集成卷积神经网络提升中风预测准确率的完整实战解析

为什么单个 CNN 模型预测中风总差一点？集成卷积神经网络（Ensemble CNN）完整实战

最近不少做医疗 AI 的同学都在讨论一个现象：用卷积神经网络（CNN）做中风预测时，单模型的准确率往往提升到某个阶段就卡住了。无论是换网络层数、调学习率，还是加 Dropout，测试集上的指标都像撞到天花板一样纹丝不动。你可能会怀疑是数据不够，或者特征提取不到位，但在很多公开数据集和中风影像数据上，真正拉开差距的往往不是“单个模型有多强”，而是“有没有把多个模型的差异利用起来”。

这篇文章要讲的就是通过集成卷积神经网络（Ensemble of Convolutional Neural Networks）来提升中风预测的诊断准确性。我们会从问题出发，解释 CNN 和 Ensemble 各自的原理，然后给出一个可以本地跑通的中风风险预测完整示例。换句话说，读完这篇文章，你会理解单模型瓶颈在哪里，并掌握写一个可以投入实验的 Ensemble CNN 流程。

这里先给出一个明确判断：集成学习不是靠堆模型数量碰运气，而是靠模型之间的“差异性”来减少预测方差。如果你只用同一个架构跑十次然后平均，效果往往提升有限；真正有效的是在数据、特征、网络结构或训练策略上制造差异，再让这些有差异的模型共同投票。这一点在医疗预测场景中尤其重要，因为误诊代价高，模型不仅要有高准确率，还要有稳定的、可解释的置信度。

如果你正在处理医疗影像分类、脑卒中风险因子预测，或者任何“单模型指标已经不错但还不够用”的分类任务，这篇文章应该能给你带来一个新的实践思路。

1. 这类问题的核心：为什么单模型预测不够用

中风是脑部血管突然阻塞或破裂导致的严重疾病，早期识别高风险人群能显著改善预后。在 AI 辅助诊断中，中风预测通常分为两类任务：

• 基于结构化临床数据（年龄、血压、血糖、吸烟史等）做风险评分；
• 基于医学影像（CT、MRI、CTA 等）做缺血性卒中病灶检测或分类。

本文采用的示例介于两者之间：使用患者结构化特征构造“伪图像”矩阵作为 CNN 输入，这在公开竞赛中很常见，既能降低对大量影像数据的依赖，又能保留 CNN 自动提取局部特征的能力。

单模型预测不足的根本原因，可以概括为三点：

1. 数据的多样性和噪声。医疗数据往往样本量有限、类别不均衡、字段缺失多。单个 CNN 容易过拟合到训练集中某些噪声模式。
2. 模型初始化和训练随机性。神经网络是随机初始化加梯度下降训练，多次运行得到的结果不完全一致。单次训练得到的模型，可能碰巧落在一个局部最优解附近。
3. 决策边界的不稳定性。单个模型在样本空间某些区域很自信，在另一些区域却会给出明显偏差。而医学诊断恰恰需要减少极端错误。

集成学习解决的不是“让每个模型更强”，而是“让多个模型犯错的地方尽量不重叠”。当模型 A 在样本 X 上判断错了，模型 B 和模型 C 却在 X 上判断正确，投票后整体结果就纠正了单个模型的错误。这背后是统计学中的 bias-variance tradeoff：多个弱学习器的组合可以降低方差，同时保持甚至提升整体表达能力。

1.1 一个容易被忽视的误区

很多初学者以为 Ensemble 就是把预测结果取平均。有这种想法的原因，是把“准确率提升”理解成了“模型变强”。实际上，简单的预测平均只有在模型之间误差独立时才能获得最优收益。如果所有子模型其实长得很像（同架构、同训练顺序、几乎同样的数据），它们的误差高度相关，取平均后还是同一个错误。

真正值得花时间的地方，是如何设计出“不同且互补”的子模型。常见的做法有：

• Bagging：用 Bootstrap 采样得到不同的训练子集；
• Boosting：让下一个模型重点学习上一个模型错判的样本；
• 随机种子/权重初始化差异；
• 不同网络结构混合；
• 不同特征子集或不同预处理策略。

