MEDICAL DATA RESEARCH
胸腹部术前 CT 数据集建设:从影像协议到可复核验收
面向医疗AI研发与数据采购,拆解胸腹部术前CT的DICOM层级、协议与扫描范围、报告—标签关联、脱敏、患者级划分、专家复核及外部验证,明确可验收的研究数据交付边界。
当一个研究团队说“需要一批胸部和腹部 CT”,真正需要交付的并不是若干可以打开的文件,而是一条能够回答临床问题、经得起复核并能被算法重复读取的证据链:这次检查属于谁的匿名研究对象,覆盖了什么解剖范围,采用了哪种采集与重建方式,报告和诊断标签依据什么记录形成,病灶区域由谁、按哪一版规则确认,最后又如何避免同一患者或同一设备模式泄漏到评测集。若这些问题没有在入组前写清,后续模型训练出现的“性能波动”可能只是数据定义、序列错配或报告标签不一致的结果。
先把临床任务说完整
这类需求可以匿名改写为一种医学人工智能数据建设任务:面向胸部和腹部常见疾病及肿瘤相关任务,整理术前 CT 检查与配套诊断报告,保留可用于研究的 DICOM 原生对象、匿名化临床元数据、检查级与序列级关联,以及病例层面的疾病标签。它既可以支撑影像分类和检测,也可以为病灶定位、分割、报告理解或多模态建模准备输入。不同下游任务所需的标签颗粒度并不相同,因此不能把“有诊断”直接等同于“有像素级真值”。
输入模态首先是 CT 序列,而不是单张截图。每个研究对象可以包含一次或多次检查;每次检查下又有一个或多个 Series;每个 Series 由有序切层组成。胸部任务可能关注肺尖到双侧肋膈角,腹部任务可能需要从膈顶覆盖到耻骨联合,或至少完整覆盖项目规定的相关解剖区域。增强检查还要区分平扫、动脉期、静脉期等期相。期相若只能根据序列描述推断,就必须保存推断规则和“不确定”状态,不能把文件夹名称当成临床事实。
病种边界需要与检查部位绑定。肺部疾病或胸部肿瘤相关任务不能用仅覆盖腹部的检查替代;肝脏、胰腺或胃肠道相关任务也不能把与目标病种无关的胸部记录计入有效样本。术前限制同样具有研究意义:手术后改变、引流管、切除缺损和治疗后纤维化会改变影像分布,若项目目标是术前识别或基线分层,就应在数据字典中明确定义术后排除、疑似术后和无法判定三种状态,而不是在模型阶段再凭经验清洗。
诊断报告是第二种关键输入。至少要能区分客观的检查所见和主观的诊断意见,并保留检查日期、部位、患者年龄段或其他项目允许的匿名人口学字段。报告可以为标签提供临床语境,但不应被当作不加核验的金标准。疾病名称、分期或分级在影像报告、病理报告和病例标签之间出现差异时,应记录冲突来源。没有足够证据的病例可以进入“待复议”或“不可判定”队列,不能为了满足数量而自动选择其中一个名称。
输出应按患者级、检查级、序列级和病例证据级组织。患者级只保留项目最小必要的匿名键;检查级保存日期、检查目的、部位、检查类型和与报告的关系;序列级保存 Series 标识、期相、层面顺序、空间参数和重建信息;证据级则记录诊断标签、标签来源、标注版本、复核结论与异常原因。若一份 CT 报告涉及多个疾病,必须在字典中定义一份检查如何计数、哪些标签属于主要任务、哪些只作为伴随发现。否则样本数量和类别比例都会被重复关联放大。
图1 技术关系示意,不表示真实患者、现成数据库存量、已完成实验或临床诊断结论。
DICOM 不是“文件格式”这么简单
DICOM 的价值在于同时承载像素、空间关系、设备和采集协议。DICOM 的 CT Image Module 将像素解释、重建单位、管电压、曝光、重建核、层面位置、螺距和 CT 剂量等属性放在可解析的数据模型中1。因此,数据采购或建设时若只验收“文件后缀是 DICOM”,并不能说明下游算法能够可靠地重建体积,也不能说明不同序列可以被正确比较。
首先要确认原始对象的可读性和层级一致性。文件清单应能从匿名患者键回到 Study、Series 和实例;一个 Study 中不同 Series 的用途、期相和身体部位要清楚。必须检查 Instance 的排序是否依赖可靠的空间字段,而不是依赖文件名的字典序。Image Position 与 Image Orientation 决定切层在患者坐标系中的位置和方向,Pixel Spacing 与 Slice Thickness 影响体素几何。若转换到 NIfTI 或其他格式,必须记录转换工具、版本和可能改变的方向、尺寸或强度解释。
