病理AI把同一切片切成图块，训练测试怎样防止泄漏？

切块之后随机分组会出问题

数字病理常把一张全视野切片裁成大量图块。相邻图块共享染色、扫描仪特征和组织结构；若随机把图块分到训练集与测试集，模型可能识别的是同一切片的熟悉背景，而不是能推广的新患者病变。CLAIM 2024要求说明数据划分彼此独立的层级，医学图像通常至少应考虑患者层级。投稿时别只写“按八比二随机划分图像”，要写清随机单位到底是患者、切片、视野还是图块。

先分患者，再裁图块

较稳妥的流程是先用患者标识分配训练、调参和锁定测试，再在各集合内裁图块。若一名患者有多张切片、不同染色或多次扫描，都要保持在同一集合。多中心研究还可检查机构、扫描设备和制片批次是否跨集合平衡；外部测试最好独立于开发机构和时间段。切片上传或去标识化后，也需用可逆的内部映射核查重复患者，避免因新文件名误当作新个体。

预处理也会泄漏

染色标准化、特征选择或图块筛选如果先看全部数据再决定参数，测试集信息可能进入开发过程。方法段应说这些参数是仅在训练数据上拟合，还是使用预先定义的外部标准；测试图块只应用已固定的变换。人工圈定肿瘤区时，标注者若知道测试结局，也可能把结果信息带入图块选择。选择准则、标注盲法和排除质量差切片的规则需独立记录。

报告各层级数量

结果不能只给出几十万张图块。应同时列患者数、切片数、图块数，及每个集合的阳性阴性分布。训练可能以图块为单位，但性能若面向患者诊断，应说明如何把图块分数汇总到切片或患者，并以相应单位计算区间及处理缺失切片。将大量相关图块视为独立测试样本，会把精度说得过于肯定。若同一患者有不同时间的切片，分组时也要把这些切片聚在一起，避免把纵向随访影像误分成新患者。若测试集中有训练患者的其他切片，应标为内部重复评估，不能称作完全独立测试。

投稿前做一次交叉核查

可用匿名患者键检查训练、调参、测试集合的交集，再检查文件哈希和近重复图像。报告核查方法与任何无法确定身份的图像处理方式。若旧实验确实发生图块级泄漏，应重新划分并重训，在正文解释性能变化，而不是删除较低的新结果。病理AI研究最有价值的不是图块数大，而是读者能确认模型在未见过的患者上经历了什么测试。

参考信息：CLAIM 2024医学影像AI报告清单与病理图块泄漏原始研究。