NV-Generate 医学影像 VAE 微调
为 CT/MRI NIfTI 训练体数据微调 NV-Generate-CTMR MAISI VAE。
证据显示技能要求先执行 preflight，声明输出路径、网络端点、缓存写入、GPU训练和非临床用途，并固定默认上游提交；但允许 Bash、修改活动 Python 环境、写入用户缓存并访问外部站点，缺少逐次用户确认、敏感医疗数据处理规则、权限隔离和回滚方案，因此扣分。
证据显示脚本有输入校验、配置暂存、缺失文件和空数据集错误、失败摘要、提交记录及单元测试；但静态审查未执行关键路径，完整训练依赖未提供的上游代码、CUDA、依赖和模型权重，且文档与清单存在若干接口细节不完全一致，因此按静态上限保守扣分。
证据明确面向 CT/MRI NIfTI VAE 微调，输入、输出、preflight边界和非适用场景较清楚；但仅支持单 CUDA GPU，依赖大型本地数据和外部下载，未提供中文使用支持或中国大陆网络可达性说明，触发边界和替代方案证据有限，因此扣分。
证据包含分层说明、示例、参数表、常见故障、限制、Apache-2.0声明、固定上游提交和维护归属；但版本仅为0.1.0，缺少明确变更日志和维护更新流程，作者格式被静态检查标为不符合要求，且提供的许可证元数据为 NOASSERTION，因此扣分。
证据显示技能可验证 datalist、暂存配置并生成 autoencoder/discriminator checkpoint、TensorBoard日志和JSON摘要；基准报告中两项任务通过且有正确性和有效性结果，但没有真实代表性医学数据的输出质量验证，且结果仍需领域专家评估，收益和可重复性有限，因此未接近满分。
证据包括提交固定的上游引用、脚本源码、单元测试、验证器配置和包含两项任务结果的基准报告；但覆盖范围很窄、负向触发测试为零，静态审查无法独立复现 GPU训练或核实医学结果，因此按静态上限扣分。
- 不要将该技能用于临床部署、诊断、监管提交或生产训练数据批准；输出质量和解剖真实性必须由领域专家评估。
- 运行前应明确确认 Bash、网络下载、用户缓存写入和活动 Python 环境修改，并在隔离环境中执行。
- 中国大陆网络、外部模型权重下载和上游仓库可达性未被证明；应准备本地镜像或离线依赖。
- fixture 仅包含占位文本，不能代表真实 NIfTI 训练或验证结果。
这个 Skill 能做什么，适合哪些场景？
该技能用于从用户提供的 CT 或 MRI NIfTI 训练体数据微调 NV-Generate-CTMR MAISI VAE/自动编码器。它读取 MONAI 风格 datalist 和数据根目录，暂存上游训练配置，并通过 Python runner 执行预检或单 GPU 训练。输出包括自动编码器和判别器检查点、TensorBoard 日志及运行摘要。它不适用于临床解读、监管用途、生产部署或批准合成数据用于生产训练。
读取包含 training[] 与 validation[] 或 testing[] 的 MONAI 风格 JSON datalist；解析相对于 --data-base-dir 的 CT/MRI NIfTI 图像路径；从 NV-Generate-CTMR checkout 复制并改写 VAE 配置和环境 JSON；运行 scripts/run_vae_finetune.py 进行预检或 GPU 微调；在 --output-dir 下写入暂存配置、模型检查点、TensorBoard 事件、最佳自动编码器和 workflow_summary.json，并输出运行状态与损失历史。
- 医疗 AI 研究人员希望用自有 MRI NIfTI 体数据适配 MAISI VAE 时，可先执行无 GPU 的 datalist 预检。
- 医学影像工程师需要用 CT 或 MRI 训练集进行单 GPU VAE 微调时，可通过命令行调整 epoch、patch size、学习率和损失权重。
- 模型开发者需要比较不同微调运行的重建损失和感知损失曲线时，可使用生成的 TensorBoard 日志。
- 下游扩散模型开发者希望验证微调自动编码器能否解码可用体数据时，可加载最佳自动编码器检查点进行后续运行。
这个 Skill 有哪些优点和局限？
- 提供推荐的预检流程，可在不启动 GPU 训练的情况下检查并暂存输入。
- 支持 CT 和 MRI NIfTI 数据，并暴露 epoch、patch size、学习率、重建损失和多项权重等调参字段。
- 自动保存配置、检查点、TensorBoard 日志、损失历史和运行摘要。
- 明确记录其不负责临床、监管、解剖真实性或下游效用判断。
- 实际训练要求 NVIDIA CUDA GPU、上游依赖和模型权重，可能产生较高计算成本。
- runner 断言仅使用单个 CUDA GPU，且训练结果会受硬件、CUDA 和软件包版本影响。
- 必须提供非空 validation[] 或 testing[]；不符合要求的 datalist 会失败。
- 源材料没有提供该技能独立的测试套件、平台覆盖或性能基准证据。
如何安装这个 Skill？
使用 skills CLI 安装指定技能：npx skills add nvidia/skills --skill nv-generate-vae-finetune --yes。README 未提供单独的仓库克隆或手动复制步骤；运行技能还需要可用的 NV-Generate-CTMR checkout 及其配置、helper API 和运行依赖。
如何使用这个 Skill？
先准备 MONAI 风格 datalist 和数据根目录，然后执行预检：python skills/nv-generate-vae-finetune/scripts/run_vae_finetune.py PATH_TO_DATALIST.json --data-base-dir PATH_TO_DATA_ROOT --output-dir runs/nv_generate_vae_finetune_preflight --preflight。明确需要实际训练时，移除 --preflight，并提供 NVIDIA CUDA GPU；可设置 NV_GENERATE_ROOT 指向包含 configs/config_maisi_vae_train.json、scripts/transforms.py 和 scripts/utils.py 的上游 checkout。示例触发语句：请使用 nv-generate-vae-finetune 先预检这份 CT/MRI NIfTI datalist；确认后再启动单 GPU 微调。