一、 临床预测模型基础知识

1.机器学习工具基础知识：python\numpy\pandas\matplotlib\seaborn等。

2.临床预测模型的工作场景、研究思路、研究内容等。

3.临床预测挖掘的论文写作套路与方法解读。

二、基于Cox回归构建生存概率预测模型

1.单因素Cox回归分析；

2.多因素Cox回归分析；

3.独立预后因素绘制Nomogram；

4.模型验证：C-index等。

三、基于Kaplan-Merier回归构建生存概率预测模型

1.数据预处理；

2.模型构建；

3.生存曲线绘制与评估；

4.logrank批量生存分析；

4.Fine&Gray检验与竞争风险模型。

四、Python语言基础（上机操作）

1.python编程环境安装与配置

2.python基本数据结构

3.python的编程

3.1 控制流、函数与文件操作

3.2 Numpy基础

4 数据分析工具pandas与批量处理Excel的xlwings模块。

4.1 使用python 批量进行数据分析：

批量排序、筛选、分类汇总、求和、最大最小值；

4.2 基本统计学分析

查看数据信息、数值型变量的统计描述、数值变量的假设检验、分类变量的列联表和独立性检验

4.3线性模型与广义线性模型

线性模型、Logistic回归、Posisson回归、生存分析与COX回归、生存率的Kaplan-Meier估计、COX回归

4.4 数据可视化工具matplotlib、seaborn

五、机器学习多变量特征筛选方法

1.人工筛选；

2.移除低方差特征；

3.单变量特征选择；

4.递归式特征消除；

5.特征重要性排序；

6.SelectFromModel；

7.LassoCV/岭回归。

8.其他特征筛选方法。

六、数据异常值识别与缺失值插补

1.只使用有效数据进行插补；

2.使用替换值进行插补；

3.回归插补法；

4.极大似然估计插补、多重插补、贝叶斯插补等。

七、机器学习模型的构建

1.集成学习模型；catboost,xgboost,随机森林等。

2.非集成学习模型：

逻辑回归、支持向量机；线性判别、决策树等算法。

八、临床预测模型的评价与验证

1.ROC/AUC;

2.Precision/F1分数；

3.Recall；

4.Accuracy；

5.交叉验证；

6.回归类问题验。

九、基于机器学习临床预测模型构建临床案例

1.融合乳腺癌生信数据、临床数据的生存预测（生存分析）

2.前列腺癌良恶性预测（分类问题）

3.糖尿病遗传风险预测（回归问题）

4.肺癌良恶性预测（分类问题）

6低出生体重婴儿的影响因素分析（分类问题）

7.  骨髓移植对比血液移植治疗白血病的疗效预测分析（分类问题）

8.透明细胞癌生存分析预测（COX回归）

十、其他辅助内容

1.学后交流、微信群、QQ群建立；

2.咨询、合作。

3.专业技术团队深入探讨。