医学影像深度学习建模与可信评估
医学影像深度学习是用卷积网络或 Transformer 直接从 CT、MRI、X 线、超声、眼底或病理图像中学习预测目标，常见任务包括分类（有无某病变、分子亚型）、回归（评分、年龄）和风险预测。与自然图像相比，医学影像的样本量小、类别不平衡、来源异质，模型很容易学到与标签偶然相关的技术特征而非病变本身，因此评估环节比网络结构更重要：数据要按患者和中心划分，必须有外部验证，还要看校准和可解释性结果。本页讲的是从数据准备到可信评估的完整流程。这类分析属于科研用途，不替代临床诊断或治疗决策。
什么时候用
- 影像与结局之间的关联难以用少量人工特征表达，希望端到端学习
- 已有多中心数据，想评估模型能否跨中心泛化
- 需要在大量影像上给出一致的定量评分，减少阅片者间差异
- 希望检验某个影像表型与分子特征或预后是否存在可学习的关联
- 已有影像组学基线，想比较深度学习是否带来额外增益
不适合的情况
- 样本量很小且只有单一中心，结论难以支持泛化性声明
- 直接用于临床诊断或治疗决策，模型输出仅供研究使用
- 任务可用少量明确特征解决时，影像组学或传统模型更易解释
需要准备的数据
- 影像数据
- DICOM 或转换后的 NIfTI、PNG 等；需记录设备、扫描参数、层厚和重建方式，去标识化处理
- 结局标签
- 按患者或按影像定义清楚，注明标签来源（病理、随访、报告）与判定时间点
- 感兴趣区域（可选）
- 病灶掩膜或框，用于裁剪输入，减少无关区域干扰
- 临床变量
- 年龄、性别等基线变量，用于混杂检查与联合模型比较
- 来源信息
- 中心、设备型号、采集时间，用于分层划分和跨中心验证
分析步骤
- 1
明确任务与标签定义
先写清预测对象、标签判定标准、预测时点和适用人群，再动手处理数据。标签含义模糊是后续所有问题的根源，例如「阳性」是指病理证实还是报告描述，差别很大。
- 2
按患者与中心划分数据
先划分再做任何依赖数据的处理。同一患者的所有影像必须在同一侧；有多中心时留出至少一个中心完全不参与训练和模型选择。做对的标志：划分表能说明每折的患者数、阳性率和中心分布。
- 3
标准化预处理
统一窗宽窗位或强度归一化、重采样到固定分辨率、按需裁剪病灶区域。归一化参数只能从训练集估计并应用到验证和测试集，否则存在信息泄漏。
- 4
设定基线模型
先建立简单基线：仅临床变量的逻辑回归，或影像组学特征加常规分类器。深度模型只有在明显优于这些基线时才值得采用，这一步也便于审稿时回答增益问题。
- 5
训练与数据增强
小样本任务常用在自然图像上预训练的权重做迁移学习。增强应符合成像物理与解剖常识：旋转、平移、轻微缩放通常安全，左右翻转在有侧别意义的任务中会引入错误。
- 6
处理类别不平衡
可用加权损失、重采样或调整决策阈值。注意只在训练集上重采样，验证集必须保持真实阳性率，否则 PR 曲线和校准结果都不反映实际使用场景。
- 7
内部验证与阈值确定
用交叉验证选择结构、超参数和决策阈值，阈值应基于临床需求（偏重灵敏度还是特异度）在训练数据上确定，而不是在测试集上挑一个最好看的。
- 8
外部验证与可信评估
在未参与任何建模决策的外部数据上一次性评估：报告 AUC 及置信区间、PR 曲线、校准曲线与 Brier 分数、决策曲线，并用 Grad-CAM 类方法检查关注区域是否落在解剖学上合理的位置。
关键参数与决策
划分策略
按患者分组是底线，有多中心时做留一中心验证。随机按影像划分会让同一患者的切片横跨两侧，AUC 可能虚高不少，是文献中最常见的方法学问题之一。
输入尺寸与感兴趣区域
整幅输入保留上下文但引入大量无关区域；裁剪病灶区域信噪比高，却依赖分割或框标注的质量。常见做法是两种输入都试，并报告对分割误差的敏感性。
迁移学习与冻结策略
样本很少时冻结大部分层、只训练顶层更稳定；样本较多时可逐步解冻微调。预训练来自自然图像时，输入通道和归一化方式需要适配，不能直接套用原始均值方差。
数据增强范围
增强强度要与真实变异匹配。过弱不足以抵抗设备差异，过强会产生不存在的解剖形态。涉及左右、上下定位含义的任务不要使用对应方向的翻转。
决策阈值
0.5 不是默认正确值。应按应用场景取舍：筛查更看重灵敏度，确诊辅助更看重特异度。阈值须在训练数据上定好并固定，再在外部数据上评估。
模型选择依据
以内部交叉验证的平均指标为准，并记录尝试过的配置数量。在测试集上反复比较等于把它变成了验证集，报告的性能会偏乐观。
常见错误
- 随机按影像而非按患者划分：同一患者的相邻切片同时进入训练与测试，模型靠记住个体解剖就能答对，AUC 明显虚高。
