跳至正文
朗慧科技

MEDICAL DATA RESEARCH

心脏MRI数据集的真正难点:从Study级原始影像到可核验的临床证据链

面向医疗AI研发与数据采购团队,拆解心脏MRI数据如何以Study去重、保存原始DICOM与报告血缘,区分影像表型和临床证据,并通过专家标注、脱敏、独立验证与版本化验收形成可复用接口。

MRI与三维结构AI辅助整理 · 研发交流

心脏磁共振(CMR)数据采购最容易被忽略的问题,不是“有没有足够多的图片”,而是每一项图片、报告、测量和疾病判断能否被放回同一项检查的临床语境中。一次检查往往同时包含多平面cine、组织特征成像、灌注、延迟钆增强(LGE)和按需血流序列;如果把每个序列、期相或重复导出都当成独立病例,数量会被放大,患者级信息会被拆散,模型也可能在训练和测试之间看到同一人的不同证据。反过来,如果只保留截图、报告PDF或一个“异常”字段,研究者又无法判断输入是否完整、标签依据是什么、派生参数如何产生。

因此,心脏MRI数据建设应从临床任务倒推数据结构:先明确要回答的是心功能测量、组织特征识别、疾病分类、结构分割、血流定量,还是纵向治疗后比较;再规定需要哪些原始模态、哪些临床证据、怎样保存不确定性以及如何在独立来源上验收。这样的需求不等于诊疗指南,也不等于某个模型已经完成验证,而是一份让数据可以被复用、审计和重新解释的研究基础设施设计。

一、先解决计数:一项CMR检查不等于一套序列

源需求的第一个关键边界是计数单位。一个可复用的CMR样本,更合理的主键通常是一次检查或Study,而不是其中的图片张数。一次Study内可能包含多个Series、多个Instance、多个心动周期和多个重建视图;同一检查还可能同时存在原始导出、压缩副本、派生参数图和报告附件。若把这些对象拆成若干“病例”,就会把同一患者的相关证据误当作相互独立的观察,既影响交付数量,也破坏后续机器学习中的数据划分。

Study级计数并不意味着丢掉细节。恰恰相反,研究端需要保留患者级匿名关联、检查级受控日期、Study/Series/Instance层级、相对路径、文件大小和完整性摘要,并明确哪些对象是原始数据,哪些是派生数据。DICOM PS3.10把文件描述为封装单一SOP Instance的交换对象,并规定文件元信息、SOP Class、SOP Instance和传输语法等关系。1 这意味着交付清单不能只写“有一套心脏MRI”,而应能回答:该Study包含哪些序列,序列是否可解码,空间和时间信息是否完整,报告与哪一个检查稳定配对。

CMR的“完整”也不是把所有可能序列机械地塞进目录。需要由临床问题决定最低可用组合。功能评估至少要关注cine和覆盖范围;心肌炎、浸润性病变或心肌梗死后的组织特征判断,可能需要T2或T2 mapping、原生或增强T1 mapping以及LGE;灌注问题需要保留动态期相和时间关系;瓣膜、先天性心脏病或大血管问题,可能需要相位对比血流与VENC等信息。SCMR 2020更新版将常用CMR技术和患者导向的协议标准化作为重点,并分别讨论设备条件、心脏结构与功能、灌注、LGE和器械相关检查等模块。2 对数据采购而言,这类专业协议应转化为“可核对的序列与参数清单”,而不是把指南标题直接当成验收通过。

另一个容易混淆的点是“未做”和“缺失”。有些患者因禁忌、临床目的或实际流程没有完成LGE或mapping;有些序列则是在导出或整理时丢失。两者对算法的意义完全不同。前者是临床流程中的真实不可得,后者是交付质量问题。数据字典应该把未做、不可得、未知、不可评价和导出失败分开编码,并让模型输入层允许显式缺失,而不是通过复制其他序列或跨患者拼接来制造完整样本。

CMR数据从原始对象到可学习样本:从Study级主键、原始DICOM和采集语境,到报告语义、证据分层、任务化切分和可复现交付。查看完整技术图(可放大)

图1 技术示意:CMR数据由原始影像层、临床语义层和研究样本层组成,不表示真实患者、真实数据集规模或已完成交付。

二、把模态需求写成临床任务,而不是图片目录

心脏MRI的解剖和病种跨度很大。一个以心室功能为目标的数据集,重点可能是左、右心室容积、射血分数、室壁运动和心率心律语境;一个以心肌炎或心肌病为目标的数据集,还要组织水肿、非缺血性强化、心肌厚度、纤维化、室壁瘤和心包改变;缺血性心脏病需要区分LGE分布、透壁程度、微血管阻塞和室壁运动;瓣膜病和先天性心脏病则要求记录瓣膜形态、反流或狭窄血流、连接关系、分流以及手术史。数据表中的“主要诊断”不能覆盖这些不同粒度的临床任务。

