跳至正文
朗慧科技

MEDICAL DATA RESEARCH

八类医疗数据采购怎样写成可验收规格:从病程字段到 DICOM 与病理图像

面向医疗AI研发与数据采购读者,拆解全流程病程、结构化病例、手术影像、DICOM住院记录、病理、问诊、CT和体检八类数据的输入输出、字段配对、脱敏治理与独立验收方法。

临床文本与纵向多模态AI辅助整理 · 研发交流

医疗数据采购最容易出现的误判,是把“有病历、有影像”当成可直接训练或评测的交付结果。真正影响模型能否复盘的,往往是更细的关系:一份 PDF 是否能被机器提取,一条检验结果是否同时带有单位、参考范围和异常标记,一组 DICOM 序列能否与结构化住院记录对应,术前影像是否确实属于同一台手术,病理图像是否有可以核对的报告,问诊中的临床图片是否紧邻医生判读。若这些关系没有在采购阶段写清楚,后续的标注、建模和外部验证都会把“数据缺失”误当成“模型能力不足”。

这类需求不应再写成一个笼统的“大包病历”。更稳妥的做法,是按数据产品拆分输入、输出、颗粒度和验收条件,再把每一类的失败原因保存到可追溯的版本记录中。本文以八类常见医疗数据形态为例,讨论如何把格式和字段改写成可执行的技术规格,并把脱敏、标注、质量控制和独立评价接到同一条链路上。文中出现的数量、分辨率和缺失率均应理解为项目约定示例,不是通用临床标准,也不代表任何模型已取得临床效果。

一、先把采购对象拆成八种数据产品

第一类是全流程病程样例。输入可以是按科室或疾病分文件夹整理的独立 PDF,最低要求是文字可提取,而不是把纯图扫描件伪装成文本。一个样本的输出不是“文件数量”,而是入院、评估、检验、影像、治疗、手术相关和出院等文档之间可回溯的纵向链条。若项目把必含文档的缺失率上限约定为 10%,则必须同时交付按样本列出的缺失清单;超出上限的患者级样本不能用其他样本补足合格量。入院诊断与出院诊断要同时保留,量表还要有名称、评分、日期和评估人,否则模型无法区分一次评估的数值与后来修订的结果。

第二类是结构化病例数据。结构化表按项目约定以 XLSX 交付,第一行固定为表头;若另有文本导出,需明确 UTF-8 编码,并与原始病历 PDF 一一配对。字段设计至少要能表达入院记录中的主诉、现病史、既往史、体格检查和 ICD-10 入院诊断;还要覆盖病情评估、至少两种评估量表、检验、影像报告、病程记录、知情同意或手术记录以及出院小结。检验结果不能只保存一个数字,还应保存项目名称、结果值、单位、参考范围和异常标记。药品医嘱需要说明通用名、频次、剂量和给药途径,并在项目需要时写明编码体系。配对键一旦断裂,不能靠模糊相似度把一行表格“猜”回某份病历。

第三类是手术病历与影像数据。输入可由 DOCX 或 PDF 文书加独立影像文件组成,输出需要保留术前病历、术前影像、手术记录、术后影像及术后病程之间的邻接关系。若项目规定单张影像至少 512×512 像素、每例至少有三张术前或术后影像,并要求覆盖六个或更多手术科室,这些条件应拆成可计数的检查项。图像紧邻的文字描述、手术名称、日期、麻醉方式、术后诊断和手术经过是配对证据,不是可有可无的附注。科室覆盖也应由计数表证明,不宜用“各科室均有”替代。

第四类是影像数据与完整住院记录。这里的输入是含完整序列信息的 DICOM 影像和结构化住院记录表,输出则是影像研究、住院阶段、影像学报告、医嘱、检验及手术记录可由同一脱敏患者键关联的目录。DICOM 不等于一组可以打开的图片;序列是否完整、Study 与 Series 是否混淆、切片厚度和像素间距是否被保留,都会改变后续的三维重建和定量测量。结构化表应保留检查时间、检查类型、部位、所见和诊断结论,并明确它对应的是哪一项研究,而不是只按文件夹名称推断。

第五类是病理切片数据。输入可以是 JPG 或 PNG 图像与病理报告 PDF,输出至少应能把病理号、病理类型、大体描述、镜下所见、病理诊断、临床诊断、免疫组化结果和 AJCC/TNM 分期逐项对应。常规石蜡、液基细胞学、冰冻、免疫组化、穿刺、特殊染色和分子病理不能被默认为同一种图像任务;如果范围涉及全切片级数据,还要单独冻结切片格式、扫描倍率、视野层级和导出方式。只有图没有报告,或只有报告没有图,都不应计入合格量。分期字段不适用时也要写明原因,不能留下空白让下游推测。

