研析云 YANXIYUN

正在加载最新版界面

正在准备社区、研析 Studio 与模板广场…

⌕
平台更新 成果图表资产工作台已升级

结果可直接加入正文或补充材料，并保留数据版本与分析参数。

Research workspace

把数据、分析和成果图表，组织成一个可复现的科研项目

从研究设计、数据治理到统计建模和报告输出，每一步都保留数据版本、参数与结果来源。

01 / 04
Today in research

今日研析

不堆入口，只展示值得阅读和复用的科研内容。

文献热点

预测模型报告，为什么不能只看 AUC？

从校准、临床净获益和外部验证理解模型的真实价值。

社区精选

从 Table 1 到多因素模型的完整复现思路

查看变量定义、检验选择、回归诊断与图表整理路径。

热门资源

一组适合黑白打印的模型比较配色

同一套颜色与线型可用于 ROC、校准曲线和 DCA。

Why Yanxiyun

不仅算出结果，也保留研究依据

全程可追溯

数据版本、参数和结果来源统一归档。

方法学防错

按变量类型推荐方法并提示适用条件。

研究级输出

图表、标题、图注与补充材料协同管理。

边做边学

概念、参数与结果解读紧邻实际功能。

研析云 Research Analytics Cloud
当前项目 未打开项目 请先新建或打开项目
Research Cloud Workspace

从项目开始，完成数据、分析、图表和报告

面向医学科研和通用科研的无代码分析工作台。先选择项目，再上传数据，后续统计、机器学习、图表和报告都会自动归档。

当前项目 未打开

先新建或打开项目后再开始分析。

数据版本 0

原始数据、处理后数据和外部测试集。

分析记录 0

统计分析和机器学习运行历史。

社区模板 12

统计、机器学习、影像组学和成果图表模板。

项目管理

创建项目后再上传数据，可确保每次分析都有明确归属。

暂无已打开项目。

社区精选模板

从已发布模板进入统计、机器学习、影像组学和成果图表流程。

Data

数据中心

上传主数据或外部测试集，并预览数据概况。

上传前数据敏感性测试

选择文件后会先扫描字段名和抽样内容，提示姓名、身份证、手机号、住院号、地址、邮箱、DICOM 信息等敏感风险。

上传数据前请确认已获得合法授权，并阅读
尚未上传主数据。
Preparation

数据处理

按步骤完成编码识别、缺失值处理、派生变量、中文分类编码、重复值、异常值和变量转换。

QC

数据质控

生成样本量、缺失率、重复行、异常风险、类别不平衡和变量字典质控报告。

上传主数据后可生成质控报告。
Statistics

统计分析

选择分析任务，再设置变量、统计方法和图表输出。

Modeling

机器学习建模

配置结局变量、验证方式、特征筛选、模型参数和输出图表。

Imaging

影像分析

先选择分析方向，再进入相互独立的影像组学或深度学习工作区。

SELECT WORKSPACE选择影像分析工作区两个模块拥有独立流程、参数和任务状态，不再同时堆叠在一个页面中。
Community

社区模板

这里用于沉淀公开教程、分析模板、案例项目和成果图表方案。当前先作为本地入口，后续可接入真实社区系统。

从模板开始，而不是从空白开始

为医学科研、通用科研、机器学习、影像组学和成果图表提供可复用分析流程。用户可以收藏模板、复制到项目、上传自己的数据重新运行。

Templates

模板广场

把常见科研任务沉淀成可复制的分析模板。后续可支持用户发布、收藏、评分和一键套用到项目。

Learn

学习中心

把统计建模知识拆成可点击阅读的功能模块。用户可以先理解概念、参数和结果含义，再进入对应功能实践。

Workflow

平台总流程：从项目到成果图表

研析云采用项目制工作流。用户先建立项目，再上传数据，完成变量定义、数据处理、统计分析、机器学习建模和成果图表管理。每一步都会尽量保留数据版本、参数、图表和报告记录。

