网站导航
> 技术文档 > Python常用医疗AI库以及案例解析（2025年版、上）

Python常用医疗AI库以及案例解析（2025年版、上）

网友: 技术文档 2025-07-30 10:37:06

在这里插入图片描述

随着人工智能在医疗领域的持续深入发展，Python 已经成为医疗 AI 项目的首选开发语言。从数据处理、模型训练、大模型集成到系统部署与可视化，Python 社区在过去几年中涌现出大量功能强大且持续演进的开源工具。本指南整理了在 2025 年医疗 AI 项目中广泛使用的 Python 库，涵盖了 机器学习、深度学习、大语言模型（LLM）、数据可视化、Web API 构建、Agent 自动化 等多个模块，

🔍 一、数据科学与机器学习

库名 说明 Polars 高性能 DataFrame 库，性能远超 Pandas，支持多线程、懒执行。2025 年非常流行。 scikit-learn 1.5+ 经典 ML 库，持续更新中，新增更多模型评估工具和高阶调参接口。 XGBoost / LightGBM / CatBoost 树模型三大王者，依旧是 Kaggle 和工业界主力。 skops 用于将 scikit-learn 模型转换为可部署格式的库，2025 年较为热门。 H2O Wave 可快速构建 ML Web 应用的库，适合原型展示。

🤖 二、深度学习

库名 说明 PyTorch 2.2+ 加入了更完整的 torch.compile 支持，大幅提升训练速度。 Transformers (🤗) Hugging Face 的旗舰库，支持最新 GPT、LLaMA3、Mistral、Gemma 等模型。 Diffusers (🤗) 文生图、图生图的标准库，2025 年继续火爆。 Keras 3.x 完全支持 PyTorch 和 JAX 后端，统一 API，变得更强大。 FastAI 2.8+ PyTorch 封装库，便捷构建深度学习模型，教学使用友好。

🌐 三、大语言模型 (LLM) 与 RAG

库名 说明 LangChain 构建 LLM 工作流的库，支持 OpenAI、Anthropic、Claude 等模型调用。 LlamaIndex 构建向量索引与检索增强生成（RAG）系统的核心库。 Haystack 来自 Deepset 的 RAG 框架，支持多种后端。2025 年持续更新。 InstructorEmbedding 微调 embedding 模型，效果比 OpenAI embeddings 更准。 VLLM / TGI / LMDeploy 高效部署大模型的库，在企业部署中非常关键。

📊 四、数据可视化

库名 说明 Plotly 5.x 交互式图表，支持 Jupyter 和 Web，持续流行。 Altair 5+ 基于 Vega 的声明式可视化工具，支持 Pandas 和 Polars。 PyGWalker 类似 Tableau 的数据探索工具，2025 年新晋热门。 Seaborn v0.13+ 经典静态图工具，仍常用。

🕸️ 五、Web开发 & API

库名 说明 FastAPI 异步、类型注解友好的 API 框架，2025 年依旧最火。 Litestar (前身为 Starlite) FastAPI 替代者，架构更现代、性能更强。 Reflex (前身为 Pynecone) 用 Python 写前端和后端，生成完整 Web 应用，2025 年大热。 NiceGUI 用 Python 写交互式 GUI，基于 Vue + Tailwind，快速开发界面。

🧠 六、自动化 & AI Agent

库名 说明 Autogen (Microsoft) 构建多智能体协作系统，支持代码写作、任务规划等。 CrewAI 用 LLM 构建多角色 AI 工作流系统，支持角色分工、任务追踪。 LangGraph 基于 LangChain 的图结构 LLM 流程管理库，适合构建复杂逻辑。

🛠 七、其他值得关注的工具库

库名 说明 Rich / Textual 用于终端 UI 的现代化库，支持彩色日志、表格、进度条等。 Pydantic v2 类型验证神器，性能提升巨大，广泛用于 FastAPI 和数据校验。 Typer 用于构建 CLI 工具的库，语法优美、支持类型注解。 Uvicorn / Gunicorn / Hypercorn 常用 Python Web 服务器，支持异步。

