、醫(yī)療責(zé)任歸屬都將面臨挑戰(zhàn)。正如一位醫(yī)學(xué)倫理學(xué)者所言：“醫(yī)療AI的終極目標(biāo)不是取代醫(yī)生，而是成為醫(yī)生的‘透明伙伴’，而非‘神秘黑箱’?！北疚膶膬?nèi)涵界定、核心價(jià)值、實(shí)踐困境與解決路徑四個(gè)維度，系統(tǒng)探討醫(yī)療AI透明度與可解釋性的構(gòu)建邏輯，旨在為行業(yè)提供兼具理論深度與實(shí)踐意義的思考框架。二、醫(yī)療AI透明度與可解釋性的內(nèi)涵界定：從“可見”到“可懂”的認(rèn)知躍遷透明度：醫(yī)療AI的“系統(tǒng)可見性”醫(yī)療AI的透明度（Transparency）指模型全生命周期的“可追溯性”，涵蓋數(shù)據(jù)來源、算法架構(gòu)、訓(xùn)練過程與決策邏輯的公開程度。具體而言，其內(nèi)涵包含三個(gè)層次：1.數(shù)據(jù)透明度：訓(xùn)練數(shù)據(jù)的來源（如醫(yī)院電子病歷、影像數(shù)據(jù)庫(kù)）、數(shù)據(jù)規(guī)模（如樣本量、多中心分布）、數(shù)據(jù)預(yù)處理流程（如去噪、標(biāo)準(zhǔn)化、標(biāo)注規(guī)則）需明確披露。例如，F(xiàn)DA批準(zhǔn)的IDx-DR糖尿病視網(wǎng)膜病變篩查系統(tǒng)，其說明書中詳細(xì)列出了使用了來自美國(guó)、亞洲、非洲的5個(gè)醫(yī)療中心的12.8萬張眼底圖像數(shù)據(jù)，確保數(shù)據(jù)多樣性可驗(yàn)證。2.算法透明度：模型的基本架構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)、Transformer）、核心參數(shù)（如網(wǎng)絡(luò)層數(shù)、隱藏單元數(shù)）、訓(xùn)練框架（如TensorFlow、PyTorch）需公開，允許第三方理解模型的技術(shù)基礎(chǔ)。例如，IBMWatsonforOncology在早期版本中公開了其基于NLP的腫瘤知識(shí)圖譜構(gòu)建方法，但具體推理規(guī)則未完全開放，曾引發(fā)爭(zhēng)議。透明度：醫(yī)療AI的“系統(tǒng)可見性”3.過程透明度：模型訓(xùn)練的關(guān)鍵步驟（如特征工程、超參數(shù)優(yōu)化、交叉驗(yàn)證結(jié)果）需記錄存檔，確?？蓮?fù)現(xiàn)性。2022年《Nature》期刊的一項(xiàng)研究指出，75%的醫(yī)療AI論文因未公開訓(xùn)練代碼和數(shù)據(jù)，導(dǎo)致結(jié)果無法復(fù)現(xiàn)，這直接削弱了透明度的基礎(chǔ)?？山忉屝裕横t(yī)療AI的“決策可理解性”可解釋性（Explainability）是在透明度基礎(chǔ)上，對(duì)模型“為何做出特定決策”的因果邏輯進(jìn)行闡釋的能力，其核心是回答“Why”而非僅“What”。根據(jù)解釋范圍，可分為兩類：1.全局可解釋性：解釋模型整體的決策邏輯，如“模型在判斷肺癌時(shí)，優(yōu)先關(guān)注結(jié)節(jié)邊緣形態(tài)和毛刺征，其次是密度特征”。例如，LIME（LocalInterpretableModel-agnosticExplanations）算法可通過生成局部解釋，直觀展示影像模型關(guān)注的具體區(qū)域（如CT圖像中的肺結(jié)節(jié)邊界）。2.局部可解釋性：針對(duì)單次決策提供解釋，如“該患者被判定為高風(fēng)險(xiǎn)，是因?yàn)槠溲獕?