够用数学
线性代数、概率论与统计推断、最优化、信息论、数学分析这五章组成一条完整路线，每一章都展开到足以支撑方法创新的深度。这条路线起点偏高：一个只想读懂应用论文、调用现成模型的读者，很可能在向量空间公理或极限的严格定义前停下。
本章回答另一个问题：在只求读懂常见的医学人工智能论文、判断模型结论是否可信、在 AI 给出的推导里发现错误的前提下，最低限度需要哪些数学。内容按这条最低线裁剪，不给证明，不做推广，需要展开的地方直接指向完整章节。
| 编号 | 胸片 | 报告 |
|---|---|---|
| A | 心影增大 | Heart size is enlarged. |
| B | 左侧胸腔积液 | Small pleural effusion at the left base. |
| C | 右肺下叶实变 | Right lower lobe airspace consolidation. |
| D | 右肺基底斑片状渗出 | Patchy right basilar opacity consistent with pneumonia. |
关于为什么有了完整的数学讲解却还是希望写一版也够数学
如果目标只是读懂多数应用型医学 AI 论文、调用现成模型，并具备判断 AI 有没有在胡说八道的能力，这一章已经够用，读完可以直接去读论文。如果准备做方法创新、读理论论文或自己证明结论，应当转到第一至第五章的完整路线。把这一章看明白，就可以开始拷打 AI 了。
一条因果链
本章的五节是一条链，每一步都因为上一步不够用才出现。
| 节 | 要解决的问题 | 被迫发明的工具 |
|---|---|---|
| 0.1 怎么让胸片和报告可以比较 | 如何将图片和报告（文字）放到同一个维度比较 | 向量、矩阵、内积、范数、余弦相似度、 |
| 0.2 怎么判断模型配得对不对 | 介绍什么是loss | softmax、负对数似然、InfoNCE、温度 |
| 0.3 知道错了以后模型怎么改 | 如何改参数与超参数 | 导数、偏导、梯度、链式法则、反向传播、梯度下降 |
| 0.4 为什么这个 loss 和信息有关 | 那个负对数到底在度量什么 | 熵、交叉熵、KL 散度、互信息 |
| 0.5 数学上的成功不代表临床上的成功 | 数学自洽的局限性与统计学意义 | 假负样本、假设检验、消融实验 |
主线论文是 ConVIRT（Zhang et al., MLHC 2022），一篇用胸片与影像报告做图文对比学习的预训练方法。它的好处是全部数学都落在同一组公式上：两个编码器把图与文变成向量，向量两两算余弦相似度，相似度经 softmax 与负对数得到损失，损失求梯度更新参数。最后一节的对照论文是 MedCLIP（Wang et al., EMNLP 2022）。
一条应当自己讲得出来的链
读完五节之后，下面这条链应当能够不加查阅地讲出来。它是本章的验收标准。
数据是一批胸片与对应的报告。两种模态各自经过编码器与投影变成向量，落进同一个
最后一步需要说清楚。验证集用于选择超参数与检查点，测试集只在最后评估一次，不能一边看测试集一边改模型。ConVIRT 的验证把预训练得到的表示迁移到 4 个分类任务和 2 个检索任务上，确认它确实可迁移。完整的证据链是：损失下降，验证指标变好，下游与测试指标仍然变好，才说明表示学到了有用的信息。
与其他章节的关系
本章是第一章到第五章的入口层。0.1 对应第一章的向量、内积、范数与线性变换；0.2 对应第四章的熵与散度；0.3 对应第五章的微分与第三章的最优性条件；0.4 对应第四章的互信息与信息不等式；0.5 的假设检验思路来自第二章的统计推断。每节末尾都列出暂时不需要掌握的内容，并给出完整章节的链接。