MEDICAL DATA RESEARCH
全身 CT 影像—报告多模态数据采购:从“数量”走向可验收的数据资产
面向医疗AI研发与数据采购,拆解全身多部位CT影像—报告配对的Study级去重、DICOM协议元数据、报告语义、分层质控、患者级划分与中心外测试,帮助把规模采购写成可回读、可验收的数据资产。
为什么一项覆盖多部位 CT、配套影像报告的采购,交付了大量文件后,仍可能不能直接用于模型训练?问题通常不在文件数量,而在“例”究竟指什么、影像与文本是否真的属于同一次检查、不同期相和重建是否被重复计数,以及设备和协议差异有没有被保留下来。若这些问题没有在采购阶段写清,后续的训练集划分、标签生成和外部验证都会被悄悄污染。
这类需求的本质不是买一批图片,也不是简单购买报告文本,而是建设以 CT 检查为基本单元、以 DICOM 原始对象为影像底座、以结构化报告为语义补充、以设备和协议元数据为可解释条件的数据资产。公开研究已经展示了 CT 与放射学报告配对用于三维视觉—语言建模的可行性,但也提醒读者:单中心、单一部位或非增强数据集的结论,不能自然外推到全身、多中心、多协议场景。1 因此,采购表应先把临床任务、数据结构和验收边界拆开,再讨论算法路线和规模。
一、先定义“一个检查”,再定义“多少例”
源需求覆盖胸部、腹部、头颈部、盆腔、心脏和大血管、骨关节与脊柱,以及牙齿和口腔颌面等区域。临床场景横跨肿瘤、感染与炎症、血管病变、创伤、退变、术后随访和正常或筛查检查。模态也不是笼统的“CT”,而是包含平扫、低剂量、薄层或高分辨率 CT、增强 CT、CTA/CTV、CT 灌注和牙科 CBCT 等不同协议。每一类协议决定了可见结构、报告语义和潜在偏差,不能在入库后再靠文件名猜测。
采购统计若以检查或 Study 为单位,同一 Study 内的多期相、多重建、多序列只计算一个检查单元,这是防止数量虚高和数据泄漏的关键。工程上应同时保留 Patient、Study、Series、Instance 四级关系,但公开交付的研究主键应使用重新映射后的匿名 ID。Series 级字段用于说明平扫、增强期相、肺窗或骨窗等上下文,Instance 级信息用于确认切片数量、方向和空间连续性。这样做可以把“计数口径”和“训练输入”区分开:同一 Study 可以有多个可用影像序列,却不能被当成多个独立病例。
一个可复用的检查级 manifest 至少应记录匿名 PatientID、匿名 StudyInstanceUID、Series 列表、模态和协议、检查部位、来源中心编码、设备厂商与型号、扫描年份、层厚和体素间距、重建核、图像方向、报告关联状态以及质量状态。对于报告,还要标明它对应的是 Study 还是某个 Series,是否包含临床信息、检查技术、所见和印象,是否存在缺段、模板化内容或无法确认的关联。真正可验收的交付物不是一串文件名,而是影像、报告和这些关系能够相互回读。
图1 技术示意:展示检查级主键、DICOM 序列、报告段落和质量记录的关系;不表示真实患者、真实数据或已完成实验。
二、全身覆盖不是把部位清单简单拼在一起
多部位数据的价值在于让模型看到不同解剖区域、协议和临床问题,但多样性只有在可解释时才有意义。胸部需要区分常规平扫、低剂量、薄层 HRCT、增强检查和肺血管成像;腹部要区分平扫、动脉期、门静脉期、延迟期以及血管或泌尿系统专病协议;头颈部还可能出现灌注、血管成像、鼻窦或颞骨薄层扫描。若采购方只要求“胸部 CT”或“增强 CT”,交付方可能用某一类协议填满数量,最后得到的是协议偏斜的数据,而不是覆盖真实临床场景的队列。
因此,部位覆盖应和临床问题绑定。肺结节与肺癌、肺炎和间质性肺病需要不同的报告征象和层厚条件;腹部肿瘤、结石、急腹症和血管病变也不能使用同一套阳性标签;骨折、骨肿瘤、感染和内固定评估对骨窗、重建核和金属伪影的容忍度不同。公开稿不应把任何项目约定的数量、中心最低数或报价写成行业固定标准,但可以提出一个可验收原则:每个“部位—协议—临床场景”组合都应有独立的纳入、排除、缺失和质量统计。
人口和来源分层同样不是装饰性字段。年龄、性别、检查年份、门急诊或住院场景、中心编码、设备厂商和型号,都会影响疾病谱、扫描协议和报告书写方式。TRIPOD+AI 建议在模型研究中说明数据是否覆盖目标使用人群,并关注年龄、性别、地理位置和健康状况等亚组;如果数据没有代表性,模型在缺失人群中的表现可能被高估。6 对采购来说,这意味着供应方不能只报总量,还应提交按部位、中心、地区、设备、年份、年龄段、性别、模态和层厚分层的汇总表。汇总表不是 DICOM 的替代品,而是发现覆盖偏斜的第一道门。
