MEDICAL DATA RESEARCH
从疾病清单到可验收任务包:多模态医学 AI 数据采购的拆解方法
面对跨器官、跨模态的医学AI采购清单,如何把疾病条目改写为检测、分割、分类和测量任务?本文从数据颗粒度、参考标准、标注质控、患者级划分、外部验证和分阶段验收说明可复核的任务包设计方法,并区分通用DICOM流程与需专项确认的内镜、动态超声和病理数据。
一张表列出数百种疾病、多个器官系统和从 X 光到病理的图像模态,是否就等于一份可以交给算法团队使用的医学 AI 数据集需求?通常不是。真正决定研发能否启动的,并非疾病名称有多完整,而是每一项临床问题能否被改写成明确的任务、输入、标签、专家依据和验收证据:模型究竟要找出什么,标签落在患者、检查、序列、帧、病灶还是体素上,缺失与不确定如何编码,训练集和外部测试集如何避免泄漏,以及交付后能否在下游工具中复核。
对于同时涉及胸部感染、腹部和盆腔疾病、肿瘤、神经系统、骨肌系统及乳腺等方向的采购规划,最稳妥的做法不是把所有条目合并为一个“多模态大模型项目”,而是把它们拆成若干可解释、可复核、可分阶段验收的任务包。此类表格往往把病种、子类、器官、模态和优先级并列,却没有规定样本单位、时间窗、标签参考标准或交付格式;优先级只能作为规划信号,不能被改写成现货规模或已完成交付。这样既能保留临床需求的广度,也能避免用一个笼统的“准确率”掩盖不同模态和不同标签层级的质量风险。
先把疾病目录改写成临床任务
疾病名称只是检索入口,不是模型输出。第一步应从“要支持什么临床动作”出发,把清单中的条目归并为检测、定位、分割、测量、分类、分级和纵向预测等任务。比如,胸腔积液、骨折、结石或肺部异常,可能对应“有无病变”的检查级分类,也可能对应病灶框、关键点、体积或长度测量;肿瘤条目还可能要求良恶性、组织学亚型、分期或治疗后变化。它们的参考标准、误差代价和数据颗粒度完全不同,不能只因同属于 CT 或超声就共用一套标签。
检测任务要明确候选对象、定位形式和允许的漏检场景;分割任务要明确是器官、病灶、坏死区、血管还是积液,并规定相邻结构的边界;分类任务要区分检查级、病灶级还是患者级标签;分级任务还要写清等级之间是否有序、是否允许“不确定”或“无法判断”。如果目标是测量,还要明确单位、参考平面、测量时点和容差。若需求只列了病种而没有给出临床终点,采购阶段应把它标为待澄清项,而不是自行补成诊断模型。
模态也要按临床任务重新核对。CT、MR、X 光、超声、内镜和病理全切片的成像对象、采集协议与标注工具不同;动态视频还多出时间轴、关键帧和检查阶段。内镜视频、超声动态数据和病理全切片应作为独立轨道确认,不能从通用 DICOM 入库或标注流程推断为默认交付。某个病种同时出现在超声、CT、MR 和病理中,并不意味着这些模态已经按同一受试者、同一次就诊或同一病灶完成配对。多模态的“联合”至少有三种含义:同一研究对象的多模态配对、同一任务的多分支输入,或仅仅是多个独立单模态数据集放在同一项目中。三者的授权、缺失处理和验收均不相同。
图1 多模态需求拆解示意:从临床问题到数据单元、标签依据和验收证据;为技术关系示意,不表示真实患者、已完成实验或临床诊断结果。
用五层数据结构描述输入和输出
一份可执行的规格至少要写出五层关系。第一层是受试者层,保存去标识后的研究对象、纳入排除状态和必要的人群变量。第二层是检查层,区分一次就诊、一次影像检查、一次内镜操作或一次病理取材。第三层是序列或样本层,例如 CT 序列、MR 序列组合、超声检查片段、内镜视频或病理切片。第四层是病灶或区域层,用于表示一个或多个异常对象及其位置、大小、形态和对应标签。第五层是帧、切片、像素或体素层,用于承载关键帧、二维轮廓、三维掩膜、点标记或细胞级区域。采购条款若没有说明交付落在哪一层,后续很容易出现“病例数相同但训练样本数不可比”的争议。