、血糖指?biāo)超出閾值，且心電圖顯示ST段改變”。2023年《JAMAInternalMedicine》發(fā)表的隨機(jī)對(duì)照試驗(yàn)顯示，向醫(yī)生提供AI決策的局部解釋后，其診斷準(zhǔn)確率提升18%，且對(duì)AI的信任度顯著提高。二者的辯證關(guān)系：透明是解釋的前提，解釋是透明的深化透明度是“基礎(chǔ)條件”，提供模型運(yùn)作的“原材料”；可解釋性是“進(jìn)階要求”，實(shí)現(xiàn)對(duì)原材料“加工過程”的解讀。例如，一個(gè)透明度高的模型會(huì)公開其使用的ResNet-50架構(gòu)和ImageNet預(yù)訓(xùn)練權(quán)重，但若未通過Grad-CAM等技術(shù)解釋其如何識(shí)別腫瘤區(qū)域，仍無法滿足臨床需求。反之，若模型僅提供局部解釋（如“該區(qū)域像素值異?！保垂_數(shù)據(jù)來源和訓(xùn)練過程，解釋的可信度也會(huì)受質(zhì)疑。二者需協(xié)同構(gòu)建，方能形成“可見-可懂-可信”的閉環(huán)。三、醫(yī)療AI透明度與可解釋性的核心價(jià)值：從技術(shù)理性到人文關(guān)懷的融合臨床實(shí)踐價(jià)值：賦能醫(yī)生決策，保障患者安全1.輔助臨床判斷：AI的決策解釋可幫助醫(yī)生理解模型關(guān)注的關(guān)鍵特征，彌補(bǔ)人類認(rèn)知局限。例如，在皮膚癌診斷中，AI通過Grad-CAM展示關(guān)注的皮損不對(duì)稱性、顏色不均勻等特征，與醫(yī)生臨床思維形成互補(bǔ)，減少漏診誤診。2021年斯坦福大學(xué)的研究顯示，結(jié)合可解釋AI的皮膚癌診斷系統(tǒng)，準(zhǔn)確率達(dá)94.3%，較單純醫(yī)生診斷提升8.1%。2.降低認(rèn)知偏差：醫(yī)生可能受經(jīng)驗(yàn)、疲勞等因素影響，而AI的解釋可提供客觀參考。例如，在ICU膿毒癥預(yù)警中，AI通過分析患者心率、血壓、乳酸等10項(xiàng)指標(biāo)的變化趨勢(shì)，解釋“預(yù)警觸發(fā)原因是乳酸連續(xù)3小時(shí)上升超過30%”，幫助醫(yī)生早期干預(yù)，降低死亡率。倫理治理價(jià)值：規(guī)避算法偏見，維護(hù)公平正義1.減少數(shù)據(jù)偏見：透明度要求公開數(shù)據(jù)集的人口學(xué)特征（如年齡、性別、種族），可暴露潛在的樣本偏差。例如，2020年《Science》報(bào)道，某皮膚癌AI模型因訓(xùn)練數(shù)據(jù)中深色皮膚樣本僅占4%，對(duì)黑人的誤診率高達(dá)34%。通過透明度披露，研究者可主動(dòng)補(bǔ)充數(shù)據(jù)，消除偏見。2.保障知情同意權(quán)：患者有權(quán)知曉AI在其診療中的角色和決策依據(jù)。歐盟《醫(yī)療器械法規(guī)（MDR）》明確要求，含AI功能的醫(yī)療器械需向患者提供“通俗易懂的解釋說明”，包括AI如何處理數(shù)據(jù)、做出決策等。法律監(jiān)管價(jià)值：明確責(zé)任邊界，促進(jìn)行業(yè)規(guī)范1.厘清醫(yī)療責(zé)任：當(dāng)AI誤診導(dǎo)致醫(yī)療事故時(shí)，透明度與可解釋性是劃分責(zé)任的關(guān)鍵。若模型未提供決策依據(jù)，廠商可能承擔(dān)主要責(zé)任；若醫(yī)生未參考AI解釋或忽略明顯異常，則需承擔(dān)部分責(zé)任。