三、原始 DICOM、衍生序列和报告文本要各自承担责任
CT 影像的研究价值不仅在像素,还在采集和重建语境。DICOM CT Image Module 描述了与 CT 图像相关的采集和重建属性,包括管电压、曝光、重建算法或卷积核、采集几何以及其他设备参数。2 采购时优先接收经过授权脱敏的原始 DICOM,同时保留能够解释图像差异的设备与协议字段。MPR、MIP、VR 或截图可以作为辅助视图,但不能替代原始切片;如果交付方只给三维重建图,研究者将无法复核层厚、方向和重建过程。
不同序列的职责要写进数据字典。原始 CT 是模型输入候选,衍生序列是视图或特定任务的辅助输入,报告文本则是与检查关联的语义输入。不要把窗宽窗位、MPR 或 VR 当成新的独立病例,也不要把同一检查的多期相当成独立受试者。对于需要重采样、裁剪或统一体素间距的算法流程,应保留原始版本和转换日志。标准化副本可以用于训练,但不能覆盖原始几何信息。
影像报告至少应区分临床信息、检查技术、所见和印象。CT-RATE 的研究显示,三维胸部 CT 可以与由放射科医师撰写的报告配对,报告还包含技术、所见和印象等不同部分;该数据集虽然涵盖了扫描仪、采集协议和重建方式的异质性,但仍是单中心且主要为非增强胸部 CT。1 这正说明报告配对的工程价值和外推限制必须同时写入数据卡。全身多部位采购不能因为“报告已配套”就假设各部位、各协议的报告完整度相同。
报告和影像的配对也不等于临床金标准。报告可能含有模板句、漏写、否定语、比较检查引用或仅针对某一临床问题的描述。建议把“明确阳性”“明确阴性”“不确定或建议进一步检查”“未提及”“不适用”“无法判断”分开编码,并保留原始段落、结构化字段和人工修改记录。若一个报告句子同时涉及多个部位,应允许多部位关联,而不是强制放进唯一类别。RadGenome-Chest CT 的公开数据建设把报告句子与解剖区域联系起来,并进一步生成区域级视觉问答任务,说明“报告—区域—证据”可以被建模为更细的监督关系;但其对象仍是胸部 CT,且这类区域关联与问答生成流程不等于已获医学复核的全身标签真值,不能直接当作全身采购的标签字典。4
四、算法路线要从数据关系反推,而不是从模型名称倒推
当目标是影像—文本表征学习时,最基础的任务是检查级配对:给定一组 CT 序列和报告,模型应学习正确匹配与错误匹配的差异。可以在原始 Study 级主键上建立对比学习或跨模态检索任务,并将部位、协议、期相和报告段落作为条件,避免把设备或模板语言误学成疾病线索。缺失期相或缺失报告时,样本应有明确的缺失状态;不能为了凑齐多模态输入而复制空白文本或伪造报告。
第二条路线是从报告抽取结构化征象。自然语言处理可以先生成候选标签,例如解剖位置、病变存在与否、严重程度、侧别或比较变化,再由具备相应专业资格的阅片者按任务范围复核。此类标签适合做弱监督或队列筛选,但如果要作为主要评价的参考标准,必须说明抽取规则、人工复核范围和争议处理。报告的“未提及”不能自动等同于“没有病变”,而“印象”中的诊断性结论也不应未经核实就改写成像素级真值。
第三条路线是面向下游任务的分层数据集。分类、检测、分割、报告生成和跨模态检索需要不同的输出粒度。分类可在 Study 或病例层面工作,检测需要病灶或器官区域,分割需要逐层或体素级标签,报告生成需要报告段落和参考文本。一个大而全的采购表不应暗示所有任务都已具备相应标签。若只有影像和报告,交付物应明确称为影像—报告配对数据;若另行建设病灶框、器官 Mask 或关键点,必须新增标签定义、标注主体和验收方法。
全身 CT 还需要处理层厚、体素间距、重建核、金属伪影和不同厂商协议带来的域差异。建议先在数据层保留这些字段,再在算法层决定重采样、窗变换、裁剪和协议编码。对比学习可以帮助模型建立跨模态关联,但不能消除中心偏差;多任务学习可以共享解剖表征,但不能替代每个任务的参考标准。任何模型效果都应区分内部验证、中心外测试和真实临床使用,不能把研究集上的指标写成临床效果。
五、专家标注的核心不是“多一个审核人”,而是把证据分层
采购需求涉及“报告文本”和“临床信息”时,标注主体至少有两类职责。医学阅片者负责判断影像征象、解剖范围和不确定性;数据工程或语言标注人员可以按冻结字典整理句子、实体、否定和报告段落,但不能在没有授权和专业依据时擅自改变医学含义。对于需形成参考标准的任务,应规定标注者资格范围、培训材料、正反例、禁止点和升级条件,并在质量记录中保留原始判断、复核意见、仲裁结论及其对应版本。
