跳至正文
朗慧科技

MEDICAL DATA RESEARCH

乳腺MRI数据建设:从原始序列到可验收的多模态证据链

本文从乳腺MRI的Study边界、DCE多期相与DWI/ADC原始序列出发,讨论报告、BI-RADS、病理和随访证据如何分层组织,并给出治疗后纵向配对、脱敏、患者级划分、偏差分析与专项验收的可复核路径。

MRI与三维结构AI辅助整理 · 研发交流

乳腺MRI项目最容易被低估的环节,不是把影像文件放进存储,而是确认一次检查究竟包含哪些可解释的序列、这些序列能否与报告和临床证据稳定对应,以及最后的标签能否被另一位研究者复核。若把动态增强的多个期相当成多例,把影像提示的可疑病灶直接写成病理真值,或在脱敏后破坏了Study、Series与报告之间的关系,数据看似规模很大,却不能可靠支撑分割、检出、报告结构化或治疗反应研究。乳腺MRI数据的建设因此应从“病例数量”转向“检查对象、证据来源和验收闭环”的共同设计。

先把临床问题拆成可交付对象

乳腺MRI可服务于筛查、病灶检出与表征、局部范围评估、腋窝和内乳淋巴结观察、术前分期,以及新辅助治疗或术后状态的比较。不同任务需要的输入并不相同。一个只做报告级分类的研究,可能需要可读的双侧检查、主要序列、正式报告和BI-RADS语义;一个做病灶分割或增强动力学分析的研究,还需要原始DICOM、空间几何、动态期相、减影关系、DWI/ADC和可回溯的病灶级标注;治疗后评估则必须记录检查是在治疗前、治疗中还是治疗后,比较对象是哪一次检查,不能用时间相近的两次影像替代有明确临床语境的纵向配对。

乳腺MRI数据库构建专家共识指出,多中心、大样本和标准化数据库是开发乳腺MRI人工智能模型的重要基础,并将数据管理、质量控制、安全隐私和可复用性放在同一框架内讨论。1 这对数据采购的启示是,交付范围应先写清临床任务和证据链,再决定字段和格式,而不是先承诺一个不带适用边界的总量。疾病导向队列、筛查或正常对照、植入物完整性检查、治疗后改变和疑似病例应分组保存。明确阳性、阴性、疑似、不能除外、治疗后改变和无法评价不能被压缩为一个“异常”字段,否则后续模型的目标定义会与原始临床语义脱节。

输入的最小单位建议设为一次乳腺MRI检查或Study。Study之下保留Series和Instance层级,动态增强检查中的平扫、各期增强、减影、MIP以及重建对象不拆成多例。索引应同时记录匿名患者标识、匿名检查标识、检查日期的受控表示、检查目的、双侧覆盖情况、侧别、腋窝是否在视野内、植入物协议状态和报告关联。这样既能按Study去重,又能在需要时追溯到具体序列。对同一患者的多次检查,应保留检查间相对顺序和比较对象;对没有稳定来源证据的关联,应明确标为未知,而不是从文件名或相邻目录推断。

原始DICOM交付的价值不只在像素。磁场强度、线圈、设备厂商和型号、软件版本、序列名称、TR、TE、TI、层厚、b值、对比剂与动态期相等信息,会影响强度分布、空间定位和下游特征的可比性。ACR的乳腺对比增强MRI实践参数将患者准备、检查规格、设备、记录、人员和质量改进分别列为检查实施的重要部分。2 数据工程上应把“实际文件中的参数”和“项目期望的标准名称”并列保存,标准化名称不能覆盖原始值;缺失、未做、不适用和未知也应有独立编码。

结构化文本需要与图像逐例配对。检查所见、诊断结论或印象、主要诊断、细分标签、否定语义、不确定语义、报告状态和比较检查都应尽量保留。BI-RADS类别、版本和原始措辞可作为影像语义字段,但影像判断不等同于病理良恶性。侧别、象限或钟点、病灶类型、背景实质强化、动态强化曲线原值、DWI/ADC表现、腋窝淋巴结和病理或分子分型应分层记录,并在每个字段旁标记来自报告、病理、手术、随访还是专家复核。研究标签可以由规则派生,但不能静默替换原始报告。

乳腺MRI从原始检查到研究对象的数据链查看完整技术图(可放大)

