跳至正文
朗慧科技

MEDICAL DATA RESEARCH

咽喉 MRI 数据如何按 Study 计数并形成可验收证据链

面向医疗AI研发与数据采购,解析咽喉MRI如何以Study为计数单元,保留DICOM层级、协议元数据、报告不确定性及内镜病理等证据关联,并将脱敏、分层质控、患者级划分和外部验证写成可复验的交付条件。

MRI与三维结构AI辅助整理 · 研发交流

当研究团队要训练一个咽喉影像模型时,最先需要回答的往往不是“准备多少张图片”,而是:一项 MRI 检查究竟如何计数?每个序列是否仍保留原始空间和采集语境?报告里的“考虑”“不能除外”和“治疗后改变”能否与明确阳性放在同一列?声带活动、病理亚型或淋巴结性质又由哪一种证据支持?如果这些问题没有在数据进入算法前写成可执行规则,后续的标注、建模和验收都会把不同含义的对象混在一起。

咽喉 MRI 数据建设的难点,正是把临床任务、影像协议、结构化文本和跨模态证据放到同一条可追溯链路中。本文讨论一种面向研究和数据采购的项目化方法:以 MRI 检查或 Study 作为基础计数单元,向下连接 Series 与 Instance,向上连接报告和匿名患者时间线;以鼻咽、口咽、下咽和喉的实际覆盖范围组织标签;把内镜、病理、增强 CT、手术和放疗信息作为有来源的关联,而不是把它们伪装成 MRI 的像素级真值。文章不提供个体诊断或治疗意见,文中涉及的数量、比例和交付边界均应由具体项目书面确认。

先把临床任务拆成可核对的对象

咽喉不是一个单一解剖标签。鼻咽需要关注咽壁、咽隐窝、咽旁间隙、颅底和可能的神经周围通路;口咽涉及扁桃体、舌根、软腭、咽后壁以及邻近淋巴结;下咽要区分梨状窝、环后区、咽后壁和食管入口;喉则至少要区分声门上、声门、声门下、旁声门间隙和软骨。数据字典如果只有“咽喉”一项,就不能说明一例检查真正看到了哪些结构,也不能支持范围外阴性结论。

因此,第一层是检查级任务:确认检查目的、覆盖部位、完整性、检查日期的受控表示、设备和协议。第二层是报告级任务:保留检查所见、诊断结论、主要诊断、细分标签、否定语义和不确定语义。第三层是病变或征象级任务:按项目需要记录病灶三径、强化、DWI/ADC、颅底或软骨侵犯倾向、神经周围侵犯倾向、气道受累、颈部淋巴结分区和治疗状态。若项目没有冻结像素级分割的定义,就不能把“有病灶记录”写成逐层 Mask,也不能把报告级标签宣传为病理确诊。

病种与征象应分开建模。鼻咽癌、口咽癌、下咽癌和喉癌属于原发肿瘤任务;咽喉良性肿块或囊肿、感染、颈部淋巴结异常以及术后或放疗后改变属于疾病或影像征象任务。少见的颅底及神经周围侵犯可以作为高价值扩展项,但需要适宜的增强和高分辨率序列支持。治疗后改变与残留或复发倾向不能被压缩成一个“异常”类别,因为两者的临床语境、参考时间点和后续验证方式不同。

标签状态至少应区分明确阳性、阴性、不确定和无法评价。报告中“疑似”“考虑”“不能除外”不应在入库时被自动归入明确阳性;正常对照、功能成像或筛查对象也应与疾病导向子集分组保存。对未做检查、资料不可得、没有该对象和真正未知,应使用不同编码。缺失值不是阴性,部分覆盖也不是完整解剖范围的阴性证据。

MRI 的临床解释需要与内镜、病理和临床记录共同理解。声带活动或黏膜运动需要内镜证据;病理亚型、HPV 状态和最终组织学不能由 MRI 单独推断;影像报告可以作为影像学证据,但不应被重命名为病理金标准。这样的证据分层并不会削弱数据价值,反而让研究者能够按证据门槛构建不同分析集,并在结果出现差异时追溯差异来自何处。