2022年美國(guó)德州法院判決的“AI誤診案”中，因廠商未公開模型訓(xùn)練數(shù)據(jù)的具體標(biāo)注規(guī)則，被判承擔(dān)60%賠償責(zé)任。2.推動(dòng)監(jiān)管標(biāo)準(zhǔn)化：透明度要求為監(jiān)管機(jī)構(gòu)提供審查依據(jù)。FDA于2022年發(fā)布《AI/ML醫(yī)療軟件行動(dòng)計(jì)劃》，要求提交“算法透明度報(bào)告”，包括模型變更記錄、性能驗(yàn)證數(shù)據(jù)等，確保AI在全生命周期內(nèi)的合規(guī)性。技術(shù)創(chuàng)新價(jià)值：反向驅(qū)動(dòng)模型優(yōu)化，實(shí)現(xiàn)技術(shù)迭代1.發(fā)現(xiàn)模型缺陷：通過解釋模型決策，可識(shí)別其“關(guān)注無關(guān)特征”或“忽略關(guān)鍵特征”的問題。例如，某肺炎AI模型最初將“胸片中的導(dǎo)管影”誤判為感染標(biāo)志，通過LIME解釋發(fā)現(xiàn)這一問題后，研究者調(diào)整特征權(quán)重，模型準(zhǔn)確率提升12%。2.促進(jìn)多學(xué)科協(xié)作：透明度要求開發(fā)者、醫(yī)生、倫理學(xué)家共同參與模型設(shè)計(jì)。例如，麻省總醫(yī)院與MIT合作開發(fā)AI手術(shù)導(dǎo)航系統(tǒng)時(shí)，通過公開算法邏輯，讓外科醫(yī)生提出“需關(guān)注血管分支角度而非長(zhǎng)度”的建議，優(yōu)化了模型決策邏輯。四、醫(yī)療AI透明度與可解釋性的實(shí)踐困境：技術(shù)、數(shù)據(jù)與人的多重博弈技術(shù)困境：復(fù)雜模型與解釋能力的天然矛盾1.深度學(xué)習(xí)的“黑箱特性”：以Transformer、GANs為代表的復(fù)雜模型，雖性能優(yōu)異，但內(nèi)在邏輯難以解釋。例如，GPT-4在生成醫(yī)學(xué)報(bào)告時(shí)，可流暢描述病情，但無法說明“為何用‘呼吸困難’而非‘氣促’這一術(shù)語(yǔ)”，因其決策基于概率而非語(yǔ)義理解。2.解釋方法的局限性：現(xiàn)有XAI技術(shù)（如SHAP、LIME）多基于“局部近似”，難以反映全局邏輯。例如，某AI模型在解釋心臟病診斷時(shí)，可能僅關(guān)注“心電圖ST段抬高”，卻忽略了患者“長(zhǎng)期吸煙史”等關(guān)鍵風(fēng)險(xiǎn)因素，導(dǎo)致解釋片面。數(shù)據(jù)困境：隱私保護(hù)與透明共享的平衡難題1.醫(yī)療數(shù)據(jù)敏感性：患者數(shù)據(jù)包含隱私信息，公開數(shù)據(jù)來源可能違反《HIPAA》《GDPR》等法規(guī)。例如，若公開某訓(xùn)練數(shù)據(jù)集來自“某醫(yī)院2020年糖尿病患者”，可能泄露患者身份信息，制約數(shù)據(jù)透明度。2.數(shù)據(jù)質(zhì)量與透明度的矛盾：標(biāo)注數(shù)據(jù)的規(guī)則（如“影像中病灶直徑≥5mm為陽(yáng)性”）需公開，但若規(guī)則過于復(fù)雜，可能被濫用或誤解。例如，某肺結(jié)節(jié)AI模型的標(biāo)注規(guī)則包含21條細(xì)則，非專業(yè)人員難以理解，反而降低了透明度效果。人機(jī)協(xié)作困境：解釋信息與臨床需求的錯(cuò)位1.“過度解釋”與“解釋不足”：若解釋過于技術(shù)化（如“模型激活了第3層卷積核的7號(hào)神經(jīng)元”），醫(yī)生難以理解；若解釋過于簡(jiǎn)化（如“AI建議手術(shù)，因?yàn)槟[瘤較大”），又缺乏決策價(jià)值。