Radiology Skills · 影像科研全链路技能包

本skills由黄sir组学工作室的核心成员开发，三位成员为发表过《Radiology》原创性研究的第一作者（Huang Yuhong、Gu Wenchao、Song Xinyang），对影像组学领域有深刻认知。这是一个面向影像组学、影像深度学习和医学影像 AI 研究的全开源 Codex skill，用于帮助研究者完成前沿选题、文献梳理、课题设计、ROI/mask 标注规范、统计分析、图表规划、影像基因组学机制解析、多中心验证、公共数据库使用、伦理与复现、论文写作、投稿预审、选刊投稿、基金申报、临床转化和返修回复等。

基于 2023-2026 高水平文献，整理了 Radiology、Radiology: Artificial Intelligence、The Lancet Oncology、The Lancet Digital Health、Nature Medicine、Nature Cancer、Nature Communications、Science Advances、eClinicalMedicine、eBioMedicine、Cell Reports Medicine、npj Digital Medicine 等高影响力期刊中医学影像 AI、影像组学、影像深度学习、影像基因组学和临床转化相关研究的发表规律。这个证据层可用于辅助选题、投稿选刊、前沿设计、课题设计和基金申报等任务。

让论文和标书在投出去之前，先过一遍审稿人的眼光。

审稿人拒稿，往往只需要三个问题：测试集是不是按患者划分的？外部验证在哪里？校准曲线呢？ 多数影像 AI、放射组学稿件不是败在工作量，而是败在设计和写作阶段没人用审稿人的标准提前审过一遍—— 等收到大修甚至直接拒稿才发现，已经晚了一整轮周期。radiology-skills 就是提前替你把这一关过掉的那双眼睛。

面向中国高水平医学影像科研团队的 Claude / Codex 技能包：以 Radiology（RSNA）级别、以及 Nature 系列（Nature Medicine、Nature Biomedical Engineering、Nature Communications、npj Digital Medicine 等）级别的研究设计、方法学规范、统计呈现和投稿要求为目标，把影像 AI、深度学习、放射组学、影像基因组学与多组学研究，拆解成 22 位"虚拟专科顾问"、可以随时调用的专业工作流。

radiology-skills 不是泛泛的"论文写作提示词合集"。它解决的是医学影像科研中最容易卡壳、也最容易被高水平期刊审稿人当场击中的问题：课题到底能不能做、创新点站不站得住、样本量和外部验证撑不撑得起结论、标注和建模流程有没有数据泄漏、统计报告齐不齐全、图表符不符合投稿标准、论文满不满足国际通行的报告规范，深度学习模型有没有可解释性和不确定性证据，以及审稿意见能不能被逐条、可追溯地回应。

开发团队长期从事影像组学、影像深度学习和医学影像 AI 研究，规则来自真实投稿、真实审稿意见和真实基金评审的一线经验。它不是把通用论文写作建议套壳，而是把“审稿人会怎么追问”前置到课题设计、统计验证、图表和投稿材料中。

---

核心卖点，30 秒说清楚

• 全链路一次装好：22 个技能、90 余份模块化规则文件，覆盖从"这批数据到底能不能做"到"基金标书怎么写"的完整科研链路，不用在十几个工具、公众号文章和往届师兄师姐的经验之间来回拼凑。
• 双期刊规格内置：同一套技能同时懂 Radiology 家族和 Nature 系列的投稿规矩——摘要结构、图表尺寸、图版字母大小写、Reporting Summary、Extended Data 该放哪——不用自己再去猜哪本期刊要什么格式。
• 审稿人视角前置：数据泄漏审计、CLAIM / TRIPOD+AI / CLEAR 等报告规范逐条核查、投稿前模拟严审——把审稿人真正会问的问题，在投出去之前先自己问一遍。
• 三位 Radiology 一作坐镇：规则来自真实投稿和真实评审经验，不是把"如何写好论文"这类通用建议套壳成产品。
• 诚信是底线，也是卖点：缺什么就明确标注"待确认"，绝不编造数据、文献、合规性或申请资格——这恰恰是通用 AI 工具最容易栽跟头、也是让你论文/标书翻车的地方。

---

适合谁

• 已经有 CT、MRI、PET、超声、乳腺钼靶或多模态影像数据，但还不确定"这批数据到底能做成什么课题"的临床科研团队。
• 正在冲击 Radiology、Radiology: AI、Lancet Digital Health、Nature Medicine、European Radiology 等高水平期刊的影像 AI、放射组学、影像组学研究者。
• 需要把中文实验记录、组会思路、初稿或审稿意见转化为英文投稿文本、规范补充材料、图表和回复信的作者。
• 正在准备国自然、省自然或院内基金，想把"做一个模型"升级为有科学问题、机制逻辑和可验证路径的基金标书；也包括同步筹备 NIH、ERC、Wellcome 等国际基金、需要先弄清楚自己到底有没有申请资格的团队。
• 希望在投稿前提前发现方法学、统计、伦理、数据共享、报告规范和临床转化证据短板的 PI、博士后、研究生与科研秘书团队。

