2. 医学影像数据与模型生命周期

在医学影像 AI 工程中，模型版本管理从来不是孤立的问题。一个模型从 v1.0 迭代到 v1.3，背后往往同时发生着数据格式的转换、标注规范的修订、训练集与验证集的重新划分。如果只盯着模型权重文件做版本控制，而忽略数据侧的变化，就会出现“模型回滚了但数据没回滚”“同一版本号对应两套标注”这类难以排查的问题。本节把数据、标注、模型三条线放在同一时间轴上，说明它们如何相互约束，以及工程上应当如何组织。

一、DICOM 与 NIfTI 的数据特性差异

DICOM 是临床设备输出的原始格式，本质是“一次检查、一个序列、多张切片”的集合。每张切片都携带完整的头信息：患者标识（PatientID）、检查号（StudyInstanceUID）、序列号（SeriesInstanceUID）、实例号（InstanceNumber）、层厚（SliceThickness）、像素间距（PixelSpacing）、窗宽窗位（WindowCenter/WindowWidth）、重采样斜率与截距（RescaleSlope/RescaleIntercept）等。这些字段决定了像素值到物理量的映射关系，也决定了切片在三维空间中的正确排序。

NIfTI 则是为神经影像分析设计的单文件（.nii）或双文件（.hdr/.img）格式，核心是仿射矩阵（sform/qform），它把体素索引直接映射到世界坐标（RAS 或 LAS）。相比 DICOM，NIfTI 丢失了患者隐私字段和大部分设备参数，但保留了空间几何信息，便于直接送入深度学习框架。

两者的关键差异可以归纳为：DICOM 是“以切片为单位、头信息冗余、需要重建三维体数据”，NIfTI 是“以体数据为单位、几何信息集中、便于计算”。工程上常见的做法是：DICOM 作为归档与溯源层，NIfTI 作为训练与推理层，中间通过转换脚本建立映射关系。

二、标注版本：比模型版本更容易失控

标注是医学影像 AI 中最昂贵的资产。一个肺结节标注项目，可能经历三轮修订：第一轮由住院医师初标，第二轮由主治医师复核，第三轮由专家组仲裁分歧病例。每一轮都会产生新的标注文件，但图像本身没有变化。如果标注文件没有独立的版本标识，训练脚本读取到的可能是任意一轮的结果。

工程上推荐的做法是：标注以“标注批次（annotation batch）”为单位管理，每个批次包含批次号、标注规范版本、标注人员、复核状态、与图像数据的对应关系。例如：

annotation_batch: AB-2024-017
spec_version: v2.3
images: nifti_v1.2 (sha256: 3f8a...)
labeler: resident_07
reviewer: attending_03
status: reviewed
cases: 412
positive_slices: 1876

当标注规范从 v2.3 升级到 v2.4（例如把“磨玻璃结节最小直径”从 5mm 改为 4mm），必须重新评估受影响病例，而不是直接复用旧标注。否则模型学到的边界定义与临床预期不一致，表现为假阳性率异常升高。

三、模型迭代与数据、标注的绑定关系

模型迭代的本质是“在特定数据快照和标注快照上训练出的权重”。因此，一个可复现的模型版本应当同时记录三要素：

• 数据快照：NIfTI 数据集的版本号与哈希，包含预处理参数（重采样间距、归一化方式、方向编码）。
• 标注快照：标注批次号与规范版本，包含训练/验证/测试划分的随机种子或划分文件。
• 训练配置：网络结构、损失函数、学习率、数据增强策略、训练轮数。

三者中任何一个变化，都应产生新的模型版本号。常见的错误是只改数据增强就覆盖旧版本，导致线上模型无法回溯到具体训练条件。

四、发布环节的版本对齐

模型发布到推理服务时，输入数据的预处理必须与训练时完全一致。如果训练用的是 1×1×1 mm 重采样、RAS 方向、HU 截断到 [-1000, 400]，而推理服务直接读取原始 DICOM 并做 0.8×0.8×1.25 mm 重采样，模型的输出分布会发生偏移。这种问题在离线评估中往往看不出来，因为评估集也是按训练预处理做的。

因此，发布清单中应包含一条“预处理契约”：

五、生命周期中的版本关系总结

把三条线放在一起看：DICOM 归档是源头，NIfTI 转换是第一次版本化，标注批次是第二次版本化，模型训练是第三次版本化，发布是第四次版本化。每一次版本化都应产生不可变的标识，并通过外键关联到上游版本。这样，当线上出现问题时，才能沿着“模型版本 → 训练配置 → 标注批次 → NIfTI 数据集 → DICOM 序列”逐级回溯，定位到具体是哪一次变更引入了偏差。