MEDICAL DATA RESEARCH
肝癌、肾癌与乳腺影像标注为何不能共用一套标签:多期 CT 与双视图的独立验收框架
面向医疗AI研发与数据采购,拆解肝癌、肾癌多期增强CT和乳腺双视图X线的标签关系、证据分层、专家复核、病例级防泄漏与分任务验收,说明如何交付可追溯研究数据。
当一项研究同时需要肝癌、肾癌和乳腺癌影像时,最危险的错误并不是少画了一个轮廓,而是把三种任务压成一张“癌症阳性/阴性”表。肝脏增强 CT 依赖多个时间相位判断病灶与血管、胆管的关系;肾脏增强 CT 需要把病灶、双肾、静脉癌栓和集合系统放在三维解剖关系中;乳腺 X 线摄影则以双侧乳房和多个投照位为整体,要求在二维投影中建立病灶对应。三者都可以使用检测、分割和分类,但它们的判读单元、标签颗粒度和“不确定”的含义并不相同。数据采购或研发启动时,真正需要冻结的不是一个总标签数,而是每个癌种独立的证据链、对象关系和验收口径。
本文把这类多癌种需求改写为可执行的数据工程问题:输入是什么,什么结构必须被标注,哪些字段只能作为外部证据,专家在什么节点介入,哪些失败会让样本不可评价,以及算法训练和外部验证如何避免把多期相、多体位或纵向资料泄漏到测试集。公开研究用于说明方法学边界,不代表任何项目已经完成,也不把文献中的实验性能换算成任何企业或项目的承诺。
一、先把“一个项目”拆成三套判读单元
统一项目管理不等于统一医学标签。更稳妥的做法是保留同一套数据治理底座,同时为肝癌、肾癌和乳腺癌建立三个互不套用的任务包。三个任务包可以共享脱敏、版本、权限、审核日志和导出审计,但必须分别定义纳入排除、对象编号、参考影像、几何形式、证据来源、缺失状态和验收规则。
肝癌部分的核心输入是同一次检查的平扫、动脉期、门静脉期和延迟期增强 CT。输出不只是肝癌病灶的掩膜,还包括全肝、病灶整体、活性强化区、坏死或非强化区、包膜、卫星灶、血管癌栓、肝内血管、胆管以及经证据确认的肝外病灶。肾癌部分的核心输入是平扫、皮髓质期、肾实质期和排泄期,输出要覆盖双肾、原发灶及其内部成分、肾动静脉、下腔静脉、集合系统、静脉癌栓、肾囊性病变、肾积水及项目范围内的淋巴结或转移灶。乳腺部分不是 CT,而是全视野数字乳腺 X 线摄影的双侧乳房、常规体位和必要补充体位;输出包括肿块、钙化簇、大团状不对称、结构扭曲和伴随征象的几何标注,以及乳腺构成、乳房级和病灶级 BI-RADS、征象和诊断证据。
这三类任务都需要病例级、对象级和图像级字段,但“对象”的定义不同。CT 病灶通常以三维对象和父子标签组织,乳腺病灶则以跨体位共享的病灶编号与各视图内几何记录组织。一个项目若只规定“输出 mask 和分类”,却没有写清每个 mask 属于哪个期相、哪个病灶、哪个视图和哪一层证据,后续模型即使得到漂亮的数值,也难以解释它学到的究竟是病灶还是采集差异。
图1|技术示意:三类任务的模态、解剖对象和证据状态不可跨癌种套用;不含真实患者影像,不代表具体病例或模型结果。
二、肝癌 CT:多期相不是四张图片,而是一组有顺序的证据
肝癌 CT 标注的第一个难点是期相的医学含义。平扫提供基础密度,并帮助识别出血、脂肪和钙化;动脉期关注供血和活性强化;门静脉期承担病灶检出、肝实质对照、门静脉关系及部分转移观察;延迟期用于复核延迟强化、包膜样强化和纤维成分。期相名称不能只从文件名推断,还应结合采集时间、肝实质和血管的显影表现核对。缺少关键期相时,相关字段应写成不可评价或不确定,而不是用阴性掩膜补齐。
肝脏部分的对象关系也决定了数据能否用于算法研究。病灶整体是主标签,活性强化区、坏死区和包膜是条件性子标签;子标签不能脱离父病灶单独存在。癌栓应当独立于正常血管标签,并通过病灶编号建立可能来源关系。肝内其他病变、区域淋巴结和远处病灶不能被简单收进“肿瘤”类别,因为囊肿、血管瘤、灌注异常、再生结节和普通血栓都可能在某一相位呈现相似的视觉线索。尤其是血管接触、受压、狭窄、包绕、直接侵犯和癌栓,应当拆成不同字段;未充盈或流动伪影不足以支持癌栓阳性。