1. 项目

新建、打开、重命名或删除项目，确保数据和分析结果有明确归属。

2. 数据

上传主数据和外部测试集，先做敏感性检测，再进入预览和处理。

3. 分析

根据研究设计选择基线表、组间比较、回归、ROC、机器学习或影像组学。

4. 成果

把图表加入正文或 supplementary，编辑标题、图例、表注并导出报告。

Preparation

数据上传、数据处理与变量字典

数据模块解决三个问题：数据是否合法、安全、可分析；变量类型是否被正确定义；分类变量在图表和成果展示中如何显示。

上传前敏感性检测

识别姓名、手机号、身份证、住址、病历号等字段，提醒用户确认授权和脱敏。

缺失处理

支持缺失编码识别、删除、均值/中位数/众数、KNN、MICE 和固定值插补。

变量类型定义

连续变量、普通分类变量、等级分类变量会影响检验方法、图形推荐和建模处理。

类别显示命名

例如 group 中 0/1 显示为 Early/Late；sex 中 0/1 显示为 Female/Male，不改变原始数据。

中文分类编码

把男/女等中文类别另存为数值编码变量，适合机器学习和回归建模。

派生与转换

支持 BMI2=BMI*BMI、Ratio=AGE/BMI、标准化、归一化、log、sqrt 等。

为什么变量字典要先做
变量类型会决定方法

同一个变量如果被定义为连续变量，会进入 t 检验、线性相关或回归；如果定义为分类变量，则通常进入卡方检验、分层表或哑变量编码。

显示命名不改原始值

类别 0/1 可以显示为 Early/Late 或 Female/Male，图表和研究成果更易读，同时保留原始数据用于复现。

Statistics

统计分析：基线表、组间比较、回归与 ROC

统计模块按任务组织。用户不需要先记住所有检验方法，而是先明确“要输出什么”：Table 1、组间比较图表、风险因素回归、诊断效能 ROC 或非线性关系。

基线表 Table 1选择基线变量和分组变量，输出总体、各组、P 值和标准三线表。
组间比较每行设置比较变量、分组变量和检验方法，输出表格或带 P 值图。
单因素/多因素分析设置结局、候选变量和协变量，输出 OR/β/HR、95%CI、P 值和森林图。
诊断效能分析（ROC/AUC）评估单指标或组合模型的 AUC、阈值、敏感度、特异度和模型间差异。
变量关系与 RCS用于判断线性相关、相关矩阵和连续变量与结局之间的非线性关系。
单因素分析和多因素分析怎么理解
单因素分析

一次只考察一个候选变量与结局之间的关系，常用于初筛或描述关联强弱。它不能证明该变量是独立危险因素，因为结果可能受到年龄、性别、疾病严重程度等混杂因素影响。

多因素分析

把多个变量同时放入同一个模型，估计某个变量在调整其他变量后的独立关联。它更接近“控制混杂后”的结果，但仍然依赖研究设计和变量选择是否合理。

协变量

协变量通常是可能同时影响暴露和结局的因素。选择协变量不是越多越好，需要结合临床知识、样本量、共线性和事件数。

森林图

森林图把 OR、HR 或 β 及其 95%CI 可视化。点在右侧或左侧代表效应方向，置信区间是否跨 1 或 0 反映统计不确定性。

结果指标怎么读
OR 值Odds Ratio，Logistic 回归常用。OR>1 表示暴露组结局发生优势比更高；OR<1 表示更低；OR=1 表示没有明显优势比差异。
HR 值Hazard Ratio，Cox 生存分析常用。HR>1 表示事件发生风险随时间更高；HR<1 表示更低。
β 值线性回归系数。自变量每增加 1 个单位，结局平均变化 β 个单位，正负号表示方向。
95%CI效应量的不确定范围。OR/HR 的 95%CI 若跨 1，通常提示统计证据不足；β 的 95%CI 若跨 0 同理。
P 值在零假设成立时，观察到当前或更极端结果的概率。P<0.05 不等于“有临床意义”，P≥0.05 也不等于“完全没关系”。
Method Guide