输入描述不能只写模态名称。CT 需要考虑序列完整性、层厚、重建与方向;MR 需要说明序列组合、时相和是否允许缺序列;超声和内镜要说明静态图还是完整视频、帧率是否保留、关键帧如何抽取;病理要说明全切片还是局部视野、染色和扫描分辨率。对于跨模态输入,还应记录检查时间窗、空间坐标、配准状态、是否存在同一病灶的对应关系,以及缺失模态如何处理。没有这些字段,模型可能学到设备、中心、检查流程或文件命名的替代信号,而不是病变本身。
输出设计同样需要与临床问题对齐。一个检查级阳性标签不能替代病灶级位置;一个病灶框不能自动产生病理亚型;一个分割掩膜也不等于已经与报告、治疗或预后标签对齐。若需要影像与报告、病理或实验室结果联合建模,应建立独立的受试者—检查—样本对照表,并把配对来源、时间窗、缺失原因和人工核对状态纳入数据字典。不能因为两个文件有相同的伪匿名编号,就默认它们来自同一检查或同一病灶。
标签定义要先于算法选择
标签方案的核心不是选择哪一种网络,而是把临床概念变成不同标注者可重复执行的规则。以肿瘤为例,至少要区分可见实体边界、浸润性范围、坏死或液化区、血管受累、邻近结构侵犯以及术后改变。以炎症和感染为例,影像表现、临床诊断、培养结果和病理结果可能不是同一层面的事实。采购时应明确哪个字段是模型监督信号,哪个字段只是辅助描述,哪个字段只能作为外部验证或解释变量。
参考标准也不能笼统写成“专家标注”。应说明标注主体的专业范围、培训材料、示例图谱、盲法、复核层级和分歧仲裁规则。对于影像轮廓,可采用两名合格标注者独立勾画后由第三方仲裁;对于病理诊断或组织学亚型,应明确采用哪一版分类体系以及是否由专科病理专家复核;对于内镜视频,应定义检查阶段、关键帧和时序事件;对于超声,则要说明操作者、切面、动态观察和不可判读原因。主观等级需要保留不确定和边界病例,而不是强迫专家在证据不足时给出确定标签。
CLAIM 2024 更新版要求研究者具体描述数据来源、纳排条件、预处理、脱敏、采集协议、参考标准、标注者资质、观察者间差异和患者级数据划分,并要求说明外部测试的来源及与训练数据的差异1。这些条目也适合作为采购规格的反向检查表:供应方交付的不应只有图像文件和一个标签列,还应包括标签定义、版本、样例、缺失编码、复核记录和数据字典。对于预测模型,TRIPOD+AI进一步强调目标人群、数据代表性、结局定义、缺失数据、模型输出、校准与临床效用的透明报告2。这意味着“有标签”不等于“可用于临床预测研究”。
算法路线应围绕数据条件分层
在数据设计完成前,不宜先承诺某个统一的基础模型或端到端多模态架构。对于 CT、MR 等结构化体数据,可先按序列质量、空间方向和体素间距进行标准化,再分别建立检测、分割或分类基线;对于 X 光和二维超声,可从检查级分类、病灶框或关键点开始;对于视频,应把时间切分、关键帧采样和跨设备泛化单独列为实验因素;对于病理全切片,应把切块策略、染色差异、区域级标签和切片级汇总分开记录。
多模态融合可按“早期融合、特征融合、决策融合”分阶段比较,但不能把模态缺失简单填成空白后宣称完成联合学习。先建立单模态基线,再在同一患者级划分上比较增加第二模态后的增益,才能判断联合输入是否真正提供了信息。对报告文本或病理结果,文本中的结论可能已经包含影像医生的判断,若在训练时不加控制,模型会通过标签泄漏取得虚高性能。因此应区分研究时可用的输入与事后才获得的参考标准,并在数据卡中记录时间顺序。
