跳至正文
朗慧科技

MEDICAL DATA RESEARCH

稀有病种 CT—报告数据集:先把病种清单变成可验证的研究任务

面向医疗AI研发与数据采购读者,拆解稀有病种CT—报告数据集的任务定义、检查级配对、长尾标签、专家复核、脱敏治理与独立外部验证,区分研究建议与已核验能力。

CT与血管影像AI辅助整理 · 研发交流

把一串稀有病种名称交给数据团队,能否直接得到可训练的 CT—报告数据集?通常不能。真正困难的不是再增加一列疾病名称,而是回答四个会改变研究结论的问题:一个病例到底要预测什么,同一检查的哪些影像与文字算作一对,报告中的“考虑”“不除外”和“未见”如何编码,以及低频病种的结果怎样在独立数据上复核。若这些问题没有先写进规格,后续的模型、标注量和验收数字都可能建立在含义不稳定的标签上。

这类需求的可匿名技术内核可以成立:它指向一个多解剖部位、多个病种家族、以 CT 检查和放射学报告为核心的数据建设任务。它不需要保留任何病例身份、机构名称或商务条件。需要如实说明的是,病种—优先级清单只能确认目标病种范围和相对排序,不能证明已有病例库存、也不能替代对成像协议、报告字段、参考标准和外部测试的约定。因此,下面的内容把清单视为需求入口,把未写明的部分作为可执行的研究设计建议,而不是把建议伪装成既成数据能力。

先把“病种”改写为临床任务

清单中的病种横跨胸部、心血管、腹盆腔、泌尿生殖、骨关节和感染性疾病等解剖与病理谱系。对模型而言,这并不是一个普通的单标签分类表。一个 CT 检查可能同时出现多个异常;同一异常可能只在某一组序列、某个重建层厚或某个窗位下清楚;报告还会把主要发现、伴随发现、既往病变和待排诊断写在一起。若直接把每个病名当成互斥类别,模型会被迫学习一个不符合临床记录方式的标签空间。

第一步应先冻结任务边界。若目标是病例级检索或分诊,输出可以是病种或病种家族的多标签概率;若目标是报告结构化,输出应拆成解剖部位、异常实体、属性、否定、疑似程度和比较变化;若目标是生成报告,评价对象就不只是疾病是否出现,还包括发现与印象段落的事实一致性。只有在任务明确后,才能决定用病例级、检查级、序列级、切片级还是病灶级颗粒度。病种清单没有给出这些层级,项目书必须补齐,且每个层级都要有主键和回溯关系。

在需求拆解上,建议把病种目录改造成三层本体。第一层是解剖与检查范围,例如胸部、心脏、大血管、腹部、盆腔和四肢;第二层是临床现象,例如占位、狭窄、闭塞、炎症、感染、畸形或创伤;第三层才是项目希望研究的具体疾病或疾病家族。三层之间保留同义词、上位词、排除项和容易混淆的邻近诊断。这样做不是为了让模型输出更多名词,而是为了在尾部病种样本过少时,仍能报告上位概念的可学习性,同时不把上位概念结果冒充为具体罕见病的识别结果。

同一检查可以有多个标签,标签也应允许“阳性”“明确阴性”“未评价”“不确定”与“报告未提及”分开。尤其不能把报告中没有写到某病当成该病不存在。临床报告的省略可能来自检查范围、阅片重点、模板习惯或信息缺失。CheXpert 的原始研究就是从放射学报告中自动提取观察项,并显式处理报告解释中的不确定性;其验证还使用了多名认证放射科医师对独立样本的人工标注。4 这项工作发生在胸片而非 CT,不能直接提供本项目的标签真值,但它清楚说明了“报告抽取标签”和“专家确认标签”不是同一个对象。

