医学图像异常检测这个方向有个挺尴尬的现状每年新方法一抓一大把但你把两篇论文的实验结果并排放基本没法判断谁真的更好。数据集不同、正常与异常的划分不同、评测指标不同连阈值怎么选都不一样。MedIAnomaly 这篇比较研究做的事情说白了就是把这些变量全部摁进同一套代码框架里让十来个代表性方法在同一批数据、同一套评测协议、同一个超参搜索预算下真刀真枪跑一遍然后告诉你谁在什么条件下能打、谁只是看起来能打。如果你刚进这个方向或者做过一阵子医学图像异常检测却发现自己的指标怎么调都对不齐别人的论文这篇东西值得花时间啃。它带来的最大价值不是某个新模型而是一套可以拿来当标尺的实验方法论——知道怎么公平地比比知道怎么刷点更重要。1. 这份比较研究真正想解决的是没法比的问题异常检测在工业质检里已经跑得比较成熟了给一堆正常产品图模型学会正常长什么样然后挑出有划痕、缺件、脏污的那些。医学图像领域想做的是同一件事只是正常变成了健康组织异常变成了病灶。听起来只是换个数据集实际做起来完全是另一个难度等级而最要命的问题不是模型不够强是大家根本不在同一个赛道上比。1.1 评测乱象的三个来源第一个来源是数据。同样是胸片异常检测有人用 RSNA 肺炎数据集有人用 VinDr-CXR有人用 CheXpert还有人自己医院内部收一批。这些数据集的标注粒度差别极大RSNA 给的是肺区不透明病灶的框CheXpert 给的是十几种征象的图像级标签还有一些数据集只有像素级分割掩码。标注粒度不同能算的指标就不同能算的指标不同报出来的数字自然没有可比性。第二个来源是划分方式。医学图像有一个工业数据没有的坑——同一位患者往往有多张片子、多个视图、多层切片。如果按图像随机划分同一个病人的片子可能一部分进训练集、一部分进测试集模型只要记住这位患者的解剖特征就能在测试集上拿到虚高的分数。更麻烦的是正常的定义本身就有歧义排除肺炎的正常和排除所有胸部异常的完全正常是两个差别很大的集合有些数据集里还混着肺部无异常但整体不算正常的灰色样本丢不丢、怎么丢不同论文处理方式不同结果差好几个点很正常。第三个来源是指标和阈值。图像级 AUC、图像级 AP、像素级 AUC、像素级 F1、PRO这几个指标对同一批预测结果的评价可能完全相反。更隐蔽的是阈值很多论文在测试集上扫一遍取 F1 最大的阈值这等于让模型看了答案再交卷属于事实上的信息泄漏但因为它不写在正文里读者很难察觉。1.2 MedIAnomaly 把哪些变量摁进了同一套代码MedIAnomaly 的思路很直接与其争论谁的方法更好不如先把比较的规则统一。它把无监督异常检测UAD和半监督异常检测SAD这两条主要技术路线下的代表方法用同一套数据加载器、同一套预处理、同一套指标实现重新组织起来然后在一个受控的搜索预算内给每个方法调参最后在多组数据上跑多种子实验。统一的对象具体包括同一份划分文件患者级切分同一套图像预处理与尺寸同一套评测代码指标的计算方式、是否 micro/macro 平均、阈值如何确定都写死以及同一份超参搜索空间与预算。这件事看起来很工程、很脏活但恰恰是这个领域最缺的。因为无监督异常检测有个众所周知的毛病方法对超参极度敏感如果 A 方法调了三十组参数、B 方法只用了作者留下的默认配置那比较出来的差距里有一大半是调参差距不是方法差距。论文在统一框架之外还提了一个新的评测设定叫 Comprehensive Anomaly DetectionCAD。这个名字翻译过来大概是综合性异常检测它针对的是真实临床场景的一个基本事实你永远不知道下一个病人得的是哪一类病。单类设定下模型只需要对一种已知病灶敏感就够了综合设定下测试集里混着多类异常模型必须同时应付它们而且不能靠类别先验作弊。这个设定我认为是整篇文章最有分量的部分后面会单独展开。2. 把实验框架拆开看数据、划分与指标怎么定想复现或者想引用这篇工作光看结论没用得把它的实验框架拆到骨头里。因为一个 benchmark 的可信度完全取决于这些细节有没有处理好而这些细节恰好是论文正文写不下、只能去仓库代码里翻的部分。2.1 数据集选择与异常标签的构造方式医学异常检测常用的几类数据覆盖的模态其实挺集中胸部 X 光片RSNA、VinDr-CXR、CheXpert 这类、皮肤镜ISIC 系列、眼底与 OCT、脑部 MRI以及病理切片。从评测能力上看可以把它们分成两档。有像素级标注的那一档能做完整的像素级评测比如带分割掩码的病灶数据只有图像级标签的那一档只能评图像级指标比如 CheXpert 这种多标签胸片。同一篇论文里如果混用两档数据就必须在指标表格里分开呈现否则读者会误以为所有方法都具备定位能力。异常标签的构造是个容易被忽略但影响巨大的环节。以胸片为例从边界框到像素级掩码的转换需要做填充填充方式矩形填充还是多边形填充、是否做羽化会直接影响像素级指标的上限如果你用事后插值把低分辨率的掩码放大到高分辨率用双线性插值就会在病灶边界产生一片半亮的灰带模型只要在这片灰带上响应就能骗到一部分像素级分数必须用最近邻插值。还有一个必须做决策的地方训练集的正常到底怎么定义。严格的单类设定是训练集只包含完全正常的样本测试集是正常加某一种特定异常。但很多数据集允许你只排除目标疾病、保留其他类型异常作为正常这样做会降低任务难度让图像级指标明显变好看却和临床场景脱节。我的建议是在自己的实验里把这两种设定都跑一遍如果差距很大说明你的模型学到了数据集层面的偏置而不是真正的异常概念。2.2 图像级指标与像素级指标的分工这两个层级的指标回答的是不同问题不能互相替代。图像级指标回答这张片子有没有问题像素级指标回答问题在哪。临床上第二件事往往更重要因为医生需要看到热力图才能判断模型的判断是否可信。指标回答的问题对类别不平衡的敏感度常见使用陷阱图像级 AUROC正常与异常的排序能力中等样本量小时方差大容易报出漂亮但不稳定的值图像级 AP查准查全的折中高与 AUROC 结论不一致时以 AP 为准像素级 AUROC异常像素的排序能力低真负样本极多大量易分负样本会把数值抬得很高像素级 AP逐像素查准查全高小病灶下数值普遍很低跨数据集不可比F1-max单阈值下的平衡点中在测试集上取最优阈值属于信息泄漏PRO按连通域平均的重合度中对分散的多发小病灶更公平我个人的经验是如果只能看一个像素级指标看 PRO 比看像素级 AUROC 更有信息量因为像素级 AUROC 会被海量正常像素稀释一个模型在病灶上一片糊涂、在背景上极其自信也能拿到 0.95 以上的像素级 AUROC。反过来如果只能看一个图像级指标在异常比例很低的时候用 AP 而不是 AUROC否则你会得到一个看起来很美、实际筛选效率很差的排序器。阈值的问题必须单独说。图像级和像素级的 F1 都需要一个二值化阈值而这个阈值如果是在测试集上扫出来的最大值那么它已经不完全是模型的性能而是模型性能加测试集信息的混合。严格的比较应该把阈值的选择限制在验证集上或者干脆报不依赖阈值的排序类指标。看到论文里的 F1 明显高于同类工作的 AP 时我会习惯性怀疑阈值的选择方式。2.3 阈值、随机种子与超参预算这三个隐形变量除了数据和指标还有三个变量在论文里通常只有一行字但对结果的影响不亚于换模型。随机种子是最容易被忽略的。无监督异常检测的训练过程对初始化相当敏感尤其是自编码器和生成对抗类方法。同一份代码同一个配置换三个种子跑出来的图像级 AUROC 波动两三个点是常态像素级指标的波动更大。如果一篇论文只报一个种子、且没有方差那它的排名很可能处在噪声范围内。复现时我至少跑三个种子报告均值加减标准差如果两个方法的区间重叠我就认为它们在这个数据集上没有显著差别。超参搜索预算直接决定了方法的上限。同一个搜索空间给 A 方法三十次试验、给 B 方法三次B 再先进也会输。MedIAnomaly 这类比较研究之所以有价值就在于它对所有方法使用统一的预算并且把搜索过程写清楚。早停和模型选择策略也是隐形变量。用测试集做早停等于泄漏用验证集做早停需要额外的正常样本这在数据稀缺的医学场景下有时不现实于是不少实现默默用了固定的训练轮数。这个选择本身没有对错但必须说明否则读者无法判断差异来自哪里。3. 