在这里插入图片描述

练手案例

🧬 案例一、医学图像处理与分析

1. MONAI（Medical Open Network for AI）

专为医学影像（CT/MRI）打造的 PyTorch 库。

  • 安装命令：

    pip install monai nibabel

  • 基本示例：加载并处理 MRI 图像

下面是一个医学图像处理示例，结合了数据加载、预处理、3D UNet模型构建和训练流程，使用MONAI库实现端到端的医学图像分割任务：

from monai.transforms import ( LoadImaged, AddChanneld, Spacingd, Orientationd, ScaleIntensityRanged, RandCropByPosNegLabeld, Compose, EnsureTyped)from monai.networks.nets import UNetfrom monai.losses import DiceLossfrom monai.metrics import DiceMetricfrom monai.data import Dataset, DataLoader, decollate_batchfrom monai.inferers import sliding_window_inferenceimport torchimport numpy as npimport matplotlib.pyplot as plt# 1. 数据准备与预处理data_dir = \"./medical_images/\"train_files = [ {\"image\": data_dir + \"patient1_CT.nii.gz\", \"label\": data_dir + \"patient1_mask.nii.gz\"}, {\"image\": data_dir + \"patient2_CT.nii.gz\", \"label\": data_dir + \"patient2_mask.nii.gz\"}, # 添加更多数据...]# 医学图像预处理流程train_transforms = Compose([ LoadImaged(keys=[\"image\", \"label\"]), AddChanneld(keys=[\"image\", \"label\"]), Spacingd( keys=[\"image\", \"label\"], pixdim=(1.0, 1.0, 2.0), # 调整体素间距 (x,y,z) mode=(\"bilinear\", \"nearest\") # 图像用双线性插值，标签用最近邻 ), Orientationd(keys=[\"image\", \"label\"], axcodes=\"RAS\"), # 统一方向 ScaleIntensityRanged( keys=[\"image\"], a_min=-1000, # CT值范围 (HU单位) a_max=1000, b_min=0.0, b_max=1.0, clip=True ), RandCropByPosNegLabeld( keys=[\"image\", \"label\"], label_key=\"label\", spatial_size=(96, 96, 64), # 3D裁剪大小 pos=1, neg=1, num_samples=4 # 每张图像生成4个样本 ), EnsureTyped(keys=[\"image\", \"label\"], dtype=torch.float32)])# 创建数据集和数据加载器train_ds = Dataset(data=train_files, transform=train_transforms)train_loader = DataLoader(train_ds, batch_size=2, shuffle=True)# 2. 构建3D分割模型device = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")model = UNet( spatial_dims=3, in_channels=1, out_channels=2, # 两类分割：背景+器官 channels=(16, 32, 64, 128, 256), strides=(2, 2, 2, 2), num_res_units=2).to(device)# 3. 设置训练参数loss_function = DiceLoss(to_onehot_y=True, softmax=True)optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)dice_metric = DiceMetric(include_background=False, reduction=\"mean\")# 4. 训练循环max_epochs = 50for epoch in range(max_epochs): model.train() epoch_loss = 0 for batch_data in train_loader: inputs, labels = batch_data[\"image\"].to(device), batch_data[\"label\"].to(device) optimizer.zero_grad() outputs = model(inputs) loss = loss_function(outputs, labels) loss.backward() optimizer.step() epoch_loss += loss.item() epoch_loss /= len(train_loader) # 验证步骤 (简化版) model.eval() with torch.no_grad(): metric_sum = 0.0 for val_data in train_loader: # 实际应使用独立验证集 val_images, val_labels = val_data[\"image\"].to(device), val_data[\"label\"].to(device) val_outputs = sliding_window_inference( val_images, (96, 96, 64), 4, model ) val_outputs = [torch.argmax(i, dim=1) for i in decollate_batch(val_outputs)] dice_metric(y_pred=val_outputs, y=val_labels) metric = dice_metric.aggregate().item() dice_metric.reset() print(f\"Epoch {epoch+1}/{max_epochs}, Loss: {epoch_loss:.4f}, Dice: {metric:.4f}\")# 5. 可视化结果 (示例)def visualize_slice(image, label, prediction, slice_index=25): fig, axes = plt.subplots(1, 3, figsize=(15, 5)) # 原始图像 axes[0].imshow(image[0, 0, :, :, slice_index], cmap=\"gray\") axes[0].set_title(\"Input Image\") axes[0].axis(\"off\") # 真实标签 axes[1].imshow(label[0, 0, :, :, slice_index], cmap=\"jet\") axes[1].set_title(\"Ground Truth\") axes[1].axis(\"off\") # 预测结果 axes[2].imshow(prediction[0, 0, :, :, slice_index], cmap=\"jet\") axes[2].set_title(\"Prediction\") axes[2].axis(\"off\") plt.show()# 测试单张图像test_data = train_ds[0]image = test_data[\"image\"].unsqueeze(0).to(device)with torch.no_grad(): prediction = sliding_window_inference(image, (96, 96, 64), 4, model) prediction = torch.argmax(prediction, dim=1, keepdim=True)visualize_slice( image.cpu().numpy(), test_data[\"label\"].unsqueeze(0).numpy(), prediction.cpu().numpy())

