{“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”：[[2024,3,14]]，“日期时间”：“2024-03-14T00:31:35Z”，“时间戳”：1710376295228}，“发布者位置”：“Cham”，“引用计数”：31，“发布商”：“Springer Nature Switzerland”，“isbn-type”：[{“值”：“97830311797754”，“类型”：”print“}，{“值”：“9783031179761”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com\/tdm”}：1640995200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\\/www.springer.com//tdm”}，{“start”：{“date-parts”：[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”:“https:\/\/www.splingernature.com\/gp\/researters\/text-and-data-mining”}]，“日期-时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000｝，“内容版本”：“vor”，“延迟天数”：0，“URL”：“https:\/\/wspringernature.com\/gp\/researchers\/text and data mining”｝]，“内容域”：｛“域”：[“link.springer.com”]，“交叉标记限制”：false｝，“短容器标题”：[]，“已出版印刷品”：｛“日期部分”：[[2022]]｝，“DOI”：“10.1007\/978-3-031-17976-1”，“类型”：“书籍章节”，“created”：{“date-parts”：[[2022,10,6]]，“date-time”：“2022-10-06T23:08:39Z”，“timestamp”：1665097719000}，“page”：“1-11”，“update-policy”：”http://\/dx.doi.org\/10.1007\/springer_crossmark_policy“，”source“：”Crossref“，“is-referenced-by-count”：0，“title”：[“利用\u00a0结节属性指导和\u00a 0在线进行可解释的肺癌诊断模型调试“]，“前缀”：“10.1007”，“作者”：[{“给定”：“韩晓”，“家庭”：“张”，“序列”：“第一”，“从属关系”：[]}，{“给出”：“梁”，“家族”：“陈”，“顺序”：“附加”，“隶属关系”：[]}“：[]}，{”给定“：”玉雷“，“家族”：“秦”，“序列”：“附加”，“从属关系”：[]}，{“给定”：“伟好”，“家庭”：“余”，“顺序”：“额外”，“隶属关系”：[]}“，”sequence“：”additional“，”affiliation“：[]}，{“given”：“Guang-Zhong”，“family”：“Yang”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[2022,10,7]}，“reference”：[{“key”：：“Adebayo，J.、Gilmer，J.和Muelly，M.、Goodfellow，I.、Hardt，M.和Kim，B.：显著图的健全性检查。高级神经信息处理系统31，1\u201311（2018）”，“日志标题”：“高级神经信息加工系统”}，{“问题”：“2”，“关键”：“1_CR2”，”doi-asserted-by“：”publisher“，“首页”：“915”，“doi”：“10.1118 \/1.3528204”，“卷”：“38”，“作者”：“SG Armato III”，“年份”：“2011年”，“非结构化”：“Armato，S.G.，III.等人：肺图像数据库联盟（LIDC）和图像数据库资源倡议（IDRI）：CT扫描肺结节的完整参考数据库。Med.Phys.38（2），915\u2013931（2011）”，“杂志标题”：“Med.Phys”}，{“issue”：“3”，“key”：“1_CR3”，《doi-asserted-by》：“publisher”，“首页”：“739”，“DOI”：“10.1148\/radio.2323032035”，“卷”：“232”，“作者”：“SG Armato III”，“年份”：“2004”，“非结构化”：“Armato，S.G.，III，et al.：肺图像数据库联盟：为医学成像研究界开发资源。放射学232（3），739\u2013748（2004）”，“期刊标题”：“放射学”}，{“问题”：“6”，“密钥”：“1_CR4”，“doi-asserted-by”：“publisher”，“doi”：“10.1148\/ryai.2021200267”，“volume”：“3”，“author”：“N Arun”，”year“：”2021“，”unstructured“：”Arun，N.，et al.：评估显著图在医学成像中定位异常的可信度。