用途：针对放射组学或临床/表格特征表，使用经典机器学习方法构建可经统计审查的临床预测模型，或审计已有流程是否存在过度乐观问题。适合数百上千特征对应数十患者、无 GPU、单人可完成的研究场景。深度学习影像模型、经典推断统计、网络可解释性及重新实现 scikit-learn/xgboost/pyradiomics 均不在范围内。
主要能力：集成而非重写 scikit-learn、xgboost、pyradiomics，输出可复现的流水线，并检查以下失败模式——未使用嵌套交叉验证（调参与报告在同一折上）；特征数远多于事件数；特征选择在折外进行造成泄漏；未做特征稳定性过滤（ICC/重测）；未报告校准（斜率/截距与柔性曲线）；缺少外部或时间验证；同一患者行分处训练与测试两侧。
使用方式：阶段一提取特征，放射组学用 pyradiomics 在 IBSI 对齐设置下提取并记录参数；表格数据组装含患者 ID 与结局的特征表。阶段二构建流程：先做特征稳定性过滤（ICC ≥ 0.75），再用嵌套交叉验证，折外估计性能、折内调参，特征选择与缩放均在各训练折内完成；以患者为交叉验证单位，使用 StratifiedGroupKFold(groups=patient_id)，写出折表并用 check_split_leakage.py --splits cv_folds.csv --seed <seed> --strict 验证。在无结局信息下做降维，再按剩余候选特征数用 /calc-sample-size Test 12（pmsampsize）估算样本量；模型可从惩罚回归、SVM、k-NN、朴素贝叶斯、判别分析、树与装袋、提升、浅层神经网络、堆叠/投票集成中选取，并必须包含简单基线（如惩罚逻辑回归）。报告区分度、校准与临床效用（决策曲线），可用 SHAP 解释。阶段三输出流水线清单 JSON，字段包括 task、n_features、n_samples、n_events、cv_scheme、feature_selection_stage、dimensionality_reduction、feature_stability、calibration_reported、external_validation、model。阶段四运行 python3 scripts/check_radiomics_ml.py --manifest pipeline_manifest.json --strict 进行确定性审查。
限制：该技能只设计与审计流程，绝不在真实患者数据上运行模型，也不重新实现学习器。清单中的每个数值与报告指标必须来自研究者实际执行的代码，不得编造。样本量由 Test 12 而非门禁决定；门禁不评估同一患者跨折问题，需在阶段二自行检查。未提供具体收费、价格或平台信息。