跳至正文
朗慧科技

MEDICAL DATA RESEARCH

肩关节 MRI 数据集如何从“有影像”走向“可验收”:Study 级去重、证据分层与多中心验证

面向医疗AI研发与数据采购,说明肩关节MRI如何按Study去重,区分普通MRI与MR关节造影,保留肩袖和盂唇标签证据,处理DICOM、报告配对、患者级划分、外部验证与版本化验收。

MRI与三维结构AI辅助整理 · 研发交流

肩关节 MRI 数据集最容易被低估的技术问题,不是能否收集到足够多的影像,而是每一项“阳性”“阴性”或“术后改变”究竟对应哪一次检查、哪一组序列、哪一条报告语句,以及它能否被另一位专家在同样证据下复核。若同一检查的多序列被重复计数,或将疑似撕裂、术后信号和明确撕裂混成一个标签,数据看起来很大,却无法支撑稳定的模型训练和公平的验收。

肩关节是一个典型的多结构、强协议依赖部位。肩袖、盂唇、肱二头肌长头腱、肩锁关节和肱骨近端在不同平面上显示重点不同;普通 MRI 与 MR 关节造影对盂唇等问题的证据强度也不一样。因而,面向医疗人工智能研发的采购或建设需求,不能只写“肩关节 MRI 加诊断标签”,而要把检查对象、可见结构、标签颗粒度、参考证据和质量门槛一起定义。本文围绕这一类需求,讨论一套可独立复核的数据设计方法,不把建设目标描述成已经存在的数据库存量,也不把研究性模型表现等同于临床效果。

先定义检查对象,再谈样本量

数据集的第一层设计是计数口径。肩关节 MRI 的自然计数单位应当是一次检查或一个 Study,而不是序列、切片、重建或视图。一次检查中的斜冠状、斜矢状和轴位序列共同构成观察对象;如果为了增加数量把这些序列拆开,模型可能在训练时看到来自同一检查的近重复影像,验收时也会把重复导出误判为新增病例。稳定的匿名患者标识、检查标识、Study/Series/Instance 关系和受控检查日期,是去重和后续追踪的基础。

对象定义还要回答“哪些结构确实可评价”。覆盖肩袖并不等于每一条肌腱在每一次检查中都达到了同样的可读性。数据索引应逐例记录肩袖、盂唇、肱二头肌长头腱、肩锁关节和肱骨近端的实际覆盖状态,至少区分完整覆盖、部分覆盖、未覆盖和待核验,并明确左右侧。结构没有进入诊断视野时,不能因为报告标题写着“肩关节”就自动产生该结构的阴性标签。侧别也不能从文件名或自然语言猜测,只有在来源证据支持时才建立稳定关联。

从输入输出看,这类需求通常同时包含四个层次。第一层是原始影像输入,包括脱敏 DICOM、序列和采集元数据。第二层是检查级结构化文本,包括检查名称、所见、印象、主要诊断和否定语句。第三层是报告级或检查级标签,例如某条肌腱是否存在病变、撕裂属于部分层还是全层、盂唇损伤位于何区。第四层才是可选的像素级或病灶级标注,例如轮廓、关键点、病灶三径或病灶位置。检查级跨模态关联不自动等于病灶级配准,更不等于像素级金标准;采购或研究方案必须明确要求的是哪一种颗粒度。

肩关节 MRI 数据链路示意:从 Study 到可复核标签查看完整技术图(可放大)

图 1. 技术示意:围绕检查级计数、证据来源、标签分层和患者级划分组织数据;不代表真实患者、实际实验结果或临床诊断。

原始对象与派生对象也应分开管理。压缩图、截图、胶片照片、报告 PDF 或关键帧拼图可以作为浏览辅助,但不能替代约定的原始影像。DICOM 去标识不是简单删除姓名:相关实例中的 UID 和引用关系需要保持内部一致,同时还要检查私有属性、序列中的嵌套字段以及像素或图形中可能烧录的身份信息。DICOM 的保密配置明确要求去标识过程兼顾属性替换、引用一致性和像素清理,因此交付时应记录所用配置、工具版本和复核结果,而不是只提供“已脱敏”的一句声明。8

标签体系要保留临床证据的层次

肩关节 MRI 数据的标签不能被压缩成一个总的“异常/正常”二分类。对肩袖而言,至少要把肌腱病与撕裂分开,再区分部分层撕裂和全层撕裂;如果研究任务需要,还应保留撕裂面、范围、回缩,以及肌萎缩和脂肪浸润等原始描述。一项发表于《Investigative Radiology》的肩袖研究把无撕裂、部分层撕裂和全层撕裂作为不同类别,以每次检查的四组序列作为输入,并在专门测试集中由三名阅片者以多数意见复核;这说明序列选择与标签颗粒度会共同决定任务难度。其结果是研究性诊断证据,不应直接外推为某一采购数据集或临床产品的性能。1

