在医学影像科待过的人都知道一个残酷的现实：影像数据的增长速度，远远跑在影像医生数量的前面。某家三甲医院的影像科，一天要出几千份报告，医生端着屏幕从早看到晚，颈椎病几乎成了职业病。就在这种背景下，深度学习与医学成像开始从论文里走出来，变成了实实在在的工具——肺结节检出、骨折初筛、器官自动勾画，越来越多的场景开始有人尝试用神经网络解决。
这篇文章我想把这几年的实践做一个系统梳理，不谈论文复现那种琐碎细节，重点是讲清楚：医学影像深度学习到底有哪些典型任务，每个任务的数据、模型、训练、部署分别要面对什么问题，以及哪些坑是新人最容易踩的。如果你是想入门的工程师、研究生，或者被临床同事拉着做项目的算法同学，这篇应该能帮你少走不少弯路。我尽量用工程视角来讲，该给公式给公式，该给经验给经验，尽量不绕弯子。
1. 先看清战场：医学影像深度学习到底在打什么仗
1.1 四大核心任务：分类、检测、分割与配准
很多人一听到"医学影像AI"就以为只是"让电脑看片子然后说有没有病"，但真实需求要复杂得多。按我自己的习惯，会把任务拆成四类，每一类的目标、输出和难点完全不一样。
分类任务是大家最熟悉的，输入一张X光片或CT切片，输出是"正常/异常"或"良性/恶性"这种离散标签。典型场景包括肺炎筛查、骨折是否存在、乳腺钼靶的良恶性判断。分类任务相对好落地，因为它只有一个输出，评估也直观，但它的信息量很有限——医生看完一个"阳性"的判断，仍然需要自己去找病灶在哪，所以分类模型在临床上更多是"预筛"而非"诊断"。
检测任务不仅要判断有没有异常，还要框出异常的位置。比如肺结节检测，需要在CT序列里把每一个可疑结节的坐标和尺寸标出来。检测的输出是"边界框+类别+置信度"，比分类多了一个空间维度，难度也上了一个台阶。医学图像里的目标往往体积小、对比度低，跟自然图像里的行人、车辆完全不是一个量级的问题。
分割任务是医学影像里最"重"的任务，它的输出是一张逐像素的标签图，把器官、肿瘤、血管从背景里精确分离出来。放疗科需要勾画肿瘤靶区，心内科需要分割心室，这些都需要分割模型。分割的临床价值非常直接——它能直接替代医生手工勾画的重复劳动，但代价是标注成本极高，评估指标也更苛刻。
配准任务解决的是"多幅图像如何对齐"的问题。病人随访时拍的两次CT，体位可能不同，需要把两次扫描对齐才能看出病灶变化；手术导航也需要把术前MRI和术中超声配到同一个坐标系。配准是医学影像里历史最悠久、最难做的方向之一，深度学习方法这几年有突破，但工程化依然不成熟。
这四个任务不是孤立的，实际系统经常是组合拳。比如肺结节诊断流程可能是：先用分割模型把肺实质分出来，再用检测模型找结节，最后用分类模型判断每个结节的恶性概率。想清楚你的项目到底属于哪一类，直接决定了后面所有技术选型。
1.2 模态差异决定技术路线
医学影像不是一种东西，CT、MRI、X光、超声、病理切片，每种模态的物理原理不同，对算法的影响也完全不同。我见过不少从自然图像转过来的同学，拿着RGB三通道的思维去处理所有影像，结果撞得头破血流。
CT的像素值是亨氏单位，也就是HU值，不同组织有一个大致固定的范围：空气是-1000左右，水是0，骨骼在几百到一千以上。看CT不调窗宽窗位，等于什么都没看到——肺窗和骨窗下完全不同的两幅画。所以CT数据的预处理第一步永远是窗宽窗位归一化，而不是简单地除以255。我在实际项目里，通常会把一次扫描同时用两到三个窗位配置生成多个输入通道，让模型同时看到软组织和骨骼的信息。