其次要把“成像方式”写成可核对的协议字段。低剂量螺旋 CT 与常规胸部 CT 不是同一个研究条件;平扫和增强期相也不应在没有标记的情况下混在一起。层厚、层间距、矩阵、重建核、设备厂商与型号、管电压、毫安秒、螺距和 CTDIvol 等字段,可作为入组筛选、分层分析和偏差解释的依据。项目可以按病种与下游任务设定薄层范围、矩阵下限和覆盖要求,但阈值必须先写进版本化的数据字典,超出范围的样本进入例外队列,不能在验收时临时放宽。
再次要检查扫描范围和切层连续性。人体轮廓不应明显溢出视野,关键解剖区域不能在中途缺层或突然改变方向。运动、呼吸、金属和环形伪影并非简单的“画面不漂亮”,它们可能使病灶边缘、肺纹理或腹部软组织结构无法解释。自动规则可以帮助发现空层、异常间距、过度倾斜和大面积异常像素,但是否剔除仍要结合任务与专家复核。几何模型是筛查工具,不应被表述为替代放射科判断。
原始序列还要区分“有”与“可用于任务”。同一患者可能有多次 CT,也可能在一次就诊中有定位像、重建像、重复扫描或与目标病种无关的 Series。把所有序列拼进一个患者目录会造成严重的标签污染。更稳妥的方式是用检查级清单标记目标序列、排除序列和待核验序列,并保留选择原因。若研究使用冠状位或矢状位重建,应说明它们是原生重建还是由轴向数据派生,避免把派生图像误写成独立采集证据。
把报告与影像变成可对照的数据关系
病例级关联比单个标签更重要。影像、报告和诊断记录之间应通过受控的匿名键、检查日期和报告标识建立关系,而不是用模糊的姓名、自由文本或文件夹顺序匹配。一个病例若有既往对比检查,研究数据可在授权和任务允许的前提下保留对应影像与报告,并明确哪一次检查是当前任务的索引检查。纵向信息有助于判断病灶是否为新发、稳定或进展,但如果项目并不研究变化,就不能把所有既往检查无条件并入样本。
报告文本的结构化不应抹掉原文。可以同步保存“检查所见”“诊断意见”“检查日期”“检查部位”等字段,并从中派生病种、位置、分布、边缘、形态、大小和数量等研究变量。派生变量必须带有来源字段和规则版本。一个文本抽取模型给出的疾病名称只是候选结果,不能未经人工抽检就变成病例金标准。对否定词、比较句、建议随访和鉴别诊断,要特别防止把“未见明确肿块”误读成“正常”,或把“考虑”误写成确诊。
影像标注的主体取决于任务。分类任务可能只需要病例或检查级标签;检测任务需要病灶位置和类别;分割任务需要连续层面的轮廓或体素标签;报告理解任务则需要句子、实体或关系级标注。源需求中“关键病灶区域须标注明确”不能在公开稿中被偷换成固定的分割格式。项目启动时应分别写清标注对象、空间坐标、阴性样本、不可判定状态、病灶多发时的对象编号以及是否标注正常结构。
标注主体也应和证据职责分离。受训标注人员可以依据指南完成初标,影像专业人员负责医学复核,争议病例由独立仲裁者处理。每次修改都要保留操作者、时间、指南版本和争议原因。对“病灶边缘不清”“报告与图像不一致”“序列期相无法确认”等问题,使用原因编码比简单打回更有价值,因为它能反映采集、指南、工具和专家判断分别造成了多少返工。
DICOM 的脱敏同样需要双层检查。DICOM PS3.15 明确指出,属性级保密配置并不保证整个信息对象已经完成去标识;流程还必须考虑用途、接收者、法规要求和再识别风险2。研究版本需要保持相关序列之间的 UID 一致性,同时处理私有属性、文件元信息、结构化报告和像素中烧录的姓名或检查号。年龄可以按项目需要转为年龄段,日期可以按规则平移,但任何时间变换都应保持纵向关系可解释。脱敏后的数据还要有字段对照、日志和抽样复核记录。
算法路线要服从数据语义
第一步是建立确定性的解析与入组层。解析器读取 DICOM 标签和文件清单,生成患者—检查—序列—实例的关系表;规则引擎检查部位、期相、时间、术前状态、范围、层面连续性和必填字段;异常样本进入隔离区。此时不做疾病预测,也不依赖模型“猜”出缺失的期相。解析层的输出应包括通过、降级、待复核和排除四类状态,使算法团队知道哪些样本可直接训练,哪些样本只能做探索性分析。