重点解决的科研痛点

---

为什么不直接用通用 AI，或找论文中介？

这是一笔值得算清楚的账，不是营销话术：

radiology-skills 要做的不是取代生物统计师、临床合作者或伦理委员会，而是在把稿子/标书交给他们之前，先帮你把能自己查清楚的部分都查清楚——省下的是反复返工的那几轮周期，而不是省掉该有的专业把关。

---

全链路架构

 ① 立题与设计               ② 数据 · 标注 · 伦理          ③ 建模与分析
   frontier ─ design        annotation ─ data           radiomics ─ deep-learning
        └ search                 └ ethics                 radiogenomics ─ stats
        │                          │                          │
        └──────────────►  ④ 写作 · 图表 · 报告规范  ◄─────────┘
                            writing · figure · polishing
                            reporting · reader · citation
                                       │
                                       ▼
                          ⑤ 投稿 · 回复 · 转化 · 基金
                            journal · prereview · response
                            translation · grant · paper2ppt

每个技能都包含"下一步去哪个技能"的衔接说明，因此既可以单独调用某一个技能，也可以让一个研究项目沿着链路推进：先判断数据能不能做，再补齐标注和伦理，之后设计建模和统计，最后进入写作、投稿、回复与转化。

---

技能索引

22 位虚拟专科顾问——把这 22 个技能想象成一支科研智囊团：每一位都只管自己最擅长的一段，交接清楚，不越界，也不漏项。技能标识（英文，用于实际调用）配一个好记的中文角色名。

① 立题与设计

② 数据、标注与伦理

③ 建模与分析

④ 写作、图表与报告规范

⑤ 投稿、回复、转化与基金

状态说明：草案 = 规则已定义但未充分测试；测试版 = 已在示例上验证，仍可能有边界情况；稳定版 = 已在真实影像科研内容中反复校准。

---

"我现在卡在……"快速选择

---

四个专业支柱

radiology-reporting 规范审计员：报告规范与投稿合规骨架

把每一类影像研究路由到正确清单，并逐项审计是否满足投稿要求：CLAIM 2024、TRIPOD+AI 2024、PROBAST(-AI)、CLEAR 2023、METRICS 2024、RQS / RQS 2.0、IBSI、STARD 2015、PRISMA-DTA、QUADAS-2、CONSORT-AI / SPIRIT-AI 等；投 Nature 系列时再叠加 Reporting Summary，并用 FUTURE-AI（公平性、普适性、可追溯性、可用性、鲁棒性、可解释性）框架检查部署类声称是否有证据支撑。它回答的问题是：审稿人会按什么标准检查你，你现在还缺什么。

radiology-stats 统计军师：经得起审稿的影像统计

覆盖诊断准确性、AUC 比较（DeLong / bootstrap）、一致性分析（ICC/kappa）、Bland-Altman 一致性界限、多阅片者研究、校准、Brier 评分、决策曲线、多重比较校正、放射组学/多组学高维统计、生存分析和样本量估算。目标不是"算出一个 P 值"，而是让统计方法、报告句式和图表都经得起追问。

radiology-radiogenomics 影像基因组顾问：影像 × 多组学高难度研究链

围绕 TCIA-TCGA、GEO、dbGaP、EGA、cBioPortal 等数据源，处理匹配影像-组学队列、样本与影像对应关系、IBSI 放射组学、批次效应校正、多组学融合方法、单细胞去卷积和空间转录组。重点防止小样本匹配、批次/扫描仪混杂、空间错位、重复取样和生物学结论夸大。

radiology-design 课题诊断师 + radiology-frontier 选题雷达：从数据到高水平课题的战略前端

先判断数据能支撑什么，再把前沿趋势转成可执行、可验证、可投稿的研究问题。输出包括可行性结论、最小可行版本与升级版设计对比、验证阶梯、临床使用场景、限制条件和需要实时核验的文献证据。

---

共同原则

这七条不是免责声明式的场面话，而是这套技能真正的竞争力所在——大多数通用 AI 工具恰恰在这些地方最容易翻车：

1. 一手来源优先：以 Radiology 作者须知、Nature Portfolio 编辑政策、国际报告规范（EQUATOR）和同行评议方法学文献为依据。
2. 完整链路而非单点润色：从立题到回复信再到基金申报，每个阶段既能独立使用，也能向下游衔接。
3. 报告规范前置：设计、统计、图表和写作都提前对齐审稿人会使用的核查清单。
4. 诚信优先：不编造数据、P 值、置信区间、文献编号、伦理号、样本量、图表、申请资格或做过的实验——查不到就明确标注"待确认"。
5. 实时核验近期事实：前沿文献、期刊收稿范围、投稿要求、基金指南和国际基金申请资格会变化，具体条目应实时检索确认。
6. 中英双语友好：允许中文/中英混排输入，输出可以是中文策略说明、英文投稿文本，或中英对照材料。
7. 面向真实科研决策：每次输出都尽量指出限制条件、下一步动作和最可能影响文章层级或申请结果的短板。

