{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期部分”：[[2024,5,13]]，“日期时间”：“2024-05-13T04:04:51Z”，“时间戳”：1715573091537}，“出版商位置”：“查姆”，“参考计数”：105，“出版者”：“斯普林格国际出版”，“isbn-type”：[{“值”：“9783030744779”，“类型”：”打印“}，{“值”：“9783030744786”，“类型”：“电子”｝]，“许可证”：[｛“开始”：｛“日期部分”：[[2012,2,24]]，“日期时间”：“2012-02-24T00:00:00Z”，“时间戳”：1330041600000｝，“内容版本”：“tdm”，“延迟天数”：0，“URL”：“https://www.springer.com\/tdm”｝，｛“开始”：｛“日期部分”：[[2012,2,24]]，“日期时间”：“2012-02-24T00:00:00Z”，“时间戳”：1330041600000｝，“内容版本”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springer.com\/tdm”}]，“content-domain”：{“domain”:[“link.springer.com”]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”:{“date-parts”：[[2021]]}，”DOI“：”10.1007\/978-3-030-74478-6_11“，”type“：”book-chapter“，”created“：{”date-part“：[2021,10,20]]，“日期时间”：“2021-10-20T09:16:26Z”，“时间戳”：1634721386000}，“页面”：“267-292”，“更新策略”：“http://\/dx.doi.org\/10.1007\/springer_crossmark_policy”，“源”：“交叉引用”，“is-referenced-by-count”：5，“标题”：[“医学成像的可解释人工智能：知识事项”]，“前缀”：“10.1007”，”作者“：[{”给定“：”Pascal“，”家族“：”Bourdon“，”序列“：”第一“，”从属关系“：[]}，{“给定”：“Olfa Ben”，“family”：“Ahmed”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Thierry”，“家族”：“Urruti”，”sequence“：”additional“，”affiliance“：[]neneneep，{”given“：”Khalifa}]，“成员”：“297”，“published-online”：{“date-parts”：[[2012,2,24]]}，“reference”：[{“key”：“11_CR1”，“doi-asserted-by”：“publisher”，”first page“：”52138“，”doi“：”10.1109 \/ACCESS.2018.2870052“，”volume“：“6”，“author”：“Amina Adadi”，“year”：“2018”，“unstructured”：“阿米娜·阿达迪和穆罕默德·伯拉达。窥探黑盒子：关于可解释人工智能（XAI）的调查IEEE Access，6:52138\u201352160，2018。“，“journal-title”：“IEEE Access”}，{“key”：“11_CR2”，“doi-asserted-by”：“crossref”，“unstructured”：“O.B.Ahmed，S.Fezzani，C.Guillevin，L.Fezai，M.Naudin，B.Gianelli，and C。费尔南德斯·马洛尼。Deepmrs：使用mrs数据检测痴呆症的端到端深度神经网络。2020年IEEE第17届国际生物医学成像研讨会（ISBI），第1459\u20131463页，2020年。“，“DOI”：“10.1109\/ISBI45749.20200.9098419”}，{“key”：“11_CR3”，“DOI-asserted-by”：“crossref”，“unstructured”：“Sebastian Bach、Alexander Binder、Gr\u00e9goire Montavon、Frederick Klauschen、Klaus Robert M\u00fcller和Wojciech Samek。通过分层相关传播对非线性分类器决策进行像素级解释。PloS one，10（7），2015.“，“DOI”：“10.1371 \/journal.pone.0130140”}，{“key”：“11_CR4”，“DOI-asserted-by”：“crossref”，“unstructured”：“Dragana Brzakovic，Xiao Mei Luo和P Brzakovi。乳房X光片中肿瘤自动检测方法。IEEE医学成像学报，9（3）：233\u2013241190.“”非结构化”：“埃里克·布林约夫森和安德鲁·麦卡菲。人工智能业务。《哈佛商业评论》，第1\u201320页，2017年。“}，{“问题”：“4”，“关键”：“11_CR6”，“doi-asserted-by”：“出版商”，“首页”：“51”，“doi”：“10.22381\/EMF13420184”，“卷”：“13”，“作者”：“Charlynne Bolton”，“年份”：“2018”，“非结构化”：“Charlynne Bolton、Veronika Machov\u00e1、Maria Kovacova和Katarina Valaskova。人与机器协作的力量：人工智能、商业自动化和智能经济。经济学、管理学和金融市场，13（4）：51\u2013562018。”，“新闻标题”：“经济学、管理和金融市场”}，{“关键词”：“11_CR7”，“doi-asserted-by”：“出版商”，“首页”：“8869”，“doi”：“10.1109\/ACCESS.2017.2694446”，“卷”：“5”，“作者”：“闵晨”，“年份”：“2017”，“非结构化”：“陈敏、郝一雪、黄凯、王璐和王琳。通过机器学习对医疗保健社区的大数据进行疾病预测。Ieee Access，5:8869\u201388792017。