甲状腺结节多类别分类实战：从可信数据集到Grad-CAM验证

简介：面向医疗AI与计算机视觉研究者，提供专业甲状腺结节分类数据集，涵盖约2100张真实场景图像，包含结节性甲状腺肿与正常两类标注，经专业医生复核，分辨率统一为256×256并划分训练/验证集，也兼容YOLO训练。资源共2000个文件，包括1998张JPG图像、1个Python可视化脚本与1个JSON标签配置文件，压缩包约56MB。附赠的脚本可一键生成类别分布图、样本示例网格、图像尺寸统计等，便于快速理解数据特征、优化数据增强策略。数据集结构清晰、文档齐全，目前已有32人学习下载，适合学术研究、课程项目及原型开发，助力构建高精度智能诊断模型。

1. 甲状腺结节多类别分类：难的不是AI模型，是“可信的数据集”

甲状腺超声报告里最常见的结论是“TI-RADS 3类，建议随访”，或者“4a类，建议穿刺”。但同样一个4类，在不同医院、不同超声医生手里，可能对应着完全不同的恶性概率。这句话翻译到AI任务里就是：甲状腺结节分类、多类别识别的瓶颈从来不在模型结构，而在数据集——标签凭什么可信。

专业医疗AI数据集要解决的，是把超声图像、结构化报告、病理结论和随访信息整理成一份能直接投入训练的分类数据，而不是简单地把图片塞进文件夹然后跑个ResNet。这篇文章按“标签怎么定、数据怎么分、模型怎么训、坑在哪里、怎么验证”这条落地路径展开，适合正在做医学影像分类的算法工程师、医学生，以及想进医疗AI赛道但还没想清楚数据怎么下手的团队。

2. 先定标签树再谈分类：良恶性、TI-RADS与病理类型的多类别映射

很多团队拿到甲状腺超声数据后第一件事就是写训练脚本，这是最典型的顺序错误。数据集设计的第一步，是拉上超声医生把“类别”这件事定义清楚，否则后面所有指标都是空中楼阁。

2.1 临床分类树：二分类、TI-RADS分级与病理类型

甲状腺结节在临床上有三个层级的分类需求，对应的AI任务完全不同。

第一层是良恶性二分类，这是手术和随访决策的基线，也是大多数医院最想要的模型能力。第二层是TI-RADS分级，ACR版本把结节分成TR1到TR5，TR1/2基本良性、TR3轻度可疑、TR4中度可疑、TR5高度可疑，TR6则代表穿刺已证实恶性。注意，TI-RADS是风险分层，不是病理诊断，它本质上是医生根据超声特征打出来的经验分。第三层是病理类型分类，良性主流是结节性甲状腺肿、胶质结节、滤泡性腺瘤，恶性主流是甲状腺乳头状癌、滤泡状癌、髓样癌，其中乳头状癌占了恶性病例的大头。

多类别识别这个任务，多数情况下落在第三层：让模型区分良性常见亚型和恶性常见亚型。一个常见的设计错误是把TI-RADS级别直接当疾病类型来训练，模型学到的其实是“医生主观打分的规律”，而不是结节本身的病理学差异。我习惯的做法是把良恶性二分类当主任务，疾病亚型分类当副任务，两张标签共用同一张ROI图，但输出层分开走。

2.2 用CSV定义多类别label映射：从原始报告到训练标签

数据集的载体不要用多层文件夹，一份带完整字段的CSV比100个文件夹都可靠。下面这段代码处理的是最常见的原始数据形态：医院导出的结构化超声报告表，包含患者ID、图像路径、TI-RADS描述和病理报告文本。

import pandas as pd import numpy as np raw = pd.read_csv("thyroid_ultrasound_raw.csv") # 依据病理报告定义金标准良恶性标签 def map_malignant(path_text): if not isinstance(path_text, str): return -1 # 没有病理结果，标记为缺失 positive_markers = ["乳头状癌", "滤泡状癌", "髓样癌", "未分化癌", "可疑癌细胞"] return 1 if any(m in path_text for m in positive_markers) else 0 # 病理类型：多类别互斥单标签 def map_subtype(path_text): if not isinstance(path_text, str): return -1 if "结节性甲状腺肿" in path_text or "胶质结节" in path_text: return 0 # 良性增生性结节 if "滤泡性腺瘤" in path_text: return 1 # 滤泡性腺瘤，良性但需随访 if "乳头状癌" in path_text: return 2 # 乳头状癌，最常见恶性亚型 if "滤泡状癌" in path_text or "滤泡性肿瘤" in path_text: return 3 # 滤泡性肿瘤，病理上倾向手术 if "髓样癌" in path_text: return 4 return -1 raw["label_malignant"] = raw["pathology_report"].apply(map_malignant) raw["label_subtype"] = raw["pathology_report"].apply(map_subtype) # 没有病理结果的样本，用TI-RADS>=4做弱标签 weak_mask = raw["label_malignant"] == -1 raw.loc[weak_mask, "label_malignant"] = ( raw.loc[weak_mask, "tirads_report"].astype(str).str.contains("4|5") ).astype(int) raw["is_weak_label"] = weak_mask.astype(int) raw.to_csv("thyroid_clean_labels.csv", index=False)