原发灶分割要先建立逐灶清单和稳定编号,再选择边界最清楚的薄层期相勾画病灶整体,并在其他期相核对身份和内部成分。病灶整体应包含其内部坏死、出血、脂肪或瘢痕等项目规定的成分,但不应把周围灌注异常、水肿、受压肝实质、腹水或未受侵血管并入轮廓。多灶融合、浸润性生长、治疗后改变和肝外突出都需要单独的处理状态。治疗前和治疗后不能共用同一判定口径;治疗后应分别记录治疗区、当前可见活性组织、治疗方式和日期。
一项 2025 年发表的多期增强肝癌 CT 数据集研究提供了值得借鉴的工程参照:研究纳入多种原发性肝癌类型和非肝癌对照,保留平扫、动脉、静脉和延迟四期,并由两名医生独立勾画病灶、对差异区域再共同复核;作者同时承认其单中心来源和设备间未完全校准限制了外推。1 这说明“完整期相加专家复核”是可审计流程,而不是自动等同于临床性能。对项目数据而言,应该把期相完整、空间元数据、治疗状态和复核记录作为交付字段,而不是只交一个最终掩膜。
三、肾癌 CT:病灶轮廓必须与血管、集合系统和癌栓关系化
肾癌 CT 的难点不只是画出肾脏和肿瘤,更在于病灶与肾实质、肾窦、肾周脂肪、肾动静脉、下腔静脉以及集合系统之间的关系。肾实质期通常更适合确认双肾和病灶主体,皮髓质期可帮助观察肾动脉及早期强化,排泄期用于肾盏、肾盂、输尿管和梗阻关系。不同对象不应因为“看起来都在同一张片上”就混为一个可疑区域;每一类结构应有自己的参考期相、空间范围和状态字段。
病灶整体应包括内部坏死、囊变、出血和钙化等项目规定成分,同时排除未侵犯的血管、尿路、肾周脂肪和邻近器官。强化实性成分、坏死或囊变区可以作为子标签,但只有在现有影像上可重复识别时才适合独立分割;否则应保留客观属性和不确定状态。肾静脉或下腔静脉内的癌栓要与正常静脉、普通血栓和混合伪影分开保存,并记录侧别、最高可确认范围、管腔占据、强化证据、静脉壁关系和可能来源病灶。
囊性肾病变尤其需要防止“低密度就分级”的错误。整体范围、壁、隔、结节、钙化和强化证据应先作为可观察征象记录,再由具有相应资质的医学复核人员按项目指定版本处理分级。缺少平扫或必要增强期、伪影明显、病灶范围不完整时,分级应为不确定或不可评价。影像学分级、病理诊断和研究派生标签应并列保存,不能将影像形态直接改写成病理亚型或最终分期。
KiTS23 官方挑战说明显示,公开肾脏 CT 任务将肾脏、肿瘤和囊肿作为不同语义类,并使用病例级训练与测试划分;其标注流程区分专家和受训标注人员,包含复核、拒绝返修以及利用低一致性案例触发专家再审的环节,评价还同时考虑体素重叠和表面距离。2 这类流程可以启发项目设计,但不能把挑战数据的规模、标签或排名直接当作某个新项目的验收线。TCIA 对 KiTS19 训练集的说明也提醒,病例来自不同转诊机构,扫描仪和采集协议存在异质性,且公开分割对应特定增强期,不能替代多期相研究的独立设计。3
四、乳腺 X 线:双视图对应不是把一个框复制到另一张图
乳腺 X 线摄影的判读单元是一次检查中的双侧乳房和全部纳入体位。头尾位与内外斜位对同一病灶的投影位置、边界可见性和组织重叠不同;补充体位又可能改变病灶的可见范围。因此,病灶应拥有稳定的病灶编号,各视图保存自己的图像编号、坐标、可见性和边界状态。一个病灶只在单一体位清晰可见时,应记录单视图可见或待复核,而不能为了追求配对完整而在另一视图臆造几何。
空间标签应把肿块、钙化簇、大团状不对称、结构扭曲和伴随征象分开。肿块主体的轮廓不能把单纯毛刺、皮肤、胸壁或邻近腺体无依据地纳入;钙化簇范围也不能把所有高密度点连成一个大框。血管钙化、皮肤钙化、皮肤痣、重叠组织、正常腋窝淋巴结和术后瘢痕都有可能成为误标对象。肿大淋巴结在某些任务中只需记录左右侧、数量和可测量大小,不能仅凭“肿大”推断转移。
