CNN预测新样本时是否必须输入全部训练阶段使用的输入项？

核心问题1：CNN预测是否必须输入全部训练用特征？ #

常规固定输入结构的CNN是需要的：如果训练时把影像、年龄、身高所有特征直接拼接为固定维度的输入张量，预测时缺失任意特征都会导致输入维度不匹配，模型无法正常推理，这就是行业通用的常规情况。

核心问题2：「仅上传影像即可预测」的需求可实现，推荐两种成熟方案 #

方案1：双分支融合CNN+特征缺失增强（医疗场景首选） #

该方案仅需训练一个模型，精度损失小，是多模态医疗AI的常用实现思路

• 模型结构拆分设计：
  • 影像分支：独立的CNN模块，专门提取医学影像的高维特征
  • 结构化特征分支：独立的全连接模块，处理年龄、身高这类数值特征
  • 融合层：将两个分支的输出特征拼接后，接入最终的疾病预测分类/回归头
• 训练阶段做掩码增强：每轮训练随机将15%~30%样本的结构化特征全部置为预设的掩码值，让模型主动学习只有影像特征时的推理逻辑
• 预测阶段适配：检测到用户未提交结构化特征时，直接将结构化分支的输入全部替换为训练用的掩码值，即可正常输出结果，无需改动模型结构

方案2：双模型降级适配（实现成本最低） #

• 分别训练两个独立模型：
  • 全特征模型：输入包含影像+所有结构化特征，精度更高，用于用户提交完整特征的场景
  • 纯影像CNN模型：仅以医学影像作为输入，用于用户缺失结构化特征的降级场景
• 预测时根据用户提交的特征完整度，自动调用对应模型即可，两个模型互不干扰，精度更容易保障

医疗场景落地提示 #

• 缺省特征的预测结果需要明确标注*「缺少结构化特征，结果仅供参考」*，规避医疗风险
• 若选择方案1，需要单独针对缺省特征的场景做效果验证，确保召回率、准确率符合临床使用要求

内容的提问来源于stack exchange，提问作者AFHG