图1 乳腺MRI数据从Study边界、原始序列到报告语义和研究交付的技术示意;不含真实患者影像,不表示已完成的临床数据交付或诊断结果。

多模态关联要保留证据等级

乳腺MRI往往需要与超声、钼靶、病理、治疗和随访相互参照,但“有多个模态”不等于“已经建立像素级对应”。在数据结构中,应至少区分患者级、检查级、病灶级和像素级关系。患者级关系只能说明对象属于同一匿名患者;检查级关系可说明某次MRI与某次超声或病理检查在时间或来源上相关;病灶级关系还需要侧别、位置、时间和临床记录共同支持;像素级关系则要求明确的空间配准、标注对象和验证记录。没有这些证据时,跨模态字段应保留为关联线索或未知状态,不应包装为病理确证标注。

公开数据集可以帮助理解这种分层。TCIA的Duke-Breast-Cancer-MRI集合包含DICOM影像、病灶框、临床、病理、治疗、随访和影像技术字段,但它明确说明这是单中心、回顾性、经活检证实的侵袭性乳腺癌队列,且去标识过程中某个Frame of Reference UID被替换为可能不可靠的占位值。5 这个例子说明,即使数据集有丰富的表格和标注,也必须逐项阅读其纳入人群、空间关系、版本和已知缺陷,不能把公开数据集的字段直接当作所有项目的通用模板。

NCI Imaging Data Commons将影像、标注、分割、定量测量和临床数据以DICOM及相关数据结构组织,并提供按元数据构建队列的方式。6 对自建数据而言,可借鉴的是对象化和可追溯的组织原则,而不是声称接入某个公共资源。数据字典应说明每个字段的定义、单位、来源、允许值、缺失编码和版本;文件清单应记录相对路径、对象层级、文件大小、格式、原始或派生状态、转换工具版本及完整性摘要。这样研究人员才能判断一个数值是原始采集参数、人工观察、规则映射还是模型派生结果。

把算法路线建立在序列质量之上

乳腺MRI算法路线不宜从某个网络名称开始,而应从检查是否满足任务条件开始。第一层是入库门控:验证Study、Series和Instance是否可读取,序列是否与索引一致,空间方向、层间距、层厚和期相顺序是否自洽,是否存在重复导出、错序、缺层或关键序列缺失。第二层是任务适配:对检测和分割,确认目标解剖结构和病灶是否完整进入视野;对报告结构化,确认报告状态和比较检查是否可用;对治疗反应研究,确认基线与后续检查的时间语义和治疗阶段可追溯。

动态增强数据可将平扫、首期增强、后续增强和减影作为有关系的输入通道,而不是无序堆叠。减影必须能够回溯到参与计算的原始期相,动态曲线应保留采样时间、单位和生成方法。DWI与ADC可作为独立序列或派生图进入数据字典,必须标记b值、是否原始或派生以及不可用原因。MIP适合辅助展示或项目约定的派生任务,但不能替代原始序列。植入物检查和肿瘤筛查也应按协议和目的分开,不要把不同任务的数据混进同一个分类标签。

预处理需要区分“为了算法可用而做的变换”和“对原始证据的修改”。常见的方向统一、体素重采样、偏置场校正、强度截断和归一化,可以生成派生版本,但必须保留原始文件、处理脚本或参数、软件版本及前后对象关系。2025年的MAMA-MIA多中心DCE-MRI研究在整合不同来源时,记录了数据筛选、专家质量控制、DICOM头信息抽取、命名结构和方向统一,并指出轴位与矢状位来自不同中心的真实采集协议。4 这类做法的重点不是追求所有影像外观一致,而是让研究者知道哪些差异被保留、哪些差异被处理,以及处理是否可能改变测量含义。

模型任务可按粒度拆分。检查级任务输出是否存在目标征象或分层标签;病灶级任务输出病灶位置、类别和与检查的关系;像素级任务输出体素掩膜或三维边界;文本任务输出报告实体、属性、否定和不确定性;纵向任务输出基线与后续检查的对应关系及时间条件。对“乳腺癌”这一标签,应区分影像怀疑、病理证实、治疗后残余倾向和随访结局。病理或随访可作为某些终点的证据,但不能因为模型输入包含病理字段,就把影像标签重新解释为病理真值。

在建模阶段,可以先建立只用影像的基线,再评估加入报告、临床背景或病理信息后的增益。多模态模型需要防止标签泄漏,例如将术后病理、治疗反应或结局日期不加时间约束地输入基线预测。报告中的“已知乳腺癌”、治疗记录或病理结论也可能让模型绕过影像任务本身。合理的方案应预先定义预测时点、可用信息窗口和不可用字段,并在分层实验中报告缺失模态时的表现,而不是只给出完整病例的结果。

