元鹏 BitFlow 总体需求文档
执行摘要
愿景：BitFlow 是一个联邦学习驱动的 AI 病理数据平台，确保原始数据不离开医院的前提下，为制药公司和 AI 企业提供大规模病理数据的训练和分析能力。
核心价值主张：
- 数据不出院：通过联邦学习技术，原始病理数据始终保留在医院本地
- 规模化协作：连接多家医院的海量病理数据，打破数据孤岛
- 合规性保障：满足 21 CFR Part 11、HIPAA、GDPR 等监管要求
三大核心组件：
- BitFlow（中心平台）：任务调度、工作流编排、结果聚合
- Bitedge（边缘节点）：本地安全存储、分布式计算执行
- Bitlab（数据工具）：病理数据采集、格式转换、专业标注
目标客户与场景：
- 制药公司：临床试验病理分析、药物疗效评估（$10-50/切片）
- AI 企业：联邦学习训练病理大模型（订阅模式）
- 医疗机构：数据资产变现、获得 AI 诊断能力
关键里程碑：
- Year 1：MVP 产品，3-5 家试点医院，2-3 个付费客户
- Year 2：20+ 医院节点，10+ 企业客户，ARR ¥3000 万
- Year 3：50+ 医院节点，30+ 企业客户，ARR ¥1 亿
一、产品定位
BitFlow 是一个支持多种计算任务的 AI 病理数据平台，通过分布式架构确保原始数据不出医院的前提下，为医疗机构和制药企业提供高效、安全的数据协作与计算服务。平台支持两大核心场景：
- 联邦模型训练：基于联邦学习的多中心协同病理大模型训练，保护数据隐私
- 制药计算任务：药企的病理分析、药物研发和临床试验支持
BitFlow 平台包含三个核心组件：
- Bitlab：数据准备组件，负责病理数据的采集、转换、标注和质控
- Bitedge：边缘计算组件，负责本地存储、安全计算和任务执行
- BitFlow：中心协调组件，作为任务调度中心，协调和触发边缘节点的计算任务
这三个组件共同构成完整的 BitFlow 平台生态系统。我们专注于提供高质量的模型训练和分析服务，并提供 Bitpath 开源参考实现，供客户开发适合自己部署需求的应用。
二、目标用户
| 用户角色 | 描述 |
|---|---|
| 数据生产方（医院） | 通过 Bitlab 工具采集、转换、标注病理数据并供应到 Bitedge 边缘平台；管理标签和病理标注流程；通过 BitFlow 查看收入和数据使用情况（仅病理科主任） |
| 数据使用方（企业、研究机构） | 创建数据使用任务（如模型训练或分析任务），申请使用特定医院的数据集；上传任务包；查看任务执行进度、结果和账单 |
| 制药公司 | 提交病理分析任务，进行药物研发相关的定量分析；获取符合监管要求的分析报告；管理多站点临床试验数据 |
| 平台运营方（BitFlow 管理员） | 管理所有边缘节点、数据集和任务调度；分发资源与算力；计费与结算管理；合规性监管 |
2.1 关键用户场景
场景一：制药公司新药研发场景
用户背景：全球制药公司在新药研发过程中需要大量病理数据支持，从早期靶点验证到临床试验的疗效评估。
药物研发全生命周期支持：
-
早期发现阶段
- 靶点验证：分析组织病理模式确认药物靶点对疾病的实际影响
- 机制研究：追踪化合物如何在细胞层面改变组织结构
- 毒性筛查：跨剂量范围早期检测器官损伤
-
临床试验阶段
- 患者分层：使用 AI 识别生物标志物，区分应答者与非应答者
- 疗效监测：量化肿瘤缩小、炎症减少、纤维化逆转等指标
- 安全性评估：监测所有器官的意外副作用
关键应用领域：
- 免疫肿瘤学
- 肿瘤浸润淋巴细胞（TILs）计数与分类
- PD-L1 表达水平定量分析
- 肿瘤微环境变化评估
- NASH/肝病
- 纤维化进展量化（F0-F4 分期）
- 脂肪变性和气球样变测量
- 治疗响应时序追踪
- CNS 药物开发
- 神经退行性标志物分析
- 蛋白质聚集体定量（阿尔茨海默症、帕金森病）
- 血脑屏障渗透性评估
平台功能需求：
- 监管合规：21 CFR Part 11 基础设施、完整审计追踪、FDA 提交就绪报告
- 多站点协调：全球试验集中病理审查、标准化评分算法、实时协作
- 定量分析：细胞计数分类、生物标志物表达量化、形态测量、统计对比工具
- 数据集成：病理与临床结果关联、多组学数据整合、现有药企 IT 系统对接
