MEDICAL DATA RESEARCH
体检报告数据要先建“检查事件”:PDF、结构化结果与连续复查如何统一
面向医疗AI研发与数据采购,解析体检报告PDF、结构化结果和附件如何按检查事件对齐,并用定性标签、纵向变化、专家复核与独立验证建立可追溯验收链。
面对一份包含多页检验结果、超声或影像结论、定性项目和医生总结的体检报告,真正困难的不是把文字从 PDF 中复制出来,而是回答一个更具体的问题:模型训练时,某个数值、一个“阳性”或“阴性”判断、一次检查的附件,以及同一受试者下一次复查之间,究竟是什么关系?如果这层关系没有被定义,数据看似字段齐全,模型却可能把结论当成数值、把同一人的不同时间点当成独立样本,或把一份检查报告拆成互不相关的句子。
这类需求适合被理解为“面向健康检查报告的多模态、纵向、检查级数据建设”。输入并不只有 PDF,也包括可与原件核对的结构化结果,以及在范围内的影像或其他附件引用。输出也不应止于一份清洗后的文本,而应形成能够回到原始证据的检查事件对象。本文只讨论数据设计、算法研发、专家标注和验收方法,不提供个体诊断或健康建议。
先把需求拆成四个层次
源需求的临床任务不是对某一种疾病作分类,而是为健康管理、报告理解、质量审查或后续模型研发整理一组可计算的体检材料。报告覆盖的检查类型可以横跨实验室检验、腹部超声、肿瘤相关指标、基因检测和乳腺钼靶等。它们在证据形态上差异很大:实验室项目往往有数值、单位和参考区间,超声与钼靶更多依赖描述性结论,基因检测需要保留检测项目及结果语义,定性项目还要区分阴性、阳性、未检出、可疑和未完成。把这些内容统称为“异常”会损失后续任务最需要的语义层级。
输入模态至少应分为三类。第一类是报告原件,包括 PDF 的页序、表格、段落、页眉页脚和报告版本。第二类是结构化数据,包括检查项目、结果值、单位、参考区间、异常标志、检查日期、结论和总结。第三类是外部附件或附件引用,例如影像、波形或其他检查结果的链接。FHIR 的 DiagnosticReport 规范将诊断报告描述为可以同时包含原子结果、图像、文本和编码解释的对象,并通过 Observation 等资源表达离散结果1。这提示数据建设不应把“报告文件”和“字段表”当成互相替代的两份材料,而要让二者具有明确的对应关系。
解剖和病种维度也需要在数据字典中保留。血液检验属于全身性指标,腹部超声可涉及肝脏、胆囊、胰腺、脾脏和泌尿系统等部位,乳腺钼靶则具有特定的部位、投照与影像描述语境。肿瘤标志物与基因检测不能因为都出现在“肿瘤相关”栏目中就合并为同一标签。对数据采购方来说,项目名称、检查部位、检测方法、结果语义和证据来源要分别成列;对模型来说,这些列决定了它是在做字段抽取、关系识别、异常提示,还是在做风险预测。每一种下游任务都应有自己的标签定义,不能用一个模糊的“健康状况”覆盖所有用途。
时间维度是此需求最有价值、也最容易泄漏的部分。需求包含近年报告和同一受试者多次就诊的纵向链路,重点不只是保留三份文件,而是要知道它们属于同一人的哪一次检查,哪些项目可比较,比较时的单位和参考区间是否发生变化,以及报告中是否出现“较前”“复查”“新发”或“变化”等语句。关于纵向电子健康记录机器学习的范围综述纳入了多次就诊的结构化和非结构化数据,但也指出数据不规则、异质、稀疏、缺少金标准、偏差与外部验证不足会限制解释和临床落地6。因此,纵向关联应是可审计的数据关系,不应被写成已经完成的疾病预测能力。
最后是颗粒度。源需求明确以“检查”为粒度,而不是只按整份报告或单个句子计数。一个报告可以包含多项检查,一项检查又可能包含多个观察结果和一段结论。建议采用“受试者—就诊或体检事件—检查—结果字段—证据片段”的五级结构。报告级总结单独存储,不能覆盖检查级结果;同一项目在多个时间点的变化单独存储,不能把历史值改写成当前值。这样既可以训练字段抽取模型,也可以构造报告级完整性和纵向变化任务。
图1|技术示意:报告原件、结构化结果和附件引用先在检查事件层对齐,再建立受试者级时间关系;图中不含真实患者、机构或实验结果。
数据设计:把“报告”变成可回看的证据链
PDF 解析的第一关不是识别文字,而是恢复版面语义。多页体检报告常有跨页表格、重复页眉、项目名称与结果值分离、结论位于页面底部等情况。应为每个字段保存页码、区块或字符范围等原件锚点,并记录 OCR、文本层提取或人工核对的来源。对于扫描质量差、表格错位、字体异常或无法确认阅读顺序的页面,应设置拒答或待复核状态,而不是让算法自行补写。一个看似合理的补全,可能改变阴性与阳性的含义,也可能把上一个项目的单位挂到下一个项目上。
