本文综述可解释人工智能（XAI）在医学影像诊断中的应用，涵盖基于概念编码器和硬注意力机制的黑色素瘤诊断模型、XAI方法与数据集及评估指标的比较、卷积神经网络分类的可视化分析、预训练模型用于皮肤病变分类（XceptionNet表现最佳）、ExAID多模态概念解释框架、XAI标准框架分类与未来展望，以及视觉语言模型嵌入学习以减少概念标注依赖。总体表明XAI可提升医生信任并改善皮肤癌等诊断。

该文综述深度学习在脑部CT/MRI诊断中的应用：基于度量学习的残差三元组卷积网络将轻度创伤性脑损伤诊断准确率提升至94.3%；多模态残差网络结合屏蔽敏感图增强可解释性与特异度；深度学习还可检测急性缺血性中风、颅内出血和骨折，并用于阿尔茨海默病分期及脑肿瘤分类。文章同时讨论医学多模态AI在表示、融合、对齐、翻译与协同学习五方面的挑战。

多模态深度学习在医学影像诊断领域取得进展，但准确定位疾病仍是挑战。研究提出一种新方法，利用文本报告和胸部X射线图像进行对比学习，有效定位病灶。

利用多模态信息的视觉语言预训练（VLP）在自然领域的视觉识别和胸部 X 射线（CXR）的医学影像诊断方面取得了重大成功。UniChest是一个征服与分割的预训练框架，旨在充分利用多个源 CXRs 的协作优势，同时减少源异质性的负面影响。