“，”journal-title“：”Ieee Access}，{“key”：“11_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“Radoslaw Martin Cichy、Aditya Khosla、Dimitrios Pantazis、Antonio Torralba和Aude Oliva。深度神经网络与人类视觉对象识别的时空皮层动力学的比较揭示了层次对应关系。科学报告，6:277552016。“，”DOI“：”10.1038\/srep27755“}，{“key”：“11_CR9”，“DOI-asserted-by”：“crossref”，“unstructured”：“Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm和Noemie Elhadad。医疗保健智能模型：预测肺炎风险和医院30天再入院。第21届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第1721\u20131730页，2015年。“，”DOI“：”10.1145\/2783258.2788613“}，{“key”：“11_CR10”，“DOI-asserted-by”：“crossref”，“unstructured”：“Diogo V Carvalho、Eduardo M Pereira和Jaime S Cardoso。机器学习可解释性：方法和度量的调查。电子学，8（8）：8322019。“，”DOI“：”10.3390\/electronics8080832“}，{“key”：“11_CR11”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ken Chatfield，Karen Simonyan，Andrea Vedaldi，and Andrew Zisserman。细节中的魔鬼回归：深入卷积网。arXiv预印本arXiv:1405.3531，2014。”，“DOI”：“10.5244\/C.28.6”}，}，“key“：”11_CR12“，”doi-asserted-by“：”crossref“，”unstructured“：”Dhritiman Das、Eduardo Coello、Rolf F Schulte和Bjoern H Menze。使用机器学习量化磁共振光谱成像中的代谢物。在国际医学图像计算和计算机辅助干预会议上，第462\u2013470页。Springer，2017.“，”DOI“：”10.1007\/978-3-319-66179-7_53“}，{”key“：”11_CR13“，”DOI-asserted-by“：”publisher“，”first page“：“564”，“DOI”：“10.1016\/j.sbspro.2015.06.134”，“volume”：“195”，“author”：“C\u00fcneyt Dirican”，“year”：“2015”，“unstructured”：“C\u00fcneyt Dirican公司。机器人、人工智能对商业和经济的影响。《Procedia-Social and Behavior Sciences，195:564\u20135732015》，“journal-title”：“Procedia-Social and behavior Sciences”}，{“key”：“11_CR14”，“unstructured”：“Laura Delponte和G Tamburini。欧洲人工智能（AI）领导力，综合愿景之路。欧洲议会，2018。”}crossref”，“非结构化”：“Finale Doshi-Velez、Mason Kortz、Ryan Budish、Chris Bavitz、Sam Gershman、David O\u2019Brien、Stuart Schieber、James Waldo、David Weinberger和Alexandra Wood。人工智能在法律下的责任：解释的作用。arXiv预印本arXiv:1711.011342017.“，”DOI“：”10.2139\/ssrn.3064761“}，{“问题”：”3\u20134“，”key“：”11_CR16“，”DOI-asserted-by“：”publisher“，“首页”：“197”，“DOI”：“10.1561\/20000000039”，“卷”：“7”，“作者”：“李登”，“年份”：“2014”，“非结构化”：“李登和董瑜。深度学习：方法和应用。信号处理的基础和趋势，7（3u20134）：197\u20133872014。”，“新闻标题”：“信号处理基础和趋势”}，{“关键”：“11_CR17”，“非结构化”：“Dumitru Erhan，Yoshua Bengio，Aaron Courville和Pascal Vincent。深层网络的高层特征可视化。蒙特利尔大学，1341（3）：2009年1月。”}11_CR18“，”doi-asserted-by“：”publisher“，”first page“：”184“，“doi”：“10.1016\/j.neuroimage.2016.10.001”，“volume”：“152”，“author”：“Michael Eickenberg”，“year”：“2017”，“unstructured”：“迈克尔·艾肯伯格，亚历山大·格兰福特，Ga\u00ebl Varoquaux，和伯特兰·蒂里昂。看得见一切：卷积网络层映射了人类视觉系统的功能。NeuroImage，152:184\u2013194，2017。“，”journal-title“：”NeuroImage“}，{“key”：“11_CR19”，“doi-asserted-by”：“crossref”，“unstructured”：“Bradley J Erickson，Panagiotis Korfatis，Zeynettin Akkus，and Timothy L Kline。医学成像的机器学习。放射学，37（2）：505\u2013515，2017。”，“doi”：“10.1148\/rg.2017160130”}，}，“key“：”11_CR20“，”非结构化“：”欧盟委员会（EC）。欧洲的人工智能。COM（2018）237最终版本，2018年4月。委员会向欧洲议会、欧洲理事会、理事会、欧洲经济和社会委员会以及区域委员会发送的信函。