MRI比CT更麻烦，它没有统一的数值单位，同一个病人的T1加权和T2加权图像的灰度含义完全不同，甚至不同机器、不同线圈扫描出来的同一序列，灰度分布都可能有差异。所以MRI项目特别依赖采集参数一致性和直方图归一化这类技巧。
病理切片又是另一个世界，整张切片经常达到几万乘几万的像素，没法直接塞进网络，只能切成小块（Patch）来分析，还要考虑不同放大倍率之间的关联。超声图像噪声大、对比度低、探头角度影响巨大，深度学习在超声上的进展明显比其他模态慢，不是没有原因的。
我的建议很简单：拿到一个医学影像项目，先别急着选模型，先把模态的物理特性、数值范围、常见噪声来源搞清楚。这一步做扎实了，后面能省一半的事。有一句话在医学影像圈子里很流行：理解成像机制，比理解网络结构更重要。这话我越做越觉得是真的。
2. 数据和标注：九成项目死在这里，而不是死在模型
2.1 公开数据集只能让你起跑，院内数据才是主战场
医学影像深度学习最大的悖论是：数据敏感、难获取，但算法又极其依赖数据。公开数据集是新人最好的起点，既有肺部CT、眼底彩照、皮肤镜图像等经典分类数据，也有器官分割的Benchmark数据。这些数据标注规范、划分清楚，用来练手和学习完全够用。但千万别把在公开数据集上的成绩当成实际能力——公开数据往往经过了清洗，测试集是同分布的，模型在真实场景里的表现通常要打一个大大的折扣。
真实项目里，数据必须从医院拿，而这一步的阻力远超技术问题。脱敏是第一个坎：DICOM文件的头信息里有几十个字段，病人姓名、身份证号、检查日期全在里面，导出前必须全部清除，还要注意有些厂商会把敏感信息写进私有字段。伦理审批和患者知情同意是第二个坎，不同机构的流程千差万别，项目周期里至少有一个月要耗在这上面。我见过一个项目，技术方案只花了两周就敲定了，数据审批跑了将近三个月。
院内数据的质量也远没有公开数据那么整齐。翻看某医院影像科导出的历史数据你会发现：有些序列不完整，有些扫描参数混乱，有些把不同厂家的系列混在同一个文件夹里，甚至有些病例的病理结果根本对不上。所以数据清洗永远不是一次性的预处理好就万事大吉，而是一个需要伴随整个项目周期持续进行的动作。我的习惯是，每拿到一个批次的原始数据，先写一个全面的质量巡检脚本，把模态类型、尺寸、像素间距、截获日期、窗口设置全部扫一遍，生成报表后再决定哪些能用、哪些需要特殊处理。
2.2 标注怎么省：弱监督、半监督与专家复核
标注是医学影像深度学习里最昂贵的一环。自然图像的标注可以靠众包，但医学影像的标注必须由受过专业训练的人来完成，而且很多任务需要"双人标注+仲裁"，也就是说每个样本至少要两个医生各标一遍，不一致的地方还要第三个医生来裁决。一个精细的器官分割标注，单例耗时一两个小时是很正常的，算下来单例标注成本可能就是几百上千元。
所以怎么在保证质量的前提下省标注，是每个项目组都在琢磨的问题。我比较推荐的是"分级标注"策略：把最宝贵的专家时间用在关键样本上，常规样本由受过培训的技师或住院医先标初稿，模型自动给出预测结果供标注者参考，最后专家只复核模型与初稿分歧较大的区域。这个流程看着简单，实际操作中能省一半以上的专家时间，而且由于有模型提示，标注质量反而更稳定。
半监督和弱监督在实际项目里也已经非常实用。我们有段时间做肺部分割，专家标注只覆盖了几十个样本，但无标注的CT数据有一千多例。做法是先拿几十个标注样本训练一个不太完美的初版模型，再用它对无标注数据做预测，自动筛出预测置信度高、形态合理的伪标签，逐步扩增训练集。这种迭代式的"自举"操作，在解剖结构稳定的器官分割任务上效果相当不错，但在病灶分割上要格外小心——伪标签会把模型的错误固化。
