医疗产品和服务建立在信任和高道德标准之上。为了满足这些高要求，下一代医疗支持软件必须解决使用深度神经网络产生的问题。深度神经网络有望改变卫生保健部门。这些机器算法适应性强，不断更新，并且不受观察者之间和内部变化的影响。最重要的是，它们承诺了具有成本效益的解决方案。

然而，这些软件框架是人为的。因此，这些结构并不完美。支持培训过程的数据会产生问题。例如，训练数据可能有偏差，因此无法反映临床实践中遇到的测量结果。使用这些算法的深度学习算法和框架不可避免地会受到软件和硬件错误的影响。此外，深度学习算法构成了一个单一的决策点，在这个点上，通过合理的努力追踪网络结构来确定特定决策的原因是不可能的。需要大数据和相关处理方法来解决公共卫生问题，如心血管疾病、发烧、肥胖和糖尿病。数据来自生理信号和医学图像。基本假设是，这些数据包含有价值的信息，可在诊断过程中使用。深度学习技术，如卷积神经网络（CNN）、长短时记忆（LSTM）、自动编码器、深度生成模型和深度信念网络，已被用于提供医疗决策支持。将这些新方法应用于医学数据可以帮助临床医生做出准确和快速的诊断。

本期特刊的目的是汇集原始研究和评论文章，讨论为医疗保健应用建立人工智能（AI）信任所需的方法和软件框架。

潜在主题包括但不限于以下内容：

• 精确医学的可解释人工智能方法
• 医疗设备的可解释人工智能和医疗物联网
• 靶向给药的可解释人工智能
• 可解释人工智能在医学图像分割中的应用
• 医疗保健技术中可解释的知识维护和进化
• 上下文感知系统及其在医疗保健中的应用
• 可解释的基于人工智能的患者特定医疗分析
• 人工智能辅助医疗决策
• 可解释的人工智能机器人辅助手术
• 具有可解释人工智能的机器学习和健康信息学案例研究