关键组件说明：

  1. 数据预处理流程：

    • Spacingd：标准化不同扫描仪的分辨率差异
    • Orientationd：统一图像方向（RAS坐标系）
    • ScaleIntensityRanged：CT值标准化（-1000到1000 HU）
    • RandCropByPosNegLabeld：基于标签的智能裁剪

  2. 3D UNet架构：

    • 专门处理体积数据（如CT/MRI）
    • 残差单元提升梯度流动
    • 多尺度特征提取能力

  3. 医学图像特定技术：

    • Dice损失函数：处理类别不平衡
    • Sliding Window推理：处理大尺寸体积数据
    • 体素间距保留：保持物理尺寸一致性

  4. 可视化：

    • 三视图对比（原始图像/真实标签/预测结果）
    • 多平面重建（轴向/冠状/矢状面）

实际应用场景：

  1. 器官分割（肝脏/肾脏/肿瘤）
  2. 病变检测
  3. 手术规划
  4. 放射治疗剂量计算

进阶优化建议：

# 添加数据增强from monai.transforms import ( RandRotated, RandFlipd, RandZoomd)train_transforms.insert( 6, # 在强度归一化后添加 Compose([ RandRotated(keys=[\"image\", \"label\"], range_x=0.3, prob=0.5), RandFlipd(keys=[\"image\", \"label\"], spatial_axis=0, prob=0.5), RandZoomd(keys=[\"image\", \"label\"], min_zoom=0.9, max_zoom=1.1, prob=0.5) ]))# 使用更先进的模型from monai.networks.nets import SwinUNETRmodel = SwinUNETR( img_size=(96, 96, 64), in_channels=1, out_channels=2, feature_size=48).to(device)# 添加学习率调度lr_scheduler = torch.optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max=max_epochs)# 混合精度训练scaler = torch.cuda.amp.GradScaler()

此示例展示了MONAI在医学图像分析中的核心优势：领域特定的预处理、优化的3D网络架构、医学影像评估指标和高效的大体积数据处理能力。实际应用中需根据具体临床任务调整网络结构和处理参数。

