从统计转向医学数据研究，或者从医学转向统计博士，到底算不算“专业不对口”？这个问题很难只凭本科或硕士专业名称回答。对一位导师来说，申请者会不会某种软件固然重要，但更关键的是：他做过的工作，能不能和正在研究的问题形成真实联系。
我最近看南京大学数学学院陈中媛副教授的研究，觉得特别适合拿来说明这种差别。学校资料显示，她在概率论与数理统计领域任教，研究涉及生物统计、统计遗传、因果推断和精准医疗。乍看之下，统计、计算机、生物信息乃至医学背景的同学，都可能觉得自己有关联。可是，博士匹配不能停在这个感觉上。
我先读她参与的一项关于“用特征得分指导治疗建议”的研究。它讨论的是：当病人与病人之间存在差异时，能不能利用观察到的特征帮助形成个体化治疗决策。这个问题的困难，并不是把所有病人的指标丢进模型，选出预测最准确的算法就结束。我们还得知道，模型要解释的是治疗结果、治疗效果差异，还是一个可用来决定方案的规则。三者听起来相近，统计意义却不一样。
她与合作者另一篇论文，题目直接把“估计异质性治疗效果”和“构建个体化治疗规则”放在一起，讨论二者的联系与区别。这给背景判断提供了很好的切口：如果一个申请者说自己做过机器学习预测，首先要看他预测的是什么。预测某项检验值或疾病结局，与判断不同治疗对某类患者的相对收益，并不能自然画上等号。
比如一位计算机背景的同学，硕士做的是疾病风险预测。模型性能不错，也会交叉验证，但没有系统学过因果推断。他的经历并非无关，尤其是数据清洗、模型选择和评估这些技能可能有用。但如果他在材料里只写“我精通深度学习，希望用AI改善医疗”，导师依然不知道他是否理解治疗决策最核心的统计挑战。一个模型能预测谁风险高，不代表它能告诉我们谁更适合某种治疗。
我会建议他先把原来的项目说完整：当时预测的结局是什么，输入变量在什么时间测量，是否存在数据泄漏，模型外部验证做了多少；然后再诚实承认，若要研究治疗效果差异，还需要学习潜在结果框架、混杂因素处理和治疗策略评价。这样写，过去的技能是有位置的，未来要补的研究训练也有位置，不必假装已经具备一切。
再换一种背景。如果申请者本来读临床医学，接触过患者队列，知道一些疾病指标与随访流程，却没有很强的数学推导经验。这样的经历能帮助他辨别研究问题有没有临床意义，理解变量何时测量才合理。但如果他仅凭“我懂临床需求”就觉得能参与复杂统计方法创新，同样会遇到困难。他需要解释自己能不能把临床问题转成清晰的统计目标，并愿不愿意投入时间学习模型假设与推断方法。
我比较过这两种假设背景后，会给出不同的准备方向。计算机背景的人重点补治疗决策与因果问题意识；临床背景的人重点补概率统计、推断和计算方法。两人都可能形成合适的研究兴趣，但不是因为“跨学科很吃香”，而是因为各自有部分证据可以接到同一个具体任务上。匹配是有层次的，不是只有符合和不符合两档。
陈中媛副教授的论文还有一个值得留意的地方：她并不只是把现成算法拿来处理医学数据。研究清单中有与肿瘤基因组关联分析、随机数值算法有关的工作，显示统计方法本身也是重要对象。也就是说，若一个申请者只希望做快速数据应用，不愿讨论方法为何成立，他需要重新思考这是不是自己想长期做的研究环境。
这一点也能帮助我们修改个人陈述。原话可能是“我具备优秀的Python和机器学习能力，希望研究人工智能医疗”。改写时不必拔高，而可以说：“在疾病风险预测项目中，我发现预测性能与干预决策是不同问题，希望在已有数据处理经验上，进一步学习如何评估个体间的治疗效果差异，并理解统计假设对结论的限制。”这段话不保证课题完全契合，却确实让经历和研究问题发生了联系。
如果你正在整理申博背景，不妨先把经历中的技术名称放到一边。写出你到底预测、估计、比较或解释过什么；这些工作要求什么假设；哪一处研究问题让你想继续追问。这样再看教授的具体论文，会更容易知道自己能带来什么，又需要学习什么。读博士不是把以前学过的东西换一个更高级的名字，而是准备在一个问题上承担更严格的研究责任。
