MEDICAL DATA RESEARCH
CT与MR平扫—增强数据怎么配比:把完整Study变成可验收的影像队列
面向医疗AI研发与数据采购团队,说明如何按CT/MR、部位和专项协议组织平扫—增强队列,以完整Study计数、Series留证,处理未知项、患者级划分和外部验证,避免比例与临床处方混淆。
当一个医学影像项目同时要求CT和MR覆盖多个部位时,最容易出错的往往不是“有没有增强图像”,而是增强检查中的平扫期、多个序列和多个期相到底应如何计数。若把每个序列当成一条样本,含平扫与增强的完整检查可能被重复计算;若把不同部位套进同一个比例,又会把临床任务差异伪装成数据质量。真正需要设计的是一套能够回答三个问题的队列:这次完整检查属于哪个模态和部位?它的平扫或增强属性由什么证据确认?在规定的统计口径下,数据是否满足研究或训练用途的覆盖结构?
这类需求不是在制定一种普遍适用的临床检查处方,而是在为医学人工智能建立可解释的数据组成约束。它既涉及CT与MR的成像语境,也涉及数据采购、标注和验收的工程边界。平扫—增强比例可以帮助研发团队避免某个模态或某类协议在队列中被过度代表,但比例本身不等于诊断价值,更不能替代医务人员依据适应证、风险因素和机构流程作出的检查决定。对比剂的选择、给药和风险管理仍应遵循适用的专业规范;ACR的对比剂手册将CT和MR对比剂使用、患者准备、反应处理及肾脏相关问题分别纳入管理框架,说明“增强”首先是受临床协议约束的检查语境,而不是一个可以脱离协议的文件标签。2
先把比例改写成可执行的临床数据任务
在数据项目中,“平扫占多少、增强占多少”至少包含四层意思。第一层是模态:CT与MR不能只用同一个“增强”字段,因为两者的序列结构、采集参数和对比机制不同。第二层是解剖部位:胸部、腹部、盆腔、头部、颈部、脊柱和四肢的任务目的并不相同。第三层是病种或研究问题:肿瘤性病变常需要保留能够支持强化特征或分期研究的完整增强检查,但这不意味着所有肿瘤病例都必须采用同一协议。第四层是交付颗粒度:比例应按合格的完整检查或Study统计,而不是按切片、序列或期相文件数统计。
因此,输入不应只是脱离上下文的PNG或单张截图,而应优先保留可追溯的DICOM对象及其必要元数据。DICOM的公共信息模型把Patient、Study、Series、Equipment、Frame of Reference和具体图像实例组织在一起;在采集模态中,Study大致对应一次有序检查,Series则更接近一次实际完成的采集协议单元。1 这一区分直接决定了本类需求的计数单位:一个Study可以包含多个Series,一个增强Study也可以包含增强前后的多个序列,二者不能简单相加为多条检查。
对外可交付的标签,应把“影像事实”和“项目规则”分开。影像事实包括模态、部位、序列或期相、是否存在对比剂相关信息、层厚和空间方向等;项目规则包括该Study是否完整、是否纳入某个部位分层、是否属于专项检查、是否计入平扫或增强分母,以及是否存在无法判定的状态。若病例是否为肿瘤来自可靠的临床字段或经授权的专家判断,也应作为独立的证据标签保存,不能仅凭“有增强”推断为肿瘤。这样做能够避免把数据分层标签误写成个体诊断结论。
数据颗粒度还应向下保留Series和Image层级,向上提供Study级汇总。下层信息用于复核遗漏的期相、检查范围和序列关联;上层信息用于统计部位与模态的合格Study数量。研发端如果需要切片或三维体数据,可从Study向下展开,但展开不应改变原始Study的计数。对于有纵向随访的病例,还需要单独维护匿名患者或研究对象级关联键,防止同一对象的多次检查在训练与测试之间产生泄漏。
为什么完整Study是比例验收的核心
一个增强检查常常含有平扫期,也可能含有动脉期、静脉期、延迟期或其他项目定义的阶段。如果把每个阶段都作为独立样本,增强检查就会在分子和分母中被重复放大;如果只保留一个“增强”标签,又会丢失后续算法区分期相所需的语境。合理做法是:在Study层确定一次检查的主分类,在Series层保留各期相及其证据,再按照冻结后的项目规则将该Study计入相应类别。增强Study内含有平扫期时,平扫期是该Study的组成部分,不应另计一次平扫检查;多序列和多期相同样不能自动增加检查数量。
这种口径并非排斥多期相建模。相反,它为多期相建模提供了稳定的外层容器:算法可以读取同一Study下的序列关系,研究者可以按期相做子分析,质量人员也能够追踪“该Study为什么被归入增强优先队列”。如果项目需要比较同一患者不同时间点的检查,则应将时间点作为Study级事件关联,而不是把一次检查拆成多个伪病例。