- 中心与标签几乎重合：模型学到的是设备和重建风格，内部表现亮眼而换中心后骤降，这类问题只有外部验证才能暴露。
- 标注前已被人为处理的影像进入训练：比如阳性病例统一加了标记线或裁剪方式不同，模型会学到这些快捷特征。
- 归一化参数用了全体数据统计：验证与测试信息泄漏到预处理，指标偏高且无法在新数据上复现。
- 只报告 AUC：不看校准时，概率输出可能系统性偏高或偏低，无法支持任何基于概率的决策分析。
- 在测试集上挑阈值和挑模型：等于用测试集做了选择，报告的性能不再是独立估计，应另留一份数据或在训练集内完成所有选择。
结果怎么看
ROC 与 PR 曲线
同时给出内部与外部结果及置信区间。阳性率低时 PR 曲线更能反映实用价值。外部 AUC 比内部低一截是常态，若下降很大，应查中心差异、预处理不一致和快捷特征。
校准曲线与 Brier 分数
横轴预测概率、纵轴实际发生比例，理想为对角线。曲线整体在对角线下方说明预测偏高；外部数据阳性率与训练不同时常见整体偏移，可用重新校准（如 Platt 缩放）改善并说明。
决策曲线分析
在不同阈值概率下比较模型、全治与不治策略的净获益。只有在临床合理的阈值范围内模型净获益更高，才说明它可能有实际价值；曲线在该区间与基线重合时，再高的 AUC 也意义有限。
Grad-CAM 等关注区域图
热图叠加在原图上，抽查高置信度和误判病例。关注区域应落在病灶或相关解剖结构；若集中在图像边角、标尺、文字标注或体外区域，几乎可以确定模型学到了快捷特征。
亚组性能表
按中心、设备、性别、年龄段分组报告指标与样本数。某一亚组明显偏低说明泛化不均衡，需在讨论中说明适用范围；若偏低的亚组样本很少，应标注估计不稳定而不是直接下结论。
和相近方法怎么选
深度学习与影像组学
影像组学提取预定义的形状、强度、纹理特征再用常规模型建模，特征可解释、小样本更稳，但依赖分割；深度学习端到端学习，潜力更高但需要更多数据且更易学到快捷特征。常见做法是把影像组学作为基线，用同一套验证流程对比。
端到端分类与先分割再定量
先分割再测体积、形状等指标，流程透明、结果可核查，便于与临床指标比较；端到端分类省去标注成本，但中间过程不可见，必须靠可解释性方法和外部验证支撑结论。
影像模型与影像加临床联合模型
单纯影像模型回答影像是否含有预测信息；联合模型更接近实际使用。评估增益时应比较临床模型、影像模型和联合模型三者，并报告增量判别指标，否则无法说明影像带来了多少额外信息。
内部交叉验证与外部验证
交叉验证用于模型选择和超参数确定，受同源数据影响，估计偏乐观；外部验证衡量跨中心、跨设备的真实表现，应只用一次。两者都报告，并明确哪些决定是在哪一部分数据上做的。
常见问题
为什么内部验证 AUC 很高，外部验证掉得很厉害？
常见原因有三类：数据划分不当（同一患者跨集、归一化泄漏）、中心与标签相关（模型学了设备风格）、快捷特征（标记线、裁剪方式、文字标注）。排查顺序是先复核划分和预处理，再看 Grad-CAM 关注区域，最后按中心做亚组分析。
样本量很小还能做深度学习吗？
可以尝试，但要降低模型复杂度、使用迁移学习、冻结大部分层，并把结论限定为探索性。同时必须给出简单基线对比；若深度模型不优于临床变量模型或影像组学，就应如实报告这一结果。
模型校准为什么重要？
AUC 只反映排序能力，不保证概率数值可信。若要按预测概率做分层或与阈值比较，概率系统性偏高会导致过度判定。报告校准曲线和 Brier 分数，并在外部数据上必要时重新校准，是可信评估的基本要求。
Grad-CAM 能证明模型可解释吗？
它只能提示模型关注的大致区域，分辨率低且对实现细节敏感，不能作为机制证据。更合适的用法是把它当作排错工具：发现关注区域落在无关位置时说明有问题；关注区域合理也只是必要条件，不是充分条件。
结果可以写成有临床应用价值吗？
需要满足前瞻性或至少独立外部验证、跨设备稳定、校准良好、在临床阈值区间有净获益等条件，并说明适用人群与失败情形。即便如此，这类分析仍属科研结论，不替代临床诊断或治疗决策。
在 Codar 里怎么做
在 Codar 中说明影像数据、标签和中心信息后，会先确认任务定义与划分方式，再完成预处理、基线模型、医学影像深度学习模型开发与训练，并做模型可信评估：外部验证、校准、决策曲线、关注区域可视化与亚组分析。交付 ROC 与 PR 曲线、校准曲线、决策曲线、关注区域热图、亚组性能表，以及可复现的训练与评估脚本。
我有两家医院各 400 例胸部 CT 和良恶性标签，帮我训练分类模型，用另一家医院做外部验证并给校准曲线