这里的关键逻辑是先拿病理结果当金标准，术后或穿刺病理是甲状腺结节诊断里最硬的证据。没有病理的样本，用TI-RADS 4级及以上当弱标签补量，但一定要通过is_weak_label字段把它们标记出来，方便后续在训练里降权或只用于预训练阶段。

标签映射的坑通常在细节里。“滤泡性肿瘤”不能简单归到恶性，它在外科处理上偏积极，但病理上不一定是癌，混进恶性类会给模型引入矛盾样本。宁可多分一类，也不要硬塞到现有类别里。

2.3 数据量怎么估算：金标准、弱标签与类别均衡

模型训练前先做一道算术题，否则后面很容易白忙活。下面是基于迁移学习在医疗小数据集上比较现实的数据量参考：

这个量级不是拍脑袋，而是ImageNet预训练权重迁移到灰度医疗图像的普遍经验。甲状腺超声公开数据集不像自然图像那样随手能爬，公开影像档案和kaggle等竞赛渠道能拿到一部分数据，但多类别标注极度稀缺，多数项目最终要走医院合作脱敏标注的路。如果手里只有两三千张图，别急着上ViT，先把评测流程和数据清洗做扎实。

3. 数据划分与预处理：按患者分组、ROI裁剪和增强边界

分类模型的训练代码大家都熟，真正拉开项目差距的是数据管道上那些不容易被看见的决策。医疗影像数据的组织和预处理比模型结构更容易影响最终效果，也更容易翻车。

3.1 按患者ID划分数据集：防泄漏的第一步，也是最容易漏的一步

同一个患者往往有多次超声记录、多个结节图像，如果按图像随机划分，同一患者的不同图像很可能同时出现在训练集和验证集里。模型这时候记住的不是“这个结节像不像恶性”，而是“这个人的皮肤纹理、体位、设备参数长什么样”，验证指标自然虚高。

from sklearn.model_selection import GroupShuffleSplit df = pd.read_csv("thyroid_clean_labels.csv") gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42) train_idx, val_idx = next(gss.split(df, groups=df["patient_id"])) train_df = df.iloc[train_idx] val_df = df.iloc[val_idx] # 关键检查：两个集合的患者ID不允许重叠 overlap = len(set(train_df["patient_id"]) & set(val_df["patient_id"])) print("same patient overlap:", overlap)

GroupShuffleSplit按patient_id分组后做随机划分，保证同一个患者的全部图像落在同一侧。test_size这里的计算单位是患者组数而不是图像张数，这个细节决定了验证集的实际规模，别搞混。random_state=42固定下来，方便任何一次实验都能复现。

划分完之后打印重叠集合是必须做的检查，如果重叠不为0，后面所有调参和指标对比都不可信。这个错一旦埋进项目早期，后面发现了也没有后悔药，整个实验基线要重跑。

3.2 ROI裁剪与图像归一化：让模型只看到结节，不看到水印标尺

原始超声图像四周通常带着探头参数、患者信息、标尺线和灰阶条。这些区域内是不变的，和标签存在隐蔽的相关性，模型非常容易借它们刷分。ROI裁剪到结节区域是医疗影像分类里绕不开的预处理。

from PIL import Image import numpy as np def preprocess_roi(image_path, box, target_size=(224, 224)): img = Image.open(image_path).convert("L") # B超本质是灰度图 x1, y1, x2, y2 = box pad = int((x2 - x1) * 0.1) # 外扩10%，保留结节边缘组织 x1 = max(0, x1 - pad); y1 = max(0, y1 - pad) x2 = min(img.width, x2 + pad); y2 = min(img.height, y2 + pad) roi = img.crop((x1, y1, x2, y2)).resize(target_size, Image.BILINEAR) arr = np.array(roi, dtype=np.float32) / 255.0 arr = (arr - 0.4521) / 0.1972 # 用训练集统计的mean/std做标准化 return arr

