本文整理自《Radiology》期刊（IF=12.1）在2025年2月發(fā)表的一篇專家述評文章，對于放射科醫(yī)生撰寫AI相關(guān)研究論文提出了10個tips，這些tips對于任何AI論文寫作者都具有參考價值。

2017年的一次會議上，有位專家提出了一個發(fā)人深省的問題："人工智能（AI）會取代醫(yī)生嗎？"。他隨即給出了答案："我的回答是否定的，但使用AI的醫(yī)生必將取代那些拒絕AI的同行"。

如今《Radiology》期刊約三分之一的論文都以AI為核心議題，關(guān)于大語言模型和生成式AI（如ChatGPT）的研究文章尤為熱門。這意味著臨床醫(yī)生不僅需要掌握AI應(yīng)用技能，還應(yīng)學(xué)會如何撰寫AI相關(guān)的論文（期刊編輯亦然）。

1. 撰寫AI相關(guān)論文前，請查閱相關(guān)的《人工智能研究報告規(guī)范》

在《Radiology》期刊發(fā)表AI相關(guān)論文時，需特別注意2024版《醫(yī)學(xué)影像人工智能檢查清單指南(CLAIM)》的兩項術(shù)語更新[1]：

? 使用"reference standard"替代"ground truth"或"gold standard"

? CLAIM專家組建議避免使用"validation"一詞，推薦采用"model optimization"或" tuning"等表述

2. 詳述所有數(shù)據(jù)集并附上數(shù)據(jù)集特征表與流程圖

在"材料與方法"部分，請按以下順序描述數(shù)據(jù)集：訓(xùn)練集（training set）、驗證集（validation set）、內(nèi)部測試集（internal test set）和外部測試集（external test set）[1,2]。需特別說明的是，驗證集可能有多種命名方式，例如調(diào)優(yōu)集（tuning set）或開發(fā)集（development set）。根據(jù)CLAIM指南要求，應(yīng)避免使用"驗證集"這一術(shù)語，而是描述"用于模型優(yōu)化的數(shù)據(jù)"，可使用術(shù)語“tuning”[1]。

在"結(jié)果"部分的開篇，需包含：

?數(shù)據(jù)集的特征表：展示人群的人口統(tǒng)計學(xué)特征，用于評估模型訓(xùn)練人群能否代表其應(yīng)用的目標(biāo)人群。若訓(xùn)練數(shù)據(jù)缺乏關(guān)鍵預(yù)測因素（如年齡、性別等），模型將無法有效預(yù)測結(jié)局。

?流程圖：以可視化形式呈現(xiàn)各數(shù)據(jù)集樣本量及篩選過程。

3. 詳細描述模型的訓(xùn)練方法

為確保最佳性能，訓(xùn)練模型時應(yīng)使用該領(lǐng)域內(nèi)廣泛認可且可合理獲取的高質(zhì)量數(shù)據(jù)。例如，優(yōu)先選擇技術(shù)先進的影像學(xué)檢查結(jié)果、病理結(jié)果或長期隨訪影像和結(jié)局?jǐn)?shù)據(jù)，而非普通放射學(xué)報告[2]。

?訓(xùn)練過程：

1.需詳細描述訓(xùn)練流程與超參數(shù)（Hyperparameter），確保實驗可復(fù)現(xiàn)。

2.若字?jǐn)?shù)受限，可通過標(biāo)準(zhǔn)化框架的簡明訓(xùn)練腳本代碼呈現(xiàn)細節(jié)。

?模型選擇：

• 明確說明在測試前從所有訓(xùn)練模型中篩選出最優(yōu)模型的方法與評估指標(biāo)。

• 若提供多個模型，需逐一說明合理性。

4. 說明內(nèi)部測試與外部測試的實施方法

內(nèi)部測試指采用訓(xùn)練數(shù)據(jù)中預(yù)留的子集（即內(nèi)部測試集）進行驗證的過程，而外部測試應(yīng)使用來自其他機構(gòu)的影像數(shù)據(jù)（即外部測試集）。若未進行外部測試，須明確說明并討論該局限性。

5. 避免在指代測試或測試集時使用"驗證(validation) "一詞

機器學(xué)習(xí)術(shù)語"validation"易導(dǎo)致醫(yī)療專業(yè)人員誤解，可能被理解為檢驗?zāi)Ｐ褪欠?有效"，而健康研究報告規(guī)范（如EQUATOR網(wǎng)絡(luò)指南）在醫(yī)學(xué)文獻中使用的"驗證"定義與此存在差異。

因此，《Radiology》期刊不鼓勵使用"驗證(validation)"一詞，除非特指驗證集（用于模型調(diào)優(yōu)的數(shù)據(jù)集）。不要使用"驗證(validation)"來指代模型的測試或測試集。

