基于可解释人工智能的多模态健康风险识别研究
张敏杰 肖丽智 何穆演 林子惠 胡莹莹 戴金玲^{（通讯作者）}

广州华商学院，广东广州，511300；

摘要：目前多模态人工智能对于健康风险识别具有比单模态更优的表现，但是由于“黑箱”的特点限制着它向临床上的应用。本文综述了可解释的人工智能（XAI）应用于多模态健康风险识别的研究现状和趋势：从多模态融合架构的发展演变；XAI 方法如何适应于跨模态解释；主要应用场景下的实证结果；面临的挑战及展望四个方面进行阐述总结。其中 SHAP 与 Grad-CAM 等 XAI 工具结合是现阶段较为流行的模式，在心血管疾病、肺部疾病、皮肤病变等方面获得了 AUC 超过 0.92 的效果并实现由预测性能至临床可操作性的跨越。而模态异质导致语义难以对齐问题、事后解释和内在解释的割裂问题、缺乏解释评估的标准等问题依然是阻碍这一领域临床落地的重要因素。今后需要将可解释性作为构建架构的一部分而非附加性质，使可解释多模态 AI 实现从可行的技术迈向临床行动力。

关键词：可解释人工智能；多模态融合；健康风险识别；SHAP；Grad-CAM；临床决策支持

参考文献

[1]程麟淇,安璐,周炜,等.融合多模态大模型与DeBERTa-CLIP的社交短视频应急社区生命线分类研究[J/OL].情报科学,1-15[2026-09-24].https://link.cnki.net/urlid/22.1264.G2.20260916.1401.019.

[2]何萍,张敬谊,孙一新,等.高质量专病多模态数据集的系统化构建方法与实践研究[J/OL].中国数字医学,1-9[2026-09-24].https://link.cnki.net/urlid/11.5550.r.20260911.2221.018.

[3]张雨欣,谭艳玲,吕疏扬.智护银龄——多模态感知的居家健康安全实时监护[J].智慧中国,2026,(8):40-41.

[4]王英凡,张雨,户庆凯.基于多模态数据的智能养老服务系统设计分析[J].信息与电脑,2026,38(17):202-204.

[5]杜胜利,冯晨杰,陈馨馨,等.基于多传感器数据融合的可穿戴健康监护设备系统优化研究[J].信息与电脑,2026,38(17):66-68.