医疗影像诊断中的分类模型应用

可视化演示

展示医疗影像二分类决策边界与混淆矩阵热力图，支持模式切换查看良恶性分类效果与诊断性能指标分布。

分类任务概览

山城水果合作社的传送带前，老周面前摆着两种筐。一种只有两个筐：合格、不合格——这是二分类；另一种是一排筐：苹果、梨、橙子各归各——这是多分类。不管是哪种活儿，核心就一句话：看一眼水果，扔进该去的筐。

医疗影像分类模型做的事一模一样，只是「眼睛」换成了深度学习网络，水果换成了 CT、X 光、病理切片，筐换成了诊断标签。输入一张影像 $x$，模型输出一个类别 $y$：有没有病灶、良性还是恶性、属于哪种病理分型。在深度学习里，分类就是学习一个从图像到标签的映射函数。

按候选类别数量，任务分两种：二分类只有两个候选类别，是医疗 AI 产品的地基；多分类候选类别多于两个，是二分类的延伸。医疗影像分类还有三个特点：样本少（常常只有几百到几千张），标注贵（需要高年资医生逐像素勾画），而且医生会追问「凭什么这么判」——所以对可解释性和评估严谨性的要求，比通用图像分类高得多。这也是同样一个分类模型，在医疗场景里要格外小心对待的原因。

$$\displaystyle \hat{y} = \arg\max_{c \in \{1, 2, \ldots, K\}} P(y = c \mid \boldsymbol{x})$$

1. 条件概率 $P(y = c \mid \boldsymbol{x})$：给定一张影像 $\boldsymbol{x}$，模型估算它属于类别 $c$ 的可能性，比如「这是腺癌」的概率是 0.7。

$$\displaystyle P(y = c \mid \boldsymbol{x})$$

2. 遍历所有类别 $c \in \{1, 2, \ldots, K\}$：把正常、腺癌、鳞癌……每个候选类别都依次算一遍概率，一个都不能漏。

$$\displaystyle c \in \{1, 2, \ldots, K\}$$

3. 取最大值 $\arg\max$：比较所有概率，挑出最大的那个类别作为输出，就像老周看哪个筐的「分数」最高就把水果扔进去。

$$\displaystyle \arg\max_{c} \cdot$$

4. 输出预测 $\hat{y}$：最终得到的 $\hat{y}$ 就是机器给出的标签，比如「有病灶」或「腺癌」。

$$\displaystyle \hat{y}$$

老周的功夫是练出来的——看一眼便知好赖；模型的功夫是算出来的——看一万张、算一千遍概率。接下来，我们把老周面前的几个筐一个个打开，看看每种分类任务背后的门道。

二分类落地

合作社最赚钱的活是给礼盒挑烂果：传送带嗖嗖过，老周眼睛一瞟，手一拨，好果进礼盒，烂果进废料箱。这个「过/不过」的判断，就是二分类。上了自动分拣机后，摄像头咔嚓一拍，屏幕显示 0.92——机器认为「这是烂果」的把握有九成二。

那个 0 到 1 的数字，来自 sigmoid 函数。模型先对影像提取特征，加权求和得到一个原始分数 $z$，再经 sigmoid 压进 (0, 1) 区间，当作阳性概率。医疗里最常见的二分类问题就是「有没有肺结节」「乳腺钼靶是良性还是恶性」，都属于这种二选一。模型最终输出的不是类别本身，而是一个概率，决策由人来做。

输出概率后还需要一个阈值，默认 0.5：不小于 0.5 判阳性，否则判阴性。但医疗场景里阈值是可以拨动的——往左拨，更敏感，漏诊变少但误诊变多；往右拨，更特异，误诊变少但漏诊变多。筛查类产品通常会往左拨：先提示「有病灶」，再让医生复核。漏掉一个病灶的代价，远大于多复查一张片子。这也是二分类落地时最核心的工程决策。

$$\displaystyle \sigma(z) = \frac{1}{1 + e^{-z}}$$

1. logit 值 $z$：模型对输入特征加权求和得到的原始分数，类似老周凭手感给出的「可疑程度分」，可正可负。

$$\displaystyle z$$

2. 指数映射 $e^{-z}$：把任意实数映射到正数区间，分数越高，这个值越小。

$$\displaystyle e^{-z}$$

3. 归一化 $\frac{1}{1 + e^{-z}}$：分母永远大于 1，整体输出被限制在 (0, 1) 之间，大数变 1，小数变 0。

$$\displaystyle \frac{1}{1 + e^{-z}}$$

4. 概率输出 $\sigma(z)$：输出就是「坏果概率」，超过阈值（如 0.5）就判为病灶。

$$\displaystyle \sigma(z)$$

老周把关的底线是「烂果绝不能进礼盒」，医疗二分类的底线是「病灶绝不能放走」。那根阈值拨杆拨到哪儿，取决于你更怕漏诊还是更怕误诊——这是临床决策里永远绕不开的权衡。

