企业官网建设流程全解析

医学影像AI这几年快速进入临床辅助诊断流程，但与此同时，一个更隐蔽的风险也在被放大：既然AI能读片，自然也就能被用来“改片”。如果一张CT卷里的肺结节被算法抹掉，或者被伪造出原本不存在的病灶，再由医生基于这张片子做诊断，后果将非常严重。HexMIL这个名字看起来像一篇论文标题，但它本质上是在回答一个问题：如何让模型既能检测出AI篡改的CT影像，又能解释它凭什么这么判断。

这篇文章我会把HexMIL涉及的核心概念拆开讲清楚，包括Hierarchical Attention（层次化注意力）、MIL（Multiple Instance Learning，多实例学习）、前摄可解释性（Ante-Hoc Explainable），并给出一套基于PyTorch的简化实现思路。适合对医学影像AI、弱监督学习、模型可解释性感兴趣的开发者阅读。读完你会理解层次注意力MIL的建模逻辑，也知道如何把CT卷组织成“包-实例”结构来训练检测模型。

1. 背景与核心概念

1.1 为什么需要检测AI篡改的CT影像

先假设一个场景：患者做了一次胸部CT，图像通过网络传到诊断系统。如果数据链路中有人截获了图像，用生成模型在某个肺叶区域叠加了一个仿真结节，或者把原本的结节清理掉，最终诊断报告就可能完全不同。

这类篡改不是简单的像素擦除或PS涂改，而是AI辅助的语义级修改。生成模型的表达能力足够强，可以保留组织纹理、噪声分布，让人眼很难察觉。传统图像取证方法对这类篡改往往失效，因为伪造痕迹不再表现为网格畸变或颜色异常，而是“纹理过于真实”。

这就带来一个需求：检测系统需要在图像语义层面识别出不自然的局部区域，同时给出证据，而不是只输出一个“有问题/没问题”的二分类结果。临床上，一个没有解释的二分类结果很难被信任，医生需要知道模型根据哪些切片、哪些区域做出了判断。

1.2 MIL（多实例学习）与Simulink MIL的区别

搜索引擎里搜“MIL”，很容易搜到Simulink中的Model-in-the-Loop（模型在环）测试。这跟我们讲的MIL完全是两个概念，先做区分：

• Simulink MIL：指在Simulink环境中把控制器模型放到环路里做仿真测试，验证模型逻辑是否满足需求，属于汽车电子、控制系统的开发流程。
• Multiple Instance Learning（多实例学习）：一种弱监督学习范式，把数据组织成“包”和“实例”。一个包包含多个实例，只有包级标签，不提供实例级标签。

在HexMIL中，MIL指多实例学习。CT卷天然适合用MIL建模：整卷是一个包，每个2D切片或3D小块是一个实例。我们只知道“这卷CT被篡改了”，却不知道具体哪一帧被改，这就构成了典型的弱监督学习问题。

1.3 Ante-Hoc可解释与Post-Hoc可解释的区别

模型可解释性通常分两种路线：

• Post-Hoc（事后解释）：训练一个黑盒模型，再用SHAP、LIME、Grad-CAM等工具解释预测结果。这类方法的优点是模型结构不受限制，缺点是解释可能不忠实于模型真实决策逻辑，尤其在医学影像这种高维非结构化数据上，热图可能指向纹理区域而不是真实病灶。
• Ante-Hoc（前摄可解释）：在模型设计阶段就把解释机制内嵌进去，让模型本身具备产出解释的能力。模型不只是输出一个分数，还会明确输出“哪些切片、哪些区域对判定贡献更大”。

HexMIL强调的是Ante-Hoc可解释。也就是说，模型最后的输出不仅包含“篡改概率”，还包含一个可以映射回原始切片的注意力热图。解释不是事后补上的，而是模型结构的一部分。

1.4 HexMIL整体思路

HexMIL整体流程可以拆成四步：

1. 将CT卷按轴向（通常是横断位）切成2D切片，每张切片是一个实例。
2. 用卷积神经网络（CNN）提取每张切片的特征表示。
3. 用两层注意力机制对切片特征进行聚合：第一层在实例间分配注意力权重，第二层在不同特征子空间或类别分支间分配权重，形成层次化聚合。
4. 基于聚合后的包级特征做分类，同时热图可以反投影到原始切片，完成前摄可解释输出。

