1. 多中心医学影像验证工程导论

在单中心数据集上把 Dice 系数刷到 0.90，并不等于模型进入临床后仍然可靠。多中心医学影像验证工程，研究的正是如何让一个影像 AI 模型在来自不同医院、不同设备、不同人群的数据上，被可重复、可追溯、可解释地证明其性能与安全性。它不是一次性的评测脚本，而是一套贯穿数据、模型、流程与治理的系统工程。

一、什么是多中心验证

多中心验证（multi-center validation）指在多个独立医疗机构采集或标注的影像数据上，对同一模型进行系统评估，并给出可比较的性能结论。它与"多数据集测试"的关键区别在于：多中心数据天然携带中心效应——不同中心的扫描仪型号、重建算法、扫描协议、造影剂方案、患者构成、标注规范都存在差异，这些差异会以"域偏移"的形式作用于模型输入与输出。

因此，多中心验证要回答的不只是"模型准不准"，而是三个层次的问题：

• 内部有效性：在受控条件下，模型是否按设计工作（如交叉验证、留出集）。
• 外部有效性：换到未见过的中心，性能下降多少，是否仍在临床可接受范围。
• 泛化与稳健性：性能下降是来自数据分布差异，还是来自模型对某些中心特征的过拟合。

二、核心挑战：为什么"多中心"很难

把模型从 A 院搬到 B 院，常见的问题可以归为四类。

数据异质性。同一台 CT 的层厚从 1 mm 变为 5 mm，肺结节分割的边界就会明显变化；MRI 场强从 1.5T 到 3T，灰度分布整体漂移。若训练集只覆盖单一机型，模型很容易把"设备指纹"当成判别依据。

标注异质性。不同中心对"肿瘤边界"的理解不同，勾画者之间的差异可能大于模型之间的差异。若不做标注一致性分析，验证结论会被标注噪声污染。

评测口径不一致。有的中心用患者级划分，有的用切片级划分；有的报告 Dice，有的报告 HD95。口径不同，数字不可比，结论也无法复现。

合规与隐私。影像数据通常不能出院内，跨中心验证往往需要联邦式或去中心化的协作方式，这对工程实现提出了额外要求。

三、工程化视角：把验证当作一条可复现的流水线

工程化的核心，是把验证从"某个人跑出来的结果"变成"任何人按同一流程都能复现的结果"。这要求把验证拆解为可版本化、可审计的环节：数据清单与划分、预处理与标准化、模型与权重、推理配置、评测指标与统计、结果归档。下图给出多中心验证的整体数据流与关键控制点。

图中左侧是三个真实中心，它们的数据先进入"数据清单与划分"形成带版本号的固定划分；再经"预处理与标准化"消除部分设备差异；随后由固定权重与配置的模型推理；所有输出统一进入"评测与统计"；最终归档为可追溯的结果包。虚线回路表示：当某中心指标异常偏低时，需要回到数据或预处理环节定位原因，而不是直接调参。

四、一个可执行的最小验证闭环

以一个肺结节分割任务为例，假设三个中心各提供 60 例 CT，共 180 例。工程上可按如下方式组织：

# 数据划分（患者级，固定种子）
seed = 20240501
中心A: 训练40 / 验证10 / 测试10
中心B: 训练40 / 验证10 / 测试10
中心C: 训练40 / 验证10 / 测试10

# 评测口径
指标: Dice, HD95(mm), 体积相对误差
统计: 各中心分别报告均值±标准差，并给出95%置信区间
对比: 中心内测试 vs 跨中心测试（LOSO）

运行后，若中心 A 内部测试 Dice 为 0.91，而把在 A、B 上训练的模型直接用于 C 时 Dice 降到 0.78，同时 HD95 从 2.1 mm 升到 6.4 mm，这就提示存在明显的域偏移。此时应检查 C 的层厚、重建核与灰度分布是否与训练集差异过大，再决定是加入中心 C 的部分数据做微调，还是引入更强的强度标准化。判断是否"可接受"，不能只看单点数值，而要看置信区间是否与临床要求的下限相交。

五、课程路线图

本课程后续将沿着这条流水线逐段展开：先建立多中心数据治理与划分规范，再讨论影像预处理与标准化；随后进入模型训练、外部验证与统计推断；接着覆盖联邦学习与去中心化协作、评测脚本与自动化流水线；最后落到报告撰写、偏差分析与临床可接受性判断。每一章都会给出可操作的参数、脚本结构或检查清单，使读者能够把"多中心验证"从概念变成可交付的工程产物。

需要始终记住的是：多中心验证的目标不是追求一个漂亮的平均分，而是诚实地刻画模型在不同中心的表现边界，并让这个边界可被复现、可被审计、可被临床决策者理解。