统计检验方法速查

自动推荐会根据变量类型、组数、样本量和分布给出建议，但研究者仍需要结合研究设计确认是否存在配对、重复测量、分层抽样或特殊模型需求。

连续变量两组Student t、Welch t、Mann-Whitney U
连续变量多组ANOVA、Welch ANOVA、Kruskal-Wallis
分类变量比较卡方检验、Fisher 精确检验
连续-连续相关Pearson、Spearman
二分类结局Logistic 回归、ROC、DeLong
时间结局Kaplan-Meier、log-rank、Cox 回归
非线性关系RCS，输出 P overall 和 P nonlinear
多重比较Bonferroni、Holm、FDR BH
检验方法背后的思路
t 检验 / ANOVA

比较均值差异，适合近似正态且离群值不严重的连续变量。Welch 版本更适合方差不齐的情况。

Mann-Whitney / Kruskal-Wallis

非参数秩和方法，不要求严格正态，适合偏态分布、等级资料或样本量较小的连续变量比较。

卡方 / Fisher

用于比较分类变量构成比。理论频数过低或样本量较小时，Fisher 精确检验通常更稳妥。

Pearson / Spearman

Pearson 关注线性相关；Spearman 关注单调相关，更适合偏态数据、等级变量或非线性单调关系。

选择检验方法前先问 4 个问题变量是连续还是分类？组数是 2 组还是多组？样本是独立还是配对？分布是否近似正态或存在明显偏态？
提示：平台可以美化图表样式，但不应提供“把 P 值调显著”的功能或暗示。
Modeling

