開発ステップ (Development Steps)

PLAN_01 要件定義書の目的を満たすための実装順序．各ステップは /implement <タスク> で進める（実装 → テスト → リファクタリング → ドキュメント更新）．

全体像 (Overview)

Step 1・2 はデータのコピー待ちの間に進められる．

Step 1: 基盤 (Foundation)

• 成果物: schema.py（pydantic 設定），data/manifest.py（読み込み・検証），data/split.py（患者単位分割），scripts/make_synthetic_dataset.py
• 完了条件: 合成 manifest で分割が患者単位に保たれ，同一 seed で再現することがテストで確認できる．不正な manifest が停止する
• 理由: 手元だけで完結し，以降すべての土台になる．最重要の「患者単位分割」をここで固める

Step 2: リモート実行ツール (Remote Execution)

• 成果物: remote/・cli/remote.py（コード送信 / ジョブ実行 / 結果回収 / GPU 空き確認）
• 完了条件: コードを送って合成データの短い学習をサーバで実行し，結果を回収できる．回収ホワイトリストが効いており，画像・manifest が回収対象にならないことがテストで確認できる
• 注意: 非対話 ssh では uv が PATH に無いため，ツール側で export PATH="$HOME/.local/bin:$PATH" を行う（ENV_02トラブルシューティング）

Step 3: データセット集計 (Dataset Survey)

• 成果物: データセット集計コマンド，scripts/build_manifest.py，集計レポート（docs/06_TEST/ に記録）
• 完了条件: 枚数・患者数・クラス分布・画像サイズ分布・破損件数が数値で判明し，SPEC_01・SPEC_02の未確定事項（マスク外領域の扱い・入力解像度・患者 ID の追跡可否・ラベルの保存形式）が確定する
• 前提: 研究室 PC → サーバのデータコピーと，倫理審査・データ利用許諾の確認が済んでいること

Step 4: 学習パイプライン最小版 (Minimal Training)

• 成果物: models/・training/・学習コマンド，設定 YAML 1 本
• 完了条件: 手元で合成データ 1 エポックが通り，サーバで実データの学習が完走して runs/<実験ID>/ が生成される
• 方針: 精度は問わない．「落ちずに回り，記録が残る」ことだけを見る

Step 5: 評価・レポート生成 (Evaluation)

• 成果物: evaluation/・評価コマンド（macro F1・クラス別指標・混同行列・学習曲線）
• 完了条件: val で選び test を最後に一度だけ見る運用が実装され，指標が既知の混同行列に対してテストで期待値と一致する

Step 6: ベースライン比較 (Baseline)

• 成果物: baseline/（TIASjudge のルールベース診断），比較レポート
• 完了条件: 同一テストセットでルールベースと機械学習モデルの指標が並べて出る
• ここで決める: ルールベースを移植するか別リポジトリを参照するか（SPEC_02 の未確定事項）

Step 7: 実験反復 (Experiments)

• 成果物: 実験群（クラス不均衡対策・モデル比較・入力解像度・マスク外領域の埋め方）とその記録
• 完了条件: 各要因の効果が独立した実験として切り分けて記録されている
• 注意: 共用サーバのため使用する GPU を明示的に指定する

Step 8: 結論 (Conclusion)

• 成果物: 5-fold 交差検証の結果，評価レポート，TIASjudge への引き渡し方針（配布形式）
• 完了条件: PLAN_01 の成功基準 4 項目が満たされ，「組み込むか・手法を変えるか」の判断材料が揃う

進め方の原則 (Process Rules)

• Step 3 の結果で SPEC_01・SPEC_02 を更新してから Step 4 以降に進む（仕様変更は先にドキュメントへ反映する）
• 実験は 1 回の変更で 1 要因のみ変える（効果の切り分けができなくなるため）
• 各ステップ完了時に進捗を記録する（.claude/rules/progress-log.md）