夜雨聆风数据准备整理
OnekeyAI现成的技术方案工具，直接套自己的数据使用，从提特征到论文Methods，Results一键生成，实现SCI量产。
一、乳腺癌淋巴结转移预测（除了影像和标签其他的数据有啥用啥，数据100起步，越多越好，无上限）
主要影像手段： MRI（多序列，多参数）
1. 影像学资料（DICOM格式）
术前MRI（序列有啥用啥）：
T1加权平扫序列
T2加权脂肪抑制序列
DWI弥散加权成像
DCE-MRI动态对比增强MRI
新辅助治疗后MRI（如适用）：同术前序列，重点评估治疗反应及残余淋巴结状态
影像学评估指标：淋巴结短径、Node-RADS评分、淋巴结形态学特征（边缘、信号均匀性、有无坏死）、强化模式（均匀/不均匀/环形）
2. 临床资料
年龄（岁）、性别（女性）
身高（cm）、体重（kg）、体质指数（BMI）
月经状态（绝经前/围绝经期/绝经后）及初潮年龄
生育史、哺乳史、口服避孕药使用史
既往乳腺良性疾病史、乳腺癌家族史
肿瘤部位（左/右乳腺，象限）
新辅助治疗/辅助治疗史（化疗、放疗、内分泌治疗、靶向治疗）
手术方式（保乳术/全乳切除术/腋窝淋巴结清扫术/前哨淋巴结活检）
3. 实验室/病理学指标
血常规：白细胞计数、血小板计数、中性粒细胞与淋巴细胞比值（NLR）、血小板与淋巴细胞比值（PLR）
肿瘤标志物：CA15-3、CA125、CEA（根据临床常规可选）
分子病理指标：ER、PR、HER2表达状态、Ki-67增殖指数
组织病理学指标：组织学类型（浸润性导管癌/浸润性小叶癌等）、组织学分级、淋巴血管侵犯（LVI）、周围神经侵犯
穿刺/病理资料：术前穿刺细胞学/组织学结果，术后病理淋巴结状态
4. 生存资料（生存任务更容易发高分）
短期：3个月、6个月（无病生存DFS、局部复发LR、远处转移DM）
中期：12个月、24个月、36个月（常用终点）
长期：60个月（5年）、120个月（10年）无病生存（DFS）、总生存（OS）
5. 标签文件（研究的结局，execl表通过另存为.csv格式）
转移：1
未转移：0
二、必然可行的研究方案
一、单序列影像的研究方案
方案1：组学 + 2D深度学习 + 额外两个深度学习模型对比
技术路径：
提取影像组学特征（PyRadiomics）
训练2D深度学习模型（如ResNet、DenseNet）
额外再训练两个不同的2D CNN模型（如VGG、EfficientNet）进行对比
融合方式：前融合（特征拼接）+ 后融合（结果加权）
可解释性：SHAP、Grad-CAM
创新点：多模型对比+融合，提升泛化能力
方案2：组学 + 2.5D深度学习
技术路径：
提取最大ROI截面的2.5D多通道数据（如三个相邻切片）
训练2.5D CNN模型
与组学特征进行前融合或后融合
优势：兼顾空间信息与切片连续性
方案3：组学 + 3D深度学习
技术路径：
裁剪3D VOI区域（使用okt crop max roi --axis 3D）
训练3D CNN模型（如3D ResNet）
提取3D深度学习特征 + 组学特征融合
优势：保留肿瘤三维结构信息
方案4：2.5D深度学习 + Transformer
技术路径：
构建2.5D多通道图像序列
使用Vision Transformer（ViT）进行建模
可与组学特征进行融合
注意事项：ViT模型需要较多epoch（建议600以上），无预训练参数
二、多序列影像（如T1、T2、DWI等多序列）的研究方案
方案5：组学 + 2D深度学习 + 序列对比
技术路径：
对每个序列单独提取组学特征 + 2D深度学习特征
对比不同序列的建模效果
选择最优序列或进行序列融合
创新点：系统评估各序列贡献，指导临床选择最优序列
方案6：双通道2D深度学习 + 2.5D深度学习
技术路径：
构建双通道2D输入（如原始图像 + mask）
同时构建2.5D多通道输入（连续三切片）
分别训练两个模型，结果融合
优势：兼顾图像结构信息与切片连续性
三、参考文献
