项目背景
某三甲医院放射科影像 AI 课题组，课题为肺部 CT 病灶分割 + 良恶性分类二阶段模型：队列约 3000 例薄层 CT，标注数据 800 例。
分析流程与瓶颈
- 先期在科室旧工作站（GTX 1080Ti/8GB）上训练：一个 nnU-Net 2D 折叠训练 18 小时，五折交叉 + 调参周期以月计
- 显存不足被迫缩 batch size，分割精度比文献基线低 4 个点
- 数据预处理（重采样/窗宽窗位/裁剪）全靠单核脚本，3000 例要跑两天
解决方案
按机器学习算力计算器 GPU 档位方案配置：RTX 4090 24GB + 32 核 CPU + 128GB 内存 + 8TB（NVMe+HDD）：
| 环节 | 旧平台 | 新平台 |
|---|---|---|
| 预处理（SimpleITK 多进程） | 2 天 | 2 小时 |
| nnU-Net 2D 单折训练 | 18 小时 | 3.5 小时（batch size 翻倍） |
| 五折交叉完整轮 | 约 4 天 | 18 小时 |
| 分类模型调参（30 组） | 不可行 | 1 周内完成 |
| 分割 Dice | 0.79 | 0.84 |
最终产出
两个月内完成分割模型迭代与分类模型定稿，分割 Dice 达 0.84、分类 AUC 0.91，模型已进入科室回顾性验证流程。课题组同时把公共数据库挖掘（影像组学特征 + 生信标志物联合）也迁到这台机器的 CPU 侧跑，一机两用。
配置建议
影像 AI 入门到中级任务（2D/轻 3D、单数据集迭代），单卡 4090 + 32 核 CPU 是性价比最高的组合；上 3D 全器官多器官分割、多模态大模型再考虑 A100 多卡。GPU 显存 24GB 是当前任务舒适线。
常见问题
医学影像训练 4090 够吗？
2D 分割/分类任务（nnU-Net 2D、ResNet 级）单卡 4090 完全够用；3D 全器官分割或大模型微调建议 A100 40GB+ 或多卡。
影像数据集一般多大？
3000 例 CT（含薄层）约 1-3TB，预处理后的 npy 缓存再翻一倍，存储按 6TB 起步。