convert("L")把可能带伪彩的超声图压成单通道，甲状腺B超临床判读依赖的是灰度纹理和边界特征，单通道足够，同时还减少了过拟合空间。外扩10%是为了保留结节周围的晕圈和边界信息，这对TI-RADS中的边缘评估非常关键，裁剪得太干净反而丢特征。

mean和std必须用整个训练集统计出来的值，不能用单张图的min-max替代。超声图上的测量标尺和文字注释能遮就遮，甚至可以用黑色掩膜直接盖掉，别给模型留任何走捷径的线索。直方图匹配这类操作要谨慎，它在多中心数据上能拉齐灰度分布，但过度变换会磨掉微钙化这类关键纹理，先跑一版不做任何直方图增强的基线再说。

3.3 增强策略的边界：医疗图不是自然图像，别把语义翻转没了

自然图像里水平翻转一只猫，它还是一只猫；但在甲状腺超声里，旋转90度意味着探头扫查方位彻底变了，结节的上下极关系、与周围组织的位置关系都会被破坏。如果数据集没有按左右叶区分标签体系，水平翻转通常可以保留语义，但垂直翻转和大幅旋转最好关掉。

推荐的安全增强组合是：水平翻转、±15度以内旋转、亮度对比度微调、少量高斯噪声。超声特有的斑点噪声模拟可以加，但强度要小。不要为了凑增强多样性把旋转角度拉大或把噪声强度调高，医疗图上增强过头练出来的模型，热力图会落在你完全无法解释的位置上。

4. 模型选型与训练配置：从ResNet迁移学习到yolov8检测+分类

数据管道干净之后，模型选型和训练配置才有意义。甲状腺结节分类场景下，很多选择并不是“越新的模型越好”，而是由数据量、任务接口和部署环境共同决定的。

4.1 先定接口：纯分类模型还是yolov8检测+分类二阶段

如果数据集里已经是裁剪好的ROI图，直接上分类模型即可。如果手里只有整张超声图且结节位置未标定，就需要先做目标检测再分类。常见做法是两阶段：先拿yolov8这类检测框架在自己的数据集上把结节框出来，再在裁剪后的ROI上做多类别分类。

不要指望一个检测器同时把边界框和疾病亚型都分准。检测框任务关注的是“目标在哪”，细粒度分类关注的是“目标是什么”，两者的特征粒度是有冲突的。实际项目里经常发现检出框很准，但框里的分类头精度上不去，原因就在这里。数据量越小，这个现象越明显。

分类模型的选择顺序也有讲究：数据量不大时先试ResNet34或者EfficientNet-B0，数据量充足且产品有明确需求再上ViT-Small。甲状腺超声是纹理加边界特征，预训练CNN在这类模态上的迁移效果非常成熟，ViT在小样本下很容易过拟合，调参成本也高。

4.2 PyTorch迁移学习训练脚本：ResNet34预训练权重起步

import torch import torch.nn as nn from torchvision import models def build_model(num_classes=2, pretrained=True): weights = models.ResNet34_Weights.IMAGENET1K_V1 if pretrained else None model = models.resnet34(weights=weights) in_features = model.fc.in_features model.fc = nn.Linear(in_features, num_classes) # 主干网络用低学习率，分类头用稍高学习率 params = [ {"params": model.conv1.parameters(), "lr": 1e-5}, {"params": model.layer1.parameters(), "lr": 1e-5}, {"params": model.layer2.parameters(), "lr": 1e-5}, {"params": model.layer3.parameters(), "lr": 1e-5}, {"params": model.layer4.parameters(), "lr": 1e-5}, {"params": model.fc.parameters(), "lr": 1e-4}, ] return model model = build_model(num_classes=2) criterion = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([3.0])) optimizer = torch.optim.AdamW(params, weight_decay=1e-4)

固定backbone为低学习率、只让分类头用高学习率，是医疗小样本迁移学习里的常规做法。直接全量微调会让预训练权重在几千张图上迅速过拟合，后面验证集一看一个崩。BCEWithLogitsLoss把sigmoid和BCE合到一步计算，数值上比分开算更可控。

pos_weight=3.0给恶性类更高的惩罚权重，应对甲状腺结节数据里恶样例偏少的问题。这个值不是固定的，取决于数据里恶性比例，一般取负正样本比的1.5到3倍，用验证集AUROC来调。多类别亚型分类时，把num_classes改成实际类别数，损失换成带class_weight的CrossEntropyLoss。

