MEDICAL DATA RESEARCH
乳腺钼靶数据交付如何可验收:从Study计数到多模态证据链
面向医疗AI研发与数据采购,系统拆解乳腺钼靶Study去重、原生DICOM与manifest、报告和病灶证据分层、质量门控、外部验证及跨模态交付边界,帮助团队把数量验收转为可追溯的证据验收。
乳腺钼靶数据项目最容易被低估的环节,不是把图像传过来,而是回答“这一例究竟是什么”。如果一项双侧检查的CC、MLO、放大视图和断层合成被拆成多个样本,数量会被高估;如果报告中的“疑似”被统一改成阳性,标签会被过度确定;如果同一患者的超声、病理和随访没有稳定关联,所谓多模态数据仍只是文件拼盘。对模型研发和数据采购而言,真正需要验收的是一个可以去重、回溯、分层、复核并在外部数据上检验的研究对象。
本文围绕乳腺钼靶研究数据建设,讨论如何把原始影像、检查语义、病灶征象、跨模态证据和质量记录组织成可核对的数据资产。文中的样本范围、字段、专家角色和阈值均应按研究问题、授权条件和项目书面约定确认,不代表任何现货数据或已完成的临床服务。
先定义“例”:Study是计数边界,不是文件数量
乳腺钼靶的最小业务对象应先由检查级主键定义。对常规双侧检查,左右乳腺的头尾位(CC)和内外斜位(MLO)通常共同构成一次检查;诊断性补充视图、压迫或放大视图、植入物视图和数字乳腺断层合成(DBT)则应作为同一检查下的分层对象保存。它们可能提供不同证据,但不能因为文件更多就被当成更多病例。研究团队需要在数据字典中明确Study、Series和Instance的层级,以及补充视图与原始投照之间的关系。
这个定义直接影响去重、数据划分和后续评价。按文件计数会把同一患者的多个投照误当成相互独立的样本,导致训练集与测试集发生信息泄漏,也会让阳性率、阴性率和中心构成失真。更稳妥的做法是以匿名患者和Study双重键建立去重规则,再向下关联视图和序列。若同一次检查有重复导出,应通过对象标识、采集时间、层级和文件摘要识别,而不是靠文件名猜测。
“完整”也不能简单等同于“有四张图”。需要区分标准视图完整、部分进入诊断视野、存在补充视图、仅有单侧检查以及无法评价等状态。检查级标签可以记录是否达到项目定义的最低可评价范围;视图级标签则说明缺失、遮挡、曝光或运动等原因。这样,研究者可以将完整双视图用于多视图任务,把单视图或补充视图用于专门分析,而不会把范围不足的数据误当作阴性证据。ACR的DBT实践参数把检查规格、记录和质量控制作为独立环节,而不是只关注最终报告;这为项目把同类检查字段写入数据字典提供了标准化参照。1
图1|技术示意:乳腺钼靶研究数据对象的层级关系;不含真实患者、样本或临床结论。
原始影像必须能说明“从哪里来、如何变过”
对于乳腺钼靶,截图、报告PDF、胶片翻拍或社交软件压缩图都不能替代约定的原始影像。采购或研究数据接收时,应优先保留脱敏DICOM或设备原生无损数字影像,并将原始文件与派生文件分开标识。DICOM数字乳腺X光影像信息对象为乳腺投照影像提供了标准化的对象框架;项目验收仍需结合实际设备导出内容,核对侧别、视图、像素间距、采集与处理状态、设备信息以及序列层级,而不能仅凭“文件后缀是DICOM”判定完整。2
原始性并不意味着所有元数据都应无条件保留。健康数据处理需要在可用性和去标识之间建立可解释的边界。DICOM保密配置文件明确提醒,属性级处理不能保证信息对象已经完成去标识;像素内烧录文字、图形叠加、私有属性和跨对象引用仍需专项检查。对于研究需要的纵向一致性,匿名患者ID、Study和Series关系可以通过受控的稳定重映射保留,但映射方法、工具版本、访问权限和撤回机制应写入审计记录。3
工程上可把接收分成三道检查。第一道检查文件是否能被稳定解码,图像矩阵、方向、侧别、视图和关键采集字段是否存在,原始与处理状态是否清楚。第二道检查内容是否与索引一致,包括文件数量、层级、字节数、摘要、匿名编号和检查日期的受控表示。第三道检查图像本身是否有身份信息、遮挡、异常裁切或无法评价的技术问题。任何改变像素的窗宽窗位、重采样、裁剪、压缩和去除标记,都应产生转换日志并保留原始文件索引,避免后续把派生图误当成采集原件。
让影像、报告和标签各自承担不同任务
