MEDICAL DATA RESEARCH
结肠镜视频AI数据采购:从完整检查到可审计验收
面向医疗AI研发和数据采购团队,拆解结肠镜完整视频、病灶与帧级标签、报告与病理证据、数据划分、脱敏、独立抽检和批次整改,帮助把研究需求转成可复核的交付与验收规则。
结肠镜人工智能项目最容易被低估的,不是模型结构,而是“一个样本究竟是什么”。把一段退镜视频截成若干关键帧,再把同一息肉的多个视角分别计数,表面上样本迅速增加,实际却可能让训练集和测试集共享同一个病灶,让阴性结论掩盖检查不完整,也让病理、报告与影像之间失去可以复核的关系。对于准备采购或建设结肠镜视频数据的研发团队,真正需要先回答的问题不是能交付多少文件,而是:模型要完成哪一项临床任务,证据要落在哪一级,完整检查如何计数,质量限制如何表达,以及验收人员能否从交付物回到原始记录。
先把临床任务写成可执行的数据字典
结肠镜视频并非只有“发现息肉”一个标签。一个可用于算法研究的任务定义,至少要把输入模态、解剖范围、输出粒度和证据层级分开。输入可以是完整检查视频、关键原图、白光内镜或窄带/光学增强片段;如果项目确实产生放大、染色、活检或切除过程,也应作为独立协议记录,并与完整检查建立关系。输出则可能是帧级可见征象、病灶级框或分割、检查级阳性状态、报告级结构化字段,或者用于质量控制的到达范围、肠道准备和退镜观察完整性。不同输出不能用同一个“异常”字段代替。
从临床对象看,需求可以覆盖结直肠息肉、腺瘤和锯齿状病变、早期或进展期结直肠癌、炎症性肠病、憩室及其炎症后改变、结肠炎倾向、术后吻合口改变,以及肠道准备不佳或检查未完成等质量场景。正常且完整的检查应作为有证据的对照组,而不是把所有没有阳性标签的检查都称为正常。对于溃疡性结肠炎,连续性、受累肠段、活动状态和治疗状态可以拆成不同字段;对于克罗恩病,跳跃分布、纵行溃疡、狭窄或瘘口也需要保留可见范围。若检查没有进入足以评价的部位,就不能把“没有看到”改写成严格阴性。
标签还要说明“依据是什么”。内镜所见是直接可见证据,正式报告是临床记录,病理是组织学证据,CT或MRI、治疗记录和随访则是其他来源。影像提示、医生考虑、不能除外、治疗后改变和病理确诊不宜被压成一个确定类别。对每个字段,建议同时设置明确阳性、明确阴性、不确定、无法评价、未做、未知和真正缺失等状态,并记录来源类型、日期或关联对象。这样做并不是增加表格负担,而是避免模型把“没有病理”误学成“病理阴性”,也避免把影像级关联误称为病灶级或像素级金标准。
图1 技术示意:完整检查、序列与病灶实例之间应保持可追溯关系,报告、病理和质量字段按证据来源分层,不表示真实患者数据。
完整视频、关键帧和计数单位不能混为一谈
采购文件常把“例”“视频”“序列”“关键帧”和“病灶”放在同一张数量表里,但这些单位回答的是不同问题。面向检查级任务时,主计数单位应是一次完整结肠镜检查;同一次检查里的多序列、多视图、多期相、重复导出或同一息肉的多角度观察,不能因此变成多个独立病例。面向病灶检测时,病灶实例需要另设标识;面向时序研究时,起始帧、结束帧、关键帧和连续片段应有独立字段。样本量统计必须同时给出检查数、病灶数、视频时长或帧数的含义,不能用其中一个数字替代其他层级。
完整检查保留的是模型在真实流程中面对的观察机会。只交付阳性片段会让算法看不到寻找病灶、清洁度变化、视野遮挡、曝光变化、工具进入视野及未到达部位等困难条件,也无法判断一个阴性结果是否建立在足够的观察范围上。一个可复用的交付包通常应保留设备原始导出的完整视频和必要关键原图,并记录原始分辨率、帧率、编码、色彩或增强模式、时间顺序和设备信息。剪辑片段、截图、报告PDF或二次录屏可以作为派生物,但不应替代约定的原始对象。
DICOM现行标准把Video Endoscopic Image IOD定义为多帧视频内镜图像对象。2 这提示工程团队应核对实际对象类型、帧组织、时间属性、Study、Series和Instance关系,而不是看到“DICOM”三个字就默认完整性已经满足。视频也不应被强行套成静态图像:若源系统采用其他原生封装,需要记录原始格式、转换工具、版本和转换后校验结果。关键要求是下游程序能按约定顺序解码、播放和定位,而非单纯拥有一个能打开的文件名。
以完整检查为中心组织关系,还能减少重复计算。研究原始数据时,可以在检查层记录到达最深部位、回盲部或末段回肠标志、退镜观察和各结肠段;在病灶层记录肠段、大小、数量、形态、增强模式、取材或切除;在报告层保存检查所见、诊断印象、主要诊断、否定和不确定语义。若一枚息肉有多个视角,系统应通过同一个病灶标识连接,而不是把视角数当成病例数。若检查只提供一个片段,也要明确其覆盖范围和不可外推之处。
数据分布决定算法能否解释