输入、配对和颗粒度要先于算法

CT 数据至少要按患者、检查、序列和影像实例建立层级。训练样本通常应以一次检查作为影像—报告配对主键,因为报告的 findings 与 impression 往往总结整次检查,而不是某一张切片。序列层保留增强状态、重建方式、层厚、方向和体素间距等能影响可见性的字段;切片层只在需要定位、分割或细粒度解释时进入任务。若把切片复制成独立病例,稀有病种的表面样本量会被夸大,患者级统计也会失真。

报告文本不应只保留最后一句结论。一个可复现的数据对象应至少区分检查技术、所见、印象、补充意见和与既往影像的比较。比较关系对纵向任务尤其重要:它能支持“新发、稳定、进展、术后改变”等变化标签,但也会把随访信息带入训练。MIMIC-CXR 的数据集论文虽然研究的是胸部 X 光,却展示了影像、自由文本报告和检查元数据如何用匿名患者与检查标识关联,同时指出像素内烧录文字和报告文本都需要单独脱敏处理。3 对 CT—报告项目而言,配对表应记录来源、处理版本和人工修订状态,而不是只交付两个同名文件夹。

公开的 3D CT—报告研究也说明了这种颗粒度的价值。CT-RATE 预印本将三维胸部 CT 与对应报告绑定,并把检查级影像与报告语义用于多异常识别和检索;它还用人工标注的一部分报告训练文本分类器,再将报告派生标签扩展到更大队列。2 该研究集中于胸部、非增强 CT,且其外部测试是该研究的验证设计,不是本项目的可复用数据或临床效果证据,因此不能被当作覆盖多解剖稀有病种的现成方案。它能支持的启示是:报告可以作为弱监督和语义配对来源,但文本抽取、人工抽检和外部测试必须成为数据链路的一部分。

对本类需求,推荐交付对象分为四层。第一层是原始或经允许保留的 CT 对象及其结构化元数据;第二层是清洗后的报告文本和段落边界;第三层是病例级与检查级标签,包括来源、证据片段、否定/不确定状态和专家修订记录;第四层是纳排规则、标签字典、患者级划分、脱敏记录、质量日志和数据卡。任何一层缺失,算法团队都可能无法判断“没有标签”究竟代表阴性、缺失、未读还是不适用。

从病种清单到 CT—报告训练样本的结构化链路示意查看完整技术图(可放大)

图1|从病种清单到 CT—报告训练样本的技术示意,不代表真实患者、现成库存或已完成实验。

长尾标签不是把低频病例简单过采样

多解剖、多病种 CT 数据天然具有长尾。头部病种往往有更多报告模板和更稳定的术语,尾部病种则可能只有少量阳性检查,且阳性病例常伴随其他异常。若只优化总体准确率或总体 AUC,模型可以主要学习头部病种,并在总体数字上看起来良好。RadDiag 的研究以多模态、多解剖诊断为长尾多标签问题,其数据覆盖多个解剖区域和数千种疾病,并按头部、主体和尾部类别分别观察表现。1 该研究数据与本项目的 CT—报告需求并非同一来源或模态组合,不是本项目的性能承诺,却提示了一个可迁移的验收原则:病种优先级必须转译为分层统计,而不是只形成一张总量表。

数据划分应同时考虑病例数量和临床重要性。对每个尾部病种,至少要记录阳性病例数、共病组合、报告来源、检查协议与可用于独立测试的数量。极少样本的病种可以进入探索性标签或上位家族任务,但在验收中要明确“样本不足,不能对具体病种作稳定性能结论”。这比用复制、随机增强或合成文本把数字补齐更可靠。过采样可以作为训练策略,却不能制造新的参考标准,也不能把同一患者的不同时间点复制进训练与测试两侧。

算法路线可以按研发阶段分层。第一阶段用规则与词典建立报告候选标签,识别实体、解剖部位、否定、疑似和比较语句;第二阶段用经过专家复核的检查级标签训练多标签模型,并把 CT 体积编码与报告文本编码对齐;第三阶段再研究检索、开放词汇识别或报告生成。对尾部病种,层级损失、类别平衡采样、阈值校准和按病种的置信区间都比单一总损失更有解释力。若采用视觉—语言预训练,也应把它标成研究路线,不把预训练模型的零样本输出写成临床诊断能力。

