服务 / 机器学习建模服务
把临床真实世界数据、多组学数据和随访数据，转化为规范的机器学习研究结果。
传统统计推断和生信组学分析之外，机器学习建模正在成为临床科研的重要分析路径。顶峰智研将特征工程、数据预处理、特征筛选、模型比较、超参数优化、阈值策略、模型评估、可解释性分析、亚组与敏感性分析整合为完整服务流程。
盘活现有数据资产
整合病历系统、实验室检查、影像、随访记录等院内真实世界数据，也可启动建模分析，释放已有数据潜力，减少对高额组学实验经费的依赖。
降低后续研究成本
通过特征筛选和模型解释找到少而精的关键变量，降低后续验证实验、应用转化和持续数据收集的成本。
支持医疗决策
模型可为单个患者提供风险评分或分类预测，也可在群体层面评估误诊、漏诊、医疗成本、随访优先级和净获益。
更容易应用转化
机器学习模型具备成熟技术生态，可进一步接入临床决策支持系统和科研计算平台，在真实医疗场景中迭代应用。
为什么现在需要机器学习建模分析
机器学习建模已经进入医学研究主流方法体系，期刊规范也在要求更透明的 AI 报告。
PubMed 数据显示，AI / ML 医学论文数量在过去十多年持续快速增长。Nature Medicine、The Lancet、JAMA、NEJM 等顶级期刊持续关注 AI 医学应用，《The BMJ》于 2024 年发布 TRIPOD+AI 报告规范，说明 AI 建模研究不只要追求指标，也要做到过程透明、报告规范和可复核。
顶刊关注
Nature Medicine、The Lancet、JAMA、NEJM 等期刊均已将 AI 医学应用作为重要研究方向。
报告规范
TRIPOD+AI 强调 AI 预测模型研究的透明报告，要求研究团队清楚说明数据、模型、验证和适用边界。
方法门槛
医学团队常面临数据类型复杂、样本量有限、算法流程长、复跑困难和图表返修成本高等问题。
服务价值
顶峰智研通过标准化流程、可解释性分析和 XeleFlow 过程记录，帮助客户把复杂建模变成可汇报的科研资产。
适用建模任务
四类常见预测目标，对应不同结局数据准备方式。
在启动建模前，首先明确预测目标属于二分类、多分类、回归还是生存分析，并按对应模板准备结局数据、样本分组和随访时间。
二分类
预测结局为二元结果，如是否患病、阳性/阴性、高低风险、是否有效、是否发生不良事件。
多分类
预测结局为多个类别或等级，如疾病亚型、病理分级、疾病严重程度、治疗响应分层。
回归
预测结局为连续数值，如住院天数、生理指标、实验室检测结果、疾病评分或药物剂量响应。
生存分析
预测事件发生时间和风险，如生存期、复发时间、转移时间、进展时间和不良反应发生时间。
机器学习建模分析 / 应用场景
场景不是独立服务，而是同一套建模能力在不同科研问题中的落点。
所有应用场景都归属于机器学习建模分析服务，用于帮助客户判断自己的课题是否适合建模、需要什么结局数据、适合哪类模型。
疾病诊断 / 生物标志物
判断样本是否患有特定疾病，寻找能够早期诊断或辅助筛查的生物标志物，常见模型为二分类。
治疗响应 / 耐药预测
预测患者对特定治疗方案是否有效、是否耐药，支持治疗方案选择和人群分层。
不良事件预测
预测治疗过程中是否发生毒副反应，或预测不良事件发生的时间与概率，辅助高风险人群识别。
复发转移 / 生存期预测
预测疾病复发、转移、死亡或进展的时间与风险，常见模型为生存分析。
疾病分型 / 健康状态监测
支持疾病分子亚型分类，以及基于可穿戴设备、生命体征和实验室检测结果的连续指标预测。
特征消融 / 多模态决策
比较不同特征域的独立能力和移除代价，评估数据收集成本、信息增益和医疗决策价值。
服务流程
先评估数据是否值得推进，再进入正式建模分析。
通过免费预实验评估提前识别数据质量、样本量、变量关联和预测目标问题，避免投入经费后才发现建模结果不可靠。
了解课题需求与数据情况
明确研究问题、预测目标、样本来源、数据字段、随访时间和预期交付。
数据质检和预建模评估
检查样本量、缺失、变量分布、结局定义和初步建模信号，判断是否值得推进。
数据预处理与结构化整备
制定清洗、转换、变量构造、时间窗和特征域整理方案。
全量模型构建与建模分析
完成特征筛选、模型比较、交叉验证、模型评估、解释性分析和敏感性分析。
可交互报告交付与结果解读
交付 XeleFlow 报告、论文级图表、原始数据和专家结果解读。
选择 Scienith 的理由
建模服务的关键不是“跑一个模型”，而是保证流程、结果和交付都经得起复核。
医学研究中的机器学习建模需要从计算正确性、小样本稳定性、多模态数据、模型解释、预实验评估和投稿交付多个维度同时控制质量。
严格测试
所有计算组件均经过测试，确保计算过程正确，减少分析流程中的技术性错误。
小样本优化
针对单中心、罕见病、样本不足和随访不完整数据，使用稳定筛选和交叉验证降低偶然性。
支持多模态数据
支持临床表型、实验室检查、影像、组学、随访和治疗史等多源数据建模分析。
可解释性 AI
通过 SHAP、PDP/ICE、置换重要性、特征消融等方法解释关键变量与模型预测。
免费预实验评估
正式投入前先判断数据质量、样本量、结局定义和初步建模信号，降低无效投入风险。
论文发表友好
交付英文分析报告、论文级图表、可编辑矢量文件和投稿补充材料。
机器学习建模分析 / 交付成果
不只交付一个模型，而是交付可解释、可复核、可投稿的分析资产。
投稿时常需要完整透明地汇报 AI 建模分析过程、补充二次分析并调整图表。XeleFlow 会记录方法描述、计算参数、中间结果、图表文件和原始数据，降低复跑和返修成本。
变量定义、数据质控和预处理记录
特征工程、特征筛选和变量稳定性结果