还有一个容易忽略的点：标注协议必须写清楚。临床上同一名称在不同医生眼里可能有不同标准，比如"肺结节最小径大于3毫米才标"，这种规则不提前约定好，两个医生标出来的结果可能完全对不上。标注文档应该是医学影像项目里仅次于数据的资产，版本管理要跟上，每次协议修订都要记录。
2.3 数据增强和域迁移：别让模型记住机器的脾气
深度学习模型很容易"投机取巧"，医学影像领域尤其如此。一个经典的公案是：某个皮肤病变分类模型，在训练集和同源测试集上都表现得极好，拿去新医院一试就崩了。复盘时发现，模型"学会"的不是病变特征，而是图像里的标尺——训练数据里恶性样本的照片统一带着标尺贴纸，良性样本则没有。这就是典型的模型记住了"机器的脾气"而不是"疾病的本质"。
应对这种问题，第一道防线是数据增强。对于影像来说，基础的几何增强——随机翻转、旋转、缩放、弹性形变——都是标配，但光有几何增强还不够。CT的HU值会因为管电流和重建算法不同而产生偏移，所以强度增强同样重要：随机调整对比度、亮度和伽马值，甚至对图像做轻微的模糊或噪声注入，都能提升泛化能力。我有一个比较夸张但有效的做法：把图像的直方图做随机匹配，让模型被迫学习更本质的纹理特征，而不是死记某个扫描协议下的灰度分布。
域迁移问题最严重的是跨厂商数据。不同厂商的CT重建算法不同，同一个人在同一台机器上两次扫描的纹理都会有差异，更不用说不同厂商的设备了。解决思路通常有两条：一条是在预处理阶段做标准化，让不同来源的数据尽量对齐到相同的数值分布；另一条是在模型训练阶段引入域随机化——在增强时随机模拟不同厂商的图像风格，强迫模型对风格差异免疫。实测下来，后者往往更有效，但也更考验设计和调参功力。
还有一个我对所有医学影像项目的硬性要求：确认数据划分维度。同一个病人的多次扫描、同一病灶的两个切面，绝不能一个分在训练集一个分在测试集。别觉得这是低级错误，我见过不止一个团队因为这个问题，测试分数虚高了将近十个点而浑然不知。
3. 模型选型：不同任务的真问题不是"用不用Transformer"
3.1 分类任务：迁移学习是标配，3D化要谨慎
医学影像分类任务的第一选择，依然是依托预训练的经典卷积网络作为骨干结构。在自然图像上预训练过的权重，哪怕医学影像和自然图像看起来毫无关系，迁移过来也远比从头训练要好。原因在于，网络的前几层学到的是边缘、纹理、形状这些通用特征，这些特征在医学图像上同样成立。我实测过，从头训练的模型在几百例的小数据集上基本学不出来，而迁移学习能把性能拉到可用的水平。
不过迁移学习有两个坑。第一个坑是没有控制冻层的比例：小数据集上冻太多层，模型学不到任务特有的特征；冻太少层，又会把预训练的知识冲掉。比较稳妥的做法是先把前半段冻住，只训练分类头，观察损失下降情况，再逐步解冻更多层。第二个坑比较隐蔽——有时候在ImageNet上表现好的结构，在医学影像上并不一定最优。医学图像常常是大分辨率、小病灶，跟ImageNet那种"物体占画面主体"的分布很不一样，所以需要更多关注多尺度特征融合的结构设计。
到了CT这种三维数据上，要不要直接用3D卷积网络，是个值得纠结的问题。3D网络能利用切片的上下文信息，对病灶检测和分割往往更好，但参数量和显存消耗暴涨，而且需要的数据量也更大。如果数据量只有几百例，我通常不会直接上3D网络，而是考虑2D模型配合多平面重建，把矢状面和冠状面也切成切片喂给模型，最后对三个平面的预测做聚合。这种"伪3D"方案，在中小数据集上往往能用更少的资源拿到接近3D网络的性能。