CT—报告对齐还存在一个容易被忽略的方向:报告中的病种词可能对应影像上不可定位的全局判断,而不是可以直接勾画的病灶。因此,病例级分类、报告实体抽取和病灶定位不能共用一个“金标准”字段。若后续需要检测或分割,必须另设病灶位置、范围、边界和不可判定标签,并规定是由报告、整套影像还是专家复核产生。把全局报告标签当作像素级真值,会让模型训练目标和临床问题错位。

专家标注要围绕不确定性和争议设计

标注主体应按任务拆分,而不是笼统写“医学专家审核”。报告候选标签可以由经过培训的医学标注人员初标,但尾部病种、否定与疑似、跨解剖歧义和关键测试集必须由相应专科背景的医师复核。复核人需要看到同一检查的完整相关序列与报告,而不是只看抽取出来的病名。若一个病种的影像表现依赖增强期相或特定重建,标注指南应把“当前检查无法判断”作为正式选项。

指南应提供正例、阴性、疑似、术后改变、共病和报告矛盾的脱敏示例,并给出同义词映射、排除规则和仲裁条件。两名标注者可以先独立判断,再由第三方处理分歧;也可以让高风险尾部病种全部进入专家终审,普通标签采用分层抽检。无论采用哪种方式,都应把标注版本、人员角色、复核时间、修改理由和最终仲裁状态写入日志。Kappa、F1 或一致率只能描述预先定义的抽样单位和标签集合,不能替代对困难病例的定性复盘。

参考标准也要分层。报告文本一致性可以由专家对报告实体和语义状态复核;影像诊断标签需要明确是影像共识、病理、手术、随访还是多源证据;临床结局则需要另立随访定义。若项目只提供 CT 与报告,就不能把报告中的诊断词宣传为病理确证,也不能把影像模型结果写成患者临床获益。对所有无法确认的条目,宁可输出“未知/待复核”,也不要为了得到封闭标签集而强行二分类。

质量偏差与外部验证要提前写进规格

稀有病种数据尤其容易把来源偏差误当成疾病信号。某些检查协议、设备重建、报告模板、转诊路径或科室习惯,可能与病种同时出现。Zech 等人的跨机构研究显示,胸片模型可以学习到来源机构,内部测试表现也可能显著高于外部数据;当不同机构的患病率不同,按机构线索排序甚至会得到很高的表面区分度。5 该研究对象是肺炎胸片,不是本项目病种,但它给出的治理结论适用于 CT:训练集要记录来源与协议,评估集要保留独立的时间、设备或来源切分,并且要检查模型是否依赖机构线索。

第一道门是去重和患者级隔离。同一患者的同一检查、重复导出、不同重建版本、补充报告和随访检查要有可识别但脱敏的关系键。第二道门是文字和元数据审计,检查 DICOM 标签、文件名、报告自由文本、图像烧录文字和导出日志是否残留身份信息。DICOM 官方 PS3.15 将基本应用层保密配置及清理像素、图形和纵向时间信息列为脱敏选项,但是否保留研究所需的时间关系和设备字段仍需按项目授权与风险评估决定。7 第三道门是对配对关系抽检:影像、报告、标签和证据片段必须属于同一次检查,不能因文件重命名或批量合并而错配。

外部验证至少应包括一个开发时未使用的来源、时间段或设备组合。外部数据不能只换一个随机种子;如果病种极少,可以采用按病种家族和协议分层的独立测试,并报告样本不足和置信区间宽的情况。测试前冻结模型、阈值、标签字典和预处理;测试后按头部、主体、尾部以及正常、阴性、不确定、多病共存亚组出具结果。若外部报告结构与开发集不一致,应先说明哪些字段无法对齐,再决定是做映射、排除还是单独报告。