第六类是问诊对话数据。输入是带图片的 DOCX 对话文档,输出是按对话组、轮次、场景和医生结论组织的文本—图片配对。首诊、复诊、用药咨询和检查解读应在目录中区分;如果项目约定每组平均至少六轮,就要定义“轮”的起止边界,不能把一句系统提示算作医生或患者的一轮。每组至少一张患者上传的临床图片时,图片应紧邻对应文字,并带有医生判读结论。图片存在但没有判读,或对话存在但无法确认图片属于哪一次问诊,都属于关联失败,而不只是文本缺失。

第七类是头部、胸部和腹部 CT 纯影像加报告。输入是完整层面、无缺层的 DICOM 序列与结构化报告表。脱敏后的 PatientID、StudyDate、Modality、BodyPartExamined、SliceThickness、PixelSpacing、Rows、Columns 和 BitsAllocated 等字段,需要与研究范围一同冻结;临床诊断、检查时间、设备类型、扫描方式、阳性或阴性、影像所见和诊断结论则进入报告字典。设备型号和部位分布不能只在交付说明里口头提到,因为它们决定模型是否学到设备或中心特征而不是病变特征。

第八类是体检报告数据。它可以复用 CT 加报告的结构化思想,但不能直接复制 CT 的标签。项目应先说明体检项目、编码、单位、参考范围、结论和影像附件的边界,再决定哪些结果是个体级记录、哪些是一次体检套餐的组成项。无论是血压、实验室结果、超声附件还是医生结论,都要把检查日期、结果状态和来源文书保留下来。八类并不是要强制每个项目全部采购,而是提醒采购方不要把不同颗粒度、不同模态和不同授权条件混装为一个无法验收的目录。

二、输入、输出与配对键要先于模型路线

多模态医疗数据的最小可用单元,通常不是患者,而是“患者—就诊—文档—检查—序列—图像—字段—对话轮次”中的某一层。全流程病程以患者和文档为主,结构化病例以字段行和原始文书配对为主,DICOM 以研究和序列为主,手术影像以事件前后与文书位置为主,病理以图像—报告—病理号为主,问诊则还需要对话组和轮次。若采购表只写“每例患者一套数据”,下游无法判断一张影像属于哪一次检查,也无法判断一条检验结果是报告中的原值还是人工推导值。

字段字典应同时写中文名称、机器键名、数据类型、允许的枚举、空值语义、单位、时间精度、来源文档和是否允许推断。空、未知、不适用、未查不应都变成空字符串;“阴性”也不能与“未检查”混为一谈。对于检验结果,单位和参考范围是结果解释的一部分;对于量表,评估日期和评估人是纵向比较的一部分;对于影像,部位和扫描方式是模型输入条件的一部分。FHIR 的 Observation 资源将测量或简单临床判断与状态、编码、主体、值、解释和参考范围联系起来,并明确缺失原因可以作为结构化信息保存3。这不意味着每个采购项目必须改用 FHIR,而是说明字段设计应当保留可计算语义,而不是只保留一列自然语言。

影像报告的组织也不应把 PDF 与像素文件分开后再要求算法“自己找对应关系”。FHIR DiagnosticReport 的设计将诊断报告、原子化 Observation、图像或影像研究以及结论放在同一临床上下文中4。在采购规格中,可以不要求最终交付为 FHIR,但应至少要求报告编号、检查时间、研究标识和影像引用关系能够复现类似的连接。这样,结构化表、原始文书和 DICOM 才能分别服务于机器读取、人工复核和影像重建。

八类医疗数据从准入到可训练交付的结构化链路示意查看完整技术图(可放大)

图1 技术示意:展示不同模态以各自颗粒度进入统一的格式、字段、配对与版本质检,不表示真实患者、已完成实验或临床诊断。

三、把准入检查和算法预处理分成两层

第一层是与模型无关的准入检查。文件签名、可读性、编码、目录规则和病毒扫描属于数据工程门槛;PDF 复制测试、XLSX 表头检查、影像序列计数、DICOM 必要字段核对、图像分辨率和报告存在性属于医学数据门槛。OCR 产生的文本要标记为 OCR 来源并记录人工复核范围,不能与原生文本混在同一字段里。对于烧录在像素中的姓名、日期或检查号,不能只清空 DICOM 元数据。DICOM PS3.15 的基本应用层保密性配置文件把像素清理、可识别视觉特征清理、图形和结构化内容清理列为不同选项;其中像素清理要求真正移除相应像素值,而不是仅覆盖一个可能被接收系统忽略的图层2。