3.2 分割任务：U-Net系列依然是事实标准
几乎所有医学影像分割项目，最后都会回到U-Net这条路上。这个结构的核心设计并不复杂：一个编码器逐层下采样提取语义，一个解码器逐层上采样恢复分辨率，中间用跳跃连接把高分辨率的底层特征直接传给解码器。跳跃连接这个设计是关键中的关键——医学分割需要精细的边界定位，如果只靠下采样后的高层语义信息，边界早被磨平了，而跳跃连接让模型在恢复细节的同时还能拿到足够的位置信息。
我很少会把分割网络改成花哨的自定义结构，更倾向于把精力花在数据、预处理和训练策略上。有一个被广泛使用的"自适应配置"思路很值得学习：它不是一个固定的网络结构，而是一套能根据数据自动决定预处理方式、网络深度、下采样因子、损失函数组合和训练策略的流程框架。它的核心思想是：与其靠人手调参，不如把影响性能的多个环结参数都自动化。我在几个项目里实际用下来，这套流程跑出来的结果，比自己手工调的网络要好且稳定，尤其在3D分割任务上优势明显。
分割任务还有个老生常谈但值得重复的问题：边界像素的归属。医生标注的边界本身就有主观性，不同标注者对"肿瘤边界在哪里"的判读可能有几个像素的差异。训练时过度拟合某个标注者的边界细节，在换数据时就会翻车。我的经验是，训练时对标签做轻微的距离变换平滑或形态学操作，让模型不被标注者的个人习惯带偏。
3.3 检测与实例分割：小目标是最难啃的骨头
检测任务在医学影像里和自然场景的差别非常大。医学病灶的特点是：小、多、密、对比度低。肺结节在早期可能只有几个毫米，在512乘512的CT切片上只占几十个像素；显微镜下的细胞更是密密麻麻。自然图像检测领域非常成熟的两阶段和单阶段检测思路，在医学影像上直接套用往往效果不佳。
问题出在检测器的特征设计上。多数检测结构为了速度，会在较高的下采样倍数上做框回归和分类，小目标的特征经过多次下采样之后几乎丢失了。解决思路有几个：用特征金字塔结构让浅层的高分辨率特征也能参与预测；把锚框尺寸集合改小，适配医学病灶的常见大小；或者在数据增强里刻意加入大量随机裁剪放大，制造"小目标更多"的样本分布。
实例分割在医学里的典型场景是细胞核分割——既要每个细胞单独一个掩膜，又要能计数。这类任务比普通分割多一个麻烦：相邻细胞边界模糊，模型需要学会"区分个体"而不只是"区分前景背景"。实用上很多人会用一个两阶段的思路，先做前景分割，再对前景做距离变换或用分水岭算法把黏连区域拆开。这个方法不花哨，但稳定性很好，也容易调。
模型选型这部分，我给新人的建议是：先跑通最经典、最稳妥的基线，比如分类用预训练卷积网络、分割用U-Net、检测用带特征金字塔的检测网络，拿到结果后先把数据、预处理、损失这些环节打磨好，等基线上限到了，再考虑Transformer结构或更复杂的模型组合。很多项目根本走不到"换模型"那一步，问题出在前面那些环节。
4. 训练阶段的关键决策：损失函数、类别不平衡与指标陷阱
4.1 损失函数不是越复杂越好
训练医学影像模型，损失函数的选择直接决定模型"认为什么更重要"。分类任务最常见的交叉熵损失本身没问题，问题出在医学数据的极度不平衡上，所以实践中几乎必然会用到带有调节因子的焦点损失。它的思想很直接：让模型把更多注意力放在难分类的样本上，而不是已经被轻松分类的大量负样本上。但焦点损失的调节因子不是越大越好，我用经验值建议先从较低的值开始，比如1.0到1.5，跑几个实验对比再决定要不要加大。