CLAIM 2024 更新强调,医学影像 AI 研究应报告数据来源、纳排条件、预处理、脱敏、参考标准、标注者、患者级数据划分、测试集、指标和外部测试等可复现信息。6 对数据采购和研发交接而言,这些条目可以直接变成数据卡与验收表。它们不等于监管批准,也不规定某个项目必须达到统一准确率;它们的价值在于让“数据是否可用”变成可核查的过程证据。

稀有病种 CT—报告数据集的内部与外部验证闭环示意查看完整技术图(可放大)

图2|稀有病种 CT—报告数据集的验证闭环技术示意,不代表真实患者、模型性能或临床验证结果。

验收要从病种数量转向证据链

一个可执行的验收可以分为六个问题。第一,病种覆盖是否与冻结版标签字典一致,优先级是否被正确映射,尾部病种是否单独列出而未被上位类吞并。第二,CT、报告和标签的配对是否正确,病例级、检查级和序列级数量能否相互解释。第三,报告语义是否保留,特别是否定、疑似、比较变化、共病和未提及状态。第四,脱敏、重复检查识别、患者级划分和版本日志能否由抽样记录证明。第五,专家复核与争议关闭是否可追溯,测试集是否在模型开发前冻结。第六,导出包能否在目标分析环境中打开,并保留数据卡、字段字典和质量问题单。

病种数量本身不是质量指标。一个尾部病种有很多重复模板或同一患者多次检查,不能等价于很多独立病例;一个优先级很高的病种若只有报告词而没有可靠影像证据,也不能直接进入临床任务。建议在项目书面规格中把“覆盖率、配对正确率、脱敏通过、标签一致性、缺失原因、外部测试完成度”分开验收,并为每项保留样例、抽样单位、计算脚本版本和不通过时的回修规则。具体阈值应由临床研究目标、样本规模和风险等级共同确定,不应套用一个对所有病种相同的数字。

业务上,这类项目的合理交付不是简单出售一张疾病表,而是先做需求澄清与小规模试标,再冻结标签、配对和质控方案,最后按版本批次交付可复现的数据包。公司已核验的定位是 AI 数据基础设施及流程服务商,能力表达可落在采集、处理、标注、质检与数据交付的流程设计上;这不等于对某一具体稀有病种拥有现货,也不等于已经完成独立临床验证。若需要 CT—报告数据、专家复核或私有化流程,应以项目样例、书面规格和逐项验收确认范围,而不是用需求清单推断交付能力。

把研究价值落在可复现而非口号上

这份需求最有价值的转化方向,是把“稀有病种优先级”变成一套可追溯的数据结构:每个标签都有本体位置、临床语义、影像—报告证据和版本;每个样本都有患者级隔离关系、协议元数据和脱敏记录;每个模型结果都有尾部分层、外部测试和失败样本解释。这样形成的资源既可以支持多标签识别,也可以在后续增加报告结构化、病例检索或病灶定位,但每增加一个任务,都必须重新定义输出和参考标准。

反过来,如果只有病种名称和优先级,没有可核验的病例来源、影像协议、报告配对、标注主体、参考标准和验收条件,就不应把它包装成已完成的数据集,更不应从疾病清单推导诊断率、疗效或监管结论。对研发团队而言,先补齐任务规格通常比先选择模型更能减少返工;对采购与质量团队而言,先冻结证据链,才能让稀有病种的“高优先级”真正转化为可审查、可扩展和可复现的医学 AI 数据资产。

参考来源

  1. Large-scale long-tailed disease diagnosis on radiology images
  2. Generalist Foundation Models from a Multimodal Dataset for 3D Computed Tomography
  3. MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports
  4. CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison
  5. Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: a cross-sectional study
  6. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
  7. DICOM PS3.15: Security and System Management Profiles