MEDICAL DATA RESEARCH
多模态医学数据采购如何从“数量清单”变成可验证数据资产
面向医疗AI研发与数据采购,拆解CT、MRI、眼科、超声、X光、病理WSI、内镜和皮肤镜的计数主键、原始对象、标签证据、去标识、独立验证与主键级验收。
当一个医学人工智能项目同时涉及断层影像、二维影像、动态超声、眼科体数据、病理全切片和内窥镜视频时,最先需要解决的往往不是选哪一种模型,而是回答一个更基础的问题:交付的“一个样本”究竟是什么?如果同一项检查的多序列、不同重建、不同视图或视频关键帧被分别计数,数量会看起来很大,临床任务却未必得到相应的信息。反过来,如果把完整检查压缩成截图,把病理切片压成预览图,或把内镜视频剪成若干关键帧,模型失去的可能正是决定任务可行性的空间、时间和语义上下文。
高质量数据采购因此不应只写“多少例、多少张、多少小时”。它要从临床问题出发,先明确输入模态、解剖部位、病种或场景,再定义输出标签、数据颗粒度、纵向关联、标注主体、质量门槛和验收证据。已有医学影像数据整理研究也把任务定义、去标识、标注、质控和存储视为相互连接的流程,而不是互相独立的工作包。1 对多模态项目而言,这个流程还需要增加一层“计数主键与证据链”设计,才能让研究、采购和算法团队对同一批数据作出相同解释。
先把临床任务写成可验收对象
多模态不是把多种文件放在同一个目录。临床任务决定数据应当保存到什么粒度,也决定哪些信息可以作为标签,哪些信息只能作为待核查证据。以CT或MRI为例,研究目标可能是病灶检测、器官或病灶分割、报告语义分类、治疗前后影像比较,或者把影像与病理、实验室和随访结果联合起来。它们所需的输入从单一切片到完整检查不等,输出也可能从检查级标签扩展到病灶级、体素级或时间点级标签。若目标是多序列融合,原始序列、空间几何、扫描协议和派生重建的关系不能在交付时被抹平。
内窥镜视频的任务也不能简单等同于“图像分类”。一个模型可能要识别病变区域,另一个模型要理解到达范围、退镜过程或采样位置,还有模型关注增强成像模式在时间上的变化。对于这类任务,完整检查视频、帧率、时间顺序、设备模式、关键原图和活检或病理关系应当一起定义。超声则依赖操作者、探头、切面、增益和动态过程;如果只保留几张静态截图,后续算法很难判断图像是否来自完整检查或是否覆盖了规定结构。
眼底照相与OCT的关联又有自己的主键。左右眼不能无条件合并,同一眼的不同扫描协议也不能混成一个样本。OCT的完整Volume与单线扫描承担的任务不同;眼底图像的视野、黄斑或视盘中心以及可见范围会直接影响可评价性。病理全切片则至少要区分患者、病例、标本、蜡块、物理玻片与WSI。一个完整WSI不是一个普通的二维缩略图,扫描倍率、Level-0、金字塔层级、焦平面、染色和标本层级关系都可能影响训练与复核。
因此,需求文件的第一层应当是“任务卡”,而不是模态目录。任务卡至少写明:研究问题是什么;输入是完整检查、序列、Volume、视频、玻片还是病灶;输出是检查级、区域级、像素级、时间级还是病例级;阳性、阴性、不确定、不可评价和治疗后改变如何区分;哪些结论必须由正式报告、病理或随访支持。每个字段都要有可通过样例和退回样例,不能依赖会议上的口头补充。
九类模态对应九种验收对象
原件覆盖的模态很多,但验收不能用一套“文件数”规则包打天下。CT和MRI应以一次Study或检查为主键,把多期相、多序列、参数图和重建作为可追溯的组成对象;眼底照相和OCT应以眼别检查为边界,左右眼、扫描区域及OCT完整Volume不能互相替代。这样既能支持跨模态关联,也能避免把同一检查的派生对象重复计数。
超声的主键是一次完整检查,静态图、设备原生cine、测量和探头/模式参数应挂在同一Study下;胎儿检查还要在检查级主键下另建胎儿关联编号,不能把多胎拆成多次检查。X光则需把同次多体位、多视图和原始/处理状态组织在一起:乳腺摄影要区分CC、MLO、补充视图和断层合成,骨龄、骨折、脊柱侧弯和胸片要保留体位、侧别、曝光及拼接关系。截图或报告图不能替代原始对象。
