基于胸部 CT 的肺结节智能分类与可解释性恶性风险分级
研究目标是在胸部 CT 上完成肺结节的分类与恶性风险分级，并为判断提供可解释依据。数据以 LIDC-IDRI 等公开数据集为起点，当前阶段的重点是评估协议的稳定性：固定数据划分、随机种子与评估脚本，使不同配置之间的对比具备可比性，同时把方法与结论分离陈述。
PyTorch 3D 医学影像 可解释性
论文
目前尚无正式发表的论文。本页登记在研工作、支撑研究的基础设施，以及实验方法与记录规范。
ORCID：0009-0006-7544-5954
在研工作
乳腺超声良恶性分类与跨数据集外部验证
以 BUS-BRA 为训练集、BUSI 为独立测试集建立良恶性二分类基线，研究关注点在于跨数据集的泛化表现，而非单一数据集上的指标提升。评估同时报告 AUC、敏感度、特异度、精确率与 F1，并固定判定阈值口径；模型输出 Grad-CAM 关注区域作为可解释性依据。
外部验证 Grad-CAM 医学影像
颌骨骨髓炎荧光影像诊疗软件系统
面向颌骨骨髓炎的荧光影像诊疗场景，实现从影像处理到临床工作界面的完整链路：白光与荧光影像的配准展示、病灶区域标注与三维查看。研究关注点在于算法输出如何组织成临床可用的操作流程，以及交付环境受限（离线、刻盘、异构硬件）时的工程约束。
Three.js 医学软件 工程交付
研究基础设施
文献语料知识库与摄取流水线
为提升文献调研效率构建本地知识库：以内容哈希保证幂等、任务表驱动断点续跑、本机 GPU 与云端推理混合调度。共处理论文 30,031 篇，完成 30,018 篇（99.96%），用时 11.2 小时，平均约 2.5 秒/篇；每条知识条目均建立指向原文的证据链接，配合待审队列由人工复核后转正，保证条目可溯源。
检索增强 流水线工程 证据链
科研工作流工具集与实验管理
面向模型研发与论文写作的流程化工具：13 个技能模块与约 20 个确定性脚本，配套测试 90 余项，覆盖选题、训练、验证、写作与图表生成。实验侧采用统一记录模板与实验登记表，配置、数据划分与结论一并留存。
工作流 实验管理 可复现
数据与实验环境
| 环节 | 配置 |
|---|---|
| 公开数据集 | BUS-BRA、BUSI（乳腺超声），LIDC-IDRI（胸部 CT 肺结节） |
| 框架 | PyTorch |
| 本机算力 | RTX 5060 Laptop（8 GB 显存）+ 32 GB 内存，WSL2 下的 Linux 环境 |
| 服务器 | 自建 Ubuntu 服务器，用于推理服务与批量实验 |
| 实验管理 | 数据划分与随机种子固定；实验登记表记录每次配置与结论 |
受 8 GB 显存限制，实验设置需在批大小、混合精度与模型规模之间权衡，这也使轻量化方案成为持续关注的方向。
实验方法与记录规范
- 判定标准前置：实验开始前确定判定门槛并记录，完成后不因结果调整门槛
- 负面结果同格式记录：失败实验与成功实验使用同一记录模板——例如一次注意力路由模块使准确率由 77.23% 降至 56.78% 并在训练中期崩坏，该次失败已完整归档（详见笔记）
- 实验登记表：每次实验的配置、数据划分与结论登记成表，便于回溯与横向对比
- 外部验证优先：同源数据的指标不足以说明泛化能力，优先寻找独立测试集
- 指标随场景解释：医学影像中敏感度与特异度通常比准确率更值得讨论，报告指标时同时给出阈值
手稿计划
- 将肺结节项目的实验整理为可复现记录：数据划分、评估协议、消融设置与失败实验一并留存
- 在评估协议稳定后，整理方法细节并考虑投稿
需要更具体的实验细节或代码，可参见项目页，或直接邮件联系。