2. Pandas + Polars + PyGWalker

快速探索表格型 EHR 数据（如病人记录、药品记录等）。

  • 安装命令：

    pip install pandas polars pygwalker

  • 示例：用 PyGWalker 交互式探索电子病历

一个结合 Pandas、Polars 和 PyGWalker 快速探索电子健康记录（EHR）数据的完整示例，包含数据加载、预处理和交互式可视化：

import pandas as pdimport polars as plimport pygwalker as pygfrom datetime import datetime# 示例 EHR 数据结构 (若需加载真实数据，替换为 read_csv/read_parquet)data = { \"patient_id\": [1001, 1002, 1003, 1001, 1004], \"visit_date\": [\"2023-01-15\", \"2023-02-20\", \"2023-01-05\", \"2023-03-10\", \"2023-02-28\"], \"diagnosis\": [\"Hypertension\", \"Diabetes\", \"Hypertension\", \"Asthma\", \"Diabetes\"], \"medication\": [\"Lisinopril\", \"Metformin\", \"Amlodipine\", \"Albuterol\", \"Insulin\"], \"age\": [45, 62, 58, 36, 70], \"blood_pressure\": [\"140/90\", \"130/85\", \"150/95\", \"120/80\", \"145/88\"], \"lab_result\": [None, 6.5, 7.1, None, 8.0]}# 方案1: 使用Pandas加载数据df_pd = pd.DataFrame(data)df_pd[\"visit_date\"] = pd.to_datetime(df_pd[\"visit_date\"]) # 日期转换# 方案2: 使用Polars加载大数据（更高效）df_pl = pl.DataFrame(data).with_columns( pl.col(\"visit_date\").str.to_date(\"%Y-%m-%d\"))# 转换为Pandas供PyGWalker使用（Polars处理+PyGWalker可视化）df_processed = df_pl.to_pandas()# 使用PyGWalker进行交互式分析walker = pyg.walk( df_processed, spec=\"./ehr_analysis.json\", # 可选：保存/加载分析配置 dark=\"light\",  # 界面主题：light/dark show_cloud_tool=False, # 隐藏云服务按钮 # 字段类型推断配置 field_specs={ \"age\": {\"analyticType\": \"dimension\"}, # 将年龄设为维度 \"lab_result\": {\"analyticType\": \"measure\"} })

关键功能说明：

  1. 数据加载优化

    • 小数据：直接使用 pd.read_csv(\"ehr.csv\")
    • 大数据：用Polars加速处理 → 转Pandas
    df_pl = pl.scan_parquet(\"large_ehr.parquet\").collect() # 惰性加载

  2. PyGWalker 交互技巧：

    • 拖拽分析：将字段拖到X/Y轴、颜色、大小等通道
    • 图表推荐：智能识别字段类型推荐图表
    • 一键生成：
      • 患者年龄分布直方图
      • 疾病类型环形图
      • 实验室指标趋势线
      • 多指标散点矩阵

  3. 高级分析支持：

    # 在PyGWalker界面中直接使用Pandas语法walker.set_global_query(\"\"\"systolic = blood_pressure.split(\'/\')[0].astype(int)diastolic = blood_pressure.split(\'/\')[1].astype(int)hypertension_flag = (systolic >= 140) | (diastolic >= 90)\"\"\")

典型工作流：

  1. 数据加载：Polars处理百万级记录（比Pandas快5-10倍）
  2. 预处理：在Polars中完成清洗/转换
  3. 交互探索：
    • 步骤1：拖拽 diagnosis 到行 → 自动生成疾病分布
    • 步骤2：拖拽 age 到Y轴 → 自动切换箱线图
    • 步骤3：添加 medication 到颜色通道 → 多维度对比

优势场景：

场景 Pandas Polars PyGWalker 数据加载速度 ★★☆ ★★★ - 内存效率 ★★☆ ★★★ - 交互式可视化 - - ★★★ 复杂分析支持 ★★★ ★★★ ★★☆