病理的计数对象是合格物理玻片对应的完整WSI,Level-0、金字塔层级、MPP、焦平面、通道、染色和标本关系需要与切片保持一致;重扫和格式转换副本不应再次计数。胃镜、肠镜、支气管镜、阴道镜/宫颈镜及胆胰管镜则以一次完整Procedure为主键,完整视频、关键原图、到达范围、过程质量和取材/病理关系应一并验收。皮肤镜更接近病灶—检查主键,同一病灶的多视角、倍率和随访应以Tracking ID与时间点关联,而不能伪装成多个病灶。上述差异正是数据字典必须在采购前冻结的原因。
用计数主键阻断重复结算与数据泄漏
多模态采购最容易被低估的风险,是“数量单位不同”与“样本单位不同”同时存在。CT、MRI、超声和X光通常围绕一次检查或Study计数,但同一Study里可能有多期相、多序列、多视图、多重建或多通道。DICOM标准将影像信息组织在患者、Study、Series和实例等关联对象中,强调对象及其元数据之间的关系,而不是把每个文件都视为一个独立病例。2 这意味着采购清单必须先指定计数主键,再规定哪些派生对象只能作为该主键的组成部分。
一个可执行的主键规则,应能在清单中回答四个问题。第一,谁是计数对象:患者、检查、眼别、病灶、物理玻片还是完整Procedure。第二,哪些对象属于同一次检查:多序列、多期相、不同体位或不同增强模式如何归组。第三,派生对象怎样标识:MPR、三维重建、参数图、关键帧和格式转换副本是否只作为关联文件。第四,重复如何处理:重复导出、重扫、同一病灶多视角、同一患者跨批次检查如何去重或保留纵向关系。
内镜视频特别需要避免“按帧计数”。完整胃镜、肠镜、支气管镜、阴道镜或胆胰管镜检查应当以一次Procedure作为主键,视频中的帧、片段和不同增强模式挂在Procedure下。皮肤镜则更接近病灶级主键,同一病灶的多视角和不同倍率可以形成观察集合,但不能被误算为多个病灶。产前超声在多胎场景还要区分检查级主键与胎儿关联编号;检查只计一次,胎儿标签按关联对象展开。病理则以合格物理玻片对应的完整WSI作为切片级计数对象,重扫、金字塔层级和格式转换不应重复计价。
主键的另一个作用是防止训练测试泄漏。若同一患者的不同检查被随机分到训练集和测试集,模型可能记住设备、机构或个体特征,而非学习临床任务。多中心项目要在交付前冻结患者级、病例级或病灶级划分规则,留下稳定的匿名关联、分层抽样记录和随机种子。独立测试中心不应只被理解为“再抽一批文件”,而应代表未参与开发的来源、设备、协议或时间分布。
从原始对象到证据链:数据设计要保留什么
原始数据不是为了“显得完整”,而是为了保留任务重建所需的证据。CT和MRI交付时,空间几何、层厚、重建核、序列名称、磁场强度、线圈、TR、TE、TI、b值、对比剂和动态期相等信息应按实际存在情况保留,并与Study/Series/Instance关系一致。DICOM信息模型允许一个复合对象引用患者、Study、Series、设备、Frame of Reference和图像等多个实体;这类关联是后续配准、复查和质量追溯的基础。2
二维X光也不能被“看起来清楚”的截图替代。胸片、四肢骨折片、骨龄片、脊柱全长片和乳腺摄影都需要保留体位、视图、侧别、曝光与原始或处理状态。多体位检查应归入同一检查主键,同时将补充视图、拼接关系、处理图和原始投照分开标记。否则,算法可能把处理版本当成独立样本,采购方也无法判断一项完整检查到底是否交付。
超声的证据链要同时保留静态图、设备原生cine或视频、模式、测量、单位、探头和设备参数。关键不是要求每个项目都包含所有模式,而是让“实际提供了什么”能够被机器清单和人工复核共同确认。乳腺或甲状腺任务需要侧别、象限或位置、三径和淋巴结区等结构化语义;腹部任务要记录实际显示的脏器范围,未完整显示的结构不能被自动归入阴性。胎儿超声应保存孕周、胎儿编号、胎位、胎盘、羊水、生物测量和可评价解剖系统,不能用模板字段填补未评价结构。
病理WSI的交付包应把扫描仪原生文件、互操作格式、Level-0、金字塔、MPP、焦平面或通道、染色和标本关系分开记录。HE、IHC和特殊染色不能只用一个“病理图像”枚举代替。报告、取材方式、蜡块或玻片编号及病理诊断应通过稳定的匿名关联连接到切片,但研究标签与病理结论不能混用。病理报告支持的是诊断证据或语义监督,ROI和细胞级标注则是另一种粒度,须在字段字典中分别定义。