乳腺钼靶数据不应只有一个“异常/正常”字段。影像层记录可见的结构和技术质量;视图层记录CC、MLO、侧别、补充视图和完整性;病灶或发现层记录位置、范围和征象;病例层记录报告结论、乳腺密度和检查级状态;证据层说明病理、随访、影像报告或专家复核的来源。层级分开后,模型开发者可以选择适合的目标,质检人员也能定位错误发生在图像、语义还是关联环节。
任务字典应覆盖临床上容易混淆、但对算法有不同含义的对象。例如肿块、可疑钙化、局灶或整体不对称、结构扭曲、良性钙化或良性肿块、术后或治疗后改变,以及筛查阴性对照,都应保留各自的原始表达和不确定状态。乳腺密度是重要的分层变量,但它本身不是肿瘤诊断;病灶大小、形状、边缘、分布和象限等空间属性,也不应替代病理证据。对于多病灶病例,应给每个发现独立的对象标识,并规定合并、拆分和跨视图对应规则。
BI-RADS的价值在于标准化乳腺影像术语、报告组织、评估结构和分类体系,同时支持质量审计和结局监测。4 因此,交付时应保留原始BI-RADS类别及其版本,另行保存为具体研究任务派生的二分类或多分类标签。BI-RADS 0、1–2、3、4的细分、5和6所表达的证据强度不同,不能为了方便训练而把“建议进一步检查”“疑似”和“病理确诊”压成同一个阳性类。研究标签若来自报告映射、病理或随访,应在字段中明确其来源和日期。
报告文字中的否定和不确定语义同样需要保护。比如“未见明确异常”“不能除外”“考虑”“建议进一步评估”和“治疗后改变”不具有相同的监督含义。自然语言抽取可以帮助建立结构化索引,但抽取结果应与原文并列保存,并通过抽样复核检查否定范围、条件句和比较检查是否被误读。对于真正缺失、未做、不适用、无法评价和明确阴性,需要使用互不混淆的编码。
面向乳腺钼靶的任务字典还应把核心征象拆开管理:肿块、可疑钙化、局灶或整体不对称、结构扭曲、乳腺癌影像表现、导管原位癌(DCIS)相关钙化、良性钙化或稳定肿块、乳腺密度、术后或治疗后改变,以及筛查阴性对照。它们的空间表达、证据要求和适用的视图可能不同;例如,病理才能支持组织学确诊,乳腺密度是分层变量而不是疾病标签,术后改变也不能自动等同于复发。项目可为各条目设置目标量或最小覆盖,但这些数字应在合同和授权文件中书面锁定,不能从建议值直接改写成公司现货或临床结果。
多视图与跨模态:关联是证据,不是自动升级的真值
乳腺钼靶的双视图设计既是成像特点,也是算法设计约束。同侧CC和MLO的投影位置不同,压迫、重叠和可见性也会改变;因此,模型输入可以采用视图内编码器加跨视图融合,也可以使用病例级聚合,但数据对象必须先表达哪些视图属于同一Study、哪些发现可能对应同一病灶,以及哪些区域只在单一视图可见。单视图可见不能被强行补画成另一视图的病灶,待复核也不能被自动改成阴性。
近年的多视图研究说明,联合使用不同投照位能够支持病灶检测、诊断和BI-RADS辅助分类,但研究中的训练、验证、测试设置和人机协作结果只能说明该研究任务下的表现,不能直接外推到其他人群或设备。5 这对数据采购的启示是:如果目标是多视图模型,交付索引必须把视图配对、缺失和补充视图状态作为一等字段;如果目标是报告抽取或病例分层,仍要避免把投照位拆成互不相关的样本。
跨模态关联也应保持边界。乳腺超声、MRI、病理和随访可以补充影像疑似、组织学和结局信息,但同一匿名患者的关联只说明对象之间存在来源支持的关系,并不等于完成像素级配准。影像与病理之间通常还隔着取材日期、手术范围和标本部位;影像与随访之间则涉及时间窗和失访状态。数据字典应记录关联层级、时间、证据类型和可靠性,明确“无记录”“未检测”“阴性”和“失访”不是同一个值。
采样设计决定模型能否被解释
大规模数据并不自动等于代表性数据。数据集至少需要在中心、设备厂商与型号、软件代际、检查年份、年龄段、性别、乳腺密度、筛查或诊断场景以及阳性和阴性状态上做可复核的分布统计。单一来源或单一设备占比过高时,模型可能学习到中心、压迫方式、后处理或报告习惯,而不是目标征象。项目可以按研究目的设定来源覆盖,但必须把集中度、未知字段和排除原因写进数据说明。
阳性病例富集是医学影像研究中的常见设计,但会改变阳性率和预测值。MammosighTR论文展示了一个公开数据集如何以双侧CC/MLO、DICOM文件、BI-RADS和随访信息组织病例,并通过多级阅片形成标签;该研究也明确指出,为保证少见阳性类别的训练和评估,数据中BI-RADS 4–5的比例被有意提高,因此不能直接当作普通筛查人群的患病率。6 采购或科研项目若采用类似策略,应同时提供真实分布、富集规则和适用的重加权说明。
分层抽样还应覆盖难例,而不是只抽“清晰、完整、容易一致”的病例。乳腺密度较高、中央区病灶、钙化与血管或皮肤重叠、术后瘢痕、单视图异常和报告语义不完整,往往更能暴露规则缺口。抽样结果需要按视图完整性、设备和标签来源进行回溯,不能用一个总体平均值掩盖亚组的不可用性。
标注与复核:先解决规则,再追求规模
执行前应以小批试标验证最小标注单元和标签字典。试标要回答:病灶如何拆分,多个钙化是否属于同一簇,肿块轮廓是否需要精细边界,结构扭曲与术后改变如何区分,单视图征象如何记录,报告中的疑似和阴性怎样编码。试标中的分歧不应被直接删除,而应转化为规则修订、示例补充和版本说明。只有在规则稳定后,批量标注才有可比较性。
多角色复核可以采用初审、资深复核和分歧终裁的结构,但角色安排和样本范围须按任务风险确认。复核者应能看到必要的同侧另一视图、原始报告和授权范围内的证据,同时保留盲审条件,避免被既有标签或病理结果无意带偏。对于无法可靠判断的对象,允许“未知”“待复核”“不适用”或“无法评价”,并记录原因。一个看似完整但强行统一的标签表,往往比显式保留争议更难用于可靠研究。
质量指标也应与任务匹配。分类可报告分层后的敏感度、特异度、校准和不确定性;检测或定位需要规定对象级匹配和定位误差;分割需要说明边界定义和评价区域;报告抽取则需检查否定、比较关系、类别和证据来源。不要用单一准确率概括所有任务,也不要把标注者一致性当作临床效果。研究者应将标签版本、模型版本和数据冻结时间绑定,确保错误可以追溯到具体规则。
验收要形成自动门、专家门和外部验证门
自动门负责发现机器可判定的缺陷:文件能否解码,Study和视图是否完整,匿名主键是否稳定,影像与报告是否配对,摘要是否一致,原始与派生状态是否正确,是否存在跨批重复和集合泄漏。对于脱敏,还要检查头信息、私有属性、像素内文字和引用键。任何身份信息泄漏、错患者或错报告关联、无法核验的授权、伪造文件或静默覆盖,都应作为阻断性问题,而不以总体通过率抵消。
专家门负责检查自动规则难以判断的医学语义。抽样应按中心、设备、协议、乳腺密度、阳性状态和质量档分层,并设置与常规交付不重复的独立质量基准。指定医生需要直接阅片或阅图,核对核心条目、报告原意、病灶位置、视图对应、缺失语义和术后背景。发现错误后,要能回到初审意见、复核意见、争议原因和修订版本;整改不是覆盖旧文件,而是生成可回滚的新版本。
图2|技术示意:乳腺钼靶数据交付的质量门与独立验证关系;不代表任何项目已完成验收、模型实验或临床部署。
模型验证门则把数据质量和研究设计连接起来。训练、验证和测试必须以患者或Study为边界划分,不能把同一患者的CC和MLO、纵向检查或病理关联对象拆到不同集合。评价时应分别报告不同密度、设备、中心、年份、视图完整性和标签证据来源下的结果。独立外部集合最好来自未参与规则制定或模型训练的来源,且在冻结前明确阈值、主要终点和亚组分析方案。
已有外部验证综述指出,乳腺AI研究常受阳性富集、选择偏差、样本量不足和人群迁移影响,来自一种人群的模型在另一种人群上可能出现不同敏感度和特异度,因此需要更多真实世界、多中心和前瞻性验证。7 前瞻性PRAIM研究也展示了研究设计的重要性:其在多个筛查中心比较AI支持的双读和常规双读,但由于是观察性实施,读片者选择是否使用AI会带来混杂,研究者必须通过设计和统计方法处理这种偏差。8 这说明采购阶段留下中心、设备、读片流程和时间信息,不只是为了统计报表,也是为了让后续模型评价有机会解释差异。
从数据交付到可复用的研发工作包
一个可复用的交付包不应只有影像目录和坐标文件。建议同时交付字段字典、Study/Series/Instance索引、视图与报告配对表、病灶或发现标签、证据来源、缺失和不确定性编码、分层统计、样本纳排规则、质量报告、问题清单、整改复验、文件摘要、版本记录和授权边界。对DBT、放大视图和合成2D,应保留与原始投照的关系;对超声、MRI、病理和随访,应标记关联级别而不是暗示已经完成像素级融合。
如果项目按质量档位交付,应把原始影像与正式报告、结构化语义、设备和人群元数据、详细病史、纵向关系以及其他模态关联分别定义为可核验的层级,并为每个层级写明缺失、降档和验收规则。同一Study在一个冻结版本中只能按最终实际达到的档位计入,不能把同一例的多视图、派生文件或跨模态关系拆开重复计数。每批还应有机器可读的manifest,至少能回指相对路径、对象层级、原始/派生状态、版本、转换与质检记录及文件摘要;更正、撤回或删除要形成新版本和影响清单,而不是静默覆盖旧文件。
准入与安全也不能用“已经脱敏”一句话概括。数据提供方、处理角色、使用目的、期限、衍生数据权限、伦理或其他正式决定、去标识方法和访问范围都应有可审计依据;DICOM头信息之外,还要检查私有属性、像素内烧录文字、图形叠加、自由文本和跨对象引用。DICOM保密配置文件本身也不等于完成完整去标识,研究用的稳定匿名键必须同时保留引用完整性和风险评估。3 涉及跨境存储、远程访问或再提供时,应按项目授权和适用规则单独确认,不能由供应方单方面解释为默认许可。
在算法路线方面,可先以病例级任务验证索引和标签,再扩展到多视图联合编码、跨视图注意力、病灶定位、报告结构化抽取和证据感知的多任务学习。对缺失视图、低质量图像和不确定报告,模型可以把缺失掩码、质量标签和不确定状态作为输入或分层条件,而不是把缺失值简单填成阴性。任何预训练、迁移学习或大模型方案,都需要在数据冻结后单独记录训练数据来源、预处理、阈值选择和外部测试边界。
从公司能力适配看,已核验的公开范围是以LangData为基础覆盖采集、处理、标注、质检和数据交付,并提供医疗数据目录、专业标注和项目化规格沟通。基于这一边界,可以讨论需求拆解、字段字典、试标、标注复核、质量审计和交付文档的组织方式;不能据此推断某一具体病例库存、现货规模、专家配置、医院来源、模型指标或临床批准。具体数据来源、授权、周期、阈值和交付状态仍应以样本评估和书面项目文件为准。
结语:把“数量验收”升级为“证据验收”
乳腺钼靶数据的业务价值,不在于把更多文件堆进一个压缩包,而在于每个Study都能说明它的边界、来源、视图、语义、证据和质量状态。只有先以稳定主键去重,再把原生影像、报告、病灶、病理和随访按层级关联,最后通过自动检查、专家抽检和外部验证闭环,数据才可能同时服务于模型开发、误差分析和后续复用。
对于研究团队,交付前应把任务目标、适用人群、输入模态、标签证据、划分方式和外部验证计划写进数据说明;对于采购方,验收不应停留在数量和文件可打开,还要检查图文一致性、分布透明度、去标识风险、争议记录和版本回滚。本文讨论的是医学影像研究数据建设,不构成个体诊断、筛查、治疗或疗效建议;任何临床使用均需由具备资质的医务人员在适用的伦理、合规、质量和监管框架下独立评估。
参考来源
- ACR Practice Parameter for the Performance of Digital Breast Tomosynthesis
- DICOM Digital Mammography X-Ray Image IOD
- DICOM Attribute Confidentiality Profiles
- ACR Breast Imaging Reporting and Data System
- Mammography-based artificial intelligence for breast cancer detection, diagnosis, and BI-RADS categorization using multi-view and multi-level convolutional neural networks
- MammosighTR: Nationwide Breast Cancer Screening Mammogram Dataset with BI-RADS Annotations for Artificial Intelligence Applications
- Artificial intelligence in mammography: a systematic review of the external validation of artificial intelligence algorithms
- Artificial intelligence for cancer detection in population-based mammography screening: results from the PRAIM real-world prospective cohort study