“}，{”key“：”11_CR21“，”doi-asserted-by“：”crossref“，”unstructured“：”Samuel G Finlayson，John D Bowers，Joichi Ito，Jonathan L Zittrain，Andrew L Beam，and Isaac S Kohane.医学机器学习的对抗性攻击。科学，363（6433）：1287\u201312892019。“，”doi“：”10.1126\/Science.aaw4399“}”，{“key”：“11_CR22”，“unstructure”：“”埃德·费尔滕（Ed Felten）。为人工智能的未来做准备。华盛顿特区：白宫，2016年5月3日。“}，{“key”：“11_CR23”，“doi-asserted-by”：“crossref”，“unstructured”：“阿尔贝托·费尔南德斯（Alberto Fern\u00e1ndez）、胡安·加尔科·塞古拉（Juan M Garc\u00eda-Segura）、汤姆·奥尔蒂斯（Tom\u00e 1s Ortiz）、朱莉娅·伊恩·埃斯科巴尔·蒙托亚（Julia In\u00e9s Escobar Montoya）、费尔南多·梅斯特（Fernando Maest\u00fa）、佩德罗·吉尔·格雷戈里奥（Pedro Gil-Gregorio）、巴勃罗·坎波（Pablo Campo）和胡安·卡洛斯·维亚诺（Juan Carlos Viano）。质子磁共振波谱和δ-偶极密度的脑磁图评估：可能有助于阿尔茨海默病诊断的技术组合。痴呆和老年认知障碍，20（2u20133）：169\u2013772005。“，”DOI“：”10.1159“/000087094“}，{”key“：”11_CR24“，”DOI-asserted-by“：”crossref“，”unstructured“：”Ethan Fast和Eric Horvitz。公众对人工智能认知的长期趋势。2017年第三十一届AAAI人工智能会议。“，“DOI”：”10.1609 \/aaai.v31i1.10635“}，{“key”：“11_CR25”，“doi-asserted-by”：“crossref”，“unstructured”：“Jean-Marc Fellous，Guillermo Sapiro，Andrew Rossi，Helen S Mayberg，and Michele Ferrante。神经科学的可解释人工智能：行为神经刺激。神经科学前沿，2019年13时1346分。”，“doi”：“10.3389”11_CR26“，”doi-asserted-by“：”crossref“，”unstructured“：”信阳冯，杰扬，扎卡里·C·利普顿，斯科特·A·斯莫尔，弗兰克·A·普罗文扎诺，阿尔茨海默病神经成像倡议等。MRI的深度学习肯定了海马结构在阿尔茨海默氏病分类中的重要性。bioRxiv，第456277页，2018年。“，“DOI”：“10.1101\/456277”}，{“key”：“11_CR27”，“unstructured”：“信阳冯，杰扬，安德鲁F莱恩，埃尔莎D安吉利尼。使用球形cnns对人类皮层的鉴别分析——关于阿尔茨海默病诊断的研究。arXiv预印本arXiv:1812.07749，2018。”}、{“key”：”11_CR28“，”DOI-asserted-by“：”crossref“，”非结构化“：”F Gao和Peter B Barker。用于阿尔茨海默病和轻度认知障碍的各种mrs应用工具。美国神经放射学杂志，35（6增补）：S4\u2013S112014。“，“DOI”：“10.3174”。A3944“}，{“key”：“11_CR29”，“unstructured”：“Ian Goodfellow、Yoshua Bengio和Aaron Courville.深度学习。麻省理工学院出版社，2016年。”}，}，“key“：”11_CR30“，“doi-asserted-by”：“crossref”，“非结构化”：“丹尼斯·古利亚托（Denise Guliato）、兰加拉吉·兰加扬（Rangaraj M Rangayyan）、朱利亚诺·卡瓦略（Juliano D Carvalho）和圣地亚哥（Santiago）。保留骨针的乳腺肿瘤轮廓多边形建模。IEEE生物医学工程学报，55（1）：14\u201320，2007.“，”DOI“：”10.1109\/TBME.2007.899310“}，{“key”：“11_CR31”，“unstructured”：“David Gunning.可解释人工智能（xai）.国防高级研究计划局（DARPA），and Web，22017年2月.“}Umut G\u00fc\u00e7l\u00fc和Marcel AJ van Gerven。深层神经网络揭示了跨腹侧流神经表征复杂性的梯度。《神经科学杂志》，35（27）：10005\u201310014，2015.“，”DOI“：”10.1523\/JNEUROSCI.5023-14.2015“}，{”key“：”11_CR33“，”DOI-asserted-by“：”publisher“，”first page“：“18”，“DOI”：“10.1016\/j.media.2016.05.004”，“volume”：“35”，“author”：“Mohammad Havaei”，“year”：“2017”，“unstructured”：“”Mohammad Havaei、Axel Davy、David Warde Farley、Antoine Biard、Aaron Courville、Yoshua Bengio、Chris Pal、Pierre Marc Jodoin和Hugo Larochelle。基于深度神经网络的脑肿瘤分割。医学图像分析，35:18\u2013312017。”，“新闻标题”：“医学图像分析”}，{“关键”：“11_CR34”，“非结构化”：“人工智能高级专家组（AI HLEG）。可信AI.COM（2018）237最终版，2019年4月。由欧洲委员会出版。“}，{”key“：”11_CR35“，”unstructured“：”Andreas Holzinger，Bernd Malle，Peter Kiesberg，Peter M Roth，Heimo M\u00fcller，Robert Reihs，and Kurt Zatloukal。面向增强病理学家：数字病理学中可解释ai的挑战。arXiv预印本arXiv:1712.066572017。