预标注、半自动分割和生成式增强都只能产生草稿或候选样本,不能绕过专家复核成为金标准。算法团队应拿到冻结的规范版本、标签映射、图像方向与体素间距、随机种子、训练验证划分和一组能被下游代码读通的样例。若任务是分割,应使用与轮廓和体素重叠相匹配的评价;若任务是检测,应报告定位和检出层面的指标;若任务是分类或预测,应同时考察区分度、校准、阈值和不确定性。不能用分类准确率验收分割,也不能用训练曲线替代外部验证。
质量控制是来源、人员和版本的共同责任
医学数据质量不只有像素是否清晰。来源治理要核对授权用途、伦理和去标识过程;采集质量要记录设备、协议、扫描范围、缺失序列和不可判读原因;标注质量要记录规范版本、标注者、审核者、修改轮次和仲裁原因;交付质量要验证文件能否打开、坐标和方向是否一致、标签是否与原图对齐。每一环都应留下可追溯记录,而不是只在最终清单上写“合格”。
DICOM PS3.15明确提醒,属性保密配置不能保证所有可识别信息都被移除,脱敏仍需结合用途、接收方和再识别风险进行完整流程评估;像素中烧录的姓名或检查号也需要单独处理,多个相关实例的替换标识还要保持引用一致性3。因此,脱敏验收至少要覆盖元数据、像素烧录信息、文件名、UID 一致性、报告和样本的对照表权限,以及是否保留了研究真正需要的采集参数。脱敏不应破坏跨序列、跨检查和纵向关联,也不应把可回溯密钥混入普通研究交付包。
标注审核可按任务设置单盲或多盲,避免审核者直接跟随前一位标注者的轮廓。抽检比例不应脱离任务难度和风险凭经验固定;更重要的是保留疑难样本、分歧样本和无法判读样本,分别进入复核集或隔离集。若使用 Dice、IoU、Kappa 或 ICC,应在规格中写清计算对象、参考标注、抽样单位和版本,而不把某个指标阈值包装成所有病种通用的质量证明。
图2 从数据治理、专家标注到算法评估和交付追踪的闭环示意;为技术关系示意,不表示真实患者、实验结果或临床诊断结论。
训练集之外必须有可解释的验证设计
采购阶段最容易被忽略的是划分单位。含有同一受试者多次检查、同一病灶多张切片、同一视频多个帧或同一病理切片多个视野时,随机按文件、切片、帧或切块划分会把高度相似的信息同时放入训练和测试,造成数据泄漏。CLAIM建议说明各分区的比例、系统差异和分区互斥层级,医学图像通常应在患者层级或更高层级保持互斥1。对纵向研究,还要明确是按受试者整体划分,还是按时间预测场景保留后续时间点。
外部验证不是把一批新文件追加到内部测试集。它应尽可能体现目标使用环境的差异,例如不同中心、设备、协议、操作者、疾病谱或人群构成,并保持参考标准和标签定义可比较。外部验证系统综述显示,纳入的 86 个影像深度学习算法中,70 个在外部数据上的表现较内部结果下降,21 个下降达到较大幅度4。这不是某个具体项目的失败率,而是提醒采购方:内部高分不能替代跨域测试,数据供应也不应只承诺“覆盖很多病种”,还要说明覆盖哪些变化来源。
患者级泄漏的影响在特定病种研究中尤其明显。一项 2025 年关于阿尔茨海默病深度学习研究的范围综述报告,确认按受试者划分的研究准确率低于存在高泄漏风险的研究,且仅少数研究完成外部验证5。由于这是针对特定领域的综述,不能外推为所有医学任务的统一性能差异,但它足以说明采购规格应把患者级划分、混杂因素控制和外部测试列为交付前的设计要求,而不是等模型训练后再补救。
验收指标应与任务一一对应。分割可报告重叠、边界和体积误差,并分层看小病灶、低对比度和边界模糊病例;检测要区分病灶级和检查级结果,并记录假阳性负担;分类和预测要报告区分度、校准和置信区间,必要时进行亚组分析;视频任务还要报告时间延迟、关键事件定位和跨设备表现。所有指标都应绑定冻结版本、独立测试集和预先写明的统计方案。FUTURE-AI共识指南将公平性、通用性、可追溯性、可用性、稳健性和可解释性作为可信医疗 AI 的六项原则,并将建议延伸到设计、验证、部署和持续监测全生命周期6。对数据采购而言,这意味着验收不能只验证文件是否下载完成,还要验证未来是否能追溯样本来源、标签版本和模型使用边界。