Radiol.Artif.Intel.3（6），e200267（2021）“，”journal-title“：”Radiol.Artif.Intell.}，{“issue”：“11”，“key”：“1_CR5”，“doi-asserted-by”：“publisher”，“first page”：“665”，”doi“：”10.1038\/s42256-020-00257-z“，”volume“：”2“，”author“：”R Geirhos“，”year“：”2020“，”unstructured“：”Geirhos，R.，et al.：深度神经网络中的快捷学习。Nat.Mach.Intell.2（11），665\u2013673（2020）“，”journal title“：”Nat.Mach-Intell.“}，{“问题“：”37“，”键“：”1_CR6“，“doi-asserted-by”：“publisher”，“first page”：“1”，“doi”：“10.1126\/scirobots.aay7120”，“volume”：”4“，“author”：“D Gunning”，“year”：“2019”，“unstructured”：“Gunning，D.，Stefik，M.，Choi，J.，Miller，T.，Stumpf，S.，Yang，G.Z.：XAI-explainable artificial Intelligences.Sci.Robot.4（37），1\u20136（2019）”，“journal title”：“Sci.Robot”}，{“问题”：“3”，“密钥”：“1_CR7”，“doi-asserted-by”：“publisher”，“first page”：“697”，”doi“：“10.1148\/radiol.2462070712”，“volume”：《246》，“author”：“DM Hansell”，“year”：“2008”，“unstructured”：“Hansell，D.M.，Bankier，A.A.，MacMahon，H.，McLoud，T.C.，Muller，N.L.，Remy，J.：Fleischner society：胸部成像术语表。放射学246（3），697\u2013722（2008）“，”，“journal-title”：“放射学”}，{“key”：“1_CR8”，“doi-asserted-by”：“crossref”，“unstructured”：“He，K.，Zhang，X.，Ren，S.，Sun，J.：图像识别的深度剩余学习。In：IEEE计算机视觉和模式识别会议论文集，pp.770\u2013778（2016）”，“doi”：“10.1109\/CVPR.2016.90”}：“计算机科学课堂讲稿”，“doi-asserted-by”：“publisher”，“first page”：“249”，“doi”：“10.1007\/978-3-319-59050-9_20”，“volume-title”：“医学成像中的信息处理”，“author”：“S Hussein”，“year”：“2017”，“unstructured”：“Hussein，S.，Cao，K.，Song，Q.，Bagci，U.：使用基于3D CNN的多任务学习对肺结节进行风险分层。摘自：Niethammer，M.等人（编辑）IPMI 2017。LNCS，第10265卷，第249\u2013260页。查姆施普林格（2017）。https:\/\/doi.org\/10.1007\/978-3-319-59050-9_20“}，{”issue“：”9“，”key“：”1_CR10“，”doi-asserted-by“：”publisher“，”first page“：“532”，”doi“：”10.1038\/s41571-019-0248-7“，“volume”：“16”，“author”：“C Jacobs”，“year”：“2019”，“unstructured”：“Jacobs，C.，van Ginneken，B.：Google\u2019s肺癌AI:一个需要的有前途的工具进一步验证。自然版本。临床。昂科尔。16（9），532\u2013533（2019）”，“期刊标题”：“Nat.Rev.Clin。昂科尔。“}，{”key“：”1_CR11“，”unstructured“：”Kingma，D.P.，Ba，J.：Adam:一种随机优化方法。arXiv预印本arXiv:1412.6980（2014）“}”，{“issue”：“4”，“key”：“1_CR12”，“doi-asserted-by”：“publisher”，“doi”：“10.1117\/1.JMI.3.4.044506”，“volume”：”3“，”author“：”JS Kirby“，“year”：“2016”，“unstructure”：“”Kirby，J.S.等：肺部结节计算机分类的LungX挑战。J.Med.Imaging 3（4），044506（2016）“，”journal-title“：”J.Med.Imaging“}，{”issue“：”1“，”key“：”1_CR13“，”doi-asserted-by“：”publisher“，”first page“：“133”，“doi”：“10.1016\/J.media.2010.08.005”，“volume”：“15”，“author”：“T Kubota”，“year”：“2011”，“unstructured”：“Kubota，T.、Jerebko，A.K.、Dewan，M.、Salganicoff，M.和Krishnan，A.：用形态学方法和凸面模型分割不同密度的肺结节。医学图像分析。15（1），133\u2013154（2011）“，“新闻标题”：“医学图像分析。“}，{”issue“：“3”，”key“：“1_CR14”，”doi-asserted-by“：”publisher“，”first page“：”718“，”doi“：”10.1109\/TMI.2019.2934577“，”volume“:”39“，”author“：”L Liu“，”year“：”2019“，”unstructured“：”Liu，L.，Dou，Q.，Chen，H.，Qin，J.，Heng，P.A.：多任务深度模型，肺结节分析边缘排名损失。IEEE Trans.Med.Imaging 39（3），718\ u2013728（2019）“，”journal-title“：”IEEE Trans。医学成像“}，{“问题”：“12”，“关键”：“1_CR15”，“doi-asserted-by”：“出版商”，“首页”：“1464”，“doi”：“10.1016\/j.acra.2007.07.021”，“卷”：“14”，“作者”：“MF-McNitt-Gray”，“年份”：“2007”，“非结构化”：“McNitt-Gray，M.F.，et al.：肺图像数据库联盟（LIDC）结节检测和注释的数据采集过程。美国放射学会14（12），1464\u20131474（2007）“，“新闻标题”：“学术。无线电。“}，{”key“：”1_CR16“，”doi-asserted-by“：”publisher“，”unstructured“：”Samek，W.，Montavon，G.，Vedaldi，A.，Hansen，L.K.，M\u00fcller，K.-R.：可解释人工智能：解释、解释和可视化深度学习。LNCS（LNAI），第11700卷。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-28954-6“，”doi“：”10.1007\/9783-030-28954-6“}，{“key”：“1_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Selvaraju，R.R.，Cogswell，M.，Das，A.，Vedantam，R.，Parikh，D.，Batra，D.：Grad-cam：通过基于梯度的本地化从深层网络中进行视觉解释。摘自：IEEE计算机视觉国际会议论文集，第618\u2013626页（2017）“，”DOI“：”10.1109\/ICCV.2017.74“}，{”key“：”1_CR18“，”DOI-asserted-by“：”publisher“，”first page“：“1”，“DOI”：“10.1016\/j.media.2017.06.015”，“volume”：“42”，“author”：“AAA Setio”，“year”：“2017”，“unstructured”：“Setio，A.A.A.等人：计算机断层扫描图像中肺结节自动检测算法的验证、比较和组合：luna16挑战。医学图像分析。42，1\u201313（2017）“，“杂志标题”：“医学图像分析。“}，{”issue“：”11“，”key“：”1_CR19“，”doi-asserted-by“：”publisher“，”首页“：”929“，”doi“：”10.1038\/s42256-021-00399-8“，”volume“：“3”，”author“：”R Shad“，”year“：”2021“，”unstructured“：”Shad，R.、Cunningham，J.P.、Ashley，E.A.、Langlotz，C.P.、Hiesinger，W.：为高维医学成像设计临床可翻译人工智能系统。自然马赫数。智力。3（11），929\u2013935（2021）”，“期刊标题”：“自然马赫数。智力。“}，{”key“：”1_CR20“，”doi-asserted-by“：”publisher“，”first page“：模式识别。“}，{”key“：”1_CR21“，”doi-asserted-by“：”crossref“，”unstructured“：”N.L.S.T.R.团队：国家肺筛查试验：概述和研究设计。放射学.258（1），243\u2013253（2011）“，”doi“：”10.1148\/radiol.10091808“}”，{N.L.S.T.R.团队：通过低剂量计算机断层扫描降低肺癌死亡率。新英格兰医学杂志365（5），395\u2013409（2011）“，”DOI“：”10.1056\/NEJMoa1102873“}，{”key“：”1_CR23“，”DOI-asserted-by“：”publisher“，”first page“：“18450”，“DOI”：“10.1109\/ACCESS.2019.2896409”，“volume”：“7”，“author”：“Q Wang”，“year”：“2019”，“unstructured”：“Wang，Q.，等：基于WGAN的合成少数人过采样技术：改进CT图像中肺结节的语义细粒度分类。IEEE Access 7，18450\u201318463（2019）”，“期刊标题”：“IEEE Access”}，｛“key”：“1_CR24”，“doi断言”：“crossref”，“非结构化”：“Wu，B.，Zhou，Z.，Wang，J.，Wang，Y.：肺结节分割、属性和恶性预测的联合学习。在：2018 IEEE第15届国际生物医学成像研讨会（ISBI 2018）第1109\u20131113页。IEEE（2018）“，”DOI“：”10.1109\/ISBI.2018.8363765“}，{”key“：”1_CR25“，”series-title“：”计算机科学讲义“，”DOI-asserted-by“：”publisher“，”first page“：“3”，“DOI”：“10.1007\/978-3-030-01261-8_1”，“volume-title”：“Computer Vision\u2013 ECCV 2018”，“author”：“Y Wu”，“year”：“2018”，”unstructured“：”Wu，Y.，He，K.：集团规范化。收件人：Ferrari，V.，Hebert，M.，Sminchisescu，C.，Weiss，Y.（编辑）ECCV 2018。LNCS，第11217卷，第3\u201319页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-01261-8_1“}，{“key”：“1_CR26”，“series-title”：“计算机科学讲义”，“doi-asserted-by”：“publisher”，“首页”：“656”，“doi”：“10.1007\/9783-319-66179-7_75”，“volume-title”：”医学图像计算和计算机辅助干预\u2013MICCAI 2017“，”作者：“Y Xie”，“年份”：“2017”，“非结构化”：“Xie，Y.、Xia，Y.，Zhang，J.、Feng，D.D.、Fulham，M.、Cai，W.：胸部CT良性肿瘤肺结节分类的可转移多模型集成。In：Descoteaux，M.，Maier-Hein，L.，Franz，A.，Jannin，P.，Collins，D.L.，Duchesne，S.（eds.）MICCAI 2017。LNCS，第10435卷，第656\u2013664页。查姆施普林格（2017）。https:\/\/doi.org\/10.1007\/978-3-319-66179-7_75“}，{”issue“：”4“，”key“：”1_CR27“，”doi-asserted-by“：”publisher“，”first page“：“991”，”doi“：”10.1109\/TMI.2018.2876510“，“volume”：“38”，“author”：“Y Xie”，“year”：“2018”，“unstructured”：“Xie，Y.，et al.：基于知识的协作深度学习，用于胸部CT良性肺结节分类●●●●。IEEE传输。医学成像38（4），991\u20131004（2018）“，“期刊标题”：“IEEE Trans。Med.Imageging”}，{“key”：“1_CR28”，“nonstructured”：“Zhang，H.等人：肺结节诊断的可靠数据的忠实学习。arXiv预印本arXiv:22202.12515（2022）”}，{“key”：“1_CR29”，“doi asserted by”：“crossref”，“nonstructured”：“Zhang，H.等：重新思考和重新标记LIDC-IDRI，以进行稳健的肺癌预测。arXiv预印本arXiv:2207.14238（2022）“，“DOI”：“10.1007\/978-3-031-16760-7_5”}，{“key”：“1_CR30”，“DOI-asserted-by”：“publisher”，“unstructured”：“Zhang，H.，Gu，Y.，Qin，Y.”，Yao，F.，Yang，G.Z.：利用可靠数据进行结节级肺癌预测。In:Martel，A.L.，et al.（eds.）MICCAI 2020。LNCS，第12266卷，第570\u2013578页。施普林格，查姆（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59725-2_55“，”doi“：”10.1007\/978-30-59725-2_55“}，{“key”：“1_CR31”，“doi-asserted-by”：“crossref”，“unstructured”：“Zhou，B.、Khosla，A.、Lapedriza，A.、Oliva，A.和Torralba，A.：学习区分性本地化的深层特征。