商业价值：
- 单张切片分析：$10-50（根据复杂度）
- 完整试验支持：$100K-1M
- 自定义 AI 模型开发：$500K-2M
场景二：病理大模型训练场景
用户背景：AI 公司、研究机构需要训练高质量的病理诊断大模型，但面临数据获取困难、隐私保护严格等挑战。
核心需求：
- 数据多样性：需要来自不同医院、不同设备、不同病种的海量病理图像
- 标注质量：需要专业病理医生的高质量标注
- 联邦学习：数据不能离开医院，需要通过联邦学习技术进行模型训练
- 模型迭代：支持持续的模型优化和版本管理
使用流程：
- 通过 BitFlow 平台浏览和筛选所需的病理数据集（如特定癌种、特定染色方法）
- 使用 Training Flow 创建联邦学习任务
- 配置训练参数（如 FedAvg 算法、训练轮次、本地 epoch 数）
- 上传基础模型或选择平台提供的预训练模型
- BitFlow 自动协调多个 Bitedge 节点进行分布式训练
- 实时监控训练进度和模型性能指标
- 训练完成后下载模型或通过 API 进行推理测试
价值体现：
- 突破数据孤岛，获得大规模多中心训练数据
- 保护医院数据主权和患者隐私
- 降低模型训练的合规风险
- 提升模型的泛化能力和诊断准确性
三、核心概念定义
3.1 Flow（数据流）
Flow 是 BitFlow 平台的核心抽象概念，代表一个端到端的数据处理和价值创造流程。每个 Flow 定义了数据如何从源头流经各个处理步骤，最终产生业务价值。
- 定义：Flow 是一个有向无环图（DAG），包含多个有序的处理步骤
- 类型：
- Training Flow：模型训练流程（联邦学习或分布式训练）
- Discovery Flow：模式发现流程（药物靶点发现、生物标志物识别）
- Analysis Flow：数据分析流程（定量分析、统计分析、队列研究）
- Validation Flow：模型验证流程（临床验证、性能评估）
- 状态：Draft（草稿）、Running（运行中）、Paused（暂停）、Completed（完成）、Failed（失败）
3.2 Task 与 TaskRun（任务模板与任务执行）
Task（任务）是可复用的任务模板，定义了执行特定计算所需的算法、代码和配置规范。
- 组成：
- 算法代码（Python/R/Julia 等）
- 运行环境定义（Docker 镜像）
- 参数配置模板
- 资源需求声明
- 来源：
- 平台内置任务（常用算法）
- 第三方认证任务（制药公司专有算法）
- 用户自定义任务
- 类型：
- 数据预处理任务
- 模型训练任务（联邦学习本地训练）
- 制药分析任务（细胞计数、标志物定量）
- 数据分析任务
- 模型推理任务
TaskRun（任务运行）是 Task 的具体执行实例，是 Flow 中每个步骤的具体执行单元，由 BitFlow 调度并在 Bitedge 节点上运行。
- 包含信息：
- 使用的 Task 模板
- 运行参数配置
- 执行状态和进度
- 资源分配
- 执行日志
- 输出结果
3.3 Runs（运行实例）
Run 是 Flow 的一次具体执行实例，记录了从开始到结束的完整执行过程。
- 包含信息：
- 执行时间戳
- 使用的数据集
- 参与的边缘节点
- 任务执行日志
- 中间结果和最终输出
- 资源消耗统计
- 费用计算
- 合规性审计记录
3.4 Flow Hubs（流程库）
Flow Hubs 是预构建的 Flow 模板市场，提供经过验证的、可直接使用或定制的流程模板。
- 特点：
- 行业最佳实践模板（FDA 认证流程、GxP 合规流程）
- 社区贡献和评分机制
- 参数化配置支持
- 版本管理
- 使用统计和推荐
四、数据流转架构
4.1 数据生命周期
graph LR
subgraph BL["阶段1: 数据准备 (Bitlab)"]
direction TB
A1[原始病理数据<br/>KFB/SVS/NDPI格式]
A2[格式转换与清洗<br/>标准化处理]
A3[专业标注<br/>医生标注工具]
A4[质量控制<br/>一致性检查]
A1 --> A2
A2 --> A3
A3 --> A4
end
subgraph BE["阶段2: 边缘处理 (Bitedge)"]
