跳到主要内容

知识地图与学习路线

个人标识：JHT Med。重点方向：数字病理、计算病理、分子病理、生物信息学与空间组学。

如何使用这份地图​

  • 按“领域 → 子领域 → 专题 → 知识点”组织，可随学习和研究方向调整。
  • [ ] 表示计划学习、正在整理或尚未正式发布；[x] 仅表示对应文章已通过本人审核并正式公开发布，且必须附文章链接。
  • 当前所有专题均保持未完成。领域导读、网站功能示例和本地预览不计入已完成知识点。
  • 外层 KNOWLEDGE_MAP.md 是唯一手工维护的地图。网站启动或构建时，自动生成供网站展示的知识地图页面。

建议起步顺序：数学与编程 → 机器学习 → 数字病理数据 → 研究设计与评价；结合问题逐步进入单细胞、空间组学及多模态研究，并持续保留论文与实践笔记。

1. AI Foundations​

1.1 数学基础​

线性代数​

  • 向量、内积与范数（格式示例，待审核）。
  • 矩阵运算、线性变换与特征分解。
  • 奇异值分解与主成分分析的数学基础。

概率、统计与微积分​

  • 随机变量、概率分布、条件概率与贝叶斯公式。
  • 期望、方差、估计与不确定性。
  • 导数、偏导数、梯度与链式法则。
  • 损失函数、梯度下降与优化基础。

1.2 机器学习与深度学习​

机器学习基础​

  • 监督学习、无监督学习与自监督学习。
  • 训练集、验证集、测试集与数据泄漏。
  • 线性模型、树模型与集成方法。
  • 过拟合、正则化与泛化。

神经网络​

  • 前向传播、反向传播与自动微分。
  • 卷积网络、归一化与常见训练策略。
  • 注意力机制与 Transformer。
  • 表示学习、迁移学习与预训练模型。

1.3 计算机视觉与大模型​

视觉任务​

  • 图像分类、目标检测与语义分割。
  • 实例分割、弱监督与多实例学习。
  • 视觉特征、图像嵌入与对比学习。

大模型方法​

  • 语言模型基础与提示设计。
  • 微调、参数高效适配与模型评价。
  • 视觉语言模型与多模态表示。
  • 检索增强与来源核验。

2. Pathology​

2.1 数字病理​

全切片图像​

  • WSI、图像层级与尺度（学习提问单示例，待审核）。
  • 扫描分辨率、像素尺度与倍率记录。
  • 图像格式、元数据与 OpenSlide 读取。

图像准备与质量控制​

  • 组织区域识别、图像切块与坐标管理。
  • 染色变化、伪影与质量控制。
  • 标注规范、标注一致性与数据组织。

2.2 计算病理​

任务与模型​

  • 切块、切片与患者层面的分类任务。
  • 细胞、组织与区域分割。
  • 多实例学习、聚合策略与弱监督。
  • 病理基础模型与表示迁移。

评价与解释​

  • 患者层面的数据划分与泄漏排查。
  • 外部验证、分布变化与稳健性。
  • 可视化、模型解释与错误分析。

2.3 分子病理​

基础与检测​

  • 分子病理基本术语与检测方法概览。
  • 基因改变、表达与组织形态的研究联系。

形态与分子信息整合​

  • 形态预测分子特征的任务定义与证据边界。
  • 组织图像与分子数据的对应关系。
  • 多中心验证与潜在混杂因素。

3. Bioinformatics & Omics​

3.1 生物信息学与转录组​

数据与工具基础​

  • R、Python、命令行与分析环境管理。
  • 数据资源、文件格式与基因标识。

转录组分析​

  • 数据质量控制、定量与标准化。
  • 差异表达、效应量与多重检验。
  • 基因集、通路分析与解释边界。

3.2 单细胞组学​

数据处理​

  • 实验设计、数据结构与质量控制。
  • 双细胞、环境信号与批次效应。
  • 降维、聚类与细胞类型注释。

下游分析​

  • 差异分析、样本层级与伪重复问题。
  • 轨迹分析、细胞状态与推断边界。
  • 细胞通信分析与证据解释。

3.3 空间组学与多组学​

空间数据​

  • 技术路线、数据分辨率与研究问题。
  • 图像配准、坐标与空间质量控制。
  • 空间域、邻域与细胞组成分析。

信息整合​

  • 单细胞与空间数据整合。
  • 病理图像与空间分子信息关联。
  • 多组学整合、模型假设与验证。

4. AI Applications in Medicine​

4.1 医学影像 AI​

问题定义与任务​

  • 影像分类、检测与分割的输入输出定义。
  • 图像预处理、标注来源与参考标准。

应用评价​

  • 独立测试、外部验证与结果报告。
  • 人机协作任务与临床使用情境。

4.2 临床预测​

预测设计​

  • 研究对象、结局、预测时点与时间窗。
  • 特征可获得性、缺失数据与泄漏排查。

模型评价​

  • 区分度、校准与阈值选择。
  • 时间、机构和人群变化下的验证。

4.3 医学多模态与大模型​

多模态研究​

  • 图像、文本、表格与组学的对应关系。
  • 融合策略、缺失模态与消融实验。

大模型应用评价​

  • 医学问答、信息提取与任务定义。
  • 事实一致性、来源追溯与评价数据。
  • 适用场景、偏差与未验证的推断。

5. Research Methods​

5.1 科研设计与统计​

研究设计​

  • 问题拆解、研究假设与方案记录。
  • 研究类型、选择偏倚与混杂因素。
  • 样本量、研究单位与重复测量。

统计表达​

  • 描述统计、效应量与置信区间。
  • 假设检验、多重比较与结果解释。
  • 相关、关联与因果推断的区别。

5.2 模型评价​

数据与指标​

  • 分层、分组和时间相关的数据划分。
  • 分类、分割、回归与生存任务的指标。
  • 类别不平衡、阈值与校准。

实验比较​

  • 基线、消融、敏感性分析与错误分析。
  • 外部验证、置信区间与结果稳定性。

5.3 实验复现与科研表达​

复现记录​

  • 数据、代码、环境与参数记录（记录示例，待审核）。
  • 随机性、版本、依赖与运行日志。
  • 原始结果、失败记录与差异排查。

表达与管理​

  • 图表设计、方法描述与结果呈现。
  • 参考文献管理、引用核查与材料授权。
  • 代码组织、版本控制与研究记录。

6. Research Notes​

6.1 论文精读​

阅读记录​

  • 研究问题、方法、结果与局限的提取。
  • 图表精读与证据位置记录。
  • 原文结论、个人理解与待验证推断的区分。

6.2 研究项目​

项目过程​

  • 项目问题、目标与里程碑。
  • 数据准备、实验设计与进展记录。
  • 结果复盘、局限与下一步计划。

6.3 实践经验​

工具与排查​

  • 环境配置、软件版本与操作记录。
  • 报错复现、原因分析与修正过程。
  • 分析流程整理与可复用经验。

现有导读与阅读入口​

以下页面用于导航与学习组织，不计入已完成的科研知识点。