使用迁移学习和可解释人工智能的智能皮肤病预测系统

影响很多人的全球严重健康问题是皮肤病。由于皮肤病对个人的身体和心理影响，它是一个严重且令人担忧的社会问题¹。早期检测疾病类型对于确定可以进行的适当治疗至关重要。

水痘带状疱疹病毒（VZV）引起水痘²。VZV 属于疱疹病毒家族³。大多数受影响的儿童年龄在 6 个月至 7 岁之间⁴。水痘是一种影响儿童的高度传染性疾病，目前据报道也影响相当一部分成年人⁵。主要症状是发痒的红色皮疹，经常变成水泡并发展为流感样症状。它通过接触病人、受污染的物体以及咳嗽或打喷嚏带来的空气飞沫传播。此外，水痘可能是危险的，甚至是致命的，特别是对于孕妇⁶。

高烧、咳嗽、鼻炎、结膜炎和麻疹样皮疹都是高度传染性且可能致命的空气传播麻疹的症状⁷。麻疹是一种由副粘病毒科 RNA 病毒携带的致命病毒性疾病⁸。尽管麻疹被视为一种儿童疾病，但它可以影响所有年龄段的人。研究表明，一个麻疹病例可导致其他健康群体中 12 至 18 例继发感染⁹。

随着冠状病毒病（COVID-19）大流行仍在肆虐，正当人们开始适应“新常态”时，猴痘病毒正在对世界造成严重破坏。全球医疗保健专业人员越来越关注最近爆发的猴痘疫情。刚果民主共和国（以前的扎伊尔）于 1970 年收到第一个人类猴痘感染报告¹⁰。猴痘病毒是一种人畜共患病原体，会引起类似于天花的皮疹¹¹。根据研究，痘病毒科（猴痘病毒是其中的一员）首先从动物传播给人类¹²。它可以通过呼吸道飞沫、动物咬伤、口腔、鼻子或眼睛粘液传播，或者通过与他人直接接触传播¹³。

与 COVID-19 相比，猴痘的传染性不那么强，尽管病例数量仍在上升。1990年，西非和中非仅记录了50例猴痘病例¹⁴。然而，2020 年报告了 5,000 例病例。尽管人们普遍认为猴痘只发生在非洲，但 2022 年，欧洲和美国的几个非非洲国家也记录了该病毒病例¹⁵。正因为如此，人们逐渐变得更加恐惧和紧张，这通常表现在他们在社交媒体上的想法中。科学家将目前人类猴痘的爆发（被认为是在全球范围内发生）归因于猴痘病毒基本特征的变化或人类生活方式的调整¹⁶。

最近，许多领域使用机器学习 (ML) 对皮肤病变进行分类的研究数量和质量显着增长^{17 号}。然而，为了改进机器学习模型，需要有效的特征提取技术。传统的机器学习分类器的缺点是必须独立创建复杂的假设，而深度神经网络会自动生成它们，这使其成为学习非线性相关性的有效工具¹⁸。由于深度学习 (DL) 方法在处理大量数据方面取得了越来越大的成功，并且能够从数据中提取隐藏的有价值的知识，因此它在历史上与传统的 ML 技术有所不同^{19 号}。深度学习已成功应用于许多领域，例如病变检测^20,21,22， 分类^{23,24,25,26,27,28,29}，以及医学图像的分割^30,31。

此外，自适应神经模糊推理系统 (ANFIS) 等混合方法已应用于情感分析等任务³²。深度学习中通常使用卷积神经网络 (CNN) 自动学习特征并使用该信息进行分类。CNN 是一类神经网络，通常用于输入具有其他张量结构（例如图像）的数据。它们专门设计用于通过一系列具有互连节点的模块捕获图像和视觉数据的固有结构，这些模块自动生成特征的空间层次结构，使其成为图像识别、图像分割、对象检测和图像分类问题的理想选择。