direction TB
B1[安全存储<br/>本地加密]
B2[元数据提取<br/>索引建立]
B3[隐私保护<br/>差分隐私/脱敏]
B4[计算就绪<br/>数据预处理]
B1 --> B2
B2 --> B3
B3 --> B4
end
subgraph BF["阶段3: 价值创造 (BitFlow Core)"]
direction TB
C1[任务调度<br/>智能分配]
C2[边缘执行<br/>分布式计算]
C3[结果聚合<br/>数据汇总]
C4[价值输出<br/>模型/报告]
C1 --> C2
C2 --> C3
C3 --> C4
end
BL --> BE
BE --> BF
4.2 任务协调机制
BitFlow 作为中心协调器：
- 任务调度：接收用户请求，分解为具体任务并分发到合适的 Bitedge 节点
- 执行触发：主动触发边缘节点执行计算任务，而非被动等待
- 进度监控：实时监控各节点任务执行状态和进度
- 结果聚合：收集各节点计算结果，执行必要的聚合操作
- 质量控制：验证结果的完整性和正确性
4.3 数据安全保障
-
数据不出院原则
- 原始病理图像始终保存在医院 Bitedge 节点
- 仅传输模型参数、梯度或统计信息
- 支持差分隐私和同态加密
-
访问控制P
- 基于任务的细粒度权限管理
- 数据使用审计追踪
- 合规性自动检查
-
计算可信
- 支持 TEE（可信执行环境）
- 任务包签名验证
- 计算过程可审计
4.4 数据价值流转
-
Bitlab 阶段：原始数据转化为高质量标注数据
- 替代传统扫描阶段，提供完整的数据准备工具链
- 支持多种病理切片格式（KFB、SVS、NDPI 等）
- 医生通过专业工具完成数据采集和标注
- 数据质量通过多重验证确保准确性
-
Bitedge 阶段：本地数据转化为可计算资源
- 安全存储确保数据主权
- 元数据提取支持数据发现
- 本地计算能力支持隐私保护的协同训练和分析
-
BitFlow Core 阶段：分布式数据转化为集中价值
- 作为任务调度中心，主动协调各节点工作
- Flow 编排实现端到端价值创造
- 结果聚合产生可交付成果（模型、报告）
五、平台系统架构图
graph TD
subgraph 用户侧
U1[AI公司/研究机构]
U2[制药公司]
U3[病理科主任]
U4[医生]
U5[最终用户/患者]
end
subgraph 中心平台侧[中心平台]
BF1[Bitflow管理平台]
BF2[API 网关]
BF3[Flow编排与任务调度器]
BF4[Artifacts存储服务]
BF5[中心计算执行器]
BF6[计费与结算模块]
BF8[Flow Hub<br/>任务模板管理]
BF9[可观测性模块]
BF7[模型部署服务]
BF10[数据集管理]
end
subgraph HP[医院/实验室端]
subgraph BL[Bitlab数据准备工具]
BL1[病理数据采集]
BL2[格式转换（KFB/SVS/NDPI）]
BL3[WSI 浏览标注工具]
BL4[质量控制]
end
subgraph BE[Bitedge边缘存储与计算节点]
BE1[本地安全存储]
subgraph BE_Runtime[边缘任务执行引擎]
BE2[边缘任务调度器]
BE3A[模型训练任务]
BE3B[数据探索任务]
end
BE5[可观测性收集器<br/>指标/日志/追踪]
BE6[结果输出<br/>Artifacts上传]
end
subgraph BP[模型推理部署]
BP1[Bitpath诊断界面]
BP2[一体机模型部署]
end
end
U1 --> BF1
U2 --> BF1
U3 --> BF1
U4 --> BL
U4 --> BP
U5 --> BP
BF1 --> BF2
BF2 --> BF3
BF2 --> BF4
BF3 --> BF5
BF3 --> BF7
BF2 --> BF8
BF2 --> BF9
BF2 --> BF6
BF3 --> BF9
BF6 --> BF9
BF2 --> BF10
BL1 --> BL2
BL2 --> BL3
BL3 --> BL4
BL4 --> BE1
BF3 --> BE2
BE2 --> BE_Runtime
BE3A --> BE1
BE3B --> BE1