去标识也必须贯穿原始对象和证据链。DICOM的保密配置不仅涉及患者姓名等直接字段,还涉及私有属性、UID替换、文件名、目录名、像素内烧录文字、overlay和自由文本。官方标准说明,去标识应通过移除或替换不能用于识别患者的属性来实现,同时要维护信息对象的完整性。3 因此,匿名化不能被写成“导出前统一处理”一句话,而要成为入库检查、像素检查、跨批次关联和交付复核的可记录步骤。授权范围、伦理审批和去标识是三类不同证据,不能互相替代。WHO也强调,健康AI应把伦理、人权、责任和对受影响人群的回应放在设计、部署和使用全过程。7
标签不是结论复制:要保留不确定性和来源
多模态数据的标签需要区分“观察到什么”和“最终证实什么”。影像报告中的所见、结论、否定、不确定、考虑、不能除外、术后改变和病理确证应分别编码。疑似肿块不应在数据清洗时被升级成恶性肿瘤;局部扫描也不应产生扫描范围之外的阴性结论;不可评价应有独立枚举,而不是默认为阴性。这样的语义保留,能减少标签噪声,也能让模型学习到临床不确定性,而不是被迫在证据不足时给出确定答案。
标签颗粒度必须与临床任务匹配。检查级分类可使用结构化报告或病理结果作为监督,但病灶检测还需要部位、侧别、大小和边界;分割任务需要明确责任切片、空间坐标、边界规则和术后改变处理;内镜过程理解需要到达范围、盲区、可视质量、退镜或取材阶段;皮肤镜随访需要病灶Tracking ID和时间点。专家标注不是简单地“看过一遍”,而是按指南执行,保留初标、独立复核、分歧、仲裁和版本。
建议将标注流程分成四层。第一层是机器和人工的入库自检,检查格式、可读性、完整性、关键字段、哈希和去标识状态。第二层是经过专业培训的初标或结构化录入。第三层是对标注者不可见结果的单盲复核,重点查看边界、侧别、部位、时间顺序和标签语义。第四层是对高风险、争议或跨中心不一致样本的专家仲裁。标注者资格、仲裁条件和是否允许查看前一轮结果,都应写入项目规范。盲审的价值在于减少相互暗示,不在于机械增加审核人数。
质量指标也应与任务一致。分割可讨论Dice、IoU或表面距离,检测可讨论召回、精确率或FROC,分类可讨论敏感度、特异度、校准和分层表现,视频任务还要检查时间边界、帧率和连续性。采购验收不能把一种任务的指标替代另一种任务,也不能把训练曲线当成外部泛化证据。对不确定或不可评价样本,重要的质量问题可能是纳入比例、字段完整率和语义一致性,而不是一个看似漂亮的平均准确率。
把多中心差异写入偏差与外部验证方案
多中心并不等于把多个来源简单拼接。机构等级、地区、设备厂商和型号、软件版本、操作者、扫描协议、年份、年龄、性别、病种谱和术后比例都可能改变数据分布。Nature Medicine关于健康数据标准的分析指出,人口属性和数据多样性既关系到偏倚发现,也关系到数据能否被不同人群安全使用;数据文档应让使用者知道数据集的适用性与不足。5 FUTURE-AI进一步把采集地点、机器、预处理和标注过程视为偏倚来源,要求在设计和验证阶段主动记录并评估。6
因此,数据字典应有“来源属性”一组字段,但不必为了收集而收集。字段的目的,是支持分层抽检和独立评价。例如CT可按设备与协议分层,MRI可按磁场强度、线圈和序列分层,超声可按探头与操作者场景分层,内镜可按设备模式和检查完整度分层,WSI可按扫描仪、染色与焦平面分层。对眼科数据,还要记录眼别、视野或扫描区域;对皮肤镜数据,要记录解剖部位、偏振和倍率。若某个属性可能造成再识别,应遵循最小必要原则,并把访问权限与研究用途分开。
外部验证应在模型开发之前写进数据方案,而不是结果不理想时临时寻找。基准数据集的建设建议强调图像质量、病例代表性、预处理、统计设计和可获得的外部验证条件,因为外部数据是检验泛化的重要基础。4 对采购项目来说,至少要保留一个未参与指南制定或模型调参的评价集;对高风险任务,最好以中心、时间段、设备或人群为单位隔离。独立测试集的标签应完成同等程度的专业复核,但测试结果不应反向修改训练标签或预处理规则。
验收要围绕“可复核交付”而非总量放行
在量产前,先用代表性样例和小批次试采走通全链路。样例应覆盖正常、阳性、不确定、术后、低质量和不可评价情况,也要覆盖不同的协议、设备、视野、染色、视频增强模式或扫描层级。验收人不应只打开预览,而应检查原始对象是否能在目标工具中读取,标签能否与原始几何对齐,报告或病理是否连接到正确的匿名对象,视频是否保持时间顺序,WSI是否保留必要的层级。
