阅读医学 AI 论文时，应该记录哪些证据
一套面向医学 AI 论文的证据记录框架，帮助读者从摘要之外看清数据、方法、评价与适用边界。
读完一篇论文后，只记住模型名称和最高指标，很难支持后续比较与复现。更有效的做法是按照固定框架记录证据，把作者的结论、实验事实和自己的判断分开保存。
先记录研究问题与数据来源
阅读开始时，应写清论文要解决的临床或研究问题，以及模型在流程中承担的角色：是筛查、诊断辅助、预后预测，还是研究性的数据分析。相同的模型指标放在不同任务中，意义可能完全不同。
数据部分至少记录机构数量、纳入时间、样本量、患者数量、纳入与排除标准、标签来源和数据划分方式。还要区分“样本数”和“患者数”，确认同一患者是否包含多条记录。若论文没有报告某项信息，应直接标记为“未说明”，不要自行补全。
把方法描述转成可核查的实验条件
模型名称只是方法的一部分。还应记录输入形式、预处理、基线模型、训练策略、超参数来源，以及是否使用预训练或外部数据。对于复现而言，随机种子、代码可用性、软件版本和硬件条件也值得单独标注。
同时检查对比是否公平：不同方法是否使用相同的数据划分和预处理，超参数是否在独立验证集上选择，测试集是否参与了模型调整。将这些条件列出来，往往比照抄网络结构更能解释性能差异。
区分结果、结论与适用边界
结果记录不应只保留最优值。建议同时摘录主要指标、置信区间、阈值、亚组结果、消融实验和外部验证情况，并注明这些结果来自哪个数据集。图表中的关键数字最好与正文相互核对。
最后分三栏写下：论文直接提供的证据、作者据此提出的结论、自己仍然保留的问题。例如，内部测试表现良好属于实验事实；能够跨医院使用可能只是尚待验证的推断。这样的区分可以减少被摘要语言带着走，也方便日后比较不同论文的证据强弱。