四类皮肤图片：（一个） 水痘;（乙）麻疹；（c) 猴痘；（d） 普通的。

鉴于深度学习是分析医学图像的最先进技术^33,34毫不奇怪，医疗专业人士表达了对该技术“黑匣子”的担忧³⁵。深度学习模型需要更高的透明度和公平性是一个值得注意的问题，特别是在医疗保健等关键领域，对人工智能 (AI) 预测的信任和理解至关重要。为了解决这个问题，可解释的人工智能（XAI）已经成为一种强大的方法，允许人工智能模型产生人们可以理解和信任的结果。本文提出了一种使用 XAI 赋能的迁移学习 (TL) 来识别和预测皮肤病的模型。主要目标是通过创建更精确且更易于解释的模型来解决当前方法的缺点，例如准确性低和缺乏可解释性。预期结果是一个更准确、更可解释的人工智能模型，解决当前医疗保健应用中性能低下和缺乏透明度的常见问题。TL 采用预先训练的 CNN，利用学习到的特征来促进模型适应新任务，从而最大限度地减少训练时间和数据需求。XAI 是指产生人类可以解释或理解的结果的人工智能方法。图 1显示水痘、麻疹、猴痘和正常皮肤图像。

文章的其余部分划分如下：教派。”文献综述“讨论文献综述，Sect。”材料和方法“讨论材料和方法，教派。”模拟和结果“提供模拟和结果，Sect。”实际和管理影响“给出了实际和管理方面的影响，最后，教派。”结论和未来工作”提供了结论和未来的工作。

皮肤病是人类最常见的疾病之一。皮肤病的范围从浅表痤疮到鳞状细胞癌等严重疾病。它影响所有文化、地区和年龄组的人。在过去十年中，皮肤和皮下疾病已成为全球非致命疾病负担的第四大原因³⁶。尽管一次涉及大多数人口，但从公共卫生的角度来看，它们并没有多大重要性。2017 年全球疾病负担研究报告称，成年人因皮肤病而损失的生命年数为 30 至 40 个月³⁷。认识疾病对于选择最合适的治疗方法和防止其传播至关重要。

关于水痘患者年龄和性别的相关数据表明，受影响个体的性别没有真正的差异。然而，儿童是水痘患病率最高的年龄段，主要是因为他们表现出群体社会特征，更有可能将疾病传播给周围的人。目前，疫苗接种是唯一被科学证明既实用又经济的大规模预防方法。在美国，一项水痘疫苗监测研究发现，13% 的 5 至 10 岁儿童容易感染该疾病。同样，在英国进行的研究表明，大约 40% 的 1 至 9 岁儿童容易受到感染，但 15 岁以上的儿童中只有不到 10%³⁸。发达国家的疾病负担已显着减轻，大多数发达国家已将水痘疫苗纳入其标准免疫计划的一部分³⁹。罗伊等人。⁴⁰使用各种分割方法来识别皮肤疾病，如水痘、念珠菌病、蜂窝织炎和痤疮。

麻疹是一种严重的传染性病毒性疾病。在 1963 年麻疹疫苗问世之前，每两到三年就会发生一次大规模的麻疹疫情，每年估计有 260 万人因麻疹死亡。然而，2000 年至 2016 年间，随着疫苗变得更加容易获得，麻疹死亡率下降了 84%⁴¹。疫苗接种是避免麻疹的相当有效的方法。

直到1958年，关于猴子类天花疾病的报道都是零星的，猴痘相对来说还鲜为人知。⁴²。刚果民主共和国天花被认为已被消灭，该国对天花的密切监测导致 1970 年发现第一例人类猴痘病例。该患者是一名患有出血性猴痘的 9 个月大男孩，在感染后幸存下来⁴³。2003年之前，只有非洲国家记录了人类猴痘病例⁴⁴。2003 年 5 月至 6 月在美国多州爆发的人畜共患病是非洲以外首例人类猴痘病例的原因⁴⁵。自 2022 年 5 月开始，多个国家（主要是欧洲）记录了猴痘疫情的爆发，尽管猴痘病毒在这些地区并不流行⁴⁶。

“猴痘皮肤病变数据集 (MSLD)”由 Ali 等人开发。⁴⁷包括水痘、麻疹和猴痘的皮肤病变图像，大部分图像来自公开的病例报告、博客和新闻网站。通过数据增强扩大样本量，并设置3倍交叉验证实验。不同的预训练深度学习模型，包括 VGG16、ResNet50 和 InceptionV3，用于对猴痘和其他疾病进行分类。此外，还创建了三个模型的集成。VGG16、ResNet50、InceptionV3 和 ensemble 的准确率分别为 81.48 (±±6.87%)、82.96 (±±4.57%)、74.07 (±±3.78%) 和 79.26(±±%)1.05%），分别。布拉克·古尔梅兹48^{通过结合三个预训练模型（ResNet50、VGG19 和 InceptionV3），开发了一种混合深度学习模型“MonkeypoxHybridNet”。}该模型在“Monkeypox2022”数据集上进行训练，准确率达到 84.2%。

