1.影像组学联合深度学习中标项目
接下来我们以几篇高分文献，给大家推荐影像组学相关的适合国自然申报的创新且高大上的方向：
2. 影响组学推荐的方向也同样适用于深度学习的国自然申报方向
详细内容可以翻下我们往期帖子“影像组学的国自然研究思路和方向推荐，以及影像组学标书写作要点分享”，这里就不和大家详细介绍了。
3. 深度学习+影像组学+病理图像分析（公共数据库即可实现）
文献链接：
https://pubmed.ncbi.nlm.nih.gov/37268878/
首先，作者从TCGA-UVM队列中获得80张UM的全幻灯片图像（WSIs），利用80个UM样品的配对RNA-seq通过生物信息学分析来探索潜在的基因签名，对WSIs进行注释和处理，将TCGA-UVM组群随机分类为单独的训练和验证数据集，采用弱监督方法来训练深度学习模型（Google-net）。随后研究了UM亚型之间不同的免疫微环境特征和免疫检查点基因的表达，并测试UM亚型之间的不同免疫治疗应答，鉴定UM亚组之间的差异表达基因（DEG），对生存相关DEG的选择进行单变量Cox回归分析，采用中位风险评分将患者分类为高风险或低风险，绘制K-M曲线，采用Log-rank检验比较两组生存结局的差异。通过时间依赖性受试者工作特征（ROC）曲线计算的AUC值来评估预后模型中组织病理学基因签名的预测性能。此外，进行一致性指数（C指数）以评估DL特征、组织病理学基因特征和常规临床因素的预测能力。
(一) 对提供的数据进行分析,基于勾画的ROI病灶诊断
1、将识别出来的ROI区域进行智能诊断模型建模。
2、采用影像组学的思路进行病灶诊断。具体
1) 对影像（nii或者nii.gz）数据，使用pyradiomics进行特征提取，得到rad_feature。
2) 对这些特征进行正则化（Z-score），将数据服从 N~(0, 1)。
3) 对提取的组学特征rad_feature，使用spearman相关系数，计算特征之间的相关性。对于相关系数大于0.9的特征，两者保留其一，得到rad_sel_feature。
4) 使用Lasso对数据进行交叉验证，筛选最好的惩罚系数lambda。
5) 筛选出系数不为0的特征，对rad_sel_feature进行进一步降维得到rad_final。系数不为0的特征，组合成rad_score公式。
6) 采用5折交叉验证，使用多种机器学习算法模型（LR、SVM、DT、RF、ExtraTree、XGBoos等）对rad_final_train进行训练。
(二) 在rad_final_val上进行不同算法模型验证
得到常见指标验证以及结果可视化。准确率、AUC、ROC曲线、DCA、校准曲线，混淆矩阵等结合临床数据，给出临床预测结果。
模型测试：
机器学习模型：LR、SVM、DT、RF、ExtraTree、XGBoost等结果
深度学习模型：AlexNet、 VGG、 ResNet、 DenseNet等
这里我们拟定一份深度学习方向的国自然项目，为大家展现这份标书的立项依据部分该怎么写（如果需要深度学习方向的国自然申报服务，可以联系我们哦）
拟定题目：
基于深度学习的MRI图像评估肝癌介入术后疗效的应用研究
立项依据写作要点：
1. 指出该疾病的流行病学和临床诊断方式；
2. 指出MRI在疾病诊断中的优势和不足（这部分就要详细介绍深度学习在疾病诊断中的应用）；
3. 进而引出深度学习（重点介绍深度学习识别MRI图像的优势，穿插着申请人前期的预实验结果）；
这里我们将自己团队撰写的初稿给大家展示下立项依据部分该有的内容：
好了，今天的长篇大论分享就到这里了，大家有什么问题或者想法的话可以和我们沟通哦
2024年度国自然医学部50大科研热点中标数统计如下：
本团队从国自然、省市级课题申报、学术代表作规划、实验方案设计、科研技能教育培训等提升年轻科研者科研水平，真正掌握国自然课题设计的核心要点、精妙逻辑和标书撰写技巧，提高标书水平和质量，最终中标国自然。
往期精彩文章