多模型比较、训练验证和测试集评估
ROC、PRC、校准度、混淆矩阵、阈值策略等模型指标
SHAP、PDP/ICE、置换重要性等可解释性分析
亚组分析、敏感性分析和特征消融分析
可编辑矢量图、PNG、PDF 和二次绘图原始数据
可分享的交互式分析报告和投稿补充材料
分析能力清单
从数据概览到模型解释，覆盖医学机器学习论文常见分析图表。
机器学习建模论文通常不只需要 AUC 或准确率，还需要完整展示数据基础、变量筛选、模型比较、性能评估、解释性分析和外部/测试集表现。
基线人口学特征汇总
特征单变量打分与筛选
特征相关聚类分析
特征比较汇总
Logistic 回归比值比森林图
最佳模型选择
模型训练与评估
测试数据集评估
ROC / PRC 曲线与训练集 ROC 曲线置信区间
校准度、混淆矩阵和阈值策略
PDP / ICE 可解释性分析
置换重要性与 SHAP 分析
亚组分析与敏感性分析
稳定性筛选计算器
蒙特卡洛交叉验证
小样本稳健性
面对单中心、罕见病和随访不完整数据，先把不确定性说清楚。
很多医学课题样本量有限，若变量选择和模型评估处理不当，容易得到不稳定结果。XeleFlow 针对小数据集优化流程，执行百轮稳定筛选共识变量，采用蒙特卡洛交叉验证评估模型，并用置信区间描述不确定性。
稳定变量筛选
通过多轮筛选观察变量入选频次，避免一次性划分带来的偶然结果。
蒙特卡洛交叉验证
多次重采样评估模型表现，让结果更能反映样本量受限时的不确定性。
置信区间汇报
不只报告单点指标，也呈现区分度、校准度和曲线指标的不确定范围。
案例证据
应用场景对应真实文献任务，帮助客户判断自己的课题能否转成建模问题。
以下案例不是独立服务，而是机器学习建模分析可覆盖问题类型的证据样本。正式项目会根据客户数据、结局定义和研究目标重新设计建模方案。
疾病诊断 / 生物标志物
Machine learning for ECG diagnosis and risk stratification of occlusion myocardial infarction。主要数据为院前/首诊 12 导联心电图形态学特征，建模目标为是否闭塞性心梗。
治疗响应 / 耐药预测
Deep Learning Model for Predicting Immunotherapy Response in Advanced Non-Small Cell Lung Cancer。主要数据为肿瘤组织 H&E 全切片数字病理图像，建模目标为是否客观缓解。
不良事件预测
Predicting Agitation Events in the Emergency Department Through Artificial Intelligence。主要数据包括人口学、分诊信息、诊断、共病和既往就诊利用，建模目标为激越事件。
复发转移预测
Prediction of brain metastasis development with DNA methylation signatures。主要数据为组织 DNA 甲基化 CpG 特征，并探索血浆 cfDNA 甲基化，建模目标为脑转移。
生存期预测
Artificial Intelligence-Enhanced Electrocardiography for Prediction of Incident Hypertension。主要数据为常规 ECG 风险评分和临床协变量，建模目标为事件发生风险。
治疗预后时间风险
Efficacy and safety of adjuvant immunoadsorption in pemphigus vulgaris and pemphigus foliaceus。主要数据包括治疗分组、PV/PF 分型、年龄、性别、基线疾病严重度评分和既往治疗史，建模目标为治疗中完全缓解。
不良反应时间风险
Neurofilament light chain levels as an early predictive biomarker of neurotoxicity after CAR T-cell therapy。主要数据为 CAR-T 受试者血清 NfL、CAR-T 构型和临床变量，建模目标为 ICANS 发生。
疾病分型
Multiclass machine learning models for molecular subtype identification of pediatric low-grade glioma using bi-institutional MRIs for precision medicine。主要数据为 MRI 扫描，建模目标为分子亚型。
健康状态监测
Wearable sensors enable personalized predictions of clinical laboratory measurements。主要数据为穿戴设备数据、心率、皮肤温度、电皮肤活动和步态数据，建模目标为临床实验室结果。
特征消融分析
用 FULL / ONLY / WO 比较不同数据域的成本、收益和决策价值。
针对一个特征域，比较全特征域模型 FULL、只使用某一域建模 ONLY、去掉某一域建模 WO 的性能差异，评估单域独立能力和移除后的影响。如果有 N 个特征域，需要在 2N+1 个模型基础上进行消融分析。
主力域
单域能力强，去除代价高，是模型性能的重要来源。
关键互补域
单独建模能力不一定最强，但去掉后模型明显变差，说明与其它特征域存在互补价值。
可替代域
单域能力较强，但去除代价较低，说明信息可能被其它特征域部分替代。
低价值域
单域能力弱，去除代价低，后续可评估是否减少采集或检测成本。
