该研究提出了一种结合预训练视觉模型和可解释性算法的新方法，用于分析荧光光谱数据。通过特定特征工程的神经网络，深入理解数据的物理化学过程。在初榨橄榄油氧化分析中，该方法有效预测质量指标并识别光谱带，推动光谱学的深度学习应用。

人工智能在医疗应用中发挥重要作用，但深度神经网络的解释性仍然是挑战。本文介绍了一种基于影响力的可解释性算法TracIn，用于医学图像分割任务。该算法在多模态磁共振成像中的肿瘤脑部分割中表现良好，并提供局部和全局解释能力。

人工智能在医疗应用中发挥重要作用，但深度神经网络的解释性仍然是一个挑战。本文提出了一种基于影响力的可解释性算法TracIn，用于医学图像分割任务。该算法能够提供局部和全局解释，并可作为选择决策过程中使用的最相关特征的工具。该方法适用于所有语义分割任务。