Python常用医疗AI库以及案例解析-程序员充电站

Python 中用于医疗 AI（尤其是医疗影像、电子病历、预测建模等）的常用库在 2026 年已经非常成熟，主要分为两大类：

医疗影像（Medical Imaging）：处理 DICOM、NIfTI、3D/4D 体积数据、分割、分类、配准等
医疗数据/预测建模：处理结构化 EHR 数据、时间序列、代码预测、风险评分等

以下是 2025–2026 年最活跃、最被实际使用的库（按领域热度排序），附带真实案例和代码片段。

医疗影像领域 Top 库（2026 年主流）

排名	库名	主要用途	底层框架	活跃度 / 社区	典型场景（2026）	学习曲线
1	MONAI	医疗影像深度学习全栈（预处理→模型→部署）	PyTorch	★★★★★	3D/4D 分割、分类、自监督、Auto3DSeg	★★★★☆
2	TorchIO	医疗图像加载、增强、patch采样	PyTorch	★★★★☆	数据增强、patch-based 训练	★★★☆☆
3	SimpleITK	图像配准、分割、滤波、格式转换	ITK	★★★★☆	经典图像处理、配准、非DL任务	★★★★☆
4	pydicom	DICOM 文件读写、元数据操作	纯 Python	★★★★☆	DICOM 预处理、匿名化、标签提取	★★☆☆☆
5	nibabel	NIfTI (.nii/.nii.gz) 读写	纯 Python	★★★★☆	脑影像（MRI/fMRI）处理	★★☆☆☆
6	MedPy	经典医疗图像处理（滤波、度量）	NumPy/SciPy	★★★☆☆	老项目迁移、简单分割度量	★★★☆☆
7	PyRadiomics	影像组学特征提取（radiomics）	SimpleITK	★★★★☆	肿瘤预后、治疗响应预测	★★★★☆

医疗数据 / 预测建模领域主流库

库名	主要用途	典型任务	社区活跃度
PyHealth	医疗时间序列 + EHR 建模全流程	死亡/再入院/药物推荐/诊断预测	★★★★☆
Hugging Face Transformers(biomed 模型)	临床文本 / 生物医学 NLP	临床笔记分类、实体识别、Med-PaLM-like	★★★★★
scikit-learn / XGBoost / LightGBM	结构化数据预测（结合 PyHealth）	风险评分、ICU 预测	★★★★★

真实案例 + 代码解析（2026 年视角）

案例 1：MONAI 做 3D 肝脏自动分割（最热门医疗 AI 任务之一）

# pip install monai torch torchvisionimportmonaifrommonai.transformsimport(Compose,LoadImaged,AddChanneld,ScaleIntensityRanged,CropForegroundd,RandCropByPosNegLabeld,RandAffined,EnsureTyped,ToTensord)frommonai.networks.netsimportUNetfrommonai.inferersimportsliding_window_inferencefrommonai.dataimportCacheDataset,DataLoader# 1. 数据变换（医疗专用增强）train_transforms=Compose([LoadImaged(keys=["image","label"]),# 支持 DICOM / NIfTIAddChanneld(keys=["image","label"]),ScaleIntensityRanged(keys=["image"],a_min=-100,a_max=250,b_min=0.0,b_max=1.0,clip=True),CropForegroundd(keys=["image","label"],source_key="image"),RandCropByPosNegLabeld(keys=["image","label"],label_key="label",spatial_size=(96,96,96),pos=1,neg=1,num_samples=4),RandAffined(keys=["image","label"],prob=0.2,...),# 旋转/缩放/平移EnsureTyped(keys=["image","label"]),ToTensord(keys=["image","label"]),])# 2. 数据集（支持 CacheDataset 加速）train_ds=CacheDataset(data=train_files,transform=train_transforms)train_loader=DataLoader(train_ds,batch_size=2,num_workers=4)# 3. 模型（MONAI 提供大量预定义网络）model=UNet(spatial_dims=3,in_channels=1,out_channels=2,# liver + backgroundchannels=(16,32,64,128,256),strides=(2,2,2,2),).cuda()# 4. 训练（可结合 Lightning / Ignite）# ...# 5. 推理（sliding window 大体积推理）model.eval()withtorch.no_grad():pred=sliding_window_inference(inputs=image,roi_size=(96,96,96),sw_batch_size=4,predictor=model)

为什么 MONAI 是 2026 年医疗影像首选？

内置大量医疗专用 transform（HU 窗、强度归一、patch 采样）
支持 DICOM → NIfTI 转换、MONAI Label（半自动标注）
MONAI Deploy（临床级部署 MAP 格式）
Auto3DSeg（零代码自动分割 pipeline）

案例 2：PyHealth 做 ICU 死亡率预测（EHR 时间序列）

# pip install pyhealthfrompyhealth.datasetsimportMIMIC3Datasetfrompyhealth.modelsimportRETAINfrompyhealth.trainerimportTrainer# 1. 加载 MIMIC-III（或 eICU、OMOP）dataset=MIMIC3Dataset(root="data/mimic-iii-1.4",tables=["ADMISSIONS","PATIENTS","LABEVENTS","CHARTEVENTS"],code_vocabs={"LABEVENTS":"lab_code","CHARTEVENTS":"chart_code"},target="readmission",# 或 mortality, length_of_stay 等)# 2. 数据预处理（自动处理时间序列）frompyhealth.tasksimportreadmission_prediction_mimic3 dataset=dataset.set_task(readmission_prediction_mimic3)# 3. 选择模型（RETAIN / Transformer / CNN 等 30+ 种）model=RETAIN(dataset=dataset,feature_keys=["conditions","procedures","labs","meds"],label_key="readmission",mode="binary")# 4. 训练 & 评估trainer=Trainer(model=model,epochs=20,device="cuda")trainer.train()trainer.evaluate()

PyHealth 优势：

一站式：数据加载 → 任务定义 → 模型 → 评估指标（医疗专用如 AUPRC、F1@K）
支持 10+ 医疗任务（药物推荐、诊断预测、住院时长等）

案例 3：pydicom + SimpleITK 读取 & 处理 DICOM 系列

importpydicomimportSimpleITKassitkimportnumpyasnp# 读取单张 DICOMds=pydicom.dcmread("IM-0001-0001.dcm")print(ds.PatientName,ds.Modality,ds.pixel_array.shape)# 读取整个系列 → 3D 体积reader=sitk.ImageSeriesReader()dicom_names=reader.GetGDCMSeriesFileNames("dicom_folder/")reader.SetFileNames(dicom_names)image=reader.Execute()# 转 numpyarray_3d=sitk.GetArrayFromImage(image)# shape: (slices, height, width)