该文综述医疗机器学习公平性研究，指出算法可能加剧健康差距，惩罚组间预测差异常降低各群体绩效；偏见源于数据与模型，可用重加权、正则化、因果贝叶斯网络等缓解。研究提出检测偏见的框架与基准，但公平干预对数据波动敏感，消除差距仍待解决。

该文综述医疗机器学习中决策树与深度模型的可解释性与稳定性，发现小幅牺牲预测能力（4.6%）可显著提升稳定性（38%），涵盖稳定性度量、树规则化、LIME解释及博弈论方法，强调稳定性、精度与可解释性的平衡。