2. 医学影像数据特性与评估挑战
在自然图像领域，模型评估往往可以依赖相对干净、类别均衡、来源单一的数据集。但医学影像完全不同：同一项任务，换一个模态、换一家医院、换一批标注医生，模型的表现就可能出现明显波动。理解这些数据特性，是设计合理评估方案的前提。本节围绕五个关键特性展开：影像模态差异、标注噪声、类别不平衡、多中心异质性，以及它们对评估指标与验证策略的联合影响。
一、影像模态决定数据的基本形态
不同模态的成像物理机制不同，直接决定了数据的维度、动态范围和空间语义。
- CT：以HU（Hounsfield Unit）为定量单位，空气约−1000 HU，水约0 HU，骨密度可达+1000 HU以上。数据通常是三维体数据，层厚常见0.625～5 mm，窗宽窗位会显著改变可视对比度。评估时若预处理窗宽不一致，同一病灶的像素分布会完全不同。
- MRI：无统一绝对单位，信号强度依赖序列（T1、T2、DWI、FLAIR）与扫描参数，同一解剖结构在不同序列中灰度关系可能反转。多序列配准误差、层间间距和磁场不均匀性都会引入变异。
- X光：二维投影，存在组织重叠，曝光与体位差异大，常为高分辨率但低对比。
- 超声：实时、操作者依赖强，存在斑点噪声、声影和视角差异，同一病灶不同切面差异明显。
- 病理：全切片图像（WSI）可达数万×数万像素，需多级放大（如20×、40×），染色批次、扫描仪和切片厚度都会影响颜色与纹理。
因此，评估前必须明确：模型输入是二维切片还是三维体、是否多序列融合、是否做了统一的强度归一化。模态不同，评估指标的可比性也不同——例如在MRI上使用基于绝对灰度的阈值方法，往往不可迁移到CT。
二、标注噪声：标签本身就不完美
医学影像标签通常来自医生阅片、病理金标准或随访结果，噪声来源包括：
- 观察者间差异：不同医生对同一病灶的边界、良恶性判断可能不一致，Kappa值常在0.5～0.8之间。
- 观察者内差异：同一医生在不同时间标注也可能变化。
- 标注粒度不一致：有的标注为图像级分类，有的是边界框，有的是像素级分割，混用会污染训练与评估。
- 金标准不完美：病理取材偏差、随访时间不足，都会让“真值”本身带误差。
评估时若把噪声标签当作绝对真值，会高估或低估模型。合理做法是：报告标注一致性（如Cohen's Kappa、Dice），对分歧样本单独分析，必要时采用多标注者投票或软标签。评估指标应同时给出置信区间，而不是只报一个点估计。
三、类别不平衡：准确率会骗人
医学影像中阳性样本往往远少于阴性。例如肺结节筛查中，结节检出率可能只有1%～5%；罕见病分类中某些类别可能不足1%。此时若用准确率（Accuracy）评估，一个全部预测为阴性的模型也能达到95%以上，却毫无临床价值。
应优先选择对不平衡敏感的指标：
- 敏感度/召回率：不漏诊的能力。
- 特异度：不误诊的能力。
- AUC-ROC：综合排序能力，但对极端不平衡仍可能偏乐观。
- AUC-PR：在阳性稀少时更能反映实际性能。
- F1、MCC：兼顾精确率与召回率。
此外，评估时必须固定阈值或明确阈值选择策略。若在测试集上反复调阈值，等于间接过拟合，报告结果会失真。
四、多中心异质性：分布偏移是常态
不同医院、不同设备、不同扫描协议会造成数据分布偏移（Domain Shift）。常见表现包括：
- 设备厂商与重建算法不同，导致噪声与纹理差异。
- 扫描参数不同，如层厚、管电压、对比剂方案。
- 人群构成不同，疾病谱与合并症分布不同。
- 标注规范不同，同一标签在不同中心含义可能不一致。
因此，内部验证（同一中心随机划分）往往高估性能，外部验证（独立中心）才是检验泛化能力的关键。评估设计应至少包含：内部测试集、时间外部验证（同一中心不同时间段）、空间外部验证（不同中心）。若条件允许，还应报告跨中心性能下降幅度，并分析是哪些子群或哪些模态导致下降。
五、特性之间的耦合关系
这五个特性并非独立：模态差异会放大标注噪声，类别不平衡会让多中心评估的方差更大，标注噪声又会干扰不平衡指标的计算。下图梳理了从数据特性到评估挑战的传导路径，以及对应的应对策略。
六、评估实践中的关键检查点
结合上述特性，在开展模型评估时建议逐项确认：
- 模态与预处理是否一致：训练与测试的窗宽窗位、归一化方式、重采样间距是否统一；MRI是否固定序列组合。
- 标签质量是否量化：是否报告标注一致性；分歧样本是否被单独分析或剔除。
- 指标是否匹配不平衡程度：阳性率低于10%时，是否同时报告AUC-PR与敏感度/特异度。
- 验证是否覆盖外部中心：是否至少有一个独立中心或独立时间段的数据；是否报告性能下降幅度。
- 结果是否带不确定性：是否给出Bootstrap置信区间；是否按中心、模态、人群做子群分析。
医学影像评估的难点，本质上来自数据本身的复杂性。只有先看清模态、噪声、不平衡与异质性如何共同作用，才能选择合适的指标与验证设计，让评估结果真正反映模型在临床场景中的可用性。