32名解决方案概述与错误总结

我知道第32名未必是人们未来比赛中追求的理想名次，但犯错并从中学习始终至关重要。我们在此分享解决方案，既为未来的自己，也为他人在下次比赛中改进提供参考。

整体解决方案

第一阶段：器官分割
为了从弱标签转向强标签，分割目标器官至关重要，这也是我们与其他多支队伍采取的策略。

我们在此阶段可能犯了一个错误：保留了标注数据的原始标签，并将其作为下一阶段的样本外预测。虽然看似无害，但由于所有标注数据均包含损伤，且第二阶段模型可能通过真实分割结果进行区分，这可能引入了轻微的数据泄露。

第二阶段：器官损伤分类
与其他队伍类似，我们使用分割掩码裁剪感兴趣区域，并输入至2.5D+LSTM模型（针对肠、肝脏、脾脏和肾脏分别训练）。但我们额外将分割掩码作为模型输入，这可能并不必要，且可能引入数据泄露。

与多数方案不同的是，我们训练单一模型处理所有目标：将CT扫描堆叠为3D图像（Z, W, H维度），通过在W/H方向切片生成数据（16-24帧即可覆盖所有器官）。这种方法支持端到端训练、通过切换切片方向进行数据增强，并便于集成不同策略。

两种方法均显示模型对"外渗"（extravasation）的预测效果不佳，我们最终选择忽略该类别。自省：在比赛结束前3周加入，时间过于仓促。

第三阶段：MLP集成与指标优化

鉴于Kaggle竞赛需优化特定指标，我们采用最终优化步骤：对每位患者，融合两种第二阶段模型的预测结果，并堆叠同一患者的两个序列数据，训练MLP直接最小化官方指标。注意：最终模型预测外渗类别时未输入任何相关特征。

两种第二阶段方法单独达到CV 0.42 / LB 0.52，集成后提升至CV 0.386 / LB 0.49。

重大错误

参赛初期总急于查看首次提交在公开榜的得分，因此快速编写简易推理代码。基础图像竞赛尚可应对，但三阶段方案极易出错。

当榜单位置提升时，人们往往忽视粗糙的推理代码，不断添加新逻辑直至分数停滞——而我们的CV-LB差距竟成参赛者中最严重的！😭

最后数日（含额外两天）都在排查巨大CV-LB差异的根源...

交叉验证fold 0得分0.393 → 本地推理fold 0得分0.418... 机器学习中的隐性错误防不胜防，务必谨慎！

感谢这场精彩的竞赛，祝贺所有参赛者，期待下次再见！