📚 课程目录第1章医学影像AI训练流水线全景

1. 医学影像AI训练流水线全景

医学影像AI项目与通用计算机视觉项目最大的区别，不在于模型结构，而在于数据形态与工程约束。一个肺部CT结节检测模型，从医院PACS里导出的是DICOM文件，最终要在阅片工作站上以毫秒级响应给出结果，中间要跨越数据脱敏、格式转换、标注管理、训练调度、模型评估、推理服务等多个环节。任何一个环节的工程缺陷，都会在最终指标上被放大。本章先建立整条流水线的全景认知，明确各阶段的关键组件与典型工程挑战。

一、端到端流水线的六个阶段

一条完整的医学影像AI训练流水线可以划分为六个阶段，每个阶段都有明确的输入、输出和验收标准。

1. 数据接入与脱敏。输入是PACS或影像归档系统中的DICOM文件，输出是去除患者隐私信息后的合规数据。DICOM文件头中包含PatientName、PatientID、BirthDate、StudyInstanceUID等标签，其中PHI（受保护健康信息）字段必须清除或替换。工程上通常使用pydicom读取标签，对PHI字段做匿名化，同时保留StudyInstanceUID与SeriesInstanceUID的映射关系，以便后续追溯。需要注意的是，部分设备会把患者信息烧录进像素数据（Burned-in Annotation），这类数据必须通过OCR检测或直接剔除。

2. 格式转换与标准化。DICOM是三维体数据，而多数深度学习框架期望的是规整的数组。这一阶段需要完成：像素数据解码（处理不同Transfer Syntax，如JPEG Lossless、JPEG2000）、重采样到统一体素间距（如1mm×1mm×1mm）、方向标准化（将不同扫描方向统一到RAS或LPS坐标系）、强度归一化（CT用HU窗宽窗位，MRI用Z-Score或百分位裁剪）。输出通常是NIfTI或NPZ格式，附带一份元数据清单。

3. 标注与质量控制。医学影像标注成本极高，且需要放射科医生参与。标注形式包括分类标签、边界框、像素级分割掩膜、关键点等。工程上要建立标注规范文档、双人标注与仲裁机制、标注一致性指标（如Dice系数、Kappa系数）。标注数据要版本化管理，避免训练集与验证集之间出现同一患者的数据泄漏。

4. 训练与实验管理。这一阶段涉及数据加载器、增强策略、模型结构、损失函数、优化器、学习率调度等。医学影像的典型挑战是类别极度不平衡（如结节像素占比不足1%），需要采用Focal Loss、Dice Loss或采样策略。实验管理要记录每次运行的超参数、数据版本、代码提交哈希和评估指标，保证结果可复现。

5. 评估与验证。不能只看准确率。医学影像模型需要报告敏感度、特异度、AUC、Dice、HD95等指标，并按病灶大小、位置、设备厂商分层评估。更重要的是外部验证：在来自不同医院、不同扫描仪的数据上测试，检验泛化能力。

6. 部署与推理服务。训练好的模型要封装成可调用的服务，输入是DICOM序列，输出是结构化报告或标注结果。工程上要考虑推理延迟、并发吞吐、GPU显存管理、模型版本灰度发布，以及与PACS/RIS系统的集成方式（如DICOM SCP、FHIR接口）。

二、关键组件与数据流关系

从数据流角度看，整条流水线可以抽象为“数据层—训练层—评估层—部署层”四层结构。数据层负责把原始DICOM变成模型可读的张量；训练层负责在张量上迭代优化参数；评估层负责判断模型是否达到临床可用标准；部署层负责把模型变成稳定服务。四层之间通过标准化的数据契约衔接：数据层输出统一的数组格式与元数据清单，训练层输出模型权重与训练日志，评估层输出指标报告与通过/不通过结论，部署层输出推理API与监控指标。

一个容易被忽视的工程细节是数据版本与模型版本的绑定。如果训练集在模型训练后被修改（例如补充了新的阳性样本），而模型版本没有更新，就会导致评估结果与部署模型不一致。推荐做法是：每次训练运行记录数据集哈希、代码提交哈希、超参数配置和随机种子，形成一份可追溯的实验记录。

三、工程化挑战的应对思路

面对数据异质性，工程上通常采用“标准化预处理+域适应”的组合策略。标准化预处理包括统一体素间距、统一方向、统一强度范围；域适应则通过数据增强（如随机窗宽窗位、弹性形变、噪声注入）或对抗训练来缩小不同来源数据之间的分布差异。

面对标注稀缺，可以采用半监督学习、主动学习或弱监督学习。主动学习的核心是让模型挑选“最不确定”的样本交给医生标注，从而用更少的标注量获得更大的性能提升。工程实现上需要维护一个未标注样本池，每次训练后计算样本的不确定性分数（如预测熵、MC Dropout方差），按分数排序后提交标注。

面对部署延迟，三维医学影像的推理通常采用滑窗策略：将大体积数据切分成固定尺寸的小块（如128×128×128），逐块推理后拼接。滑窗的重叠区域需要做加权融合，避免拼接边界出现伪影。如果显存仍然不足，可以降低推理时的体素分辨率，或使用模型量化（FP16/INT8）与剪枝。

工程建议：在项目启动阶段就建立“数据—代码—模型”三者的版本绑定机制。推荐使用DVC管理数据版本，Git管理代码版本，MLflow或Weights & Biases管理实验记录。这样当模型效果出现波动时，可以快速定位是数据变化、代码变化还是超参数变化导致的。

四、一个可参考的流水线配置示例

以下是一个肺部CT结节检测项目的流水线配置片段，展示了各阶段的关键参数。这些参数属于教学示例，实际项目中需要根据数据规模和硬件条件调整。

# pipeline_config.yaml（示例）
data:
  source: "pacs_export/"
  anonymize_fields: ["PatientName", "PatientID", "BirthDate"]
  target_spacing: [1.0, 1.0, 1.0]   # mm
  hu_window: [-1000, 400]            # 肺窗
  output_format: "nifti"

label:
  task: "segmentation"
  annotators: 2
  arbitration: true
  min_dice_agreement: 0.85

train:
  model: "3d_unet"
  patch_size: [128, 128, 128]
  batch_size: 4
  loss: "dice_focal"
  optimizer: "adamw"
  lr: 1e-4
  epochs: 200
  augmentation: ["flip", "rotate", "elastic", "window_jitter"]

eval:
  metrics: ["dice", "hd95", "sensitivity", "specificity"]
  external_sets: ["hospital_B", "scanner_C"]
  pass_threshold:
    dice: 0.80
    sensitivity: 0.90

deploy:
  framework: "triton"
  precision: "fp16"
  max_batch_size: 8
  timeout_ms: 5000

这份配置的价值在于把“从DICOM到部署”的每个关键决策点显式化。当模型效果不达标时，可以逐项检查：是脱敏环节丢失了关键信息？是重采样间距设置不合理？是标注一致性不足？还是评估指标选择不当？流水线工程的核心不是某个单点技术，而是让每个环节都可观测、可追溯、可复现。

五、本章要点回顾

医学影像AI流水线包含数据接入、格式转换、标注质控、训练管理、评估验证、部署推理六个阶段。
关键组件分为数据层、训练层、评估层、部署层，层与层之间通过标准化数据契约衔接。
典型工程挑战包括数据异质性、标注稀缺、合规约束、类别不平衡、部署延迟和持续演进。
工程化的核心是建立“数据—代码—模型”版本绑定机制，保证结果可追溯、可复现。
流水线配置应显式记录关键参数，便于问题定位和迭代优化。