starry-liao-radiology-deep-learning

根据 Radiology (RSNA) / CLAIM 2024 标准，对影像深度学习研究进行设计与审计，涵盖以下关键方面： **1. 模型架构选择** - 明确选择 2D/2.5D/3D CNN、Transformer/ViT、分割/检测网络或预后模型，并说明其适用场景与依据（如任务类型、数据维度、计算资源等）。 - 若使用 nnU-Net、ViT 或基础模型（foundation model），需说明其配置、适配策略及是否进行任务特定调整。 **2. 预训练策略** - 明确采用迁移学习、自监督预训练或从零训练，并说明预训练数据来源（如 ImageNet、医学影像数据集）、预训练任务（如对比学习、掩码建模）及微调方式。 - 若使用自监督学习，需描述预训练任务设计、损失函数及与下游任务的衔接。 **3. 输入数据处理** - 详细说明影像、掩膜、临床变量、文本或分子数据如何输入模型（如多模态融合方式、特征拼接、注意力机制等）。 - 对非影像输入，需说明编码方式（如 one-hot、嵌入层、标准化）及其与影像特征的整合策略。 **4. 数据划分与增强** - 采用患者级划分（patient-level split）确保训练、验证、测试集间无患者重叠，防止数据泄露。 - 描述数据增强策略（如旋转、翻转、弹性变形、强度扰动），并说明是否仅在训练集应用，避免验证/测试阶段引入偏差。 **5. 类别不平衡处理** - 若存在类别不平衡，需说明采用的策略（如重采样、损失函数加权、Focal Loss、合成样本生成），并提供类别分布统计。 **6. 超参数搜索与基线模型** - 描述超参数搜索方法（如网格搜索、贝叶斯优化）、搜索空间及选择依据。 - 提供合理的基线模型（如传统机器学习方法、简单 CNN）用于性能对比。 **7. 外部验证** - 明确是否进行外部验证，若进行，需说明外部数据来源、分布差异评估及模型泛化能力分析。 - 强调外部验证集同样遵循患者级划分原则。 **8. 泄露审计（Leakage Audit）** - 系统检查是否存在数据泄露风险： - 患者级划分是否严格执行； - 数据增强是否在划分前应用； - 临床/分子信息是否在时间上早于影像采集（避免未来信息泄露）； - 预处理步骤（如归一化参数）是否仅基于训练集计算。 **9. Methods 文本撰写要求** - 方法部分需清晰、可复现，包含上述所有设计细节，避免模糊表述。 - 不虚构性能指标或训练过程（如 epochs 数、batch size、收敛情况），仅报告实际执行内容。 适用于用户计划或评审涉及 CNN/Transformer/3D 模型、分割/检测任务、基础模型、多模态融合、迁移学习、自监督学习、nnU-Net、ViT、数据增强、类别不平衡或“影像深度学习/深度学习模型”等关键词的研究场景。输出包括：模型+训练+验证设计方案、泄露审计报告及符合 CLAIM 2024 标准的 Methods 文本。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本