開発進捗ログ

立ち上げ（フェーズ 1: 方針決定）

•  プロジェクト方針の確定と要件定義書の作成: TIASjudge（ルールベースの舌診支援アプリ）の舌色 5 分類を機械学習で推定する研究プロジェクトとして，目的・スコープ・成功基準を確定し PLAN_01 要件定義書 を作成した．開発モードは solo．
  • 前提（データ取り扱い）: 臨床データは手元 PC に置かない．原本は研究室 PC に保管し，研究室 LAN 内で計算サーバへ一度だけコピーする．手元へ持ち帰るのは非個人情報の派生物（集計指標・ログ・モデル重み）のみ．リモート実行の構成は SmTIAS-LightSim の方式（コードを手元から送り，結果を回収）を踏襲する
  • 設計判断: 本フェーズのゴールを「現状把握」とし精度の絶対値目標を置かない．評価は患者単位分割を必須とし（画像単位のランダム分割は同一患者が train / test に跨り過大評価になる），既存ルールベースを同一テストセットのベースラインとして並べて比較する
  • スコープ外: セグメンテーションの学習・5 分類以外の所見・TIASjudge への組み込み実装・撮影条件の色補正
  • 未確定: 画像枚数・患者数・クラス分布・ラベル形式・患者 ID の追跡可否は研究室 PC で実データを確認して確定する

立ち上げ（フェーズ 2〜3: 技術選定・環境構築）

•  技術スタックの確定: PyTorch ＋ timm・uv・YAML ＋ pydantic・リモート実行は SmTIAS-LightSim の sm-remote 移植，実験記録は軽量自作，CI なしと決め ENV_01 を作成した．
  • 設計判断: 実験管理に W&B・MLflow を採らず自作にしたのは，臨床データ由来の指標を外部サービスへ送らない方針と，実験数に対する運用コストの釣り合いから
•  環境構築: GitHub private リポジトリを作成し Dependabot alerts / security updates を有効化（検証済み）．.github/dependabot.yml（uv ＋ github-actions）・.gitignore 更新（data/・runs/・重み）・pyproject.toml（Python 3.12）・パッケージ骨組み・README を作成し，ENV_02〜ENV_04 を整備した．Newton に ~/work/TIASJudgeModel と ~/data/TIASJudgeModel（700）を作り，コードを tar over ssh で送って uv sync を通し torch 2.14.0+cu130・CUDA 有効・GPU 3 台を確認した．
  • 確認できたこと: Linux では PyPI の wheel がそのまま CUDA 版で入る（ENV_01 の想定どおりで [tool.uv.sources] での対処は不要）．GPU は 3 台のうち 1 台が他ユーザー使用中で，共用前提の GPU 指定が必要
  • 失敗パターン: ① 手元の uv sync が PyPI からのダウンロードで connection reset（safetensors）→ 再試行中 / ② 非対話 ssh では uv が PATH に無く command not found（export PATH="$HOME/.local/bin:$PATH" が必要）/ ③ 踏み台経由で Newton.local の名前解決が一時的に失敗（再試行で復帰）．② ③ は ENV_02 のトラブルシューティングに記録した
  • 未実施: push・PR，臨床データの初回コピー（研究室 PC → Newton），倫理審査・データ利用許諾の確認．仕様設計（フェーズ 4）はドラフトを提示済みで保存保留