实际入库时,部位和期相往往不完全由文件名可靠表达。DICOM标准规定了属性、标签和信息对象的结构,但不同设备、导出工具或脱敏流程可能造成字段缺失、名称不一致或冗余序列。因而,自动解析只能先给出候选分类,不能把“未知”强行压成平扫或增强。对关键字段缺失、检查范围不完整、同一Study存在重复导出或期相无法确认的情况,应设置“待复核”“缺失”“不适用”和“排除”这些不同状态。
图1|技术示意:以Study为计数单位、以Series为证据层级的平扫—增强数据治理链路。不表示真实患者、已完成实验或临床诊断。
数据设计:把比例字段放进可复核的数据字典
一份可实施的数据字典,至少应有四组字段。第一组是来源与身份字段,包括去标识化后的研究对象键、Study键、Series键、文件清单、来源批次和处理版本。真实身份信息不应进入训练交付;研究对象键的作用是支持患者级划分、重复检查识别和纵向分析,而不是恢复个人身份。
第二组是影像语境字段,包括模态、部位、检查范围、Study日期的相对化表达、序列名称、期相候选、层厚、像素间距、方向、设备与协议的必要分层信息,以及对比剂相关元数据是否存在。涉及对比剂的字段应尽量记录“已确认”“未确认”“不适用”和“未知”,避免将缺失数据等同于未增强。ACR手册所强调的患者选择、给药和反应管理也提示,增强状态不能只作为图像强度的推断结果;在研究数据中至少要保留与协议相关的上下文及其证据来源。2
第三组是任务标签,包括平扫、增强、混合或专项协议的项目级分类,部位映射,完整性状态,肿瘤或专项研究标签及其证据等级。这里的“混合”不代表一个新的临床诊断类别,而是表示该Study包含多个序列或期相,需按照项目规则作为一个完整检查处理。若专项协议的统计口径不同,则应以独立的协议标识隔离,不能为了凑总比例把它们并入普通部位。
第四组是质量和审计字段,包括初筛人、复核人、复核时间、指南版本、修改原因、争议标签、排除原因和最终审核状态。每次由未知改为增强、由错误部位改为正确部位,或由不完整改为纳入,都应能够追溯到修改依据。这样,比例偏差发生时,团队才能判断是样本来源结构改变、协议分类错误、Study重复计数,还是项目实际未达到目标,而不是只看到一个无法解释的百分比。
对涉及报告、病理或其他临床信息的项目,应把这些信息作为独立证据层。报告中出现“增强”不自动证明影像文件完整,影像文件有增强序列也不自动证明某个病灶性质。研究者可以在得到适当授权后做跨模态关联,但关联键、证据日期和缺失原因必须保存。配对数据研究也说明,只有当不同模态来自同一研究对象、相近解剖区域并且配对关系被明确维护时,才可把它们当作直接对应的样本;不同患者或不同时间的CT与MR不能在没有说明的情况下被称为配对数据。7
按部位和协议分层,而不是追求一个总比例
更稳妥的策略是先将部位—模态组合分成“增强优先、相对均衡、平扫为主、专项独立”四类,再为每一类设定项目目标。这个分类只描述队列建设逻辑,不是临床指南,也不替代放射科协议。当研究问题涉及病灶强化特征或分期时,胸部、腹部和盆腔队列可把完整增强Study列为优先覆盖;但其平扫、增强及多期相的结构仍应按具体研究问题冻结。头部和颈部可能同时服务急诊筛查、血管、肿瘤或软组织研究,不能用躯干部位的比例直接套用。脊柱、关节和四肢的许多研究以平扫序列为主,增强检查可以作为特定病变或专项问题的补充。乳腺、垂体、心脏、CTA或肾脏多期相等检查则应保留专项身份,不能为了满足一个通用二分比例而被迫改写。
对肿瘤病例,数据字典可增加“是否优先保留含增强序列的完整Study”这一建设规则,但应与“是否必须增强”区分。符合相应检查规范且能够满足研究问题的非增强方案,可以在证据充分时保留;含增强序列的检查也不应因存在平扫期而被拆成两条。这样既保持队列对肿瘤影像语境的敏感性,也避免把采集协议的差异误判为标注错误。
比例目标的分母必须写清楚。推荐使用“某模态、某部位、满足完整性和授权条件的Study总数”,分子则是其中按项目定义归入平扫或增强类别的Study数。被排除的重复导出、不完整检查、期相未知或专项协议,是否进入分母,必须在立项时明确;默认不应把不确定样本悄悄放进任一类别。每个疾病不必被机械拆成同一比例,因为疾病构成、临床协议和可获得性会改变部位内的分布。更重要的是,研究者要看到各分层的原始计数和未知量,而不是一个看似整齐的总百分比。
算法路线:规则先行,模型只处理可验证的难点
这类任务通常不必先训练一个“平扫还是增强”的黑箱模型。第一步应是脱敏、文件完整性检查和DICOM解析,建立Patient—Study—Series—Image的受控关系。第二步是用字段、协议名、期相属性和检查范围生成部位与增强状态的候选值,并把证据位置写回审计记录。第三步是执行Study去重、完整性判定和专项协议隔离。第四步才是按冻结字典统计比例,并把缺失、未知和待复核样本列入质量报告。
当设备字段缺失、命名不稳定或图像本身需要上下文判断时,可以引入规则增强、自然语言解析或计算机视觉模型作为辅助,但输出必须是带置信度和证据的草稿。预标注不能绕过人工复核,也不能替代对比剂安全管理或临床协议判断。对关键Study,专家可直接查看同一Study下的序列、空间覆盖和时间顺序;如果自动分类与人工判断不一致,应保留分歧原因,而不是只保存最终类别。
可进一步把“比例合格”拆成几个可检查的子指标:Study计数是否去重,部位映射是否有证据,平扫/增强类别是否可复核,完整性和授权状态是否满足纳入条件,专项协议是否被正确隔离,以及每个分层的目标偏差是否在项目允许范围内。这里不宜套用一个公司统一的准确率或抽样阈值;验收阈值应由任务方根据研究目的、样本规模、分层风险和专家资源书面确定。对类别边界较难的Study,宁可进入待复核池,也不要用自动规则制造虚假的精确比例。
标注与验收:比例正确还不等于数据可用
标注人员首先需要理解任务不是“看图判断有无增强”,而是为一个完整Study建立可追踪的分类。指南应提供部位映射、平扫与增强的操作性定义、混合Study计数规则、专项协议边界、未知和缺失的区分、重复导出的处理方式,以及至少一组正例和争议例。正例不应只展示清晰病例,还应覆盖多期相、部分缺失、范围不足和命名不一致的情况。
建议采用分层审核。受训标注员进行初筛,第二名审核者在不知道初筛结论的情况下复核关键字段;涉及肿瘤专项、特殊部位或复杂期相的争议,再交由具备相应影像专业背景的专家裁决。审核者应能看到原始序列关系和去标识化后的必要元数据,而不是只看已经被整理过的统计表。对于分歧,记录“部位不清”“期相无法确认”“Study不完整”“重复导出”“专项协议”等原因,比单纯记录一个最终标签更有价值。
验收报告应至少同时给出总体和分层结果。总体层报告每个模态的合格Study数量、平扫数量、增强数量和未知数量;分层层报告不同部位、专项协议和肿瘤研究子集的同类指标。还应报告被排除的Study数及原因,避免将排除操作误读为比例达标。若项目规定某些分层以增强优先、某些分层以平扫为主,则应按分层目标逐一验收,而不是用总体平均掩盖某一部位的严重缺口。
质量控制还要检查时间和来源偏差。若某一时期主要来自单一设备,或某一部位几乎全部是增强Study,模型可能学到设备、协议或样本来源特征,而不是病变本身。研究设计应记录设备、协议、机构或来源批次等必要的分层信息,且不得把它们当作患者身份。对外部测试,CLAIM 2024明确建议报告采集协议、参考标准的来源、标注者和资格、数据划分方式,以及内部测试与外部测试的区别;其中医学图像通常应在患者级或更高层级保持集合不相交。3
图2|技术示意:部位策略、Study计数和患者级外部验证需要同时冻结;不表示真实患者分布、实验结果或临床性能。
外部验证与数据泄漏:不要把比例控制变成新的偏差
同一对象可以有多次检查,同一Study可以有多个Series,同一Series又有许多相邻切片。如果随机打散切片或Series再划分训练和测试,测试集中的图像可能与训练集共享同一对象的空间纹理、设备特征和协议痕迹。医学影像数据治理综述指出,即使按Series或Study划分,也可能因为同一患者的其他检查而产生泄漏,患者级划分通常更稳妥;当机构间存在稳定差异时,还需要考虑更高层级的来源划分。4
MRI的实证研究进一步显示,切片级交叉验证会造成高度乐观的结果,而按受试者划分时性能明显不同;该研究在随机标签的实验中也观察到切片泄漏产生的虚高结果,说明相邻切片的相关性足以让模型“记住”对象特征,而不是学习可推广的影像规律。5 对CT和MR平扫—增强数据而言,泄漏风险还可能来自同一Study的不同期相被拆到不同集合、同一患者不同时间点跨集合,或由增强状态与疾病标签之间的偶然关联形成捷径。