💡 提示：对于超大数据集（>1GB），推荐：

# 使用Polars过滤/聚合后再可视化df_sampled = df_pl.filter(pl.col(\"age\") > 30).sample(10000).to_pandas()pyg.walk(df_sampled)

🧪 三、药物发现与分子模拟

3. RDKit

用于化合物表示、分子指纹计算、QSAR 模型等。

  • 安装命令：（推荐用 conda 安装）

    conda install -c rdkit rdkit

  • 示例：分子指纹和相似度

使用RDKit计算分子指纹和相似度的完整示例代码，并附带详细解释：

from rdkit import Chemfrom rdkit.Chem import AllChem, DataStructsfrom rdkit.Chem.Draw import MolsToGridImageimport matplotlib.pyplot as plt# 1. 分子创建与可视化ethanol = Chem.MolFromSmiles(\"CCO\") # 乙醇ethylamine = Chem.MolFromSmiles(\"CCN\") # 乙胺# 可视化分子img = MolsToGridImage( [ethanol, ethylamine], legends=[\"Ethanol (CCO)\", \"Ethylamine (CCN)\"], subImgSize=(300, 300))plt.imshow(img)plt.axis(\'off\')plt.show()# 2. 分子指纹生成# 使用Morgan指纹算法（圆形指纹），半径=2，生成2048位的位向量fp_ethanol = AllChem.GetMorganFingerprintAsBitVect(ethanol, radius=2, nBits=2048)fp_ethylamine = AllChem.GetMorganFingerprintAsBitVect(ethylamine, radius=2, nBits=2048)# 3. 相似度计算# 计算Tanimoto系数（Jaccard相似度）similarity = DataStructs.TanimotoSimilarity(fp_ethanol, fp_ethylamine)# 4. 结果输出print(\"=\"*50)print(f\"Tanimoto Similarity: {similarity:.4f}\")print(\"=\"*50)print(\"Interpretation:\")print(f\"- Ethanol (CCO) and Ethylamine (CCN) are {similarity*100:.1f}% similar\")print(\"- Similarity range: 0.0 (完全不同) to 1.0 (完全相同)\")print(\"- Value >0.5 suggests significant structural similarity\")print(\"- Difference due to terminal group: -OH vs -NH₂\")

代码解析：

  1. 分子创建：

    • MolFromSmiles() 将SMILES字符串转换为分子对象
    • 乙醇：CCO（羟基化合物）
    • 乙胺：CCN（胺类化合物）

  2. 分子指纹：

    • 使用 Morgan指纹算法（圆形指纹）
    • radius=2：考虑原子周围两键范围内的结构特征
    • nBits=2048：生成2048位的二进制指纹向量
    • 算法原理：通过迭代扩展识别每个原子周围的独特子结构

  3. 相似度计算：

    • Tanimoto系数 = 共有特征数 / (特征A总数 + 特征B总数 - 共有特征数)
    • 数学表示：T(A,B) = |A∩B| / (|A| + |B| - |A∩B|)
    • 取值范围：0.0（完全不同）到 1.0（完全相同）

  4. 结果解释：

    • 典型输出：Tanimoto Similarity: 0.25-0.35
    • 相似度约30%：两个分子有相同的乙基骨架（-CH₂-CH₃），但不同末端基团（-OH vs -NH₂）
    • 在药物发现中：

      • 0.85：高度相似化合物

      • 0.3-0.7：中等相似
      • <0.2：结构差异大

应用场景：

  1. 虚拟筛选：快速筛选大型化合物数据库
  2. 先导化合物优化：评估结构修饰后的相似性变化
  3. 聚类分析：对化合物库进行结构分组
  4. ADMET预测：基于相似性的性质预测

扩展建议：

# 尝试不同分子对：aspirin = Chem.MolFromSmiles(\"CC(=O)OC1=CC=CC=C1C(=O)O\")ibuprofen = Chem.MolFromSmiles(\"CC(C)CC1=CC=C(C=C1)C(C)C(=O)O\")# 比较不同指纹算法：fp1 = AllChem.GetMACCSKeysFingerprint(mol) # MACCS密钥fp2 = Chem.RDKFingerprint(mol) # RDKit拓扑指纹

注意事项：

  1. 相似度值高度依赖指纹参数（半径、位长度）
  2. 结构相似 ≠ 活性相似（需结合生物实验验证）
  3. 对小分子效果最佳（分子量 < 800 Da）

运行此代码需要预先安装RDKit（建议通过Anaconda安装）：

conda install -c conda-forge rdkit matplotlib
网络标签：

相关问题