NV-Segment-CT 微调
为 CT NIfTI 标注执行 NV-Segment-CT VISTA3D 微调。
证据显示权限、输入输出、网络端点、缓存、GPU、文件写入、依赖安装和非临床用途均有披露，并固定了主要上游版本；但允许 Bash、修改活动 Python 环境、写入仓库 bundle、下载约 832 MB 模型并访问海外服务，缺少逐次用户确认、强隔离和回滚机制，因此扣分。
脚本包含 MONAI 版本检查、缺失依赖和 bundle 文件的可诊断错误、数据配对/形状/仿射校验、OOM 与检查点判别；提交的测试覆盖若干关键配置路径，且 benchmark 报告了静态验证和运行结果。但没有在本次审查中执行，GPU、上游 bundle 和环境漂移仍可能导致失败，因此未超过静态上限并扣分。
目标用户、CT NIfTI 输入、smoke/sanity/用户数据场景、参数、输出和不适用范围定义较清楚，也明确不能创建新的 VISTA3D 类别；但没有中文使用说明或语义触发排除规则，且核心模型/配置下载依赖 Hugging Face 和 GitHub，在中国大陆网络环境中的可达性未说明，故扣分。
SKILL.md 采用目的、脚本、前置条件、用法、数据契约、结果、限制、故障排查和验证分层，manifest 提供版本、依赖、输入输出、side effects、上游 revision 和验证器；Apache-2.0、版本和维护来源基本清楚。作者格式被 benchmark 标为 schema 问题，缺少正式 changelog、维护责任人和更新流程，且依赖约束存在文档与 manifest 不完全一致，故扣分。
脚本提供 smoke 管线检查、Task06 sanity 复现、用户数据微调、数据审计、正式评估、推荐检查点和结构化 output.json；benchmark 文件报告了正向任务的正确性和有效性提升。由于本次仅静态阅读，无法独立确认输出完整性、训练收敛或相对手工方案的实际收益，按静态校准取上限并扣分。
上游 Hugging Face/GitHub revision、参考指标、脚本常量、测试、验证器和 benchmark 报告提供了可审计线索，且区分了 smoke 与质量评估；但本次没有执行，benchmark 结果无法由当前审查独立复现，证据类型和覆盖范围有限，因此取静态上限。
- 运行可能安装或修改活动 Python 环境；应使用用户明确选择的隔离环境并事先确认。
- 核心模型和配置依赖 Hugging Face/GitHub 下载，需评估中国大陆网络可达性、镜像策略和供应链风险。
- smoke 仅证明管线连通，不证明全数据集收敛；sanity 指标和非临床声明不能替代临床验证。
- 脚本会写入仓库 bundle 配置和用户指定输出目录，执行前应确认路径、磁盘空间和恢复方案。
这个 Skill 能做什么，适合哪些场景？
该技能用于基于 CT NIfTI 标签对 NV-Segment-CT VISTA3D 进行冒烟测试或数据集微调。它通过上游 MONAI bundle 入口运行，不提供临床验证，也不适用于临床部署、诊断或监管提交。技能读取数据集、datalist 和解剖目标等参数，生成微调检查点及经过模式检查的结果 JSON。运行需要 Python、MONAI 1.4.0、相关科学计算依赖，以及 GPU 运行所需的 CUDA-capable PyTorch。
运行 scripts/run_finetune.py，读取 dataset/imagesTr/*.nii.gz、dataset/labelsTr/*.nii.gz 或 datalist，处理 target_anatomy、label_mapping、smoke、sanity 和 auto_seg 等参数；阶段化配置并调用上游 MONAI bundle，生成 bundle/configs 下的配置文件，执行训练与验证，将检查点和证据写入 --output-dir，并生成 output.json。可执行 smoke 工作流、MSD Task06 Lung Tumor sanity reproduction 和用户数据微调；运行期间可能缓存 Hugging Face 模型资产并访问 huggingface.co 或 raw.githubusercontent.com。
- 需要先确认环境、配置生成、检查点加载和运行时兼容性的研究人员，可使用 --smoke 对微型数据集执行快速工作流检查。
- 需要复现 MSD Task06 Lung Tumor 单 GPU 参考流程的医疗 AI 工程师，可使用 --sanity 执行五轮训练及训练前后正式评估。
- 拥有自定义 CT NIfTI 数据集和标签映射、希望微调 VISTA3D 的团队，可通过 dataset-dir、datalist、target-anatomy 和 label-mapping 提交用户数据。
- 需要审查训练是否真正改进模型的评估人员，可检查 formal Dice、训练验证轨迹、推荐检查点和运行时日志。
这个 Skill 有哪些优点和局限？
- 提供 smoke、sanity 和用户数据微调三类明确入口。
- 封装上游 MONAI bundle，支持检查点、正式评估、训练轨迹和运行时证据输出。
- 明确要求 MONAI 1.4.0，降低已知布尔标签损失兼容性问题。
- 包含推荐检查点判定和 epoch-0 检查点陷阱检测。
- 仅用于冒烟或数据集微调，不是临床验证或临床部署工具。
- 需要 CUDA-capable PyTorch 才能进行 GPU 运行，内存不足时需要调整 patch、缓存率或 worker。
- 训练、验证、变换和检查点逻辑依赖 bundle 中的上游实现；多 GPU 运行还需要主机支持 torchrun。
- 自动派生计划是启发式的，且源材料没有给出跨平台测试矩阵。
如何安装这个 Skill？
从 NVIDIA/skills 集合安装该技能：npx skills add nvidia/skills --skill nv-segment-ct-finetune --yes。运行前安装文档列出的依赖：python -m pip install "monai==1.4.0" "numpy<2" pytorch-ignite einops nibabel scipy typer PyYAML fire huggingface_hub。README 未说明单独复制该技能目录的安装流程；SKILL.md 要求从仓库根目录原位运行。
如何使用这个 Skill？
在仓库根目录运行：python skills/nv-segment-ct-finetune/scripts/run_finetune.py PATH_TO_DATASET --smoke --patch-size '[64,64,64]' --output-dir runs/nvseg_smoke。MSD Task06 可运行：python skills/nv-segment-ct-finetune/scripts/run_finetune.py /path/to/Task06 --sanity --output-dir runs/nvseg_task06_sanity。用户数据可运行：python skills/nv-segment-ct-finetune/scripts/run_finetune.py --dataset-dir /path/to/dataset --datalist /path/to/datalist.json --target-anatomy "lung tumor" --auto-seg --epochs 5 --patch-size '[128,128,128]' --output-dir runs/nvseg_user_finetune。优先查看输出目录中的 output.json；需要质量门禁时运行 python -m eval_engine.run_trusted skills/nv-segment-ct-finetune --fixture skills/nv-segment-ct-finetune/fixtures/spleen_micro --out runs/nvseg_trusted。
这个 Skill 与同类方案有什么区别？
与手写训练或推理代码相比，该技能要求通过上游 MONAI bundle 入口运行，并禁止在正常使用中替换为手写实现；它不提供独立的临床验证方案。