第六部分：工程与合规篇——通往临床的产品化之路
一个在离线测试集上AUC=0.95的模型，距离“临床可用”还有十万八千里。这段距离，是由模型漂移、推理延迟、数据隐私、监管审批等一系列工程与合规难题构成的。许多优秀的算法项目，正是倒在了这“最后十公里”。
本部分将为你拆解这三大关卡：如何持续监控模型不退化，如何以毫秒级速度提供推理服务，以及如何在FDA和NMPA的法规丛林中找到安全的上市路径。这是让你的AI从“论文里的SOTA”变成“医院里的标配”的必经之路。
第17章：模型验证与持续监控
把模型部署到医院，就像把一艘船放到海里。海况会变，船体本身也会老化。你不能只凭出厂时的测试报告就认为它永远安全。医疗AI的噩梦是：在A医院表现优异的模型，到了B医院就失效；今天还准的模型，下个月就偏得离谱。本章教你如何建立持续监控体系，以及一种在不共享原始数据情况下协同训练的新范式。
17.1 数据漂移检测：如何发现模型在B医院失效了？
数据漂移（Data Drift） 是指模型的输入数据分布随着时间或跨机构而发生变化，导致模型性能下降。例如：
- 采集设备漂移：A医院使用GE CT，B医院使用西门子CT，图像的噪声模式、HU值分布有差异。
- 人群漂移：训练集是东亚人，部署医院服务大量高加索人，疾病谱和体型不同。
- 操作漂移：新技师习惯用不同的重建核或窗宽窗位，导致图像风格变化。
- 时间漂移：数年后，由于诊断标准更新或新检查手段普及，疾病基线特征改变。
监控的利器：PSI、KS与孤立森林
无法在B医院拿到标签（否则就不用AI了），所以需要无监督的数据漂移检测。
人口稳定指数（Population Stability Index, PSI） 比较训练集（参考分布）和线上数据（实际分布）在某个特征上的分布差异。 PSI=∑i=1n(Ai−Ei)⋅ln(AiEi) PSI = \\sum_{i=1}^{n} (A_i – E_i) \\cdot \\ln(\\frac{A_i}{E_i}) PSI=i=1∑n(Ai−Ei)⋅ln(EiAi) 其中 AiA_iAi 是线上数据在分箱 iii 的比例，EiE_iE