4.3 损失函数怎么配：二分类BCE、多分类CE与Focal Loss的取舍

很多读者问二分类BCE是什么，落地层面就是一句话：BCE对每个样本输出单个logit，配合pos_weight调整少数类权重，是甲状腺结节良恶性分类最顺手的损失函数。多分类场景用带类别权重的交叉熵，类别权重按训练集频率反比设置。

Focal Loss在什么情况下才值得用？正负样本比例超过1比20、简单样本占绝对主导时才看得出收益。甲状腺结节数据集恶性占比通常有20%到30%，远没到极端失衡，普通加权损失已经够用，强行上Focal反而会让模型收敛变慢。标签平滑倒是值得一试，0.05的平滑量对标注主观性带来的噪声有正面作用。

4.4 一套可直接复现的训练参数表

早停监控验证集AUROC，15轮不涨就停。这些参数是常规起点而不是最优解；医疗图训练调参的玄学感很强，每换一批数据，batch size、学习率和增强强度都要重新试一遍，别指望一套参数打天下。

5. 多类别识别必踩的坑：数据泄露、类别不平衡与标签噪声的排查

这一章写的是血泪经验汇总，每个问题都对应真实项目里的翻车现场。现象、原因、解决方法三部分对号入座。

5.1 验证集准确率95%，独立测试掉到70%：数据泄漏在作祟

现象：训练时验证集准确率刷到95%，模型表现得近乎完美，但到了另一家医院或另一个时间窗口的独立测试集上，准确率直接掉到70%上下。团队第一反应通常是怀疑模型过拟合，实际上多数是数据划分出了问题。

原因：最典型的是没有按患者ID分组，同一患者的多次超声图像同时进入训练集和验证集。模型记住了这个患者独有的特征，包括皮肤回声、体位角度、设备设置，而不是结节本身。另一种隐蔽情况是按图像名截断字符提取患者ID时规则写错，把不同的患者合并成了同一个人。

解决：用GroupShuffleSplit按患者严格分组，并打印两集合的患者ID重叠数做检查。独立测试集必须来自完全没参与训练和验证的患者，最好连采集时间窗口都隔开。这个错发现越晚代价越大，实验基线一旦建立在这套错误划分上，所有对比结论全要推翻。

5.2 恶性样本太少，模型学会了“全猜良性”

现象：整体准确率88%，看着能交付。但一拉混淆矩阵，恶性类别的召回率只有0.3。甲状腺结节数据里恶性占比可能只有10%到20%，模型只要全预测良性就能拿到高准确率，这本质上是在学训练集的先验分布。

原因：模型没有真正学会区分良恶性，它只是在最小化整体损失，而少数类贡献的损失太小。

解决：训练层面用pos_weight抬高恶性代价，或者对恶性样本做过采样；评估层面放弃accuracy，主看AUROC、恶性敏感度和特异度。分类阈值也不要默认0.5，在验证集上用Youden指数或固定的敏感度目标去选阈值，比如临床要求“恶性召回不低于95%”时，找一个满足这个条件的判定阈值再交付。

5.3 超声报告不等于病理金标准：标签噪声的根源

现象：训练标签直接用了超声医生写的TI-RADS诊断，训练流程一路顺畅，但到了真实场景里模型预测结果和术后病理对不上，外科医生直接质疑模型价值。

原因：TI-RADS分级是医生根据超声特征做的风险打分，带有主观性，不是疾病诊断。不同医院甚至不同年资医生对“4a还是4b”的边界判断本身就不一致，用这种主观标签做训练等于让模型去拟合医生偏好。

解决：有术后病理或穿刺病理的样本作为主训练集，只带TI-RADS结论的样本当弱标签放进预训练阶段。如果病理结果覆盖不足，至少抽取20%的样本做双医生复核标注，算Cohen‘s Kappa一致性，低于0.7就要考虑简化标签体系，比如把5级压缩成3级，先保证标签可信再谈类别粒度。