盂唇损伤的标签需要同时记录解剖分区和证据来源。前下方、上方和后方盂唇异常不是同一个任务,普通 MRI 与 MR 关节造影也不能在不标记模态的情况下混为一组。SCOPE-MRI 研究将术前影像与肩关节镜手术记录及照片关联,把 Bankart、SLAP、后方盂唇和肩袖撕裂分别建立标签,并由多名受训标注者复核共同子集。这种设计的启示不是某个模型达到了什么数值,而是标签应当回溯到明确的参考证据,且不同模态、不同人群和不同阳性率要在数据说明中分开。2

肩关节不稳或脱位后改变也需要避免概念混杂。Hill-Sachs、Bankart 和骨性缺损可以作为影像征象分别编码;急性脱位、陈旧性损伤和术后改变则应保留状态字段。肩峰下撞击和滑囊炎同样要区分影像征象与临床综合征:影像可以记录肩峰形态、滑囊积液和肩袖关系,但不能仅凭一个征象替代症状、体检和临床诊断。肩锁关节退变应保留软骨、骨赘、骨髓水肿和间隙等具体表达,不能只写“退变阳性”。

对黏连性肩关节囊炎,影像所见与活动受限等临床信息需要分开。对肿瘤或肿瘤样病变,影像可以记录部位、三径、边界、骨破坏、信号、弥散、强化和神经血管关系,但良恶性和组织学类型应以病理或其他明确证据为准。影像“考虑”不能被改写为病理确诊,未做检查不能被改写为阴性,术后信号也不能被自动当作再撕裂。对于疑似、不能除外、治疗后改变和无法评价,单独编码往往比强行投票更有研究价值,因为这些状态直接影响模型学习的目标边界。

临床症状、病史、治疗和随访可以提高数据的研究价值,但必须与影像形态分栏。肩痛、活动受限、外伤机制和手术史属于临床背景;肌腱信号、盂唇形态、积液和骨性缺损属于影像观察;关节镜、病理和随访则是不同层级的外部证据。跨模态关联应通过患者级或检查级匿名键完成,并明确关联的日期和来源。没有来源证据时,不能因为两个文件的时间接近就认定它们来自同一患者或同一病灶。

让算法路线服从任务边界

数据准备完成后,算法路线应按输出颗粒度拆分,而不是先选定一个“通用大模型”再让标签迁就模型。报告级分类可从单任务二分类基线开始,再根据需要扩展为多类别或多标签任务;撕裂位置、大小、回缩和肌肉改变如果要输出数值或等级,就需要在标签规范中预先定义单位、量尺和分级体系。像素级分割、病灶检测、结构分区和报告结构化属于不同任务,训练目标、标注成本和验收指标也不同。

肩关节 MRI 的多序列输入可以采用序列级独立编码,再进行特征融合;也可以按研究问题选取稳定的平面和序列做三维建模。无论采用哪一种架构,都应记录缺失序列、设备差异、层厚、方向、场强和对比剂状态。模型不能把“没有采集”默认为“阴性”,也不能把不同厂家或不同软件版本产生的序列名称粗暴地当成同一个标准输入。对于真实交付,建议在模型输入端保留缺失掩码和质量标志,让算法知道某个结构是未覆盖、不可评价还是明确阴性。

上述研究使用多序列输入,并将报告标签与多读者测试集结合,说明影像输入、报告标签和专家复核可以形成不同层级的监督信号。1 对部分层撕裂分级,另有研究以关节镜确认病例构建训练、内部测试和独立外部测试,并比较不同序列组合和阅片者表现。3 这类研究可以帮助研发团队理解任务设计,但不能把论文中的数据来源、参考标准和模型结果直接移植到另一批数据。真正可复用的是“先固定任务和证据,再选择模型”的顺序。

报告生成或视觉语言模型也应保持谨慎。结构化报告字段可以作为输入或输出,但自动生成文字必须有受控词表、否定语义检查和人工复核。模型把“未见明确撕裂”写成“无撕裂”,把“不能除外”写成“确诊”,都属于医学语义错误,而不是普通的文字风格问题。若业务目标只是构建可训练的分类数据,优先交付经过核对的结构化标签和原始报告;若目标涉及报告生成,则应另外定义事实一致性、否定保真、覆盖范围和专家可接受性。

