1. Замечник, Т. В. Управляемый классификатор в диагностике рака молочной железы по данным микроволновой радиотермометрии / Т. В. Замечник, А. Г. Лосев, А. Ю. Петренко // Математическая физика и компьютерное моделирование. - 2019. - № 22 (3). - C. 52-66. -. DOI: 10.15688/mpcm.jvolsu.2019.3.5
2. Левшинский, В. В. Математические методы анализа и интерпретации термометрических данных в медицинской диагностике: дис.... канд. техн. наук / В. В. Левшинский. - Волгоград, 2022. - 202 c.
3. Лекции по логическим алгоритмам классификации. - URL: http://www.ccas.ru/voron/download/LogicAlgs.pdf.
4. Лосев, А. Г. Интеллектуальный анализ данных микроволновой радиотермометрии в диагностике рака молочной железы / А. Г. Лосев, В. В. Левшинский // Математическая физика и компьютерное моделирование. - 2017. - Т. 20, № 5. - C. 49-62. -. DOI: 10.15688/mpcm.jvolsu.2017.5.6
5. Лосев, А. Г. Интеллектуальный анализ термометрических данных в диагностике молочных желез / А. Г. Лосев, В. В. Левшинский // Управление большими системами: сб. тр. - М.: Институт проблем управления им. В.А. Трапезникова РАН, 2017. - № 70. - C. 113-135.
6. Перспективы микроминиатюризации многоканальных многочастотных радиотермографов / А. Г. Гудков, С. Г. Веснин, Ю. В. Соловьев, В. Г. Тихомиров, В. В. Попов // Инфокоммуникационные и радиоэлектронные технологии. - 2022. - № 4. - C. 531-547. -. DOI: 10.29039/2587-9936.2022.05.4.38
7. Попов, И. Е. Анализ термометрических данных головного мозга, полученных методом микроволновой радиотермометрии / И. Е. Попов, А. Е. Крылова // Математическая физика и компьютерное моделирование. - 2023. - № 26 (2). - C. 32-42. -. DOI: 10.15688/mpcm.jvolsu.2023.2.3
8. A Comparison of Normalization Methods for High Density Oligonucleotide Array Data Based on Variance and Bias / B. M. Bolstad, R. A. Irizarry, M. Astrand, T. P. Speed // Bioinformatics. - 2003. - № 2. - P. 185-193. -. DOI: 10.1093/bioinformatics/19.2.185
9. A Survey of Commonly Used Ensemble-Based Classification Techniques / A. Jurek, Y. Bi, S. Wu, C. Nugent // The Knowledge Engineering Review. - 2014. - № 29 (5). - P. 551-581. -. DOI: 10.1017/S0269888913000155
10. A Survey of Methods for Explaining Black Box Models / R. Guidotti, A. Monreale, S. Ruggieri, F. Turini, F. Giannotti, D. Pedreschi // ACM Comput. Surv. - 2018. - № 5. - P. 1-42. -. DOI: 10.1145/3236009
11. BayLIME: Bayesian Local Interpretable Model-Agnostic Explanations / X. Zhao, W. Huang, X. Huang, V. Robu, D. Flynn // Proceedings of the Thirty-Seventh Conference on Uncertainty in Artificial Intelligence. - 2021. - № 161. - P. 887-896.
12. Don’t Just Blame Over-Parametrization for Over-Confidence: Theoretical Analysis of Calibration in Binary Classification / Y. Bai, S. Mei, H. Wang, C. Xiong // ArXiv Preprint. - 2021. - P. 1-31.
13. Explainable Artificial Intelligence: A Survey of Needs, Techniques, Applications, and Future Direction / M. Mersha, K. Lam, J. Wood, A. K. AlShami, J. Kalita // Neurocomputing. - 2024. - № 599. - P. 128111. -. DOI: 10.1016/j.neucom.2024.128111
14. Explaining Anomalies Detected by Autoencoders Using Shapley Additive Explanations / L. Antwarg, R. M. Miller, B. Shapira, L. Rokach // Expert Systems with Applications. - 2021. - № 186. - P. 115736. -. DOI: 10.1016/j.eswa.2021.115736
15. Feng, W. Label Noise Cleaning with an Adaptive Ensemble Method Based on Noise Detection Metric / W. Feng, Y. Quan, G. Dauphin // Sensors. - 2020. - № 20. - P. 6718. -. DOI: 10.3390/s20236718
16. Krizhevsky, A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Commun. ACM. - 2017. - Vol. 60, № 6. - P. 84-90. -. DOI: 10.1145/3065386
17. LeCun, Y. Deep Learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. - 2015. - № 521. - P. 436-444. -. DOI: 10.1038/nature14539
18. Levshinskii, V. Using AI and Passive Medical Radiometry for Diagnostics (MWR) of Venous Diseases / V. Levshinskii, A. Losev, T. Zamechnik // Computer Methods and Programs in Biomedicine. - 2022. - № 215. - P. 106611. -. DOI: 10.1016/j.cmpb.2021.106611
19. Levshinskii, V. V. Mathematical Models for Analyzing and Interpreting Microwave Radiometry Data in Medical Diagnosis / V. V. Levshinskii // Journal of Computational and Engineering Mathematics. - 2021. - № 1. - P. 3-14. -. DOI: 10.14529/jcem210101
20. Lundberg, S. M. A Unified Approach to Interpreting Model Predictions / S. M. Lundberg, S. Lee // Advances in Neural Information Processing Systems. - 2017. - Vol. 30. - P. 1-10. - DOI: arXiv:1705.07874.