“}”，{“issue”：“2”，“key”：“11_CR36”，“doi-asserted-by”：“publisher”，“第一页“：”8“，”DOI“：”10.1109\/MIS.2009.36“，”volume“：”24“，”author“：”Alon Halevy“，”year“：”2009“，”unstructured“：”阿隆·哈列维、彼得·诺维格和费尔南多·佩雷拉。数据的不合理有效性。IEEE Intelligent Systems，24（2）：8\u201312，2009。“，”journal-title“：”IEEE智能系统“}，{“key”：“11_CR37”，“doi-asserted-by”：“crossref”，“unstructured”：“Eric J Hobsbawm.The machine breakers.Past&Present，（1）：57\u2013701952.”，“doi”：“10.1093\/paster\/1.1.57”}，“key“：”11_CR38“，”unstructure“：”米洛·霍内格尔（Milo Honegger）。揭示黑箱机器学习算法：开发公理化框架来评估解释个别预测的方法的质量。arXiv预印本arXiv:1808.05054，2018。“}，{“key”：“11_CR39”，“unstructured”：“何开明，张湘玉，任绍清，孙健。图像识别的深度残差学习。在IEEE计算机视觉和模式识别会议论文集，第770\u2013778页，2016。”}，}，“key“：”11_CR40“，”doi-asserted-by“：”crossref“，”unstructure“：”Naimul Mefraz Khan、Nabila Abraham和Marcia Hon.使用智能训练数据选择进行转移学习，以预测阿尔茨海默病。IEEE Access，7:72726\u2013727352019.“，“DOI”：“10.1109\/Access.2019.2920448”}，{“key”：“11_CR41”，“DOI-asserted-by”：“crossref”，“unstructured”：“Sreenath P Kyathanahally，Andr\u00e9 D\u00f6 ring，and Roland Kreis。检测和去除核磁共振波谱中重影伪影的深度学习方法。医学中的磁共振，80（3）：851\u20138632018.“，”DOI“：”10.1002\/mrm.27096“}，{“key”：“11_CR42”，“DOI-asserted-by”：“crossref”，“unstructured”：“Imene Cheikhrouhou Kachouri、Khalifa Djemal和Hichem Maaref。在计算机辅助诊断系统中使用一种新的加香料的质量描述符对乳房X光检查质量进行表征。国际信号与成像系统工程杂志，5（2）：132\u2013142，2012.“，“DOI”：“10.1504\/IJSISE.2012.047786”}，{“key”：“11_CR43”，“DOI-asserted-by”：“crossref”，“unstructured”：“Pieter-Jan Kindermans，Sara Hooker，Julius Adebayo，Maximilian Alber，Kristof T Sch\u00fctt，Sven D\u00e4hne，Dumitru Erhan，and Been Kim。The（un）显著性方法的可靠性。《可解释的人工智能：解释、解释和可视化深度学习》，第267\u2013280页。Springer，2019.“，”DOI“：”10.1007\/978-3-030-28954-6_14“}，{“key”：“11_CR44”，“DOI-asserted-by”：“crossref”，“unstructured”：“Incheol Kim，Sivaramakrishnan Rajaraman，and Sameer Antani.医学图像模式分类中卷积神经网络预测的视觉解释。诊断学，9（2），2019.”，“DOI”：“10.3390\/diagnostics9020038”}，}“key“：”11_CR45“，”unstructured“：”Alex Krizhevsky、Ilya Sutskever和Geoffrey E Hinton。基于深度卷积神经网络的Imagenet分类。《神经信息处理系统的进展》，第1097\u201311052012页。“}，{“key”：“11_CR46”，“unstructured”：“Been Kim，Martin Wattenberg，Justin Gilmer，Carrie Cai，James Wexler，Fernanda Viegas，and Rory Sayres。特征属性之外的可解释性：概念激活向量定量测试（tcav）.arXiv预印本arXiv:1711.112792017.“}，{”问题“：”7553“，”关键“：”11_CR47“，”doi-asserted-by“：”出版商“，”首页“：”436“，”doi“：”10.1038\/nature14539“，”卷“：”521“，”作者“：”Yann LeCun“，”年份“：”2015“，”非结构化“：”杨利村、约书亚·本吉奥和杰弗里·欣顿。深度学习。自然，521（7553）：436\u2013.444，2015。“，“新闻标题”：“自然”}，{”key“：”11_CR48“，”doi-asserted-by“：”crossref“，”unstructured“：”Yin Lou、Rich Caruana和Johannes Gehrke。分类和回归的智能模型。第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第150\u2013158页，2012年key“：”11_CR50“，”unstructured“：”Scott M Lundberg和Su-In Lee。解释模型预测的统一方法。《神经信息处理系统进展》，第4765\u20134774页，2017年。“}，{“key”：“11_CR51”，“doi-asserted-by”：“crossref”，“unstructured”：“Chunfeng Lian，Mingxia Liu，Li Wang，and Dinggang Shen。使用多任务弱监督注意网络从脑MRI中预测端到端痴呆状态。在医学图像计算和计算机辅助干预国际会议上，第158\u2013167页。Springer，2019.