无监督与半监督的实测差距结论比方法更有意思如果你只想知道该用哪条路线答案在论文的结论部分但我建议你至少看一下它是怎么得出这个结论的因为结论背后的机制决定了它能不能迁移到你自己的场景。3.1 重建派、生成派、记忆库派、蒸馏派的实际表现差异统一框架下跑出来的结果大致可以把主流 UAD 方法分成四派每派的失效模式都不一样。重建派以自编码器、变分自编码器、去噪自编码器为代表思路是学正常样本的压缩与还原异常输入重建误差大。这一派在图像级上经常能拿到不错的分问题出在像素级深度模型的泛化能力太强病灶区域往往也被重建得七七八八误差图上病灶和正常组织的对比度很低热力图糊成一片。用更弱的模型或者引入瓶颈能缓解但缓解的量级通常不足以改变定位质量。生成派包括基于 GAN 的异常检测方法它们在潜空间里搜索能重建输入的隐向量然后比较重建前后的差异。这类方法的训练稳定性是老大难判别器和生成器的平衡很难维持超参稍微偏离就崩而且推理时需要迭代优化隐向量单张图耗时远高于前馈模型。记忆库与特征嵌入这一派代表做法是把预训练网络提取的正常样本特征存起来测试时用最近邻距离作为异常分数。它在工业质检里非常能打在医学图像上确实也比较稳但有一个前提预训练特征必须和你的数据域匹配。用自然图像上训出来的特征去描述 X 光里肺纹理的细微变化域差距是实打实存在的这也是为什么不少医学场景的方法最后还是要靠医学数据自己再预训练一遍。蒸馏派用教师网络和学生网络的特征差异来定位异常结构相对轻推理速度快性能处于中上水平而且因为不依赖重建质量热力图通常比重建派更锐利。缺点是对教师网络的选择比较敏感不同深度的特征层组合会带来明显差别。路线训练稳定性推理速度图像级倾向像素级倾向重建类较好快中上偏弱热力图模糊生成对抗类差慢中中依赖隐向量优化记忆库与特征嵌入好中受库大小影响高较强依赖特征域匹配知识蒸馏好快中上较强边界清晰3.2 半监督的收益从哪来以及它的边界半监督异常检测允许训练时看到少量异常样本结论是它在几乎所有数据集上都能超过无监督方法而且像素级指标的提升幅度普遍大于图像级。这其实很符合直觉只看正常样本模型只能学什么不像正常看到几个异常样本之后它就知道了异常大概长什么样这是个信息量完全不同的任务。但收益的来源值得警惕。论文里有一个我很欣赏的做法就是设置了一个非常朴素的强基线拿那少量异常样本配上一批正常样本直接训一个二分类器。这个简单到有点不体面的基线在多个数据集上打败了不少精心设计的方法。这说明半监督的增益很大一部分来自判别式信号的引入而不是来自某个精巧的异常建模机制。做研究的人看到这个结果应该有点压力做工程的人看到这个结果应该很高兴——如果标注预算允许一个调好的分类器可能比你在无监督路线上折腾半年更有效。半监督的边界也很清楚。当异常类别数变多每个类别分到的样本就那么几个模型对长尾类别基本学不动增益迅速衰减。更现实的问题是标注成本医学图像的异常标注需要专业医生一个像素级掩码的标注成本可能是图像级标签的十倍以上。而且异常本身是长尾的罕见病在数据里可能只有个位数样本这时候半监督的路线就走不通了。3.3 UAD 的高分低能现象图像级 AUC 为什么骗人这是我认为整篇工作最值得记住的一条结论无监督方法在图像级指标上可以很好看但像素级指标常常惨淡到没法用在临床上。原因在于两个任务的难度结构不同。图像级判断本质上是一个排序问题只要正常样本和异常样本的整体重构误差或特征距离存在系统性差异模型就能排对序哪怕它对病灶在哪儿一无所知——比如模型可能只是学到了异常片子的整体对比度分布和正常片子不一样这种数据集层面的偏置。像素级定位要求模型在每一个像素上做出正确判断任何全局性的偏置都帮不上忙必须真正捕捉到局部异常。这个现象对落地的启示很直接如果你做的是分诊筛查图像级指标够用如果你做的是辅助定位、给医生画热力图那么图像级 AUC 再高也不能作为选型依据。我在自己的项目里会把图像级和像素级指标并排列在一张表里凡是图像级高、像素级低的模型一律标记为疑似学到数据集偏置然后单独做一轮可视化抽查。4. CAD 设置当异常不再只有一种单类设定是学术界的简化不是临床的现实。真实的阅片场景里一位患者可能有肺炎、可能有气胸、可能有结节、也可能什么都不像但确实有问题。把所有异常类型混在一起评测会暴露出单类设定掩盖掉的一堆问题。4.1 单类建模的评测协议高估了什么单类协议通常这样构造选一种疾病作为目标异常训练集只用正常样本测试集是正常加这一类异常。这个设定的问题在于它隐含地把异常类别这个信息泄漏给了模型。测试阶段我们其实已经知道要找的是哪一类病灶模型的阈值、后处理、甚至特征层选择都可以针对这一类病灶调。更隐蔽的问题是多类混合时异常分数的尺度不一致。不同病灶的视觉显著性差别很大大片实变和几个微小钙化点在像素级异常分数上的量级可能差一个数量级。单类设定下你只需要给这一类病灶定一个阈值就够了混合设定下一个全局阈值会把显眼的大病灶全部召回、把微小病灶全部漏掉。这个现象在图像级指标上体现不明显在像素级指标上会非常刺眼。论文提出 CAD 设定本质上就是要求方法在训练时只能看到正常样本或者极少量的多类异常样本测试时面对的是多种异常混合的集合并且评测要按类别分层报告。这样一来靠类别先验作弊这条路被堵住了模型的真实泛化能力才会显现。4.2 异常异质性该怎么建模分组训练与分数融合的思路针对异常异质性的问题一个自然的想法是既然正常样本内部也存在不同的风格不同设备、不同体型、不同曝光而不同异常又各自偏离正常分布的方向不同那么用一个模型去拟合整个正常分布就过于勉强了。论文里探索的应对思路大致是这种分组建模加分数融合的范式先把正常训练样本按照某种无监督的相似度度量比如潜在特征的聚类或者基于预训练特征的距离划分成若干子群每个子群训练一个独立的检测器或者共享主干但使用不同的检测头推理时先判断测试样本更接近哪个子群然后把各个子群检测器给出的异常分数按权重融合起来。这套结构很像专家混合系统核心假设是同一子群内的正常样本分布更紧凑因此偏离的检测更灵敏。另一种更轻量的做法是不做显式分组而是在分数层面做归一化对每个类别或每个子群估计异常分数的均值和方差做标准化后再统一阈值。这个操作简单得几乎不像方法但在多类混合评测里往往能带来可观的提升原因就是它解决了我前面说的尺度不一致问题。从我自己的复现体验看分组建模的有效性高度依赖两个前提子群划分的质量以及子群数量是否合适。子群划得太粗等于没分划得太细每个子群分到的正常样本太少检测器欠拟合而且推理时的路由判断也变得不稳定。4.3 我在复现 CAD 时遇到的几个具体问题第一是聚类数量的选择。论文里通常会给出一个推荐值或者一个搜索区间但换数据集之后这个值不一定还合适。我的做法是用正常验证集上的分组紧凑度指标比如轮廓系数做一次粗筛然后在整体评测指标上做区间搜索同时观察方差——如果某个子群数量下不同种子的结果跳动特别大说明这个划分不稳定宁可往小取。第二是推理时的路由问题。如果路由判断错了用错了检测器异常分数会完全跑偏。我在实现里加了一个软化处理不取最近邻的那个子群而是对到各个子群的距离做 softmax 再加权这样即使判断有偏差融合结果也不会崩溃。第三是各检测器训练不充分的问题。如果某些子群分配到的正常样本数量远少于其他子群那个检测器基本没训好输出的异常分数噪声很大。解决办法是在分组阶段做一次数量平衡或者对样本少的子群做更强的数据增强。第四是评测口径。CAD 下如果只报一个全局的平均指标你会完全看不出模型在哪些类别上失败了。我会同时保留每个异常类别单独的指标即使最终表格里只放平均值检查的时候也要逐类看一遍往往能发现某几类几乎全漏。5. 复现这套 benchmark 的完整落地路径想真正把这篇工作的价值榨干光读是不够的必须自己跑起来。下面是我实际走一遍的路径包括几个不看代码就会踩的坑。5.1 环境与仓库结构环境层面没有太多讲究标准的深度学习栈就够用。医学图像预处理部分会用到一些常用的图像处理与医学影像工具库其余是常规的科学计算与可视化依赖。