支柱指南
从采集到复现：生物信号与医学影像资料如何保持完整
完整性从采集现场开始
研究团队常把完整性理解为文件没有损坏，但真正的数据链更早开始。设备型号、采集协议、时间、校准状态和操作条件决定数字代表什么；这些信息若没有随文件进入记录，后来再精确的传输也无法补回。
OCT需要扫描范围、分辨率与设备软件，EEG需要导联、参考、采样率与任务条件，显微图像需要染色、倍率和曝光。不同数据类型不能共用一张空泛的元数据表。
样本身份要稳定，也要保护个人
稳定标识用于连接同一受试者、同一次检查和不同文件，但不应直接暴露姓名或证件。研究编号与身份映射应分开保管，并限制能够访问映射的人。
去掉文件名中的姓名只是第一步。影像头、检查日期、机构、自由文本和罕见组合都可能重新识别个人，因此匿名化需要检查格式内部，而不是只看目录。
知情同意决定数据能走多远
受试者同意用于某项研究，不一定等于允许公开下载、商业训练或无限期保存。数据管理计划应把用途、共享对象、保存期限和退出机制连接到具体数据集。
旧数据进入新AI项目时，团队要重新核对原同意范围和伦理决定。技术上能够复制并不构成使用授权。
原始数据与工作副本承担不同责任
原始数据应保持只读并记录首次接收状态，工作副本用于格式转换、清理和分析。若直接在原文件上修改，就无法判断差异来自采集还是后续处理。
每次转换都应保留输入、工具版本、参数和输出关系。无需为每个动作制造复杂编号，但必须让别人可以沿着记录回到来源。
文件格式影响可读性和信息保留
专有格式可能包含设备参数和完整序列，导出为常见图片后更容易查看，却可能丢失深度、时间、标定和私有标签。选择格式时要先确定任务。
长期归档应考虑开放规范、软件依赖和校验工具。保留原始格式与经过说明的开放副本，通常比只保存一种导出结果更稳妥。
传输校验只回答字节是否到达
散列值能够发现文件在传输或存储中是否改变，但不能证明内容标注正确、许可有效或设备条件可比。它是完整性链的一环，不是全部质量证明。
大量小文件可以使用清单记录路径、大小与摘要。压缩包接收后还应检查是否完整解压，避免只验证外层容器。
版本控制要连接数据、代码和结果
模型结果来自特定数据版本、代码版本和参数组合。只保存最终图表，无法解释后续更新为什么产生不同数字。
数据不一定适合直接进入普通代码仓库，但可以保存版本清单、不可变快照和处理脚本。每次正式分析应指向明确输入。
质量控制必须针对数据类型
OCT可检查运动伪影、信号强度和分层失败，EEG可检查坏导、漂移和肌电，显微图像可检查焦点、染色和照明。统一写“质量合格”会隐藏真正标准。
质量结果最好保留连续指标与排除理由，而不是只剩通过或失败。未来研究可能采用不同门槛，需要重新判断。
预处理顺序会改变最终信号
滤波、重采样、配准、归一化和去噪不是可随意交换的步骤。顺序改变会产生不同边缘、尺度和统计分布。
处理流水线应记录顺序和软件环境，并通过少量已知样本验证。工具成功运行只说明流程结束，不说明科学问题得到正确处理。
标注不是附在文件旁的一张答案纸
标注包含任务定义、标注者、时间、工具、规则版本和争议处理。缺少这些信息时，标签看似明确，实际边界不稳定。
原始标注、共识结果和模型预测要分层保存。训练过程中发现错误时，应生成修订记录，而不是静默覆盖。
训练集划分要防止同源泄漏
同一受试者的多个切片、相邻窗口或增强副本若分散到训练和测试两边，模型分数会虚高。划分单位应根据数据生成关系决定。
多中心数据可把机构作为外部验证层，观察模型是否依赖设备或流程。若所有机构随机混合，真实迁移难度会被掩盖。
AI模型需要与数据边界一起发布
模型版本应说明训练数据范围、纳入条件、预处理和评价人群。没有数据卡或模型卡，使用者容易把研究环境表现误认为普遍能力。
即使代码公开，训练数据受限时也要写明限制。可复现不一定要求复制全部个人数据，但必须让方法、参数和验证逻辑可核对。
外部验证不是换一张测试表
真正的外部验证应在受试者、时间、设备或机构上形成独立条件。若只是从同一数据池重新抽样，仍可能共享采集和标注特征。