BE2 --> BE3A
BE2 --> BE3B
BE_Runtime --> BE5
BE_Runtime --> BE6
BE5 -.-> BF9
BE6 --> BF4
BP1 --> BP2
style BF3 fill:#f9f,stroke:#333,stroke-width:4px
style BP stroke-dasharray: 5 5架构概览补充
-
BitFlow 中心平台
- BitFlow 管理平台：Web 用户界面，提供统一的管理控制台
- API 网关：统一 API 入口，处理认证、路由、限流等
- Flow 编排与任务调度器：核心组件，管理 Flow 工作流，编排多步骤任务，调度边缘节点执行，协调任务间依赖关系
- Artifacts 存储服务：统一存储任务执行结果、模型文件、分析报告等
- 中心计算执行器：执行模型聚合（FedAvg 等）、统计分析、报告生成等中心化计算
- 计费与结算模块：记录资源使用、生成账单、收益分配
- Flow Hub：任务模板管理，提供预构建的 Flow 模板库
- 可观测性模块：收集边缘节点监控数据，提供统一的监控、日志、追踪和可视化服务
- 模型部署服务：提供云端推理 API 和模型导出服务
- 数据集管理：管理跨机构数据集目录、元数据和访问权限
-
Bitlab（数据准备工具）
- 病理数据采集：从医院信息系统、扫描仪等获取原始数据
- 格式转换：支持 KFB、SVS、NDPI、DICOM 等多种格式互转
- WSI 浏览标注工具：提供专业的病理图像浏览和标注功能
- 质量控制：数据质量验证和标注一致性检查
-
Bitedge（边缘存储与计算节点）
- 本地安全存储：加密存储来自 Bitlab 的处理数据，提供数据访问接口
- 边缘任务执行引擎：
- 边缘任务调度器：接收 BitFlow 中心调度指令，管理本地任务队列和执行
- 模型训练任务：支持联邦学习、本地模型训练、梯度计算
- 数据探索任务：数据分析、模式识别、统计计算
- 可观测性收集器：收集任务执行指标、资源使用、日志和追踪数据，上报至 BitFlow
- 结果输出：将 Artifacts（模型参数、分析结果、报告）上传至中心存储
-
模型推理部署（虚线框表示）
- 说明：客户基于训练模型的应用场景示例
- Bitpath：开源参考实现，降低客户应用门槛
六、核心功能模块
6.1 BitFlow - 任务协调中心
-
任务调度与协调
- 主动调度：BitFlow 作为中心大脑，主动分配和触发任务到边缘节点
- 智能路由：根据数据位置、节点能力、网络状况智能选择执行节点
- 负载均衡：动态调整任务分配，优化整体资源利用率
- 故障转移：节点故障时自动重新调度任务
-
Flow 管理与 Flow Hub
- Flow 定义：创建和管理端到端的工作流程
- Flow 类型支持：
- Training Flow：联邦学习模型训练
- Discovery Flow：药物靶点发现、生物标志物识别
- Analysis Flow：临床试验数据分析、队列研究
- Validation Flow：模型临床验证、性能评估
- Flow Hub（任务模板管理）：
- 预构建的行业标准流程模板（FDA 合规、GxP 认证）
- 社区贡献的模板库
- 版本管理和更新
- 模板评分和推荐系统
- 可视化监控：实时展示 Flow 执行状态和数据流动
-
数据集管理
- 跨机构数据目录：统一管理多医院数据集元信息
- 访问权限控制：基于角色和任务的细粒度权限
- 数据使用追踪：记录数据访问和使用历史
- 合规性审查：自动检查数据使用合规性
- 数据价值评估：基于使用频率和贡献度的价值计算
-
任务类型协调
- Training Flow 协调
- 管理训练轮次和节点选择
- 分发模型和训练参数
- 收集和聚合更新（支持 FedAvg、FedProx 等算法）
- 模型版本管理
- Discovery Flow 协调
- 调度多站点分析任务
- 协调数据探索流程
- 结果聚合和模式识别
- Analysis Flow 协调
- 管理定量分析任务
- 协调统计计算
- 生成分析报告
- Validation Flow 协调
- 组织验证测试
- 收集性能指标
- 生成合规报告
- Training Flow 协调
