急性卒中管理中的负责任人工智能：可解释性与公平性的综述
核心概要
这篇综述综合了急性卒中管理中可解释人工智能与公平性人工智能的现有文献，指出人工智能已在大血管闭塞检测、Alberta卒中项目早期CT评分和功能预后预测等任务上表现良好，但可解释性方法多为事后近似且很少被正式检验，公平性评估因人口统计学元数据有限、监管限制和缺乏卒中专用公平标准而少见，可解释性与公平性彼此脱节，泛化性也受数据集划分策略与报告实践影响，因此呼吁建立同时评估可解释性、公平性与泛化性的统一评价框架。
深度剖析
综述确认人工智能在急性卒中管理的关键任务上已有较强表现，包括大血管闭塞检测、Alberta卒中项目早期CT评分和功能预后预测。 把分散在不同任务上的应用进展整合为对急性卒中人工智能现状的整体描述。 基于对现有文献的综合叙述，属于综述层面的证据，未在文本中给出具体样本量或效应量。
近期研究越来越多采用事后可解释性方法，但这些方法受近似性和误导性解释的限制，且解释很少被正式检验。 将可解释性从单纯的技术选项提升为需要验证的评价问题。 来自对当前文献趋势的归纳，文本以“limited by approximation and misleading interpretations”和“rarely formally tested”表述其局限。
可解释性与公平性在很大程度上彼此脱节，公平性评估不常见，原因包括人口统计学元数据有限、监管约束以及缺乏卒中专用公平标准。 指出公平性评估的障碍不仅是技术性的，也涉及数据、监管与标准制定层面。 综述性判断，文本明确列出三类障碍，未提供定量汇总。
泛化性仍是关注点，原因在于数据集划分策略不理想和报告实践不充分；负责任的人工智能需要同时评估可解释性、公平性与泛化性的统一框架。 把三个评价维度从各自独立推进转向联合评价，作为未来系统开发的方向。 基于文献综述提出的建议性结论，属于方向性主张而非实证检验结果。
启示与展望
本文的结论面向急性卒中管理场景，适用于关注大血管闭塞检测、Alberta卒中项目早期CT评分和功能预后预测等任务的研究者、开发者与监管相关方；其建议的统一评价框架意在指导可解释性、公平性与泛化性的联合评估，而非提供可直接部署的模型或临床操作规范。
读者仍需关注：事后可解释性方法在临床决策中如何被正式检验；在人口统计学元数据有限和监管约束下，公平性评估如何落地；卒中专用公平标准应包含哪些维度；以及统一评价框架在不同数据集与医疗系统中的实际表现。由于当前文本为综述性摘要式内容，未包含图表与具体研究细节，上述问题在原文中的展开程度有待进一步查阅。