医疗影像处于现代医疗保健的最前沿，能够实现精准诊断、精确治疗规划和持续疾病监测。随着人工智能（AI）特别是深度学习的普及，医学图像解释和决策支持领域已取得显著进展。然而，当前对云端基础设施的依赖在延迟、数据隐私、带宽使用和能源效率方面形成瓶颈——这些障碍严重阻碍了临床实际应用。边缘人工智能（Edge-AI）通过在数据采集设备端或近端直接处理影像数据，提供了变革性解决方案。该范式支持安全、低延迟且情境感知的决策过程，从而降低对集中式计算架构的依赖。尽管前景广阔，医疗影像中实施Edge-AI仍面临计算效率、模型鲁棒性、可解释性与可持续性之间的平衡挑战，亟需跨学科协同攻关。
本研究专题致力于加速推进由边缘人工智能驱动的智能、实时及可解释诊断影像系统的设计与部署。核心目标是解决关键科学与工程问题：在有限计算与能源资源条件下，先进深度学习模型如何保持临床级精度？何种方法能最优保障实时决策的透明度与可解释性？Edge-AI如何与现有医疗影像工作流程及临床验证管道无缝集成？本倡议通过鼓励算法创新与转化应用并重的研究，着力弥合实验室探索与医院实用系统间的鸿沟，特别欢迎聚焦可持续性、联邦学习、隐私保护以及计算机科学家、临床医师与生物医学工程师跨学科协作的研究成果。
为深入探索边缘人工智能与医疗影像在真实诊断系统中的融合路径，本专题征集但不限于以下主题的研究论文：
- 用于诊断的实时边缘医疗影像分析技术
- 医疗健康领域的可解释、可信边缘AI框架
- 节能型可持续AI模型设计与部署策略
- 医疗数据生态中的联邦学习与隐私保护机制
- 边缘AI架构下的多模态影像分析与整合
- 资源受限场景的硬件感知AI优化方法
- 诊断影像应用的可扩展临床验证边缘AI框架
诚邀提交原始研究、FAIR²数据论文、综述、方法学及观点类文章，要求研究成果在推进下一代可持续、可解释影像智能方面体现创新性、临床适用性与可重复性。
【全文结束】