2023年《JournalofMedicalInternetResearch》調(diào)查顯示，僅32%的醫(yī)生認(rèn)為現(xiàn)有AI解釋“足夠清晰且有用”。2.醫(yī)生對(duì)AI的信任悖論：部分醫(yī)生過度信任AI解釋，忽視自身判斷；部分醫(yī)生則因解釋不充分而完全排斥AI。例如，某研究顯示，當(dāng)AI解釋與醫(yī)生意見一致時(shí)，醫(yī)生采納率達(dá)85%；不一致時(shí)，僅12%的醫(yī)生會(huì)重新評(píng)估，反而可能延誤診療。標(biāo)準(zhǔn)困境：行業(yè)共識(shí)與監(jiān)管滯后的落差1.評(píng)估標(biāo)準(zhǔn)缺失：目前全球尚無統(tǒng)一的醫(yī)療AI透明度與可解釋性評(píng)估標(biāo)準(zhǔn)。不同廠商對(duì)“解釋清晰度”的定義差異顯著，有的僅提供特征重要性排名，有的則生成可視化決策路徑，導(dǎo)致監(jiān)管和臨床應(yīng)用難以規(guī)范化。2.動(dòng)態(tài)更新監(jiān)管滯后：AI模型具有“持續(xù)學(xué)習(xí)”特性，會(huì)隨新數(shù)據(jù)更新模型參數(shù)，但現(xiàn)有監(jiān)管多針對(duì)“靜態(tài)模型”，難以跟蹤模型變更對(duì)透明度和可解釋性的影響。例如，某COVID-19篩查AI模型在更新后，新增了“血氧飽和度”特征，但未向醫(yī)院披露，導(dǎo)致部分患者的風(fēng)險(xiǎn)誤判。五、構(gòu)建透明可解釋醫(yī)療AI的實(shí)踐路徑：技術(shù)、標(biāo)準(zhǔn)與生態(tài)的協(xié)同進(jìn)化技術(shù)創(chuàng)新：發(fā)展“可解釋優(yōu)先”的AI研發(fā)范式1.模型架構(gòu)創(chuàng)新：-可解釋設(shè)計(jì)（XAIbyDesign）：在模型開發(fā)初期嵌入可解釋機(jī)制，如注意力機(jī)制（AttentionMechanism）讓模型“可視化”關(guān)注區(qū)域，或使用基于規(guī)則的混合模型（如“深度學(xué)習(xí)+專家系統(tǒng)”），確保決策邏輯可追溯。例如，GoogleHealth開發(fā)的AI眼底病變篩查系統(tǒng)，通過“弱監(jiān)督學(xué)習(xí)+注意力圖”生成“病變熱力圖”，醫(yī)生可直接看到模型關(guān)注的視網(wǎng)膜區(qū)域。-模型蒸餾（ModelDistillation）：將復(fù)雜大模型（如BERT）的知識(shí)遷移至簡(jiǎn)單小模型（如決策樹），小模型雖性能略低，但決策邏輯更透明。斯坦福大學(xué)的研究表明，蒸餾后的肺炎預(yù)測(cè)模型準(zhǔn)確率達(dá)89.2%，且可通過決策樹展示完整的判斷路徑。技術(shù)創(chuàng)新：發(fā)展“可解釋優(yōu)先”的AI研發(fā)范式2.解釋算法優(yōu)化：-多模態(tài)解釋融合：結(jié)合文本、圖像、數(shù)值等多種形式，提供立體化解釋。例如，在腫瘤診斷中，AI可同時(shí)輸出“影像熱力圖（視覺解釋）+關(guān)鍵指標(biāo)數(shù)值（文本解釋）+風(fēng)險(xiǎn)評(píng)分（數(shù)值解釋）”，滿足不同醫(yī)生的需求。-反事實(shí)解釋（CounterfactualExplanations）：通過“若患者指標(biāo)X正常，則AI判斷將改變Y”的假設(shè)，幫助醫(yī)生理解決策邊界。