在本文的示例中，我们会混合使用“数据扰动”和“结构扰动”：一个 CNN 用原始特征矩阵，另一个 CNN 用加入噪声的增强特征矩阵，第三个 CNN 使用不同卷积核尺寸。这样三个模型之间的差异更明显，集成后更容易获得稳定增益。

2. 基础概念与核心原理

在进入代码之前，先把卷积神经网络和集成学习这两个关键词讲透。

2.1 为什么中风预测可以用 CNN

卷积神经网络通常被认为是为图像而生，但它的核心优势其实是“局部连接 + 参数共享 + 层次化特征提取”。只要数据可以被组织成某种带有空间或局部相关性的结构，CNN 就可能比全连接网络更高效。

对于结构化临床数据，我们可以把每位患者的特征向量重构成一个二维矩阵。例如 13 个特征可以重构成 4x4 的矩阵（补零），多个特征之间可能在空间上形成“局部相关模式”。CNN 的卷积核可以在这些局部区域中提取组合特征，比如“年龄高 + 血压高 + 血糖高”这个组合，虽然在原始特征向量里跨度比较大，但经过重排后也能被卷积核捕捉到。

这里要强调的是：CNN 不是只能用于影像，关键是特征矩阵的空间排列要有意义。如果特征之间毫无关联，随意重排反而会破坏信息。所以在实际项目中，建议先做特征相关性分析，把相关性较高的特征放在相邻位置，再输入 CNN。

2.2 集成卷积神经网络的含义

“集成卷积神经网络”并不是一种新网络结构，它指的是把多个 CNN 模型组合成一个完整的预测系统。其基本流程是：

1. 训练 N 个 CNN 子模型；
2. 每个子模型对样本输出一个预测概率或类别；
3. 用投票或加权平均得到最终预测。

在医学辅助诊断中，我们通常输出风险概率而不是硬分类，因为医生需要知道“这个人有多大概率属于高危”。集成模型最终输出的概率，可以看作多个子模型概率的加权融合。

2.3 从数据角度看 Ensemble 的价值

假设单个 CNN 在测试集上的准确率是 0.82，三个准确率相近但误差互补的模型，通过投票可以把准确率提升到 0.86 甚至 0.88。这不是玄学，而是因为只要三个模型中有两个判断正确，最终结果就是正确的。当单模型错误率 p = 0.18，如果三个模型错误完全独立，三人投票出错的概率约为 3 p²(1-p) + p³ ≈ 0.088，相比原来 0.18 下降了近一半。

当然，真实场景中模型误差不可能完全独立，但这个概率计算能解释为什么集成方向值得投入。医疗场景真正关心的还不只是准确率，还有敏感性（Recall）和特异性（Specificity）。单模型往往很难同时兼顾二者，而集成可以通过调整投票阈值或权重，在敏感性和特异性之间找更合适的平衡点。

3. 环境准备与前置条件

本文的代码以 Python 3.9+ 和 TensorFlow 2.x 为基础。由于不同机器环境差异较大，下面给出的是通用安装步骤，具体版本请以实际项目为准。

3.1 创建独立虚拟环境

强烈建议使用虚拟环境，避免把依赖装进系统 Python。

python -m venv stroke_env source stroke_env/bin/activate # Windows 下使用 stroke_env\Scripts\activate

3.2 安装依赖

需要安装的核心包如下：

pip install tensorflow pandas numpy scikit-learn matplotlib

如果使用 GPU 版 TensorFlow，还需要额外安装对应 CUDA 和 cuDNN，这里不展开。仅用 CPU 也可以跑通示例，只是训练时间会稍长。

验证安装：

python -c "import tensorflow as tf; print(tf.__version__)"

3.3 数据集选择与说明

我们使用一个模拟生成的“患者临床指标”数据集，特征包括年龄、性别、高血压、心脏病史、平均血糖、BMI、吸烟状态等。为了演示代码流程，我们先用numpy生成一份可复现的合成数据，让你在不动真实医疗数据的情况下跑通完整链路。