接下来我们把这套思路逐步展开。

2. 环境准备与版本说明

2.1 软硬件环境

本文示例代码以常见深度学习环境为例：

• 操作系统：Ubuntu 20.04 / Windows 10 / Windows 11
• Python：3.8 以上
• 深度学习框架：PyTorch
• 视觉库：torchvision
• 数值计算：NumPy
• CUDA：根据GPU驱动自行适配，如果没有GPU，代码也能跑，但训练会慢很多

具体版本建议结合你本机环境调整。PyTorch在1.10到2.x之间对本示例影响不大，核心API是保持稳定的。如果你的CUDA版本较新，直接安装对应cuda版本即可。

安装命令参考：

pip install torch torchvision numpy matplotlib scikit-learn

如果你的环境是用Anaconda管理，也可以先创建虚拟环境：

conda create -n hexmil python=3.9 conda activate hexmil pip install torch torchvision numpy matplotlib scikit-learn

2.2 项目结构

建议按下面的目录组织代码，方便后面扩展：

hexmil_example/ ├── data/ │ └── preprocess.py # CT卷预处理，切片、归一化 ├── models/ │ ├── encoder.py # 切片特征提取器 │ └── hexmil.py # 层次注意力MIL模型 ├── utils/ │ └── visualize.py # 热图可视化 ├── train.py # 训练入口 └── config.py # 配置参数

这个结构不是必须的，但保持清晰划分后，后续换数据集、换特征提取器时不需要大规模改动代码。

2.3 关于医学影像处理库

实际项目中CT影像通常是DICOM格式，建议安装pydicom、SimpleITK来读取：

pip install pydicom SimpleITK

Monai也是医学影像项目中常用的库，封装了很多预处理算子。本文为了减少依赖，先直接用NumPy数组演示核心逻辑。真实项目中，你可以用Monai来实现重采样、窗宽窗位调整、数据增强等操作。

3. 核心原理拆解

3.1 为什么用“包-实例”结构而不是直接分类

最直接的方法是把CT卷所有切片拼接成一个3D输入，用3D CNN做分类。但这里有一个现实问题：篡改区域往往很小，可能只出现在连续几片切片上，甚至只出现在某一个局部区域。3D CNN虽然能建模空间结构，但对“局部异常”的定位能力较弱，而且3D卷积的开销较大，对数据量和显存要求高。

MIL的思路更加简洁：CT卷是一个包，里面的切片是实例。因为只有包级标签，模型需要在训练过程中自动学会对实例的重要性加权：正常的切片拿到低权重，包含篡改痕迹的切片拿到高权重。这样训练结束后，我们自然可以用权重来判断哪些切片更可疑。

3.2 实例级注意力

假设一个CT卷被切成N张切片，每张切片经过特征提取器后得到特征向量 h_i，i=1..N。实例级注意力要做的事是计算每个实例的重要性权重：

a_i = exp(w^T tanh(V h_i^T)) / sum_j exp(w^T tanh(V h_j^T))

这里的 V 是一个线性变换矩阵，w 是一个可学习的查询向量。整个过程类似于注意力打分，再经过softmax归一化。然后包表示就是加权求和：

z = sum_i a_i * h_i

这个公式最早在“Attention-based Deep Multiple Instance Learning”这篇经典论文中提出。优点是简单、可微、能够端到端训练。缺点也很明显：如果所有实例的权重都趋于均匀分布，模型就退化成简单的平均池化，失去定位能力。这个问题在训练时需要注意，后面会讲。

3.3 类别级注意力：层次化的第二层

HexMIL进一步引入第二层注意力，即类别级注意力。为什么需要第二层？

CT影像中包含多种组织结构和伪影，一张切片的异常可能是细微的纹理变化，也可能是结构性的形态改变。单一注意力池化只能得到一组全局权重，但很难同时捕捉“多尺度的异常信号”。类别级注意力可以理解为：模型先学习若干个注意力头或特征分组，每个分组关注一种异常模式，再通过注意力机制聚合这些分组的结果。

简化理解流程如下：

1. 实例级注意力生成切片权重，得到若干不同的包表示；
2. 每个包表示可以理解为一个“视角”，关注不同类型的异常信号；
3. 类别级注意力在这几个包表示之间做加权融合，形成最终包级表示；
4. 分类头基于最终包级表示输出篡改概率。