结构化结果应采用层级字段,而不是一列自由文本。检查项目要有规范名称、原始名称和映射状态;数值要分出数值、比较符号、单位和精度;参考区间要记录来源、版本、性别或年龄适用条件;定性结果要保存原句并映射到受控语义;结论和总结要保留原文、句子级分段与否定范围。CLSI EP28-A3c 关注参考值和参考区间的建立、验证、受试者选择、分析方法以及从一个实验室向另一个实验室转移的问题2。对体检数据而言,这意味着不能把一份机构或某一方法的参考区间静默替换为“全国通用正常值”,也不能只保存“正常/异常”而丢掉区间来源。
单位和编码需要成为质量对象。不同来源可能使用不同的缩写、大小写、换算规则或小数精度。可以在模型输入中提供规范化单位,但必须同时保留原单位和换算公式;无法可靠换算时,宁可标记不可比,也不要把数值变成看似统一的结果。项目编码同样需要保留“已映射”“保留原名”“待裁决”等状态。对于基因、肿瘤标志物或影像检查,项目名称变化可能意味着检测方法、靶标或观察对象变化,不能仅靠字符串相似度合并。
“异常项数量”适合用作抽样和压力测试分层,而不是诊断标签。报告可以按无异常、少量异常、多项异常和高度复杂报告分层,以检验版面解析、结果归因和总结抽取在不同信息密度下是否稳定。异常密度高的报告更容易出现跨行关联错误、否定范围丢失和结论与数值冲突。评估时应分别报告各层的字段缺失、错配、拒答和人工裁决量,不能只给出整体平均分。EHR 数据质量系统综述把完整性、正确性、一致性、及时性和合理性列为常见质量维度,并进一步讨论格式符合性和偏差;它还指出,字段存在不等于字段正确,数据源之间的一致也需要独立检查3。
阳性与阴性都要进入数据设计。定性检查的负例不是“没有文字”,而是有明确证据支持的阴性、未检出、阴性倾向或其他项目约定语义;阳性也要区分明确阳性、可疑、弱阳性、既往史提及和待复查。若训练集只有异常样本,模型可能学会报告风格而不是医学语义;若把“未提及”当阴性,模型会把文档缺失当成临床否定。每个定性字段都应记录原句、极性、时间、证据位置和是否由专家裁决。
历史比较需要单独设计关系标签。对于同一检查项目,可以有“无历史”“历史存在但不可比”“数值变化”“结论变化”“新增项目”“项目消失”等状态。变化方向不能只根据两个数值的大小判断,因为单位、方法、参考区间或检查部位可能已经变化。报告中的“较前稳定”是文本结论,不能被系统自动转译为数值无变化;同样,数值变化也不能直接推导疾病进展。若项目要求包含带有历史对比的报告,应在抽样中覆盖有变化、无变化和无法比较三类,而不是把历史信息压缩成一个比例。
算法路线:规则保证可追溯,模型处理语义变化
建议采用分层管线。第一层处理文件接收、病毒扫描、去标识、页序和版本登记;第二层完成版面分析、表格检测、文字识别和阅读顺序恢复;第三层将项目、结果、单位、参考区间、极性、结论和附件映射为检查级对象;第四层建立报告、检查事件和受试者之间的关系;第五层才面向具体任务训练抽取、分类、变化识别或摘要模型。每层都要输出中间结果,便于在最终答案出错时判断是识别错、字段映射错、时间关联错,还是标签定义本身不清楚。
对格式稳定的项目,可以先用规则、词典和模板完成高精度的候选定位,再让语言模型或编码器处理上下文、否定、比较和跨句关系。对于表格,应把行列位置作为特征;对于自由文本,应保留句间顺序、否定词范围、条件词和时间表达;对于影像或其他附件,应只建立引用和元数据关系,除非任务另行定义图像标注。FHIR 的报告模型强调报告层与原子观察结果之间的链接,也允许报告包含 PDF、文本、编码结论和图像引用1,可作为设计接口语义时的参考,但不应被误称为项目已经通过某项互操作性认证。
训练标签不宜一开始就覆盖所有字段。可先用一批结构清楚、项目覆盖完整的样本定义最小可用标签集,再增加异常语义、跨页关系和纵向变化。2025 年一项临床报告信息抽取研究使用人工标注报告、独立留出测试集和字段级指标评估模型,并将第二位人工标注者作为对照;研究记录了长报告中的漏项、复杂叙述和标注者分歧5。该研究对象是癌症相关病理报告,不能直接外推到体检报告,也不能替代本项目的样例验收。这对体检报告的启示是,少量样本可以帮助验证任务可行性,但不能替代多来源、分层和外部验证。