每批交付都应有机器可读manifest、字段字典、计数统计、文件摘要、QC结果、授权和处理记录。manifest中的计数必须按模态主键分别统计,不能把检查、眼别、病灶、Procedure和玻片简单相加为一个“病例数”。清单还要说明缺失、拒收、重复、重扫、转换和补交对象的处理结果。只要关键缺陷未关闭,批次就不应按总量放行;整改后应重新全检或按风险重新抽检,而不是只替换几个文件名。
版本管理是验收的一部分。需求、标签字典、去标识规则、病例划分、抽检方案和导出格式都应有版本号。已交付对象不得静默覆盖,修订要生成新版本或delta包,并说明受影响的主键、标签、报告关联和模型划分。对于复购或追加批次,必须先对照上一版本的差异,确认计数口径、空值含义、匿名关联和测试集隔离仍然一致。否则,新增数量可能扩大数据规模,却破坏纵向可比性和研究复现。
业务上,最稳妥的结算逻辑也应建立在“合格主键”而非文件数量之上。试采阶段确认范围和反例,量产阶段按清单、质量档和复核证据收束,关键缺陷触发停线或回修。数量、周期和交付方式只有在具体模态、目标任务、授权边界、专家复核范围和书面规格确认后才有意义,不能把需求文件中的规划数解释为现货,也不能把平台自述写成独立临床效果证明。
公司能力与项目边界如何对齐
对于需要采集、处理、标注、质检和版本交付的项目,数据基础设施平台可以承担流程承载、任务分配、状态记录和交付组织等工作;但医学标签的定义、专家资格、授权、伦理与独立验证仍由项目责任方共同确定。朗慧科技公开定位为AI数据基础设施及流程服务商,自研LangData覆盖采集、处理、标注、质检和数据交付;医疗目录提供按部位、模态和任务组织的需求沟通与样例评估入口。具体模态、格式、专家配置、规模和交付状态,仍应以样例、项目规格和书面确认核验,不能从一篇方法文章推断为现货或已完成临床验证。
这一区分对采购方和研发方都重要。采购方需要的是可追溯的范围、质量和证据;算法方需要的是读得通的原始对象、稳定的主键和冻结的划分;临床专家需要的是能解释的标签定义、争议处理和外部评价。三者共用同一份数据字典、版本记录和验收样例,才有可能把一次采购转化成可复用的数据资产,而不是一批交付后无法重建的文件。
多模态医学数据建设的研发价值,不在于把更多模态写进同一个目录,而在于让每一个临床任务都能找到对应的输入、标签、证据、责任和评价边界。先定义计数主键,再保留原始对象;先建立语义和专家仲裁,再谈算法路线;先隔离独立测试,再解释研究结果。这样形成的交付,才有机会支持模型训练、跨模态研究和后续验证,同时不把采购规划、研究效果或公司能力越界写成临床结论。
图1 多模态医学数据从任务定义、原始对象与标签证据到分层质检和版本交付的技术示意;非患者样本,不表示真实项目已完成或临床诊断结果。
图2 围绕患者级划分、模态分层、专家仲裁和独立测试的评价与验收关系技术示意;非实验结果图,不表示任何模型性能或临床效果。
参考来源
- Image annotation and curation in radiology: an overview for machine learning practitioners
- DICOM PS3.3 Information Object Definitions
- DICOM PS3.15 Security and System Management Profiles
- Recommendations for the creation of benchmark datasets for reproducible artificial intelligence in radiology
- The value of standards for health datasets in artificial intelligence-based applications
- FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare
- Ethics and governance of artificial intelligence for health