计数单元决定数据能不能验收

最容易被忽视的工程规则,是同一次 MRI 检查中的多个序列、多个视图、多个期相、多重建和重复导出只能计作一个 Study。若把每个 Series 当成一例,模型训练样本量会被虚增,阳性率和中心分布也会被扭曲;如果把截图或胶片照片当成原始影像,后续又无法核对空间方向、层厚和帧间关系。项目应该在开始时冻结主键层级,并要求所有统计都从逐例索引重新计算,而不是接受不可追溯的汇总数字。

一个可复用的索引可以从匿名患者 ID、匿名检查 ID、Study ID、Series ID 和 Instance 层级展开。患者 ID 用于纵向关联,不能暴露直接身份;Study ID 用于一次检查的去重;Series ID 记录序列和视图;Instance 或等效层级用于文件完整性与哈希核对。报告 ID、标本或病理 ID、前后检查 ID 和跨模态关联 ID 也应分开保存。只有在来源系统提供稳定证据时,才建立患者级或检查级关联,不能为了凑齐模态而拼接不同患者或不同检查。

原始数据优先保留脱敏 DICOM 及其 Study/Series/Instance 层级。空间几何、磁场强度、线圈、序列名称、TR、TE、TI、层厚、b 值、对比剂和动态期相等字段,决定研究者能否理解一组图像怎样被采集。头颈 MRI 的公开采集指南也强调,多中心数据会受到设备、厂商和技术差异影响,并列出轴位 T1、T2、脂肪抑制和增强序列等常见组成,同时提示 DWI 等附加序列需要按方案记录。1 这些项目不意味着每个临床检查都必须补做某一序列,而是说明“实际做了什么、没有做什么、为何缺失”必须显式表达。

完整性检查要覆盖从文件到临床语义的多层关系。首先确认 DICOM 可读取、Study 和 Series 层级稳定、路径能直接命中交付包,原始与派生状态清楚。其次核对范围、方向、顺序、空间或时间信息和关键参数,检查增强前后序列是否错配。再次确认正式报告与检查逐例配对,关键否定语义和不确定语义未被结构化转换改变。任何截图、PDF 或关键帧拼图,都只能作为补充对象,不能代替约定的原始影像。

咽喉 MRI 数据从检查计数到证据关联的层级化技术示意;不含真实患者信息,不表示实际交付或临床诊断。查看完整技术图(可放大)

图 1|技术示意:以 Study 为计数单元,向下连接原始影像层级,向上连接报告与有证据的跨模态关联。

让数据模型保留“看到了什么”和“凭什么这么标”

对咽喉 MRI 来说,病变位置和证据来源是两个不同维度。一个报告可以提示某个亚区存在异常,但这不代表已经有病理、内镜或手术证实;一个病理结果可以确认肿瘤性质,但也不代表它能替代 MRI 对范围和空间关系的记录。字段设计应把标签值、标签来源、来源日期、关联对象、证据状态和复核版本分开,避免一个类别字段承担所有临床含义。

标注主体也要与字段性质匹配。影像科专家或受训的影像标注人员可以依据冻结的影像字典记录覆盖范围、序列条件、病灶位置和报告语义;耳鼻喉相关专家可参与黏膜、喉部功能和临床场景的争议复核;病理信息应由来源记录支持,而不是由影像标注者推断。采购方指定的医生抽检样本,应与常规交付清单使用独立清单和版本记录,并避免把同一患者同时放进常规交付和独立抽检集合。

质量控制不应只问“有没有画上轮廓”,还要问“是否用对了对象、是否有足够证据、是否在适用范围内”。初审阶段检查字段是否按字典填写;复核阶段检查部位、病变类别、否定和不确定语义、治疗状态及跨模态关联;专家复议阶段处理感染与坏死肿瘤难以区分、反应性与转移性淋巴结难以分层、术后纤维化与复发倾向存在争议等情况。争议点、参考资料、最终决定和版本号应被保留,不能用静默修改制造表面一致。