多模态项目还应单独记录“缺失”发生在什么层级。某次检查没有 MR 序列,和某个病灶没有病理结果,不是同一种缺失;某个视频没有完整退镜过程,也不能与正常阴性检查混在一起。采购规格可以把完整配对、部分配对、单模态可用和参考标准缺失分层交付,并在训练、调参和外部测试中分别统计。这样既避免为了凑齐配对而丢掉有价值的单模态样本,也避免把参考标准缺失误编码成阴性标签。对小病种或少见亚型,还应报告样本稀疏和置信区间,必要时把它们作为探索性终点,而不是用总体指标掩盖不稳定性。
采购和业务逻辑:先试点,再按任务扩展
面对跨系统目录,更合理的业务路径通常是“任务包试点—规范冻结—分批扩展”。第一阶段选择少量能代表不同模态和标签难点的样例,走通脱敏、入库、配对、标注、盲审、导出和下游读取;第二阶段冻结数据字典、标签指南、版本规则和验收脚本;第三阶段再按病种或器官系统扩展,并对新增模态、新专家角色和新参考标准单独立项。这样做能把需求不清、模态不匹配、标签争议和外部验证缺口暴露在低成本阶段,也能把软件、标注人力、数据资产和接口范围分开验收。
交付物也应拆成三类。给算法团队的是可训练数据、标签映射、划分文件、样例代码和版本说明;给临床研究团队的是纳排记录、参考标准、专家资格、分歧与仲裁记录、配对表和统计口径;给信息与治理团队的是脱敏说明、权限边界、日志、备份、退出和数据返还方案。平台许可、标注人力、数据资产、接口、GPU、存储和并发容量不能在一张“已包含”清单中混为一谈,实际范围、周期和交付状态应以项目书面确认和合同为准。
在已核验的公司能力边界内,LangData及相关医疗流程可作为 CT、MR、PET DICOM 数据的入库、处理、标注、审核和交付基础;医疗目录与样例评估可用于先确认任务范围。这里的“可支撑”是流程与能力边界的描述,不代表某一病种已有现货、某个模型已经训练完成或已经取得临床和监管结论。视频、病理全切片、病历文本、基因数据、实时接口和特殊设备适配,应按具体方案另行确认,不能从通用影像平台的功能推断为默认交付。
最终,医学 AI 数据采购的价值不在于把疾病目录做得无限长,而在于把每项需求变成可审计的研究对象:临床问题有明确终点,输入模态有采集边界,标签有参考标准,专家分歧有处理路径,数据划分能阻断泄漏,外部验证能反映真实差异,交付后还能复现和追责。对研发团队而言,这样的任务包比一张庞大的疾病清单更接近可用的数据基础设施;对采购和质量团队而言,它也让“是否满足需求”从口头承诺变成可以逐项核对的技术证据。本文不提供个体诊断、治疗或用药建议,面向的是医疗 AI 研发、数据治理与采购设计。
参考来源
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- TRIPOD+AI statement: updated guidance for reporting clinical prediction model studies
- DICOM PS3.15 2026d: Attribute Confidentiality Profiles (Normative)
- External Validation of Deep Learning Algorithms for Radiologic Diagnosis: A Systematic Review
- Data Leakage in Deep Learning for Alzheimer's Disease Diagnosis: A Scoping Review
- FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare

