1. 课程导入与误差复盘总览

医学影像AI系统在肺结节筛查、脑出血分诊、骨折检测、乳腺钙化识别等任务中已经进入真实临床流程，但“模型在测试集上AUC达到0.95”并不等于“在科室里不会出错”。误差分析（error analysis）要回答的不是“模型准不准”，而是“它在哪些病例上、以什么方式、因为什么原因出错，以及这些错误会造成什么临床后果”。误差复盘（error review）则是把误差分析从一次性统计变成可重复的团队机制：固定抽样、固定标注、固定归因、固定改进、固定回看。本课程围绕这条主线展开，帮助你把“看错片”转化为“可定位、可归因、可改进、可验证”的工程与临床协作过程。

一、什么是医学影像AI误差分析

医学影像AI误差分析，是对模型输出与参考标准之间的差异进行系统化定位与解释的过程。它至少包含四个层次：

• 结果层：假阳性（FP）、假阴性（FN）、定位偏移、分割边界溢出、分类置信度与真实标签不一致。
• 数据层：图像质量、扫描参数、重建算法、体位、对比剂时相、病灶大小与密度、标注规范差异。
• 模型层：训练分布偏移、类别不平衡、损失函数偏好、后处理阈值、集成策略、域适应不足。
• 流程层：PACS传输、窗宽窗位、DICOM方向标记、报告模板、医生阅片顺序、AI结果展示位置。

举例来说，一个肺结节检测模型在外部医院出现FN升高。若只看总体敏感度，可能归因于“模型泛化差”；但逐例复盘后可能发现：该院层厚为1.25 mm而训练集以1.0 mm为主，且部分结节位于胸膜下，标注时被排除在“可检测”范围之外。此时误差的根因是数据分布与标注规范不一致，而不是单纯的模型容量问题。误差分析的价值，正在于把“笼统的差”拆成“可操作的因”。

二、误差复盘的价值：从个案到系统改进

复盘不是追责，而是建立“错误—证据—根因—改进—验证”的闭环。它的直接价值体现在四个方面：

1. 降低临床风险：识别高危FN模式，如脑出血薄层小病灶、急诊CT运动伪影、骨折线被金属伪影遮挡，优先设置人工复核规则。
2. 提升模型迭代效率：把有限标注预算投向真正困难的病例，而不是随机扩增数据。
3. 统一标注与评价口径：通过复盘发现标注者间差异，修订标注SOP，使训练与评价标准一致。
4. 形成可审计的质量证据：为科室质控、伦理审查、注册申报提供误差分布与改进记录。

三、课程目标与学习路径

本课程的目标是让你能够独立完成一次小规模、可复现的医学影像AI误差复盘，并输出可执行的改进建议。学习路径按“概念—方法—工具—案例—排障—复盘”递进：

• 概念与框架：误差分类体系、混淆矩阵、敏感度/特异度、PPV/NPV、定位指标（IoU、Dice）、置信度校准。
• 数据与标注：抽样策略、参考标准构建、标注一致性（Kappa）、困难病例定义。
• 模型与阈值：ROC/PR曲线、阈值移动对FP/FN的影响、后处理参数、集成与校准。
• 工具与实操：误差清单、可视化叠加、切片级热力图、日志与版本追踪。
• 案例与排障：肺结节、脑出血、骨折等场景的典型误差模式与排查路径。
• 复盘与交付：复盘会议流程、根因分析、改进项优先级、验证与回看。

下面这张图给出本课程的核心关系：从“AI输出”到“误差证据”，再经过“归因分类”进入“改进措施”，最后通过“验证回看”回到临床与模型迭代。它不是线性步骤，而是一个持续循环的质量回路。

四、一个可执行的最小复盘示例

假设某肺结节检测模型在合作医院运行一个月，共处理1200例胸部CT。我们抽取其中100例进行复盘，其中AI报告阳性80例、阴性20例；以两名放射科医师共识为参考标准，实际阳性70例、阴性30例。整理后得到：

修正后假设TP=60、FP=20、FN=10、TN=10，则敏感度85.7%、特异度33.3%、PPV=75%、NPV=50%。此时应优先关注特异度低带来的FP负担：20例假阳性中，若12例为血管断面、5例为胸膜增厚、3例为扫描伪影，则改进方向分别是：增加血管断面负样本、修订胸膜增厚标注规则、在质控流程中标记运动伪影病例。每一步改进都要记录预期影响，例如“补充300例血管断面负样本后，FP率目标下降30%”，并在下一轮抽样中验证。

五、复盘会议的最小议程

为了让复盘可落地，建议每次会议控制在60分钟内，固定五个环节：①回顾本轮抽样与参考标准；②逐例展示误差证据（叠加图、切片号、置信度）；③归因分类并投票确定根因；④形成改进项与责任人；⑤确定验证方式与回看时间。会议记录应包含病例ID、错误类型、根因、改进项、负责人、验证指标、截止日期。没有责任人和验证指标的复盘，容易停留在讨论层面。