类风湿关节炎（RA）诊疗面临早期诊断准确率低、个体异质性大等问题。人工智能（AI）虽在影像分析、多模态数据整合中展现出潜力，但其“黑箱”特性限制了临床信任与应用。可解释性人工智能（XAI）旨在提升AI决策的透明度。本文系统梳理XAI在RA诊疗中的技术路径、应用场景与转化挑战，以推动其向透明化决策演进。

本文综述了近年来XAI在RA诊疗中的研究进展，重点分析其技术方法学，包括显著性图与注意力机制（如Grad-CAM）、代理模型（如LIME、SHAP）、规则提取与符号AI（如RuleFit）以及因果推理框架。同时，结合RA临床场景，评估XAI在影像诊断、疗效预测、亚型分层中的应用效果，并总结其在技术与临床转化中的挑战。

XAI在RA诊疗中展现出多方面的应用价值。Grad-CAM可在MRI滑膜炎识别中高亮关键区域，增强诊断可信度；SHAP分析可量化CRP、DAS28等指标对治疗应答的贡献；RuleFit可从多模态数据中提取可解释的规则，如“抗CCP阳性且超声滑膜厚度>3mm”与高炎症活动亚型相关，与临床一致性达89%。然而，XAI仍面临多模态解释冲突、实时性不足、临床信任机制差异、隐私泄露等挑战。医生更依赖循证证据，患者则需直观解释，分层解释系统有望缓解这一问题。

XAI在RA诊疗中扮演着连接技术突破与临床信任的重要角色，可有效提升AI决策的透明性与可信度。未来需通过神经符号AI、增强现实可视化、多中心标准化平台等手段，构建技术-临床-伦理三位一体的协同发展框架，推动XAI在RA诊疗中的临床转化。