如果你要使用真实数据集，请务必遵守数据合规要求，对患者隐私做去标识化处理。模型预测结果只能作为辅助参考，不能替代专业医生诊断。

4. 数据准备与特征矩阵化

这是整个流程中最容易被低估的环节。很多人在 CNN 输入构造上犯了错，后面模型再好也白搭。

4.1 原始特征表

先构建一个基础特征集，包含 10 个特征：

• age（年龄）
• hypertension（是否有高血压）
• heart_disease（是否有心脏病）
• avg_glucose_level（平均血糖）
• bmi（身体质量指数）
• smoking_status（吸烟状态，0-3）
• gender（性别，0/1）
• work_type（工作类型，0-4）
• residence_type（居住类型，0/1）
• ever_married（是否已婚，0/1）

这些特征在真实项目中往往存在缺失值。我们使用均值填充缺失值，再用 StandardScaler 标准化。

4.2 为什么要把一维特征变成二维矩阵

CNN 的输入要求是形状为(height, width, channels)的张量。对于结构化数据，我们有两种做法：

1. 直接使用一维 CNN，也就是 Conv1D，输入形状(feature_len, 1)；
2. 把特征重排成二维矩阵，例如(4, 4, 1)，使用 Conv2D。

本文选择第二种，主要为了体现“卷积”在二维矩阵上的局部特征提取能力。需要说明的是，当特征数量不大，一维 CNN 和二维 CNN 的差距并不明显。实际项目可以根据特征数量决定，原则是让矩阵的行列尺寸尽量合理。

假设有 16 个特征维度（不足补零），可以重排为 4x4。更通用的做法是先把特征标准化，然后使用numpy.reshape。

4.3 构造特征矩阵的代码

下面这个函数把标准化后的特征向量转换为 2D 矩阵：

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler FEATURE_COLS = [ 'age', 'hypertension', 'heart_disease', 'avg_glucose_level', 'bmi', 'smoking_status', 'gender', 'work_type', 'residence_type', 'ever_married' ] def normalize_features(df, feature_cols): """标准化特征并处理缺失值。""" df = df.copy() for col in feature_cols: df[col] = pd.to_numeric(df[col], errors='coerce') mean_val = df[col].mean() df[col] = df[col].fillna(mean_val) scaler = StandardScaler() df[feature_cols] = scaler.fit_transform(df[feature_cols]) return df def to_2d_matrix(features, height=4, width=4): """ 将特征向量 reshape 为 (height, width) 矩阵。 如果特征数小于 height*width，则补零。 """ n_samples, n_features = features.shape total = height * width if n_features < total: padded = np.zeros((n_samples, total)) padded[:, :n_features] = features features = padded elif n_features > total: features = features[:, :total] return features.reshape((n_samples, height, width)) def prepare_dataset(df): """输入 DataFrame，输出 CNN 所需的训练/测试数据。""" df = normalize_features(df, FEATURE_COLS) X = to_2d_matrix(df[FEATURE_COLS].values, height=4, width=4) y = df['stroke'].values # 将 (n_samples, 4, 4) 扩展为 (n_samples, 4, 4, 1)，符合 Conv2D 输入 X = np.expand_dims(X, axis=-1) X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) return X_train, X_test, y_train, y_test

这段代码的关键点：

• StandardScaler必须在训练集上 fit，然后用同一个 scaler 转换测试集，避免信息泄露。
• train_test_split使用stratify=y，保证训练集和测试集中正负样本比例一致，尤其是中风样本通常较少。
• np.expand_dims很关键，因为 Conv2D 要求输入是四维张量，最后一维是通道数。灰度图通道数为 1。

4.4 生成一份演示数据

为了方便没有真实数据的读者，下面给出一个合成数据生成函数。真实项目中请用它替换为你的真实数据集。

def generate_demo_data(n=2000, seed=42): """生成模拟中风风险数据，仅用于示例演示。""" rng = np.random.default_rng(seed) data = pd.DataFrame({ 'age': rng.integers(20, 90, n).astype(float), 'hypertension': rng.integers(0, 2, n).astype(float), 'heart_disease': rng.integers(0, 2, n).astype(float), 'avg_glucose_level': rng.uniform(70, 220, n), 'bmi': rng.uniform(15, 45, n), 'smoking_status': rng.integers(0, 4, n).astype(float), 'gender': rng.integers(0, 2, n).astype(float), 'work_type': rng.integers(0, 5, n).astype(float), 'residence_type': rng.integers(0, 2, n).astype(float), 'ever_married': rng.integers(0, 2, n).astype(float), }) # 在合成数据中植入一个略可学习的规则：年龄 + 高血压 + 高血糖会明显提高风险 risk = ( 0.04 * (data['age'] - 50) + 0.6 * data['hypertension'] + 0.8 * data['heart_disease'] + 0.01 * (data['avg_glucose_level'] - 120) + rng.normal(0, 0.4, n) ) prob = 1 / (1 + np.exp(-risk)) data['stroke'] = (rng.random(n) < prob).astype(int) return data

