2. 临床问题定义与预测任务建模
在医学影像临床预测模型工程中，最容易被低估、却最容易导致项目失败的环节，不是网络结构，也不是训练技巧，而是临床问题定义与预测任务建模。一个影像模型能否真正进入临床，取决于它是否回答了一个明确的临床问题，而不是取决于它在某个公开数据集上把 AUC 提高了 0.02。本节围绕五个必须锁定的要素展开：预测目标、结局变量、时间窗口、适用人群与评价指标，并给出可直接落地的任务定义模板。
一、从临床需求到可计算任务：先问“谁在什么时刻需要什么决策”
临床需求通常以模糊的语句出现，例如“帮助判断肺结节是不是恶性”“预测脑出血患者会不会恶化”。这类表述无法直接训练模型，必须转化为可计算、可观测、可评价的任务。转化的关键是回答四个问题：谁（适用人群）、在什么时间点（预测时刻）、用什么信息（影像及临床变量）、预测什么事件（结局变量）以及在多长时间内发生（时间窗口）。
以“肺结节恶性风险预测”为例，若定义为“对 CT 上发现≥6 mm 实性或部分实性结节的患者，在首次检出时，基于当次 CT 影像与临床信息，预测该结节最终病理为恶性（含浸润性腺癌、鳞癌等）的概率”，则人群、时刻、输入、结局都清晰了。若改为“预测 2 年内是否进展为恶性”，则结局与时间窗口都发生变化，模型输出含义、随访要求和评价方式也随之改变。因此，任务定义不是文字润色，而是决定数据采集、标注方案与验证设计的工程决策。
二、结局变量：必须可观测、可复核、可对齐
结局变量（label）是监督学习的锚点。影像预测中常见的结局来源包括：病理金标准、随访影像变化、临床事件（死亡、复发、再入院）、实验室指标阈值等。选择结局时需满足三个条件：可观测（有明确记录或可判定标准）、可复核（不同标注者能按同一规则判定）、可对齐（能与预测时刻的影像建立时间对应关系）。
例如，用“术后病理良性/恶性”作为肺结节结局，可观测性和可复核性都较好；但若用“医生主观认为像恶性”，则标注一致性差，模型学到的可能是医生偏好而非疾病规律。对于生存类问题，结局应定义为“从预测时刻到事件发生的时间及是否发生”，并明确删失规则。对于多分类问题，需给出类别定义与互斥性说明，例如结节类型分为实性、部分实性、磨玻璃，必须规定混合成分占比阈值，否则同一结节可能被不同中心标成不同类别。
三、时间窗口：预测时刻与结局窗口必须同时定义
时间窗口包含两个方向：预测时刻（用哪个时间点的数据做预测）和结局窗口（事件在多长时间内发生才算阳性）。二者缺一不可。例如“预测 ICU 患者 48 小时内是否发生急性肾损伤”，预测时刻是入 ICU 后 6 小时，输入为这 6 小时内的影像与检验数据，结局窗口是入 ICU 后 48 小时内。若只写“预测 AKI”，则无法确定用哪段数据、也无法确定随访多久。
时间窗口的选择应基于临床决策节奏。急诊场景窗口常为 6～24 小时，术后并发症常为 30 天，肿瘤复发常为 1～3 年。窗口过短会漏掉真实事件，过长则引入竞争风险与失访偏倚。对于影像随访研究，还需规定影像间隔容忍度，例如“随访 CT 与目标时间点相差不超过 30 天视为有效”。
四、适用人群：纳入与排除标准决定模型边界
适用人群不是“所有做 CT 的人”，而是具有明确临床特征和影像条件的目标群体。纳入标准通常包括：疾病或症状定义、影像检查类型与层厚、年龄范围、关键临床变量可得性。排除标准包括：既往相关手术或治疗、影像质量不合格、关键标签缺失、随访不足等。
人群定义直接影响模型的外推性。若训练集只纳入三级医院、层厚 1 mm 的薄层 CT，模型直接用于基层医院 5 mm 层厚扫描时性能可能显著下降。因此，在任务定义阶段就应写明目标使用场景，并据此设计数据采集范围。若目标是多中心通用，则需在纳入标准中保留不同设备、不同层厚、不同对比剂方案，并在评价时按中心分层报告。
五、评价指标：与临床决策代价匹配
评价指标不是越全越好，而是要与临床决策的代价结构匹配。对于筛查类任务，漏诊代价高，应重点关注敏感度、阴性预测值、AUC；对于确诊或治疗决策，误诊代价高，应关注特异度、阳性预测值；对于风险分层，还需关注校准度（校准曲线、Brier 分数），因为临床需要的是绝对风险而非仅排序。若存在类别不平衡，准确率会严重误导，应改用 AUC、PR-AUC 或 F1。若涉及时间窗口，应使用时间依赖 AUC 或 C-index。
此外，必须预先设定临床可接受的性能阈值和决策阈值。例如“在敏感度≥90% 的前提下，特异度不低于 60%”，或“以约登指数最大点作为默认阈值，同时报告阈值 0.3 与 0.5 下的混淆矩阵”。阈值选择应结合临床流程，而不是默认 0.5。
六、任务定义模板：把五要素写成可执行规格
为避免口头定义带来的歧义，建议在项目启动时填写一份任务定义卡。以下为可直接参考的示例（以肺结节为例，参数为教学假设，非实测结果）：
| 要素 | 定义内容 | 工程含义 |
|---|---|---|
| 预测目标 | 辅助判断肺结节恶性风险，支持是否进一步活检或手术的决策 | 二分类概率输出，需校准 |
| 适用人群 | 年龄≥18 岁，CT 发现≥6 mm 实性或部分实性结节，无既往肺部手术或放化疗史 | 决定数据纳排与外部验证范围 |
| 预测时刻 | 首次检出结节的 CT 检查完成时 | 输入仅使用该次及之前信息 |
| 结局变量 | 术后病理或随访≥2 年确认恶性；良性需随访≥2 年无进展 | 需病理与随访双通道标注 |
| 时间窗口 | 结局窗口：检出后 2 年内；随访间隔容忍±30 天 | 定义阳性/阴性/删失 |
| 评价指标 | 主指标 AUC；次指标敏感度、特异度、校准曲线；预设敏感度≥90% 时特异度≥60% | 决定阈值选择与报告方式 |
七、从定义到数据：常见偏差与检查点
任务定义完成后，需立即检查三类偏差。第一是时间泄漏：若预测时刻之后的信息被纳入输入，模型会虚高。例如用检出后 3 个月的随访 CT 预测“检出时恶性”，就属于泄漏。第二是选择偏倚：若只纳入有病理结果的患者，而病理只做于高度怀疑者，则模型学到的是“被怀疑”而非“恶性”。第三是标签噪声：随访不足 2 年即判为良性，会把潜在恶性误标为阴性。检查点包括：预测时刻是否明确、输入变量是否全部早于预测时刻、结局判定是否独立于输入、随访是否满足窗口要求。
predict_time（预测时刻）、event_time（事件或删失时间）、label_source（病理/随访/临床事件）。这三列是后续所有时间窗口计算与标签生成的基础，缺失任何一列都会导致任务定义无法落地。最后，任务定义不是一次性文档，而应随数据探索和临床反馈迭代。若发现某中心病理率极低、随访丢失严重，则需调整结局定义或缩小适用人群；若发现校准度差，则需重新审视标签质量与人群异质性。只有把预测目标、结局变量、时间窗口、适用人群与评价指标作为一个整体反复对齐，影像预测模型才具备进入临床讨论的前提。