跳至正文
朗慧科技

MEDICAL DATA RESEARCH

颞骨CT数据建设:把高分辨率影像变成可核对的多模态研究对象

面向医疗AI研发与数据采购读者,解析颞骨高分辨率CT的Study去重、DICOM几何、侧别与证据分层、标注复核、外部验证及可追溯验收,区分研究数据建设与临床诊疗边界。

CT与血管影像AI辅助整理 · 研发交流

一份颞骨CT检查能否直接成为医学人工智能的训练样本?通常不能。研究者还需要知道它覆盖了哪一侧和哪些解剖结构,原始层序、空间几何与重建信息是否完整,报告中的“考虑”“不能除外”有没有被误写成确诊,以及同一患者的双侧耳、复查和跨模态资料是否在数据划分时被拆散。颞骨的外耳、中耳、乳突、内耳骨迷路、内听道和面神经骨管彼此紧邻,目标结构很小,方向关系又是三维的;数据建设的难点因此不是把文件集中到一个目录,而是让每一个影像对象、标签和证据都能回到原始来源。

颞骨CT研究数据适合从“检查—结构—证据”三个层面重新定义。CT可以支持骨性解剖、炎症或骨破坏征象、骨折、听小骨异常、内耳畸形、术后改变等任务,但不能仅凭CT推断听力功能,也不能把影像提示直接升级为病理确诊。ACR–ASNR–SPR的头颈CT实践参数将先天异常、炎症、肿瘤和创伤等列为颞骨CT的相关适应证,同时把检查技术、记录和质量控制作为检查的一部分,而不是数据交付之后才补写的说明。1 对研发团队而言,这意味着数据字典、证据层级和验收口径必须与影像一起设计。

颞骨CT研究数据从Study到证据链的技术关系示意查看完整技术图(可放大)

图1 颞骨CT研究数据的对象与证据链技术示意;不含真实患者影像,不表示已完成实验或临床诊断。

先把临床问题拆成可验收的任务

源需求的主线是颞骨高分辨率CT的统一交付与研究使用。它要求以一次CT检查或Study作为主要计数和关联单位,同一次检查内的多序列、多期相、多重建和多视图不能被拆成多个样本。这个粒度选择很重要:如果把每一组重建图像都当成独立病例,模型可能学习到同一检查的重复信息;如果只留下截图,又会丢失层级关系、HU转换、空间方向和重建参数。公共文章不复述具体采购数量、来源集中度或结算档位,但这些被脱敏后仍然成立的原则应保留为通用验收规则:先定义主键,再定义可计数对象,最后说明派生文件如何回指原始Study。

输入模态至少包括脱敏的原始DICOM和逐例关联的结构化报告。DICOM需要保留Study、Series和Instance层级,像素数据、空间几何、层厚、重建核、期相、检查范围和设备信息也应作为数据质量的一部分。颞骨任务通常需要轴位源图像以及冠状位、斜矢状位等重建视图;软组织重建是否存在,应按实际检查记录,而不能由“颞骨CT”这个检查名称推断。每个解剖范围都要按实际FOV记录,左耳、右耳和双侧不能混为一个无侧别标签。覆盖不完整时,只能说明该结构未进入可评价范围,不能据此形成范围外的阴性结论。

输出标签应分层。第一层是检查或报告级标签,如中耳炎或乳突炎、胆脂瘤影像表现、听小骨链异常、耳硬化症、颞骨骨折、内耳先天畸形、面神经管异常、颞骨肿瘤或骨破坏、岩尖病变和术后改变。第二层是侧别与亚区,例如外耳道、中耳、乳突、耳蜗、前庭、半规管、内听道或面神经管。第三层是语义状态,包括明确阳性、明确阴性、疑似、考虑、不能除外、治疗后改变、无法评价和未知。第四层是证据来源,区分影像报告、影像复核、听力学、耳内镜、MRI、手术、病理和随访。一个标签若没有写明“来自哪里、对应哪一侧、何时形成”,就难以用于后续敏感性分析或错误追溯。

若项目另外需要病灶检测、解剖结构分割或三维Mask,必须在需求中单独写明对象和颗粒度。检查级标签不等于像素级真值,患者级的MRI或手术关联也不等于与CT已经完成空间配准。对研发团队来说,最稳妥的设计是把“报告级疾病标签”“结构级标注”“病灶级ROI/VOI”和“证据级索引”作为不同表或不同对象管理,使用稳定的匿名患者ID、检查ID、侧别和版本号建立受控关联,而不是把所有字段压成一张标签表。

