摘要 — 医疗物联网人工智能 (AIoMT) 的融合彻底改变了医疗保健行业，使先进的数据驱动解决方案能够改善医疗保健系统。随着人工智能 (AI) 模型的日益复杂，对可解释人工智能 (XAI) 技术的需求变得至关重要，尤其是在医疗领域，透明和可解释的决策变得至关重要。因此，在这项工作中，我们利用了一个自定义的 XAI 框架，结合了局部可解释模型不可知解释 (LIME)、SHapley 加法解释 (SHAP) 和梯度加权类激活映射 (Grad-Cam) 等技术，这些技术专为 AIoMT 领域设计。所提出的框架提高了战略医疗保健方法的有效性，旨在建立信任并促进对人工智能驱动的医疗应用的理解。此外，我们利用多数投票技术，该技术汇总来自多个卷积神经网络 (CNN) 的预测，并利用它们的集体智慧在医疗保健系统中做出稳健而准确的决策。基于这一决策过程，我们将 XAI 框架应用于脑肿瘤检测，作为展示准确透明诊断的用例。评估结果强调了 XAI 框架的卓越性能，实现了高精度、召回率和 F1 分数，训练准确率为 99%，验证准确率为 98%。将先进的 XAI 技术与基于集成的深度学习 (DL) 方法相结合，可以实现精确可靠的脑肿瘤诊断，这是 AIoMT 的一种应用。索引术语 — 可解释的人工智能 (XAI)、最大投票分类器、医疗物联网、智能医疗系统、健康。