需求设计可先建立“任务—证据—输出”的三元关系。对分类任务,输入可以是cine、LGE、mapping或多模态组合,输出应区分疾病类别、影像表型、正常对照和无法评价。对分割任务,应定义心腔、心肌、病灶或血池的边界,以及二维切片、三维体积还是随时间变化的轮廓。对定量任务,应锁定单位、计算方法、参考心动周期、测量范围和异常值处理。对报告结构化任务,需要保留所见、印象、否定和不确定语义,不能只把自然语言压缩成一个阳性标签。对纵向任务,还要定义前后检查的相对时间、比较对象和治疗状态。

一个实际的多模态队列还必须区分“心脏MRI表型”和“临床确诊”。影像上可见心肌增厚、LGE或T1异常,并不自动等于某一具体病因;心肌淀粉样变的分型可能需要实验室、核医学或病理证据,心肌炎的判断可能需要临床表现和检验,先心病的解剖类型与术后状态需要病史或手术记录。源需求中对影像报告、检验、病理、手术和随访的交叉关联,真正要解决的是证据等级,而不是为每个病例寻找一个看似确定的标签。

疾病状态也要保留临床语言中的不确定性。“疑似”“考虑”“不能除外”“治疗后改变”和“病理确诊”不能在入库时被强行归并为同一类阳性。正常或志愿者对照应单独定义纳入条件;未使用对比剂、未完成LGE或技术质量不足的检查,应有明确状态,不能因为模型需要阴性样本就将其当作正常。对于术后、消融、植入物条件性检查和先心术后样本,既要保留临床价值,也要记录植入物条件、伪影和手术史,避免把特殊场景与未经治疗的自然病程混为一谈。

三、原始影像、报告和派生参数必须保持血缘关系

CMR研究常见的失败并不是算法本身,而是数据血缘断裂。若EF、容积、应变、mapping值或LGE范围只有一列最终数字,研究者就无法判断它来自哪一套原始序列、哪一种后处理方法、哪个软件版本和哪个单位体系。源需求要求派生功能参数可追溯至原始序列,这一要求应进一步落到字段级:保留原始值与单位,记录计算方法和版本,区分医生报告中的数值、自动测量值和后处理导出值,并明确是否经过人工修订。

报告配对也不能只依赖文件名。应使用稳定的匿名患者标识、检查标识和报告标识建立受控关系,核对检查日期、检查目的、比较检查和报告状态。文本保留检查所见、诊断结论、否定语义和不确定语义,必要时同时维护结构化标签。对“异常”“阳性”这类总括词,应追溯到具体条目,例如心室功能、室壁运动、心包积液、LGE分布或瓣膜血流,而不是用一个标签替代原文。

跨模态关联应遵循“关联层级不升级”的原则。心电、心肌标志物、超声、冠脉检查、病理和随访可以在患者级或检查级与CMR相连,但这不等于它们提供了像素级、病灶级或病理确证标注。如果只有同一患者在相近时间做过超声,就应记录这种关联的时间和证据,不应把超声结论直接写入CMR像素标签。纵向关联同样要避免把“同一匿名编号”误当成同一病程节点,检查顺序、治疗前后状态和比较对象都需要单独字段。

DICOM去标识是保留证据链的前提,但不能简单理解为删除姓名和编号。DICOM PS3.15规定,属性可以被移除、替换或保留;需要保留跨对象一致性的UID时,应使用内部一致的替换值,同时还要考虑像素内烧录文字、图形叠加和序列中的嵌套属性。3 因此,去标识方案需要同时覆盖文件头、私有属性、像素内容、附带报告和关联键,并记录工具版本、规则范围与无法自动判断的人工复核项。保持纵向关联与降低再识别风险之间存在张力,不能由单个保留或删除动作自动解决。

四、算法路线:先让输入与标签可学习,再讨论模型大小

对于这样的队列,算法路线不应从“使用哪一个大模型”开始,而应从任务分层开始。第一层是数据可用性和质量判定:检查影像是否完整可读,序列和视图是否与索引一致,报告是否配对,关键参数是否缺失。第二层是结构化感知:进行心腔、心肌、血池或病灶区域的分割,获得可解释的几何对象。第三层是功能和组织特征量化:从cine建立容积、射血分数、室壁运动或应变,从mapping和LGE提取有明确方法与单位的定量结果。第四层才是疾病分类、风险分层或纵向变化建模。