性能变化要与条件差异一起解释。下降可能暴露数据漂移，也可能反映更困难人群；不能只用单一分数归因。
公开访问不等于自由再分发
数据页面可以被任何人打开，不代表文件进入公共领域。许可条款、引用要求、同意范围和平台约定仍决定能否复制、修改与重新发布。
团队共享前应保留来源页面、访问日期和许可版本。若条件不清，优先提供原来源说明，而不是复制文件。
跨设备工作要按任务分配资料
桌面工作站适合处理完整影像和分析环境，平板适合现场查看与标注，手机适合状态确认。把整个数据仓库同步到每台设备既浪费资源，也扩大风险。
可以按项目、角色和时间窗口分配最小资料集。设备丢失或成员离开时，权限回收不应删除已经形成的研究记录。
云端协作要看接收结果而非上传进度
发送端达到百分之百，只证明本地上传完成。接收端还要确认文件数量、摘要、格式、权限和实际可读性。
大型研究资料应先用小样本验证路径，再分批传递。失败重试要避免生成多个难以区分的副本。
移动端预览不能替代原始数据
移动应用为了速度可能生成缩略图、抽帧或压缩预览。它适合快速沟通，却不能承担像素级测量和完整元数据检查。
讨论中引用预览时，应能够回到原文件和具体位置。截图不应成为唯一研究证据。
备份与归档解决不同问题
备份用于从删除、损坏或系统故障中恢复，归档用于长期保留具有上下文的数据版本。频繁覆盖的同步目录不等于历史归档。
恢复演练比备份数量更能说明可用性。团队应定期抽取一组数据、代码和记录，在独立环境中验证能否重建结果。
保留期限结束后也需要可解释记录
数据到期删除时，应记录删除范围、依据、时间和责任，而不是留下无法打开的链接。若论文仍需引用，可以保留不含个人数据的元数据和方法说明。
法律、伦理、资助和机构政策可能规定不同期限。出现冲突时应由负责治理的角色决定，不能由同步工具自动选择。
事故处理先保护证据
发现误共享、文件异常或权限错误时，第一反应不应是覆盖全部记录。先限制继续扩散，保存时间线、访问范围和系统提示，才能判断影响。
调查记录不应复制不必要的个人数据。证据保留和隐私最小化可以同时进行。
一条可复查的数据链长什么样
它能够回答数据由谁在什么条件下采集、经过哪些处理、采用哪套标签、由什么代码生成结果、在哪些人群验证，以及谁可以继续使用。
这条链不需要把每个动作写成冗长表格。关键关系清楚、版本可定位、限制可见，就比大量无意义字段更可靠。
FlyBit在这条链中的合理位置
FlyBit类连接工具可以帮助文件在设备和团队之间到达，客户端说明也能减少安装与权限问题。但连接层不能代替伦理、许可、质量控制和科学验证。
因此使用前先定义任务，传输后验证接收结果，并把来源与版本留在文件旁边。速度改善只有在资料仍可解释时才真正有价值。
把复现当成日常能力
复现不应等到论文投稿或项目结束才开始。每次关键版本形成时，用另一台设备或另一名成员重新执行小规模流程，可以及早发现隐含依赖。
最终交付应让没有参与最初采集的人也能理解数据边界。做不到这一点时，团队应缩小公开结论，而不是增加宣传措辞。
数据字典把名称变成可执行定义
变量名只有在单位、取值范围、缺失规则和采集方式明确时才有意义。不同团队都使用“质量分数”，实际计算方法可能完全不同。
字典应跟随数据版本保存。字段含义变化时生成新版本，不能只修改在线说明而让旧文件失去上下文。
时区和时间基准会影响纵向研究
设备本地时间、服务器时间和受试者所在时区可能不同。跨地区采集若只保留一个时间字符串，事件顺序和间隔可能被误读。
建议保存明确时区或统一时间基准，并另外保留研究所需的本地日夜信息。两者服务不同分析。
缺失值必须说明为什么缺失
传感器掉线、受试者未完成、数据被质量规则排除和项目没有采集，都会留下空值，但其统计含义不同。
用同一个零或空白表示全部情况，会让模型把流程问题当成生理特征。缺失原因应采用有限而清楚的分类。
批次信息是实验解释的一部分
试剂批次、设备维护、软件升级和人员班次都可能改变数据分布。保存批次并不是为了事后找责任，而是为了识别系统差异。
批次校正方法不能在不知道研究设计时自动使用。若病例和对照与批次完全重合，统计方法无法凭空分离。
