零基础顶刊文章：ChatGPT论文润色+工具

众所周知，现在发文章越来越卷，如何才能发高分文章呢？小编整理了一些高分文章的特征，我们一起来看一下吧~ER影像组学

一、技术路线：1.数据收集整理，ROI标注，ITK-SNAP，3D Slicer。2.临床指标统计分析，单因素、多因素回归筛选。3.Pyradiomics提取特征，Shape、First Order、Texture特征;LoG、Wavelet小波变换等。4.特征筛选a.ICC，随机挑选30，多人标注，选择特征鲁棒性高的。b.统计检验筛选，utest、ttest、、ANOVA检验，筛选p value<0.05c.mRmR，相关系数筛选，spearman、pearson、kendal1系数等，相关系数大于0.9的两者保留其一。d.Lasso，10折交叉验证，权重曲线、rad score公式、权重图。5.问题建模，筛选出来的特征，输入到机器学习算法，COX、LR、SVM、RF、XGBoost、LightGBM等模型，构建Signature。6.指标解释a.统计对比表格，准确率、AUC、Sensitivity，Specificity，F1。b.挑最好的模型，ROC曲线，DCA曲线、校准曲线。c.混淆矩阵，所有样本预测概率分布图。d.Signature融合，Nomogram，增加临床可解释性。二、涉及方法：

病理+多模态组学

一、技术路线：1、数据收集整理，WSI 级别进行 ROI标注，可以考虑使用 CellProfilerQuPath,提取特征。2、临床指标统计分析，单因素、多因素回归筛选。3、病理深度学习模型构建A.将 WSI裁剪成 patch (tiles)B.根据 ROI标注信息，进行深度学习模型训练。 a.训练分类任务，例如: VGG、ResNet、Inception、DenseNet 等 b.训练分割任务，例如: FCN、Deeplab、 unet 等C. 提取深度学习特征 a.所有的 patch 融合成类别 histogram 直方图或者做成TF-IDF特征。 b.所有 patch 识别的概率信息，做成概率直方图2. c.使用深度学习中间层特征，然后使用深度模型进行融合4、问题建模，筛选出来特征，分数据输入到机器学习算法，构建 Signature。5、指标解释，效能对比A. 深度学习模型可解释 a.训练过程中训练集、测试集 loss、准确率变化 b.Grad-CAM 激活图，结合病理组织解释模型 c.patch 预测结果还原回 wSI 的预测结果图。 d.patch 预测概率还原回 wSI 的预测概率图。B.统计对比表格，准确率、AUC、Sensitivity，Specificity，F1。C. ROC曲线，DCA曲线、校准曲线。D.混淆矩阵，所有样本预测概率分布图。E. Signature融合，对比 Clinical、Pathology 不同数据的结果 Nomogram差异。二、套路整理（以病理为例）