高分辨率不是一个数字,而是一组可核对的成像条件

颞骨的细小骨性结构对层厚、矩阵、视野、重建核、噪声和观察平面都敏感。Pham等对尸体颞骨标本比较了常规、高分辨率、超高分辨率和极高分辨率重建,研究显示更高空间分辨率有助于观察部分细小骨性结构,但噪声也会随分辨率提高而增加;该研究是离体标本的协议比较,不能直接转化为某个临床队列的固定最佳参数。2 因此,数据采购或研究入组不宜只写“高分辨率”,而应把实际层厚、矩阵、像素间距、视野、管电压、重建核、设备型号和视图写入字段,并允许未知值被显式记录。

协议字段还要和文件本身交叉核验。检查名称可以帮助初筛,却不能替代对实际覆盖范围、层序和原始元数据的检查。对同一Study内的源图像和重建图像,应保留来源关系和原始/派生状态;从DICOM转换到NIfTI或其他研究格式时,要同步记录转换工具、版本、方向约定和校验信息。这样既便于算法读取,也便于在模型出现左右侧错位、体素间距异常或重建方向不一致时,追查问题发生在采集、导出还是转换阶段。

跨模态资料应被视为不同强度的证据,而不是简单的“更多字段”。听力学能描述功能结果,但不能由CT单独推导;耳内镜可能提供外耳道或鼓膜相关信息;MRI,特别是某些序列,可对胆脂瘤倾向与其他软组织进行补充;手术和病理可提供更高层级的术中或组织学依据。关联表中应保留来源日期、检查或标本ID、关联方式和授权范围。若只做到患者级或检查级关联,就应如实称为患者级或检查级关联,不能在文章、数据卡或模型说明中表述为病灶级或像素级证实。

疾病标签需要证据分层和不确定性编码

颞骨疾病和征象的临床语义并不等价。以胆脂瘤为例,CT可以帮助评价软组织、盾板或听小骨侵蚀等骨性表现,但不能在所有情形下区分胆脂瘤与肉芽组织;MRI扩散加权成像或手术资料可以作为更高阶的补充证据。颞骨肿瘤的组织学类型也不能从CT标签直接推出,需要把影像表现、临床诊断和病理来源分开。骨折还要保留原始报告中的走向、受累结构和并发征象,不宜把“考虑骨折”和“明确骨折”放在同一类别中。

一个可复用的标签字典,至少应同时保存原始表述、归一化类别、侧别、目标亚区、证据类型、证据日期、复核状态和版本号。对“未做检查”“未提供资料”“结构不在FOV”“影像质量不足”“报告明确阴性”这几种情况,建议使用不同编码。否则模型会把“没有病理”当成“病理阴性”,把“未见记录”当成“无病变”,或者把术后腔误学成疾病本身。对罕见征象,不能为了填满类别而从其他患者拼接证据,也不能把自然分布不足通过不透明的标签改写来解决;更合适的做法是记录检索范围、实际覆盖和不确定性。

术后数据尤其需要独立的状态字段。乳突根治、听骨重建、人工耳蜗植入以及其他术后改变会改变正常解剖关系和影像外观。术式、植入物和手术时间若有合法可用的来源,应与影像标签分开存储;没有可靠依据时,标注人员不应通过影像猜测具体术式。术后病例既不能被简单排除,也不能和未手术病例混成同一个无条件适用的标签空间。它们可以被设计为独立亚组,用于评估模型在解剖改变、金属伪影和复查场景中的稳定性。

从结构化数据到算法路线:先保证可解释的输入

任务定义应决定算法路线。若目标是报告级多标签分类,输入可以是标准化后的CT序列、侧别和结构化文本,输出则应保留多标签与不确定状态;若目标是听小骨、耳蜗或半规管等结构分割,必须先取得与体素几何一致的人工Mask,并明确边界、不可见和部分容积的处理规则;若目标是检测骨折线、骨侵蚀或术后腔,则需要规定病灶或征象的最小对象、位置和可评价范围。不能用分类准确率验收分割,也不能用一张最好看的三维重建图替代完整序列质量检查。

