Python 中用于医疗 AI（尤其是医疗影像、电子病历、预测建模等）的常用库在 2026 年已经非常成熟，主要分为两大类：

1. 医疗影像（Medical Imaging）：处理 DICOM、NIfTI、3D/4D 体积数据、分割、分类、配准等
2. 医疗数据/预测建模：处理结构化 EHR 数据、时间序列、代码预测、风险评分等

以下是 2025–2026 年最活跃、最被实际使用的库（按领域热度排序），附带真实案例和代码片段。

医疗影像领域 Top 库（2026 年主流）

医疗数据 / 预测建模领域主流库

真实案例 + 代码解析（2026 年视角）

案例 1：MONAI 做 3D 肝脏自动分割（最热门医疗 AI 任务之一）

# pip install monai torch torchvision
import monai
from monai.transforms import (
    Compose, LoadImaged, AddChanneld, ScaleIntensityRanged,
    CropForegroundd, RandCropByPosNegLabeld, RandAffined,
    EnsureTyped, ToTensord
)
from monai.networks.nets import UNet
from monai.inferers import sliding_window_inference
from monai.data import CacheDataset, DataLoader

# 1. 数据变换（医疗专用增强）
train_transforms = Compose([
    LoadImaged(keys=["image", "label"]),           # 支持 DICOM / NIfTI
    AddChanneld(keys=["image", "label"]),
    ScaleIntensityRanged(keys=["image"], a_min=-100, a_max=250, b_min=0.0, b_max=1.0, clip=True),
    CropForegroundd(keys=["image", "label"], source_key="image"),
    RandCropByPosNegLabeld(
        keys=["image", "label"],
        label_key="label",
        spatial_size=(96, 96, 96),
        pos=1, neg=1, num_samples=4
    ),
    RandAffined(keys=["image", "label"], prob=0.2, ...),  # 旋转/缩放/平移
    EnsureTyped(keys=["image", "label"]),
    ToTensord(keys=["image", "label"]),
])

# 2. 数据集（支持 CacheDataset 加速）
train_ds = CacheDataset(data=train_files, transform=train_transforms)
train_loader = DataLoader(train_ds, batch_size=2, num_workers=4)

# 3. 模型（MONAI 提供大量预定义网络）
model = UNet(
    spatial_dims=3,
    in_channels=1,
    out_channels=2,          # liver + background
    channels=(16, 32, 64, 128, 256),
    strides=(2, 2, 2, 2),
).cuda()

# 4. 训练（可结合 Lightning / Ignite）
# ...

# 5. 推理（sliding window 大体积推理）
model.eval()
with torch.no_grad():
    pred = sliding_window_inference(inputs=image, roi_size=(96,96,96), sw_batch_size=4, predictor=model)

为什么 MONAI 是 2026 年医疗影像首选？

• 内置大量医疗专用 transform（HU 窗、强度归一、patch 采样）
• 支持 DICOM → NIfTI 转换、MONAI Label（半自动标注）
• MONAI Deploy（临床级部署 MAP 格式）
• Auto3DSeg（零代码自动分割 pipeline）

案例 2：PyHealth 做 ICU 死亡率预测（EHR 时间序列）

# pip install pyhealth
from pyhealth.datasets import MIMIC3Dataset
from pyhealth.models import RETAIN
from pyhealth.trainer import Trainer

# 1. 加载 MIMIC-III（或 eICU、OMOP）
dataset = MIMIC3Dataset(
    root="data/mimic-iii-1.4",
    tables=["ADMISSIONS", "PATIENTS", "LABEVENTS", "CHARTEVENTS"],
    code_vocabs={"LABEVENTS": "lab_code", "CHARTEVENTS": "chart_code"},
    target="readmission",   # 或 mortality, length_of_stay 等
)

# 2. 数据预处理（自动处理时间序列）
from pyhealth.tasks import readmission_prediction_mimic3
dataset = dataset.set_task(readmission_prediction_mimic3)

# 3. 选择模型（RETAIN / Transformer / CNN 等 30+ 种）
model = RETAIN(
    dataset=dataset,
    feature_keys=["conditions", "procedures", "labs", "meds"],
    label_key="readmission",
    mode="binary"
)

# 4. 训练 & 评估
trainer = Trainer(model=model, epochs=20, device="cuda")
trainer.train()
trainer.evaluate()

PyHealth 优势：

• 一站式：数据加载 → 任务定义 → 模型 → 评估指标（医疗专用如 AUPRC、F1@K）
• 支持 10+ 医疗任务（药物推荐、诊断预测、住院时长等）

案例 3：pydicom + SimpleITK 读取 & 处理 DICOM 系列

import pydicom
import SimpleITK as sitk
import numpy as np

# 读取单张 DICOM
ds = pydicom.dcmread("IM-0001-0001.dcm")
print(ds.PatientName, ds.Modality, ds.pixel_array.shape)

# 读取整个系列 → 3D 体积
reader = sitk.ImageSeriesReader()
dicom_names = reader.GetGDCMSeriesFileNames("dicom_folder/")
reader.SetFileNames(dicom_names)
image = reader.Execute()

# 转 numpy
array_3d = sitk.GetArrayFromImage(image)   # shape: (slices, height, width)

小结：

• 医疗影像首选 MONAI + TorchIO + pydicom（深度学习）
• 经典处理用 SimpleITK + nibabel
• EHR / 预测建模首选 PyHealth
• 临床文本 / 生物医学 NLP 用 Hugging Face 的 Bio_ClinicalBERT / PubMedBERT 等

你现在最感兴趣的是哪个方向？

• 3D 器官分割（肝/肺/肿瘤）
• DICOM 预处理 pipeline
• EHR 预测模型（死亡/再入院）
• 影像组学（radiomics）特征提取

告诉我你的具体目标，我可以给你更精细的代码模板或完整 pipeline 示例～