杜克大学针对放射科医师，开发了一个人工智能平台，能够用于分析乳房X光片，找出潜在的癌变组织，提供医师额外的信息，以决定是否要进行侵入性检验。这个系统的特别之处在于，其所使用的算法能够被解释，也就是说，医生能够知道算法做出决定的理由，因此也就更能相信人工智能给出的结果。
研究人员提到，计算机要助医生做出重要的医疗决策，首先医生必须相信人工智能所得到的结论，是根据有意义的证据，因此他们开发的算法不仅可以推理出结论，还可以自我解释，展示得出结论的过程，如此人工智能才能够协助医生做出更好的决定。
即便FDA已经批准了百种以上可用于临床的算法，但是不少算法缺乏可解释性，一旦医生使用人工智能出现失败案例，人工智能在高医疗风险决策中的使用便会遭到质疑，研究人员提到，人工智能模型的确很容易失效，在不同的设备上部署模型，就可能因为设备本身微小的差异，使得模型出现错误。
因此当模型能够自己说明结果推论的过程，模型的可信度将会明显上升。研究人员使用来自484名患者所拍摄的1,136张图像，训练人工智能模型，研究人员提到，他们教人工智能找到可疑的病变组织，但同时忽略健康的组织与不相关的资料，且聘请放射科医生，仔细的标记图像，来教会人工智能精确地识别癌变组织的边缘，并将这些边缘和图片中已知癌症和良性肿瘤的边缘进行比较。
放射状线条以及模糊的边缘，通常是肿块的边缘，也是恶性胸线肿瘤的最佳预测指标，研究人员提到，因为癌细胞复制快速，扩散速度非常快，导致X光片中并非所有扩张中的肿瘤边缘都容易被发现，该特征是放射科医生第一优先寻找的标的。而杜克大学研究人员所开发的人工智能模型，则能模仿医生的行为，把焦点放在这些难以发现的边缘上，并在解释诊断过程时，把这些边缘圈选出来。
研究人员以训练真正的放射科医生一样的方式，来训练人工智能模型，而非让模型自由发展识别过程，与其他无法解释，存在黑盒子的模型相比，这个新的模型由于其可解释性，因此甚至可以成为训练平台，教学生查看乳房X光片，或是可以在医疗资源稀缺的地区，提供更好的乳房X光检查。
研究人员表示，他们以特别的方式来训练人工智能查看医学图像，与其他人工智能模型的差异在于，其他模型并未尝试模仿放射科医生，甚至在特殊情况下，可能会从有缺陷的推理过程获得结果。这个新的人工智能模型模型，识别结果虽然无法超越人类放射科医师，但是能与其他模型的表现一样好，并且在出现错误时，让用户发现模型出现错误，并且知道发生错误的原因。