如果项目需要像素级或三维对象,应另外定义轮廓范围、起止层、坐标系统、重采样规则和不可评价区域。报告级“病灶三径”与三维 Mask 不是同一种输出;患者级或检查级“关联内镜”也不是像素级配准。把颗粒度写进交付字典,是避免采购方把研究数据误解为诊疗工具的重要步骤。

算法路线要围绕缺失、异质和泄漏设计

一个稳健的算法路线可以从四个环节开始。第一,做解码和来源门控:自动读取 DICOM,检查空间方向、层序、层厚和关键元数据,保留不能读取或严重缺失的原因。第二,做序列级整理:将 T1、脂肪抑制 T2 或 STIR、DWI/ADC、增强后脂肪抑制 T1 以及必要的矢状位按实际存在情况编码,并记录设备、软件版本和协议差异。第三,按任务选择模型:报告级分类适合使用检查或序列级特征,病灶定位和范围任务需要明确的空间标注,结构化文本则应保留原文与映射字段的对应关系。第四,设置输出门控:未经修订、复核和版本冻结的预标注,只能作为草稿,不能直接作为训练或临床输出。

多序列模型不应把缺失序列当成全零图像后悄悄补齐。更好的做法是使用序列存在标记、缺失原因和质量状态,让模型知道某项证据不可得;对跨序列配准,要保存变换和失败原因,不能因追求整齐而把不同视图强行叠合。对治疗前后检查,需要保留时间顺序和比较对象,并防止同一患者的前后检查落入不同数据分区后造成泄漏。训练、验证和测试都应按患者或研究规定的纵向实体拆分,而不能按单张图像随机切开。

公开研究可以说明为什么这些数据设计值得提前冻结。Xie 等在 2025 年《Scientific Reports》的两中心回顾性研究中纳入了经组织学确认的喉鳞状细胞癌患者,训练中心还分出内部测试集,另一中心作为外部测试集;研究使用轴位 T1、脂肪抑制 T2 和增强 T1 等多参数 MRI,并明确排除了严重伪影或无法判断病变范围的影像。3 这类研究的意义不是提供某个项目的性能承诺,而是提醒数据建设者:中心划分、病理证据、检查时间窗、序列组成和图像质量规则都应在建模前写清楚。

另一项头颈癌多中心 MRI 研究显示,模型在不同机构数据上的表现会受到人群、采集和后处理差异影响;因此,外部验证结果只能在明确的数据条件下解释,不能直接等同于个体治疗效果。4 对于数据交付而言,这意味着不仅要交付图像,还要交付协议字典、空间信息、标注版本、缺失语义和分布统计,便于后续研究解释性能变化。

头颈 MRI 的外部验证应至少按中心、设备厂商或型号、软件版本、检查年份、协议、解剖亚区和治疗状态分层。若一个来源中心占比过高,模型可能学到中心特有的扫描条件;若正常对照、感染、术后改变或少见侵犯被排除,模型在实际复杂场景中的错误类型就无法评估。独立测试集应在数据接入阶段冻结,不能在看到模型结果后反复调节纳排标准。

咽喉 MRI 研究模型的质量门控与外部验证技术示意;不含真实患者信息,不表示实际模型性能或临床结果。查看完整技术图(可放大)

图 2|技术示意:从解码、序列与标签门控,到患者级划分和跨中心外部验证的闭环。

把验收写成可复验的质量门

第一道门是来源与处理边界。交付方需要说明数据来源、授权范围、处理角色、可使用目的、衍生数据权限、期限和限制条件;同时说明去标识化工具和版本、日期处理、匿名 ID 生成、私有属性处理、像素内文字检查及访问日志。DICOM 的保密配置文件是技术参考,不等于自动完成匿名化或证明来源合法。DICOM 官方标准明确提醒,属性去标识不能保证整个信息对象没有身份线索,像素内烧录文字、私有属性和跨对象引用仍需单独检查。5

第二道门是文件和语义的可读性。原始对象应能被全量解码,Study/Series/Instance 关系可解析,空间和时间信息没有被转换破坏,原始与派生文件能够区分。正式报告、主要诊断、细分标签、阳性状态、否定和不确定语义应逐例配对。对无原始报告、缺少关键序列、严重伪影或超出诊断视野的记录,应标记为待核验、整改或排除,而不是为了完成数量直接计入合格量。