多分类落地

中秋礼盒要装三种水果，老周得把混装的一筐分成三堆：苹果、梨、橙子，有时候还得分出「碰伤的苹果」「熟透的梨」这种细类。这就是多分类：从一堆候选里，找出到底该进哪个筐。筐越多，活儿越精细，责任也越大。

医疗影像的多分类大多出现在肿瘤领域：一张病理切片，是腺癌、鳞癌还是小细胞肺癌？一张眼底照片，是轻度、中度还是重度病变？模型这时不再只输出一个 0 到 1 的概率，而是输出一个长度为 $K$ 的向量，每个分量代表「属于第 $k$ 类」的概率，加起来恰好等于 1。把原始分数变成这种概率分布的工具，叫 softmax。它和二分类的 sigmoid 是一家人，只是从「二选一」扩展到了「K 选一」。

softmax 先把每个类别的分数做指数化，再除以所有类别指数化分数之和。于是模型会给出「腺癌 0.70、鳞癌 0.20、小细胞肺癌 0.10」这样的答案，取最大值就是预测类别。多分类还能延伸出多标签分类——一张 CT 可以同时有肺结节和胸膜增厚，相当于一个水果可以同时进两个筐，实践中一般拆成多个二分类来做，每个二分类只管「有没有某一种病」。

$$\displaystyle \text{softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}, \qquad i = 1, 2, \ldots, K$$

1. 原始分数 $z_i$：模型对第 $i$ 个类别（比如「鳞癌」）给出的原始得分，通常可正可负。

$$\displaystyle z_i$$

2. 指数化 $e^{z_i}$：把分数变成正数，同时放大分数之间的差距，高分更突出。

$$\displaystyle e^{z_i}$$

3. 求和 $\sum_{j=1}^{K} e^{z_j}$：把所有类别的指数化分数加起来，当作「总分」分母。

$$\displaystyle \sum_{j=1}^{K} e^{z_j}$$

4. 归一化：每个类别的概率等于自己的指数分除以总分，因此全部概率之和为 1。

$$\displaystyle \frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}$$

老周分三筐的诀窍，不是只看颜色，而是颜色、形状、手感一起打分，哪个筐分数高进哪个筐。多分类模型学的正是这套综合打分的本事。

类别不均衡

合作社的果园管理得极好，一百万个苹果里才有一个烂的。老周要是偷懒全部喊「合格」，准确率高达 99.9999%，能评上年度最佳质检员——但烂果一个都没挑出来，客户的投诉电话马上打爆。这就是类别不均衡的陷阱：准确率是个会骗人的优等生。数据失衡时，模型只要「躺平」就能拿高分，但恰恰什么有用的事都没干。

医疗数据天生不均衡：一万人做肺癌筛查，确诊的可能只有十几个；公开数据集里正常切片常常是病灶切片的几十倍。模型天然会「讨好」多数类，因为只要把一切都判成正常，总损失就很小。于是你会看到准确率 99% 的模型，实际上一个病灶都没发现。这种「高准确率、零召回」的模型在医疗场景里不仅没用，还可能耽误病情。

常见对策有三条。一是过采样：把少数类样本复制或做增强，让两类数量接近；二是欠采样：从多数类里随机抽一部分（适合数据量很大的时候）；三是损失加权：在交叉熵损失里给少数类更大的权重，也是最推荐的做法——相当于「判错一个病灶，罚十倍」。权值怎么设？一般按类别频率的反比起步，再在验证集上调，目标是让敏感度和特异度都过线。

$$\displaystyle \mathcal{L} = -\frac{1}{N} \sum_{i=1}^{N} w_{y_i} \log p_{y_i}$$

1. 单样本损失 $-\log p_{y_i}$：模型给真实类别 $y_i$ 的概率越大，损失越小；概率越接近 0，惩罚越大。

$$\displaystyle -\log p_{y_i}$$

2. 类别权重 $w_{y_i}$：给少数类（如病灶）一个大于 1 的权重，把它的错误「放大」十倍甚至更高。

$$\displaystyle w_{y_i}$$

3. 求平均 $\frac{1}{N} \sum_{i=1}^{N}$：对整批样本求平均损失，作为一次梯度更新的依据。

$$\displaystyle \frac{1}{N} \sum_{i=1}^{N}$$

4. 梯度下降更新：损失被少数类「带着跑」，每次更新都更认真地学少数类样本。

$$\displaystyle \theta \leftarrow \theta - \eta \nabla \mathcal{L}$$

给少数类加权，就像在废料箱上贴告示：「漏掉一个烂果，扣当月奖金；误扔一个好果，只罚五块。」模型自然就把注意力放在那些容易被放走的烂果上。

数据增强技巧

老周带新徒弟，第一天指着苹果说：这是苹果。第二天，他故意把苹果转个面、擦上泥点、混进几个歪果，再让徒弟认。练多了徒弟就明白：不管苹果怎么转、怎么脏，它还是苹果。医疗影像同理——病人躺的角度不同、机器的曝光参数不同，病灶在片子上看起来就有差异，但诊断结论不该变。模型也得经历这种「多看几面」的训练。

数据增强，就是训练时对影像做一系列无害变换，生成多个变体，让同一个病灶以不同姿态出现在模型面前。好处有两层：一是变相扩大样本量，缓解医疗数据不足的窘境；二是逼模型学会「旋转不变、光照不变」，减少过拟合。对医疗影像这种「样本少、标注贵」的场景，数据增强几乎是免费的训练数据。

医疗影像里常用三类增强。几何变换：随机旋转、平移、水平翻转——注意翻转要符合解剖学，左右肺的掩膜要同步镜像；像素变换：调整亮度、对比度、灰度范围，模拟不同机器的成像差异；模拟噪声：叠加高斯噪声、模糊、伪影，模拟低剂量扫描得到的退化图像。增强不是越多越强，要控制幅度，让变换后的图像仍然「像一张真实的片子」。

$$\displaystyle J(\theta) = \frac{1}{N} \sum_{i=1}^{N} \frac{1}{M} \sum_{m=1}^{M} \ell\big(y_i, f(T_m(\boldsymbol{x}_i); \theta)\big)$$

1. 变换 $T_m(\boldsymbol{x}_i)$：对第 $i$ 张影像做第 $m$ 种增强，比如旋转 15°、加噪声、调亮度，生成一张「新片子」。

$$\displaystyle T_m(\boldsymbol{x}_i)$$

2. 预测 $f(\cdot; \theta)$：用参数为 $\theta$ 的模型对增强后的影像做分类预测。

$$\displaystyle f(T_m(\boldsymbol{x}_i); \theta)$$

3. 损失 $\ell(y_i, \cdot)$：计算预测与真实标签的差距，跟普通训练一模一样。

$$\displaystyle \ell\big(y_i, f(T_m(\boldsymbol{x}_i); \theta)\big)$$

4. 多重增强平均 $\frac{1}{M} \sum_{m=1}^{M}$：同一张原图的 $M$ 个变体的损失取平均，相当于一道菜让学徒尝 $M$ 种做法，最后综合打分。

$$\displaystyle \frac{1}{M} \sum_{m=1}^{M}$$

数据增强的哲学，就是老周那句口头禅：同一个苹果，得多看几面才敢下结论。模型看得越全，到了真实世界才越稳。

评估与避坑

季度考核，老周交出一份报告：「本月分拣准确率 99.8%。」老板正要表扬，客户投诉说礼盒里出现了烂果。原来老周只统计了「总共分对多少」，没统计「烂果漏掉几个」。评价一个分拣员，不能只看总准确率，要拆开看：烂果逃走了几个（漏诊）、好果被扔了几个（误诊）。

医疗分类的评估也靠这几个数，它们来自混淆矩阵：TP 真阳性、FN 假阴性（漏诊）、TN 真阴性、FP 假阳性（误诊）。由此衍生出敏感度、特异度、AUC 等指标。筛查类产品敏感度优先，先把可疑的都捞出来；确诊类产品要同时兼顾特异度，减少不必要的穿刺和手术。AUC 则是把不同阈值下「敏感度-特异度」的权衡画成 ROC 曲线，用曲线下面积衡量模型把所有样本按风险正确排序的能力，不依赖具体阈值。