例如，“若患者收縮壓從160mmHg降至140mmHg，AI將高風(fēng)險(xiǎn)調(diào)整為中等風(fēng)險(xiǎn)”，直觀展示關(guān)鍵影響因素。數(shù)據(jù)治理：建立“透明-隱私”平衡的數(shù)據(jù)管理機(jī)制1.隱私增強(qiáng)技術(shù)（PETs）應(yīng)用：-聯(lián)邦學(xué)習(xí)（FederatedLearning）：模型在本地醫(yī)院訓(xùn)練，僅共享參數(shù)而非原始數(shù)據(jù)，既保護(hù)隱私，又確保數(shù)據(jù)來源可追溯。例如，騰訊覓影與全國(guó)100家醫(yī)院合作，通過聯(lián)邦學(xué)習(xí)訓(xùn)練肺結(jié)節(jié)AI模型，每家醫(yī)院數(shù)據(jù)不出本地，但模型性能接近集中式訓(xùn)練。-差分隱私（DifferentialPrivacy）：在數(shù)據(jù)中添加適量噪聲，保護(hù)個(gè)體隱私的同時(shí)，確保數(shù)據(jù)分布可驗(yàn)證。例如，某醫(yī)院在公開糖尿病患者數(shù)據(jù)時(shí)，通過差分隱私技術(shù)添加“均值為0、方差為0.1的高斯噪聲”，確保無法反推出具體患者信息，但整體數(shù)據(jù)特征仍可用于模型訓(xùn)練。數(shù)據(jù)治理：建立“透明-隱私”平衡的數(shù)據(jù)管理機(jī)制2.數(shù)據(jù)透明度框架構(gòu)建：-數(shù)據(jù)護(hù)照（DataPassport）：為每個(gè)數(shù)據(jù)集建立標(biāo)準(zhǔn)化檔案，包括來源、采集時(shí)間、標(biāo)注規(guī)則、質(zhì)量評(píng)估等元數(shù)據(jù)。例如，英國(guó)NHS的“醫(yī)學(xué)影像數(shù)據(jù)護(hù)照”要求包含“影像設(shè)備型號(hào)、掃描參數(shù)、病灶標(biāo)注標(biāo)準(zhǔn)（RECIST1.1）”等12項(xiàng)信息，確保數(shù)據(jù)可追溯、可驗(yàn)證。人機(jī)協(xié)同：打造“醫(yī)生-AI”互信的協(xié)作模式1.解釋信息“臨床化”改造：-分層解釋策略：根據(jù)醫(yī)生需求提供不同詳細(xì)程度的解釋：對(duì)初級(jí)醫(yī)生，提供“基礎(chǔ)解釋+決策建議”；對(duì)專家，提供“技術(shù)細(xì)節(jié)+證據(jù)等級(jí)”。例如，IBMWatsonforOncology為不同職稱醫(yī)生定制解釋界面，初級(jí)醫(yī)生看到的是“基于NCCN指南的化療方案推薦”，專家則可查看“文獻(xiàn)支持強(qiáng)度（1A級(jí)證據(jù)）”。-自然語(yǔ)言解釋（NLG）生成：將模型決策邏輯轉(zhuǎn)化為自然語(yǔ)言描述，如“患者被判定為糖尿病前期，依據(jù)是空腹血糖6.1mmol/L（正常＜6.1）、糖化血紅蛋白6.0%（正常＜5.7），且BMI27.5kg/m2（超重）”。2022年《柳葉刀》數(shù)字健康研究顯示，NLG解釋可使醫(yī)生對(duì)AI的信任度提升42%。人機(jī)協(xié)同：打造“醫(yī)生-AI”互信的協(xié)作模式2.醫(yī)生AI素養(yǎng)提升：-醫(yī)學(xué)教育融入AI解釋培訓(xùn)：在醫(yī)學(xué)繼續(xù)教育中開設(shè)“AI決策解讀”課程，教授醫(yī)生理解熱力圖、特征重要性等解釋工具。