1. 课程导入与工程全景

医学影像AI系统在实验室验证阶段往往表现优异，但部署到真实临床环境后，性能却可能悄然下滑。这种下滑通常不是模型代码出了错，而是模型所面对的“数据世界”发生了变化——这就是数据漂移（Data Drift）。在医学影像场景中，数据漂移指模型推理阶段输入的影像数据分布，与训练阶段所依据的数据分布之间出现了统计学意义上的偏移，导致模型输出的可靠性下降。它既可能表现为像素层面的变化（如新设备带来的噪声模式差异），也可能表现为语义层面的变化（如患者群体疾病谱改变），还可能表现为标签层面的变化（如诊断标准更新）。

理解数据漂移，需要先厘清它与几个相邻概念的区别。概念漂移（Concept Drift）指输入与标签之间的映射关系本身发生变化，例如同样表现为磨玻璃结节的影像，因病理亚型分布改变而对应不同的恶性概率；协变量漂移（Covariate Shift）指输入分布变化但映射关系不变，例如换用不同厂商CT后HU值整体偏移；标签漂移（Label Shift）则指类别先验概率变化，例如筛查人群中阳性比例从5%升至15%。医学影像AI的漂移监测必须同时覆盖这三类，因为它们在工程上的检测手段和应对策略并不相同。

为什么这件事在临床与工程上都如此重要？从临床角度看，影像AI常用于肺结节筛查、骨折检出、脑出血分诊等高风险场景，一旦漂移导致漏诊或误诊，后果直接作用于患者。从工程角度看，模型上线不是终点，而是运维起点；没有漂移监测，团队往往只能等到临床投诉或定期回顾时才发现问题，此时可能已经积累了数周甚至数月的不可靠输出。漂移监测的价值在于把“事后补救”变成“事中预警”，把模糊的“感觉不准”变成可量化的分布指标与可追溯的证据链。

下面这张图给出医学影像AI数据漂移监测的工程全景：从数据源、特征提取、漂移检测、告警决策到模型维护，形成一条闭环链路，并标出各环节的关键对象与输出。

真实世界中，数据漂移导致的失效案例并不少见。某肺结节检测AI在A医院训练时使用120kVp、1mm层厚的CT，部署到B医院后，B医院部分设备默认使用100kVp、2.5mm层厚，导致结节边缘模糊、HU值整体偏移，模型召回率在三个月内从92%降至78%，而期间没有任何代码变更。另一个典型案例是某骨折检出模型在疫情期间被用于新的移动DR设备，由于设备自动曝光控制策略不同，图像对比度分布显著右移，模型将大量正常骨皮质误判为骨折线，假阳性率翻倍。这些案例的共同点是：模型本身没有“坏”，但输入数据的统计特性已经偏离了训练假设。

本课程将围绕一个贯穿式项目展开：“肺结节CT筛查AI的漂移监测系统”。你将以一个已经上线的结节检测模型为对象，逐步完成数据采集管道搭建、特征与指标计算、漂移检测算法实现、告警规则设计、根因分析以及模型维护决策。项目不要求你重新训练一个高精度模型，而是聚焦于“模型上线之后如何持续可信”这一工程问题。每一章都会为这个项目增加一个可运行的模块或一份可交付的工程产物，最终形成一套可复现、可解释、可落地的漂移监测方案。

从工程视角看，漂移监测不是单一算法，而是一条从数据到决策的链路。它要求你同时具备数据工程能力（稳定采集与存储）、统计判断能力（选择合适的检验方法与阈值）、临床理解能力（知道哪些偏移真正影响诊断）以及运维意识（告警之后怎么办）。接下来的章节将沿着这条链路逐层展开，帮助你建立完整的医学影像AI数据漂移监测工程能力。