预处理应优先保护医学含义。对CT数据可以进行窗位窗宽显示、重采样和强度标准化,但这些处理需要保留原始参数、空间方向和体素间距。训练数据可使用二维切片、三维块或多平面输入,但切片级随机划分会让同一患者、同一耳侧或同一Study的高度相关图像同时出现在训练集和测试集。更稳妥的划分单位是患者,双侧耳、所有时间点、跨模态数据以及由同一检查派生的文件都应进入同一分组,并记录随机种子、纳排版本和最终队列快照。

近年的颞骨CT研究展示了不同的数据颗粒度。Ke等建立了包含成人和儿童颞骨CT、覆盖11个关键结构的标注数据集,并由耳科外科医生和资深专家参与人工分割,使用Dice系数和平均对称表面距离评价自动分割。3 Lim等的多中心研究先用多中心正常CT开发内耳分割模型,再用含异常病例的资料进行扩展,并设置独立中心的外部测试;其标注流程包含初级阅片者和专家复核,输入同时涉及DICOM与转换后的研究格式。4 这些工作说明,结构数量、年龄层、设备来源、人工角色和外部验证都应写进研究设计,而不是把“有Mask”当成完整的数据说明。

另一项内耳畸形研究使用颞骨CT、耳蜗手工标注和放射组学与迁移学习特征融合,报告了内部测试集上的区分结果,但样本来自回顾性单中心队列,并排除了图像质量差、重复检查、术后和其他中耳内耳病变。5 这类研究结果可以帮助设计数据字典和候选基线,却不能被当作公司项目的临床效果,也不能说明模型在不同设备、中心、年龄和疾病构成下同样有效。对颞骨这类小结构任务,模型效果更应按结构、侧别、年龄、设备、协议和质量档分层,而不是只报告一个总体数字。

如果任务是分割,Dice可以反映体素重叠,表面距离可以补充边界偏差;如果任务是分类,敏感度、特异度、阳性预测值、阴性预测值、校准和不确定性分析应结合纳入比例解释;如果任务是报告结构化,字段级一致性、缺失模式和证据来源准确性更直接。指标应在试标和方案冻结时预先确定,明确参考标注、计算实现、抽样单位和处理不可评价病例的规则。内部测试结果只能说明在已冻结数据和流程中的研究表现,不能自动等价于临床效果或监管结论。

专家标注不是“看过一遍”,而是有角色和版本的过程

颞骨标注通常需要影像科、耳科或经过任务培训的专业人员共同参与。初标人员负责按字典完成侧别、解剖区、疾病或征象及证据来源;复核人员应独立检查报告关联、空间对象、层序和不确定语义;对胆脂瘤倾向、细小骨性征象、术后改变等争议,应指定仲裁角色并保留原始判断、分歧点、依据和最终决定。是否采用单盲或多盲、哪些信息对复核者可见、哪些样本进入重复标注,都应在项目方案中写清楚。

对像素级对象,边界协议要比工具名称更重要。耳蜗、前庭、半规管、听小骨和面神经管在不同层面上的显示条件不同;低分辨率、金属伪影、部分容积或结构短暂不可见时,应允许“无法可靠评价”或“局部不可见”,而不是用插值制造连续边界。自动或半自动分割只能作为草稿,未完成专家复核和争议关闭前,不应进入训练金标准。修订后的Mask要能回到标注规范版本、人员角色和审核时间,避免后续特征提取使用了无法解释的轮廓。

脱敏也需要专业复核。DICOM PS3.15明确指出,属性保密配置文件的使用并不保证所有可识别信息都被移除,也不能替代完整的去标识化流程;需要同时关注属性、UID关系、序列和像素内烧录文字。6 颞骨CT若含重建图、截图或辅助标记,还要检查像素和图形层面是否携带身份信息。Macdonald等对多模态DICOM去标识流程的研究显示,批量处理可以覆盖头信息与像素内文字,但二次捕获图像的筛查、保守过滤、OCR和人工复核仍需结合场景设计。7 因而,数据交付不能只提交“已脱敏”的一句说明,还应给出去标识方法、工具版本、UID重映射范围、像素检查、异常处置和抽检记录。

验收要围绕失败模式,而不是围绕宣传清单

颞骨CT数据的验收可以从四条线展开。第一条是原始性和可读性:DICOM是否可解码,Study、Series、Instance关系是否稳定,源图像和重建是否能被正确读取,空间方向、层厚、像素间距和设备协议是否与索引一致。第二条是图文一致性:报告是否逐例关联,阴性、不确定、比较检查和术后语义有没有被改变,标签是否能回到对应侧别和亚区。第三条是医学质量:疾病与征象是否按字典分层,跨模态关联是否标出证据强度,抽检人员是否能独立复核,争议是否形成闭环。第四条是研究可用性:患者级划分是否冻结,派生文件是否能回指原始检查,导出样例能否被目标训练工具打开并保持几何对齐。