6.2 Bitlab - 数据准备平台
-
数据采集与转换
- 支持多种扫描仪格式（Hamamatsu、Leica、Philips、3DHistech、江丰 KFB）
- 批量格式转换（KFB→SVS、NDPI→DICOM 等）
- 图像质量评估和优化
- 元数据提取和管理
-
标注工具
- WSI 全切片浏览器
- 多级缩放和导航
- 专业标注工具（ROI、点标注、轮廓标注）
- 标注版本管理
- 多人协作标注
-
质量控制
- 标注一致性检查
- 专家复核流程
- 数据完整性验证
- 合规性检查
6.3 Bitedge - 边缘执行节点
-
任务执行引擎
-
核心功能
- 接收 BitFlow 调度指令的唯一入口
- 任务生命周期管理（创建、执行、暂停、恢复、终止）
- Task 动态加载和验证
- 执行环境初始化和隔离
- 资源分配和管理
-
Task 执行流程
- 接收任务调度指令和 Task 配置
- 验证 Task 签名和依赖
- 分配资源（GPU/CPU/内存）
- 创建隔离执行环境（容器）
- 加载 Task 并初始化
- 执行任务逻辑
- 收集可观测性数据
- 生成并上传 Artifacts
- 清理资源和环境
-
支持的运行时环境
- Python 环境：支持 PyTorch、TensorFlow、scikit-learn、Pandas 等
- R 环境：统计分析和生物信息学工具
- Julia 环境：高性能科学计算
- 容器化环境：自定义 Docker 镜像
-
资源管理
- GPU 调度：支持多 GPU 分配和共享
- CPU 亲和性设置
- 内存限制和监控
- 存储 I/O 优化
- 网络带宽管理
-
可观测性与监控
- 数据收集器：支持 TensorBoardX、MLflow 集成，收集训练指标和模型版本信息
- 分析任务监控：细胞计数统计、标志物表达量化、形态学测量等
- 可视化方案：Grafana 集成的实时监控仪表板，支持自定义告警
- 性能目标：系统可用性 > 99.9%，任务完成率 > 95%，联邦学习通信开销 < 5%
-
-
数据安全
- 本地加密存储
- 访问控制
- 审计日志
- 数据生命周期管理
6.4 任务（Task）生态
-
内置任务
- 常用深度学习模型（ResNet、EfficientNet、ViT）
- 病理分析算法（细胞检测、组织分类）
- 统计分析工具
-
领域特定任务示例
- 医学研究：肿瘤浸润淋巴细胞（TIL）分析、PD-L1 表达水平评估
- 药物研发：毒性评估、疗效分析、生物标志物识别
- 病理诊断：组织分类、病变检测、分级评分
- 临床试验：患者分层、治疗响应评估、安全性监测
-
自定义任务
- SDK 和开发工具
- 测试和验证框架
- 市场发布流程
- 版本管理
七、关键业务流程
7.1 联邦学习训练流程（BitFlow 主动调度）
sequenceDiagram
participant 用户
participant Bitflow中心
participant Bitedge节点A
participant Bitedge节点B
用户->>Bitflow中心: 1. 创建Training Flow
用户->>Bitflow中心: 2. 选择数据集和医院
用户->>Bitflow中心: 3. 配置训练参数
用户->>Bitflow中心: 4. 上传/选择基础模型
Bitflow中心->>Bitflow中心: 5. Flow解析与任务规划
loop 联邦训练轮次
Bitflow中心->>Bitedge节点A: 6a. 主动推送：分发模型+触发训练
Bitflow中心->>Bitedge节点B: 6b. 主动推送：分发模型+触发训练
par 并行本地训练
Bitedge节点A->>Bitedge节点A: 7a. 执行本地训练
Bitedge节点B->>Bitedge节点B: 7b. 执行本地训练
end
Bitedge节点A-->>Bitflow中心: 8a. 上传梯度/参数
Bitedge节点B-->>Bitflow中心: 8b. 上传梯度/参数
Bitflow中心->>Bitflow中心: 9. 模型聚合(FedAvg)
Bitflow中心->>Bitflow中心: 10. 评估收敛条件
end
Bitflow中心->>Bitflow中心: 11. 保存最终模型
