简介这份源码面向医疗AI方向的开发者与深度学习学习者提供一套基于Python实现的医疗诊断系统完整工程可用于课程设计、毕业项目或算法验证。压缩包共48个文件、约4.44MB以13个py源码文件为核心覆盖模型设计、训练与诊断推理等关键环节另有13张jpg医学影像素材、7个pyc字节码、3个ui界面文件以及json配置、qss样式、db数据库、spec打包脚本和license许可等目录结构清晰便于按模块阅读与二次开发。项目将深度学习算法与医疗数据处理结合通过界面交互完成影像分析与辅助诊断帮助理解从数据到模型再到应用的完整链路。目前已有454人学习下载适合希望快速上手医疗AI实战、参考工程组织方式与排错思路的读者。1. 从一张胸片到一行诊断结论医疗诊断系统 Python 实现到底在做什么很多做 Python 的工程师第一次接触医疗影像都会有一个反直觉的体验模型在公开数据集上跑出 0.95 的 AUC部署到真实科室里却连一张普通胸片都判得犹犹豫豫。问题往往不在网络结构而在整条链路的工程细节——DICOM 读取、窗宽窗位、类别极度不平衡、以及推理结果怎么变成医生能看懂的一句话。基于深度学习的医疗诊断系统 Python 实现源码讲的正是把「一张医学影像」变成「一条结构化诊断结论」的完整工程链路而不是单纯训练一个 CNN。这套东西适合三类人想用 Python 深度学习教程里的知识做真实项目的入门者、手里有医学影像数据但不知道怎么落地的算法工程师、以及需要快速搭一个可演示诊断原型的全栈开发者。核心链路可以拆成四段医学影像读取与预处理、CNN 分类或分割模型、训练与评估、推理服务与结果解释。下面按这条链路把每一步的参数、代码和踩坑点讲清楚让你能照着复现一个最小可用的诊断系统。2. 医学影像预处理DICOM 读取、窗宽窗位与数据增强2.1 为什么不能直接把 PNG 那套搬到医学影像上普通图像是 8 位 RGB医学影像大多是 12 到 16 位的灰度 DICOM像素值范围动辄几千。直接归一化到 0-1 会丢掉大量对比度信息模型学到的其实是噪声。更关键的是DICOM 里存着窗宽窗位Window Width / Window Center这是放射科医生看片时调节对比度的参数同一张片子用不同窗位看病灶的可见度完全不同。所以预处理的第一步不是 resize而是按器官选择正确的窗。常见做法是肺部用窗宽 1500、窗位 -600纵隔用窗宽 350、窗位 50骨窗用窗宽 2000、窗位 300。选错窗模型看到的可能就是一片灰。我一般会在预处理阶段就把窗宽窗位固定下来而不是留给模型去学因为医学数据量通常撑不起这种自由度。import pydicom import numpy as np import cv2 def load_dicom(path, window_center-600, window_width1500): 读取 DICOM 并按指定窗宽窗位做线性拉伸 ds pydicom.dcmread(path) img ds.pixel_array.astype(np.float32) # 应用 Rescale Slope/Intercept转成 HU 值 img img * float(ds.RescaleSlope) float(ds.RescaleIntercept) # 窗宽窗位映射到 0-255 lower window_center - window_width / 2 upper window_center window_width / 2 img np.clip(img, lower, upper) img (img - lower) / (upper - lower) * 255.0 return img.astype(np.uint8)这段代码的关键在三处RescaleSlope和RescaleIntercept必须应用否则像素值不是真实的 HU 单位np.clip把超出窗范围的像素截断避免极端值干扰最后线性映射到 0-255 是为了喂给标准的 CNN 骨干网络。参数window_center和window_width按检查部位调整肺部筛查场景用默认值即可。2.2 数据增强在医学影像里的边界医学影像的数据增强和自然图像不一样翻转、旋转要谨慎。左右肺翻转在解剖上是不合理的胸片水平翻转会让心脏位置跑到右边模型可能学到错误的空间先验。我一般只做小角度旋转±10 度、随机裁剪、亮度微调不做水平翻转。对于分类任务类别不平衡是常态正常样本可能是病灶样本的几十倍这时候用加权采样或者 Focal Loss而不是简单过采样过采样容易让模型记住少数类的噪声。import albumentations as A train_transform A.Compose([ A.Rotate(limit10, p0.5), # 小角度旋转模拟摆位差异 A.RandomResizedCrop(224, 224, scale(0.9, 1.0)), # 轻微裁剪 A.RandomBrightnessContrast(0.1, 0.1, p0.3), A.Normalize(mean[0.5], std[0.25]), # 灰度图单通道 ])limit10是经验值超过 15 度在胸片上就明显不真实了。scale(0.9, 1.0)保证裁剪不会切掉关键解剖结构。归一化的均值和方差按你数据集的统计值来不要照搬 ImageNet 的 RGB 三通道参数医学灰度图的分布完全不同。3. 模型选型与训练CNN 分类头、损失函数与评估指标3.1 骨干网络怎么选ResNet 还是 EfficientNet医疗诊断系统里骨干网络的选择要平衡精度和推理速度。