注意：这只是为了演示流水线，不代表真实医学规律。实际应用请使用正规的、经过伦理审查的数据集。

5. 搭建三个差异化的 CNN 子模型

集成模型的核心是“差异性”，所以这里搭建三个结构不同的 CNN。它们共用同一个输入形状，但卷积核大小、卷积层数或训练数据不同。

5.1 模型 A：基础 2D CNN

模型 A 使用两个卷积层，激活函数用 ReLU，池化使用 MaxPooling，最后接入全连接层输出风险概率。

import tensorflow as tf from tensorflow.keras import layers, models def build_model_a(input_shape=(4, 4, 1)): """模型 A：两层卷积 + 池化。""" model = models.Sequential([ layers.Input(shape=input_shape), layers.Conv2D(16, kernel_size=(2, 2), activation='relu'), layers.MaxPooling2D(pool_size=(2, 2)), layers.Conv2D(32, kernel_size=(2, 2), activation='relu'), layers.Flatten(), layers.Dense(16, activation='relu'), layers.Dropout(0.3), layers.Dense(1, activation='sigmoid') ]) return model

对于 4x4 大小的输入，kernel_size 取 2x2 比较合适，因为再大的卷积核（比如 3x3）会迅速把特征图缩小到 1x1，丢失空间信息。如果输入矩阵更大，比如 32x32，才可以尝试 3x3 卷积核。

5.2 模型 B：增加 Dropout 和 BatchNormalization

模型 B 在结构上做了两点改变：

1. 第一层卷积的卷积核数量翻倍到 32；
2. 在卷积层之后加入BatchNormalization，全连接层之前加入更大比例的 Dropout。

def build_model_b(input_shape=(4, 4, 1)): """模型 B：更宽卷积层 + BatchNormalization + 更强 Dropout。""" model = models.Sequential([ layers.Input(shape=input_shape), layers.Conv2D(32, kernel_size=(2, 2), padding='same', activation='relu'), layers.BatchNormalization(), layers.Conv2D(16, kernel_size=(2, 2), activation='relu'), layers.MaxPooling2D(pool_size=(1, 1)), layers.Flatten(), layers.Dense(32, activation='relu'), layers.Dropout(0.5), layers.Dense(1, activation='sigmoid') ]) return model

padding='same'在这里是为了避免特征图尺寸过快地缩小，让模型可以保留更多边界信息。

5.3 模型 C：更深的卷积网络

模型 C 使用三层卷积，并把最后一个卷积层替换为 1x1 卷积，起到通道压缩和特征整合的作用。

def build_model_c(input_shape=(4, 4, 1)): """模型 C：三层卷积 + 1x1 卷积整合通道。""" model = models.Sequential([ layers.Input(shape=input_shape), layers.Conv2D(16, kernel_size=(2, 2), padding='same', activation='relu'), layers.Conv2D(16, kernel_size=(2, 2), activation='relu'), layers.Conv2D(8, kernel_size=(1, 1), activation='relu'), layers.MaxPooling2D(pool_size=(1, 1)), layers.Flatten(), layers.Dense(16, activation='relu'), layers.Dense(1, activation='sigmoid') ]) return model

三个模型在参数数量、层数、正则化强度上都有差异。它们对特征的敏感程度不同，在集成时更容易互补。

5.4 训练数据层面的差异化

除了结构差异，我们还可以在数据层面制造不同。例如模型 B 使用添加高斯噪声的增强数据，模型 C 使用不同的随机采样序列。这样，即使有三个结构不完全相同但训练数据完全一样的模型，也能进一步增加多样性。

def add_noise_to_data(X, noise_std=0.01, seed=None): """为输入数据添加轻微高斯噪声，用于训练集增强。""" rng = np.random.default_rng(seed) noise = rng.normal(0, noise_std, size=X.shape) return X + noise

注意：噪声只加到训练集，不要污染测试集。测试集必须使用原始数据，否则评估结果不可信。

6. 训练与集成预测实现

6.1 训练三个子模型

下面定义一个train_model函数，统一完成模型编译和训练。这里使用 Adam 优化器，损失函数为二元交叉熵，同时监控准确率。

def train_model(model, X_train, y_train, X_val, y_val, epochs=20, batch_size=32, verbose=1): """编译并训练单个模型""" model.compile( optimizer=tf.keras.optimizers.Adam(learning_rate=0.001), loss='binary_crossentropy', metrics=['accuracy'] ) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=epochs, batch_size=batch_size, verbose=verbose ) return history

注意：在训练集成模型时，建议为每个子模型单独划分验证集，而不是所有模型共用同一个验证集。严格来说，如果共用同一个验证集并按照验证集上的表现来挑选集成权重，会引入轻微的选择偏差。在粗略实验中可以接受，但在生产级实验中，应使用嵌套交叉验证或独立测试集。

6.2 集成预测：投票与概率平均

集成预测有两种常见方式：

1. 硬投票：每个模型输出 0/1 类别，多数胜出。
2. 软投票：每个模型输出概率，取平均值或加权平均值作为最终风险概率。

软投票在医疗预测中更常用，因为它保留了结果的不确定性，方便医生设置不同的风险阈值。

def ensemble_predict(models, X_test): """返回所有子模型在测试集上的概率矩阵，形状为 (n_models, n_samples)""" preds = [] for model in models: prob = model.predict(X_test, verbose=0).flatten() preds.append(prob) return np.array(preds) def soft_voting(pred_matrix, weights=None): """软投票：默认等权重平均；也可以传入权重数组""" if weights is None: weights = np.ones(pred_matrix.shape[0]) / pred_matrix.shape[0] else: weights = np.array(weights) weights = weights / weights.sum() return np.average(pred_matrix, axis=0, weights=weights) def hard_voting(pred_matrix, threshold=0.5): """硬投票：每个模型按阈值转成类别后投票""" votes = (pred_matrix >= threshold).astype(int) return (votes.sum(axis=0) >= (votes.shape[0] + 1) // 2).astype(int)

这段代码的关键在于pred_matrix的形状。model.predict返回的是二维数组(样本数, 1)，所以先flatten()变成(样本数,)，再堆叠成(模型数, 样本数)。后面所有集成逻辑都基于这个形状。

6.3 评估指标：不能只看 Accuracy

中风预测属于典型的类别不平衡问题，中风样本占比可能只有 10% 甚至更低。此时准确率会有欺骗性：如果全部预测为“无中风”，准确率也有 90%。所以必须同时关注：

• Accuracy：总体正确率。
• Precision：预测为中风的人中，真正中风的占比。
• Recall（敏感性）：真正中风的人中，模型成功找出的占比。
• AUC：ROC 曲线下面积，它不受分类阈值影响，更适合评估排序能力。

下面写一个展示集成前后对比的评估函数：

from sklearn.metrics import accuracy_score, precision_score, recall_score, roc_auc_score def evaluate_model(name, y_true, pred_prob, threshold=0.5): pred_label = (pred_prob >= threshold).astype(int) print(f"{name}:") print(f" Accuracy : {accuracy_score(y_true, pred_label):.4f}") print(f" Precision: {precision_score(y_true, pred_label, zero_division=0):.4f}") print(f" Recall : {recall_score(y_true, pred_label, zero_division=0):.4f}") print(f" AUC : {roc_auc_score(y_true, pred_prob):.4f}") return { 'name': name, 'accuracy': accuracy_score(y_true, pred_label), 'precision': precision_score(y_true, pred_label, zero_division=0), 'recall': recall_score(y_true, pred_label, zero_division=0), 'auc': roc_auc_score(y_true, pred_prob) }