这种层次化设计让模型在训练时不需要知道篡改区域的具体位置，却能在推理时通过注意力图指示可疑区域。整个过程是内嵌的，不需要额外训练解释模型。

3.4 前摄可解释输出的形态

模型的可解释输出通常包含两个部分：

• 全局解释：包被分类为“篡改”的一维概率。
• 局部解释：切片级注意力权重和特征图的组合热图。将高注意力切片上的特征激活值反投影回原始像素空间，就能得到与原始CT切片分辨率对齐的热图。

推理阶段，医生看到的不再只是一个孤立的“阳性”告警，而是一张CT卷上哪里可疑、置信度多少、涉及哪些切片。这就是前摄可解释性在临床场景中的价值。

3.5 损失函数与标签设计

在MIL框架下，训练标签是图像级别甚至患者级别的二分类标签：0表示正常，1表示篡改。

对于单包分类，最常用的是交叉熵损失或BCEWithLogitsLoss。如果某个数据集只有患者级标签，可能需要先按患者合并多个CT序列，再在患者级别组织包。这会增加包内实例一致性的假设难度，是工程上容易被忽略的环节。

4. 完整实战案例

下面我们用PyTorch实现一个简化版HexMIL。需要提前说明：这不是论文的完整复现，而是用于理解核心思路的代码骨架。真实实验还需要根据数据规模和任务类型做很多细节调整。

4.1 模拟CT数据准备

实战中，我们先用模拟数据验证流程。假设一个CT卷被表示成NumPy数组，形状是(D, H, W)，D是切片数，H和W是高度和宽度。

为了模拟篡改，可以在连续几片切片的某个区域加入局部纹理扰动。下面的代码生成模拟数据：

# 文件路径：data/preprocess.py import numpy as np def make_synthetic_ct(shape=(32, 128, 128), seed=0): """ 生成一个模拟CT卷。 这里使用随机噪声模拟组织纹理，真实项目中应替换为DICOM序列读取。 """ rng = np.random.default_rng(seed) ct = rng.normal(0.1, 0.02, size=shape).astype(np.float32) return ct def add_local_manipulation(ct, start_slice, size=(8, 32, 32), strength=0.2, seed=1): """ 在连续切片上加入局部篡改扰动。 真实场景中的篡改更隐蔽，这里用局部亮度偏移模拟异常区域。 """ rng = np.random.default_rng(seed) manipulated = ct.copy() d, h, w = size manipulated[start_slice:start_slice + d, h // 4:h // 4 + h, w // 4:w // 4 + w] += strength * rng.normal(size=size) return manipulated

这个步骤的目的是生成“有包级标签”的数据集：正常卷和篡改卷。训练时，模型只能看到包级标签，看不到篡改区域的切片编号。

4.2 读取与切片

训练前要把整个CT卷切成2D切片：

# 文件路径：data/preprocess.py def ct_to_slices(ct): """ 将CT卷转换为切片列表。 返回形状为 (D, H, W) 的数组，后续逐张提取特征。 """ return ct

实际中还需要做归一化、缩放等操作。为了减少代码复杂度，本文直接用原始值作为输入，但这只是演示。真实项目中建议根据CT值范围做窗宽窗位调整，再转为0-1范围内的浮点数组。

4.3 特征提取器Encoder

用torchvision中预训练的ResNet18作为特征提取器，去掉最后的全连接层，输出512维特征向量。预训练权重在ImageNet上训练，虽然与CT影像分布有差异，但在迁移学习场景下仍能提供基础视觉特征。

# 文件路径：models/encoder.py import torch import torch.nn as nn from torchvision import models import torchvision.transforms as transforms class SliceEncoder(nn.Module): def __init__(self, out_dim=512, pretrained=True): super().__init__() resnet = models.resnet18(pretrained=pretrained) # 去掉最后的全局池化和全连接层 self.features = nn.Sequential(*list(resnet.children())[:-2]) self.gap = nn.AdaptiveAvgPool2d((1, 1)) self.project = nn.Linear(512, out_dim) def forward(self, x): # x: (B, 3, H, W) x = self.features(x) x = self.gap(x).flatten(1) x = self.project(x) return x

原始CT切片是单通道，而ResNet输入是三通道。一个常用做法是在输入维度上重复三次，等效于三通道。也可以把模型第一层卷积的输入通道改为1，但这样无法加载预训练权重，得不偿失。

