夜雨聆风
模块一 AI 智能体与多模态医学科研设计 | ØAI Agent 在医学科研中的前沿应用与趋势 ØAgent 架构：ReAct / Plan-and-Execute / Multi-Agen Ø多模态数据（影像+ 基因组 + 电子病历）整合研究设计 Ø科研选题策略：从临床问题到AI 解决方案 |
模块二 Python 编程基础与 AI 智能体工作流 | ØPython 环境搭建（Anaconda / Jupyter / VS Code） Ø数据处理核心语法实战 ØDataFrame 操作 · 缺失值处理 · 数据可视化 Ø医学统计图：Kaplan-Meier / 森林图 Ø个人科研AI 智能体 ØPrompt Engineering 医学场景优化 ØRAG 检索增强：医学知识库构建实战 Ø医学数据预处理与特征工程全流程 |
模块三 多模态医学数据挖掘实战 | Ø医学影像分析：CNN / ViT / 3D U-Net 分割与分类 ØPyTorch 医学影像实战 · 数据增强 · 迁移学习 Ø影像组学（3D Slicer）全流程：分割 → 特征提取 → 建模 ØPyRadiomics 特征提取 · ICC 一致性检验 ØLASSO 特征筛选 · 影像组学标签构建 Ø基因组学与转录组学数据挖掘 Ø电子病历NLP：临床文本信息抽取与知识图谱 ØspaCy / BioBERT 临床实体识别 ØICD 编码自动分类 · 出院小结结构化 |
模块四 临床预测模型与智能决策系统 | Ø机器学习预测模型：Logistic / Random Forest / XGBoost / LightGBM ØSMOTE 不平衡数据处理 · 超参数贝叶斯优化 ØSHAP 可解释性分析 · 特征重要性排序 Ø深度学习临床预测：MLP / Transformer / 多模态融合 Ø生存分析：Cox 回归 · DeepSurv · 时间依赖 ROC Ø模型评估与验证：交叉验证· 外部验证 · 决策曲线分析 (DCA) ØAUC / C-index / NRI / IDI 综合评估 ØTRIPOD 声明合规检查 · 临床实用性评价 |
模块五 科研论文撰写与SCI 发表实战 | Ø高分SCI 论文选题策略与创新点挖掘 Ø论文结构写作：IMRAD 框架 + AI 辅助写作工具 ØChatGPT / Claude 学术写作边界与合规 ØLaTeX / Word 排版与参考文献管理 (Zotero) Ø图表制作规范： ØPython 一键生成出版级图表 Ø期刊选择、投稿策略与审稿意见回复 ØCover Letter 撰写 · Response to Reviewers 模板 Ø从拒稿到接收：真实案例分析 |
模块六 从零搭建智能决策辅助系统 | 以脓毒症风险智能辅助决策系统为例，构建多模态数据驱动的智能体系统（机器学习）： 1）数据准备：结构化数据集、非结构化数据集清洗； 2）文本理解引擎 (ClinicalBERT):自动从文本中识别并提取出关键的医学实体; 3）精准预测引擎(AutoGluon):自动完成数据预处理、特征工程、模型选择、超参数调优和模型集成。一站式输出论文发表级别可视化图表。 4）知识引擎(RAG)：查阅最新的《脓毒症诊疗指南》、医院内部规范和药品说明书，确保建议有据可依。 5）决策引擎(百川医疗大模型)：作为“大脑”，综合上述所有信息，生成最终的辅助决策。 |
模块七 机器学习Machine Learning 临床预测模型实战 | 1）数据分析 1.1.数据质量校验 1.2.数据分布与趋势探查 2）数据清洗 2.1.数据融合、数据筛选、缺失值处理、数据矫正 2.2.结局变量提取、one-hot编码、数据合并 3）特征工程 3.1.RFE-SVM特征筛选、聚类算法、PCA、UMAP、岭回归与Lasso回归等 3.2.特征重要性：基于SHAP/eli5/LIME的模型可解释性分析等、自动化降维方法等 4）模型构建与评估 4.1.模型构建、超参数搜索运用 4.2.模型评估指标：Accuracy、Precision、F1 Score、ROC Curve、AUC、MSE、R-Squared等 4.3.集成学习与非集成学习模型构建与对比分析：Bagging、Boosting、HistGradientBoosting、CatBoost、XGBRF、XGBRF、LGBMC、DecisionTree、RandomForest、Logistic、SVC、MultiomialNB、BernoulliNB、GaussianNB、KNN等 5）机器学习生存模型框架实战 5.1.生存框架完整分析流程 5.2.模型性能评价、生存模型比较的AUC折线图表述、IBF折线图模型比较、特征选择、线性生存回归模型等 5.3.生存分析：KM分析、Log-Rank分析、COX分析等 5.4.深度学习生存框架分析 6）数据分析 6.1.类别比较图表、数据关系图表、数据分布图表 6.2.特征分析图、相关性分析 6.3.假设检验 临床案例实战： 1）融合乳腺癌生信数据、临床数据的生存预测（生存分析） 2）前列腺癌良恶性预测（分类问题） 3）糖尿病遗传风险预测（回归问题） 4）肺癌良恶性预测（分类问题） 5）基于机器学习的乳腺癌疾病风险预测 6）心脏病预测模型构建和模型可解释性分析 |
模块八 深度学习Deep Learning 医学图像分析中的应用实战 | 1）医学图像数据 1.1.常见医学图像数据 1.2.医学图像格式：DICOM、Analyze、NIfTI、Minc、JPEG 1.3.数据标注：软件3D Slicer 1.4.超声图像转为断层图像算法介绍 2）图像分类 2.1.损失函数 2.2.交叉熵损失 2.3.KL散度 2.4.评价指标：混淆矩阵、诊断性实验常用的评价指标、衡量模型性能的评价指标 3）语义分割 3.1.损失函数：Dice损失、Tversky损失、Boundary损失、混合损失 3.2.评价指标：IoU、Dice系数、Hausdorff 4）MRI图像检测 4.1. 损失函数：CIoU Loss、Focal Loss、Distribution Focal Loss（DFL） 4.2. 评价指标：mAP@0.5、mAP@0.5:0.95、Lesion-level Recall、FP/Slice、Localization Error（mm） 4.3. 部署约束：ONNX导出 5）本地部署大模型 5.1 大模型API接口调用 5.2 轻量级医疗大模型本地部署 临床案例实战： 1）3D医学图像分割实战 2）MedNIST 医学图像分类实战； 3）MRI（磁共振成像）影像肿瘤检测； 4）医疗大模型的本地部署 5）脑MRI病变自动分割与特征提取 6）糖尿病视网膜病变的无灌注区分割 7）肺结节自动检测与分割 8）肝癌的预后和治疗反应预测 |
辅助课程 | 1）学后交流、微信群、QQ群建立； 2）咨询、合作。 3）专业技术团队深入探讨。 4）个性化专业指导 |