伊尔马克等人。⁴⁹利用预先训练的深度学习架构来检测猴痘皮肤病变。本研究的分类使用了猴痘皮肤图像数据集，该数据集于 2022 年开源。该数据集包含四个类别：水痘、麻疹、猴痘和正常。对预训练的深度学习架构 MobileNetV2、VGG16 和 VGG19 进行了训练。MobileNetV2 的性能结果最好，与 VGG16 和 VGG19 相比，准确率为 91.38%。

辛格和桑加雷⁵⁰将 DL 模型 InceptionV3、GoogLeNet、ResNet50 和 VGG16 应用到包含正常类和猴痘类的两类数据集，发现 GoogLeNet 模型的准确率最高，为 88.27%。夏尔马等人。⁵¹开发了一个基于 ResNet-18 的定制模型，用于检测猴痘、麻疹和水痘，并将其与其他几个模型进行了比较。他们的模型的准确率为 84.59%。Sethy 等人使用 Darknet 19 和改进的 Darknet 19。⁵²在他们的研究中提出了一种早期诊断猴痘的新技术。研究数据集包括水痘、麻疹、猴痘等皮肤病样本和正常病例。据报道，Darknet 19 和改进的 Darknet 19 模型的准确率分别为 81.4% 和 85.49%。

于萨尔⁵³创建了一个能够检测皮肤图像中猴痘的混合人工智能系统。该数据集包含四个类。在原始数据集中，类的数据分布不平衡。采用了多种数据增强和数据预处理技术来纠正这种差异。为猴痘检测设计和建议的混合人工智能系统的测试准确率为 87%。阿瑞斯亚等人。⁵⁴建议采用基于 CNN 和 VGG16 的分类方法来识别猴痘和麻疹的症状。该方法中使用的图像数据集包含猴痘、麻疹和正常类别。与 CNN 相比，VGG16 的准确率高达 83.33%。

昆杜等人。⁵⁵提出了一种用于猴痘预测的 ML 和 DL 分类方法。猴痘和其他（包括水痘或麻疹）是数据集中包含的两类皮肤病变。支持向量机（SVM）和k近邻（KNN）被用作ML算法，而视觉变换器（ViT）和RestNet50被用作DL算法。在 ML 模型中，KNN 的准确率最高，达到 84%。然而，ViT 的准确率为 93%，表现优于其他模型。

阿克萨·阿克拉姆等人。⁵⁶推出了“SkinMarkNet”，这是一种利用三个 TL 模型（Inception、Xception 和 ResNet）的集合对猴痘病变进行分类的新技术。该研究通过使用数据增强技术来解决注释数据的稀缺问题，从而增强训练数据集并提高模型的性能。该数据集由 Kaggle 存储库中的各种皮肤病变图像组成，用于训练模型。–SkinMarkNet – 实现了 90.615% 的高分类准确率，优于传统的 ML 和 DL 方法。该研究展示了将先进的深度学习模型与数据增强相结合的前景，以增强猴痘的自动诊断，从而有助于更有效的公共卫生应对措施。

先前的研究存在一些明显的局限性，如表所示 1。

1. 1.

   以往文献的整体准确性还有待提高^{47,48,49,50,51,52,53,54,55,56}

2. 2.

   不使用可解释的人工智能^{47,48,49,50,51,52,53,54,55,56}

这篇拟议文章的值得注意的贡献如下：

1. 1.

   使用该模型已识别和预测皮肤病。

2. 2.

   所提出的模型将水痘、麻疹、猴痘和正常皮肤图像分类为各自的类别。

3. 3.

   所提出模型的性能指标显示出令人鼓舞的结果，包括准确性、误分类率、精确度、特异性、灵敏度、假阴性率 (FNR)、假阳性率 (FPR) 和 F1 分数。

4. 4.

   该模型的主要贡献是相对于之前的工作提高了准确性，并结合了 XAI 方法分层相关性传播（LRP）以更好地解释 DL 预测的决策过程。

采用人工智能技术可能有利于常规筛查，以早期识别流行的皮肤病。图 2显示所提出模型的框架。所提出的模型有五层和两个阶段：训练和验证。

所提出模型的框架。

在训练阶段，第 1 层描述从开源获取原始皮肤病数据。在第2层，根据深度学习模型对原始数据进行预处理。在数据预处理中，将从开源获取的原始图像转换为RGB尺寸为224××224××3的处理图像。224～224表示长度和宽度，3表示通道数。预处理后，数据被随机分为四个类别的训练集和测试集。对于每个类别，80% 的数据用于训练，20% 用于测试，使整个数据集保持相同的 80:20 比例。导入预训练的 VGG16 模型并修改为 DL 模型。第 3 层定义了 DL 模型所做的预测。这些预测对于决策来说可能是完美的，但它们必须解释深度学习模型如何做出这个决策。这种深度学习的预测模型被称为黑匣子。为了实现决策过程的公平性，深度学习模型在第 4 层与可解释的人工智能纠缠在一起。XAI 方法试图通过基于模型预测与预测之间的比较来解释决策，从而解决深度学习模型中的不透明问题。- 处理后的数据。如果这些解释显示出任何偏差或不一致，模型将被重新训练，以在公平性和准确性方面表现得更好。当解释足够好时，该模型将保存在云端以供将来使用。在执行此迭代过程时，它将确保模型可靠且可防御。

在模型的第五层验证步骤中，从云端导入经过训练的模型，以验证从不同来源获得的预处理数据。所提出的模型将皮肤图像数据预测和识别为四个不同的类别，每个类别都有解释。成功识别和预测皮肤病后，导入数据以供将来使用，如图 2 所示。

皮肤图像数据集

该研究使用了皮肤病的开源数据集⁵⁷。水痘（107）、麻疹（91）、猴痘（279）和正常（293）为四个类别，总共有 770 张图像。表 2描述数据增强后的类别和图像样本的数量。表 2 数据集参数。

TL 是一种深度学习方法，它使用预先训练的网络来实现可在同一域或不同域中使用的各种应用。

TL 背后的想法是使用已经在大型代表性数据集上训练的模型，而不是为每个新任务从头开始构建新的 CNN。通过这样的预训练，网络的前几层正在接受训练以提取边缘和颜色等低级特征，这些特征可以概括多个问题。它使学习的模型可用于其他应用程序。根据问题，人们可以通过更多的迭代训练来微调网络的后续层，以适应特定的需求，而不是再次进行整个训练。本研究利用 VGG16 来识别和预测皮肤病。VGG16是一个16层的深度CNN架构，由牛津大学的Simonyan和Zisserman构建⁵⁸。它有 16 层，具有可学习的权重参数。

VGG16

所提出的 VGG16 架构中的 16 层包括 3 个全连接层、一个最大池层和 13 个卷积层，如图 1 所示。 3。输入层的图像大小为 224×××224××3，分类层位于最后。图3

59^。当前研究中采用 VGG16 模型对四类皮肤图像进行分类。

图 3显示了 VGG16 修改前的原始架构。使用原始 VGG16 模型对 1000 个不同对象类别进行分类。直接使用原始VGG16模式对四类皮肤图像进行分类是不可行的。因此，必须按照本条规定进行修改。如图所示 4，显示了修改后的 VGG16 模型。

修改后的VGG16架构。

采用分层相关性传播的可解释人工智能

可解释性——人工智能系统能够以透明和可理解的方式行事的程度，不仅是表面上的，而且对所有人来说都是理想的⁶⁰。换句话说，这只是为了让那些没有技术背景的最终用户能够理解和访问决策过程。让深度学习算法（黑匣子）决策更加透明和易懂是可解释人工智能的目标。

本文中用于解释 DL 模型的可解释性技术是 LRP。依赖反向传播算法解释网络的一项主要技术是 LRP⁶¹。本研究使用 LRP 技术通过模型做出的决策是否反映其输入中有意义的模式来进行可解释的分析，并提高所提出模型的泛化能力。LRP 算法的核心在于从最终输出节点逐层追踪到单个输入节点的贡献的精确逆转⁶²。此外，LRP还弥补了扰动技术（遮挡图）和梯度方法（Grad-CAM）中梯度破碎的缺点⁶³。

本文使用Google Colab和Pytorch进行模拟并得出结果。实验结果是使用方程式中的几个著名统计指标来测量的。（1—8）评估所提出的框架的分类性能⁶⁴。正确诊断的皮肤状况被称为真阳性 (Tp_{）或真阴性（T}n_{），而不准确诊断的皮肤状况被称为假阳性（F}p_{）和假阴性（F}n_）。下面提供了指定统计指标的详细解释。

准确性

准确率是正确预测的实例与数据集中实例总数的比率。它展示了模型如何预测每种可能组合的结果；因此，它是评估模型区分一个类别与另一个类别的比率的单一指标。

误分类率

误分类率是指错误分类的实例占实例总数的比例。它衡量模型给出错误预测的比率，揭示错误估计的结果。

精确

精确率是真阳性的数量除以所有假阳性和真阳性结果的总和。它用于评估模型准确预测标签（正或负）的能力。

特异性

特异性衡量模型预测为阴性的所有实例中实际为阴性的实例数量。这意味着模型将所有负实例分类为属于负类，以防止误报。

灵敏度

灵敏度，也称为召回率或真阳性率 (TPR)，衡量模型捕获了多少实际阳性结果。召回分数至关重要，因为它显示了模型检测阳性病例的能力。

漏报率

FNR 衡量被模型分类为假阴性的真阳性实例的数量。它显示了模型错误分类负数的频率；这里的高衡量标准反映了更多的真实阳性结果的缺失。

误报率

FPR 衡量实际负面案例预测为正面的比例。它是负实例但被错误预测为正实例的比例。

F1成绩

另一方面，F1 分数是一个同时考虑精度和灵敏度的指标，以便在各种场景下对性能进行整体平衡的模型评估，其中每个类有更多记录，具体取决于误报是否重要或不重要作为假阴性。F1 分数是使用精度和灵敏度值的调和平均值计算的，这使其值偏向较低。

这些指标是使用混淆矩阵 (CM) 计算的。CM 通过分解模型对每个类别进行预测的准确程度来评估分类模型的性能。对于使用修改后的 VGG16 的模型，模拟设置为小批量大小为 32、最佳历元数为 10、学习率为 0.00001 和 Adam 优化算法。小批量意味着模型一次处理 32 个样本来计算梯度并更新其参数。在不同的 epoch 计数上训练模型表明，10 个 epoch 给出了最佳结果，其中一个 epoch 是对整个训练数据集的完整遍历。Adam优化器以其效率和处理噪声数据的能力而闻名，采用0.00001的学习率，以确保训练的顺利和稳定。

测试所提出模型的混淆矩阵。

图 5显示建议模型的测试 CM。第 10 个 epoch 总共使用了 462 张图像。在水痘类中，64 张图像中的 44 张被正确分类，而 20 张图像被错误分类（4 张为麻疹，12 张为猴痘，2 张为正常）。就麻疹而言，55 张图像中的 49 张被正确分类，而 6 张图像被错误分类（3 张图像为水痘，3 张图像为猴痘）。以猴痘为例，167 张图像中的 163 张被正确分类为猴痘，而 4 张图像被错误分类为正常。在正常类别的情况下，176 张图像中有 175 张被正确分类，而只有 1 张图像被错误分类为猴痘。

表 3提供不同性能指标的统计显着性。这是使用一些评估标准对模型性能进行的广泛评估，例如正确预测实例、最小化错误率以及平衡假阴性与真阳性的权衡。

图 6展示了如何应用 LRP 方法来展示 VGG16 模型给出每个特定预测的原因。LRP 是一种通过回溯对输入特征的预测来提高神经网络可解释性的技术，从而表示图像中对每个 LRP 层进行预测有用的区域。图 6 显示了 VGG16 用于区分类别的最“重要”区域以及使用 LRP 标记类别中的哪些区域。这种视觉表示证实了模型的预测性能以及这些预测背后的原因。例如，假设模型正在挑选皮疹的特定成分，以将其与水痘区分开来。在这种情况下，它显示了这些片段对于正确分类该图像有多么重要。

基于 LRP 对 VGG16 模型的解释。

已使用多种方法来识别和分类皮肤病。TL 是识别和预测皮肤病的一项创新。它使用预先训练的模型来提高特定技能。表 4将所提出的模型的性能与之前报道的其他模型进行了比较。如表所示 4，所提出的模型与之前报道的模型相比，具有 93.29% 的惊人准确率。这种高精度强调了所提出的模型的竞争优势，令人信服其在诊断各种皮肤疾病方面的优越性。此外，提出的模型结合了XAI技术以提高透明度和公平性。

拟议的VGG16与LRP的集成提供了实际的好处，尤其是在医疗保健方面。它的精度为93.29％，它提供了一种可靠的工具，可以尽早诊断出皮肤疾病，从而增强患者护理并降低医疗保健系统的压力。通过使其预测可以解释，该模型在医生和患者之间建立了信任，解决了AI是黑匣子的普遍关注点。自动化疾病分类可以简化工作流程，降低成本，并允许诊所和远程医疗平台处理有效的患者有效。它还有可能通过远程医疗应用将易于访问的诊断工具带到服务不足的区域。

此外，解释性特征与道德AI实践相吻合，帮助管理人员和决策者确保对基于AI的解决方案的透明度，合规性和信心。该模型展示了AI如何通过结合准确性，效率和可信赖性来改变医疗保健。

提出的模型将VGG16与LRP整合在一起，其准确性为93.29％，错误分类率仅为6.71％。这些结果强调了模型的能力解决现有方法的局限性，同时通过XAI技术结合了解释性。LRP通过提供对决策过程的有意义的见解来提高透明度，从而使其成为在基于AI的系统中建立信任的宝贵工具。

同时，确定了某些限制。数据集虽然适合这项研究的范围，但只能部分反映现实情况的复杂性和多样性，可能限制了发现的普遍性。此外，与敏感数据有关的隐私问题，尤其是在医疗保健等领域，构成了重大挑战。平衡强大的隐私措施与高模型性能仍然是持续的优先级。

未来的努力可以通过测试更大，更多样化的数据集的模型来解决这些局限性，以确保在各个领域的更广泛的适用性。结合了诸如联合学习或区块链技术之类的先进隐私性方法可以帮助减轻机密性问题。进一步探索可解释性技术也可能增强了模型的解释性，从而使技术用户和非技术用户更加易于访问和透明。

作者和单位

1. 穆罕默德·本·法德（Mohammad Bin Fahd University）的计算机科学系，34754，al-Khobar，Dhahran，KSA，沙特阿拉伯

   Sagheer Abbas

2. 国家工商管理学院计算机科学学院，拉合尔，54000，巴基斯坦

   法哈德·艾哈迈德（Fahad Ahmed）和穆尼尔·艾哈迈德（Munir Ahmad）

3. 巴巴·古鲁·纳纳克大学计算机科学系，南卡纳·萨希布（Nankana Sahib），巴基斯坦39100

   Wasim Ahmad Khan

4. 韩国大学信息学院，首尔，02841，大韩民国

   穆尼尔·艾哈迈德

5. 13120年，加兴大学人工智能与软件学院软件系，大韩民国共和国

   穆罕默德·阿德南·汗（Muhammad Adnan Khan）

6. Buraimi大学的研究创新和创业部

   Taher M. Ghazal

7. 网络安全中心，马来西亚，班吉43600的马来西亚Kebangsaan大学信息科学技术学院，马来西亚

   Taher M. Ghazal

贡献

S.A.，F.A.，W.A.K。和M.A；已经从不同的资源中收集了数据，并在写作原始草稿，草稿图片和表格中贡献了数据。S.A.，F.A.，M.A。和M.A.K；进行了正式的分析和模拟，进行了修订并提高了草案的质量。F.A.，T.M.G.，W.A.K和M.A.K.;写作评论和编辑，进行监督。所有作者均已阅读并同意稿件的出版版本。

通讯作者

通讯至穆罕默德·阿德南·汗（Muhammad Adnan Khan）。

利益竞争

作者声明没有竞争利益。

出版商的注释

施普林格·自然对于已出版的地图和机构隶属关系中的管辖权主张保持中立。

开放获取本文是根据Creative Commons归因4.0国际许可证获得许可的，该许可允许以任何媒介或格式使用，共享，适应，分发和复制，只要您对原始作者和来源提供适当的信用，请提供链接到知识共享许可证，并指出是否进行了更改。本文中的图像或其他第三方材料包含在文章的创意共享许可中，除非在材料的信用额度中另有说明。如果文章的创意共享许可中未包含材料，并且您的预期用途不允许法定法规或超过允许的用途，则需要直接从版权所有者那里获得许可。要查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/。转载和许可

关于本文