医疗算法产品化,为什么我选传统机器学习

做 BMP-10 麻醉深度监护仪时,最常被问的问题就是:「为什么不用深度学习?」这篇文章把当时的决策逻辑写清楚。先说结论:在医疗算法产品里,传统机器学习经常不是退而求其次,而是约束下的正确解。

理由一:数据量级撑不起端到端

端到端深度模型吃数据。我们的现实是百例级临床数据:在这个量级上,端到端模型的泛化能力没有任何保证,而麻醉深度指数是要上手术台的。数据量级不支撑的模型选型,再时髦也是负债。

理由二:注册审评要可解释性

医疗器械注册的证据链里,每个输入都要说得清。特征 + 传统模型能讲明白「这个特征是什么生理量、为什么进模型、它变化意味着什么」;黑盒模型在审评面前给不出这些答案。可解释性不是工程品味,是注册路径能不能走通的前提。

理由三:特征工程是在编码临床知识

麻醉深度有成熟的频谱生理学基础:δ/θ/α/β 频段功率、SEF、功率比值、爆发抑制、同步性,每一个特征背后都有几十年的临床文献。人工清洗 + 特征工程,本质是把这些已知临床知识编码进模型,而不是指望网络从百例数据里重新发明它们。这和「科学算力不足才用手工特征」完全是两回事。

边界诚实

我的算法深度在特征工程、数据体系和产品化,不在解码模型研发,这个边界我讲清楚。在采集、算法、临床这条链里,我知道怎么把临床需求变成算法能用的数据和指标:标注 SOP 怎么写、标签体系怎么建(BIS 金标准对照)、可解释性怎么落到每个特征、设备端实时推理(延迟 < 0.1 秒)怎么约束算法设计。BMP-10 的 NSI 从特征到设备端,这条链完整走过一遍。

解码模型本身,我在用 MNE-Python 和 Braindecode 补:复现 EEGConformer 这类论文的对比实验,跟踪非侵入式脑-文本解码的前沿。产品经理不需要和算法工程师比写模型,但需要知道模型的边界在哪、数据从哪来、指标怎么定义——那是算法产品化的起点。