结肠镜数据的偏差往往来自采集流程,而不只是类别比例。设备厂商和代际、图像增强模式、检查年份、操作者、肠道准备、检查目的、年龄性别与既往治疗都可能改变画面和标签分布。已有多中心数据描述研究选择保留从开始到结束的全程结肠镜,并同时记录病灶信息、肠道清洁度、内镜品牌和其他临床变量;这种组织方式的价值在于,研究者能够把模型错误放回真实检查背景中解释,而不是只在精选阳性图片上比较分数。4
临床质量指标可以作为数据字典的设计参照,但不应直接变成模型效果承诺。ESGE关于下消化道内镜的质量改进文件把肠道准备、盲肠插管、腺瘤检出、息肉切除、并发症、患者体验和术后随访建议列为关键测量方向,同时强调指标需要有清晰、可靠且可执行的测量方法。1 在AI数据项目中,更适合保存这些指标的原始值、适用分母、来源和版本,再根据具体任务决定哪些用于分层、哪些用于排除、哪些只是背景变量。这样既保留临床质量语境,也避免把指南中的中心或操作者指标误写成某个数据批次的诊断准确率。 这也是验收脚本应先于批量生产冻结的原因。
因此,队列设计应将明确阳性、明确阴性、不确定、正常完整、术后复查和质量受限检查分层管理。阳性主体可以突出病变,但不能因此删掉正常完整和失败样本。对术后改变或治疗后黏膜,应保留状态字段,不要为了满足某一病种比例而强行归入普通病变。检查年限不宜全部集中在单一时段;设备和协议也不宜只来自一个条件。项目可以按照实际来源规划多中心、跨设备和跨年份覆盖,但每个分层的目标应在项目开始时写清楚,完成后按逐例索引重算。
数据划分必须以患者或检查为边界,而不能以帧为随机单位。相邻帧高度相关,同一病灶的不同视角也高度相关;若它们分散在训练和测试集合,测试结果会被信息泄漏抬高。更稳妥的方案是先冻结患者级或检查级主键,再按时间、中心、设备或协议设置内部验证和外部验证,并把随机种子、纳排规则和版本存档。TRIPOD+AI明确要求评价数据与建模数据在参与者层面相互独立,并强调评价数据应尽量代表预期使用人群;不具代表性的测试数据可能造成有偏或误导性的性能估计。6
真实世界研究也说明,单中心、单设备和只用逐帧指标会限制结论。一个结肠镜视频研究在引入真实临床视频后,仍指出其单中心、单一成像系统、临床与病理变量不完整,且逐帧敏感度和特异度不能充分代替病灶级评价,因此需要多中心外部验证、病灶级指标和更完整的亚组分析。5 这对采购的启示是,设备字段、肠道准备、到达范围、患者与病灶特征不是可有可无的附表,而是解释泛化和偏差的必要元数据。
标注主体与争议记录要独立于算法
结肠镜标注至少需要区分三类工作。第一类是依据预先冻结的字典完成检查、序列、帧段和病灶初标;第二类是由具备相应消化内镜经验的复核人员检查部位、边界、时间连续性、质量受限状态和报告语义;第三类是对不能由规则直接解决的分歧进行独立仲裁。具体人员资质、抽检比例和一致性阈值应按项目风险和试标结果确定,不能把一套固定的“准确率”当成所有任务的通用保证。
对视频而言,专家复核不只是看某一张关键帧。需要检查病灶何时进入视野、是否暂时被遮挡、何时消失、是否在切除或活检后发生状态变化,以及同一病灶的多个视角是否被正确连接。对于模糊、反光、残留物、出血、器械遮挡和未达到部位,应提供不可判读或无法评价的状态,并保留原因。质量受限视频不能被当作正常阴性,否则模型会学习到“看不清等于没有病变”。
标注规范还应规定什么可以由算法辅助、什么必须由人确认。自动跟踪、候选框或关键帧提取可以减少浏览负担,但在专家审核前只能视为草稿;未经审核的草稿不应进入金标准、病理关联或最终性能集合。初始判断、复核意见、仲裁理由、修改人、时间和规范版本都应保留。对于报告与病理冲突,应记录冲突而不是静默覆盖;对于证据不足的字段,应维持不确定或未知。这样的争议记录未来可以用于误差分析,也能说明模型所面对的边界到底来自疾病、采集质量还是标注共识。
把质量验收拆成可重跑的检查链
验收不应只看一份样例目录或一张功能截图。更可操作的方式,是把交付过程拆成来源、对象、内容、关系和版本五条检查线。来源线核对授权范围、伦理或其他适用依据、处理角色、去标识方案和使用期限;对象线核对文件格式、层级、大小、哈希、原始或派生状态以及是否可完整解码;内容线核对时序、覆盖范围、协议、分辨率、帧率、设备和报告字段;关系线核对患者、检查、视频、序列、病灶、报告、标本和随访的关联键;版本线核对批次、规范版本、问题清单、整改复验和更正方式。
去标识不能被简化为删除文件头姓名。DICOM保密配置说明,关联对象的UID和引用关系需要保持一致地重映射,像素中烧录的身份信息、图形叠加和私有属性仍需专项检查;标准也明确,去标识工具本身并不替代对像素和实际使用场景的判断。3 对内镜视频,画面边缘、设备界面、报告叠加层或音视频附带信息都可能带出身份线索。交付前应以受控规则和人工抽检共同核查,并把工具名称、版本、处理时间和风险处置记录在数据卡或manifest中。