conda create -n medianomaly python3.9 -y conda activate medianomaly pip install torch torchvision pip install monai timm scikit-learn pandas matplotlib seaborn opencv-python einops仓库的组织方式通常是这样的配置目录放每个方法在每个数据集上的超参文件数据目录放数据集类的实现模型目录放各个方法的网络定义与异常分数计算逻辑评测目录放指标实现脚本目录放入口。configs/ dataset/ method.yaml datasets/ dataset.py models/ method/ network.py anomaly_score.py evaluation/ metrics.py scripts/ train.py evaluate.py我建议第一件事就是把evaluation/metrics.py从头看一遍。这个文件决定了你后面所有数字的含义尤其注意三件事指标计算时是在整个测试集上汇总还是逐类别平均阈值是怎么定的图像级和像素级的分数是否用了同一套后处理。5.2 数据准备DICOM、掩码与患者级划分数据处理是最耗时也最容易翻车的一环按下面的顺序做能省不少时间。第一步是格式转换。很多公开数据集原始格式是 DICOM需要转成便于快速读取的格式转换时要保留原始位深或者做有依据的窗宽窗位映射不要图省事直接做整图最小最大归一化——X 光片不同曝光度之间的亮度差异会在归一化之后被误当成异常信号。第二步是掩码对齐。边界框转掩码用最近邻填充掩码缩放用最近邻插值绝对不要用双线性。掩码和图像必须经过完全相同的几何变换训练时的随机裁剪、旋转、缩放要同步作用到两者上否则像素级指标会被系统性压低。第三步是患者级划分。先把所有图像按患者编号聚合成组再在组一级做训练验证测试的切分。这一步做不做指标差距可能超过十个点。准备环节常见错误后果正确做法格式转换全图最小最大归一化模型学曝光而非病灶按模态做窗宽窗位或分位数裁剪掩码处理双线性插值缩放边界出现灰带虚高像素分最近邻插值数据划分按图像随机切分患者泄漏指标虚高按患者编号分组切分类别定义保留其他疾病当正常任务难度失真明确单类与混合两种设定第四步是写一个数据检查脚本把训练集里的图像和掩码随机抽五十张可视化出来肉眼过一遍。这一步听起来很笨但我见过太多人因为掩码错位跑了两周实验才发现问题。5.3 跑通训练与评测的实操顺序不要一上来就全量训练所有方法那样出问题你根本不知道是哪一层出的。先选一个最稳的方法重建类或蒸馏类都行在一个数据集的子集上跑一个极小的实验几十张正常图训练几个轮次然后看模型能不能在正常验证集上得到低异常分数、在明显有病灶的图上得到高分数。这一步的目的是验证数据管线不是验证性能。管线通了之后做一次过拟合测试拿二十张图训练然后在这二十张图上评测像素级指标应该接近满分。如果达不到说明损失函数、掩码对齐或者分数计算里有一环是错的。再往后才是全量训练加多种子。种子数量我一般取三个起步四个更稳。实验管理上建议用配置文件加命令行覆盖参数的方式不要直接改代码里的默认值否则跑多了自己都记不清哪个结果对应哪个配置。评测阶段有个细节把每个样本的异常分数和预测掩码都存下来不要只存最终指标。这样后面你才能做分层的错误分析——比如按病灶大小分组、按病灶位置分组、按患者来源分组看看模型到底在哪一档上崩。5.4 结果对不上时按什么顺序排查复现别人论文的结果最好的情况和最坏的情况都可能发生。下面这个排查顺序是我踩坑总结出来的从上往下走能覆盖大部分情况。现象最可能的原因检查方法指标明显高于论文患者级泄漏、测试集参与调参、阈值取了 oracle核对划分文件、检查是否有测试集反向选择指标明显低于论文归一化方式、输入分辨率、类别定义不一致逐项比对预处理代码与原论文描述像素级差但图像级正常掩码对齐错误、后处理上采样方式可视化叠加掩码与预测热力图多种子波动极大无监督方法本身的敏感性报告均值与标准差而非单次最优某几个类别全部漏检异常分数尺度不统一、阈值单一按类别分别统计分数分布注意如果自己的指标比论文高不少先别高兴优先怀疑泄漏。