Bitflow中心-->>用户: 12. 通知训练完成
用户->>Bitflow中心: 13. 下载模型/使用API
Bitflow中心->>Bitflow中心: 14. 生成账单与分账7.2 制药公司分析流程（BitFlow 协调执行）
sequenceDiagram
participant 制药公司
participant Bitflow中心
participant Bitedge医院A
participant Bitedge医院B
participant Bitedge医院C
制药公司->>Bitflow中心: 1. 创建Analysis Flow
制药公司->>Bitflow中心: 2. 选择临床试验站点数据
制药公司->>Bitflow中心: 3. 上传分析算法包(如TIL计数)
制药公司->>Bitflow中心: 4. 配置合规要求(21 CFR Part 11)
Bitflow中心->>Bitflow中心: 5. 验证算法包与合规性
Bitflow中心->>Bitflow中心: 6. 生成执行计划
par 并行分析执行
Bitflow中心->>Bitedge医院A: 7a. 推送算法包+触发分析
Bitflow中心->>Bitedge医院B: 7b. 推送算法包+触发分析
Bitflow中心->>Bitedge医院C: 7c. 推送算法包+触发分析
Bitedge医院A->>Bitedge医院A: 8a. 本地病理分析
Bitedge医院B->>Bitedge医院B: 8b. 本地病理分析
Bitedge医院C->>Bitedge医院C: 8c. 本地病理分析
end
Bitedge医院A-->>Bitflow中心: 9a. 上传分析结果(统计数据)
Bitedge医院B-->>Bitflow中心: 9b. 上传分析结果(统计数据)
Bitedge医院C-->>Bitflow中心: 9c. 上传分析结果(统计数据)
Bitflow中心->>Bitflow中心: 10. 聚合多站点结果
Bitflow中心->>Bitflow中心: 11. 生成FDA合规报告
Bitflow中心->>Bitflow中心: 12. 审计日志记录
Bitflow中心-->>制药公司: 13. 交付分析报告
制药公司->>Bitflow中心: 14. 确认接收
Bitflow中心->>Bitflow中心: 15. 计费与结算7.3 数据准备流程（Bitlab 工具链）
sequenceDiagram
participant 医生
participant Bitlab工具
participant Bitedge节点
participant Bitflow中心
医生->>Bitlab工具: 1. 导入病理切片文件
Bitlab工具->>Bitlab工具: 2. 自动格式识别(KFB/SVS/NDPI)
Bitlab工具->>Bitlab工具: 3. 格式转换与优化
Bitlab工具-->>医生: 4. 展示WSI图像
医生->>Bitlab工具: 5. 浏览与标注
医生->>Bitlab工具: 6. 添加诊断信息
Bitlab工具->>Bitlab工具: 7. 质量检查
alt 质量合格
Bitlab工具->>Bitedge节点: 8. 上传处理数据
Bitedge节点->>Bitedge节点: 9. 本地加密存储
Bitedge节点->>Bitflow中心: 10. 上报元数据
Bitflow中心->>Bitflow中心: 11. 更新数据目录
Bitflow中心-->>医生: 12. 确认数据就绪
else 需要修正
Bitlab工具-->>医生: 8. 提示修正建议
医生->>Bitlab工具: 9. 修正标注
end
Note over Bitedge节点,Bitflow中心: 数据参与任务时自动计算收益八、API 架构设计
8.1 API 响应格式
平台采用统一的 ListResponse 泛型模式，确保 API 响应的一致性和可扩展性：
type ListResponse[T any] struct {
Items []T `json:"items"`
Pagination *Pagination `json:"pagination,omitempty"`
}
type Pagination struct {
