本文探讨了一种基于黑盒神经网络的可解释性方法，提出结合梯度和属性的算法，生成类特定的蒙版，提升医学影像分割中的解释能力。研究表明，该算法在多模态磁共振成像的肿瘤分割任务中表现优越，提供局部和全局解释，帮助选择相关特征。

多模态磁共振成像在鼻咽癌的早期诊断和管理中至关重要。研究团队发布了首个包含277名患者的MRI数据集，利用深度学习开发了多个高精度的自动化诊断系统，推动了癌症诊断技术的发展。

使用机器学习和多模态磁共振成像研究揭示了神经精神和神经退行性疾病中的疾病多样性，发现了不同脑表型特征之间的差异。综述了相关研究，讨论了机器学习方法和维度性神经影像内部表型的应用。探讨了研究结果的临床意义和未来方向。