“，”DOI“：”10.1007\/978-3-030-32251-9_18“}，{”issue“：”1“，”key“：”11_CR52“，”DOI-asserted-by“：”publisher“，”first page“：“91”，“DOI”：“10.1109\/TVCG.2016.2598831”，“volume”：“23”，“author”：“Mengchen Liu”，“year”：“2016”，“unstructured”：“刘梦晨、史嘉欣、李震、李崇轩、朱军和刘诗霞。更好地分析深度卷积神经网络。IEEE可视化和计算机图形事务，23（1）：91\u2013100，2016。“，“journal-title”：“IEEE可视化与计算机图形事务”}，{“issue”：“1”，“key”：“11_CR53”，“doi-asserted-by”：“publisher”，“first page”：”1“，“doi”：“10.1038\/s41467-019-08987-4”，“volume”：：“10”，“author”：“Sebastian Lapushkin”，”year“2019”，“unstructured”：“塞巴斯蒂安·拉普什金（Sebastian Lapuschkin）、斯蒂芬·瓦尔德钦（Stephan W\u00e4ldchen）、亚历山大·宾德（Alexander Binder）、格里尔·蒙塔冯（Gr\u00e 9goire Montavon）、沃伊西奇·萨梅克（Wojciech Samek）和克劳斯·罗伯特·M\u00fcller。揭开聪明的汉斯预测器的面纱，评估机器真正学习的东西。《自然通讯》，10（1）：1\u20138，2019年。“，“新闻标题”：“自然通讯”}，{“key”：“11_CR54”，“doi-asserted-by”：“crossref”，“unstructured”：“Chong Ho Lee和Hyung-Jin Yoon。医学大数据：前景与挑战。肾脏研究与临床实践，36（1）:3，2017年。”，“doi”：“10.23876\/j.krcp.2017.36.1.3”}、{“key”：《11_CR55》，“doi-asserted-by“：”crossref“，”unstructured“：”Travis B Murdoch和Allan S Detsky。大数据不可避免地应用于医疗保健。Jama，309（13）:1351\u201313522013.“，”DOI“：”10.1001\/Jama.2013.393“｝，｛”key“：”11_CR56“，”DOI断言“：”crossref“，”非结构化“：”Seyed-Mohsen Moosavi-Dezfuli、Alhussein Fawzi和Pascal Frossard。深度愚弄：一种简单而准确的愚弄深度神经网络的方法。在IEEE计算机视觉和模式识别会议论文集，第2574\u20132582页，2016年。“，”DOI“：”10.1109\/CVPR.2016.282“}，{”key“：”11_CR57“，”DOI-asserted-by“：”publisher“，”first page“：“1”，“DOI”：“10.1016\/j.artint.2018.07.007”，“volume”：“267”，”author“：”Tim Miller“，”year“：”2019“，”unstructured“：”蒂姆·米勒。人工智能解释：来自社会科学的见解。人工智能，267:1\u201338，2019.“，”日记标题“：”人工智能“}，{“key”：“11_CR58”，“doi-asserted-by”：“publisher”，“first page”：”211“，”doi“：”10.1016\/j.patcog.2016.11.008“，”volume“：”65“，”author“：”Gr\u00e9goire Montavon“，”year“：”2017“，”unstructured“：”Gr\u00e9goire Montavon、Sebastian Lapuschkin、Alexander Binder、Wojciech Samek和Klaus Robert M\u00fcller。用深度泰勒分解解释非线性分类决策。模式识别，65:211\u20132222017.“，“新闻标题”：“模式识别”}，{“key”：“11_CR59”，“doi-asserted-by”：“crossref”，“unstructured”：“马兴军，牛玉浩，林古，王毅森，赵益田，詹姆斯·贝利，冯璐。了解基于深度学习的医学图像分析系统的对抗性攻击。模式识别，第1073322020页。“，”DOI“：”10.1016\/j.patcog.2020.107332“}，{”key“：”11_CR60“，”unstructured“：”Christoph Molnar.可解释机器学习。Lulu.com，2020。“}”，{“key”：“11_CR61”，“DOI-asserted-by”：“crossref”，“unstructure”：“豪尔赫·莫瑟（Jorge G Moser）。在综合决策支持系统中集成人工智能和仿真。Simulation，47（6）：223\u20132292986.“，”DOI“：”10.1177\/003754978604700601“}，{“key”：“11_CR62”，“DOI-asserted-by”：“publisher”，“first page”：”1“，”DOI“：“10.1016\/j.dsp.2017.10.011”，“volume”：：“73”，“author”：“Gr\u00e9goire Montavon”，“year”：“2018”，“unstructured”：“Gr\u00e9goire Montavon、Wojciech Samek和Klaus-Robert M\u00fcller。解释和理解深度神经网络的方法。数字信号处理，73:1\u201315，2018。“，”journal-title“：”数字信号处理“}，{“key”：“11_CR63”，“unstructured”：“Alessandro Nuvolari et al.The \u201c machine breakers\u201d and The industrial revolution.journal of European Economic History，31（2）：393\u20134262002.”}，“key“：”11_CR64“，“doi-asserted-by”：“crossref”，“非结构化”：“”Fabi\u00e1n Narv\u00e ez和Eduardo Romero。