09 · 疟疾论文笔记：上限在你选「怎么看」那一步就定好了
本篇为番外，正文见新页：09 · 疟疾红细胞分类：四步常规优化，召回率从 84% 爬到 96%。这一页是背后论文的学习笔记，不是第 9 篇正文。
Claude Science 绿皮书 · 第 9 篇背后论文的学习笔记 · 2026-07-29
这是第 09 篇案例背后那篇论文的学习笔记。
- 论文原版（番外篇 01 · 在线读）：基于特征工程与深度学习的疟疾红细胞图像分类方法比较研究
- 对应正文（图文并茂版）：day09-preview.md
所有数字出自论文表 1、表 2（测试集原始输出），未做二次推算。
一句话记住
图像任务的上限，在你选「怎么看」的那一步就定好了，不在你选分类器的那一步。
手工特征换卷积学习，召回率一次跳 10 个点；再上预训练微调，只挤出不到 1 个点。
这篇论文在解决什么
疟疾筛查靠人在显微镜下看血涂片，慢、依赖经验。论文想回答一个朴素的问题：
从最传统的机器学习到最前沿的迁移学习，做同一个疟疾细胞分类任务，性能差距到底有多大？每一步提升从哪来？
不追新方法，而是把一条完整的方法演进线（手工特征 → 端到端 → 迁移学习）在同一数据上走通、量清楚。
数据：为什么选它
- NIH 公开数据集，27,558 张红细胞显微图像，感染与未感染各 13,779 张，天然对半，不用做类别平衡
- 图像大小悬殊：宽度 46–394 像素，中位数 130 → 统一缩放省不掉
- 证据就在图里：感染细胞内部有一块紫红色疟原虫斑点，适合教学
- 领域代价不对称：筛查里漏掉一个感染（假阴性）远比误报一个正常（假阳性）严重 → 全程盯召回率和假阴性，不只看准确率
三种方法：一条递进线
| # | 方法 | 「看」的方式 | 关键配置 |
|---|---|---|---|
| 1 | SVM | 人手工设计 63 维颜色/纹理统计特征 | RBF 核，C=1.0；特征全靠人拍 |
| 2 | 轻量 CNN | 卷积层自己从原图学看哪里 | 3 块（16/32/64），96×96，61.4 万参数，本地 CPU 训 |
| 3 | EfficientNet-B0 迁移 | 借 ImageNet 预训练的眼睛，再掰到细胞域 | 冻结版 vs 微调版；解冻后 3 块，224×224 |
递进逻辑：SVM 把人猜的特征喂给分类器；CNN 让网络自己学特征；EfficientNet 站在大数据集预训练的肩膀上，但必须微调才弯得到显微图像。
关键数字（论文表 1、表 2）
| 方法 | 准确率 | 感染召回率 | 假阴性 | 一句话 |
|---|---|---|---|---|
| SVM | 88.27% | 84.27% | 118 | 基线，后面拿它当尺子 |
| 简单 CNN | 95.08% | 94.33% | 34 | 最大的跳，来自换「看法」 |
| EfficientNet 冻结 | 94.83% | 94.50% | 33 | 冻着用，反而打不过从零的小 CNN |
| EfficientNet 微调 | 96.50% | 95.17% | 29 | 微调才跨得过 domain gap |
| 微调 + 阈值 0.325 | 96.58% | 96.00% | 24 | 筛查宁可多报，不可漏 |
一个诚实注脚：SVM 用独立划分（测试 1,500 张），CNN 和 EfficientNet 用同一份划分（测试 1,200 张）。SVM 对 CNN 的差距只看方向和量级，绝对差值不能直接比；CNN 对微调的 1.42 个点才是同题真差距。
学到的三件事
1. 基线必须最笨。 故意先跑 SVM，不是因为它好，是因为没有它，后面所有提升都没有尺子。判断方法好坏，不看它高不高级，看它比基线强多少。
2. 迁移学习不是万能药。 全文最反直觉：下了更多功夫的冻结版（94.83%）输给从零训练的小 CNN（95.08%）。ImageNet 学的是认猫狗汽车，血涂片斑点完全在它经验之外——这道坎叫 domain gap，只有解冻后部卷积块微调才跨得过去。别人的眼镜，不掰弯就配不上自己的脸。
3. 医疗场景里错误不对称。 准确率不是最重要的指标。假阴性 = 漏诊延误治疗，假阳性 = 复查一次。所以论文专门演示了阈值调节：从 0.5 挪到 0.325，多救 5 个、多冤枉 4 个，在筛查逻辑里这笔账划算。
方法论收获（超出这篇论文本身）
- 公平对比要钉死划分。 两组数字若在不同测试集上测的，差距一半是幻觉。论文的做法：划分写进 json 定死 + 附 SHA256 指纹（文件动一个字节都能发现），跑实验强制校验，对不上直接报错。
- 自己跑出来的不等于可信。 论文写作过程中抄错过自己的数字（漏报数 16 vs 实际 29），参考文献也混进过没核验的条目。每个数都要能回溯到原始输出。
存疑与延伸
- 只用了平衡子集（每类 4,000 张），全量 27,558 张训练可能更高
- 数据单一来源，没测跨显微镜/跨医院的泛化
- 没做可解释性分析（如 Grad-CAM），不知道模型是不是真在看那块斑点
- 延伸方向：换近年的前沿方法复现，看天花板还能顶多高（绿皮书下一篇就是这个）
复现入口
- 数据：NIH Malaria Cell Images（公开，下载就能跑）
- 划分指纹：SHA-256
376dc2bb699747609a9f44ba7965ba6fb2872a989bf681b1ebc1daa9824d680c（种子 42） - 代码与中间产物：私有素材库
claude-science-materials的day09/