第二步是质量辅助模型,而不是自动诊断模型。人体范围、序列完整性、运动或金属伪影的候选筛查,可以用规则与机器学习结合来提高人工审核的优先级。任何模型生成的病灶框、轮廓或报告候选都应被标记为草稿,不能直接进入金标准。对于低对比度病灶、复杂增强期相、术前与术后边界不清的病例,应该提高专家复核密度,并保存模型意见与最终意见之间的差异。
第三步是按任务选择标签和评测方式。分类任务要说明阳性定义、阴性来源和类别不平衡;检测任务要预先约定小病灶、边界模糊和多发病灶的处理;分割任务要说明连续层面、空白层、部分容积和邻近结构的边界;报告任务要说明实体、否定、比较和不确定性。不能用分类准确率验收分割,也不能用单一总体分数替代对稀有病种、不同设备和不同层厚的分层分析。
第四步是防止信息泄漏。患者是最基本的划分单位,同一患者的多次 CT、对比检查、报告和衍生重建必须留在同一分区。以切片为单位随机拆分会让相邻层、同一次检查甚至重复序列同时出现在训练和测试中。还要检查设备、重建核、扫描协议、医院代号和报告模板是否成为标签捷径。若某一机构的阳性病例都使用一种协议,模型可能学到的是中心或协议差异,而不是病灶表现。
NCI Imaging Data Commons 展示了另一种值得借鉴的基础设施思路:将影像、影像衍生对象、临床数据和元数据以标准化对象组织,并提供可检索的队列构建与计算接口3。这并不意味着任何项目都需要复制其云平台,而是说明“文件可下载”与“对象可发现、可关联、可审计”是不同层级。对于自建数据集,至少应交付数据字典、文件清单、覆盖说明、缺失报告、版本记录和一组能在目标工具中重新打开的验收样例。
图2 技术关系示意,不表示真实患者、实验结果、统一准确率或监管认可。
验收不能只看文件数量
验收应拆成四个层次。第一层是格式与可读性:文件可以被合规的 DICOM 工具解析,Study、Series 和实例关系不破坏,关键字段类型正确,输出目录与命名规则稳定。第二层是影像协议:扫描部位、覆盖范围、层厚、矩阵、重建核、期相、设备字段和剂量字段达到项目约定,或明确标记为例外。第三层是临床一致性:影像、报告、诊断结果和标签在疾病名称、分期来源、日期与检查部位上可以对照。第四层是研究可复现性:随机划分、标签版本、专家复核、异常处理和导出批次都能被重新解释。
“影像清晰”必须转译成可观察的失败模式。可以设定严重运动伪影、金属干扰、水印或机构标识、人体轮廓截断、缺层、范围不足、期相不明和格式损坏等原因编码。每一种原因都要说明是排除、降级、待复核还是允许保留。这样做能避免供应方和研究方围绕“清晰”争论,也能让后续数据分析区分技术性失败与医学性不确定。
“报告完整”也需要可验收。检查所见与诊断意见应保持独立字段;报告日期与影像日期的关系要合理;比较检查出现时,对应影像和报告是否齐备要有明确规则。报告长度不是质量的唯一代理变量,重要的是是否包含与任务有关的解剖位置、分布、边缘、形态、内部结构、大小、数量和密度等可解释描述,以及这些描述能否被人工抽样核对。过短文本、模板残留、复制粘贴冲突和自动生成字段都应单独编码。
质量抽检应分层,而不是只给一个总体通过率。病种、胸部与腹部、平扫与增强、设备型号、层厚区间、报告来源、病灶大小和伪影风险都可能影响标签可靠性。对高风险亚组可以增加独立复核或全量复核;对低风险亚组也要保留抽样方法和抽样单位。研究者应看到被剔除的原因分布,而不只是最后留下的“干净数据”。被剔除样本若完全消失,模型应用到真实环境时可能遇到更高比例的异常影像,却没有任何预警。
外部验证要在项目设计阶段预留。一个胸部 CT 研究可以在内部按患者划分后,再保留未参与规则制定的机构、设备或协议作为外部测试。外部样本的任务定义、标签来源和质量门控应尽可能保持一致,同时记录分布差异。Harmon 等在多国胸部 CT 研究中使用独立测试人群,并观察到不同中心和临床场景的表现变化6;这类结果说明跨中心验证不是论文末尾的装饰,而是检验数据定义和模型泛化边界的必要步骤。研究性能不能直接表述为临床效果,更不能替代前瞻性验证或监管评价。