更可靠的流程是先用小规模样例冻结字典,再进行双人独立标注或盲审。争议不应通过简单取平均消失,而应按“定义不清、影像不可辨、报告与影像不一致、来源缺失、标签不适用”等原因编码。高风险亚组应提高抽检密度,例如薄层与常规层厚交界、增强期相不完整、金属或运动伪影、术后改变、儿童和高龄人群、报告模板变化以及设备代际切换。争议样本可以进入独立仲裁,但仲裁结果要回写指南和反例库,形成下一版规则。
CLAIM 2024 更新把数据来源、纳排条件、预处理、去标识、缺失数据、采集协议、参考标准、标注者资格、分区层级和外部测试列为需要透明报告的内容。5 这些条目虽是研究报告指南,却可以转化为采购验收问题:数据从哪里来,哪些被排除,缺失如何记录,哪个层级去重,报告和影像怎样配对,标签由谁产生,模型测试是否使用了完全独立的患者或中心。对于同一患者多次检查的纵向数据,是否允许跨集合出现,也必须在协议中提前写明。
六、质量验收要同时检查来源、内容和可运行性
第一层是来源和合规。供应方应证明数据取得和交付用途与项目授权一致,提交去标识规则说明、字段映射和必要的审计记录。DICOM PS3.15 的基础保密配置涉及患者、相关人员和机构身份,以及可用于匹配原始对象的 UID、日期和时间等信息;但如果没有启用清理像素数据或可识别视觉特征的选项,标准并不自动处理像素内的身份信息。3 因而,验收不能只抽查 DICOM 头,还要检查烧录在图像中的姓名、检查号、地址、二维码或其他可识别内容,并确认匿名 ID 仍能在授权范围内完成同一 Study 的序列关联。
第二层是内容完整性。至少要检查部位、协议、Series 清单、报告配对、报告段落和关键元数据是否齐全;缺少关键期相、报告无法配对、方向或 spacing 异常、严重伪影导致结构不可辨的样本,应退回、隔离或标为不可用,而不是默默计入交付量。对影像—文本任务,还应检查报告是否来自同一次检查,是否存在复制粘贴、同一报告配多个 Study、同一 Study 配多份相互冲突报告等问题。质量摘要应按部位、协议、来源中心和错误类型分层,而不只给一个总体通过率。
第三层是可运行性和研究可复现性。随机抽取样本,在目标训练代码或下游查看器中读取原始 DICOM、转换副本、报告和 manifest;核对图像方向、切片顺序、体素间距、报告编码、匿名 ID 和版本号。输出包应附数据字典、纳排规则、缺失与不确定编码、质量报告、去重逻辑、划分清单和变更说明。任何能打开但无法解释来源的文件,都不应被当作完整交付。
图2 技术示意:展示从来源准入、样例试标、批次质量到中心外验证的门禁关系;不表示真实通过率、真实病例或已完成临床验证。
七、外部验证要在采购阶段留下位置
如果数据用于训练通用或多部位模型,随机切分往往不足以暴露中心、设备和协议偏差。最低限度应在患者级别保持训练、验证和测试互斥;同一患者的多次检查、同一 Study 的多期相和同一重建的相关副本不能跨集合泄漏。更严格的设计是按中心、时间或设备保留外部测试集,并在交付 manifest 中明确哪些中心和年份属于开发集,哪些只用于独立评价。
多中心研究的价值不只是把样本相加。一个肝脏增强 CT 的多中心研究从 18 家医院收集数据,并把若干医院作为独立外部队列,同时设置前瞻性验证队列;研究者据此观察模型在不同来源中的表现,而不是只报告随机内部验证。7 这类研究结果不能被直接移植到任何新的全身 CT 采购,但它为验收提出了清晰问题:是否有预留的中心外样本,外部样本是否与训练样本使用同一标签定义,设备和协议差异是否被记录,阳性和阴性构成是否发生改变。
对于采购方,外部验证不等于供应方承诺“模型临床有效”。它更像数据资产的压力测试:使用独立来源检查读入、配对、标签、缺失和分层统计是否仍然成立。若外部样本出现大量无法配对、协议字段缺失或报告风格变化,应将原因写入数据卡,而不是把模型表现下降简单归因于算法。研究阶段还应报告关键亚组和不确定性,区分数据质量问题、任务定义差异与真实域偏移。
八、把验收做成可执行的阶段门禁
第一道门是规格和样例评估。采购方先冻结部位—协议—场景字典、Study 级计数口径、报告字段、元数据保留项、缺失编码、去标识方案和输出格式。样例应覆盖正常、阳性、阴性、报告不确定、缺期相、协议异常和报告无法配对等情形。此阶段的目标不是证明模型效果,而是验证另一位执行者能否依据同一份规则得出同一退回理由。