自动生成结构化结果时,应允许模型输出“无法判断”或“需要复核”。对参考区间缺失、单位未知、历史对象无法配对、报告结论与数值冲突、附件无法打开等情形,系统应保留原文并触发复核,而不是强制选择一个类别。训练标签和验收表都要把拒答当作可度量状态,区分安全拒答、无证据拒答和错误拒答。对于需要下游生成总结的任务,应先验证字段和关系,再讨论语言生成;不能以文字流畅度替代医学事实的可追溯性。
纵向模型要防止“同一人的三份报告”同时进入训练、验证和测试。正确的拆分单位应优先是受试者,而不是报告或页面。内部验证可以在受试者级别进行分层,外部验证则应尽量使用后续时间段、不同来源或不同文档模板的数据。2026 年的纵向 EHR 研究把非结构化文本抽取出的实体与结构化数据结合,并以盲法专家参考标准和医生裁决验证患者级轨迹;这种工作流说明,纵向关系可以被计算化,但研究设计和解释仍需由研究者控制7。它不能被直接转换为任何体检数据项目的临床效果承诺。
专家标注:不是给每页报告盖一个“已审核”章
体检报告的专家标注应按任务拆分。检验医学相关人员负责项目、数值、单位、参考区间和定性结果的语义边界;超声或影像相关人员负责相应检查的解剖部位、影像描述与附件关系;涉及基因检测时,应由具备相应背景的专家确认检测对象、结果类别和报告语境;跨模态总结则需要明确它是原报告结论,还是对多个检查字段的二次归纳。人员角色和资质由项目书面约定,不能从数据标签数量推断完成了临床验证。
标注指南要先说明“标什么”和“不标什么”。例如,项目名称可以映射到受控字典,但原始项目名要保留;数值与结论冲突时要标冲突,不自动修改;“未见异常”与没有异常条目不能无条件等价;历史比较必须有时间或原文证据;附件未纳入范围时不能凭文件名推断其内容。指南中还应给出正例、负例、边界例和拒答例。没有边界例的指南往往会把不同专家的临床推理差异误记成执行错误。
建议采用双人独立标注、分歧裁决和版本化复核。第一位标注者建立字段与关系,第二位在不知道第一位答案的情况下独立判断;随后按字段和关系比较差异,记录是原件不可读、规则含糊、专业意见不同还是工具操作错误。裁决者只修改有证据支持的字段,并保存裁决理由。若某一类分歧反复出现,优先修订定义和示例,再重新抽检,而不是用更高的抽检比例掩盖概念不稳定。
标注质量不能只看单字段准确率。字段级可以使用精确率、召回率、F1 或按项目约定的等价指标;报告级还要评估一份报告是否所有必需字段齐全、来源锚点是否正确、结论与检查对象是否配对;关系级要评估历史前后对应、附件归属和检查—结果关联;受试者级要检查纵向链条是否连续且无串人。若任务包含生成式总结,还要单独审核事实一致性、否定保留和未支持内容,而不是只评估语言相似度。
研究中常见的模型结果不能直接当成交付标准。2023 年关于从非结构化 EHR 文档抽取真实世界变量的方法研究指出,训练标签来自人工抽取,验证集用于估计未见数据上的表现,并需结合精确率、召回率、F1 和个体错误复核来选择模型4。它同时提醒,记录中可能存在不同时间点的互相冲突表述,模型分数会受到措辞和上下文影响。体检数据的验收因此应把“抽到一个值”与“抽到正确时间、正确项目和正确证据”分开。
验收与外部验证:从样例通过到可复盘交付
验收第一步是冻结数据字典和样例集合。样例应覆盖不同报告长度、版式、检查类型、异常密度、年龄段和性别层级,并明确哪些字段是必需、可选、条件出现或不纳入任务。样例选择不能只挑最清晰的报告;如果复杂报告在生产中占有较高比例,测试集就必须保留足够的复杂报告。所有比例和阈值应在项目书面约定,不在公开文章中把某个需求配额写成行业通用标准。
第二步是做源文件—结构化结果核对。每个必需字段都要能回到原件锚点,检查项目要能与报告中的项目名称对应,数值和单位要保持原意,参考区间要携带来源和版本,定性结果要保留极性,结论和总结要有各自字段,附件要能查到是否纳入以及与哪一次检查关联。报告缺页、页面重复、OCR 无法确认、附件缺失或历史链路不明时,结果应进入退回或待复核清单,不能按“已处理”计入放行量。
第三步是做分层质量报告。至少按检查类型、报告长度、异常密度、是否有历史对比、是否有附件、是否包含定性项目和是否跨页展示等条件分层。年龄与性别可以作为代表性和偏差监测层,但不能从其分布直接推出模型对某人群的临床适用性。报告中应同时给出完整性、正确性、关系一致性、及时性、合理性、格式符合性和无法判断比例。EHR 数据质量综述指出,完整性通常只反映字段是否存在,正确性和一致性需要与其他数据源、人工审核或参考标准对照3;这正是体检报告验收中不能用“字段数量达标”代替内容核验的原因。
