5,000 例建设目标
规格书目标为肺癌 2,000 例，肠癌、胃癌、胰腺癌各 1,000 例；均为阳性肿瘤病例，其他癌种不用于冲抵。
以肿瘤患者轨迹为中心的建设规格
以连续时间、原始证据和跨模态关联为优先，而非将孤立表格、影像或文本简单拼接。
长时序观察窗
优先覆盖既往 5 年，最低有效时序原则上不少于 3 年，且至少包含确诊/基线、治疗与随访多个节点。
原生多模态关联
以匿名患者 ID、就诊、检查、序列、标本和组学样本标识建立可追溯关系，保留各模态原生结构。
合规与项目边界
依照去标识化、来源审核、授权材料与项目数据使用边界设计；不公开医院、患者或可识别资料。
一条可审计的肿瘤多模态证据链
从确诊前的可追溯线索，到病理确诊、治疗过程和结局随访，按时间和关联键组织可核验对象。
01 · 可追溯阶段
确诊前历史记录
优先纳入确诊前的历史影像和相关报告；如存在“与前片比较”，以 study 标识建立既往影像追溯链。
02 · 基线与分期
确诊、病理与 TNM
保留诊断依据、基线 T/N/M 与 Stage；区分可获得的 cTNM/pTNM、分期日期、来源和版本。
03 · 治疗过程
文书、用药、手术与影像
围绕完整病历文本、医嘱、手术/操作、检查检验、CT/MRI 及病理记录组织治疗期事件序列。
04 · 随访与结局
复发、进展与末次随访
复发、进展/转移、死亡、长期无复发和末次随访均要求时间依据与原始记录支持，不做缺失推断。
核心数据域与交付对象
具体可用性按数据源许可、患者授权/伦理材料、项目字典及批次验收结果确认。
| 数据域 | 建设要求与关联对象 | 面向的研究与工程工作 |
|---|---|---|
| 全文本病历与结构化事件 | 门诊、住院、入院/出院、首次病程、病程、会诊、手术、诊断、检验、药物与医嘱；以 full_text 原文为核心，关键记录不得截断。 | 患者轨迹重建、临床文本结构化、时间感知表征、队列定义与临床流程分析。 |
| CT/MRI 与影像报告 | 完整“检查所见”“诊断意见”、检查日期、study/series、部位、期相、层厚；DICOM 本体按授权和可得性优先。 | 影像时序研究、影像—报告一致性核验、队列筛选和多模态方法验证。 |
| 病理、WSI 与 IHC | 完整病理报告、标本 ID、取材日期、标本类型、组织学和可得的肿瘤/正常属性；H&E WSI 和 IHC 原始对象按项目确认。 | 病理—临床关联、标本级数据血缘、图像方法验证与多尺度研究准备。 |
| WES/WGS 与 Bulk RNA | 优先 FASTQ；无法提供时至少记录可复用 BAM/CRAM、VCF 或表达结果、QC、参考版本与样本元数据，明确区分原始数据和分析结果。 | 组学数据治理、样本关联、跨模态特征研究和方法学评测。 |
| 随访、结局与文件清单 | 随访日期、复发/进展/转移依据、末次随访状态及 file_manifest；将 PDF、DICOM、WSI、组学文件对应至患者与临床对象。 | 研究终点构建、可追溯交付、数据血缘审计和质量复核。 |
质量不是一个分数，而是一组可复核规则
以关联完整性、临床文本、时序逻辑、影像/病理元数据和批次报告共同构成项目验收设计。
关联完整性
匿名患者 ID、就诊、检查、序列、标本和组学样本之间以主外键和清单字段核验，识别孤立对象与错误拼接。
文本与字段完整性
把 full_text 完整性作为验收核心；同时核查记录类型、时间字段、诊断、检验、药物和随访字段的覆盖与格式。
时间顺序与临床逻辑
核验入出院、检查、病理、手术、医嘱与随访时间关系；对影像比较、再分期和结局记录保持证据链。
批次质控与抽样复核
依据数据字典、规则检查与人工抽样输出覆盖、缺失、异常、降档或剔除建议，质量阈值按项目方案执行。
适用的研究与数据治理工作
支持数据准备、方法开发、研究验证和质量评估；临床应用仍需由具备资质的机构和专业人员独立验证。
肿瘤临床 AI 方法验证
为时间感知建模、文本—结构化融合、影像—病理—组学关联及模型评测提供项目级数据准备框架。
真实世界研究队列
按目标人群、索引事件、观察窗口、暴露、结局和质量门控组织研究队列，保留可追溯的时间依据。
医疗数据基础设施
以数据字典、字段映射、manifest、质量自检与批次报告为基础，支持跨团队的可审计协同。
参考研究与公共数据基础设施
以下资源用于说明本专题的设计原则，不代表本专题已接入、拥有或分发相关资源。
- Zhuang L, et al. Advancing Precision Oncology Through Modeling of Longitudinal and Multimodal Data. IEEE Reviews in Biomedical Engineering, 2026. PMC
- National Cancer Institute. Imaging Data Commons. 以 DICOM 协调影像、标注、测量和伴随临床信息的公共数据基础设施。IDC
- Sivarajkumar S, et al. A multimodal generative model for structured and unstructured electronic health records. npj Health Systems, 2026. Nature