专家标注要围绕参考标准组织

肩关节数据的标注主体不宜只写“专业人员”。对于检查覆盖、序列识别和字段整理,可以由经过培训的数据标注人员执行;对于肌腱、盂唇、骨性缺损和术后改变等临床标签,应由具备相应肌骨影像经验的医生进行初审或复核;对于有手术或病理证据的任务,还要记录参考标准的类型、时间关系和适用范围。标注者的专业背景、培训材料、软件版本和任务说明,都应在质量记录中留下版本化证据。

较稳妥的流程是先制定标签规范和示例集,再由两名标注者独立阅片,随后由更高资历的专家处理分歧。共同子集可以用于估计观察者间一致性,但一致性指标不是“真值”本身。对于疑难、边界或证据不足的病例,应保留原始意见、复核意见和仲裁理由,必要时设置“不确定”或“无法评价”状态。CLAIM 2024 更新要求研究者说明数据来源、预处理、去标识、采集协议、参考标准、标注者资格和观察者变异,并要求患者级或更高层级的集合隔离,这些要求同样适合用来审视数据建设过程。7

参考标准必须与问题相匹配。肩袖报告标签可以反映影像学观察,不能在没有手术或病理支持时被写成组织学真值;关节镜所见可以作为部分撕裂或盂唇损伤的外部参照,但它只覆盖接受手术且具有相应临床路径的人群。病理适用于取材范围内的组织学问题,却不自动证明所有 MRI 结构标签。把不同证据混成一列“金标准”,会造成标签泄漏和适用范围误读。研究方案应在索引中为每个标签保存证据来源、日期、版本和是否存在缺失。

数据切分同样是标注治理的一部分。训练、验证和测试必须在患者层面或更高层面互斥,同一患者的双侧检查、复查、术前术后影像和派生文件不能散落到不同集合。若按图像或序列随机切分,模型可能凭借患者特有的设备、解剖或导出痕迹识别病例,得到虚高的测试结果。对多中心数据,还要考虑中心、设备、场强、协议和人群在各集合中的分布,不能只报告一个随机种子和一个总 AUC。

外部验证不是最后补一批影像

多中心数据的价值在于暴露真实的设备、协议和人群差异,但多中心并不自动等于外部验证。MRI 的场强、线圈、重建算法、层厚和序列参数会引入非生物学差异;如果在切分前用全体数据拟合归一化或协调参数,还可能把测试集信息泄漏进训练流程。一项使用来自 36 个站点、1,740 名健康受试者 MRI 数据的研究显示,站点效应和预处理时机都会影响机器学习评估;协调步骤应当被封装在训练流程内,而不是先看全量数据再拆分。5

外部验证应当预先定义为独立的数据来源或时间窗口,并在报告中列出其与开发集的差异。需要记录中心类型、设备厂商和型号、场强、协议、序列完整性、年龄和性别分布、疾病谱、参考标准以及缺失状态。外部集的阳性率与开发集不同时,不能只给一个总体准确率;应报告分层结果、置信区间和必要的敏感性分析。若外部集只有少量阳性病例,应明确统计不稳定性,而不是用一个漂亮的点估计包装成泛化能力。

系统综述显示,在纳入外部验证的影像深度学习研究中,多数算法的外部表现低于内部表现,部分研究出现具有实质意义的下降。4 这不是说多中心模型没有价值,而是说明“内部测试通过”与“可以跨中心使用”是两个不同命题。对于肩关节 MRI,尤其要警惕把某一种 MR 关节造影协议下的盂唇标签推广到普通 MRI,或把手术人群中的高风险病例推广到筛查人群。数据集交付阶段越早记录这些分布差异,后续验证越容易解释。

2025 年提出的 STARD-AI 把数据来源、纳排条件、标注、设备与软件版本、采集与预处理、训练验证测试划分、测试集特征、参考标准和外部审计列为 AI 诊断准确性研究的重要报告项。6 对数据采购而言,这意味着交付索引不应只服务于结算,还应让算法团队能够复原数据的进入路径。可追溯索引越完整,发现错误标签或模型偏差后越容易定位是来源、协议、标注还是切分环节出现问题。

把质量验收拆成可复核的门控

质量验收的第一道门是来源与使用范围。数据是否可以被用于研究、训练、派生标注和再交付,需要由授权链、处理角色和项目边界共同确认。公开稿不讨论任何具体合同或报价,但从技术上看,来源不能替换,未授权对象不能用数量补齐;每批数据都应有匿名对象清单、来源记录、去标识方法和版本号。

