“随着人工智能技术在医疗领域的深度融合，基于深度学习的影像分析模型已在多项任务中展现出显著潜力。然而，这类模型的性能严重依赖于大规模、高质量的训练数据，而真实临床环境下的医学数据常面临三大类挑战：数据稀缺、数据异质性以及数据不均衡问题。传统深度学习模型在处理此类复杂数据时，往往表现出过度自信的错误预测，且缺乏对认知不确定性的表达能力，从而为高风险的临床决策带来潜在安全威胁。证据深度学习（evidential deep learning，EDL）作为一种新兴的不确定性量化范式，通过将狄利克雷分布引入到神经网络的输出来对预测进行证据建模，能够一定程度上建模偶然不确定性和认知不确定性，这种能力为应对真实复杂医学数据提供了强有力的工具。本文从数据稀缺、数据异质性及数据不均衡这三大挑战的视角切入，系统性地综述了证据深度学习在复杂医学数据下的影像分析应用，并阐明了证据深度学习凭借其不确定性量化和内在的可解释性，在利用无标签数据、检测异常样本、解析并融合冲突证据、识别尾部数据以及仲裁噪声数据等方面展现的核心优势。本文提及的相关算法已汇总至https：//github.com/oscarab/Medical-EDL。最后，本文对该领域当前面临的挑战进行了总结，并对未来的研究方向进行了展望，为研究者们提供了一个清晰的路线图，以推动构建更安全、更可靠、更可信的下一代智能医学影像分析系统。”