第二道门是数据准入。系统或人工清单先拦截未脱敏、DICOM 层级不完整、方向或空间信息异常、关键报告缺失、Study 重复、严重伪影和协议不在范围内的样本。被退回的样本应保留原因和版本号,不得在下一批被无痕替换。对于可修复问题,修复后要重新进入准入检查,而不是直接进入标注或训练队列。
第三道门是批次质量。按部位、协议、中心、年份、设备、年龄和性别做分层抽检,同时检查报告—影像配对、去重、字段完整性和输出可读性。失败项应区分致命错误和可修复错误;涉及身份泄露、跨患者串联、Study 错配、方向错误或关键序列缺失的错误,应具有停线或批次隔离权。具体抽样比例和通过阈值必须由项目书面确认,不应被包装成公司的统一标准。
第四道门是版本冻结和独立回读。冻结包中应同时包含影像、报告、manifest、数据字典、去标识说明、质量摘要、划分文件和软件或脚本环境说明。下游人员在目标工具中随机打开样本,并核对文件与清单的主键、几何和报告段落。指南或字段映射发生改变时,必须升版并说明影响哪些已交付或在制样本;不能用新字典静默覆盖旧批次。
这样的阶段门禁也对应明确的业务逻辑:先做小规模样例和规则冻结,再决定是否扩大采集;把数据来源、影像整理、报告结构化、医学复核、质量抽检和交付回读拆成可核对的工作包;把数据量、中心构成、时间周期和质量阈值写入项目规格,而不是写成供应方现货或历史业绩。对研究团队来说,返工预备和外部验证样本不是浪费,而是把未知偏差显性化的成本。
九、能力边界与研发价值
按已核验的公开能力范围,朗慧可被表述为 AI 数据基础设施及流程服务商,围绕采集、处理、标注、质检和数据交付提供项目化支持,LangData 是相关流程平台;医疗数据目录和样例评估入口可以作为需求澄清的起点。对 MED-09429 这样的任务,适配点在于把全身 CT 的部位—协议矩阵、DICOM 与报告配对、分层质控、版本和回读组织成项目交付链路。
这里的“适配”不等于已经拥有某一批全身 CT 现货,也不等于已经完成多中心临床验证。公司能力不能替代数据所有者授权、伦理审查、医学专家资格确认、外部验证或监管评价。实际项目仍需逐项确认数据来源、可交付范围、报告配对方式、标签深度、专家角色、部署环境、交付格式和验收阈值。
对医疗 AI 研发者而言,这类采购的研发价值不在于把所有 CT 都塞进同一个模型,而在于提前建立可追踪的条件变量。模型可以知道输入来自何种部位、协议、设备和时间段,研究者可以区分影像本身的征象与报告模板、中心习惯或设备差异,质量团队也能在发现偏差时定位到具体批次和版本。只有当这些关系被记录,后续的预训练、微调、检索、报告生成、分割或分类才有机会在可解释的基础上比较。
全身 CT 影像—报告数据采购最终验收的,不是一个漂亮的总量,也不是一张功能清单,而是一套可回读、可分层、可追溯并能接受独立测试的研究输入。把 Study 级去重、原始 DICOM、报告语义、协议元数据、专家复核和外部验证写进同一条证据链,才能让“多模态”从宣传词变成可以交给算法、临床研究和信息部门共同检查的数据工程对象。
研究与应用边界
本文依据匿名化的技术需求主题和截至 2026 年 11 月 18 日可核验的公开研究与标准,讨论 CT 影像—报告多模态数据建设、采购和验收。文中不提供患者个体的诊断、筛查、治疗或用药建议,不代表任何具体数据集、模型、专家配置、监管批准或临床效果已经存在。具体数据来源、授权、伦理、去标识、项目规格、交付规模、质量阈值和外部验证方案,应由项目参与方按适用法律法规和书面协议确认。
参考来源
- Generalist foundation models from a multimodal dataset for 3D computed tomography
- DICOM PS3.3 CT Image Module
- DICOM Basic Application Level Confidentiality Profile
- Development of a large-scale grounded vision language dataset for chest CT analysis
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- TRIPOD+AI statement: updated guidance for reporting clinical prediction models
- A multicenter clinical AI system study for detection and diagnosis of focal liver lesions

