第8章：2D影像分类实战——胸片疾病诊断胸片（Chest X-ray, CXR）是世界上最常见的医学影像检查，也是医疗AI最经典的起点。一个能自动检测肺炎、气胸、肺水肿、心脏肥大等常见疾病的AI，直接具有巨大的临床筛查价值。本章我们以CheXpert或MIMIC-CXR这样的多标签胸片数据集为蓝本，带你构建一个可落地的2D多标签分类器，并重点突破类别不平衡、不确定性标签等核心难题。8.1 数据加载：构建多标签胸片数据集CheXpert数据集包含224,316张胸片，标记了14种放射学发现，每个标签有三个取值：1（阳性）、0（阴性）、-1（不确定）。这种设计反映了临床报告中普遍存在的模糊性。我们首先要决定如何处理这些“不确定”标签。标签策略选择：忽略不确定：将-1视为缺失值，训练时跳过该样本的该标签维度。这最严谨，但实现复杂。全填0：将不确定视为阴性，这是CheXpert论文中使用的“U-Zeros”策略，简单有效，被广泛采用。全填1：将不确定视为阳性，更保守，适合筛查场景。软标签：将不确定视为0.5概率的软标签，体现不确定性。这符合第4章的软标签思想。# U-Zeros策略：将-1替换为0defconvert_labels(label_df):returnlabel_df.fillna(0).replace(-1,0)MONAI数据加载器构建：我们使用MONAI的ImageDataset，配合自定义的数据列表。frommonai.dataimportImageDatasetimportpandasaspd# 假设有一个dataframe: 'image_path', 'Atelectasis', 'Cardiomegaly', ...train_df=pd.read_csv('chexpert_train.csv')# 获取图像路径列表和标签矩阵 (n_samples, 14)image_paths=train_df['image_path'].tolist()labels=train_df.iloc[:,1:].values.astype(np.float32)# 定义图像增强变换train_transforms=Compose([LoadImaged(keys=['img']),EnsureChannelFirstd(keys=['img']),ScaleIntensityd(keys=['img'],minv=0.0,maxv=1.0),# 归一化到[0,1]RandRotated(keys=['img'],range_x=15,prob=0.5),RandZoomd(keys=['img'],min_zoom=0.9,max_zoom=1.1,prob=0.5),RandFlipd(keys=['img'],spatial_axis=0,prob=0.5),Resized(keys=['img'],spatial_size=(224,224)),EnsureTyped(keys=['img']),])# 因为ImageDataset期望(image, label)格式，我们可以使用列表推导构建数据train_data=[{'img':img,'label':label}forimg,labelinzip(image_paths,labels)]train_ds=Dataset(data=train_data,transform=train_transforms)train_loader=DataLoader(train_ds,batch_size=64,shuffle=True,num_workers=8)8.2 类别不平衡的终极武器：从Focal Loss到Asymmetric Loss胸片数据中，疾病标签是典型的长尾分布。“无发现”（No Finding）占一半以上，而“气胸”等急症只占不到1%。普通二元交叉熵损失（BCE）在这种严重不平衡下会直接崩溃：模型只需把所有样本都预测为阴性，就能获得很低的loss，但毫无意义。Focal Loss (FL)：何恺明提出的Focal Loss通过添加调节因子(1 - p_t)^γ来降低易分样本的损失贡献，强制模型聚焦于难分样本。FL(pt)=−αt(1−pt)γlog⁡(pt) FL(p_t) = -\alpha_t (1 - p_t)^\gamma \log(p_t)FL(pt​)=−αt​(1−p