因此,训练、调参、内部测试和外部测试的划分应以匿名研究对象为最小安全单位,并在有需要时按来源机构、设备或协议做更高层级的隔离。比例验收也要在划分之后重新核对:训练集、内部测试集和外部测试集的模态、部位、平扫—增强构成是否相近,哪些分层只在训练集存在,哪些外部场景出现协议缺失。外部数据不是“再抽一批相似图像”,而是对真实分布变化的检验。一项纳入2022—2025年研究的放射学AI系统综述指出,模型在机构内表现良好并不保证在不同人群、扫描仪和协议下保持相同表现,外部测试和本地评估应成为临床转化前的必要环节。6
在这一步,验收对象从“数据供应是否达比例”扩展为“数据是否支持可解释的研究”。如果增强优先分层只来自一个来源,研究者应把这一限制写进数据卡;如果外部测试缺少某些期相,模型输入就需要明确降级策略,而不能把缺失期相用生成或复制方式无声补齐。所有关于算法效果的结论,都应区分公开研究中的实验结果、当前数据集的统计描述和未来项目的待验证假设,不把其中一层写成另一层的承诺。
从项目规格到可交付的数据产品
对于需要落地的团队,建议把工作拆成“样例核对—规则冻结—小规模试标—批量处理—独立验收—版本交付”六个阶段。样例核对阶段不是为了展示一个好看的比例,而是要暴露部位映射、期相识别、重复Study、缺失字段和专项边界。规则冻结阶段形成数据字典、纳排条件、Study计数公式、未知状态处理和争议升级流程。小规模试标阶段由不同角色复核一批有代表性的边界样本,再根据争议结果修订指南一次并锁定版本。
批量处理阶段应交付可追踪的文件清单和Study级索引,而不是只有整理后的图像文件。独立验收阶段至少应有随机抽样复核、分层计数复算、重复检查、授权与脱敏状态核对,以及对未知和排除样本的原因审阅。版本交付阶段则需要同时提供数据字典、指南版本、处理日志、质量报告、已知限制、变更说明和训练/测试划分建议。若后续纳入新来源或修改部位定义,应生成新版本并说明影响范围,不要直接覆盖旧统计。
依据已核验的公司范围,朗慧科技可将LangData定位为覆盖采集、处理、标注、质检和数据交付的项目化数据基础设施,并可围绕医疗数据目录、样例评估、标注和质量记录开展需求匹配。这里的能力表达只说明可按项目组织流程,不代表已有某一特定部位、比例或规模的现货,也不代表已经完成某种临床验证。具体数据来源、授权、专家配置、阈值和交付状态,仍需在项目书面规格和验收记录中逐项确认。
业务上,比例要求的价值在于把模糊的“想要一些增强影像”转化为可沟通的队列结构:研发团队可以据此规划输入通道和消融实验,采购团队可以核对分层覆盖,质量团队可以复算分母,算法团队可以预先设计患者级划分与外部测试。若数据不能满足目标比例,也不应立即把它归为失败;需要先判断偏差来自可解释的临床协议、专项排除、缺失字段,还是来源和处理过程中的错误。只有在规则、分母、证据和复核状态都冻结后,比例偏差才具有明确的验收含义。
最终,平扫—增强配比不是把临床影像压缩成两个数字,而是建立一种可审计的研究语言。它要求每个Study都能说明自己是什么、为什么被计入、哪些序列支持这个判断、是否与同一对象的其他检查正确关联,以及在外部数据中可能失效的条件。把这些关系保留下来,数据才不仅“数量上达标”,也能在模型训练、独立评估和后续复现中保持可理解、可核查和可修订。
本文讨论的是医学人工智能数据建设、标注和验收方法,不构成患者个体的诊断、筛查、治疗或用药建议。任何实际检查及对比剂使用均应由具备资质的医务人员依据完整病史、适应证、风险评估和机构规范决定。文中公司能力仅依据已核验的项目化数据基础设施范围,具体数据、授权、专家配置、质量阈值和交付方式以书面确认及适用法规为准。
参考来源
- DICOM PS3.1: Introduction and Overview
- ACR Manual on Contrast Media
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- Mitigating Bias in Radiology Machine Learning: 1. Data Handling
- Effect of data leakage in brain MRI classification using 2D convolutional neural networks
- Assessing the generalizability of artificial intelligence in radiology: a systematic review of performance across different clinical settings
- A paired CT and MRI dataset for advanced medical imaging

