2. 医学影像数据来源与采集流程

在讨论医学影像数据偏倚与泛化评估之前，必须先理解一个根本问题：影像数据并不是“拍下来就客观”的像素集合，而是特定物理机制、设备参数、扫描协议与重建算法共同作用的产物。不同模态的成像原理不同，同一模态在不同厂商、不同医院、不同参数下产生的数据分布也可能显著不同。这些差异正是后续偏倚与泛化问题的物理与工程根源。

一、不同模态的成像原理与数据生成机制

CT（计算机断层扫描）利用X射线穿过人体后的衰减差异成像。X射线管与探测器围绕患者旋转，采集多个角度的投影数据，再通过滤波反投影或迭代重建算法生成断层图像。CT像素值以HU（Hounsfield Unit）为单位，反映组织的线性衰减系数，水为0 HU，空气约为-1000 HU，骨皮质可达1000 HU以上。CT数据生成链可概括为：X射线源→患者衰减→探测器信号→对数变换→投影数据→重建算法→HU图像。其中管电压（kVp）、管电流（mAs）、层厚、螺距、重建核（kernel）都会显著改变图像噪声、对比度与纹理。

MRI（磁共振成像）基于氢质子在强磁场中的核磁共振现象。主磁场（如1.5T或3T）使质子自旋取向，射频脉冲激发后，质子弛豫过程中释放信号，梯度线圈进行空间编码，最终通过傅里叶变换重建图像。MRI没有电离辐射，但信号强度不是绝对物理量，而是受T1、T2、质子密度、翻转角、重复时间（TR）、回波时间（TE）、接收带宽等参数共同影响的相对值。同一解剖结构在不同序列（T1WI、T2WI、FLAIR、DWI）中灰度关系完全不同，因此MRI数据的“可比性”高度依赖协议一致性。

X光（放射摄影）是二维投影成像，X射线穿过人体后直接照射探测器，得到叠加投影。其数据生成机制简单，但组织重叠导致深度信息丢失。曝光指数（EI）、管电压、滤过、探测器类型（CR、DR）都会影响灰度与噪声。不同设备间的灰度映射差异是X光数据偏倚的常见来源。

超声通过压电换能器发射高频声波，接收组织界面反射回波，按回波时间与强度生成图像。超声图像具有斑点噪声（speckle）、扇形视野、操作者依赖性强等特点。探头频率、增益、时间增益补偿（TGC）、聚焦深度等参数直接影响图像质量与纹理。超声数据高度依赖操作手法，同一患者不同操作者可能得到差异明显的图像。

病理模态包括大体标本、组织切片与数字病理全切片图像（WSI）。WSI通过切片扫描仪在多个放大倍率下采集，生成金字塔式多分辨率图像。染色方案（HE、IHC）、切片厚度、扫描仪型号、色彩校准都会影响像素颜色分布。病理图像的颜色空间（如RGB）与放射影像的灰度空间差异巨大，其偏倚更多体现在染色批次效应与扫描仪色彩响应上。

二、设备差异与扫描协议：同一模态内的“隐性偏倚源”

即使同为CT，不同厂商（GE、Siemens、Philips、Canon等）在探测器材料、重建算法、噪声抑制策略上存在差异。例如，同一患者在同一参数下，不同厂商CT的噪声功率谱（NPS）可能不同，导致纹理特征分布偏移。MRI的场强差异（1.5T vs 3T）会改变T1弛豫时间与信噪比，同一序列在不同场强下灰度关系并不一致。X光的CR与DR探测器在量子效率与灰度响应上也有明显区别。

扫描协议是另一个关键变量。以CT肺结节筛查为例，层厚从1mm变为5mm会改变部分容积效应，影响结节边缘锐利度与密度测量；重建核从“软组织”切换为“肺”或“骨”会显著改变噪声与边缘增强程度。MRI中，TR/TE的微小变化可能改变对比度权重，DWI的b值不同则影响扩散加权程度。超声的探头频率从5MHz升至12MHz，分辨率提高但穿透深度下降，图像纹理随之改变。

三、数据生成机制对偏倚与泛化的影响路径

从数据生成机制到模型泛化，存在一条清晰的因果链：物理机制差异 → 设备与协议参数差异 → 图像灰度/纹理/噪声分布差异 → 特征分布偏移 → 模型在跨站点数据上性能下降。例如，一个在3T MRI上训练的脑肿瘤分割模型，直接应用于1.5T数据时，由于灰度对比度与噪声水平不同，分割边界可能明显偏移。同样，在HE染色WSI上训练的病理分类模型，遇到IHC染色切片时，颜色分布差异会导致特征提取失效。

理解这条链路的意义在于：泛化评估不能只看“模型在测试集上的准确率”，而要追问测试集与训练集在设备、协议、站点、染色批次等维度上是否同分布。若不同分布，则需进一步分析差异来源，并考虑域适应、标准化或重采样等策略。

四、面向偏倚控制的数据采集建议

在实际项目中，可参考以下做法降低数据来源偏倚：

• 多站点采集：尽量覆盖不同厂商、不同型号、不同场强/管电压的设备，避免单一设备主导训练集。
• 协议标准化：对同一研究，制定最低限度的协议规范（如CT层厚≤1.5mm、MRI场强≥1.5T、超声探头频率范围），并记录实际执行参数。
• 元数据完整：每例数据附带设备、协议、参数、站点、时间戳等字段，便于后续分层分析与偏倚溯源。
• 预处理一致性：灰度归一化、重采样、去噪等预处理步骤需在训练与推理阶段保持一致，避免引入额外分布偏移。
• 偏倚审计：定期按设备/站点/协议分组评估模型性能，识别性能下降最明显的子组，定位偏倚来源。

总之，医学影像数据的偏倚与泛化问题，根源在于成像物理、设备工程与扫描协议的多样性。只有从数据生成机制层面理解这些差异，才能在后续的模型训练与评估中做出合理的设计与判断。