Page int `json:"page"`
PerPage int `json:"per_page"`
Total int `json:"total"`
TotalPages int `json:"total_pages"`
NextPage *int `json:"next_page,omitempty"`
PrevPage *int `json:"prev_page,omitempty"`
}8.2 核心数据模型
Dataset 结构：
type Dataset struct {
ID string `json:"id"`
Name string `json:"name"`
FullName string `json:"full_name"`
Description string `json:"description"`
Category string `json:"category"`
Status string `json:"status"`
// 嵌套对象设计
Stats *DatasetStats `json:"stats,omitempty"`
Permissions *DatasetPermissions `json:"permissions,omitempty"`
Preview *DatasetPreview `json:"preview,omitempty"`
Metadata map[string]interface{} `json:"metadata,omitempty"`
// 关联信息
Owner *User `json:"owner,omitempty"`
Workspace *Workspace `json:"workspace,omitempty"`
// 时间戳
CreatedAt time.Time `json:"created_at"`
UpdatedAt time.Time `json:"updated_at"`
}Workflow 与 Run 关系：
- Workflow：定义任务模板和配置
- Run：Workflow 的执行实例，包含实际运行状态和结果
- Task：可复用的算法模板
- TaskRun：Task 在特定 Run 中的执行实例
8.3 API 端点设计
遵循 RESTful 设计原则，使用资源为中心的 URL 结构：
# 数据集 API
GET /api/datasets # 列表（返回 ListResponse[Dataset]）
GET /api/datasets/:id # 详情
POST /api/datasets # 创建
PUT /api/datasets/:id # 更新
DELETE /api/datasets/:id # 删除
# 工作流 API
GET /api/workflows # 列表（返回 ListResponse[Workflow]）
GET /api/workflows/:id # 详情
POST /api/workflows # 创建
PUT /api/workflows/:id # 更新
DELETE /api/workflows/:id # 删除
# 运行实例 API
GET /api/runs # 列表（返回 ListResponse[Run]）
GET /api/runs/:id # 详情
POST /api/workflows/:id/runs # 创建新运行
PUT /api/runs/:id # 更新运行状态
GET /api/runs/:id/logs # 获取运行日志
# 任务 API
GET /api/tasks # 列表（返回 ListResponse[Task]）
GET /api/tasks/:id # 详情
POST /api/tasks # 创建
PUT /api/tasks/:id # 更新
DELETE /api/tasks/:id # 删除
# 数据中心 API
GET /api/datacenters # 列表（返回 ListResponse[Datacenter]）
GET /api/datacenters/:id # 详情
PUT /api/datacenters/:id # 更新状态九、发展路线图
Phase 1：MVP 验证（0-6 个月）
