通过验证建立可信度的计算模型。

这些内容被明确表述为未来希望深入学习的方向，而不是对实验室项目参与经历的暗示。它们与谢菲尔德复杂系统建模团队公开介绍的个体建模、多尺度生物医学建模、电阻抗谱和机器学习决策支持方向相契合。

个体建模

研究局部细胞规则如何产生组织层面的涌现行为，并让模型结构中的假设可被检验。

连接测量、机理仿真和统计学习，同时避免把拟合效果误认为生物学解释。

关注信号质量、探头与设备差异、队列构成和校准如何影响决策支持模型的有效性。

研究问题

重点是建立完整证据链，而不是只优化一个醒目的指标。

定义真正的科学或决策问题是什么？

测量观测数据由什么过程产生？

建模哪些假设是机理性的、统计性的或便利性的？

验证结果能否跨个体、设备或场景成立？

限定哪些决策仍缺乏证据？

当多组参数产生类似输出时，需要什么实验或先验，才能对参数作出合理的生物学解释？

哪些参数主导结果、哪些不确定性可以降低，以及不确定性应如何传递到最终建议？

模型能否经受个体级测试、时间变化、硬件差异和新群体，而不仅是随机内部划分？

一个回顾性分类器在支持真实决策之前，还需要哪些前瞻性或工作流层面的证据？

文献理解

贡献：面向 EIS 检测的现代学习方法。需要追问：患者级划分、队列选择、校准、类别平衡、设备/中心变化和前瞻性验证。

贡献：可扩展的智能体仿真。需要追问：速度与规模是否保留生物真实性，以及参数和涌现行为如何用独立观测验证。

贡献：跨细胞过程的机理假设。需要追问：校准、全局敏感性、结构替代方案，以及区分科学解释和曲线拟合所需的证据。

贡献：连接组织结构和模拟测量。需要追问：形态分布、参数不确定性、测量真实性，以及与留出物理数据的验证。