1. 课程导入与工程全景
医学影像临床预测模型，指的是以医学影像（CT、MRI、超声、X线、PET等）为主要输入信号，结合临床变量、人口学信息或实验室指标，通过统计学习或深度学习方法构建的、用于预测某一临床结局的数学模型。这里的“临床结局”可以是良恶性判别、病理分级、治疗反应、复发风险、生存期或并发症概率。它与传统影像组学研究的最大区别在于：模型不是停留在“特征与标签相关”的论文结论上，而是要被封装成可复现、可部署、可监控的工程产物，进入真实诊疗流程。
理解这一区别，是理解整门课程的关键。一个在回顾性数据集上AUC达到0.92的模型，如果缺乏固定的预处理管线、明确的版本管理、可追溯的训练数据划分，以及部署后的输入分布监控，它在临床现场的表现可能迅速退化。工程化的价值，正是把“一次性的实验结果”转化为“可持续运行的临床决策支持组件”。
典型应用场景与工程约束
不同临床场景对模型的要求差异很大，这直接决定了工程方案的取舍。例如肺结节良恶性辅助诊断，通常要求高敏感性以降低漏诊，模型输出需要给出可疑区域定位，便于放射科医师复核；而乳腺MRI新辅助化疗疗效预测，更关注治疗前即可获得的影像特征，输出的是分层概率，用于多学科会诊讨论。再如脑卒中出血转化预测，输入往往包含NCCT、CTA及灌注参数，时间窗紧、对推理延迟敏感，工程上必须考虑端到端的处理耗时。
这些差异意味着：模型结构选择、输入模态组织、推理服务形态、阈值设定策略，都不能脱离具体临床任务来谈。课程后续章节会围绕这些约束逐一展开。
工程化全流程
从原始DICOM到临床可用的预测服务，完整链路可以概括为六个相互衔接的阶段，但它们并非单向瀑布，而是带有反馈回路的迭代过程。下图给出本节的全景视图，重点表达数据流、模型流与临床反馈之间的关系。
图中六个阶段构成一个闭环：数据与标注决定上限，特征与建模决定表达力，评估与验证决定可信度，部署与服务决定可用性，临床反馈决定模型能否持续进化，而治理底座决定这一切是否可复现、可审计。学习路线沿同一顺序展开，但每一环都要求产出具体工程物：清洗后的数据集清单、可复现的训练脚本、评估报告、推理服务镜像、监控看板。
一个可感知的示例
假设我们要构建一个“术前MRI预测直肠癌新辅助治疗病理完全缓解（pCR）”的模型。输入对象是治疗前盆腔MRI的T2WI与DWI序列，以及CEA、肿瘤距肛缘距离等临床变量；标签来自术后病理报告中的pCR判定。工程上，第一步不是直接训练网络，而是把DICOM按患者ID归集，统一重采样到1mm×1mm×3mm，对T2WI做N4偏置场校正，由两位放射科医师独立勾画ROI并计算Dice一致性，低于0.75的病例进入仲裁。随后按7:1.5:1.5划分训练、验证与测试集，且划分在患者层面进行，避免同一患者多序列泄漏。模型侧可先建立影像组学+逻辑回归的基线，记录其测试集AUC与校准斜率，再引入3D ResNet对比。评估阶段除AUC外，必须报告敏感度、特异度、Brier分数与决策曲线，并做bootstrap置信区间。部署阶段将最佳模型导出为ONNX，封装为REST服务，输入为序列文件路径，输出为pCR概率与阈值判定。上线后记录每次调用的输入尺寸、像素强度分布与预测分布，当输入均值偏移超过训练集均值±2个标准差时触发告警。