第二层才是模型预处理。文本任务可把章节、实体、否定、时间和数值拆成可监督标签;结构化任务可按字典执行类型转换、单位标准化和编码映射;影像任务可在保留原始序列和审计记录的前提下做窗位、重采样、裁剪或强度归一化;多模态任务要把每一次变换写入处理日志。预处理输出必须能够回到未变换的源文件,否则一旦模型出现异常,无法区分是原始数据问题、配对问题还是重采样造成的差异。

这里不宜用一个“全能模型”覆盖八类任务。病程与问诊更适合先做文书分段、实体和关系抽取,再把人工确认的字段交给模型训练;结构化病例适合做规则校验、编码映射和缺失模式分析;影像与报告可先做研究级配对,再按任务选择分类、检测、分割或检索;病理图像应将视野级、切片级与病例级标签分开。采购验收关注的是输入和输出是否成立,不是提前承诺某一种模型一定有效。对图像模型而言,CLAIM 2024 更新要求报告数据来源、纳排标准、预处理、脱敏、缺失数据、采集协议、参考标准、标注者、分区层级与外部测试等信息,以便研究能够复现6。这些要求也可以反向用于采购字段设计。

四、专家标注不是把文本抄进表格

标注主体应按任务分工。数据工程人员负责文件结构、键值、类型和格式一致性;熟悉文书的医学专业人员负责诊断、病程阶段、量表和结论字段;影像或病理专业人员负责参考标准、图文对应和难例裁决;隐私或合规角色负责授权状态、脱敏策略和可传播边界。一个人同时承担生产和终审,会让错误被“熟悉感”掩盖,尤其是对长期使用的模板和固定设备。

对关键字段采用双人独立标注更有意义。两名标注者先在互不看到对方结果的情况下判断文档类别、字段存在性、配对关系和不确定状态;不一致的样本进入裁决,不用平均值把真实争议抹平。量表数值、否定句、未检查、报告补充和分期不适用等边界要有正例、反例和“需专家裁决”标签。问诊图片的医生判读不能由图片是否存在推导出来;病理分期也不能由病理号或临床诊断自动补写。

参考标准要写成另一位专家可以复做的规则。对于图像标签,应给出解剖边界、病灶定义、分级或分期例子,以及允许的模糊情形。对于文本标签,应给出章节范围、实体边界、否定和时间归属。CLAIM 建议公开参考标准的定义、标注者资格、训练说明、测试集标注过程和标注者间或标注者内变异处理6。在数据采购中,这些内容可以落到标注指南版本、培训记录、分歧单和裁决理由,而不是只写“专家审核”。

五、质量门槛要能让另一位同事重做

一个可执行的验收单至少应把失败分成缺失、空值、配对和影像或元数据四类。缺失回答“必需文件或字段有没有”;空值回答“字段存在但语义是否明确”;配对回答“表格、文书、图像、研究和时间是否属于同一临床事件”;影像或元数据回答“序列、分辨率、DICOM 头和报告是否满足约定”。每一类都应记录样例编号、当前字典版本、通过或退回、退回理由和责任环节。失败超出项目阈值时,应停线修订字典或返工,而不是继续累积一个无法解释的合格率。

FDA 关于电子健康记录和医疗理赔数据的指导把数据质量与临床含义、可追溯性、完整性趋势、结构化和非结构化处理、跨系统协调、映射准确性、去标识化、重复记录处理以及链接错误量化联系起来1。这与采购中的“XLSX—PDF 一一配对”是同一个问题的不同表述。配对键的命中率不能单独代表质量,还要检查错配和漏配是否集中在某些科室、设备、时间段或病种。若只抽查成功配对的样本,会系统性忽略最难连接的记录。

脱敏也要分层验收。文本要检查直接标识、自由文本中的间接标识和文书图像中的烧录文字;DICOM 要记录删除、替换、保留和日期处理的规则;临床时间若需要保留纵向关系,可以采用项目批准的时间偏移,但要记录偏移策略和可回溯边界。AI4HI 项目的比较研究显示,不同项目对 DICOM 标签的修改范围并不相同,临床日期也可能通过偏移来保留时间间隔;因此不能把“按标准脱敏”当成一个无需说明的结果7。脱敏完成不等于可以公开传播,授权、伦理、出境和二次使用要由有权主体确认。

