如何审读一篇光声论文：从主张到原始数据的检查表

本文主题的概念示意。用于辅助理解，不代表实测声场、重建结果或临床图像。

SECTION 01第一步：把主张改写成可检查的问题

先用自己的话写一句：论文声称，在什么对象和条件下，哪项能力比什么方案更好？若一句话里同时出现更深、更快、更准和可临床，先拆成多个问题，分别找到对应证据。摘要中的潜力描述不应直接进入已证实结果栏。

可以把笔记分成“直接观察”“模型估计”“作者解释”“未来用途”四格。例如，图中出现一条血管属于观察；给该区域赋予氧合数值涉及模型；把数值变化解释为机制又需要证据。分开记录后，哪些环节需要额外参照会更加清楚。

IPASC 的 2022 年共识数据格式保存原始时间序列及相关元数据，采用 HDF5，并提供 PACFISH 工具支持数据读写与转换。其设计提醒读者：重建图像之外，还需要采集和设备信息才能解释结果。（来源 1）

实际阅读时，可画出采集、校正、重建、后处理、统计五个方框。把每幅关键图放到对应方框后，标出哪些步骤有代码、参数和版本，哪些只能靠文字猜测。若论文只分享最终图片，应明确这种共享无法支持对上游处理的完整复核。

设想一项假设重建研究：新方法使用更多探测通道，而基线只使用部分通道，随后以图像更清晰证明算法更好。这个比较混入了数据量差异。公平比较首先需要尽量保持输入、评价区域和计算任务一致，再解释确实无法相同的部分。

还应检查仿真生成模型是否与待测方法共享过多假设。Treeby 与 Cox 的 k-Wave 原始论文介绍了声场模拟与重建工具；使用研究软件并不会让某份仿真自动等同于真实设备或人体。（来源 2）读者仍需核对声学模型、传感器表示和噪声假设是否覆盖论文要讨论的问题。

一名受试者可能贡献很多帧图像，同一标本也可能产生许多切片。读者应追查作者如何处理这些相关数据，而不是把帧数直接当成人数。对学习算法，要确认训练和评价的划分发生在哪一层，避免同一对象的近似图像分到两边。

再看失败情况：不能重建、低信号、无法配准或参照缺失的样本有没有进入流程图？只展示成功案例可以说明可行性，却难以说明在完整任务中的稳定性。一个值得记录的限制应指出失败发生在哪一步，以及它可能把结论推向什么方向。

最后的文献卡建议保留七行：核心问题；主要结果；数据来源；比较方法；关键假设；失败与限制；可取得的代码及原始数据。引用页码、图号或补充材料位置，能让组会中的不同意见直接回到证据，而不是停留在印象。

若有兴趣复现，先明确可以独立复核哪一部分。重新绘制公开数据中的一项指标、运行作者公开的重建示例和复现整个实验，是三个不同目标。对缺少资料的部分如实写“暂不能独立复核”，既不贬低论文，也不冒充已经完成的验证。

以下资料用于支持或进一步核对本文涉及的概念。本文的教学算例与组织方式由本站编写；具体研究结论应以原文的实验条件和限制为准。

编辑说明：初始文章由生成式 AI 根据所列公开资料辅助撰写，尚未经过领域专家审稿。示意与假设算例不构成研究数据，涉及健康的内容不替代专业医疗判断。阅读完整说明 ↗