4. 漂移来源解剖

数据漂移监测的第一项工程任务，不是立刻去算指标，而是把“漂移从哪来”拆清楚。因为不同来源的漂移，其可观测信号、影响范围、可逆性和处置方式完全不同。把设备更换误判为人群变化，可能让团队去重采样数据，而真正该做的是做设备间校准；把标注规范演进误判为模型退化，可能触发无意义的再训练，而真正该做的是版本对齐与标签重映射。本节按六类来源逐一解剖，并给出可落地的识别与处置思路。

一、设备更换：最容易被低估的强漂移源

设备更换包括整机替换、球管更换、探测器更换、高压发生器更换，以及同一台设备的大修。它改变的是成像物理链路：X射线能谱、探测器响应曲线、散射栅格、滤过片厚度都会变化。典型表现是同一解剖部位在固定剂量下的像素值分布整体平移或展宽，噪声纹理改变，伪影形态改变。

识别上，最直接的是看设备维保记录与影像元数据中的设备序列号、球管序列号、软件版本号。工程上建议建立“设备指纹”字段：设备ID、球管ID、探测器ID、软件版本、最近校准日期。当这些字段发生变更时，自动在监测系统中打上“设备事件”标签，并对比变更前后同一协议、同一体模的影像统计量。例如用统一体模扫描，计算感兴趣区内的均值、标准差、信噪比，若均值偏移超过预设阈值（如3%），或噪声标准差变化超过5%，即判定为设备级漂移，需要做设备间归一化或重新校准，而不是直接重训模型。

二、扫描协议调整：参数变化带来的分布偏移

扫描协议调整比设备更换更频繁，也更隐蔽。常见变化包括管电压kVp、管电流mAs、层厚、重建核、螺距、对比剂注射速率、延迟时间、扫描范围。这些参数直接改变图像的对比度、噪声水平和空间分辨率。例如层厚从1mm变为2mm，部分容积效应增强，小结节的边缘锐度下降；重建核从软组织核变为骨核，高频信息被强化，噪声纹理显著不同。

识别协议漂移，不能只看DICOM里的协议名，因为协议名可能被复用而参数已改。应提取关键参数组合作为“协议指纹”：kVp、mAs、层厚、重建核、滤过类型。当指纹变化时，触发分层监测：先看该协议下的影像统计量是否偏移，再看模型在该子集上的性能是否下降。若统计量偏移但性能未降，说明模型对该参数变化鲁棒；若性能下降，则需考虑将该协议子集纳入再训练或做输入标准化。

三、重建算法升级：从滤波反投影到迭代与深度学习重建

重建算法升级是近年最剧烈的漂移源之一。从滤波反投影（FBP）到迭代重建（IR），再到深度学习重建（DLR），图像噪声、纹理、对比度、边缘表现都会发生系统性变化。DLR尤其明显：它可能抑制噪声、锐化边缘，但也可能引入“塑料感”纹理或改变小病灶的对比度。对AI模型而言，输入分布的变化可能远超设备更换。

识别上，重建算法版本通常记录在DICOM的软件版本或私有标签中。工程上应把重建算法版本作为独立分层维度。当算法升级后，建议做一次“影子评估”：用旧模型在新重建图像上推理，与旧重建图像上的结果对比，观察分割边界、病灶检出率、假阳性率的变化。若差异显著，不应直接上线新重建数据，而应先做模型适配，例如在训练集中加入新重建风格的样本，或对输入做风格归一化。

四、人群构成变化：从“数据分布”到“疾病谱分布”

人群构成变化包括年龄、性别、体型、疾病谱、转诊来源的变化。它不像设备参数那样有明确元数据，往往只能通过数据分布间接观测。例如BMI升高会导致图像噪声增加、对比度下降；疾病谱变化会导致阳性率变化，进而影响模型的精确率与召回率。若阳性率从20%降到5%，即使模型本身没变，精确率也会显著下降。

识别上，可监测输入侧特征分布：体型相关特征（如体厚、BMI）、年龄性别分布、以及模型输出侧的阳性率、病灶大小分布。当这些分布发生显著偏移时，应区分是“输入漂移”还是“标签漂移”。若输入分布稳定但阳性率变化，更可能是疾病谱或转诊策略变化，需要重新评估阈值和校准曲线，而不是简单重训。

五、标注规范演进：标签定义变化带来的“隐性漂移”

标注规范演进常被忽略，但它直接改变监督信号。例如肺结节标注从“最大径≥4mm”改为“≥6mm”，或从“实性结节”扩展到“部分实性结节”，或对磨玻璃影的边界定义收紧。这些变化会让同一批影像的标签发生系统性改变，导致模型学到的决策边界与临床目标不一致。

识别上，必须建立标注规范版本号，并与数据集版本绑定。每次规范变更，应做标签重映射影响分析：抽取一批已标注样本，按新旧规范分别标注，计算标签一致性（如Kappa系数）。若一致性低于0.8，说明规范变更影响显著，需要重新标注或至少对受影响类别做加权调整。监测系统应记录“标注规范版本”作为数据版本的一部分，避免新旧标签混用。

六、多中心差异：设备、协议、人群、标注的叠加

多中心差异不是单一来源，而是上述五类来源的叠加。不同中心的设备品牌、扫描协议、重建算法、人群构成、标注习惯都可能不同。因此，多中心数据漂移监测必须做分层：按中心、设备、协议、重建算法分层统计，而不是只看全局指标。全局指标可能因各中心相互抵消而看起来稳定，但局部已经严重漂移。

工程上建议建立“中心画像”：每个中心的设备构成、协议分布、人群统计、标注规范版本。当新中心加入或某中心数据比例变化时，监测系统应自动触发分层对比。若某中心AUC显著低于其他中心，应优先排查该中心的设备与协议差异，而不是直接归因于模型泛化能力不足。

七、把六类来源落到监测系统里

上述六类来源，最终要转化为监测系统中的分层维度。建议在数据接入层就采集并固化以下字段：中心ID、设备ID、球管ID、软件版本、重建算法版本、协议指纹（kVp+mAs+层厚+重建核）、标注规范版本、患者年龄性别BMI。这些字段构成“漂移上下文”，每次监测指标计算都按这些维度分组，而不是只算全局。

一个可执行的监测流程是：第一步，按中心、设备、协议、重建算法分层，计算输入侧统计量（均值、标准差、直方图距离）和输出侧统计量（阳性率、病灶大小分布）；第二步，与基线窗口对比，标记显著偏移的分层；第三步，对偏移分层做性能评估，看AUC、敏感度、特异度是否下降；第四步，根据来源类型选择处置：设备/协议/重建类优先做输入归一化或校准，人群类优先做阈值重校准，标注类优先做标签重映射，多中心类优先做中心级排查与适配。

总结来说，设备更换、协议调整、重建算法升级、人群构成变化、标注规范演进、多中心差异，这六类来源分别对应成像物理、采集参数、图像生成、患者群体、监督信号、系统环境六个层面。监测系统的价值，不在于算出一个漂移分数，而在于能回答“漂移来自哪一层、属于哪种类型、该走哪条处置路径”。把来源解剖清楚，后续的阈值设定、告警策略和再训练决策才有可靠依据。