4.4 层次注意力MIL模型

下面是最核心的模型。先实现实例级注意力池化，再扩展为层次化结构。

为了兼顾简洁和可读性，这里把层次化实现为“多头注意力池化+类别级注意力融合”：

# 文件路径：models/hexmil.py import torch import torch.nn as nn import torch.nn.functional as F class InstanceAttentionPooling(nn.Module): """ 实例级注意力池化。 输入 (B, N, D) 的实例特征，输出包特征和注意力权重。 """ def __init__(self, in_dim, hidden_dim=128): super().__init__() self.attention = nn.Sequential( nn.Linear(in_dim, hidden_dim), nn.Tanh(), nn.Linear(hidden_dim, 1) ) def forward(self, x): # x: (B, N, D) scores = self.attention(x) # (B, N, 1) weights = F.softmax(scores, dim=1) bag_feat = torch.sum(x * weights, dim=1) # (B, D) return bag_feat, weights.squeeze(-1) class HierarchicalAttentionMIL(nn.Module): """ 简化版HexMIL： 1. 多组实例级注意力，产生多个包表示； 2. 类别级注意力对多个包表示加权融合； 3. 分类头输出二分类概率。 """ def __init__(self, in_dim, n_heads=4, hidden_dim=128, num_classes=2): super().__init__() self.n_heads = n_heads self.heads = nn.ModuleList( [InstanceAttentionPooling(in_dim, hidden_dim) for _ in range(n_heads)] ) # 类别级注意力 self.class_attention = nn.Sequential( nn.Linear(in_dim, hidden_dim), nn.Tanh(), nn.Linear(hidden_dim, 1) ) self.classifier = nn.Sequential( nn.Linear(in_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, num_classes) ) def forward(self, x): # x: (B, N, D) bag_feats = [] attn_weights = [] for head in self.heads: bag_feat, weights = head(x) bag_feats.append(bag_feat) attn_weights.append(weights) bag_feats = torch.stack(bag_feats, dim=1) # (B, num_heads, D) # 类别级注意力：在num_heads维度上加权 scores = self.class_attention(bag_feats) # (B, num_heads, 1) head_weights = F.softmax(scores, dim=1) final_bag_feat = torch.sum(bag_feats * head_weights, dim=1) logits = self.classifier(final_bag_feat) return logits, attn_weights, head_weights

这段代码的思路是：多个注意力头各自从不同角度找出可疑切片，产生多个包表示；类别级注意力再融合这些包表示。这里的n_heads能起到类似“多专家”的作用，避免单一注意力头只专注于某一种特征。

4.5 组装训练流程

训练流程包括几个环节：

1. 把CT卷切分成切片；
2. 将每个切片从(H, W)扩展为(3, H, W)送入Encoder；
3. 得到(N, 512)的实例特征包，作为MIL模型输入；
4. 计算损失，反向传播。

