转录组学的生物信息学分析是医生解决临床与科研问题的有力工具。这里罗列医学转录组学相关的几个概念，从使用者（医生）的角度看待理解相关技术，为后续使用该技术说明临床和科研问题奠定基础。

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。

最近，接到一个部署深度学习APP的需求，这个APP使用torch、monai和pydicom等库构建了一个识别CT图像中皮下脂肪、内脏脂肪和骨骼肌，输入是CT图像，输出是识别的图像和相关数据。接手的时候，核心的算法已经制作完成，仅是需要我构建GUI并将其部署到某种途径上，实现其应用。

这是“构建个人小型医学数据库”系列文章的最后一部分。通过之前的工作我们确定了所要收集的各类变量并将其录入到mySQL数据库中。为了展示MySQL中存储的数据，通过摸索我们最终使用appML、PHP和JavaScript开发一个展示页面。这些技术可以协同工作，以创建一个有用的用户界面，显示相关的数据。构建展示页面的必要性在于，让用户可以方便地浏览MySQL数据库中的数据。展示页面可以帮助用户更好地理

AI与数据分析的融合效果怎样？

接着，基于这些 Hub 基因，使用多种机器学习算法构建 AD 诊断模型，经 5 折交叉验证评估模型性能，选取最佳模型并用 SHAP 进行解释和可视化。还开展基因功能分析，涵盖 GSEA、免疫浸润分析、免疫检查点分析等，同时通过 RT-qPCR、数据库验证和单细胞转录组分析对基因功能进行实验验证。这次的单细胞测序数据分析的试验设计是单细胞测序分析+机器学习（with SHAP分析），也是常见的试验设

当拿到一份数据，可以先做预分析，如果得到的相关变量较多，就可以做预测模型，如果不够多，就可以考虑独立危险因素分析。个人感觉，数据分析类的研究关键在于数据，大样本，自己收集的，有特点的数据更容易做出有意义的研究。

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。

CDISC是临床数据交换标准协会（Clinical Data Interchange Standards Consortium）的缩写，是一个致力于制定和推广临床研究数据标准的非营利性组织。CDISC的目标是通过制定和推广数据标准，促进医学研究和相关医疗保健领域的信息系统互操作性，以提高医学研究和相关医疗保健领域的效率和质量。CDISC的标准包括：临床试验设计、数据收集、数据管理、数据分析、数据交

列线图是数据分析中的经典图形，通过背后精妙的算法设计，展示线性模型（logistic regression 和Cox）中各个变量对于预测结果的总体贡献（线段长短），另外，线段上有刻度，使得列线图兼具实用功能：在实际操作中，可以将某套待预测的变量值通过列线图转变为一个个得分，最终相加得到总得分，而总得分对应的概率轴上的刻度，就是这套变量通过预测模型得到的风险概率。