用CV做医疗影像初筛？上周差点被产品经理送走

作为一个在杭州某医疗软件公司搬砖的Python后端，平日里主要和DICOM、HL7、FHIR这些“老古董”协议打交道。虽然名义上是后端，但团队小、人手紧，加上我对前端动画有点执念（至今还在研究Three.js怎么优雅地渲染3D器官模型），经常被迫“全栈化”。上周五晚上十点，我正用VSCode调一个React组件的贝塞尔曲线过渡——插件装了三十多个，光Prettier和ESLint就吵了半年——产品经理突然甩来一句话：“能不能搞个计算机视觉模型，自动识别X光片里的肺炎区域？双11前上线。”

我当时差点把咖啡喷到MacBook键盘上。不是，兄弟，我们是做医院HIS系统的，不是AI Lab啊！

但架不住老板画饼：“这项目要是成了，年底奖金翻倍。” 行吧，为了那点子虚乌有的“翻倍”，我硬着头皮接了。

从零开始：Prompt工程救我狗命

说实话，我对CV真不算熟。大学学过OpenCV，工作后主要用PyTorch写些NLP小模型。这次要处理的是公开数据集ChestX-ray14，包含10万多张胸部X光片，标注了14种疾病，其中肺炎是我们重点目标。

第一步，我得快速搭个baseline。这时候，GitHub Copilot 成了我的救命稻草。写个数据加载器，它直接给我补全了torchvision.transforms那一套；定义ResNet50微调结构，它连requires_grad=False都帮我写了。虽然有时候它会瞎猜（比如把nn.CrossEntropyLoss()写成回归损失），但配合Trae（最近超火的AI编程助手，比Copilot更懂上下文）一起用，效率翻倍。

不过真正让我少走弯路的，是Kimi。别误会，不是那个韩国明星，是月之暗面出的大模型。我发现它对医学图像任务特别敏感——可能训练数据里医疗文献多？当我问：“如何用迁移学习做胸部X光分类，数据不平衡怎么办？” 它不仅给出了SMOTE、Focal Loss这些方案，还贴心地附上了PyTych代码片段，甚至提醒我注意DICOM窗宽窗位调整对灰度分布的影响。

那一刻我悟了：Prompt工程不是玄学，是精准描述问题的能力。你越懂业务，AI越能帮你。比如我说“我们系统跑在医院内网，GPU只有T4，模型必须<100MB”，Kimi立刻推荐MobileNetV3 + ONNX量化，而不是一上来就推ViT-Large。

踩坑实录：从OOM到线上崩盘

理想很丰满，现实很骨感。

第一个坑：数据预处理。X光片不是普通RGB图，它是单通道16位灰度图，像素值动辄上万。我一开始直接用ToTensor()，结果模型输出全是NaN。查了半天才发现，得先做窗位映射（windowing）：

def apply_window(image, window_center=40, window_width=400):
    min_val = window_center - window_width // 2
    max_val = window_center + window_width // 2
    image = np.clip(image, min_val, max_val)
    image = (image - min_val) / (max_val - min_val)
    return image

第二个坑：类别极度不平衡。10万张图里，肺炎阳性不到8%。我试了加权交叉熵，效果一般；后来用Focal Loss，mAP直接涨了7个点。这里感谢Kimi给的公式，不然我得翻半天论文。

第三个坑最致命：线上部署。模型在本地跑得好好的，一上Docker容器就OOM。运维大哥一脸鄙夷：“你这模型加载占2G内存，我们Pod只分了1.5G。” 我连夜用ONNX Runtime重写推理逻辑，配合动态批处理，总算压到800MB。测试时又发现，前端传来的Base64图片偶尔带Exif旋转信息，导致图像歪了90度……最后在Flask入口加了个Pillow自动校正，才搞定。

优化阶段	模型大小	推理时间(ms)	mAP@0.5	内存占用
初始ResNet50	98MB	210	0.68	2.1GB
MobileNetV3 + Focal Loss	14MB	45	0.75	1.8GB
ONNX + 动态批处理	12MB	32	0.74	0.8GB

效果与反思：AI不是银弹

双11前两天，系统终于上线。我们做的不是诊断，而是初筛辅助——把疑似肺炎的片子标红，推给放射科医生优先看。第一周反馈不错，医生说漏诊率明显下降，尤其夜班时帮大忙。

但我也清醒得很：这玩意儿离“智能诊断”差十万八千里。有一次模型把肋骨骨折误判成肺炎（因为阴影形状相似），差点引发纠纷。后来我们加了置信度阈值（<0.85的不报警），并强制要求所有AI标记必须人工复核。

回头想想，这次项目能成，一半靠AI工具链：

• GitHub Copilot 加速编码
• Trae 帮我重构复杂逻辑（比如异步队列处理）
• Kimi 提供领域知识和调参建议
• Prompt工程 让我和AI高效对话

但另一半，还是人——理解医疗场景的边界、知道什么能自动化、什么必须留给人类。毕竟，在医疗行业，一个false positive可能就是一条人命。

给同行的建议

如果你也在医疗IT公司，想搞AI落地，听我一句劝：

1. 别追求SOTA模型，稳定性和可解释性更重要。医生不关心你mAP多高，只关心“为什么标红这张图”。
2. 善用AI编程助手，但别当甩手掌柜。Copilot写出来的代码要逐行review，尤其涉及医疗数据。
3. 和临床人员多聊天。我花三天跟放射科医生喝咖啡，比读十篇论文有用。
4. 杭州机会多，但坑也多。阿里网易固然香，但医疗AI需要耐心，别被“三个月落地”的KPI忽悠瘸了。

最后，我的VSCode插件列表又更新了——刚装了个ONNX Visualizer，准备下周试试把模型推理流程画出来给产品经理看。希望他看完能放过我，别再提“做个CT三维重建”这种需求了……

（完）

P.S. 本文代码已脱敏上传GitHub，搜med-cv-pneumonia-screening就能找到。欢迎Star，但别fork后直接跑生产——我怕你被你们的产品经理送走。