从研 0 开始，搭建一条可执行的医学 AI 学习
面向刚进入研究生阶段的学习者，把医学 AI 拆成基础、任务与实践三条线，建立可以持续推进的学习路线。
医学 AI 横跨计算机、统计学和医学知识，很容易陷入“每一块都要先学完”的焦虑。对研 0 阶段而言，更现实的目标是围绕一个具体问题搭建最小知识闭环，并在阅读、复现和记录中持续修正方向。
先确定问题，再补基础
学习路线不必从一张覆盖所有课程的清单开始。可以先选择一个范围较小的医学 AI 任务，例如影像分类、临床文本分类或结构化风险预测，再追问三个问题：输入数据是什么，模型输出什么，结果如何评价。任务边界明确后，所需知识也会更具体。
基础部分可以同步推进。编程侧重点放在 Python、数据处理和实验复现；机器学习侧先理解训练集、验证集、测试集、损失函数和过拟合；医学侧则学习目标任务的基本术语、诊疗流程与数据来源。遇到不懂的概念再补，而不是等全部学完才开始实践。
用论文和代码建立最小闭环
选择一篇数据来源清楚、任务定义明确并提供代码的论文，先完成一次最小复现。第一轮不必追求完全一致的指标，重点是跑通数据读取、训练、评估和结果记录，弄清每个环节如何连接。
复现过程中应保留实验配置、随机种子、数据划分方式、评价指标和报错记录。即使最终没有得到理想结果，这些记录也能暴露知识缺口：是数据理解不足、代码环境不一致，还是评价方法没有掌握。下一阶段的学习内容应由这些具体问题决定。
按周期回顾，而不是追赶清单
可以用两到四周作为一个学习周期。每个周期只设一个主要输出，例如读懂三篇同类论文、复现一个基线模型，或写出一份数据与指标说明。周期结束后检查自己是否能用简洁语言解释任务、数据、模型和评价，而不只是记住术语。
路线也应允许调整。医学 AI 的细分方向很多，早期接触不同任务是为了形成判断，不必急于确定长期课题。持续留下阅读笔记、实验日志和问题清单，比完成一张看似完整的课程表更有价值。