下面给出一段简洁的训练代码：

# 文件路径：train.py import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader from data.preprocess import make_synthetic_ct, add_local_manipulation from models.encoder import SliceEncoder from models.hexmil import HierarchicalAttentionMIL class CTBagDataset(Dataset): """ 构造包级数据。每个样本是一个CT卷，标签是0或1。 这里用模拟数据构造，真实使用时应替换为实际数据读取逻辑。 """ def __init__(self, num_samples=40, seq_len=24, img_size=64): self.samples = [] for i in range(num_samples): base_ct = make_synthetic_ct(shape=(seq_len, img_size, img_size), seed=i) if i % 2 == 1: ct = add_local_manipulation(base_ct, start_slice=8, seed=i) label = 1 else: ct = base_ct label = 0 self.samples.append((ct, label)) def __len__(self): return len(self.samples) def __getitem__(self, idx): ct, label = self.samples[idx] # 转成tensor，但为了减少显存占用，可以在主训练循环中逐包处理 return torch.from_numpy(ct).float(), label def collate_bag_to_list(batch): """ 由于每个包的切片数可能不同，这里不直接堆叠。 返回一个合法的batch结构。 """ cts, labels = zip(*batch) return list(cts), torch.tensor(labels, dtype=torch.long) def encode_ct_slices(ct_tensor, encoder, device): """ 将一个CT卷的切片逐张送入Encoder，得到实例特征包。 """ ct_tensor = ct_tensor.to(device) slices = ct_tensor.unsqueeze(1) # (D, 1, H, W) slices = slices.repeat(1, 3, 1, 1) # (D, 3, H, W) features = [] batch_size = 16 for i in range(0, slices.size(0), batch_size): batch = slices[i:i + batch_size] with torch.no_grad(): feat = encoder(batch) features.append(feat) return torch.stack(features, dim=0) # (D, 512) def train_one_epoch(model, encoder, dataloader, optimizer, criterion, device): model.train() encoder.eval() total_loss = 0.0 for cts, labels in dataloader: optimizer.zero_grad() loss = 0.0 for ct, label in zip(cts, labels): # ct: (D, H, W) bag_feat = encode_ct_slices(ct, encoder, device) # (D, D_feat) bag_feat = bag_feat.unsqueeze(0) # (1, D, D_feat) logits, attn_weights, head_weights = model(bag_feat) label = label.unsqueeze(0).to(device) loss = loss + criterion(logits, label) loss = loss / len(cts) loss.backward() optimizer.step() total_loss += loss.item() return total_loss / len(dataloader) def main(): device = torch.device("cuda" if torch.cuda.is_available() else "cpu") encoder = SliceEncoder(out_dim=256).to(device) model = HierarchicalAttentionMIL(in_dim=256, n_heads=4, num_classes=2).to(device) dataset = CTBagDataset(num_samples=60, seq_len=24, img_size=64) dataloader = DataLoader(dataset, batch_size=4, shuffle=True, collate_fn=collate_bag_to_list) optimizer = optim.AdamW(list(model.parameters()) + list(encoder.parameters()), lr=1e-4) criterion = nn.CrossEntropyLoss() for epoch in range(10): loss = train_one_epoch(model, encoder, dataloader, optimizer, criterion, device) print(f"Epoch {epoch + 1}, Loss: {loss:.4f}") if __name__ == "__main__": main()

这里有一个值得提醒的点：我把Encoder放在torch.no_grad()下提取特征，训练时只更新MIL模型参数。这样做的目的是防止特征提取器被少量模拟数据带偏。真实项目中，通常建议先冻结Encoder做初步训练，再逐步解冻微调。

4.6 可解释结果可视化

推理阶段，我们需要把注意力权重映射到切片上。对单包输入，模型返回的attn_weights[head_index]就是该注意力头对每个切片的权重。

# 文件路径：utils/visualize.py import matplotlib.pyplot as plt def visualize_attention(ct_slices, attention_weights, title="Attention"): """ ct_slices: shape (D, H, W) attention_weights: shape (D,) 显示注意力权重最高的切片的紧凑汇总图。 """ top_indices = attention_weights.argsort()[-3:][::-1] fig, axes = plt.subplots(1, len(top_indices), figsize=(12, 4)) for ax, idx in zip(axes, top_indices): ax.imshow(ct_slices[idx], cmap="gray") ax.set_title(f"Slice {idx}, weight={attention_weights[idx]:.3f}") ax.axis("off") plt.suptitle(title) plt.show()

这样就能从包级预测倒推回切片级证据，完成前摄可解释闭环。

5. 常见问题与排查思路

5.1 问题速查表

5.2 注意力退化的排查

注意力退化是MIL模型最经典的问题之一。现象是训练后期，模型认为所有切片权重都差不多，包表示几乎等于“平均池化”。这会让可解释性失效，因为无法定位可疑切片。

排查顺序建议如下：

1. 打印训练时的权重分布，观察是否出现方差趋近于0；
2. 检查是否有过强的Dropout或权重衰减；
3. 尝试初始化偏置，让注意力头初始偏向中间切片；
4. 如果使用了多个注意力头，检查是不是只有一个头参与训练；
5. 在损失函数中加入注意力熵正则项，惩罚过均匀的分布：

def attention_entropy_loss(weights, alpha=0.1): """ weights: (B, N) 鼓励注意力权重不要过于均匀。 """ probs = torch.softmax(weights, dim=-1) entropy = -torch.sum(probs * torch.log(probs + 1e-8), dim=-1).mean() return alpha * entropy

需要注意的是，熵正则的强度要控制好。太大会让模型只关注最显著的单个切片，可能漏掉分布在多切片的篡改信号。

5.3 数据泄漏问题

医学影像实验中，最常见也最影响结果可信度的问题是数据泄漏。如果一个患者做了多次扫描，切片可能被切分到训练集和测试集，模型实际上“见过”同一患者的影像分布，测试指标就会虚高。