分割任务里，经典的逐像素交叉熵和Dice损失是两个极端：交叉熵对每个像素一视同仁，在物体很小的场景下，模型很容易整体偏向背景，把病灶整个漏掉；Dice损失直接优化前景和背景的重叠度，对小目标更友好，但训练早期容易震荡、收敛慢。我的做法是组合使用：前期用交叉熵主导，让模型先把大类差异学好，后期逐步加大Dice损失的权重，让模型精细优化边界。这种加权策略看起来很简单，但比单纯用一个损失函数稳定得多。
边界质量怎么强调都不过分。医生最敏感的往往不是病灶内部的分类对不对，而是边界画得准不准。所以分割项目中我经常在损失函数里再叠加一个边界损失项，计算预测边界和真实边界之间的距离惩罚。边界损失和Dice结合时，模型的输出边界会明显更光滑、更贴合解剖结构。损失函数不是越复杂越好，而是要对准任务最关心的维度，这一点要想清楚。
4.2 类别不平衡：采样、加权与合成
类别不平衡问题在医学影像里几乎是常态。肺结节检测中，背景像素远多于结节像素，比例可能是一比几千；骨折筛查中，阴性病例占绝大多数，阳性病例不到百分之一。处理这个问题的惯用三板斧：数据采样、损失加权、数据合成。
数据采样最简单直接：把少数类样本多复制几份，或把多数类样本随机丢弃一部分。但复制少数类容易导致过拟合，丢弃多数类又浪费数据，所以我在实践里更多采用"在线采样"，在训练过程中动态调整采样比例，让模型每个批次里都保持一定的正负样本比例。损失加权则和采样互补：不改变数据分布，而是给少数类的损失乘以更大的系数。这里要注意，加权系数不是越大越好，过大的系数会让模型对少数类产生幻觉，把大量负样本误判为正样本。
数据合成在医学影像上要格外谨慎。给病灶区域做简单的复制粘贴式合成，很容易产生不自然的边界，让模型学到假的线索。相对靠谱的是基于形态学操作的轻度合成，比如对已有病灶做缩放、旋转、局部形变后再叠加到新的背景上，同时配合后处理平滑。我们做一个微小结节检测项目时，用这种方式把有效正样本量扩大了将近一倍，模型召回率提升明显。
4.3 评估指标：Dice高不代表能用，校准度才是临床关心的
这是我想重点强调的一节，因为太多团队栽在这里。医学影像论文里最常出现的指标是Dice系数，它衡量两个区域的重叠程度，取值范围0到1，越高越好。Dice确实直观，但有两个致命问题：第一，它对小目标极其不敏感，一个直径五毫米的结节，就算模型完全漏掉，Dice的绝对损失也很小；第二，Dice解决不了"边界偏移几个像素"和"形态完全错误"之间的区别，而临床恰恰最在意这两种错误的差异。
所以我在评估一个分割模型时，除了Dice，一定会同时看两个辅助指标：一个是豪斯多夫距离的95分位，用来衡量最大边界偏差，另一个是目标区域的体积误差百分比。一个Dice很高但边界偏差大的模型，在放疗规划里是不能用的——计划靶区的边界差一毫米，剂量分布就可能完全不同。
分类和检测任务也一样，只看整体准确率或者只看AUC都会骗人。AUC衡量的是排序能力，不告诉你在哪个阈值下工作；而临床场景必须在固定的判定阈值下运行，所以一定要看敏感度和特异度的组合，并且要结合医生能接受的误报率来选定阈值。还有校准度，这是我认为医学影像项目最被低估的指标。
什么叫校准度？简单说就是：模型说"这个结节有90%的恶性概率"，那么真实情况里大约九成这样的结节确实是恶性。医生做决策时非常依赖这种概率可解释性，如果模型输出的置信度严重失准——比如所有正样本概率都压到0.6以下——那这个模型再准也没法在临床用。衡量校准度的常用指标是期望校准误差，实践里想在部署前就有校准度数据，可以用温度缩放这类后处理把模型输出重新校正一下，效果立竿见影。我们有一个模型，校准度在经过温度缩放后提升了一个数量级，而分类准确率几乎没变。
