本研究提出了一种改进的物体检测器SCC-YOLO，结合SCConv注意力机制，以提高脑肿瘤检测的有效性。实验结果表明，SCC-YOLO在两个数据集上的mAp50分别提升了0.3%和0.5%。

本文提出了一种名为差异分布医学扩散（DDMD）的模型，用于脑 MRI 中的病变检测。通过将异构样本中的分布差异转化为图像级注释的不一致性，保留了像素级的不确定性，并实现了隐式分割集合，最终提高了整体检测性能。实验证明了该方法在脑肿瘤检测方面的良好性能。

通过结合医学人工智能和可解释人工智能技术，提出了一种自定义的框架，应用于医疗物联网领域，提高医疗系统效果，具备透明和可理解的决策能力。框架应用于脑肿瘤检测，得出准确透明的诊断结果，评估结果表明出色性能，高精确度、召回率和F1分数，训练准确率达99%，验证准确率达98%。结合可解释人工智能技术和基于集成的深度学习方法的框架实现精确可靠的脑肿瘤诊断。