1. 医学影像实验复现的挑战与工程化思维

在医学影像人工智能研究中，"复现"往往比"创新"更难。同一份代码、同一批数据，在不同实验室、不同时间点跑出的Dice系数可能相差5到10个百分点。这种差异并非来自算法本身，而是来自数据、设备、标注和运行环境四个层面的系统性变异。理解这些变异的来源，并建立以版本控制、环境隔离、流水线自动化为核心的工程化实验管理思维，是让实验结果可被自己和他人在数月后重新获得的前提。

一、复现失败的四个真实来源

数据异质性是最容易被低估的一环。以肺部CT为例，同一批"公开数据集"中，层厚可能从0.625 mm到5 mm不等，重建核可能是肺算法或标准算法，像素间距在0.6~0.9 mm之间浮动。若预处理阶段统一重采样到1 mm×1 mm×1 mm，不同原始层厚带来的部分容积效应差异依然存在，肺结节边界的灰度梯度会明显不同。更隐蔽的是窗宽窗位：有的数据以HU值存储，有的已被截断到[-1024, 3071]之外，直接归一化到[0,1]会引入非线性压缩。

设备差异体现在扫描参数与重建链上。GE、Siemens、Philips、Canon四家CT的噪声功率谱不同，同一体模在相同剂量下的图像纹理存在可测量的差异。当训练集以某一厂商为主、测试集混入其他厂商数据时，模型性能下降往往不是过拟合，而是域偏移。MRI更复杂：场强（1.5T vs 3T）、线圈通道数、序列参数（TR/TE/TI）都会改变信号强度分布，而DICOM中的RescaleSlope/Intercept在不同设备上语义并不完全一致。

标注变异直接决定监督信号的质量。同一批肺结节，三位放射科医师勾画的边界在磨玻璃成分区域可能相差2~3 mm；若以Dice衡量，观察者间一致性可能只有0.75~0.85。如果实验只报告单一标注者的结果，复现者换用另一位标注者的标签，指标波动会掩盖算法改进的真实幅度。标注协议是否规定"包含胸膜牵拉"、"是否纳入血管贴边"等边界规则，必须在数据卡中明确记录。

运行环境的隐性影响同样不可忽视。PyTorch 1.12与2.0在相同随机种子下，由于CUDA卷积算法选择策略变化，结果可能有微小差异；cuDNN的benchmark模式会引入非确定性；甚至同一显卡在不同驱动版本下的浮点累加顺序都可能改变。若实验未固定随机种子、未关闭非确定性算子、未记录依赖版本，"复现"就退化为"重跑"。

二、工程化思维：把"实验"当作"产品"来管理

面对上述变异，仅靠"仔细记录"远远不够。工程化的核心是把一次实验视为一个可交付、可追溯、可重建的产物，用软件工程中已经成熟的三种手段来约束它。

版本控制要覆盖三类对象。代码用Git管理，但必须同时记录commit hash与分支；数据用DVC或Git-LFS管理，至少记录数据集的哈希指纹与划分文件（train/val/test的样本ID列表），因为随机划分本身就是复现差异的一大来源；模型权重与配置文件一并归档，配置文件建议用YAML而非命令行参数，便于diff。一个实用做法是在训练脚本启动时自动生成run_manifest.json，写入git commit、数据哈希、随机种子、GPU型号、CUDA版本和完整超参数。

环境隔离的目标是让"在我机器上能跑"变成"在任何机器上都能跑"。推荐使用Docker或Apptainer（集群环境）封装运行环境，基础镜像固定到具体tag（如pytorch/pytorch:2.1.0-cuda12.1-cudnn8-runtime），Python依赖用pip-compile生成带哈希的锁文件。对于需要GPU的实验，在镜像中显式声明CUDA与cuDNN版本，并在实验记录中保存nvidia-smi输出。若无法使用容器，至少用conda env export --no-builds导出环境，并记录驱动版本。

流水线自动化要求从原始DICOM到最终指标的每一步都可由脚本一键重跑。典型结构是：01_preprocess.py（重采样、归一化、缓存为npy/npz）→ 02_split.py（固定种子划分）→ 03_train.py（训练并保存checkpoint）→ 04_evaluate.py（加载最佳权重计算Dice/HD95）。每一步的输入输出路径写入配置，中间产物带版本号。这样当复现者发现预处理参数不同时，只需修改配置重跑，而不必手工干预。

# config.yaml
seed: 42
data:
  root: /data/lung_ct_v1
  manifest: splits_v1.csv      # 固定划分，含 patient_id, split
  spacing: [1.0, 1.0, 1.0]     # 重采样目标间距 (mm)
  hu_window: [-1000, 400]      # 肺窗截断
model:
  arch: unet3d
  in_channels: 1
  base_features: 32
train:
  batch_size: 4
  lr: 1e-4
  epochs: 200
  amp: true
env:
  cudnn_deterministic: true    # 关闭非确定性算子
  cudnn_benchmark: false

需要强调的是，cudnn_deterministic: true会牺牲一定速度，但在复现场景下是必要的。若实验目标是追求极致性能而非严格复现，可以关闭它，但必须在记录中注明"非确定性模式"，并报告多次运行的指标均值与标准差。

三、从"能跑通"到"可复现"的判断标准

如何判断一个实验是否达到了工程化复现的要求？可以用三个可检验的问题来评估。第一，换一台机器、换一个时间点，能否在不询问原作者的情况下，仅凭仓库中的脚本和文档，得到与论文/报告一致的指标？第二，当指标出现偏差时，能否快速定位是数据、环境还是代码变更导致的？第三，实验的中间产物（预处理缓存、checkpoint、日志）是否带有足够的元信息，使得半年后自己也能看懂？

如果三个问题的答案都是肯定的，说明版本控制、环境隔离和流水线自动化已经形成了闭环。反之，若实验依赖手工点击、依赖未记录的本地路径、依赖"我记得当时改了这里"，那么复现失败只是时间问题。医学影像实验的工程化，本质上是用可验证的流程替代不可验证的记忆，让每一次实验都成为可被继承的资产，而不是一次性的消耗。