医学场景下患者级泄漏带来的虚高是最常见的伪提升而且它会让你在真实数据上摔得很惨。6. 从工业异常检测借经验但别照搬工业异常检测这几年在方法迭代上跑得比医学快很多思路确实值得借鉴但两边的问题结构差别很大生搬硬套容易翻车。6.1 能借的部分特征嵌入、记忆库与合成异常特征嵌入加记忆库这套范式在工业质检里被验证过很多轮它的两个核心技巧可以直接拿过来用。一个是核心集采样用贪心策略从海量正常特征里挑出一个规模可控的子集既保留分布覆盖又大幅压缩检索开销另一个是多尺度特征金字塔把不同深度的特征拼接起来让模型同时具备对大块病灶和细微病灶的敏感度。这两个技巧都是模型无关的工程优化换到医学数据上不会引入额外假设。合成异常增强也可以借但必须改。工业里常用的做法是把随机纹理贴到正常图上造出假缺陷这在医学里几乎不可行——你贴出来的图案和真实病灶的形态、灰度分布、边界过渡方式都不一样模型很容易学会识别纹理伪影而不是病灶。如果一定要用合成异常建议用真实的病灶区域做弹性变形和亮度扰动后贴回正常区域并且严格控制合成比例别让它主导训练信号。推理优化方面工业界那套路子基本可以直接搬模型量化、算子融合、把前馈模型导出成中间表示格式、用近似最近邻库加速检索。这些属于纯工程层面的东西没有领域壁垒。6.2 不能借的部分病灶不是划痕工业缺陷有一个非常重要的特性它通常是局部、结构化、边界清晰的。划痕就是一条线缺件就是一块空白模型只要在局部窗口里检测到和正常纹理不一致的模式就能定位。医学异常完全不同病灶的边界经常是渐变的和周围组织的对比度极低甚至有些异常是弥漫性的全局改变比如肺水肿它不集中在某个区域而是整个肺野的纹理都变了。这种情况下基于局部块比对的定位方法会失灵你需要在多个尺度上同时建模。预训练特征的域差距也是工业方法迁移时的主要障碍。工业异常检测的强势很大程度上建立在自然图像预训练特征之上而医学图像的成像物理机制和自然图像差异极大X 光片是透射成像病理切片是染色后的细胞结构自然图像里根本没有对应的纹理统计。这也是为什么不少医学异常检测工作最后都会在医学数据上重新做一次自监督预训练代价是算力收益是实实在在的。最后是评价体系的不对称。工业漏检一个缺陷代价是产品退货医学漏诊一个病灶代价是患者的健康。这意味着在医学场景里工作点不应该设在 F1 最大的位置而应该往高召回的方向移动宁可多一些假阳性也要把漏诊率压下来。这一点在论文的指标表格里体现不出来但真正落地时必须调整。6.3 推理速度与部署侧的现实约束热词里有个发生异常快速检测这个需求在医学场景里确实是刚需但它的含义和工业不太一样。工业质检追求的是产线节拍单件几十毫秒是硬要求医学场景里医生关注的更多是整批阅片的吞吐量以及热力图能不能在阅片界面上实时叠出来。从方法维度看前馈式的重建类和蒸馏类模型在五百一十二分辨率下单张前向耗时通常在几十毫秒量级批量处理时吞吐还能再提记忆库类方法的瓶颈在检索环节库越大检索越慢所以核心集采样的规模要权衡性能和速度生成对抗类方法需要迭代优化或者多步采样推理开销明显更高这也是它在实际系统里较少被采用的原因之一。还有一个容易被忽略的部署问题热力图的分辨率。像素级指标算得漂亮不代表医生看着舒服如果热力图是低分辨率上采样出来的边界模糊医生没法据此判断病灶范围。我会在部署前专门检查模型输出的特征图分辨率必要时加一个轻量的解码头做上采样或者退回到图像块级别的定位粒度。提示如果你打算把模型放到外部医院的数据上验证务必单独准备一个外部测试集。医学数据集的域偏移非常普遍不同设备厂商、不同拍摄参数、不同人群构成都会造成明显的性能下降内部测试集上的数字往往过于乐观。我个人在这类项目里踩过最贵的一个坑是把大部分时间花在无监督方法的调参上试图把像素级指标从零点三推到零点四后来加了少量标注样本改走半监督路线同样的时间投入换来了成倍的提升。所以我的建议是在动手之前先算清楚标注预算——如果每个异常类别能拿到几十张带掩码的样本直接做半监督甚至监督方案别跟无监督死磕如果标注确实拿不到那就把无监督当成筛查器用把它的定位能力预期调低重点优化图像级的召回率和推理吞吐这样至少在分诊环节能真正派上用场。