目标：验证核心技术可行性和产品市场契合度
核心交付物：
- 联邦学习基础架构（支持 2-3 个节点）
- 基础工作流编排引擎
- 简单的病理数据标注工具
- 端到端 POC 演示
成功标准：
- 2-3 家试点医院部署
- 1 个付费 POC 客户（制药公司或 AI 企业）
- 验证数据不出院的技术可行性
- ARR ¥1000 万
Phase 2：产品成熟（6-18 个月）
目标：打磨产品功能，建立标杆客户
核心交付物：
- 生产级联邦学习平台（支持 10+ 节点）
- 完整的 Flow Hub 任务模板库
- 企业级安全与合规功能
- 自动化部署和运维工具
成功标准：
- 20+ 医院节点
- 10+ 企业客户（含 2-3 家知名药企）
- 系统可用性 > 99.5%
- ARR ¥3000 万
Phase 3：规模扩张（18-36 个月）
目标：实现商业化规模增长
核心交付物：
- 多云架构支持
- AI 辅助标注和 AutoML
- 完整的合作伙伴生态
- 国际化支持
成功标准：
- 50+ 医院节点
- 30-40 企业客户
- 获得关键合规认证（21 CFR Part 11）
- ARR ¥1 亿
十、关键风险与应对
三大核心风险
1. 监管政策风险 🔴 极高
- 风险：医疗数据监管政策不明确或突然收紧，影响业务模式合法性
- 应对：
- 主动与卫健委、药监局等监管部门沟通
- 参与行业标准制定，影响政策方向
- 建立合规法务团队，实时跟踪政策变化
- 设计灵活架构，可快速适应监管要求
- 优先在政策友好地区试点（如海南、上海）
2. 数据结果上传信任风险 🟡 高
- 风险：医院担心任务结果（模型梯度、统计分析）可能泄露敏感信息，拒绝上传到中心平台
- 应对：
- 明确定义可上传内容白名单（仅聚合统计、模型参数，无患者信息）
- 提供结果审计功能，让医院可检查和批准上传内容
- 实施差分隐私，确保结果无法反推原始数据
- 建立数据使用协议模板，明确责任边界
- 支持医院自主选择结果保留策略（本地存储 vs 中心上传）
- 获取第三方安全认证增强信任
3. 部署成本风险 🟡 高
- 风险：每家医院需独立部署基础设施，无法复用现有资源，成本高、周期长
- 应对：
- 开发轻量级边缘节点（最小化硬件要求）
- 提供一体机解决方案（预装软件、即插即用）
- 支持虚拟化部署，利用医院现有服务器
- 建立远程部署和运维能力，减少现场支持
- 探索与医院 IT 系统集成，复用现有存储和计算资源
其他需关注风险
资金风险
- 保持 12-18 个月现金储备
- 控制烧钱速度，尽早实现正向现金流
人才风险
- 股权激励留住核心团队
- 建立技术梯队，避免单点依赖
竞争风险
- 快速建立数据网络效应
- 专注差异化（数据不出院）
十一、商业模式与定价策略
计费模式
- 联邦学习服务：按训练轮次、数据量、GPU 时间计费
- 制药分析服务：按切片数量、分析复杂度计费（$10-50/切片）
- 订阅服务：月度/年度 SaaS 订阅模式
- 数据使用收益分配：医院数据使用收益、医生标注报酬自动结算
现实收入模型（3 年达到 1 亿 ARR）
| 发展阶段 | 客户数量 | 平均客户价值 | ARR | 关键指标 |
|---|---|---|---|---|
| Year 1 | 2-3 | ¥300-500 万 | ¥1000 万 | MVP 验证，标杆客户 |
| Year 2 | 10-15 | ¥200-300 万 | ¥3000 万 | 产品成熟，扩展销售 |
| Year 3 | 30-40 | ¥250-350 万 | ¥1 亿 | 规模化增长 |
客户构成（Year 3）：
- 制药巨头 (3-5 家): ¥1000-2000 万/年（临床试验全流程支持）
- 中型药企 (10-15 家): ¥300-500 万/年（特定项目支持）
- AI 公司 (10-15 家): ¥100-300 万/年（联邦学习平台订阅）
- 研究机构 (5-10 家): ¥50-100 万/年（研究项目合作）
关键成功因素：
- 聚焦高价值客户：专注制药公司临床试验需求，单个项目价值高
- 产品差异化：联邦学习确保数据不出院，解决合规痛点
- 逐步扩展：从单点突破（如肿瘤病理）到全病种覆盖
- 生态建设：与 CRO、医院集团建立战略合作