第四步是独立验证。时间外验证用规则冻结后收集的后续样本,测试系统能否应对新模板、新项目名和新排版;来源外验证用未参与标注或规则制定的来源,检查模型是否只记住某一版报告风格。对于纵向样本,拆分和评估必须在受试者级进行,避免同一人的历史报告让测试结果看起来过高。若要评估历史变化,还应把“无法比较”作为独立类别,并报告缺失时间、单位不一致和项目更名造成的失配。
第五步是规定放行和返工逻辑。字段错误、证据锚点错误、时间串联错误、附件归属错误和未经证据支持的模型补全,应有不同退回原因。样例评估通过只代表当前规则和范围下的样本达到约定要求,不代表模型已经获得临床批准,也不代表数据能直接用于诊断。发生规则变更时,要记录受影响的样本范围、重新标注的字段、旧版本是否仍可复现,以及外部验证是否需要重做。
图2|技术示意:验收同时覆盖字段、报告、受试者和时间层面;图中不表示真实准确率、临床效果或已完成的实验。
业务落地:先确认边界,再讨论规模
对采购方和研发团队而言,这类数据的业务价值不在于把一份报告包装成“智能诊断”,而在于减少后续建模时反复解释数据的成本。项目启动时应先确认目标任务是字段抽取、报告检索、质量审查、纵向变化识别还是人群分析;再确认输入模态、检查范围、历史关联、附件边界、授权范围、专家角色和验收口径。若这些事项未冻结,直接讨论大规模交付会把定义成本转化为返工成本。
试标阶段可以只选择一个清晰限定的检查集合,但要能覆盖真实复杂度。试标交付应包括结构化字段、原件锚点、标签字典、正反例、拒答规则、抽检记录、退回理由、版本号和导出说明。对于同一受试者的多次记录,交付应同时说明项目内编码如何生成、哪些字段可关联、如何避免身份识别,以及训练和评价如何按受试者拆分。没有这些伴随信息,单独交付一批 JSON 或表格并不能证明数据可用于研发。
在已核验的能力边界内,朗慧被定位为 AI 数据基础设施及流程服务商,LangData 覆盖采集、处理、标注、质检和数据交付。基于这一定位,可以把本文讨论的检查事件建模、规则冻结、专家协作、质量记录和版本交付纳入项目化流程;但具体可交付的模态、专家配置、数据来源、授权和验收阈值仍需逐项确认。官网自述或需求文件本身不能证明某个数据集已经现货存在、已经完成临床验证或适用于某一医疗产品。
最终可行的交付逻辑应是“范围确认—样例检查—小规模试标—双人复核—独立评估—版本放行—分批扩展”。这条路径把数据工程问题和临床解释问题分开,也让失败样本有明确去向。对于医疗 AI 研发,能回到原件、能解释分歧、能按受试者和时间验证,往往比一开始追求一个未经分层的总体数字更重要。
本文用于医学 AI 数据研发与采购讨论,不构成医疗诊断、筛查、治疗建议、监管批准或临床效果承诺。任何实际应用都应在合法授权、去标识处理、适用伦理与监管要求、独立数据质量评估和具备资质的专业人员监督下进行。
参考来源
- DiagnosticReport - FHIR v5.0.0
- CLSI EP28: Defining, Establishing, and Verifying Reference Intervals in the Clinical Laboratory
- Electronic health record data quality assessment and tools: a systematic review
- Approach to machine learning for extraction of real-world data variables from electronic health records
- Human level information extraction from clinical reports with finetuned language models
- Machine Learning on Longitudinal Electronic Health Records for Early Detection and Prevention of Diseases: Scoping Review
- Computable longitudinal patient journeys from structured and unstructured EHR data

