浅谈医工交叉方向SCI写作

笔者因为工作性质原因，这几年写了不少医学人工智能方向的SCI论文，顺带每年相关的论文的阅读量也有小几百篇，特别是在医学影像AI方向，也算是小有心得，今天就简单聊一下医工交叉(影像AI)方向的SCI论文写作与投稿问题。

首先声明一点，医工方向非常吃人脉和数据资源，如果没有医院数据和标注资源的话，想发高分期刊非常难。不是说不可能，也有天赋型选手单靠几个常用的公开数据集设计出新的网络结构发到MIA和TMI的，但这种绝对是少数。

就我个人经验来看，医工交叉(影像AI)方向的论文主要有几个路线：

第一个是纯模型与算法路线，依靠高段位选手设计新颖的网络结构，卷出新的分割SOTA，这一类路线的论文侧重点在于模型与算法，会像AI顶会那样做大量模型对比和消融实验，而数据层面并不依赖医院数据，但一般也会收集一家或者两家中心的数据作为补充。这类路线的论文一般都是奔着TMI和MIA去的，也有部分在自身数据来源扎实的情况下发了Radiology。但如果自身创新点不那么充足或者数据来源质和量都相对次一点的话，一般退而求其次，大量4-7分范围内的二区期刊就非常受欢迎，比如Computer Methods and Programs in Biomedicine、Biomedical Signal Processing and Control、Computerized Medical Imaging and Graphics、European Radiology等。

该路线论文大概长这样：

第二类路线则是依靠多中心、大队列的研究数据，并且模型与算法设计上也会用心琢磨，更重要的是会从临床出发，非常侧重于临床问题的解读与解释。这类文章一般没有大三甲医院的主任牵头的话，是调动不起来相关资源作为支撑的。该路线论文大多发表在Radiology、Nature Communications、npj digital medicine等期刊上，数据、算法、临床等各位维度都会照顾到，一般人可望而不可求。同路线一，该方向退而求其次也可以选择上述大量不错的二区期刊。

该路线论文大概长这样：

第三类路线则是侧重点完全在临床角度，一般基于开发好的AI影像分析软件，进行多中心的回顾式or前瞻式临床验证，或者是验证软件工具在具体的临床问题和参数计算上的可靠性。这类路线的论文一般方差比较大，做的好的大型RCT研究可以发在子刊，差的一般都是丢在四区水一下。

该路线论文大概长这样：

刚好今天科睿唯安公布了2023年各期刊的JCR影响因子，医工和医学影像类大多数期刊都跌了，5分以上已是top，10分以上更是极品。所以，各位科研同行，论文且投且珍惜。

图片转自：https://mp.weixin.qq.com/s/3CWIEz4c4lghzjWjN_fYEw

另外，医学人工智能科研交流群近期清出一批名额，感兴趣的读者可以加笔者微信申请入群。