5. 从实验室到临床：验证集设计、部署与工作流集成
5.1 外部验证：跨机构、跨设备才是真考验
模型在实验室里表现好，跟在实际临床环境里好用，是两件事。很多团队的验证流程是这样的：从同一个机构的数据里随机划分训练集和测试集，模型在同源测试集上刷出漂亮数字，项目就宣布完成了。但真正的问题在于，这套流程完全无法回答一个关键问题：换一台设备、换一批病人，模型还行不行？
我经历过的教训很深刻。某次合作中，模型在院内测试集上Dice接近0.9，结果拿到另一家合作医院的数据上，Dice直接掉到0.7左右。原因有很多：两家医院的CT扫描协议不同、重建层厚不同、肿瘤分期分布不同，甚至病人在扫描时的体位习惯都有差异。从那以后，我把"外部验证"设为所有医学影像项目的默认必备环节，哪怕只能拿到几十例外部数据，也比完全没有强得多。
外部验证还有一个好处：它是发现"数据集偏见"最直接的工具。如果模型在外部数据上掉得厉害，复盘时几乎总能定位到某个特定的数据处理假设，比如依赖了某个厂商的像素间距信息，或者模型其实是靠亮度分布做判断而外部数据的亮度分布完全不同。这些偏见在同源测试里永远发现不了。
5.2 DICOM处理与推理优化
医学影像的数据格式和自然图像完全不一样。医疗影像的标准格式是DICOM，一个DICOM文件不止包含图像像素，还附带一大堆元数据。真正的难点之一是DICOM序列的组织方式——一个"病人"的CT检查可能由几百个切片文件组成，分布在磁盘的多个目录里，切片厚度、层间距、患者方向各不相同。写一个健壮的DICOM解析和序列重组模块，远比想象中复杂，我在前几个项目里反复在这上面返工。
部署环节还有一个容易被忽略的问题：原始DICOM图像的分辨率和像素深度。比如CT一般是12位或16位的灰度数据，而很多算法同学习惯性地把图像当8位处理，直接一缩放就丢失了信息。正确的流程是先解析元数据里的窗宽窗位等参数，做标准化映射后才进入模型。我们内部有一条铁律：任何训练代码和推理代码必须共用同一套预处理管线，禁止在两端各写一套，否则线上很容易出现"训练时看到的图和推理时看到的图不一样"这种低级但致命的bug。
推理速度在临床环境里的要求，比很多人想象的苛刻。医生的工作节奏是连续的，AI辅助如果一张图要跑几十秒，医生根本不会等。我们做过一个骨折检测系统，为了把单例推理时间从三秒压到一秒以内，做了很多工作：模型剪枝量化、推理时只处理感兴趣区域而不跑全图、把多个切片的预处理并行化。另外还要注意显存复用和批处理策略，临床推理经常是流式请求而不是批量请求，静态分配显存会造成巨大浪费。
5.3 AI在临床工作流中的位置
一个技术团队最容易犯的错误，是认为模型输出"替医生做决定"就算成功了。实际上，在成熟的临床工作流里，AI辅助的角色更像是一个"提升效率的助手"或"第二双眼睛"，而不是一个独立的决策者。医生的工作流是：读图、找病灶、结合病史、写报告，AI介入的节点不同，产品形态就完全不同。
我比较推崇的是"人机协同"的定位：AI先做初筛，标出可疑区域和概率，医生在系统里可以点击查看AI的标注来源，最终由医生做结论。这种设计对技术团队有一个额外要求——模型必须能解释自己。即使做不到完美的可解释性，至少要把注意力可视化、把检测框对应的原始切片展示出来，让医生能判断AI的依据是否合理。