通过这个函数，你可以同时打印出模型 A、模型 B、模型 C 以及集成后的各项指标，直观看到集成带来的收益。

7. 运行结果与效果验证

在正式跑数据集之前，先用生成的演示数据跑一遍，确认代码逻辑没有问题。

7.1 完整训练与评估主流程

# 1. 生成数据并准备数据集 df = generate_demo_data(n=2000, seed=42) X_train, X_test, y_train, y_test = prepare_dataset(df) # 2. 把训练集再拆出验证集 X_train_inner, X_val, y_train_inner, y_val = train_test_split( X_train, y_train, test_size=0.15, random_state=123, stratify=y_train ) # 3. 构建三个子模型 model_a = build_model_a() model_b = build_model_b() model_c = build_model_c() # 4. 训练三个模型（模型 B 使用增强数据，模型 C 直接使用原始训练数据） train_model(model_a, X_train_inner, y_train_inner, X_val, y_val, epochs=15, batch_size=32) train_model(model_b, add_noise_to_data(X_train_inner, 0.02, seed=7), y_train_inner, X_val, y_val, epochs=15, batch_size=32) train_model(model_c, X_train_inner, y_train_inner, X_val, y_val, epochs=15, batch_size=32) # 5. 获取所有模型在测试集上的预测概率 models = [model_a, model_b, model_c] pred_matrix = ensemble_predict(models, X_test) # 6. 计算集成结果 ensemble_prob = soft_voting(pred_matrix) # 7. 逐一评估 results = [] results.append(evaluate_model("Model A", y_test, pred_matrix[0])) results.append(evaluate_model("Model B", y_test, pred_matrix[1])) results.append(evaluate_model("Model C", y_test, pred_matrix[2])) results.append(evaluate_model("Ensemble Soft Voting", y_test, ensemble_prob))

7.2 预期输出示例

在你的机器上运行后，输出可能如下：

Model A: Accuracy : 0.8275 Precision: 0.4512 Recall : 0.3618 AUC : 0.8734 Model B: Accuracy : 0.8310 Precision: 0.4620 Recall : 0.3541 AUC : 0.8792 Model C: Accuracy : 0.8240 Precision: 0.4385 Recall : 0.3817 AUC : 0.8661 Ensemble Soft Voting: Accuracy : 0.8425 Precision: 0.4867 Recall : 0.4072 AUC : 0.8913

（这是示例数据下的一种可能结果，不代表真实病情数据表现。实际项目的指标会随数据和模型设计变化。）

从输出中可以明显看到，集成后的 AUC 通常比任何单个模型都高，说明模型对正负样本的区分能力更强。同时 Recall 也会有一定提升，意味着能召回更多真正的高危人群，这对医疗筛查场景意义重大。

7.3 验证成功的标准

• 每个模型训练过程中，loss呈下降趋势，val_loss没有持续上涨。
• 集成模型的 AUC 大于等于所有子模型的 AUC（如果低于最小值，大概率是权重或数据设置有误）。
• 软投票的概率分布比单模型更平滑，不会大量集中在 0.49 或 0.51 附近。

如果集成后指标反而下降，先检查三点：

1. 各子模型是否已经收敛；
2. 子模型之间是否过于相似；
3. 测试集是否被噪声增强数据污染。

8. 常见问题与排查思路

下面整理几个实际运行中容易踩的坑。

8.1 关于类别不平衡的补充

医学数据里中风患者通常远少于非中风患者。如果直接训练，模型会偏向多数类。标准做法包括：

• 在model.fit中设置class_weight；
• 使用 SMOTE 进行过采样；
• 使用阈值搜索，例如在验证集上找使Recall >= 0.8的最小概率阈值。

本文示例中的stratify只能保证训练/测试拆分比例一致，不能解决类别不平衡本身。如果使用真实数据集，请把类别不平衡处理放到模型训练之前。

9. 最佳实践与工程建议

这部分是实际项目里最容易踩坑，也最值得沉淀经验的地方。

9.1 用交叉验证评估集成模型

简单的一次拆分数据集往往不够稳定。更严谨的做法是使用 K 折交叉验证，在每个折内独立训练子模型并记录预测结果。这样得到的集成 AUC 更接近真实泛化性能。

K 折交叉验证的代码实现不复杂，但要注意：不要对整个数据集做特征标准化后再拆分，而应该先拆分训练折，再在训练折上 fit scaler，否则会引入数据泄露。

9.2 保留独立测试集

很多团队用全部数据做交叉验证，最后模型上线后泛化不佳。建议在项目最开始就留出一部分数据（比如 20%）作为最终测试集，它不参与任何超参数调整、特征选择或模型选择。只有当所有实验做完，才在最终测试集上评估一次。

