AI 建模类论文的审稿关注点，往往集中在两件事：你是否报告得足够透明，以及别人能否复核你的结论。这份清单把常见写作与补充材料要点按模块拆开，便于你在项目一开始就把“交付标准”定下来。
如果你希望把这些材料按“可发表级”一次交付，我们的交付方式会把图表导出、原始数据与流程记录一起打包（见 XeleFlow 交付标准）。
1) 研究问题与结局定义
- 研究目标（预测/分层/诊断/预后等）与使用场景
- 结局定义与判定标准（含时间窗/随访规则）
- 纳排标准与样本获取流程
2) 数据与预处理
- 数据来源（病历/检验/影像/病理/组学/随访等）与时间跨度
- 缺失处理策略（缺失机制假设、插补/删失策略）
- 异常值/分布漂移检查与处理
- 防止信息泄露的规则（时间顺序、变量可获得性）
3) 建模策略
- 候选模型/算法与选择理由（兼顾可解释性）
- 特征工程与特征筛选策略（是否做稳定性筛选）
- 超参数搜索与验证策略（避免“调参泄露”）
4) 评估口径（区分度 + 校准 + 不确定性）
建议至少覆盖：
- 区分度：AUC / C-index / F1 等（按任务类型）
- 校准：校准曲线、Brier 等
- 不确定性：置信区间/波动范围（交叉验证/自助法）
- （可选）阈值策略与临床可用性口径（例如净获益等）
5) 解释性与稳健性
- 解释性：SHAP、PDP/ICE、关键变量方向与一致性
- 稳健性：亚组分析、敏感性分析（时间窗/阈值/人群变体）
- 偏倚与适用性讨论：哪些结论适用、哪些不适用
6) 补充材料与可复现交付（强烈建议提前规划）
为了避免“想补图但补不出来”，建议交付时具备：
- 图表：PNG + SVG/PDF（可编辑）
- 图表原始数据：用于二次绘图
- 关键参数与中间结果：保证可追溯、可复跑
- 方法描述与结果口径：能直接用于写作
下一步：把你的数据概况发来
你只需要提供脱敏概况（目标/结局/样本/变量清单），我们就可以给出免费可行性评估与建模路线建议（见 联系）。