标注主体与争议应进入数据产品

乳腺MRI的标签不是一个人一次阅片的副产品。影像级和病灶级字段需要先定义边界:肿块型病灶与非肿块强化如何区分,背景实质强化何时不能被当作病灶,腋窝或内乳淋巴结按什么解剖分区记录,治疗后瘢痕、血肿、脂肪坏死、放疗改变和残余或复发倾向如何分别编码。对于纤维腺瘤、囊肿、导管病变、炎症或脓肿、植入物异常及高危筛查阴性等场景,应允许“未做”“不可得”“不确定”和“无法评价”存在。

可执行的流程通常包括规则试标、具备相应专业背景的初标、独立复核、分歧复议和版本冻结。初标与复核者应尽量避免直接看到对方的完整结论;遇到视野不足、序列缺失、病灶范围不清或报告与影像不一致时,应保留争议状态及理由。需要病理或随访支持的字段,应由具备相应资格的医学专家确认来源,而不是由数据工程人员依据词语相似度自动补齐。每次修改应记录修改人角色、时间、规则版本、修改前后值和原因。

质量抽检不应只看标签是否填写。对分割任务,要检查轮廓是否越过可见边界、是否漏掉多灶或多中心病灶、是否把背景强化纳入目标;对报告任务,要检查否定和不确定语义有没有被丢失;对纵向任务,要检查同一患者不同时间点是否被错配;对多模态任务,要检查影像BI-RADS与病理良恶性是否被错误合并。质量基准样本应独立于常规交付清单,并包含核心场景和难例。抽检发现的缺陷要回到规则、培训或来源处理环节,形成问题单、整改版本和复验记录。

质量、偏差与外部验证要一起设计

乳腺MRI数据的偏差常常藏在技术字段中。设备厂商、场强、线圈、软件版本、平面方向、层厚、分辨率、对比剂和注射时序可能与中心、年份、人群和病种发生混杂。若阳性病例主要来自某类设备,模型可能学习设备或协议差异而不是病灶。若队列只保留经活检证实的癌症病例,模型在筛查阴性、良性病变和疑似场景上的适用范围就不能由内部测试结果推出。治疗后影像还会受治疗阶段、术式、放疗和比较时间点影响。

因此,索引中应保留能够解释分布的字段,质量报告中应分别统计来源中心、设备和协议、检查年份、年龄段、性别、筛查或诊疗目的、病理或随访证据及缺失情况。数据划分优先按患者进行,纵向检查和跨模态对象不能跨越训练、验证和测试集合。若目标是评估跨中心泛化,应把未参与开发的中心或时间段作为独立测试,而不是随机从同一中心切一部分样本。任何数据增强、重采样或派生标签,都不能让同一病灶的变体进入不同集合。

评价方案要与任务粒度匹配。分类任务可报告敏感度、特异度、受试者工作特征曲线下面积、精确率和校准;检测任务应说明病灶级匹配规则和每例允许的假阳性;分割任务应说明体素或表面指标、病灶大小分层和无法评价样本的处理;报告抽取任务应分别评价实体、属性、否定和时间关系。评价指标应在数据冻结前定义,置信区间、缺失模态、设备亚组和外部验证结果应与总体结果并列。研究性能只能说明模型在特定数据和流程中的表现,不能直接等同于临床效果、诊断获益或监管批准。

乳腺MRI模型数据的质量—验证闭环查看完整技术图(可放大)

图2 从入库门控、医学标注、患者级划分到外部验证的质量闭环技术示意;不表示真实实验结果或临床诊断性能。

MAMA-MIA研究还展示了一个值得重视的事实:专家对自动分割结果的中间质量类别存在一致性差异,简化为“需要修正”与“可接受”的二元质控后,一致性有所改善,但这仍是该研究数据和评估设计中的观察,不能被转成任何项目的固定准确率承诺。4 对数据采购方而言,更重要的是预先规定质量状态的含义、谁有权改标签、什么情况必须升级复核,以及不合格对象是否剔除、降档或保留为研究中的困难样本。

把验收写成可复核的交付逻辑

乳腺MRI数据的验收应同时覆盖对象、文件、语义和证据。对象层面,要按Study主键去重,核对同一患者的跨时间和跨模态分组,确认多序列、多期相和多重建没有重复计数。文件层面,要全量检查可读取性、路径、格式、层级、方向、空间几何、关键参数、原始或派生标记和完整性摘要。语义层面,要抽查报告与影像的逐例配对,确认主要诊断、否定和不确定语义未被改变。证据层面,要核对病理、治疗和随访关系有来源记录,不把影像提示冒充确诊。

