医学生学AI辅助诊断：我用公开病例数据练手全过程

寒假我干了件和课本没关系的事：拿公开胸片数据集，给自己安排了一次AI学习辅助诊断的入门实训。起因很实际，见习课上带教老师指着电脑说，以后你们这行躲不开AI。我寻思与其等学校开选修课，不如先自己跑一遍。从下载数据到模型出结果，前后折腾了五个星期，踩的坑比想象中多，收获也比想象中大。这篇就把全过程摊开讲，给同专业的同学当参考。

AI学习辅助诊断练手为什么选胸片，不选别的

胸片是公开数据最多、标注最全的医学影像，没有之一，新手用它入门等于拿免费教材。NIH临床中心放出的胸片数据集超过10万张，覆盖气胸、肺实变等14类标签，规模在医学影像里很罕见。说实话，我一开始想搞皮肤镜方向，查资料发现公开的皮肤病灶数据集普遍只有1万张上下，量级差了十倍。CT更别提了，单个数据集动辄几十个G，我家宽带下了三天没下完，直接放弃。胸片单张图小，几个G就能起步，笔记本也扛得住。真香。

如果你对图像分类还没概念，可以先看机器学习图像识别的入门项目怎么做，我动手前也是靠这类猫狗分类的练习把流程摸熟的。

数据下载和预处理：第一个坑就埋在这

别以为数据下载完就能直接训练，清洗和标签整理占了我一半以上时间。标签文件是按影像发现记录的，不是按确诊疾病给的，一字之差，理解错了整个项目方向就歪了。具体讲，胸片标签来自影像报告的自然语言抽取，一张图可能同时挂着多个发现，而肺炎样本在整体里只占百分之一出头。这个失衡我没当回事，第一版模型准确率99%，我激动了三分钟。然后发现它把所有图都判成了正常。挺离谱的，但这就是不平衡数据的经典翻车。后来加了类别加权，又对少数类做过采样，指标才正常起来。

顺带补一句基础：这种带标准答案的训练方式叫监督式学习，通俗讲法可以看监督式学习到底是什么那篇，看懂它能少走我走过的弯路。

Colab白嫖GPU：够用，但别指望舒服

免费Colab的T4显卡跑一个胸片分类demo完全够，单轮训练两三个小时出结果。代价是免费版约12小时断线一次，环境说没就没，不存检查点就是白干。我用的是resnet50迁移学习，冻结前面层只训后面的分类头，一个epoch大约8分钟。第一次跑我啥也没存，半夜训练到第17个epoch， Colab掉线，早上一看全没了。那一刻特别绝望。之后我学乖了，每5个epoch存一次checkpoint，还把数据和代码都挂在自己的网盘里，重连后两分钟能恢复现场。这种小教训，教程里没人告诉你，只有真跑过才知道。

结果出来那一刻：AUC 0.78和它漏掉的病人

我的练手demo验证集AUC约0.78，作为作业能交差，但拆开看错误分布就笑不出来了：敏感性只有七成上下，等于十个真肺炎里它漏了两三个。数字还行，细节吓人。放在课堂这是课后作业，放在病房这就是事故的苗头。老实讲，那一刻我对“AI替代影像科医生”的说法彻底祛魅。模型不知道漏诊的代价是什么，它只会算损失函数。世界卫生组织发布过的数据显示，影像科医生的分布在国家和地区之间极度不均，有些地方每百万人摊不到一张读片台。AI学习辅助诊断的真实价值在这种缺医生的地方，是帮人分担初筛，不是替人签字担责。

再说医学生干这件事的优势和短板，这两头我都尝过了。优势是我们读得懂报告，看得出标签哪里标错了——我在数据集里翻到过明显标注矛盾的片子，同一张图在两个批次里标签相反，纯计算机背景的人根本发现不了。短板更扎心。我代码基本零基础，一个报错卡一下午是常态，环境配置那天我从晚上八点折腾到凌晨一点，最后发现是Python版本装错了。不夸张地说，写代码的时间是看医学文献时间的三倍。想清楚这一点再开工，心态会好很多。

如果你连机器学习的基本概念都还没建立，先别急着上手项目，不写公式讲机器学习的白话版能帮你把地基打好。话说回来，概念看再多也不如跑一次 demo 来得实在，这是我最大的体会。

伦理边界：这三条线我给自己划死了

公开数据练手归练手，边界必须拎清：不去还原病人身份、不给真人做诊断、公开结果时注明局限。这三条我自己划死了，也建议每个练手的同学照做。展开讲。第一，数据集的去标识化不等于匿名化，报告文本里仍可能残留年龄、检查日期等信息，试图拼出病人是谁是绝对禁区。第二，模型没经过任何临床验证和审批，拿它给身边人看片子属于害人害己。我表姐体检完发我一张胸片，我直接拒绝，只教她该挂哪个科。第三，把这个项目写进简历或课程作业时，我会注明数据来源、样本局限和未经验证，不吹。类似的跨界图像项目别的行业也在做，比如拿农业病害照片训练识别模型，人家翻车最多损一季庄稼，我们这行翻车赔的是人。分量不一样，敬畏就得不一样。

给同专业同学的四步路线

我的路线压缩成四步：先学Python基础，再跑通一个公开notebook，然后换自己的数据子集，最后写一份复盘。每步都有明确的完成标准，不贪多。我个人觉得最难的是第二步到第三步之间，从抄别人的代码到改成自己的任务，中间隔着一道坎，我当时靠逐行加注释硬啃过来的。数据集在Kaggle上能找到很多整理好的子集，原始出处是NIH临床中心的公开页面，引用时写官方来源更严谨。临床方向的进阶内容，可以接着看临床预测模型的学习路线，那边讲建模部分更细。世卫组织的官方资料在世界卫生组织官网，查医学AI相关政策很方便。

常见问题

医学生零编程基础能跑通这个项目吗？

能，但要接受前两周很难受。我用的是Colab在线环境，不用配环境，代码照着公开notebook改。真正卡人的是报错看不懂，我的办法是把报错原文丢给搜索和AI助手，八成能找到答案。

用公开病例数据练AI合法吗？

合法。NIH等机构放出的数据集就是供研究和教育用的，遵守它的使用协议即可。红线在于二次传播要守约定，以及绝不能试图还原病人身份，这条前面说过，再强调一遍。

AI学习辅助诊断会不会取代影像科医生？

短期不会，方向更可能是人机搭配。模型读片快但不知道自己错在哪，医生读片慢但能担责能沟通。我自己练完的感受是，它像个永远不累但偶尔犯低级错误的实习生，你敢让它独立值班吗？

写到这里，五个星期的折腾基本讲完了。AI学习辅助诊断对医学生来说不是遥远的概念，一个寒假就能摸到门边，难的不是技术，是既学会用工具又不忘医学的分寸。如果你身边也有医同学在纠结要不要入门，把这篇转给他，能省他不少摸索时间。觉得有用的话，也可以转给需要的朋友。