BI-RADS 的价值在于标准化乳腺影像术语、报告组织、评估结构和分类体系,同时支持审计与结果监测。4 项目应在字段中记录采用的手册版本;截至本次核验,ACR 官方页面列出的当前发布物为 BI-RADS v2025 Manual。历史报告或项目既定版本应原值保留,并在研究标签中注明映射规则,不能无声替换。在数据结构中,应把乳腺构成、乳房级 BI-RADS、病灶级 BI-RADS、影像征象、病例诊断、病理或随访证据分别保存。原始报告值和专家复核值不能互相覆盖;如果报告只有 4 类而没有 4A、4B、4C 的依据,研究标签不应自行细分。病灶级 6 类也只能在已有病理证实且能够对应到具体病灶时使用。
一项 2025 年乳腺 X 线多视图研究比较了把 CC 与 MLO 合并输入和双分支分别建模后再融合的路线,并用多个数据集进行留出域测试;其结果强调,多视图建模不能消除不同人群、设备和采集条件造成的域偏移,熟悉分布上的表现也不等于外部泛化。5 对数据采购者而言,这意味着跨视图关联、视图完整性和病例级划分本身就是模型输入质量的一部分,不能等到算法训练结束才补录。
五、标注主体与争议治理:不确定性不是空白值
三癌种数据应把“谁可以标什么”写进项目规格。受训标注人员可以按冻结的纳入排除和几何规则完成初标,但涉及癌栓、局部侵犯、治疗后活性组织、复杂囊性分级、病灶级 BI-RADS 或病理—影像不一致时,应由具备相应影像经验的医学复核人员处理。专家不是只在最后签字,而应在试标阶段参与定义难例、确认边界和冻结争议升级条件。
建议采用独立初标、盲复核、争议复议和版本冻结的层级。独立意见不应被简单平均;如果两名标注者对病灶是否连续、是否为卫星灶、是否进入集合系统或是否为同一乳腺病灶意见不一致,系统需要保存分歧点、依据期相/体位、复议结果和修改时间。最终标签可以是确定的,也可以是不确定、部分可评价或不可评价,但每一种状态都必须有定义。
缺失、阴性、没有该对象、未要求和不可评价不能共用空掩膜。缺失排泄期不等于没有集合系统侵犯;缺失动脉期不等于没有活性强化;一侧乳房未纳入视野不等于该侧阴性;没有病理证据也不等于良性。若这些状态在训练表中被压成同一个零,模型会把采集失败学成疾病阴性,外部验证时也无法解释错误来源。
六、算法路线:让模型服从标签关系,而不是反过来改标签
算法开发可以从任务分解而不是“大一统模型”开始。第一阶段是病例级质控和序列/体位识别:校验每次检查是否具备预定期相、层面顺序、空间方向、像素间距、层厚和治疗状态。第二阶段是按癌种建立结构化标签图:肝癌以检查—期相—肝脏—病灶—子区域—血管—癌栓为关系主线,肾癌以检查—期相—双肾—病灶—血管—集合系统为主线,乳腺以检查—乳房—视图—病灶—征象为主线。第三阶段才是检测、分割、分类和字段抽取模型的训练。
三维 CT 分割可采用器官到病灶的级联或多任务路线,先获得器官和血管等解剖参照,再对病灶及其子区域进行精标。模型输出应保留参考期相、对象 ID 和不确定状态,不能把自动填充的缺失字段伪装成医学结论。乳腺 X 线则可将 CC 与 MLO 作为双分支或带显式病灶对应的多视图输入,同时保留各视图自己的几何标签。对于同一病灶在不同视图中的对应,算法可以使用病灶级关联损失或图结构约束,但低置信度配对不应被强制合并。
训练、验证和测试必须按病例而不是按切片或单张图像划分。一次 CT 检查的四期相不能被拆到不同集合;同一乳腺检查的 CC 与 MLO 不能分开;纵向随访或治疗前后检查也要按研究设计处理,避免相邻时间点泄漏。若同一病灶的多个标签版本参与训练,应明确哪一版是冻结金标准,不能用修订后的标签评价旧模型而不做版本说明。
检测、分割、分类和结构化报告要分别验收。检测需要检查漏检、误检和对象匹配;分割需要同时查看体素重叠、表面边界、首末层和层间连续性;分类需要报告不确定和不可评价样本的处理;报告字段需要检查对象 ID、证据来源和原始值—复核值关系。肝癌和肾癌的多期相应按期相分层,乳腺按视图完整性、病灶类型和乳腺构成分层。单一 Dice 或准确率不能掩盖期相错配、跨体位误配或证据等级错误。