使用正交矩进行乳房质量分类。数字乳房X线摄影国际研讨会，第64页\u201371。Springer，2012.“，“DOI”：“10.1007\/978-3642-31271-7_9”}，{“key”：“11_CR65”，“unstructured”：“Anh Nguyen，Jason Yosinski，and Jeff Clune.多面特征可视化：揭示深层神经网络中每个神经元学习的不同类型特征.arXiv预印本arXiv:1602.036162016.”}Cathy O\u2019neil。数学毁灭性武器：大数据如何加剧不平等并威胁民主。百老汇图书，2016年。“}，{”key“：”11_CR67“，”unstructured“：”Rahimi.机器学习已成为炼金术。在2017年第一届神经信息处理系统会议上。“}.”{“key”：“11_CR68”，“doi-asserted-by”：“crossref”，“unstructure”：“奥尔加·鲁萨科夫斯基（Olga Russakovsky）、贾登（Jia Deng）、郝苏（Hao Su）、乔纳森·克劳斯（Jonathan Krause）、桑吉夫·萨蒂什（Sanjeev Satheesh）、肖恩·马（Sean Ma）、黄志恒（Zhiheng Huang）、安德烈·卡佩西（Andrej Karpathy）、阿迪蒂亚·科斯拉（Aditya Khosla）、迈克尔·伯恩斯坦（Michael Bernstein）等，《Imagenet大规模视觉识别挑战》。国际计算机视觉杂志，115（3）：211\u20132522015。”，“DOI”：“10.1007”，{“key”：“11_CR69”，“DOI-asserted-by”：“crossref”，“unstructured”：“Rangaraj M Rangayyan、Nema M El-Faramawy、JE Leo Desautels和Onsy Abdel Alim。用于乳腺肿瘤分类的锐度和形状测量。IEEE医学成像汇刊，16（6）：799\u20138101997。“，“DOI”：“10.1109\/42.650876”}，{“key”：“11_CR70”，“unstructured”：“Andrea Renda。人工智能：道德、治理和政策挑战。CEPS特别工作组报告，2019年安德鲁·斯拉文·罗斯（Andrew Slavin Ross）、迈克尔·C·休斯（Michael C Hughes）和芬兰·多西·维莱兹（Finale Doshi-Velez）。正确的理由：通过限制解释来训练可差异模型。arXiv预印本arXiv:1703.03717，2017。“}，{“key”：“11_CR72”，“unstructured”：“Ali Rahimi和Ben Recht.对随机厨房水槽的反思，2017？\u201d解释任何分类器的预测。第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第1135\u20131144页，2016年。：“辛西娅·鲁丁。停止解释高风险决策的黑箱机器学习模型，而使用可解释模型。Nature Machine Intelligence，1（5）：206\u20132152019.“，”journal-title“：”Nature Machane Intellegence“}，{“issue”：“1”，“key”：“11_CR75”，“doi-asserted-by”：“publisher”，“first-page”：“4”，“doi”：“10.1109”\/JBHI.2016.26366665“，”volume“：”21“，”author“：”Daniele Rav\u00ec“，“year”：“2016”，“unstructured”：“”Daniele Rav\u00ec、Charence Wong、Fani Deligianni、Melissa Berthelot、Javier Andreu-Perez、Benny Lo和Guang-Zhong Yang。健康信息学的深度学习。IEEE生物医学与健康信息学期刊，21（1）：4\u2013212016。”，“期刊标题”：“IEEE生物医学与健康信息学期刊”，｛“密钥”：“11_CR76”，“doi断言”：“crossref”，“非结构化”：“Deniz Susar和Vincenzo Aquaro。人工智能：公共部门的机遇和挑战。第十二届电子治理理论与实践国际会议论文集，第418\u2013426页，2019年。“，“DOI”：“10.1145\/3326365.3326420”}，{“key”：“11_CR77”，“DOI-asserted-by”：“crossref”，“unstructured”：“Ramprasaath R Selvaraju、Michael Cogswell、Abhishek Das、Ramakrishna Vedantam、Devi Parikh和Dhruv Batra。Grad-cam：通过基于梯度的本地化从深层网络中进行可视化解释。在IEEE计算机视觉国际会议论文集，第618\u20136262017.页，“DOI”：“10.1109\/ICCV.2017.74”}，｛“key”：“11_CR78”，“DOI断言者”：“publisher”，“首页”：“85”，“DOI”：“10.1016\/j.neuet.2014.09.003”，“卷”：“61”，“作者”：“j\u00fcrgen Schmidhuber”，“年份”：“2015”，“非结构化”：“J\u00fcrgen Schmidhuber。神经网络中的深度学习：概述。神经网络，61:85\u2013117，2015.”，“新闻标题”：“神经网络”}，{“key”：“11_CR79”，“非结构化”：“Jost Tobias Springenberg，Alexey Dosovitskiy，Thomas Brox，and Martin Riedmiller。力求简单：全卷积网络。arXiv预印本arXiv:1412.68062014.”}、{“密钥”：“11-CR80”，“doi-asserted-by”：“crossref”，“unstructured”：“纳塔莉·斯穆哈（Nathalie A Smuha）。欧盟对可信人工智能道德准则的做法。CRi-Computer Law Review International，2019.“，“DOI”：“10.9785\/CRi-2019-200402”}，{“key”：“11_CR81”，“unstructured”：“Jimeng Sun和Chandan K Reddy。