ResNet50 是最稳的基线预训练权重好找社区踩坑经验多。EfficientNet-B0 到 B3 在同等精度下参数量更小适合部署到边缘设备。如果做的是口腔疾病图像识别这类细粒度分类建议从 EfficientNet-B3 起步它的复合缩放策略对小病灶更友好。不要一上来就上 ViT医学数据量通常不够ViT 在小数据集上容易过拟合除非你有十万级以上的标注样本。import torch import torch.nn as nn from torchvision import models def build_model(num_classes2, backboneresnet50, pretrainedTrue): if backbone resnet50: model models.resnet50(pretrainedpretrained) # 灰度图单通道改第一层卷积 model.conv1 nn.Conv2d(1, 64, kernel_size7, stride2, padding3, biasFalse) in_features model.fc.in_features model.fc nn.Sequential( nn.Dropout(0.5), nn.Linear(in_features, num_classes) ) return model改第一层卷积是必须的医学影像大多是单通道直接用三通道预训练权重会报维度错误。Dropout(0.5)放在全连接前是常规操作医学数据量小正则化要到位。num_classes按你的诊断类别数设置二分类就是 2多分类按实际病种数。3.2 损失函数与类别不平衡的处理医学诊断里阳性样本往往很少用标准交叉熵会让模型倾向于预测多数类。常见做法是加权交叉熵权重按类别频率的倒数设置。如果阳性样本极度稀少比如千分之几Focal Loss 更合适它通过调节因子让模型聚焦难样本。class FocalLoss(nn.Module): def __init__(self, alpha0.25, gamma2.0): super().__init__() self.alpha alpha self.gamma gamma def forward(self, logits, targets): ce nn.functional.cross_entropy(logits, targets, reductionnone) pt torch.exp(-ce) loss self.alpha * (1 - pt) ** self.gamma * ce return loss.mean()alpha0.25和gamma2.0是 Focal Loss 的原始论文推荐值医学场景下可以先按这个跑如果阳性召回率还是低把alpha调到 0.5 到 0.75。注意 Focal Loss 对学习率敏感通常要比交叉熵用更小的学习率我一般用 1e-4 起步。3.3 评估指标为什么 AUC 不够还要看敏感度和特异度AUC 衡量的是排序能力但临床诊断关心的是在某个阈值下有多少病灶被漏掉敏感度和有多少正常被误报特异度。一个 AUC 0.95 的模型如果阈值设得不好敏感度可能只有 0.7意味着三成病灶被漏诊这在临床上不可接受。所以训练完必须画 ROC 曲线选一个敏感度优先的阈值通常要求敏感度不低于 0.9再看特异度能到多少。from sklearn.metrics import roc_curve, auc def find_threshold(y_true, y_prob, min_sensitivity0.9): fpr, tpr, thresholds roc_curve(y_true, y_prob) # 找到满足最小敏感度的最大阈值 valid tpr min_sensitivity best_idx np.argmax(thresholds[valid]) return thresholds[valid][best_idx], tpr[valid][best_idx], 1 - fpr[valid][best_idx]这个函数返回满足敏感度要求下的最佳阈值和对应的特异度。min_sensitivity0.9是筛查场景的常见底线如果是辅助诊断而非筛查可以放宽到 0.85。阈值选定后要固化到推理服务里不能每次推理重新算。4. 推理服务与结果解释从模型输出到诊断结论4.1 用 FastAPI 封装推理接口训练完的模型要变成服务才能被调用。FastAPI 是 Python 里最顺手的方案异步支持好自带文档。推理服务要处理三件事接收影像文件、预处理、返回结构化结论。注意推理时的预处理必须和训练时完全一致窗宽窗位、归一化参数都要对齐否则精度会掉。from fastapi import FastAPI, UploadFile import torch import numpy as np app FastAPI() model build_model(num_classes2) model.load_state_dict(torch.load(best_model.pth, map_locationcpu)) model.eval() app.post(/diagnose) async def diagnose(file: UploadFile): img load_dicom_from_bytes(await file.read()) img cv2.resize(img, (224, 224)) tensor torch.from_numpy(img).float().unsqueeze(0).unsqueeze(0) / 255.0 with torch.no_grad(): logits model(tensor) prob torch.softmax(logits, dim1)[0, 1].item() label 阳性 if prob 0.5 else 阴性 return {label: label, confidence: round(prob, 4)}model.eval()必须调用否则 Dropout 和 BatchNorm 在推理时行为不对结果会飘。