本研究提出了一种基于切片的深度学习模型可解释性方法，应用于3D CT数据，通过2D编码器生成反事实，节省内存并保持3D上下文，显示出良好的效果，具有重要的临床应用潜力。

本文综述了UNet及其变体在医学图像分割中的应用，涵盖WD-UNet主动学习模型降低3D CT标注成本、多种3D UNet变体基准测试（STUNet最佳）、SLCA UNet在脑肿瘤分割中Dice达0.845，以及深层UNet、Res-UNet和Attention Res-UNet的优异性能，并探讨了不确定性估计与泛化能力。