把算法做成产品:NSI 麻醉深度指数的四个环节

「算法产品化」这个词被用滥了。多数人理解的版本是:算法团队把模型调到某个准确率,产品经理接手做成界面。在医疗设备领域,这个理解会直接把项目做死。

BMP-10 麻醉深度监护仪里,我们做了自定义麻醉深度指数 NSI(Neurological State Index):基于前额双通道 EEG,输出连续指数,部署在设备端实时推理,脑电延迟小于 0.1 秒。回头看,算法产品化是四个环节的总和。

环节一:标注体系先于模型

模型的上限是标注决定的。我们在写任何训练代码之前,先做了两件事:我编写临床标注标准化操作手册,华西麻醉医生按手册完成标注;标签体系以 BIS 为金标准对照建立。

没有 SOP 的标注,不是数据,是噪声的化石。模型在它上面跑出的任何得分都不可信。

环节二:可解释性是需求,不是偏好

我们没有走端到端深度学习,而是传统机器学习路线:人工清洗 + 特征工程,特征覆盖 δ/θ/α/β 频段功率、SEF、功率比值、爆发抑制与同步性。

这个选择常被问「为什么不用深度学习拿更高的分」。答案在用户侧:麻醉医生要在手术台边根据这个数字调整用药,他们需要知道「数字为什么降」——是爆发抑制,还是伪影,还是麻醉真的过深。黑盒模型给出的数字,医生不敢负责,不敢负责的数字在临床等于没有。可解释性在这里不是工程品味,是产品能不能被使用的前提。

环节三:设备端是另一场工程

云端跑通的模型,离设备上跑起来还差很远:嵌入式算力约束、实时性(延迟 < 0.1 秒)、和采集链路的时序对齐。算法方案在立项时就要把设备端部署纳入设计,否则调参调得再好,最后一步做不进去。

环节四:注册证据链反向约束算法

三类注册要求以 BIS 为金标准的前瞻性多中心 RCT(我们设计了 140 例方案,覆盖静脉/吸入麻醉与儿童/成人/老年分层)。这意味着算法的验证方案不是算法团队自己定,而是要能在 RCT 里站得住:对照组、分层、金标准一致性,每一项都反向约束着算法的设计边界。

一句话

模型得分是算法产品化四个环节里最小的一环。标注体系、可解释性、设备端工程、注册证据链,每一环都比「准确率再提两个点」更贵,也更致命。神经电生理产品经理的活,就是让这四个环节在同一个时间表里互相咬合。