图2|技术示意:准入、证据层级、盲审、难例抽检、病例级划分和外部验证形成闭环;不表示已完成实验或临床部署。
七、质量验收与外部验证:把“可用”写成可复核问题
验收可以分成四本账。第一本是数据完整账:检查脱敏、病例唯一性、期相或体位清单、空间元数据、文件可读性和治疗状态。第二本是标签几何账:检查掩膜是否越界、是否出现孔洞和孤立层、是否把周围脂肪或血管并入病灶、血管与集合系统是否连续、乳腺轮廓和钙化簇是否过度包裹。第三本是语义证据账:检查每个标签的证据来源、参考期相/体位、分类版本、病理或随访关联和不确定原因。第四本是版本交付账:检查指南、标签字典、审核状态、返工记录、已知失败模式和导出坐标是否随数据一并保存。
抽样不能只抽“大而清楚”的目标。应按小病灶、模糊边界、多灶或融合、癌栓和局部侵犯、复杂囊性病变、缺关键期相、运动伪影、单视图可见、补充体位和治疗后改变分层抽取。验收结果建议记录通过、退回、不可评价和需复议四类,而不是只给一个批次通过率。项目方可以在书面规格中规定阈值和停线条件,但阈值应与样本分层、标签版本、评价指标和复核主体绑定;不能拿公共挑战排行榜或另一项目的分数直接替换。
外部验证至少需要考虑设备、扫描协议、人口构成、图像质量和标签来源的变化。肝癌数据不能只在同一中心、同一增强协议上验证;肾癌数据要说明期相、手术选择偏倚和不同设备的影响;乳腺数据要对视图缺失、乳腺密度、压迫质量和不同厂商图像进行分层。若外部集合的病理、报告或随访标签与影像标签不一致,应保留两者并报告不一致,而不是用一个“真值”覆盖所有来源。
八、从研发到交付:业务逻辑应围绕“可追溯数据资产”
对医疗 AI 研发团队而言,这类需求的价值不在于一次性得到更多轮廓,而在于把能复用的关系和限制一起交付。项目启动时先确认任务目标、模态、适用人群、数据授权和医学复核边界;试标阶段用难例验证标签字典和争议流程;批量阶段以冻结版本生产;交付阶段同时提供影像索引、标注文件、字段字典、证据来源、质量记录和版本差分。这样,研发团队可以知道某个训练样本为什么被纳入、某个标签依据哪一期影像形成、某个失败案例是否来自数据缺失,而不是只拿到一份没有上下文的 mask 压缩包。
在已核验的企业能力边界内,项目化医学影像数据与标注服务可以围绕数据接入、规则梳理、人工标注、专业复核、质量记录和研究数据交付展开;具体模态、部位、任务、交付格式和验收阈值仍需逐项目书面确认。平台或预标注工具输出应视为草稿,不能替代医学复核、伦理审批、数据所有者授权、临床诊断或监管评价。公开研究中的数据量、模型分数和挑战排名也不能改写为企业统一现货、准确率或临床效果。
研究与应用边界
本文讨论的是多癌种医学影像数据的任务拆解、标注工程、质量治理和算法验证,不构成任何个体的诊断、筛查、分期、风险预测或治疗建议。文中示意图为原创结构图,不含真实患者影像。任何数据集建设、跨机构共享、模型训练和实际部署,都应依据适用法律法规、伦理审查、数据授权、隐私保护、专业复核和独立外部验证要求执行。
参考来源
- Comprehensive multi-phase 3D contrast-enhanced CT imaging for primary liver cancer
- The 2023 Kidney and Kidney Tumor Segmentation Challenge
- C4KC-KiTS | Data from the training set of the 2019 Kidney and Kidney Tumor Segmentation Challenge
- BI-RADS® | American College of Radiology
- Innovative Multi-View Strategies for AI-Assisted Breast Cancer Detection in Mammography