压缩策略要符合分析目标
无损压缩适合保留可恢复的原始数值，有损压缩可以降低传输成本，却会改变细节。用于定量分析的影像不应只剩社交分享版本。
压缩前后可用一组代表样本比较文件大小、解码结果和下游指标。选择应写进数据管理计划。
加密保护传输与存储，不定义使用权
传输加密和磁盘加密能够降低未授权读取风险，但有权限解密的人仍可能超出许可使用数据。
技术控制要与角色、审批和审计结合。密钥管理失败时，再强的算法也无法保护资料。
权限应按研究角色和阶段变化
采集团队、标注者、分析人员和外部合作方需要的数据范围不同。所有人共享同一管理员账号，会让访问责任无法追踪。
项目阶段结束后应回收临时权限，同时保留必要的分析记录。账号删除不应破坏结果谱系。
跨境传输还要核对法律与合同条件
数据离开原机构或地区时，适用规则可能取决于数据类型、去标识程度、接收方和用途。技术可达不能代替合规评估。
团队应在传输前确定责任人与依据，不能等文件已经复制到多地后才讨论能否保留。
研究协作需要明确责任交接
发送者负责准备正确版本，接收者负责确认完整与可读，分析者负责保存处理过程。角色重叠时也要明确哪一次动作由谁承担。
简单的交接确认比复杂工作流更重要。它应写出对象、版本、用途和未解决条件。
故障恢复要从完整链条测试
服务器恢复成功不代表研究可以继续。数据、代码、环境、密钥和说明缺少任何一项，都可能让结果无法重建。
恢复演练应选择真实但经过保护的小项目，从存档重新生成一个已知结果，并记录遇到的依赖。
校验清单也需要控制规模
清单应覆盖容易遗忘且会改变结论的事项。把所有可能字段都列出来，会让使用者机械勾选而忽略异常。
不同数据类型应维护不同清单，并根据真实事故更新。没有发生过也无法解释价值的字段不必加入。
日志保留要兼顾可追踪与隐私
访问日志能够帮助调查误共享和异常下载，但过度记录查询内容也可能形成新的敏感数据。
应明确日志字段、保存期限和访问人员。统计需求不应成为无限期保存个人行为的理由。
研究结束时要整理可公开与受限部分
论文、方法、代码、聚合结果和个体数据可能具有不同公开条件。将它们分层，可以在保护隐私的同时提高透明度。
不能公开原数据时，可以发布数据字典、处理方法、合成样本或受控访问说明，但不得暗示任何人都可取得。
长期格式迁移要验证语义而非只验证打开
旧格式转换到新格式后，文件能打开只是最低要求。单位、方向、时间、层次和特殊字段是否保留更关键。
迁移项目应保留原文件、转换规则和抽样验证结果。确认完成后再决定何时淘汰旧软件环境。
引用要精确到数据版本
只引用平台首页，无法说明研究使用哪一批样本和哪一次修订。数据集标识、版本、访问日期和许可应尽可能进入方法。
原入口失效时，论文引用仍然具有历史价值，但后续研究不能假设旧文件继续可得。应寻找当前保存者或可信存档。
模型更新需要重新检查数据关系
更换架构或参数后，旧的数据划分和评价脚本也可能产生不兼容。更新模型不应只比较最终分数。
输入版本、特征处理、阈值和外部验证要一起登记。否则所谓模型改进可能来自测试条件改变。
小团队也能建立轻量谱系
谱系不必从昂贵平台开始。只读原始目录、版本清单、脚本仓库、结果目录和简短决策记录已经能解决多数追踪问题。
关键是团队真正使用同一规则。复杂系统若绕开实际工作，最终仍会出现本地副本和口头版本。
连接速度与研究可靠性要分别衡量
更快传输减少等待，却不会提高标签一致性或模型外部有效性。性能指标应分别记录网络效率和研究质量。
当传输失败率下降时，可以进一步观察是否减少版本重复和人工返工。只有这些结果改善，工具价值才进入研究流程。
数据字典要在文件增长之前建立
项目初期只有少量文件时，团队容易依靠文件名和记忆理解内容。样本增加后，同一缩写可能代表设备、受试者或处理版本，误解会快速累积。数据字典应定义字段含义、单位、允许值和缺失规则。
字典不只服务分析人员。采集人员、标注者和系统维护者都应能找到与自己任务相关的定义。字段发生变化时，应记录迁移方式，而不是直接覆盖旧解释。
