1. 医学影像弱监督与半监督学习导论

在医学影像人工智能的落地过程中，最常被低估的成本往往不是模型结构，而是标注。一张胸部 CT 的像素级病灶勾画，需要具备资质的放射科医师花费十几分钟甚至更久；一份 MRI 的逐层分割标注，成本可能是普通自然图像标注的数十倍。与此同时，医院每天产生的影像数据以 TB 级增长，其中绝大多数只有报告文字、检查结论或干脆没有任何标签。弱监督与半监督学习正是为弥合"海量影像"与"稀缺标注"之间的鸿沟而发展起来的方法体系。

一、核心定义：三种监督强度的边界

要理解这门课程，首先要厘清监督信号的"强度"层级。我们可以按标签所携带的信息量，把医学影像学习任务划分为三个层次：

• 全监督（Fully Supervised）：每个样本都有精确的像素级或区域级标签，例如每张切片都配有分割掩膜。信息最完整，但获取成本最高。
• 弱监督（Weakly Supervised）：标签存在，但粒度粗于目标任务。典型形式包括图像级分类标签（"这张片有肺结节"）、边界框、涂鸦（scribble）、点标注，甚至只有放射报告中的关键词。目标是让粗标签"生长"出细粒度的定位或分割结果。
• 半监督（Semi-Supervised）：只有一小部分样本带标签，其余大量样本完全无标签。核心思路是利用无标签数据的分布结构，去约束或增强有标签数据训练出的模型。

三者的关键区别在于：弱监督解决的是"标签粒度不够"的问题，半监督解决的是"标签数量不够"的问题。实际临床场景中两者常常叠加——少量精细标注 + 大量图像级标签 + 海量无标签数据，这正是本课程要处理的主战场。

二、任务边界：弱监督不等于"随便标"

初学者常有一个误解：既然弱监督能用粗标签，那是不是标注越省越好？事实并非如此。弱监督的有效性依赖于标签与目标之间可推断的关联。例如，用图像级标签"存在肺结节"去训练分割模型，其隐含假设是"结节区域是导致该图像被判定为阳性的关键证据"，这一假设在多数情况下成立，但当图像中存在多个混淆病灶或全局性病变时就会失效。因此，任务边界必须明确：

• 弱监督适合目标具有局部性、且粗标签能指向该局部的任务，如结节、出血、肿瘤的定位与分割。
• 对于弥漫性病变（如间质性肺病的整体纹理改变），图像级标签难以反推出像素级边界，弱监督效果会显著下降。
• 半监督的边界在于无标签数据与有标签数据是否同分布。若跨中心、跨设备、跨扫描协议，直接使用无标签数据可能引入分布偏移，需要域适应或伪标签筛选机制。

三、临床价值：为什么医院真正需要它

从落地角度看，弱监督与半监督的价值体现在三个层面。第一是存量数据激活：医院 PACS 中积累的数十万份检查，大多只有报告结论，弱监督让这些"沉睡数据"重新可用。第二是标注预算再分配：与其把预算平均花在每一张切片上，不如集中标注少量高质量样本，再用半监督扩展到全量。第三是跨中心协作：不同医院标注标准不一致，弱监督提供了一种在标签语义层面而非像素层面统一协作的可能。

以一个合理的教学假设为例：某三甲医院有 5000 例带病理证实的肺部 CT，其中仅 300 例有专家勾画的结节掩膜，其余 4700 例只有"良性/恶性"结论，另有 20000 例无任何标签的常规体检 CT。若采用全监督，只能使用 300 例，模型泛化差；若采用"弱监督 + 半监督"组合，可先用 4700 例图像级标签训练分类与 CAM 定位，再用 300 例精细掩膜做分割微调，最后用 20000 例无标签数据做一致性正则，理论上可显著提升分割 Dice 与跨中心鲁棒性。这一数字为教学示例，实际效果需以真实实验验证。

四、课程路线图

本课程共 30 章，整体遵循"概念—方法—实现—评估—落地"的递进逻辑。前几章建立弱监督与半监督的基本概念、评价指标与数据组织方式；中段深入 CAM、多示例学习、伪标签、一致性正则、对比学习、熵最小化等核心方法，并结合分割、检测、分类三类任务展开；后段聚焦医学影像特有的挑战，包括类别不平衡、小病灶、多模态融合、跨中心域偏移、标注噪声与不确定性估计；最后落到工程实践，涵盖数据管线、训练策略、模型评估与临床验证要点。

学习本课程不需要你已经是分割专家，但需要具备基本的深度学习训练经验，理解卷积网络、损失函数与反向传播。课程中的代码示例以 PyTorch 为主，数据组织以常见的医学影像格式（如 NIfTI、DICOM 序列）为背景。建议你在学习每一章时，都尝试把方法映射回自己熟悉的临床场景，思考"这个假设在我的数据上成立吗"。