避免方法是在数据划分阶段按患者ID分组，而不是按文件路径分组。同时在预处理阶段记录原始数据来源，保证任何增强操作都不跨越患者边界。

5.4 弱监督标签噪声

MIL框架下，包级标签本身也可能存在噪声。比如某个CT卷实际未被篡改，但标注系统标记错误。此时单个包的损失会误导模型。工程上可以引入标签平滑（label smoothing）来缓解：

criterion = nn.CrossEntropyLoss(label_smoothing=0.05)

也可以采用软标签策略，用多个标注者的一致性结果作为标签权重。

6. 最佳实践与工程建议

6.1 数据合规与安全边界

医学影像数据属于高敏感数据。任何实验开始前，必须确认数据来源合法、已脱敏、符合伦理审批要求。在生产环境中，建议遵循最小权限原则：数据仅存储在受限服务器，训练代码不直接访问原始患者标识信息，日志中不打印文件名或患者ID。

绝对不能为了凑数据集而私自采集医院影像数据。篡改检测本身就是安全对抗场景，如果不能保证数据链路可信，模型的可信度也无从谈起。

6.2 数据分层与训练验证

强烈建议将整个训练流程拆成三个独立阶段：

• 特征提取器预训练：在足够大的自然图像或医学图像数据集上预训练CNN。如果数据量不够，直接用ImageNet预训练权重是合理起点，但要意识到域差异。
• MIL模型训练：先冻结Encoder，训练注意力池化部分，观察注意力分布是否合理。
• 联合微调：解冻Encoder浅层或全部层，用小学习率微调。

这种分阶段策略能显著提高训练稳定性，尤其在样本量较小的医学影像场景中。

6.3 可解释性的量化验证

可解释性不只是一个“看起来漂亮”的热图。建议在测试集上量化评估注意力质量：

• 如果篡改区域有像素级标注，可以计算注意力热图与真实篡改区域的Dice系数或IoU；
• 如果没有像素级标注，可以设计“弱定位指标”：检查最高注意力切片是否落在已知存在篡改的切片范围内；
• 记录各注意力头的注意力熵，观察是否早停或受正则影响。

只有可解释指标和分类指标同时提升，模型的解释才有说服力。

6.4 部署阶段的风险控制

检测模型部署到实际系统时，要关注几点：

• 固定预处理参数：CT重采样、窗宽窗位、归一化数值都必须和训练时一致；
• 保留模型版本记录：CT影像数据分布会随设备品牌、扫描参数变化，模型需要定期用新数据做外部验证；
• 设置预测置信度阈值：医学筛查场景通常需要低漏检，建议单独设定敏感度阈值，而不是直接用默认0.5；
• 人工复核机制：任何AI告警都应进入人工复核流程，模型产生的注意力热图只作为参考证据。

7. 总结与学习路线

现在回看HexMIL这套方案，其实是在解决三个互相纠缠的问题：A图像到底有没有被篡改、哪些切片区域最可疑、这个结论能否被人工复核。层次注意力MIL把这三个问题收敛到了一个模型里：包级标签做监督信号，实例注意力做局部定位，类别级注意力在不同异常模式间做融合，最终输出既分类又定位的解释结果。

如果你对这个方向感兴趣，下一步可以有计划地深入：

先从经典的MIL论文读起，理解Attention-based Deep Multiple Instance Learning的基础公式；然后阅读CLAM等更大规模的弱监督病理切片分类方法，体会层次化注意力在更大包规模下的设计差异；再结合Monai库把DICOM读取、预处理、切片组织标准化；最后用一个小规模的篡改检测模拟数据集跑通完整流程。

真实项目中，最大的风险往往不在模型结构，而在于数据分布漂移和标签质量。同一个篡改算法在不同CT设备上的表现差异可能非常大，因此跨中心外部验证比单纯调模型结构更重要。

如果你手头没有公开的CT篡改数据集，可以先从合成实验开始。把正常CT和模拟篡改CT作为二分类数据，跑通本文的代码闭环，再逐步增加篡改方式的多样性。把基础流程吃透之后，无论是更换更强的特征提取器，还是引入对抗训练，都会顺手很多。

如果这篇笔记对你的项目有参考价值，可以收藏备用。后续我再整理篡改数据增强和注意力可视化评估的进阶实践，欢迎持续关注。