2. 医学影像AI系统全流程拆解

医学影像AI系统的误差很少是“模型没训好”这一个原因造成的。它更像一条串联链路：DICOM数据从设备出来，经过脱敏、筛选、标注、预处理、训练、验证、部署，最后在临床端推理。任何一环引入的偏差，都会在后续环节被放大或掩盖。理解这条链路，是误差分析与复盘的前提。

一、全流程链路与误差注入点

下面这张图把五个阶段与典型误差源放在同一视图中。注意：误差不是只在训练阶段产生，而是沿数据流逐级传递，并在部署端以“性能下降”的形式暴露。

二、各阶段误差的产生机制

数据采集阶段。最常见的问题是设备与扫描参数不统一。例如同一批肺部CT数据中，部分层厚为1.0 mm、部分为2.5 mm，部分使用肺窗、部分使用纵隔窗。如果直接混合训练，模型会把“层厚差异”当成特征来学习。另一个隐蔽问题是脱敏：某些脚本会删除DICOM头中的关键字段（如层间距、重建核），导致预处理阶段无法正确重采样。复盘时应检查：设备型号分布、层厚/像素间距统计、窗宽窗位范围、脱敏后字段完整性。

标注阶段。标注误差主要来自三方面：标注者间差异、边界模糊、类别定义不统一。以肺结节勾画为例，两位放射科医师对同一结节的边界可能相差2～3 mm，若直接取平均，反而会模糊真实边界。更严重的是“漏标”：小结节或低对比度病灶容易被忽略，模型学到的是“不完整正样本”。复盘时应计算标注者间一致性指标（如Dice、Kappa），并抽查边界争议病例。

预处理阶段。重采样插值会引入伪影，尤其是层厚方向的大跨度插值。归一化参数（均值、标准差）若从训练集计算后直接用于推理，而推理数据分布不同，就会产生偏移。数据增强（旋转、缩放、弹性形变）如果幅度过大，会改变病灶的形态学特征，使模型学到不真实的模式。复盘时应固定预处理参数并记录版本，对比训练与推理的预处理流水线是否一致。

模型训练阶段。数据泄漏是最致命的误差源：同一患者的不同切片被分到训练集和验证集，导致验证指标虚高。类别不平衡会使模型偏向多数类，例如结节检出中阴性样本远多于阳性。过拟合表现为训练集指标高、验证集指标低；欠拟合则两者都低。复盘时应检查患者级划分、类别分布、学习曲线。

推理部署阶段。域偏移是部署端最常见的误差：训练数据来自A医院，部署到B医院后，设备、扫描协议、人群分布不同，性能显著下降。推理加速（如量化、剪枝）可能带来精度损失。后处理阈值设置不当，会直接改变检出率与假阳性率。复盘时应监控输入分布漂移、推理延迟、召回率变化。

三、误差复盘的关键检查点

实际复盘时，建议按“从部署端反向追溯”的顺序进行。先确认推理端输入是否与训练分布一致，再检查预处理流水线是否一致，然后回溯标注质量与数据采集参数。每一步都要有可验证的证据，而不是凭感觉判断。