深度学习和人工智能正在推动医学成像领域的变革时代，带来了用于诊断、预后和个性化患者护理的先进工具。在"深度学习在医学成像应用"研究主题第一卷奠定的基础和势头之上，第二卷突显了利用人工智能处理复杂成像数据、检测细微但具有临床意义的模式以及支持数据驱动的临床决策方面的持续进展。尽管最近的研究表明诊断准确性有所提高，并提供了对疾病机制的新见解，但临床应用仍然有限。这主要是由于对人工智能在真实临床环境中使用的透明度、可靠性、可推广性以及伦理问题的担忧。研究界继续讨论、测试和改进深度学习系统，然而数据质量、隐私限制、可解释性以及缺乏标准化评估指标等持续存在的挑战仍需进一步研究。
本研究主题旨在为成像研究人员、临床医生和技术专家提供一个包容性和动态的平台，以展示深度学习在医学成像应用方面的创新研究、批判性分析和多学科视角。我们的目标是推进对人工智能驱动成像方法的理论和实践理解，严格评估算法性能和可扩展性，并促进在不同医疗环境中的最佳实践。我们特别鼓励解决透明度和可解释性问题、增强非技术临床利益相关者的可访问性，以及系统分析偏差和缓解方法的贡献。通过这种协作努力，我们寻求加速创建和采用稳健、适应性强且值得信赖的人工智能工具，以满足不同医疗环境的独特需求。
为了深入了解深度学习在医学成像中的现有和新兴应用，我们欢迎包括原创研究、综述、观点、病例报告、方法、简短研究报告、意见、政策与实践综述以及技术和代码等文章，这些文章涉及但不限于以下主题：
- X射线、CT、MRI、超声、PET、荧光镜检查和自然图像等多种成像模式中深度学习的最新进展
- 针对大规模和复杂医学图像数据集的AI模型开发和训练
- 算法偏差的检测、分析和缓解，以及从有限或不平衡数据中学习的策略
- 用于异构临床数据集和实际部署的多模态和多仪器AI模型
- 增强面向不同背景医疗专业人员的AI模型的可解释性、透明度和可用性
- 医学成像中的生成和合成模型，包括数据增强和模拟
- 研究基于人工智能技术在临床环境中的伦理、隐私和监管影响
【全文结束】