医疗数据采购从样例到独立评价的质量与治理闭环示意查看完整技术图(可放大)

图2 技术示意:展示缺失、空值、配对、影像元数据和隐私状态如何进入分层抽检、裁决、版本冻结与外部评价,不表示真实验收结果。

六、外部验证要在采购时预留位置

如果数据只按随机文件拆分,模型可能同时看到同一患者的不同时间点、同一检查的相邻切片或同一设备模板。影像数据至少应在患者级或更高层级互斥;全流程病程和问诊对话也要按患者或完整就诊链拆分。外部验证则应尽量引入不同来源、设备、科室或时间段,并记录标签结构是否发生变化。内部测试通过,只能说明在相近来源上有一定可复现性,不能直接转换为临床效果。

TRIPOD+AI 将评估数据定义为与训练、调参和模型选择不重叠的数据,并强调其应代表模型计划使用的人群;指南还要求说明关键亚组、缺失数据、公平性和外部评价。若训练数据没有覆盖目标人群的年龄、性别、合并症、地域或照护场景,模型在缺失人群上的表现可能不符合预期,应明确写出限制5。因此,采购规格中的科室分布、设备类型、时间范围和报告来源不是装饰性统计,而是外部效度的先验设计。

验收结果要区分三种结论。通过表示文件和字段满足当前版本的定义;退回表示至少有一条明确失败原因;待补齐表示授权、专家裁决或关键元数据尚未完成。它们不能被折算成“模型准确率”。如果后续开展模型研究,才根据任务选择精确率、召回率、AUROC、校准、分割重叠、文本字段准确率或配对错误率,并报告不确定性、难例、亚组和外部集。研究效果与临床效果之间还隔着前瞻性流程、医生使用方式和真实工作负荷,不能用一次离线分数替代。

七、把验收写进业务而不是写在验收日

采购应先做小规模试标,再决定是否扩量。试标包按八类分册,每一类独立给样例、字段字典、正反例、脱敏记录和抽检表;一类退回不应被其他类别的数量掩盖。项目双方先冻结目录、键值、样例编号和版本号,再进行格式准入、双人复核和小流量生产。版本变更时,要说明是增加字段、改变枚举、改变空值语义,还是改变配对规则;旧批次不应在没有迁移记录的情况下自动改写。

业务上,这样做能把“可用数据”的讨论从价格前移到范围、责任和返工路径。采购方可把每类数据的合格量按通过样例计数,把待补齐项与返工项分开,把授权不明的数据留在待核区。交付方则可以把脚本检查、专家裁决、版本差分和抽检日志作为同一批次的交付记录。任何一项没有样例编号或冻结规则,都不宜在宣传材料中写成已完成能力。

基于已核验的公开能力边界,朗慧的定位是 AI 数据基础设施及流程服务商,自研 LangData 平台覆盖采集、处理、标注、质检和数据交付。这样的定位适合把八类医疗需求拆成可沟通的目录、样例和质量记录,但不等于默认拥有全部临床系统、全部模态或某个项目的现货数据。具体部位、文书类型、专家范围、授权条件、交付周期和验收阈值仍需在项目书面规格中确认。平台或流程能够帮助记录数据链路,却不能替代医学专家对参考标准的判断,也不能替代买方对伦理和合规路径的确认。

最终,好的医疗数据采购规格并不是字段越多越好,而是每个字段都有来源、语义、粒度、配对关系和失败处理方式。全流程病程要能回到原始文书,结构化病例要能解释每一个值,DICOM 要能保留与任务有关的序列信息,病理和问诊要把图像与报告或判读真正连起来,体检和 CT 要有清晰的编码、单位、时间和结论。这样形成的数据,才有机会支持可复现的标注、可审计的模型训练和更诚实的外部验证。

参考来源

  1. Real-World Data: Assessing Electronic Health Records and Medical Claims Data to Support Regulatory Decision-Making for Drug and Biological Products
  2. DICOM PS3.15: Security and System Management Profiles
  3. Observation - FHIR v5.0.0
  4. DiagnosticReport - FHIR v5.0.0
  5. TRIPOD+AI statement: updated guidance for reporting clinical prediction models
  6. Checklist for Artificial Intelligence in Medical Imaging: 2024 Update
  7. Documenting the de-identification process of clinical and imaging data for AI for health imaging projects