Dice 0.91 之后：医学影像分割的标注噪声、域偏移与临床边界

一张腹部 CT 的肝脏分割结果摆在阅片台上。Dice 0.91。边界顺滑，像用尺子描过。住院总看了两秒，说，还是重画吧。

这很刺耳。可它每天都在发生。指标漂亮，临床不认。问题不在网络不够深。问题在“边界”这个词，医生和算法理解得并不一样。

Dice 0.91 之后，医生在担心什么

医学影像分割的常见评估是重叠度。Dice、IoU、敏感度、特异度，外加上表面距离。它们有用。可它们把三维结构压成若干标量。肝脏分割 Dice 很高，不代表肝门区血管、胆管边界可用。肿瘤分割的重叠度不差，也不代表小病灶没被吞掉。手术规划看的是可切除边界，放疗看的是危及器官的外扩范围。一个像素的偏差，在报告里是数字；在治疗计划里是剂量。

所以我会盯三件事：边界误差的分布、拓扑是否合理、失败案例是否可解释。HD95 比 Dice 更敏感，但也会被离群点支配。ASSD 平滑，却可能掩盖小结构断裂。拓扑约束能减少孔洞和断连，条件是该任务真的需要连通性。反例也有：某些囊性病变内部本就不连通，强行拓扑约束会把模型带偏。

我不太相信单中心的漂亮表格。不是表格有错。是它太干净。真实数据里有金属伪影、呼吸运动、层厚不一、对比剂时相差异。模型在验证集上稳定，换一台扫描仪就抖。这不是新闻。

标注不是地面真值，而是有噪声的临床共识

很多讨论把标注当作地面真值。这个假设太省事。放射科医生之间的勾画差异并不小，边界模糊的病灶更明显。不同年资、不同协议、不同窗宽窗位，都会改变笔尖。标注是临床共识的近似，不是解剖学的唯一答案。

这带来两个后果。其一，模型可能学到标注者的习惯，而不是结构本身。其二，损失函数对噪声标签很敏感。多标注者融合、STAPLE、概率标签、噪声鲁棒损失，都是路径。条件呢？多标注成本高，融合规则也会引入偏差。弱监督和半监督能省标注，可 scribble 和点标注覆盖不到精细边界。别指望一个损失函数解决标注协议的问题。

我见过一个反例：小样本训练集里，某位医生习惯把血管周围组织画宽。模型把这个习惯学得很稳。外部验证时，Dice 掉得很难看。不是模型退化，是习惯失效。

域偏移比网络深度更顽固

U-Net 之后，结构一直在变。注意力、Transformer、Mamba、扩散模型，名字换得快。它们解决了一部分长程依赖和上下文建模问题。可域偏移还在。扫描仪、重建核、层厚、对比剂、患者人群，任何一项变化都能让分割边界漂移。

域适应、测试时适应、自监督预训练、联邦学习，都是可操作的路线。别把它们当万能药。测试时适应可能被单个病例带偏。联邦学习受通信和非独立同分布困扰。自监督需要大量无标注影像，预训练任务和下游分割任务未必对齐。更现实的做法是：多中心外部验证、按设备分层报告、失败模式清单。这些不炫，但能救命。

结构创新有价值。只是它替代不了数据治理。一个干净的标注协议，常常比换主干网络更管用。这话不讨喜。可我在项目里反复看到。

把不确定性放回工作流

临床不接受一个只会输出掩膜的黑箱。至少要知道哪里不可信。不确定性估计、交互式修正、人机协同分割，意义在这里。模型先给粗边界，医生改关键区域。省时间，也保留责任链。

风险也明显。自动化偏见会让医生懒得改。不确定性图如果校准不好，会变成装饰。监管审批关注的是预期用途和失败模式，不是验证集上的单个 Dice。应用边界要写清楚：用于辅助勾画，还是用于定量随访；用于科研，还是进入治疗计划。两者不是一回事。

趋势上，我更看好少样本分割、自监督预训练和评估协议改革。不是模型更大。是评估更诚实。报告外部验证、报告失败案例、报告标注者间变异。模型可以画线。边界的意义，仍由临床语境裁定。