第三道门是分布与代表性。至少要能重算患者、Study、中心、设备、序列、检查年份、解剖亚区、阳性状态和质量档次的分布。疾病导向数据中的明确阳性、阴性、不确定和无法评价要分开统计;正常对照、功能成像、筛查或术后人群不能用一个混合比例代替。少见的神经周围侵犯、颅底受累、深部感染和治疗后改变,应报告“实际可得”和“未覆盖”的差异,而不是用其他病种或其他解剖亚区补齐名义数量。

第四道门是独立复核和问题闭环。抽检要按照中心、协议、部位、病种和质量档分层,直接阅片或阅图,而不是只核对字段格式。每个问题应包含对象 ID、问题原因、风险等级、整改动作、责任角色、日期和复验结果。整改后的文件不能静默覆盖原版本;应生成新版本或差异包,记录旧新摘要、受影响对象和回滚方式。总量、比例、核心条目、协议和例外规则发生变化时,也应有书面版本记录。

项目级交付最好包含逐例索引、字段字典、机器可读 manifest、文件大小和摘要、原始/派生标记、分布统计、核心条目清单、质检报告、问题清单、整改复验、授权材料索引和版本说明。研究者真正需要的是一套能被重新计算、抽样和追溯的数据资产,而不是一个只有文件夹和图片数量的压缩包。NCI 的癌症研究数据基础设施也把多模态影像、数据对象连接、访问授权和持久标识作为研究协作的基础能力,这说明数据治理与影像内容本身同等重要。6

把业务逻辑放在能力边界之内

面向医疗 AI 研发团队,项目价值不在于把一个模糊的“咽喉 MRI 数据集”写成漂亮目录,而在于把临床问题转译为可实施的工作包:先确认模态、部位、任务和证据门槛,再冻结字段和计数规则;接着进行脱敏、原始文件核验、索引建设、标注与复核;最后用分布统计、独立抽检、问题闭环和版本化交付支撑模型研发。这样的路径可以减少重复导出、错配、范围外阴性和训练测试泄漏带来的返工。

已核验的公司定位是 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;医疗业务按部位、模态和任务组织项目化数据目录与样例评估入口。基于这一能力边界,可以在具体项目评估后组织数据字典、任务拆解、标注复核、质量记录和交付材料,但不能把需求规格当成现货证明,也不能把公司自述写成独立认证、已完成临床研究、固定数据规模或统一准确率。

对于头颈 MRI,正式立项前还应让临床、数据、算法和合规角色共同确认四件事。第一,模型要回答的是报告级分类、病灶定位、范围标注、序列质控,还是纵向变化分析。第二,哪些字段需要病理、内镜、手术或随访支持,哪些只保留影像观察。第三,哪些序列、设备和中心差异应进入外部测试,而不是在预处理时抹平。第四,哪些缺陷会阻断批次,哪些问题可以通过整改或降档处置。只有把这些决定写入版本化项目文件,数据质量才会从口号变成可验收的工程条件。

咽喉 MRI 的研究价值不在于把不同来源的影像尽可能堆在一起,而在于让每个 Study 有清楚的计数位置,让每个序列保留采集语境,让每个标签说明证据来源,让每次复核留下版本和原因。这样的数据不自动等于诊断系统,也不预先保证任何模型的临床效果;它提供的是一个更可解释、更能外部验证、也更适合持续迭代的研究基础。最终的医学判断仍须由具备相应资质的医务人员结合完整临床信息作出。

参考来源

  1. ACR–ASNR–SPR Practice Parameter for the Performance of Magnetic Resonance Imaging of the Head and Neck
  2. MRI: Head and Neck, Version 1.02
  3. Multiparameter MRI-based model integrating radiomics and deep learning for preoperative staging of laryngeal squamous cell carcinoma
  4. Prognostic radiomic signature for head and neck cancer: Development and validation on a multi-centric MRI dataset
  5. DICOM PS3.15 Security and System Management Profiles: Basic Application Level Confidentiality Profile
  6. NCI Cancer Research Data Commons