医疗保健大数据分析。第19届ACM SIGKDD知识发现和数据挖掘国际会议论文集，第1525\u20131525页，2013年。”}David Sculley、Jasper Snoek、Alex Wiltschko和Ali Rahimi。赢家\u2019s诅咒？关于速度、进展和经验的严谨性。2018.“}，{“key”：“11_CR83”，“doi-asserted-by”：“crossref”，“unstructured”：“Tyler C Steed，Jeffrey M Treiber，Michael G Brandel，Kunal S Patel，Anders M Dale，Bob S Carter，and Clark C Chen.侧脑室位移对胶质母细胞瘤质量影响的量化。科学报告，8（1）：1\u201382018.”，“doi”：“10.1038\/s41598-018-21147-w”}11_CR84“，”非结构化“：”克里斯蒂安·塞格迪（Christian Szegedy）、亚历山大·托舍夫（Alexander Toshev）和杜米特鲁·埃尔汉（Dumitru Erhan）。用于目标检测的深度神经网络。神经信息处理系统进展，第2553\u20132561页，2013年。“}，{“key”：“11_CR85”，“doi-asserted-by”：“crossref”，“unstructured”：“Jiawei Su，Danilo Vasconsellos Vargas，and Kouichi Sakurai。愚弄深层神经网络的单像素攻击。IEEE Transactions on Evolutionary Computation，23（5）：828\u20138412019。”，“doi”：“10.1109 \/TEVC.2019.2890858“}，{“key”：“11_CR86”，“unstructured”：“Wojciech Samek，Thomas Wiegand，and Klaus-Robert M\u00fcller.可解释人工智能：理解、可视化和解释深度学习模型。arXiv预印本arXiv:1708.082962017。”}，}，“key“：”11_CR87“，”unstructure“：”凯伦·西蒙扬和安德鲁·齐瑟曼。用于大规模图像识别的深度卷积网络。arXiv预印本arXiv:1409.15562014.“}，{“问题”：“2”，“密钥”：“11_CR88”，“doi-asserted-by”：“publisher”，“首页”：“54”，“doi”：“10.1007\/s41019-016-0011-3”，“卷”：“1”，“作者”：“Siuly Siuly”，“年份”：“2016”，“非结构化”：“Siuly Siuly和Yanchun Zhang。医学大数据：通过医学数据分析进行神经疾病诊断。数据科学与工程，1（2）：54\u2013642016.“，”journal-title“：”Data Science and Engineering“}，{“key”：“11_CR89”，“doi-asserted-by”：“crossref”，“unstructured”：“宋晓伟、张宁南、Ryan D\u2019Arcy、Steven Beyea、Robert Bartha、Denise Bernier、Sultan Darvesh和Kenneth Rockwood。阿尔茨海默病早期后扣带回皮质肌酸增加：一项高场磁共振波谱研究。阿尔茨海默病与痴呆，8（4，补充）：P352012。2012年阿尔茨海默病协会国际会议。“，”DOI“：”10.1016\/j.jalz.2012.05.090“}，{“key”：“11_CR90”，“unstructured”：“Christian Szegedy，Wojciech Zaremba，Ilya Sutskever，Joan Bruna，Dumitru Erhan，Ian Goodfellow，and Rob Fergus。神经网络的有趣特性。arXiv预印本arXiv:1312.6199，2013.”}，“{”key“：”11_CR91“，”doi-asserted-by“：”crossref“，”unstructured“：”唐子棋、康威V庄、查尔斯·德卡利、李维珍、劳雷尔·贝克特、迈克尔·凯瑟和布列塔尼·杜格尔。利用卷积神经网络管道对阿尔茨海默病病理进行可解释分类。《自然通讯》，10（1）：1\u201314，2019。“，”DOI“：”10.1038\/s41467-019-10212-1“}，{“key”：“11_CR92”，“DOI-asserted-by”：“crossref”，“unstructured”：“Erico Tjoa和Cuntai Guan。可解释人工智能（XAI）调查：迈向医学XAI。arXiv预印本arXiv:1907.073742019。”，“DOI”：“10.1109\/TNNLS.2020.3027314”}，“key“：”11_C R93“，”非结构化”：“Hidenori Tanaka、Aran Nayebi、Niru Maheswaranathan、Lane McIntosh、Stephen Baccus和Surya Ganguli。从神经科学的深度学习到机械理解：视网膜预测的结构。《神经信息处理系统进展》，第8535\u201385452019页。“}，{”key“：”11_CR94“，”doi-asserted-by“：”crossref“，”unstructured“：”Nima Tajbakhsh、Jae Y Shin、Suryakanth R Gurudu、R Todd Hurst、Christopher B Kendall、Michael B Gotway和Jianming Liang。医学图像分析的卷积神经网络：全训练还是微调？IEEE医学成像事务，35（5）：1299\u201313122016.“，”DOI“：”10.1109\/TMI.2016.2535302“}，{”key“：”11_CR95“，”unstructured“：”迈克尔·范·伦特、威廉·费舍尔和迈克尔·曼库索。一个用于小单位战术行为的可解释人工智能系统。《全国人工智能会议论文集》，第900\u2013907页。加利福尼亚州门罗公园；马萨诸塞州剑桥市；伦敦；AAAI出版社；麻省理工学院出版社；1999年，2004年。