摘自：IEEE计算机视觉和模式识别会议论文集，第2921\u20132929页（2016）“，”DOI“：”10.1109\/CVPR.2016.319“}]，”container-title“：[”计算机科学讲义“，”医学图像计算中机器智能的可解释性“]，”原文标题“：[]，”链接“：[{”URL“：”https:\/\/link.springer.com/content\/pdf\/10.1007\/978-3-031-17976-1_1“，“content-type”：“未指定”，“content-version”：“vor”，“intended-application”：“相似性检查”}]，“存放”：{“date-parts”：[[2024,3,13]]，“日期-时间”：“2024-03-13T13:31:34Z”https:\/\/link.springer.com/10.1007\/978-3-031-17976-1_1“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期-部件“：[[2022]]}，“ISBN”：[“9783031179754”，”978303179761“]，”引用计数“：31，”URL“：”http://\/dx.doi.org\/10007\/978-3-017976-1_2“，”关系“：{}”，“ISSN”：[“0302-9743”，“1611-3349”]，“ISSN-type”：[{“value”：“0302-7743”value“：”1611-3349“，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2022]]}，“assertion”：[{“value”：”2022年10月7日“，“order”：1，“name”：“first_online”，“label”：“first online”，”group“：{”name“：”ChapterHistory“，”label“：”Character History标签“：”会议缩写“，”组“：{”名称“：”ConferenceInfo“，”label“：”ConferenceInformation“}}，”value“：”医学图像计算中机器智能可解释性国际研讨会“，”order“：2，”name“：”Conference_name“，”标签“：”会议名称“，”group“：会议城市”，“组”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}，{“value”：“Singapore”，“order”：4，“名称”：“Conference_country”，“标签”：“国家/地区”，“group”：{name“：”ConferenceInformo“，”label“：”会议信息ConferenceInfo“，”label“：”ConferenceInformation“}}，{”value“：”2022年9月22日“，”order“：7，”name“：”Conference_start_date“，“label”：“会议开始日期”，“group”：{“name”：“ConferenceInfo”，“lable”：“Meeting Information”}，}“value”：“2022年九月22日”，“order”：8，“name”:“Conference_end_date”，”lable“：”会议结束日期“，”group“：{”name“会议信息“，”标签“：”会议信息“}}，{“value”：“5”，“order”：9，“name”：“Conference_number”，“label”：“ConferenceNumber”，“group”：{“name”:“ConferenceInformo”，“table”：“会议信息”}}}，{“value“：”http://\/immic-workshop.com/“，”order“：11，”name“：”conference_url“，”label“：”会议url“，”group“：同行评审信息（由会议组织者提供）“}}，{”value“：”CMT“，”order“：2，”name“：”conference_management_system“，”label“：”会议管理系统“，”group“：number_of_submissions_sent_for_review“，”label“：“发送供审阅的提交数”，“group”：{“name”：“ConfEventPeerReviewInformation”，“label”：“同行审阅信息（由会议组织者提供）”}}，{“value”：“10”，“order”：4，“name”:“number_ of_full_papers_accepted”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）42%-该值由等式“接受的完整论文数”/“提交供审查的论文数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_full_papers“，”label“：”全文接受率“，”group“：ConfEventPeerReviewInformation“，”label“：”同行评议信息（由会议组织者提供）“}}，{“value”：“3”，“order”：8，“name”：“average_number_of_papers_per_reviewer”，“label”：“每个审阅者的平均论文数”，“group”：}，{“value”：“No”，“order”：9，“name”：“external_reviewers_involved”，“label”：“涉及外部审阅者”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行审阅信息（由会议组织者提供）”}}]}}