torch.no_grad()省显存也加速。返回的confidence是阳性概率前端可以按阈值显示不同颜色。注意这里的 0.5 是演示阈值实际要用第 3 章选出的临床阈值。4.2 结果解释Grad-CAM 让模型不黑匣子医生不会信任一个只给结论不给依据的系统。Grad-CAM 能生成热力图标出模型关注了影像的哪个区域。如果热力图落在病灶上医生会更放心如果落在无关区域说明模型学偏了需要重新检查数据。from pytorch_grad_cam import GradCAM from pytorch_grad_cam.utils.image import show_cam_on_image target_layers [model.layer4[-1]] cam GradCAM(modelmodel, target_layerstarget_layers) grayscale_cam cam(input_tensortensor)[0] visualization show_cam_on_image(img / 255.0, grayscale_cam, use_rgbFalse)target_layers选最后一层卷积分辨率太低的热力图没意义。生成的visualization可以叠加在原图上返回给前端。这一步在演示和临床试用阶段特别重要能快速暴露模型是否学到了正确的特征。5. 避坑与排查医疗诊断系统落地时最容易翻车的五件事现象一训练 loss 正常下降但验证集 AUC 一直在 0.5 附近。原因通常是数据泄漏或者标签错位。医学数据经常一个病人有多张片子如果按图片随机划分训练验证集同一个病人的片子可能同时出现在两边模型记住了病人特征而不是病灶特征。解决方法是按病人 ID 划分确保同一病人的所有影像只出现在一个集合里。现象二推理结果和训练时对不上同一张图两次调用结果不同。原因一般是忘了model.eval()或者预处理参数不一致。检查推理代码里有没有调用eval()以及归一化的均值方差是否和训练时一致。另一个隐蔽原因是 DICOM 读取时没应用 Rescale Slope导致输入分布偏移。现象三模型在阳性样本上召回率极低几乎全预测阴性。这是类别不平衡的典型表现。先检查损失函数有没有加权再检查采样策略。如果用了 Focal Loss 还是不行把alpha调高同时降低学习率。另外要确认阳性样本的标注质量医学标注里漏标很常见脏数据会让模型学不到东西。现象四Grad-CAM 热力图落在影像边缘或空白区域。说明模型学的是伪影或边框不是病灶。常见原因是数据预处理时保留了黑边或者不同设备的影像边框不一致。解决方法是做中心裁剪或者把边框区域 mask 掉同时检查数据里有没有混入非影像文件。现象五服务部署后内存持续增长跑几百次推理就 OOM。原因通常是每次推理都重新加载模型或者没有释放中间张量。模型应该在服务启动时加载一次全局复用。另外torch.no_grad()要确保加上否则计算图会一直累积。如果用了缓存注意设置过期策略。6. 进阶技巧用测试时增强和模型集成把敏感度再提一档单模型跑通之后如果想把敏感度从 0.9 再往上推最实用的两个技巧是测试时增强TTA和模型集成。TTA 是在推理时对同一张图做多种变换比如不同窗宽窗位、小角度旋转把多次预测的概率平均。这个技巧不需要重新训练改推理代码就行通常能带来 1 到 3 个点的敏感度提升。def predict_with_tta(model, img, windows[(-600, 1500), (50, 350)]): probs [] for wc, ww in windows: processed apply_window(img, wc, ww) tensor preprocess(processed) with torch.no_grad(): prob torch.softmax(model(tensor), dim1)[0, 1].item() probs.append(prob) return np.mean(probs)windows列表里放不同器官的窗宽窗位模型会从多个视角看同一张图综合判断。注意 TTA 会增加推理耗时如果服务有延迟要求控制在 2 到 3 种变换以内。模型集成则是训练多个不同骨干或不同随机种子的模型推理时投票或平均。我一般会训一个 ResNet50 和一个 EfficientNet-B3两个模型结构差异大集成效果比同结构多 seed 更好。集成后的阈值要重新在验证集上选不能沿用单模型的阈值。技巧敏感度提升推理耗时增加适用场景TTA 双窗1~2%约 2 倍延迟不敏感的筛查双模型集成2~4%约 2 倍对精度要求高的辅助诊断TTA 集成3~5%约 4 倍离线批量分析最后说个我自己的习惯每次改完预处理或模型一定先拿十张已知结果的片子跑一遍端到端看输出是否符合预期再上大批量。医学数据不像自然图像那么直观肉眼看不出的分布偏移往往就是线上翻车的根源。希望帮到你。本文还有配套的精品资源点击获取