放射组学特征提取与可重复性
常用 PyRadiomics 等工具按 IBSI 规范提取形状、一阶和纹理特征。特征值对重采样间距、灰度离散化区间和分割边界都敏感，参数一改排序就变。常规做法是固定一套参数并记录在案，再用重复勾画数据剔除不稳定特征。
21个分析 Skill · Codar 生信插件
AI 医学影像
医学影像与显微图像分析的核心是把图像变成可统计的量：先分割出感兴趣区域，再提取形状、纹理和强度特征用于建模。常见数据是 CT、MRI、PET 的 DICOM 序列、病理全切片和显微镜图像。在 Codar 里，这个方向覆盖放射组学建模、nnU-Net 与细胞分割、三维配准和多模态融合，分析面向科研，不替代临床诊断。
AI 医学影像能回答哪些研究问题
- 影像特征能不能预测病理分级或转移？
- 勾画不一致会对影像组学结果影响多大？
- 全切片图像怎么做细胞级别的定量？
- 荧光图像里细胞核该怎么自动分割？
- 多中心影像数据怎么消除扫描仪差异？
AI 医学影像分析流程
- 1
整理与去标识
读取 DICOM 序列，核对层厚、序列参数和方向，做去标识处理，并检查缺层、伪影等质量问题。
- 2
统一空间与强度
做三维配准与重采样，统一体素间距；MRI 等非定量模态还需强度归一化，否则特征不可比。
- 3
分割目标区域
可用 nnU-Net 做病灶与器官分割、Cellpose 做细胞与细胞核分割，分割结果需人工抽查修正。
- 4
提取定量特征
提取放射组学的形状、一阶与纹理特征，或病理全切片的细胞形态与空间分布指标，记录提取参数。
- 5
建模与评估
做特征筛选与模型训练，可开发影像深度学习模型，并做可信评估：校准、不确定性与外部验证。
- 6
融合与出图
按需把影像与病理、组学数据融合，也可做虚拟空间转录组预测，输出特征表、图表与可复现脚本。
常用方法与怎么选
nnU-Net 与通用分割模型
nnU-Net 会根据数据自动配置预处理和网络结构，在器官和病灶分割上是常用的稳健基线，适合有一批标注的三维数据。通用提示式分割模型不需训练即可交互勾画，适合标注量少或快速探索，但在低对比度病灶上边界常不够准。
细胞与全切片分析方法
Cellpose 等基于流场的方法对形态多样、密集贴合的细胞分割较稳，适合荧光和明场图像；全切片分析通常先分块、过滤背景与组织伪影，再做细胞检测和区域分类。染色差异是主要混杂因素，常用染色归一化或颜色增强来缓解。
多中心数据的批次效应处理
不同扫描仪、重建核和染色批次会系统性改变特征分布。常用做法包括特征层面的调和方法、训练时的强数据增强，以及按中心划分的交叉验证。更关键的是留出独立的外部中心数据验证，同中心随机划分会高估性能。
需要准备的数据
- CT / MRI / PET 的 DICOM 序列
- 病灶或器官的分割掩膜文件
- 病理全切片（SVS / NDPI 等）
- 显微镜图像与通道信息
- 随访结局或病理分级标签
能得到的结果
- 去标识后的规范化影像数据
- 病灶与细胞分割掩膜
- 放射组学特征矩阵与参数记录
- 预测模型及其性能与校准曲线
- 细胞形态与空间分布定量表
- 结果图表与可复现脚本
AI 医学影像插件包含的分析能力
共 21 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- 医学影像深度学习模型开发
- 放射组学特征提取与建模
- 放射影像-病理-组学融合
- 数字病理全切片分析
- 神经影像与电生理分析
- Cellpose细胞与细胞核分割
- nnU-Net医学影像分割
- H&E虚拟空间转录组预测
- 临床多模态LLM评估
- 三维医学影像配准与重采样
- 生物显微图像处理与定量
- DICOM影像处理与去标识
- 癌症影像公共数据检索
- BIDS神经影像数据整理
- 医学影像模型可信评估
- 显微影像数据管理
- 单颗粒跟踪与扩散分析
- 医学影像数据准备与质量检查
nf-core 标准流程（3 个）
- nf-core-cellpainting流程
- nf-core-liverctanalysis流程
- nf-core-lsmquant流程
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「AI 医学影像」
在插件页找到「AI 医学影像」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
帮我从这批 CT 影像和病灶分割中提取影像组学特征，建立预测淋巴结转移的模型并评估性能。
AI 医学影像常见问题
影像组学和影像深度学习有什么区别，该用哪个？
影像组学先按定义好的公式提取特征再建模，特征可解释、样本量要求相对低，适合几十到几百例的研究；深度学习直接从图像端到端学习，上限更高但需要更多数据和算力，解释性依赖可视化方法。样本有限或需要向临床同行解释机制时，影像组学通常更现实。
影像组学研究需要多少例样本？
没有统一门槛，取决于特征数量和结局事件数。公认的经验是特征数远超样本数时必须先做降维和特征筛选，并把筛选放进交叉验证内部，否则性能会被明显高估。更重要的是有独立验证集，样本量小但有外部验证的研究，说服力通常强于单中心的大样本。
分割必须手工勾画吗，自动分割会不会影响结果？
自动分割已能替代大部分重复劳动，但会改变边界位置，进而影响形状和边缘纹理特征。实践中常用自动分割出初版、再由阅片者抽查修正，并报告自动与手工勾画之间的特征一致性。所有结果属于科研分析范畴，不能作为临床诊断依据。
其他生信插件
macOS 12+Mac
Windows 10+Windows