“}，{”key“：”11_CR96“，”doi-asserted-by“：”publisher“，”first page“：“8914”，”doi“：”10.1109\/ACCES.2016.2624938“，”volume“：：”4“，”author“：”Ge Wang“，”year“：”2016“，”unstructured“：”Go Wang.深度成像透视图。Ieee ACCESS，4:8914\u20138924，2016。“，”，”journal-title“：”Ieee ACCESS}“，{“key”：“11_CR97”，“doi-asser.”ted-by“：”crossref“，”非结构化”：Scott A Wright和Ainslie E Schultz。人工智能和商业自动化的兴起趋势：制定道德框架。《商业地平线》，61（6）：823\u20138322018。“，”DOI“：”10.1016\/j.bushor.2018.07.001“}，{“key”：“11_CR98”，“DOI-asserted-by”：“crossref”，“unstructured”：“王慧、谭岚、王慧富、刘颖、尹瑞华、王文英、张小龙、滕江和余金泰。阿尔茨海默病的磁共振波谱：系统综述和荟萃分析。阿尔茨海默病杂志：JAD，46 4:1049\u2013702015。“，”DOI“：”10.3233\/JAD-143225“}，{“key”：“11_CR99”，“DOI-asserted-by”：“crossref”，“unstructured”：“Miles N Wernick，Yongyi Yang，Jovan G Brankov，Grigori Yourganov，and Stephen C Strother。医学成像中的机器学习。IEEE信号处理杂志，27（4）：25\u2013382010。”，“DOI“：”10.1109\/MSP.2010.936730“}，{“issue”：“9”，“key”：“11_CR100”，“DOI-asserted-by”：“publisher”，“首页”：“2805”，“DOI”：“10.1109\/TNNLS.2018.2886017”，“volume”：”30“，“author”：“Xiaoyong Yuan”，“year”：“2019”，”unstructured“：”XiaoYuan，Pan He，Qile Zhu，and Xiaolin Li。对抗性例子：深度学习的攻击和防御。IEEE神经网络和学习系统事务，30（9）：2805\u201328242019Evangeline Yee、Karteek Popuri、Mirza Faisal Beg和阿尔茨海默病神经成像倡议。从FDG-PET图像量化大脑代谢，得出阿尔茨海默病痴呆评分的概率。人脑绘图，41（1）：5\u201316，2020。“，”DOI“：”10.1002\/hbm.24783“}，{“key”：“11_CR102”，“DOI-asserted-by”：“crossref”，“unstructured”：“Evangeline Yee、Karteek Popuri、Mirza Faisal Beg和阿尔茨海默病神经成像倡议。从FDG-PET图像量化大脑代谢，得出阿尔茨海默病痴呆评分的概率。人脑绘图，41（1）：5\u201316，2020。”，“DOI”：“10.1002\/hbm.24783”}，{“key”：“11_CR103”，“unstructured”：“Chengliang Yang，Anand Rangarajan，and Sanjay Ranka。深度三维卷积神经网络对阿尔茨海默病分类的视觉解释。AMIA年度研讨会论文集，2018年，第1571页。美国医学信息学协会，2018年。“}，{”key“：”11_CR104“，”doi-asserted-by“：”crossref“，”unstructured“：”Matthew D Zeiler和Rob Fergus。卷积网络的可视化和理解。在欧洲计算机视觉会议上，第818\u2013833页。Springer，2014.“，“DOI”：“10.1007\/978-3-319-10590-1_53”}，{“key”：“11_CR105”，“DOI-asserted-by”：“crossref”，“unstructured”：“周伯雷（Bolei Zhou）、阿迪蒂亚·科斯拉（Aditya Khosla）、阿加塔·拉佩德里扎（Agata Lapedriza）、奥德·奥利瓦（Aude Oliva）和安东尼奥·托拉尔巴（Antonio Torralba）。学习深层特征以进行区分性定位。IEEE计算机视觉和模式识别会议记录，第2921\u20132929页，2016年。“，”DOI“：”10.1109\/CVPR.2016.319“}]，”container-title“：[”Multi-face Deep Learning“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“https:\/\/link.springer.com/content\/pdf\/10.10007\/978-3-30-74478-6_11“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,1,12]，”date-time“：”2023-01-12T23:51:17Z“，”timestamp“：167356747000}，”score“：1，”resource“：”{“primary”：{“URL”：“https:\/\/link.springer.com/10.1007\/978-3-030-74478-6_11”}}，“subtitle”：[]，“shorttitle”：[]，“已发布”：{“日期部分”：[[2012,2,24]]}，“ISBN“：[”9783030744779“，”97830030744786“]，”references-count“：105，”URL“：”http://\/dx.doi.org\/10.1007\/978-3-030-74478-6_11“，”relationship“：{}，”subject“：[]，”published“：{”date-parts“：[[2012,2,24]]}，“assertion”：[{“value”：“2012年2月24日”，“order”：1，“name”：“first_online”，“label”：“first online”，”组“：{”name“：”ChapterHistory“，”label“：”章节历史“}}]}}