5.4 换一家医院AUC掉一截：多中心数据漂移

现象：A院数据上模型AUROC有0.92，拿到B院之后掉到0.7左右，团队第一反应是参数没调好，实际上数据分布已经变了。

原因：不同厂商超声设备的灰度映射、探头频率、图像后处理差异很大，连扫描深度和增益设置都会影响图像风格。病例构成也不同，A院可能以体检人群为主，B院可能是穿刺转诊中心，恶性比例和结节大小分布完全不同。

解决：建数据集时分中心记录设备型号和采集参数，训练时如果没有条件做复杂的域自适应，至少做灰度归一化和ROI裁切，去掉设备水印和参数文字。验证策略上按中心分组验证，别把多中心数据混在一起随机划分就算完事，那会掩盖漂移问题。

5.5 增强过头让模型学到了错误先验：旋转与翻转的边界

现象：训练集增强做了随机90度旋转和垂直翻转，验证指标很漂亮，但把Grad-CAM热力图叠到原图上，高亮区域落在结节外的空腔或图像边缘，医生完全无法接受。

原因：超声扫查有严格的方位预设，把一张结节图旋转90度等于人为制造了临床上不会出现的扫查方向。模型从增强数据里学到的是“方向变了类别不变”这种错误先验，再叠加高强度的对比度扰动，微钙化点这类关键纹理被磨掉了。

解决：旋转限制在±15度以内，水平翻转保留，垂直翻转直接关掉。亮度对比度扰动幅度控制在10%上下。每次增强策略改动后，用Grad-CAM抽查增强样本，确认模型关注的区域仍然集中在结节团块上再做训练。

6. 落地前最后一关：Grad-CAM验证与临床评估指标

模型在测试集上的数字再好看，到了医生面前都只是“黑匣子”。医疗AI落地的最后一公里是可视化验证和临床语义对齐，这一步不做好，模型很难走出算法团队的电脑。

6.1 用Grad-CAM看模型看的是结节还是伪影

def grad_cam(model, img, layer): act, grad = {}, {} layer.register_forward_hook(lambda m, i, o: act.update(o=o)) layer.register_full_backward_hook(lambda m, gi, go: grad.update(g=go[0])) pred = model(img.unsqueeze(0)) model.zero_grad() pred[0, 1].backward() # 二分类时对恶性logit求梯度 w = grad["g"].mean(dim=(1, 2), keepdim=True) cam = (w * act["o"]).sum(dim=0).clamp(min=0).squeeze() return torch.nn.functional.interpolate( cam[None, None], size=img.shape[-2:], mode="bilinear" )

Grad-CAM用最后一层卷积的梯度给空间位置加权，高亮区域表示模型做判断时依据的像素。取model.layer4[-1]作为目标层，输出的热力图叠加到原图上，高亮应该集中在结节团块、边界和内部钙化点上。如果高亮落在图像角落的水印、标尺或正常腺体组织上，说明模型走捷径了，先回去查ROI裁剪和数据划分。

6.2 用敏感度、特异度这类临床指标做验证

AUC是排序指标，临床决策需要的是阈值下的实操指标。交付前至少给出敏感度、特异度、阳性预测值和阴性预测值四个数字，并明确阈值选取规则。甲状腺结节场景里，敏感度通常优先考虑，医生能接受的不是一个AUC值，而是“阈值设在多少时，模型可以做到不遗漏任何可疑结节”。

同时做跨中心验证，哪怕只是把数据按采集医院分成两个子集分别测一遍。单中心数据的模型宣传“泛化”是没有说服力的，这个验证动作能提前暴露很多部署阶段才会出现的问题。

6.3 进阶方向：把临床特征并入做多模态分类

只靠超声图像信息有天花板，临床决策还要参考患者年龄、性别、TSH水平、结节大小等指标。把这些字段和图像特征拼起来做多模态分类并不复杂：图像经ResNet主干提取embedding，临床数值字段过一层MLP，两者拼接后接分类头。前提是2.2节里设计CSV结构时就把这些字段一并保留，否则后面想补都补不出来。

二分类跑通后，可以先验证单纯加入临床特征能否带来AUROC提升，不行就退回图像单模态，没必要为了“多模态”三个字徒增部署复杂度。

我自己做甲状腺结节分类项目时，最深的教训是先花了两周调模型，后来发现数据划分时患者ID截断规则写错了，等于两周实验全白跑。从那以后，医疗影像项目的第一行代码永远是按患者分组划分，每一版模型交付前强制跑一遍Grad-CAM，再拿给医生看。希望帮到你。

本文还有配套的精品资源，点击获取