在医学影像科研中，把数据真正变成可解释、可复现、可展示的研究结果，往往比训练模型本身 更耗时 。研究者需要在数据表、统计软件、脚本和绘图工具之间反复切换，处理缺失值、筛选特征、建立模型、复核统计结果，再逐张整理 ROC、DCA、校准曲线、森林图和生存曲线—— 每一步都可能出错，每一步都在消耗本可以用于思考和判断的时间。

01

PART

你为什么需要这门课

WHY · 传统流程的效率瓶颈

你可能经历过这样的场景：在数据表、统计软件、脚本和绘图工具之间反复切换；花大量时间处理缺失值、筛选特征、建立模型、复核统计结果；再 逐张整理 ROC、DCA、校准曲线、森林图和生存曲线。每一步都可能出错，每一步都在消耗本可以用于思考和判断的时间，这是医学影像科研领域长期存在的效率瓶颈。

02

PART

AI Agent 带来的改变

WHAT · 你定方向，它跑结果

现在， AI Agent 可以在研究者明确终点、设计和验证策略的前提下，把这些重复而复杂的步骤串成一套 完整工作流 。你不写代码，但你要做更重要的三件事：

1

构建思路——明确研究问题、研究终点和验证策略

2

处理图像——完成影像分割、特征提取或量化分析等上游工作

3

理解流程——知道每一步在做什么、结果意味着什么

数据分析、特征筛选、模型训练、统计评价、图表绘制——这些重复性的技术工作， 全部交给 AI Agent。

你定方向，它跑结果。

03

PART

AI Agent 五步工作流

HOW · 从数据到科研图表

提供规范化的影像组学特征表/临床表和结局数据后，Agent 可自动识别患者 ID、标签、特征列、随访时间和结局状态，并根据研究问题调用相应的 二分类或生存分析流程 。

STEP 01

数据质控与预处理

识别 ID、Label、time 和 status；完成缺失值处理、异常值检查、训练集定义的标准化，并 保留原始 radiomics 特征名 。

STEP 02

特征筛选与模型构建

进行组间差异分析、降维、特征筛选和模型训练；输出二分类预测模型或 生存风险模型的可追溯结果 。

STEP 03

统计评价与临床效用

自动组织 AUC、准确率、灵敏度、特异度、ROC 曲线、校准曲线、决策曲线（DCA）和混淆矩阵等核心评价指标。不仅告诉你模型有多准，更告诉你模型 在临床上有多大用 。

STEP 04

可解释性分析

输出 SHAP 整体与局部解释、LIME 局部解释与聚合重要性。医学科研中的模型不能停留在「准确率不错」——你要知道 模型为什么这样判断 ，审稿人也会问。

STEP 05

科研图表与报告交付

自动生成特征贡献图、相关性热图、个体风险评分、Cox 森林图、Kaplan-Meier 曲线，附带图表说明与汇总报告。一次分析， 直接拿到可用于论文配图和课题汇报的完整材料 。

04

PART

Agent能帮我们做什么？

FEATURES · 无需写代码

SKILL 1

二分类建模

预测良恶性、分期、治疗反应等二分类终点，自动输出完整性能指标和综合展示图——ROC、风险评分分布、个体预测概率、校准曲线、决策曲线、混淆矩阵、特征签名与相关性热图。不是只给一个 AUC，而是把模型的 区分能力、校准度和临床净获益 一并呈现。

SKILL 2

临床效用评价

ROC 展示区分能力，校准曲线评估预测概率与真实结局的一致性，DCA 评估不同阈值下的临床净获益—— 三张图放在一起，审稿人想看的都有了。

SKILL 3

个体风险展示

自动生成概率排序、模型衍生风险评分和风险分层结果， 一眼识别高风险个体 。

SKILL 4

可解释性分析

SHAP 总结不同特征在整个测试队列中的贡献方向与强度；聚合 LIME 反映局部解释在测试集中呈现的总体重要性；局部 SHAP 和 LIME 解释同一个测试病例 为何被判定为高风险或阳性 。

特征贡献反映模型决策依据，不等同于因果效应。

SKILL 5

生存分析

单因素 Cox 筛选 → 多因素 Cox 建模 → 风险分层 → Kaplan-Meier 曲线 → 森林图。面对复发、进展或死亡等时间结局， 从风险预测走向预后分层 。

SKILL 6

时间依赖评价

根据随访与事件分布，生成时间依赖 AUC、生存校准曲线及适用于 删失数据的决策曲线分析 。不同研究问题需要选择合适的终点、时间点与验证方案，Agent 在工作流中保留这些关键设置。

05

PART

培训案例预览

CASE STUDIES · 把模型表现变成一张能讲清楚的图

CASE 01

二分类影像组学建模综合展示

AI Agent 自动完成二分类影像组学建模，并把模型评价整理为同一张综合图。它不只给出一个 AUC，而是同时展示：模型的区分能力（ROC）、预测概率分布、个体风险排序、校准情况（Calibration）、临床净获益（DCA）、混淆矩阵、特征签名和特征相关性。

图片

CASE 02

SHAP 和 LIME 可解释性综合图

模型不能停留在「准确率不错」。Agent 同时输出全局和局部解释：SHAP summary 展示特征贡献方向与强度；聚合 LIME 反映局部解释的总体重要性；局部 SHAP 和 LIME 解释同一病例 为何被判定为阳性或高风险 。有了解释，你对审稿人说「模型为什么这样判断」才有底气。

图片

CASE 03

影像组学生存风险分层综合结果

面对复发、进展或死亡等时间结局，Agent 先单因素 Cox 筛选，再完成多因素建模和风险分层。最终输出的不是一串难以解读的回归系数，而是一组可用于科研展示的完整图表：Cox 森林图、风险分层 Kaplan-Meier 曲线、个体风险评分、时间依赖 AUC、特征相关性热图和生存校准曲线。

对于生存模型， 时间依赖 AUC 用于比较不同预测时间点的区分能力； 生存校准曲线 用于检验预测风险与观察到的事件风险是否一致； 时间依赖 DCA 评估在特定时间点、不同干预阈值下使用模型能带来的净获益。

图片

///

LAST

培训信息与报名

JOIN US · 2026.08.15 – 08.16

**培训名称：**MMIS × AI Agent 医学影像科研全流程实战培训班，链接如下：

【培训通知】MMIS × AI Agent医学影像科研全流程实战培训班（2026.08.15 ~ 2026.08.16）

培训亮点

从影像组学特征表到论文配图的完整分析

AI Agent 操作全流程：二分类、生存分析、可解释性

每一步都可检查、解释、复用和输出

不需要 Python/R 编程基础

从一张数据特征表，到一套可展示的科研结果——中间的距离，AI Agent 帮你走完。

你只需要构思、理解和判断。2026.08.15 – 08.16，我们培训班见。