医疗影像是AI落地最认真的领域之一：CT、MRI、X光每天产生海量数据，而影像科医生长期处于超负荷状态。但从"在论文数据集上跑出95%准确率"到"在医院里稳定跑起来"，中间隔着数据、验证、监管三座大山。本文按真实项目的推进顺序，梳理一条从数据标注到临床部署的完整路径。

数据：医疗影像的第一道坎

医疗数据的问题从来不是"没有"，而是"用不了"。

首先是格式与标准化。医院PACS系统里存的是DICOM文件，不同设备厂商的扫描参数、层厚、重建算法都不一样。同一个人的肺，在1.5mm层厚和5mm层厚的CT里看起来差别很大。项目第一步通常是重采样到统一spacing，并做HU值窗宽窗位归一化。

其次是标注成本。一张肺部CT有200~400层，逐层勾画病灶，一个熟练医生要花30分钟到2小时。可用的降本手段：

• 预标注+人工修正：先用一个初步模型粗标，医生只做修补，效率提升3~5倍；
• 弱监督学习：只有图像级标签（有没有病）时，用MIL（多示例学习）或Grad-CAM定位病灶区域；
• 跨院联邦学习：数据不出院，模型参数集中训练，解决隐私合规问题。

标注工具方面，ITK-SNAP和3D Slicer是老牌选择，MONAI Label可以把预标注模型直接集成进标注流程。

模型选型：别再自己魔改U-Net了

医疗影像分割领域有个残酷的事实：大多数论文里精心设计的网络结构，打不过调好了的U-Net。nnU-Net把这一点做到了极致——它不发明新结构，而是把数据预处理、patch大小、训练策略全部自动化配置，连续几年霸榜各种分割竞赛。

| 模型 | 思路 | 优势 | 局限 | |------|------|------|------| | U-Net | 编码-解码+跳跃连接 | 小数据友好、稳定 | 长程依赖弱 | | nnU-Net | U-Net+全自动配置 | 开箱即用、基线极强 | 结构不灵活 | | TransUNet | CNN+Transformer混合 | 全局建模好 | 需要更多数据 | | MedSAM等基础模型微调 | 大规模预训练+适配 | 零样本迁移能力 | 推理资源消耗大 |

选型建议很朴素：先用nnU-Net跑基线，精度不够再考虑Transformer类模型；标注量少于200例时，不要碰大模型。

代码示例：一个规范的训练评估骨架

医疗项目里比模型更重要的是评估方式——必须做病例级的交叉验证，绝不能按切片随机划分，否则同一个病人的相邻切片同时出现在训练集和测试集，指标会虚高得离谱。

import numpy as np
from sklearn.model_selection import GroupKFold
from monai.networks.nets import UNet
from monai.losses import DiceCELoss

# patient_ids[i] 表示第 i 个样本属于哪个病人
def make_splits(labels, patient_ids, n_splits=5):
    gkf = GroupKFold(n_splits=n_splits)
    return list(gkf.split(np.zeros(len(labels)), labels, groups=patient_ids))

model = UNet(
    spatial_dims=3,
    in_channels=1,
    out_channels=2,                  # 背景 + 病灶
    channels=(16, 32, 64, 128, 256),
    strides=(2, 2, 2, 2),
)

# 医学分割常用 Dice + 交叉熵组合损失
loss_fn = DiceCELoss(to_onehot_y=True, softmax=True)

# 评估指标：Dice 系数
def dice_score(pred, target, eps=1e-6):
    inter = (pred * target).sum()
    return (2 * inter + eps) / (pred.sum() + target.sum() + eps)

从实验室到临床：验证与部署

内部测试集上Dice 0.9，不代表能进医院。临床级验证要求：

1. 外部验证：用没参与训练的医院的数据测试，泛化掉5~10个百分点很正常，掉20个点就要回头查数据分布；
2. 读者研究：对比"医生+AI辅助"和"医生单独阅片"的效率与漏诊率，这才是药监局审批关注的证据；
3. 部署工程化：模型导出ONNX或TensorRT，推理服务打包成Docker镜像对接医院PACS，全链路要能断网运行——医院内网通常不连互联网。

监管层面，国内走NMPA三类证，美国走FDA 510(k)或De Novo路径。审批周期长（1~3年），所以产品定义阶段就要想好申报路径；训练数据的合规记录（伦理审批、知情同意、脱敏流程）一个都不能少。

总结与展望

医疗影像AI的技术框架已经相当成熟：nnU-Net级别的分割能力、MONAI生态、联邦学习方案都有现成轮子。真正的壁垒在于高质量标注数据的积累、多中心验证的组织能力，以及对监管路径的理解。未来两年的看点是多模态报告生成（影像+病历文本联合建模）和基础模型在长尾病种上的迁移能力。对开发者来说，这是一个"慢即是快"的领域：把数据和验证做扎实，比追最新网络结构有价值得多。