这个方法在医疗 AI 里尤其重要，因为我们需要知道自己到底有没有过拟合到验证集上。如果你反复用同一测试集来做调参，那么这个测试集其实已经变成了验证集。

9.3 保存子模型与元数据

生产环境里，你不能每次都重新训练三个模型。训练完成后，应该把每个子模型保存为 H5 或 SavedModel 格式，同时保存特征列名、scaler、集成权重和模型版本。

model_a.save('model_a.h5') model_b.save('model_b.h5') model_c.save('model_c.h5') # 保存 scaler 和特征列名，可以使用 joblib import joblib joblib.dump(scaler, 'scaler.joblib')

部署时，先加载 scaler 和三个模型，再按相同的特征顺序构造输入，最后做软投票。中间任何一步的顺序不一致都会造成预测偏差。

9.4 模型可解释性与置信度

医疗场景中，模型输出“有 0.78 概率中风”还远远不够。医生更想知道模型是依据哪些特征做出的判断。可以使用 SHAP 对集成模型中某个代表性模型进行解释，观察哪些特征对单次预测贡献最大。

但是要注意，集成模型的可解释性比单模型更复杂。你可以选择对每个子模型分别做 SHAP 分析，然后汇总重要特征；也可以把集成当作一个黑盒，使用代理模型解释。更推荐前一种方式，因为它能展示不同子模型关注的特征差异，这也是集成模型稳定性的来源之一。

9.5 阈值调整要与临床场景绑定

如果是在做早期筛查，你通常希望 Recall 更高，因为漏掉一个中风患者代价很大。如果是在做确诊辅助，你则希望 Precision 更高，减少不必要的进一步检查。这个权衡没有唯一答案，需要和医生、业务方一起确定。

推荐做法是：在验证集上计算不同阈值对应的敏感性和特异性，画出一条曲线，交给临床医生选择可接受的操作点。集成模型的优势在于它的概率通常比单模型更平滑，阈值选择的稳定性更好。

9.6 数据合规与伦理

医疗数据涉及个人隐私，必须遵守相关法律法规。以下原则一定要牢记：

• 数据必须经过脱敏处理，移除姓名、身份证号、联系方式等直接标识符；
• 训练和评估必须在受控环境中进行；
• 模型输出不得作为自动诊断工具直接替代医生，只能作为辅助决策参考；
• 系统应记录每次预测的时间、模型版本、输入摘要，便于追溯。

这些不仅是工程要求，也是医疗 AI 产品能否落地的底线。

10. 总结与后续实践建议

这篇博客围绕“怎么用集成卷积神经网络提升中风预测准确性”展开，核心结论可以归纳成四点：

1. 单模型遇到指标瓶颈时，不要只想着堆层数，先考虑子模型的差异性；
2. 集成学习的价值在于降低预测方差、纠正单个模型的系统性错误，正确做法是“数据扰动 + 结构扰动”并行；
3. 医疗场景的评估不能只看 Accuracy，要重点关注 AUC、Recall 和 Precision，并根据临床需求调整阈值；
4. 从工程落地角度看，要保存好 scaler、特征顺序、模型权重和版本信息，整条预测链路才可复现。

如果你现在手里正好有一份中风风险或类似医疗预测的数据集，建议的实践路径是：先跑通本文的演示代码，确认 Ensemble 流程能正常工作；然后把真实数据按同样的格式清洗成特征矩阵，加入类别不平衡处理；最后用 K 折交叉验证评估集成模型的稳定收益，并用 SHAP 给出关键特征的可解释分析。

下一步可以深入的方向包括：把一维特征矩阵换成真实 CT/MRI 影像输入，使用预训练的 ResNet 或 EfficientNet 作为子模型，再通过权重优化或 Stacking 融合进一步压缩误差。如果你想继续探索，也可以研究如何在模型不确定性高的时候自动拒绝预测，让系统转给人工复核——这在实际医疗场景中会比单纯追求准确率更有价值。

集成 CNN 不是银弹，但在结构化的医学风险预测任务里，它通常是性价比很高的提升手段。希望这篇文章能帮你少走一些弯路，直接在一个可运行的基础上做自己的实验。