交付清单应以Study去重,并同时给出实际覆盖范围、阳性/阴性/不确定状态、设备和协议分布、年份与人群分布、缺失语义、原始与派生文件关系以及问题处置。多中心或多设备数据不应只报“中心数”,还要检查单一来源是否过度集中,设备代际和协议差异是否被记录。对高价值少见病种,重点是证据可核查和自然分布说明,而不是用不透明的方式凑齐数量。独立抽检样本要能与常规交付清单区分,并记录阅片者、版本和复验结果。

如果项目采用分档交付,档位也应是数据内容和可复核条件的说明,而不是宣传标签。例如,基础档可以只要求可读取的原始影像与正式报告;更高档位再逐步加入结构化报告、设备与协议元数据、核心标签、完整序列或纵向关联,以及经授权的其他模态。每个Study应按实际达到的一个档位记录,不能用重复计数或把不同计数域机械相加来抬高档位;高档数据也不自动等于像素级标注、病理确证或临床可用性。档位定义、证据门槛和缺失处置应在项目方案中冻结,并随数据字典、manifest和质量报告交付。

整改不能通过静默覆盖完成。解码失败、错患者或错报告关联、脱敏泄漏、重复导出、公开数据混入和未经证据支持的确诊标签,都应形成问题单,标记影响对象和责任版本;修复后重新运行自动检查,并按风险进行医学复抽。数据字典、manifest、哈希、转换日志、质量报告和已知限制应与数据包一起交付。这样做的价值不在于让数据看起来“更整齐”,而在于让算法团队能够知道哪些对象可以训练、哪些对象只能用于探索、哪些对象需要排除以及排除的原因。

颞骨CT数据建设的质量控制与独立验收闭环技术示意查看完整技术图(可放大)

图2 从协议核验到整改复验的颞骨CT质量闭环技术示意;不含真实患者影像,不表示固定准确率或统一验收阈值。

研发价值与能力边界

把颞骨CT建设成可复核的数据资产,研发价值不只在于增加样本量。结构化的Study级索引可以减少重复计数和数据泄漏;侧别、亚区与证据字段可以支持多标签、分层和敏感性分析;保留原始几何和转换记录,能够让算法结果回溯到真实输入;外部中心、设备和术后亚组则能把“模型能否泛化”转化为可执行的研究问题。对于耳科影像,数据结构本身就是模型研究的一部分。

根据已核验的公司能力边界,朗慧定位为AI数据基础设施及流程服务商,自研LangData平台覆盖采集、处理、标注、质检和数据交付,并提供按部位、模态和任务进行的医疗数据目录与样例评估入口。上述定位支持需求梳理、字段治理、标注流程、质量记录和项目化交付的讨论,但不证明已有颞骨CT现货、特定中心病例、固定专家配置或完成某项临床研究。具体数据范围、人员资质、处理地点、授权条件、周期和交付指标,都需要在脱敏样例评估与项目书面确认后确定。

颞骨CT研究数据不是诊疗系统,也不构成对患者的诊断、筛查、治疗或听力判断。任何模型进入临床工作流前,都需要在适用人群、设备协议、证据来源、外部中心、伦理与合规条件下独立验证。对数据建设方和研发方而言,较可靠的起点不是承诺一个统一分数,而是先把对象、证据、边界、版本和失败模式写清楚,再用可复核的样例和独立抽检检验每一层是否真正成立。

参考来源

  1. ACR–ASNR–SPR Practice Parameter for the Performance of Computed Tomography (CT) of the Extracranial Head and Neck
  2. High-Resolution CT Imaging of the Temporal Bone: A Cadaveric Specimen Study
  3. Deep learning-based approach for the automatic segmentation of adult and pediatric temporal bone computed tomography images
  4. Training and validation of a deep learning U-net architecture general model for automated segmentation of inner ear from CT
  5. Deep transfer learning radiomics model based on temporal bone CT for assisting in the diagnosis of inner ear malformations
  6. DICOM PS3.15 2026d: Attribute Confidentiality Profiles
  7. A Method for Efficient De-identification of DICOM Images