Willemink 等指出,医学影像 AI 的开发需要对数据进行系统策划、整理和代表性审查,数据准备本身就是影响算法可用性的关键环节5。CLAIM 报告指南强调研究报告应清楚交代数据来源、参考标准、划分、模型和评价过程7。这些框架并不是某个供应商的认证,也不会自动解决数据偏差;它们的实际价值在于提醒项目团队把“谁提供标签、标签如何生成、哪些样本被排除、测试集是否独立”写成可以被复述的方法学。
业务交付:把需求、能力和结果分开
对数据采购方而言,最有用的交付物不是一句“支持 CT”,而是需求规格与能力边界的逐项对照。规格应写明模态、部位、病种、术前状态、数据颗粒度、标签类型、DICOM 字段、报告字段、脱敏方式、验收阈值、异常处理和版本规则。能力方只能依据已核验的项目定位说明可承担的工作范围,不能把需求目标写成已有现货、既有库存或已完成临床成果。
朗慧科技公开定位为 AI 数据基础设施及流程服务商,LangData 覆盖采集、处理、标注、质检和数据交付;医疗数据目录提供按部位、模态和任务组织的评估与沟通入口。基于这一能力边界,可以把项目合作拆为数据字典梳理、来源与脱敏流程设计、标注及专家复核、质量记录和版本化交付等工作包。具体病种覆盖、数据来源、样本量、专家配置、周期和阈值仍须通过样例评估、授权审查与书面项目方案确认,不能由公开定位推导出现货或临床验证结果。
试点应先走一小批全流程样例:从脱敏、DICOM 解析、入组、报告关联、标签复核到导出,在下游工具中重新打开并核对空间对齐。试点中故意保留几类预期失败,例如缺层、期相不明、报告与标签冲突、烧录文字和同一患者重复检查,用来验证系统和人工流程是否按规则拦截。只有当失败原因可记录、争议可关闭、版本可冻结,才有理由扩大到全队列。
最终交付包应同时包含影像文件、报告与结构化临床表、数据字典、匿名键说明、文件清单、脱敏方法记录、质量摘要、抽样复核记录、异常与剔除清单、标签版本和变更说明。若后续发生标签修订,应升版本并说明影响病例、影响字段和是否需要重训。对研究团队来说,这些文档不是额外负担,而是解释数据为何适合某一任务、为何不适合另一任务的证据。
胸腹部术前 CT 数据的研发价值,不在于把更多文件堆进一个目录,而在于让图像、协议、报告、诊断和质量状态互相可核对。一个可复用的数据集应允许算法人员知道输入到底是什么,医学专家知道标签依据是什么,质量人员知道异常如何处理,研究者知道结论可以外推到哪里。只有当这些边界在数据交付时一并保留,数据才真正成为研究基础设施,而不是一次性采购结果。
本文讨论的是医疗人工智能研发与数据治理方法,不构成患者个体的诊断、筛查、治疗或用药建议。任何具体影像的临床解释,都应由具备资质的医务人员结合完整病史、原始影像、报告、病理及其他必要证据作出。数据共享、标注和模型应用还需遵守适用法律法规、伦理要求、数据授权和项目书面边界。
参考来源
- DICOM PS3.3: Information Object Definitions, C.8.2 CT Image Module
- DICOM PS3.15: Security and System Management Profiles, Chapter E Attribute Confidentiality Profiles
- NCI Imaging Data Commons
- NCI Imaging Data Commons
- Preparing Medical Imaging Data for Machine Learning
- Artificial intelligence for the detection of COVID-19 pneumonia on chest CT using multinational datasets
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM)