6. 提供計算機代碼鏈接（發(fā)表的必要條件）

請將所有計算機代碼存儲于公開可訪問的代碼庫并提供鏈接地址。常用代碼庫包括：

? GitHub（https://github.com）

? Bitbucket（www.bitbucket.org/）

? SourceForge（https://sourceforge.net/）

在"材料與方法"部分提供：

（a）算法代碼的訪問鏈接

（b）必要時，請?zhí)峁┱撐乃么a修訂版本的唯一標(biāo)識符

更多詳細信息，請參閱本刊《算法與代碼透明度政策》

https://pubs.rsna.org/page/policies#algorithm

7. 模型是否過擬合？需使用外部測試集進行最終統(tǒng)計報告

Park和Han[3]在其方法學(xué)指南中對過擬合給出了明確定義："過擬合是指模型過度適應(yīng)訓(xùn)練數(shù)據(jù)的情況，對模型在新數(shù)據(jù)上的泛化能力產(chǎn)生不利影響，同時夸大了模型在訓(xùn)練數(shù)據(jù)集中的表現(xiàn)。"

過擬合模型因與訓(xùn)練數(shù)據(jù)貼合過度而無法泛化至新數(shù)據(jù)，僅能在訓(xùn)練所用圖像中表現(xiàn)良好。為確保模型具有泛化能力，需使用外部測試集進行模型性能的最終統(tǒng)計報告[2]。

8. 報告模型在所有數(shù)據(jù)集（包括人口統(tǒng)計學(xué)亞組）上的性能表現(xiàn)

在結(jié)果部分，請報告最終模型的性能表現(xiàn)[1]。建議將模型性能與以下標(biāo)準(zhǔn)進行對比：

? 其他已知模型

? 獨立參考標(biāo)準(zhǔn)（如病理檢查結(jié)果、醫(yī)學(xué)專家判斷等）

使用以下統(tǒng)計指標(biāo)描述模型在所有數(shù)據(jù)集上的性能差異：

? 曲線下面積（AUC）值及95%CI

? P值

同時建議報告放射科醫(yī)生關(guān)注的性能指標(biāo)，例如：

? 對比放射科醫(yī)生在使用AI輔助前后的靈敏度和特異度變化

? 評估AI模型對減輕醫(yī)生工作量的潛在作用[4]

需特別說明：

? 模型表現(xiàn)最優(yōu)和最差的亞組

? 如存在數(shù)據(jù)集內(nèi)部或之間的分布不均情況，應(yīng)提供相應(yīng)的統(tǒng)計指標(biāo)[1]

9. 對錯誤結(jié)果進行失敗分析

應(yīng)提供充分信息以幫助理解模型產(chǎn)生錯誤結(jié)果的原因。對于使用兩個及以上分類類別的任務(wù)，需提供預(yù)測類別與實際類別的混淆矩陣。同時，可通過代表性圖示等方式，提供錯誤分類案例的示例[1]。

10. 避免使用外部測試的替代方法（如壓力測試、交叉驗證）來檢測偏倚

外部測試對于理解模型在真實場景中的表現(xiàn)至關(guān)重要。編輯團隊理解獲取高質(zhì)量外部數(shù)據(jù)的困難，這也催生了外部測試的替代方法：

?壓力測試（Stress Testing）：使用來自原始（內(nèi)部）數(shù)據(jù)集的受控偏移數(shù)據(jù)集來測試訓(xùn)練好的模型[5]

?交叉驗證：通常指將單個數(shù)據(jù)集劃分為多個子集，用于訓(xùn)練和測試不同模型

需注意的是，這些技術(shù)雖有助于評估模型的適配度，但可能無法識別原始數(shù)據(jù)中的偏倚[5]。本刊建議采用來自其他醫(yī)療機構(gòu)的獨立圖像集進行外部測試，相較于上述替代方法，此類研究的稿件更有可能獲得接收。

參考文獻：

1. Radiol Artif Intell 2024;6(4):e240300.

2. Radiology 2020;294(3):487–489.

3. Radiology 2018;286(3):800–809.

4. Radiology 2021;298(1):47–48.

5. Radiol Artif Intell 2022;4(5):e220061.

文章整理自：Top 10 Tips for Writing about AI in Radiology: A Brief Guide for Authors. Radiology. 2025 Feb;314(2):e243347.

為您推薦：AI相關(guān)課程

點擊左下角“閱讀原文”，學(xué)習(xí)醫(yī)咖會專欄課程《機器學(xué)習(xí)在醫(yī)學(xué)研究中的應(yīng)用案例實戰(zhàn)教學(xué)》。