交付包应包括逐例索引、数据字典、文件清单、分布统计、协议和设备统计、核心条目覆盖说明、缺失与异常报告、专家抽检记录、问题整改和版本记录。每批更正应形成新版本或差异包,记录受影响的对象和回滚关系,不能静默覆盖已交付文件。对研究团队而言,真正可用的不是一份“全量通过”的口号,而是可以回答以下问题的材料:这条标签来自哪里?这次检查有哪些序列?这个病灶是否有病理或随访支持?一个缺失值代表未做、未知还是未找到?模型训练和外部评价使用的到底是哪一版数据?

源技术规格若同时包含交付量、机构构成、阳性比例或质量档次,这些属于项目约定,不能被公开稿改写成公司的现货规模、合作关系或已完成成果。对读者更有用的专业拆解是:将肿块型病灶、非肿块强化、腋窝或内乳淋巴结、治疗后改变、植入物异常和高危筛查阴性等场景分组;把影像提示、病理证实、随访支持和未知证据分开编码;并把明确阴性、疑似、不确定、未做、不可得和无法评价分别统计。只有在来源授权、字段字典和书面验收规则同时支持时,才应把某项跨模态或病灶级关系纳入交付范围。

如果一批数据缺少某一序列、正式报告、病理或随访,不应从其他患者拼接,也不应根据文件名或词语相似度补造。更稳妥的处置是记录缺失原因、降低适用范围或质量档次,并在问题单、整改复验和版本差异中保留影响对象。这样,数据采购方看到的不只是“是否合格”,还包括哪些研究问题可以回答、哪些终点仍需独立来源和外部验证。

去标识化也应被当成可审计的技术过程。DICOM PS3.15明确说明,属性保密配置文件不能保证信息对象已经完全去标识化,仍需结合使用场景、接收方、法规和再识别风险评估;同时要关注私有属性、像素内烧录文字、图形层以及多个相关对象之间的UID和引用一致性。3 因而,项目验收不能只看Patient Name是否为空,还应检查自由文本、文件名、像素文字、私有标签、日期处理、Study/Series/Instance关系和必要的时间顺序。合法来源、伦理或其他处理基础、使用范围和访问控制需要由项目参与方按适用法律和书面材料确认,不能由“已脱敏”三个字替代。

从研究需求到可实施的业务协作

乳腺MRI数据建设的业务价值,来自把临床问题转换成可执行的数据规格。研究团队先定义任务、预测时点、最小输入和评价对象;医学专家定义标签边界、证据等级、疑难病例和复核权限;数据工程人员负责索引、转换、关联、质检和版本;算法团队验证样例能否在目标工具中打开,并检查方向、体素间距和标签坐标是否一致。各方共同冻结规则后再扩大队列,能减少后期因标签口径变化而返工,也能让外部验证的样本范围和限制更清楚。

按照已核验的公司范围,朗慧科技的定位是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;医疗栏目提供按部位、模态和任务组织的目录与样例评估入口。这里表达的是已核验的服务定位,不是某个具体乳腺MRI项目已有现货、固定库存、临床性能或独立认证。实际项目仍应以授权、数据字典、样例检查、试标、质量记录、版本和书面交付边界为准。对于需要原始MRI、结构化报告、专家标注、跨模态关联或外部验证的团队,先把差异化要求写进任务规格,再决定哪些工作由平台、数据工程和医学审核分别承担,更符合研究可复现和业务验收的逻辑。

乳腺MRI数据可以支撑病灶检出、分割、报告结构化、风险分层、治疗反应研究和影像组学等多类研发,但数据集本身不是诊疗系统。任何模型进入真实临床流程,都需要独立的临床研究、适用人群评估、外部验证、风险管理和监管路径判断。把原始序列、报告语义、病理证据、专家争议、缺失状态和版本记录一起交付,才能让模型开发者知道数据能回答什么,也知道哪些问题仍然不能由数据替代。

参考来源

  1. 乳腺MRI数据库构建及质量控制专家共识
  2. ACR Practice Parameter for the Performance of Contrast-Enhanced Magnetic Resonance Imaging of the Breast
  3. DICOM PS3.15 Attribute Confidentiality Profiles
  4. A large-scale multicenter breast cancer DCE-MRI benchmark dataset with expert segmentations
  5. Duke-Breast-Cancer-MRI
  6. NCI Imaging Data Commons