今天分享的这篇文章是由上交大学医学院附属仁济医院团队发表在International Journal of Surgery杂志上的研究论文，旨在通过无标记的拉曼光谱来区分乳腺癌新辅助治疗后的癌组织和邻近组织。从临床实际出发，发现乳腺癌患者在新辅助治疗后，肿瘤边缘难以判断，于是作者创新性地运用拉曼光谱技术，结合机器学习算法构建模型，对接受新辅助治疗后的乳腺癌患者肿瘤与癌旁组织进行全面且深入的无标记鉴别分析。

从分子层面的生化成分指纹特征挖掘，到构建精准分类预测模型，严谨有序、步步深入，既有严谨科学的研究方法，又有创新探索的研究视角，0实验发到12.5分可谓实至名归！如果你也想将机器学习融入到课题里，但生信方面有任何困难或者没时间分析的可以直接让陆师兄代劳，无论是生信分析、方案设计，还是专业的服务器，都包您满意~

题目：Label-free discrimination analysis of breast cancer tumor and adjacent tissues of patients after neoadjuvant treatment using Raman spectroscopy: a diagnostic study

研究背景

保乳手术（BCS）在乳腺癌治疗中起着至关重要的作用，新辅助治疗后，肿瘤消退可使乳腺癌与邻近组织的鉴别复杂化。拉曼光谱作为一种快速、无创的光学技术，具有提供组织样品中内部的详细生化信息和特征的优点。尽管其潜力，目前还没有研究使用无标记的拉曼光谱来区分新辅助治疗后的乳腺癌肿瘤和邻近组织。

研究方法

1. 光谱分析揭示生化特征差异

通过对新辅助治疗后的乳腺癌肿瘤及其癌旁组织进行拉曼光谱分析，发现了14个具有显著差异的特征峰。经Bonferroni校正后，其中10个峰依然保持显著差异。相较于癌旁组织，肿瘤组织在核苷酸及其代谢产物、胶原、氨基酸相关的峰强度上表现出明显升高，同时酰胺III带相关峰强度也有所增强；相反，脂质相关的峰强度则显著降低。这些结果表明，乳腺癌肿瘤组织与癌旁组织在生化成分上存在着明显的差异。

图1 样本平均归一化拉曼光谱、峰强度差异热图及特征峰对比

2. MCR-ALS解析组织成分变化

采用MCR-ALS对光谱数据进行分解，成功提取出具有脂质、胶原以及核酸特征的成分。研究发现，相较于癌旁组织，肿瘤组织中的脂质样成分占比呈现下降趋势，而胶原样和核酸样成分的占比则有所上升。这一结果与拉曼峰的变化趋势相符，进一步证实了上述结果

图2 MCR - ALS分解的成分及肿瘤与癌旁组织各成分分数比较

3. 模型实现高效组织分类

通过拉曼光谱构建的SVM模型，在区分肿瘤和癌旁组织方面展现出卓越性能。在训练集交叉验证时，平均AUC值为0.83 。而在独立测试集中，AUC更是高达0.98，同时准确率、敏感度、特异度等指标也处于良好水平。针对不同分子病理亚组展开分析，AUC稳定在99%上下，这说明该模型具备极高的稳定性与有效性。

图3 模型诊断效能相关分析

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】