分割、检测和分类要分别验收。分割任务关注边界重叠、表面距离、体积偏差和时间帧稳定性;检测任务关注病灶级或Study级召回、定位误差和假阳性负担;分类任务需要报告敏感度、特异度、阳性预测值、阴性预测值、校准和不确定样本处置。多标签疾病任务还应按病种频率和临床代价分层,而不是只给一个总体准确率。对于报告结构化,可以让模型输出受控字段,但必须保留原始报告与人工审核,不能用语言生成的流畅度替代医学事实的一致性。

CMR视频和多序列数据具有明显的时间、空间与模态关系。cine不是一组无序静态图,而是心动周期中的连续帧;LGE是有空间覆盖和增强语境的图像;mapping结果依赖源图、拟合方法和质量控制。模型可以使用时序编码、三维空间建模、跨模态注意力或多任务学习,但每种复杂架构都需要与数据的真实可得性匹配。缺少某一序列时,应在设计阶段规定掩码、分支或降级路径,而不是在测试时悄悄用均值、复制或不相干的派生值填补。

已有研究说明,多中心、多厂商的输入设计会直接影响外部泛化。Nature Medicine发表的一项心脏MRI研究使用多中心、多厂商CMR数据,将cine和LGE组合用于筛查与疾病分类,并设置来自不同中心的外部数据;其研究任务、输入序列和评价指标都被明确拆开。4 另一项四腔cine自动分割研究在多中心、多厂商数据上训练,并在独立队列评估重复性和预后关联,同时发现四腔视图相对短轴参考存在系统性容积低估,需要校正。5 这类结果对采购的启示不是某个模型“可以直接临床使用”,而是输入协议、参考标准、偏差校正和外部验证必须在数据规格阶段预留位置。

五、专家标注不是最后一道盖章,而是需求定义的一部分

心脏MRI标注首先需要解决谁能定义标签。普通图像标注人员可以在明确规则下完成部分结构轮廓或字段整理,但疾病表型、不确定语义、组织特征边界、术后状态和跨模态证据等级,需要由具备相应临床经验的专家参与规则制定与争议复核。标注主体、职责范围、阅片顺序和升级条件应写入项目规格,不能在交付后才追问标签是如何产生的。

对结构分割,应规定起止层面、乳头肌和血池的处理、心尖及基底部边界、舒张末期与收缩末期定义,以及异常解剖的特殊规则。对LGE、水肿或mapping异常,应说明观察层级、是否允许区域级标签、无法评价时如何编码以及不同序列之间的证据关系。对疾病分类,应把影像表型和临床诊断拆成不同字段,并要求记录证据来源、日期和版本。对治疗后或术后检查,不能默认同一套边界适用于所有场景。

质量控制可采用独立初标、盲审、专家复核和争议升级,但不应把某一个一致性数字当成所有任务的质量证明。分割的一致性、报告字段的一致性、疾病诊断的一致性和跨模态关联的一致性并不是同一件事。更合理的做法是建立分层质量基准:在不同中心、设备、协议、病种和质量档中抽取样本,记录每个条目的通过、返修、排除和未决原因;对高风险条目保留专家意见和变更记录;对规则变化重新标记受影响样本,而不是静默覆盖旧版本。

不确定性是医学标签的重要组成部分。对于疑似、不能除外、技术质量不足或证据冲突的检查,可以保留多级标签、软标签或“无法评价”,并在训练和评估时采用预先规定的策略。把所有不确定样本删除会让队列看起来更干净,却可能损害真实场景的代表性;把所有不确定样本强行纳入明确阳性,则会把临床语言错误地转换成算法真值。需求规格应明确哪些标签用于模型训练,哪些仅用于审计或亚组分析。

从来源治理到独立验证的CMR验收闭环:以授权、脱敏、图文一致性、专家标注、外部验证和版本交付形成分层门控。查看完整技术图(可放大)

图2 技术示意:质量控制覆盖来源、技术、语义、标注、评估和版本,不表示真实患者、真实验收通过或任何模型临床性能。

六、质量与验收:不能用一个“准确率”替代整条证据链

一套可执行的验收逻辑至少应分成五层。第一层是来源与合规:确认数据使用范围、去标识方案、处理角色、衍生数据边界、访问控制和审计记录。第二层是文件与技术完整性:检查DICOM是否可读,Study/Series/Instance层级是否稳定,空间几何、时间帧、方向、层厚、设备和协议参数是否存在,原始与派生状态是否清楚。第三层是临床语义:核对报告、标签、否定和不确定语义,区分影像表型与临床确诊,确认未做和未知没有被误写成阴性。