结构化字典还能暴露设计缺口。例如年龄究竟记录检查时年龄还是入组时年龄，必须在建模前明确，否则同一字段会混合不同时间点。
去标识化仍要考虑重新识别风险
删除姓名和证件号码只是起点。精确日期、罕见疾病、机构编号与影像中的烧录文字组合后，仍可能指向个人。去标识策略应根据数据类型和共享范围评估。
医学影像可能在元数据与像素画面中同时携带身份。只清理文件头，无法处理屏幕截图或超声画面中的文字；只裁剪图像，又可能遗漏结构化字段。
研究团队应保存去标识规则和检查结果，但不要保留可逆映射在公共资料区。需要回连身份时，映射表应由独立权限与审计流程保护。
传输完成必须由接收端确认
发送端显示百分之百，只说明本地任务完成。接收端还要核对文件数量、目录结构、大小和摘要值。大型资料可采用清单分批验证，避免一个失败文件让整批状态不明。
对象存储和同步盘可能在后台继续上传。使用者看到文件名时，内容未必已经完整到达。正式分析应等待平台给出稳定状态，并从接收端抽样读取。
摘要值相同可以证明字节一致，却不能证明文件属于正确受试者或正确版本。身份映射、处理记录与摘要需要共同存在。
版本控制不等于保留许多final文件
final、final2和最新版无法说明差异来自参数、标注还是修复。处理流程应把输入版本、代码版本、参数和输出标识联系起来，使任何结果都能追到生成条件。
原始数据通常保持只读。修正应生成新的派生层，并记录为何修正。直接覆盖原文件会让质量问题消失在表面，却破坏后续审计。
数据版本与论文版本也要对应。文章修改后若重新运行分析，应说明采用哪一版数据；否则读者无法解释数字为何变化。
缺失数据不是一个统一的空格
未采集、设备失败、受试者拒绝和处理后剔除具有不同含义。都写成空值，会让统计方法无法判断缺失机制，也可能掩盖流程偏差。
缺失原因应在采集阶段记录，而不是分析结束后猜测。对关键字段，还要比较缺失样本与完整样本是否存在系统差异。
插补能够支持某些分析，但不能恢复从未观察到的事实。插补模型、次数和不确定性应进入结果说明，并与完整案例分析对照。
长期保存要预先面对格式老化
专有查看器停止维护后，文件可能仍在，却难以读取。长期保存应同时考虑开放格式、原始格式、必要元数据和能够复现转换的软件环境。
定期完整性检查可发现存储介质损坏，但也要实际抽样打开文件。摘要值不变的专有文件，仍可能因为系统升级而失去可读工具。
保留容器镜像或环境清单，可以延长分析流程的可复现时间。环境本身也需要安全更新，不能把多年不更新的软件直接暴露在网络中。
访问控制应围绕角色和任务设计
团队成员不需要因为参与同一项目就获得全部数据。采集、质控、标注、分析与系统维护承担不同职责，权限应限制在完成任务所需的范围。
临时协作者和离组成员尤其容易留下过期权限。定期复核账号、共享链接和服务密钥，可以减少资料在项目结束后仍被访问。
审计记录应能回答谁在何时读取、下载或修改了哪些对象。记录不是为了监控个人，而是为了在误操作或泄露发生时确定影响范围。
从方法到结论要保留一条可读链路
可复现并不要求任何人都能立即得到完全相同的结果，而是让他人能够理解数据如何产生、哪些步骤可重复，以及随机性和人工判断位于哪里。
研究报告应把主要结果连接到数据版本、分析代码、参数和排除清单。图表导出后若脱离这些信息，就会成为难以追溯的终点文件。
对于无法公开的数据，可以公开变量字典、模拟数据、分析流程和访问申请方式。透明度不等于无条件发布敏感资料。
项目结束时应完成真正的移交
论文发表或产品交付并不代表数据生命周期结束。团队仍要明确保存期限、责任人、访问方式、软件环境和未来删除条件。
交接文件要让未参与日常工作的人员能够理解目录与版本。只把硬盘或网盘链接交给下一位负责人，往往会留下无法解释的文件集合。
最终复核可抽取一项公开结果，从图表反向追到分析输出、处理步骤和原始记录。链路中任何断点，都应在项目关闭前补齐或明确记录限制。
生命周期的价值最终体现在可解释的决定
资料治理不是额外文书工作。它让团队在结果变化时能够找到原因，也让后来者知道哪些结论仍可使用、哪些必须重新验证。