影像组学+病理组学+深度学习人工智能应用

影像组学

基础学习内容：

1. 特征提取：使用pyradiomics进行形状、纹理、小波变换等特征提取。
2. 特征筛选：应用ICC、相关系数、mRMR、Lasso等方法。
3. 建模：使用LR、SVM、RF、XGBoost、LightGBM等机器学习算法。
4. 模型评估：通过AUC、Sens、Spec、ROC、DCA等指标进行评估。

进阶学习内容：

1. ROI处理：裁剪、扩展、周围区域处理。
2. 深度学习模型训练：使用Resnet、inception、DenseNet、Shufflenet、mobilenet等。
3. 特征提取与建模：将深度学习特征转化为结构化数据，进行机器学习算法建模。
4. 3D数据处理：尝试3D数据处理，解决过拟合问题，探索3D与2D的差异。
5. 变通方案：超分重建技术，序列相互生成，半监督学习。

高级学习内容：

1. 端到端模型：构建大型网络结构解决临床问题。
2. 生境分析：分析肿瘤微环境，进行subregion可解释性分析。
3. 无监督聚类：基于Kmeans进行体素点特征刻画。
4. 多模态数据配准：处理不同模态的数据融合。

病理组学

基础学习内容：

1. 数据提取：使用cellprofiler、qupath提取细胞密度、量等结构化数据。
2. 特征筛选与降维：应用Lasso等方法。
3. 建模：使用机器学习算法。

进阶学习内容：

1. ROI标注：使用qupath进行ROI标注。
2. WSI处理：裁剪成Patch，预处理（去背景、颜色标准化）。
3. 深度学习模型训练：使用VGG、ResNet等模型，训练Patch概率和标签。
4. Patch到WSI的聚合：使用Average Ensemble、Multi Instance Learning等方法。

高级学习内容：

1. 自监督学习：基于自监督的深度学习模型，如人脸识别技术。
2. 图网络模型：使用GNN、GCN等图网络模型。
3. 模型调参：构图和模型调参的难点。

深度学习

基础学习内容：

1. 模型训练：训练深度学习模型，如Resnet、inception、DenseNet等。
2. 特征提取：从深度学习模型中提取特征。

进阶学习内容：

1. 模型升级：引入Transformer结构，如VIT，或自定义网络结构。
2. 标准化：使用GAN进行图像标准化。
3. 多实例学习：基于DNN模型的多实例学习。

高级学习内容：

1. 自监督学习：利用自监督学习提升模型性能。
2. 图网络：应用GNN、GCN等图网络模型。
3. 端到端模型：构建端到端模型解决复杂临床问题。

分析内容

1. 特征分析：分析提取的特征对模型性能的影响。
2. 模型性能：评估不同模型的性能，如AUC、Sens、Spec等。
3. 数据融合：探索不同数据源的融合方法，如多模态数据。
4. 临床应用：将模型应用于临床问题，如肿瘤微环境分析、瘤内瘤周分析等。

这些内容涵盖了从基础到高级的学习和分析过程，旨在帮助研究人员和从业者在影像组学、病理组学和深度学习领域内进行有效的研究和应用开发。

此处引用推销课程的课程自学清单，提取出我们自学的人应该走什么样的路：
https://mp.weixin.qq.com/s/gCnlf2YQ0srQNhS39PjPDg