21. Neural Additive Models: Interpretable Machine Learning with Neural Nets / R. Agarwal, L. Melnick, N. Frosst, X. Zhang, B. Lengerich, R. Caruana, G. E. Hinton // Advances in Neural Information Processing Systems. - 2021. - Vol. 34. - P. 1-23. - DOI: arXiv:2004.13912.
22. On Calibration of Modern Neural Networks / C. Guo, G. Pleiss, Y. Sun, K. Q. Weinberger // ArXiv Preprint. - 2017. - P. 1-14. - DOI: arXiv:1706.04599.
23. Passive Microwave Radiometry for the Diagnosis of Coronavirus Disease 2019 Lung Complications in Kyrgyzstan / B. Osmonov, L. Ovchinnikov, C. Galazis, B. Emilov, M. Karaibragimov, M. Seitov, S. Vesnin, A. Losev, V. Levshinskii, I. Popov // Diagnostics. - 2021. - № 11. - P. 259. -. DOI: 10.3390/diagnostics11020259
24. Passive Microwave Radiometry in Biomedical Studies / I. Goryanin, S. Karbainov, O. Shevelev, A. Tarakanov, K. Redpath, S. Vesnin, Y. Ivanov // Drug Discovery Today. - 2020. - № 4. - P. 757-763. -. DOI: 10.1016/j.drudis.2020.01.016
25. Priestley, M. A Survey of Data Quality Requirements That Matter in ML Development Pipelines / M. Priestley, F. O’Donnell, E. Simperl // Journal of Data and Information Quality. - 2023. - № 15 (2). - P. 1-39.
26. Ribeiro, M. T..Why Should I Trust You?.: Explaining the Predictions of Any Classifier / M. T. Ribeiro, S. Singh, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. - 2016. - P. 1-10. -. DOI: 10.1145/2939672.2939778
27. Saeed, W. Explainable AI (XAI): A Systematic Meta-Survey of Current Challenges and Future Opportunities / W. Saeed, C. Omlin // Knowledge-Based Systems. - 2023. - № 263. - P. 110273. -. DOI: 10.1016/j.knosys.2023.110273
28. Some Methods for Substantiating Diagnostic Decisions Made Using Machine Learning Algorithms / A. G. Losev, I. E. Popov, A. Yu. Petrenko, A. G. Gudkov, S. G. Vesnin, S. V. Chizhikov // Biomedical Engineering. - 2022. - № 6. - P. 442. -. DOI: 10.1007/s10527-022-10153-y
29. Tjoa, E. A Survey on Explainable Artificial Intelligence (XAI): Toward Medical XAI / E. Tjoa, C. Guan // IEEE Transactions on Neural Networks and Learning Systems. - 2021. - № 11. - P. 4793-4813. -. DOI: 10.1109/TNNLS.2020.3027314
30. Towards Compositional Interpretability for XAI / S. Tull, R. Lorenz, S. Clark, I. Khan, B. Coecke // arXiv. - 2024. - P. 1-106. -. DOI: 10.48550/arXiv.2406.17583
31. This Looks Like That: Deep Learning for Interpretable Image Recognition / C. Chen, O. Li, D. Tao, A. Barnett, C. Rudin, J. K. Su // Advances in Neural Information Processing Systems. - 2019. - Vol. 32. - P. 1-12. - DOI: arXiv:1806.10574.
32. Utilities to Load Popular Datasets and Artificial Data Generators. - URL: https://scikit-learn.org/stable/api/sklearn.datasets.html.
33. Vinogradova, K. Towards Interpretable Semantic Segmentation via Gradient-Weighted Class Activation Mapping / K. Vinogradova, A. Dibrov, G. Myers // Proceedings of the AAAI Conference on Artificial Intelligence. - 2020. - Vol. 34, № 10. - P. 13943-13944. -.