第四层是分布与独立性。应从逐例索引重算患者、Study、中心、设备、年份、协议、病种和质量档分布,并检查同一患者是否跨训练、调参和测试集合。多中心数据不能只把机构数量写在封面上,还要识别单一来源集中度、设备代际差异、协议变化和病种谱差异。独立抽检集需要在患者和来源层面与常规交付分开,且抽检者能够直接查看原始影像、报告或视频,而不是只审阅供应方生成的汇总表。

第五层是问题闭环和版本治理。每一个异常都应有原因、状态、责任、修订日期和复验结果;更正不能静默覆盖原文件,而应形成新版本或差分包,记录前后摘要、影响对象和回滚方法。对于撤回或删除,应给出受影响的派生标签、统计结果和已交付批次清单。只有这样,研究者在模型重新训练或结果复现时,才能解释为什么某些样本消失、某个标签发生变化,或者某一批次的数量被重新计算。

“原始性”也需要精准定义。截图、胶片照片、报告PDF和关键帧拼图可以作为辅助材料,却不能替代约定的原始影像对象;压缩、转码或导出软件的变化可能影响空间和时间信息。DICOM PS3.10明确了文件元信息与单一SOP Instance的组织关系,1 因而验收至少要能通过机器检查确认对象可读、层级可解析、引用关系稳定,并将图像内文字和非标准私有属性纳入人工或自动复核。摘要可以证明文件比特完整,但不能证明授权合法、标签正确或临床意义成立。

研究性能与临床效果必须分开。一个模型在内部测试集上的AUC、Dice或相关系数,只能说明在既定样本、标签和评价口径下的研究结果;它不自动说明在新中心、新设备、新人群或真实工作流中改善了诊断。外部验证应优先按中心、设备、协议、人群和疾病谱报告,显示缺失、拒判和无法评价的处理方式,并对系统性偏差做校准或限制说明。对于生存或治疗结局,观察到统计关联也不等于模型能指导个体治疗,更不等于获得监管批准。

七、把数据交付变成可复用的研发接口

对医疗AI研发团队而言,真正有价值的交付不是一个图片压缩包,而是一组可以进入数据管线的对象:逐例索引、数据字典、原始DICOM、报告文本、标签与证据来源、派生参数、质量报告、分布统计、问题样本、版本记录和完整性清单。每个研究任务还要有明确的输入输出契约。例如,心功能模型需要知道是短轴还是四腔cine、是否要求完整心动周期、容积参考来自何处;LGE分析需要知道增强序列、覆盖范围、对比剂状态和组织标注规则;跨模态模型则需要知道关联发生在患者级、检查级还是病灶级。

这套接口也决定了后续项目如何迭代。首批数据可以先完成原始对象、基础报告和可读性门控,再按研究问题扩展结构化标签、组织特征或纵向关联。不同质量档可以分开统计,不应把高档样本中已包含的低档内容重复结算或重复计数。若临床流程未产生某序列,应将其标记为未做或不可得,并在模型设计中作为真实缺失处理,而不是为了满足清单补造数据。

基于已核验的公司能力范围,朗慧的公开定位适合表述为医疗数据基础设施和流程服务:围绕采集、处理、标注、质检和数据交付建立项目化工作流,并按部位、模态和任务组织样例评估与规格沟通。这个定位可以支持需求拆解、字段字典、质量方案和交付协同,但不等于对任何特定病例库存、专家规模、模型性能或临床应用状态作出承诺。实际可交付的来源、模态、质量档和周期仍应以合法授权、书面规格和项目验收为准。

心脏MRI数据建设的研发价值,最终体现在能否把医学问题转译成稳定的数据对象。以Study为计数边界,保留原始序列和采集语境;以证据等级组织报告、标签和跨模态关系;以专家规则处理不确定性和争议;以中心、设备和协议分层做独立验证;以版本和整改记录支持可复核交付。只有当这些环节同时成立,数据集才不仅“看起来很多”,而是真正能够支撑心功能测量、疾病表型研究、模型开发和后续方法学比较。

参考来源

  1. DICOM PS3.10 Media Storage and File Format for Media Interchange
  2. Standardized cardiovascular magnetic resonance imaging (CMR) protocols: 2020 update
  3. DICOM PS3.15 Attribute Confidentiality Profiles
  4. Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging
  5. Development and validation of AI-derived segmentation of four-chamber cine cardiac magnetic resonance