---

安装

这个仓库现在只有一个可安装入口：radiology-skills/。

22 个细分模块已经合并到 radiology-skills/modules/，由总入口按任务自动读取，不需要单独安装。请复制整个 radiology-skills/ 文件夹，而不是只复制 SKILL.md，因为总入口依赖 references/、modules/、scripts/ 和 agents/。

更详细的安装说明见 install.md。

Windows PowerShell：

git clone https://github.com/huang-sir1/radiology-skills.git
cd radiology-skills
New-Item -ItemType Directory -Force "$env:USERPROFILE\.codex\skills" | Out-Null
Copy-Item -Recurse -Force .\radiology-skills "$env:USERPROFILE\.codex\skills\"

macOS 或 Linux：

git clone https://github.com/huang-sir1/radiology-skills.git
cd radiology-skills
mkdir -p ~/.codex/skills
cp -R radiology-skills ~/.codex/skills/

安装后可以直接用自然语言触发，例如：

Use $radiology-skills to design, audit, or write a radiomics or medical imaging deep learning study.

也可以直接用中文提问，例如：

我有 300 例多中心肝癌 MRI，想找近三年前沿方向并设计课题。
帮我审查这个放射组学流程是否符合 IBSI / CLEAR，有没有数据泄漏。
按 CLAIM 2024 审计这篇影像深度学习论文，列出投稿前必须补齐的问题。
投稿前帮我模拟审稿，并给出致命问题/大修/小修分级的修改清单。
把这个研究改写成国自然标书：科学问题、技术路线、创新点、可行性。
我们也想申请 NIH R01，能不能用同一份研究改写？先看看我有没有资格申请。

如有需要，重启 Codex 或重新加载 skills。

新增技能的约定

radiology-skills/modules/radiology-/
├── SKILL.md      # 必需：元信息(名称、描述) + 工作流 + 规则 + 下游衔接说明
├── README.md     # 必需：面向人的中文/双语说明
└── references/   # 推荐：模块化规则文件

新增后请同步更新本 README 的 技能索引 和 快速选择，并给新技能起一个符合"虚拟专科顾问"风格的中文角色名。

---

更新记录

• 2026-07（三） — README 全面中文化改写：补齐"核心卖点"独立板块；为全部 22 个技能设计中文角色名（如"课题诊断师"“模拟审稿官”“标书操盘手”），统一到"虚拟专科顾问团队"的表达框架；技能索引、快速选择、状态标签（测试版/稳定版/草案）等结构性文字全部改为中文，仅保留期刊名、基金机构名、国际标准化报告规范/统计方法的专有名称（如 CLAIM、TRIPOD+AI、ROC、AUC 等——这是国内影像科研领域的通行写法，保留是为了专业性而非疏漏）以及技能标识本身（因涉及实际调用，不能更名）。技术内容与结论未作任何改动。
• 2026-07（二） — radiology-grant 新增国际基金体系（references/international-grants.md）：NIH R01、ERC（Starting/Consolidator/Advanced，含 2026 新两段式结构）、Wellcome Trust 的结构与评审标准，以及面向中国申请人的真实资格核查（NIH 2025–2026 外籍分包新规、ERC 主持机构须在欧盟/联系国、Wellcome 部分项目的地区限制），并给出更易触达的跨境路径（NSFC 国际合作项目、RGC、MSCA、基金会）。国自然/省自然保持为主线与最成熟的部分。
• 2026-07（一） — 全套技能审查后的扩展：为写作、图表、报告规范、润色、数据、投稿策略六个技能新增 Nature 系列期刊分支（摘要结构、图表尺寸/图版字母大小写、Reporting Summary、Extended Data/Source Data、数字与参考文献格式的差异，均已标注需按具体期刊实时核实）；为深度学习技能新增可解释性/不确定性量化/鲁棒性（含 FUTURE-AI 框架引用）；为放射组学技能补充 delta 放射组学与体模/重复扫描稳定性；为选题技能补充液体活检/病理基础模型融合等前沿方向；修复图表技能内部图版字母大小写不一致的问题；补充多处技能间的衔接说明。原有的方法学规则与既有 Radiology 家族内容未改动。这些更新已合并进当前 radiology-skills/modules/。

---

免责声明

这些技能用于科研选题、研究设计、方法学、统计、图表、论文写作、投稿策略、审稿回复和基金文本辅助。它们不提供医疗建议、临床诊断或个体患者影像判读，也不能替代生物统计、临床、伦理、监管或法律审查，不构成基金资助资格的正式认定。作者仍需对所有数据、分析、结论、伦理审批、投稿材料和基金申报内容的准确性与完整性负责。投稿或申报前，请确认当前版本的报告规范、目标期刊投稿要求、Nature Portfolio 编辑政策，以及国自然/省自然或 NIH、ERC、Wellcome 等官方基金申报指南与申请资格——这些规则变化频繁，本工具提供的是结构化的起点，不是最终依据。