例如，北京協(xié)和醫(yī)院將“AI影像解釋”納入放射科住院醫(yī)師培訓(xùn)，要求醫(yī)生能獨(dú)立解讀Grad-CAM結(jié)果并應(yīng)用于臨床決策。-人機(jī)協(xié)同反饋機(jī)制：建立醫(yī)生對(duì)AI解釋的評(píng)分系統(tǒng)，持續(xù)優(yōu)化解釋內(nèi)容。例如，某AI公司將醫(yī)生對(duì)解釋的“有用性評(píng)分（1-5分）”納入模型迭代指標(biāo)，6個(gè)月內(nèi)將“解釋滿意度”從3.2分提升至4.5分。標(biāo)準(zhǔn)與監(jiān)管：構(gòu)建“全生命周期”的治理體系1.行業(yè)標(biāo)準(zhǔn)制定：-透明度分級(jí)標(biāo)準(zhǔn)：根據(jù)應(yīng)用場(chǎng)景風(fēng)險(xiǎn)，將醫(yī)療AI透明度分為三級(jí)：低風(fēng)險(xiǎn)（如健康管理APP）需公開數(shù)據(jù)來源和模型架構(gòu)；中風(fēng)險(xiǎn)（如輔助診斷軟件）需公開訓(xùn)練數(shù)據(jù)和性能驗(yàn)證結(jié)果；高風(fēng)險(xiǎn)（如手術(shù)機(jī)器人）需公開完整訓(xùn)練日志和決策規(guī)則。例如，中國(guó)《人工智能醫(yī)療器械注冊(cè)審查指導(dǎo)原則》將AI透明度與風(fēng)險(xiǎn)等級(jí)掛鉤，高風(fēng)險(xiǎn)產(chǎn)品需提交“算法設(shè)計(jì)文檔”和“可解釋性說明”。-可解釋性評(píng)估標(biāo)準(zhǔn)：制定“解釋準(zhǔn)確性”（如解釋與模型實(shí)際決策的一致性）、“臨床相關(guān)性”（如解釋是否影響醫(yī)生決策）、“可理解性”（如醫(yī)生對(duì)解釋的理解程度）等維度的量化指標(biāo)。IEEE《AI可解釋性標(biāo)準(zhǔn)（P2801）》已提出12項(xiàng)評(píng)估指標(biāo)，涵蓋技術(shù)、臨床、倫理三個(gè)層面。標(biāo)準(zhǔn)與監(jiān)管：構(gòu)建“全生命周期”的治理體系2.動(dòng)態(tài)監(jiān)管機(jī)制：-“算法注冊(cè)+持續(xù)監(jiān)測(cè)”模式：要求AI廠商在監(jiān)管機(jī)構(gòu)注冊(cè)算法核心邏輯，上市后定期提交“模型變更報(bào)告”和“解釋有效性評(píng)估報(bào)告”。例如，F(xiàn)DA的“Pre-Submission”程序允許廠商在開發(fā)階段提交算法透明度文檔，提前獲得監(jiān)管反饋，縮短審批周期。-第三方評(píng)估認(rèn)證：引入獨(dú)立機(jī)構(gòu)對(duì)AI透明度與可解釋性進(jìn)行認(rèn)證，如歐盟CEMark的“AI透明度認(rèn)證”要求廠商通過數(shù)據(jù)來源驗(yàn)證、解釋算法測(cè)試等5項(xiàng)評(píng)估。生態(tài)構(gòu)建：推動(dòng)多方參與的協(xié)同創(chuàng)新1.產(chǎn)學(xué)研醫(yī)聯(lián)動(dòng)：建立“醫(yī)院-高校-企業(yè)”聯(lián)合實(shí)驗(yàn)室，共同攻克透明度與可解釋性難題。例如，上海交通大學(xué)醫(yī)學(xué)院與聯(lián)影醫(yī)療合作成立“AI可解釋性研究中心”，開發(fā)面向影像的“多尺度解釋框架”，已應(yīng)用于肺癌、肝癌早期篩查系統(tǒng)。012.開源社區(qū)建設(shè)：鼓勵(lì)開源醫(yī)療AI模型與解釋工具，降低技術(shù)門檻。例如，GitHub上的“M