部署上线之后，还有一个很多人忽视的环节：持续监控。临床数据分布不是静态的，换了新设备、改了扫描协议、来了不同病种的病人，模型性能都会漂移。所以上线后的监控系统一定要包含质量指标跟踪，比如每周计算预测分布、监测异常输入的比例、定期抽取样本做人工复核。我们有一个上线的模型，半年后监控面板发现某个科室的输入亮度分布明显偏移，排查之后发现是那台设备更换了重建算法，这类问题靠一次性验证永远发现不了。
6. 我踩过的坑和一些比坑更重要的经验
6.1 数据泄露：最隐蔽的错误
数据泄露这个坑，我几乎每条都要警告一次，因为它太常见也太隐蔽。乘医学影像的特点：一个病人一次检查就产生几十上百个切片，相邻切片高度相似。如果你的划分方式是把切片随机打散后分训练测试集，那同一个病人的切片会同时出现在两边，模型等于"背过答案"再考试，测试分数虚高得离谱。
我见过最离谱的一个情况是：某团队做肺结节检测，报告上说敏感度达到了近乎完美的水平，后来复盘才发现，训练数据和测试数据来自同一批病人的不同检查序列，而且检查日期相距很近，病灶几乎没有变化。换了一批完全独立的病人数据后，性能掉到了只比盲猜好一点。正确的划分必须以病人为单位，先按病人ID分组，再在病人级别做划分。多层数据（病人、检查、序列、切片）都要建立映射关系，宁可损失一些数据量，也要保证病人级别的独立性。
6.2 标注噪声与模型"死记硬背"
标注噪声是医学影像项目里无法根除的问题。专家之间的标注一致性，用Kappa系数衡量，不同任务的差异很大：有些任务一致性高，有些任务连专家自己隔一个月重标都有差异。模型训练时如果完全信任标注，就会把这些噪声和偏差当成真理死记硬背。
我的应对方法是三层：第一层，训练前对标注做质检，用简单的统计方法找出偏离整体分布的异常标注，回到标注环节重新修正；第二层，训练中用带噪声鲁棒性的损失函数，比如标签平滑，让模型对错误标签不那么敏感；第三层，验证时请第三方专家对模型输出做盲评，而不是拿原标注当唯一真理。这个方法看起来笨，但在真实项目里非常可靠。有一回我们发现模型在某个细分亚型上表现奇差，复检后才发现是标注协议本身定义不清，导致不同标注者对该亚型的标准混乱，最后是回头修订协议、重新标注，才解决了问题。
6.3 给新人的一条完整路径
最后给想入行或刚入行的人一条我觉得比较稳妥的路径。第一步，先动手跑一个公开数据集的完整流程，从下载数据、写预处理、训练到评估，全流程走通，这个阶段的目标不是刷分，而是建立"数据怎么进模型、模型怎么出结果、指标怎么算"的整体感知。第二步，选择一个具体任务深挖，比如肺部CT分割或眼底图像分类，把一个任务的经典结构、损失函数、数据增强策略都吃透，能做到在公开数据上稳定复现主流性能。第三步，找一个有真实数据的合作项目，去经历从数据审批、洗数据、标注管理到部署验证的完整链路，这个阶段学到的东西，是看论文永远学不到的。
我还要特别强调一点：医学影像是一个交叉领域，光会写代码远远不够。我跟临床医生合作的体会是，对方不在乎你用了多先进的结构，只在乎你的模型能不能在他的数据上、他的工作流里稳定地帮上忙。花时间去了解成像原理、了解医生读片的真实顺序、了解一次检查从申请到报告的完整流程，这些"非技术"投入，最终都会体现在模型的实用价值上。
如果非要给一条最浓缩的经验，我会说：医学影像深度学习的难点，从来不在模型看不懂图像，而在于我们有没有能力把"疾病是什么、边界在哪里、数据从哪里来"这些工程和临床问题同时想清楚。技术路线再先进，也补不齐数据、标注、验证任何一个环节的漏洞。把这几个环节稳扎稳打做好，哪怕用的都是最经典的网络结构，做出来的系统也远比堆砌先进模型靠谱得多。