第二道门是文件与对象完整性。自动检查应覆盖 DICOM 可读性、Study/Series/Instance 层级、空间方向、序列名称、层厚、关键采集参数、哈希、重复主键和原始/派生状态。缺失或未知要显式编码,不能用默认值掩盖。对图文配对,应逐例核对影像、报告、结构化标签和相关检查;错患者、错报告、错侧别、报告截断和关键否定语义改变,属于应阻断批次或至少阻断相关对象的高风险缺陷。

第三道门是临床语义和抽样复核。抽检不能只按随机文件抽取,还应按中心、协议、侧别、疾病条目、术后状态和质量档分层。指定医生需要直接阅片,并核对核心结构是否在视野内、标签是否有依据、不确定语义是否被保留、影像倾向是否被误写成病理确诊。抽检样本应与常规交付患者去重,避免同一对象既作为建设样本又作为独立质量基准。

第四道门是分布与版本。统计应从逐例索引重算,至少能回答有效 Study 数量、重复数量、中心和设备分布、协议完整性、报告配对率、各标签状态、缺失状态以及跨模态关联率。数据质量不应压缩成一个“准确率”;可读率、配对率、字段完整率、标注一致性、重复率和外部验证表现分别回答不同风险。整改、替换、撤回或标签口径变化应生成新版本,保留前后摘要、影响对象、原因和复验结果。

肩关节 MRI 数据质量闭环示意:从来源治理到版本验收查看完整技术图(可放大)

图 2. 技术示意:将来源、脱敏、自动质检、专家复核、分布统计和版本迭代连成可审计闭环;不代表真实患者、实际实验结果或临床诊断。

质量档次要服务于研究用途

数据建设可以按实际使用场景设置质量档次,但档次应描述可核验的数据内容,而不是暗示某种临床效果。基础档可以满足原始影像可读、去标识和正式报告配对;标准档进一步要求设备、协议、人群元数据和核心标签;临床研究档再加入详细所见、主要诊断、病史和参考证据;纵向或多模态档则要求复查、手术、病理、检验或治疗对象之间的关联键稳定。每个 Study 按实际达到的最高适用档次归类,不能把同一对象在不同档次重复结算或重复宣称覆盖。

不同档次对应不同研发价值。若任务是预训练或序列质量控制,原始对象和采集元数据可能比完整病理标签更重要;若任务是撕裂分级,报告语义、结构化标签和多序列完整性更关键;若任务是术后再撕裂或预后分析,时间顺序、手术记录和随访缺失机制不可省略。业务方应先写清模型的输入、输出和适用人群,再决定数据档次,而不是先按文件数量采购,再期待算法团队从杂乱数据中恢复临床问题。

按已核验的公司定位,朗慧科技更适合被描述为 AI 数据基础设施与流程服务商,平台定位覆盖采集、处理、标注、质检和数据交付。这个定位与肩关节 MRI 项目中需要的索引设计、专家标注协同、质量记录和版本交付相匹配,但不等于已经拥有某一规模的现货肩关节数据,也不等于已经完成某个肩关节模型或临床验证。实际交付仍应以合法授权、样例评估、书面规格和逐批验收为准。

从数据可用到研究可信

肩关节 MRI 数据集的研发价值,最终取决于它能否让算法团队回答三个问题:模型看到了什么,标签凭什么成立,以及结果能否在新的中心和新的协议上被复核。Study 级去重解决“有多少个独立检查”的问题;结构和语义分层解决“阳性究竟是什么”的问题;患者级拆分和外部验证解决“模型是否真的学到可迁移信号”的问题;版本化验收则解决“发现问题后能否定位和修正”的问题。

因此,面向医疗 AI 的肩关节 MRI 数据采购不应把数量、标签和交付材料分开谈。原始 DICOM、设备协议、正式报告、临床背景、专家意见和参考标准必须在同一条可追溯链上。只有将阳性、阴性、不确定、未做、未知、术后和无法评价都当作有意义的状态,将多中心差异和外部验证写进设计,数据集才从“可存放的影像”变成“可复核、可训练、可评估的研究基础设施”。这是一种研发质量判断,不是对任何诊疗结果或医疗器械性能的承诺。

参考来源

  1. Deep Learning Diagnosis and Classification of Rotator Cuff Tears on Shoulder MRI
  2. SCOPE-MRI: Bankart lesion detection as a case study in data curation and deep learning for challenging diagnoses
  3. Fully Automated Approach for Diagnosis of Supraspinatus Tendon Tear on Shoulder MRI by Using Deep Learning
  4. External Validation of Deep Learning Algorithms for Radiologic Diagnosis
  5. Efficacy of MRI data harmonization in the age of machine learning: a multicenter study across 36 datasets
  6. The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence
  7. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
  8. DICOM PS3.15: Attribute Confidentiality Profiles