机器学习建模与 SHAP 解释

机器学习模块分两层：第一层定义结局、数据划分、随机种子和特征；第二层逐行添加模型，设置算法、参数、颜色和线型。

验证方式

支持随机划分、五折交叉验证和外部测试集。五折时应输出总 OOF 和每折结果。

模型参数

Logistic 的 C/penalty/solver，随机森林的树数量和深度，SVM 的 C/kernel/gamma 等。

模型评估

ROC、校准曲线、决策曲线、混淆矩阵、模型效果表和 DeLong-test。

LASSO

用于高维特征筛选，输出系数路径、CV 曲线和入选特征表。

SHAP 图谱

summary、beeswarm、bar、dependence、force、waterfall，支持标题、颜色、字体和点样式调整。

模型下载

支持下载训练参数、最终模型对象和预测结果，保证可复现。

常见机器学习模型的思路
Logistic Regression

用特征的线性组合预测事件发生概率，可解释性强，适合作为医学预测模型的基线方案。

Random Forest

由多棵决策树投票或平均，能处理非线性和变量交互，对异常值和噪声相对稳健。

SVM

寻找最大化类别间隔的分类边界，RBF 核可处理非线性，但概率输出和解释性相对弱。

LightGBM / Gradient Boosting

逐轮训练弱学习器来修正前一轮错误，预测能力强，但需要控制学习率、树复杂度和过拟合。

Neural Network

通过多层非线性变换学习复杂关系，通常需要更多样本、正则化和验证集监控。

LASSO

通过 L1 正则把部分系数压缩为 0，常用于高维特征筛选和减少过拟合。

常见模型参数含义
CLogistic/SVM 常用。C 越大，正则越弱，更贴合训练集；C 越小，正则越强，模型更保守。
penalty正则方式。L1 可产生稀疏系数并辅助筛选变量；L2 更平滑稳定，适合常规建模。
solverLogistic 的优化算法。不同 solver 支持的 penalty 不同，例如 liblinear 常用于小样本和 L1/L2。
n_estimators随机森林或 boosting 的树数量。更多树通常更稳定，但训练更慢，过多时收益有限。
max_depth树最大深度。越深越能拟合复杂关系，但过拟合风险更高。
learning_rateBoosting 每一轮修正幅度。越小越稳，但通常需要更多迭代轮数。
num_leavesLightGBM 叶子数。越大模型越复杂，需要配合样本量、max_depth 和正则控制。
kernel / gammaSVM 核函数和 RBF 影响范围。gamma 越大分类边界越复杂，过拟合风险增加。
random_seed随机种子。固定后便于复现数据划分、交叉验证和模型结果。
模型结果怎么读
AUC区分阳性和阴性的能力，0.5 接近随机，越接近 1 区分能力越强。
Sensitivity敏感度/召回率，真实阳性中被模型识别出来的比例。
Specificity特异度，真实阴性中被模型识别为阴性的比例。
Calibration校准度，表示预测概率和真实发生率是否一致，医学预测模型尤其重要。
DCA决策曲线，评估模型在不同阈值概率下是否带来临床净获益。
SHAP解释每个特征对模型预测的贡献，可用于全局重要性、单个样本解释和依赖关系展示。
Figures & Report

成果图表、样式编辑与报告导出

平台的差异化重点之一是成果图表。每张图应支持标题、标签、字体、字号、颜色、透明度、legend、坐标轴范围、P 值标注、cutoff 点等元素编辑。

图表编辑统一设置标题、X/Y 轴、字体、颜色、透明度、legend 和坐标轴范围。
成果图表管理选择放入正文或 supplementary，调整顺序，编写标题、图例和表注。
导出格式图形支持 PNG/SVG/PDF/TIFF；表格支持 Excel/Word/PDF。
报告导出在项目管理中一键导出 Word 或 PDF 报告，包含结果和方法记录。
Compliance

科研诚信、隐私和平台边界

平台应定位为科研数据分析工具，而不是科研代写、代投或代做服务。用户自行上传合法数据、自行确认研究设计、自行解释结果并自行完成投稿。

允许

统计分析、图表生成、参数说明、Methods 草稿、报告整理和方法学习。

禁止

代写投稿材料、代投期刊、买卖数据、伪造数据、按目标 P 值修改结果。

隐私

上传前提示脱敏和授权，敏感字段检测并保留必要审计记录。

声明

报告需说明平台结果仅用于科研辅助，不替代统计师、伦理审查或临床诊断。

PLANS & PAY PER USE

会员与按次购买，自由选择

基础能力免费使用；专业分析可开通会员，也可按当前任务组合购买，并支持账户余额支付。

数据归属于用户项目隔离 · 任务可追溯 · 支持删除与导出
FREE免费体验

适合首次了解平台和验证基本科研流程。

¥0邀请测试期
  • 建立个人科研项目
  • 表格上传与敏感性预检
  • 基础统计分析体验
  • 有限任务与带水印图像导出
推荐
PRO科研专业版

适合研究生、医生和科研人员完成完整课题分析。

¥99/ 30 天
  • 完整统计分析与机器学习
  • ROC、校准、DCA 与 SHAP
  • 无水印研究级图表和三线表导出
  • 项目记录、数据版本与复现日志
  • Word/PDF 研究报告
TEAM团队与机构版

适合实验室、医院科室及企业研发团队。

¥499/ 30 天 · 20 席位
  • 团队成员与项目权限
  • 更高任务并发和存储额度
  • 机构级审计与使用统计
  • 专属支持与部署方案
额度透明任务提交前展示预计消耗，历史用量可查询。
随时导出项目数据、结果图表和报告支持按规则导出。
规则清晰
Results

结果中心

查看本次任务输出，下载文件，或把重要结果加入成果资产。

尚未运行任务。
图像导出权益免费版导出带“研析云 · FREE”水印
Publication assets

论文图表编排

统一管理论文图表的顺序、编号、标题、图注与来源；图内元素返回原始结果编辑。

Report export

报告导出

按成果图表顺序生成可继续编辑的 Word 或便于分享的 PDF，并保留方法、参数和复现记录。

待导出资产

成果内容概览

正文与 Supplementary 分别编号，图表将按当前排序写入报告。

正文图 0正文表 0补充图 0补充表 0
生成并下载报告Word 适合继续编辑；PDF 适合定稿预览与分享。
尚未开始导出。