指标之外还有三个绕不开的坑。一是数据泄露：同一患者相邻的几十张切片被随机分到训练集和测试集，模型「考试时见过答案」，评估分虚高 10 个点都不奇怪，必须按患者级别划分数据集。二是标注不一致：两位医生可能对同一张片子给出不同标签，标注本身有噪声，可以考虑多位医生标注、取多数票。三是别在测试集上反复调参，否则测试集慢慢就变成了训练集，分数自然越来越好看。

$$\displaystyle \text{Sens} = \frac{TP}{TP + FN}, \qquad \text{Spec} = \frac{TN}{TN + FP}$$

1. TP 真阳性：实际是病灶，模型也判为病灶——烂果被正确扔进废料箱。

$$\displaystyle TP$$

2. FN 假阴性（漏诊）：实际是病灶，模型却说正常——烂果混进礼盒，最危险的一种错误。

$$\displaystyle FN$$

3. 敏感度 Sens：所有真实病灶中被正确检出的比例，分母是 $TP + FN$，漏诊越少越接近 1。

$$\displaystyle \frac{TP}{TP + FN}$$

4. 特异度 Spec：所有真实正常人中被正确排除的比例，分母是 $TN + FP$，误诊越少越接近 1。

$$\displaystyle \frac{TN}{TN + FP}$$

后来老周改成了三行汇报：烂果漏几个、好果扔几个、客户投诉几次。医疗 AI 的评估，盯住的也永远是那几个最要命的数字——漏诊率和误诊率，而不是漂亮的总准确率。

AI 应用场景

Python 演示

import torchimport torch.nn as nn torch.manual_seed(0) # 构造模拟数据: 800 个正常样本(类别0), 200 个病灶样本(类别1)n_normal, n_lesion = 800, 200normal = torch.randn(n_normal, 8) * 0.6lesion = torch.randn(n_lesion, 8) * 0.8 + 1.2X = torch.cat([normal, lesion])y = torch.cat([torch.zeros(n_normal, dtype=torch.long),               torch.ones(n_lesion, dtype=torch.long)]) perm = torch.randperm(X.shape[0])X, y = X[perm], y[perm] class MLP(nn.Module):    def __init__(self):        super().__init__()        self.net = nn.Sequential(            nn.Linear(8, 16), nn.ReLU(), nn.Linear(16, 2)        )     def forward(self, x):        return self.net(x) def train(use_weight):    model = MLP()    opt = torch.optim.Adam(model.parameters(), lr=0.01)    weight = torch.tensor([1.0, 4.0]) if use_weight else None    criterion = nn.CrossEntropyLoss(weight=weight)    for _ in range(200):        opt.zero_grad()        loss = criterion(model(X), y)        loss.backward()        opt.step()    with torch.no_grad():        pred = model(X).argmax(dim=1)        acc = (pred == y).float().mean().item()        sens = ((pred == 1) & (y == 1)).sum().item() / (y == 1).sum().item()        spec = ((pred == 0) & (y == 0)).sum().item() / (y == 0).sum().item()    return acc, sens, spec acc, sens, spec = train(False)print("普通训练  acc=%.3f sens=%.3f spec=%.3f" % (acc, sens, spec))acc, sens, spec = train(True)print("加权训练  acc=%.3f sens=%.3f spec=%.3f" % (acc, sens, spec))

1. normal = torch.randn(n_normal, 8) * 0.6模拟 800 张「正常」影像的特征向量，特征值集中在小范围。
2. lesion = torch.randn(n_lesion, 8) * 0.8 + 1.2模拟 200 张「病灶」影像，特征整体偏高，两类数据仍有重叠，模拟真实世界的模糊边界。
3. weight = torch.tensor([1.0, 4.0]) if use_weight else None给病灶类 4 倍损失权重，让模型不敢忽视少数类。
4. criterion = nn.CrossEntropyLoss(weight=weight)传入类别权重的交叉熵损失，少数类犯错被放大。
5. sens = ((pred == 1) & (y == 1)).sum().item() / (y == 1).sum().item()敏感度：病灶样本里被正确检出的比例。
6. spec = ((pred == 0) & (y == 0)).sum().item() / (y == 0).sum().item()特异度：正常样本里被正确排除的比例。

常见误区

面试题