完整性检查需要能够重跑。建议为每批提供机器可读的相对路径、字节数、对象标识、原始或派生状态、检查级和病灶级主键、转换工具版本及文件摘要;接收方按同一规则复算。整改不能通过静默覆盖旧文件完成,而应产生新版本或差分包,说明受影响对象、旧新摘要、原因和回滚方式。若发现身份信息泄漏、错患者或错报告关联、授权无法核验、文件伪造或未披露的重复导出,应视为阻断问题,整改后重新进行自动检查并按风险复抽。
原件还把质量分档与计数分开:基础档可只到原始影像与正式报告,较高档再增加结构化字段、纵向序列或跨模态关联。每一档都应写清实际达到的内容,不能把同一检查按多个档次重复计数,也不能把“未做”或“不可得”补写成阴性。这样,采购方才能把研究任务、可得证据和验收口径保持一致。
图2 技术示意:验收闭环应把来源治理、原始对象、专家标签、独立验证和版本整改连接起来,任何阻断缺陷都不能被汇总数量抵消。
从数据验收走向算法和临床评价
数据交付合格,不等于模型已经有效;模型在冻结测试集上表现良好,也不等于临床获益。对检测任务,可以同时报告检查级是否发现病变、病灶级召回、误报负担和困难场景表现;对分割任务,要说明标注对象、边界规则、病灶单位和参考标准;对分类任务,要区分影像观察、报告标签和病理标签的来源。帧级指标可以用于分析时序稳定性,但不能独自替代检查级或病灶级评价。
STARD-AI将数据集纳入、来源、标注、采集设备与软件版本、预处理、训练验证测试划分和测试集代表性列为诊断准确性研究中需要明确报告的内容,并强调参考标准、外部审计和算法偏差的披露。7 对结肠镜项目,这意味着验收字段最好在模型方案之前就确定:测试集是否包含完整检查,病理是否只作为可得证据,哪些病灶属于少见或条件依赖,哪些检查因质量限制不能进入严格阴性集合。否则模型完成后再补定义,容易把数据缺口误写成算法结果。
如果项目进一步进入实时辅助或临床流程评价,评价对象还包括使用者、提醒时机、操作负担、误报处理和安全事件,而不只是离线分数。DECIDE-AI强调,早期临床评价应观察系统在真实工作流中的表现、安全性和人因,并通过可复现的报告支持后续研究;8 这与数据采购阶段的独立抽检相互衔接,但二者不是同一件事。文章中的研究结果若来自单中心或特定设备,应明确其适用范围,不应被改写成普遍临床效果、诊断保证或监管批准。
把采购范围拆成可协作的业务逻辑
一个可实施的结肠镜视频项目,通常需要把数据获取、数据治理、医学标注、平台或接口、算法验证和临床研究支持拆成不同工作包。采购方先用脱敏样例确认完整视频能否读取、字段能否对齐、病灶能否去重、报告和病理关联能否解释,再冻结数据字典和验收脚本。数据建设与平台许可不能互相替代;专家标注、复核轮次、存储、算力和院内接口也不应被笼统写成“系统已包含”。
在项目化数据服务中,朗慧科技可依据已核验的定位,围绕模态与任务梳理、数据字典、样例评估、专业标注组织、质量记录和版本化交付提供协作支持。但内镜视频的实际来源、可用规模、专家配置、授权边界和交付状态,仍需以样本检查、项目书面规格和最终验收为准;平台或服务自述不能替代独立的现货证明、临床验证或监管结论。对研发团队而言,这种边界反而有助于把需求、建议路线和已完成能力分开,避免在项目后期才发现交付物无法支撑原定研究终点。
结肠镜视频AI的研发价值,最终不在于把文件数量做大,而在于让每个检查都知道自己是什么、看到了哪里、为什么得到这个标签、哪些证据尚未获得,以及下一位研究者能否重复核对。以完整检查为计数骨架,以病灶和帧序列表达任务粒度,以报告和病理标明证据层级,以独立划分和外部验证检验泛化,再以可重跑的manifest、问题闭环和版本记录完成验收,数据才真正从“可交付”走向“可研究、可解释、可审计”。
参考来源
- Performance measures for lower gastrointestinal endoscopy: a European Society of Gastrointestinal Endoscopy Quality Improvement Initiative
- DICOM PS3.3 Video Endoscopic Image IOD
- DICOM PS3.15 Security and System Management Profiles
- REAL-Colon: A dataset for developing real-world AI applications in colonoscopy
- Real-World Colonoscopy Video Integration to Improve Artificial Intelligence Polyp Detection
- TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods
- The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence
- Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI

