MEDICAL DATA RESEARCH
上腹部 CT 数据采集:从病种清单到可验证的配对标注队列
面向医疗AI研发与数据采购团队,拆解上腹部平扫与增强CT的受试者级配对、DICOM协议、11类异常标签、报告证据、质控和患者级验证,明确哪些参数是项目约定,避免把配对或预标注误写成临床真值。
上腹部 CT 项目最容易被低估的环节,不是“能否收集到足够多的影像”,而是能否在病灶可见性、平扫与增强的证据关系、器官覆盖、DICOM 元数据和标注版本之间建立一条可复核的链路。若同一受试者的平扫和增强检查无法可靠配对,或者图像看似清晰却缺少层厚、重建核和扫描范围,后续模型即使在内部数据上得到较高重叠度,也很难解释它学到了什么,更不能直接推断到其他设备或人群。
本文围绕一份上腹部 CT 数据采集需求,讨论怎样把它改写成面向医疗 AI 研发和数据采购团队的可执行数据规格。原始需求还写入了不低于 512×512 的矩阵、以 1.0—1.5 mm 薄层为主以及平扫—增强时间间隔小于一周等项目参数;这些数字应作为待确认的规格字段,而不是被改写成普遍医学阈值或企业交付承诺。文中不复述任何项目身份、来源机构或经营条件,也不把尚未写明的标注方式当成已完成能力。核心观点是:先把临床问题拆成数据对象,再让标签、质量和验收反向约束采集;平扫、增强、报告和病理证据各有位置,不能混成一个没有来源的“真值”。
一、先定义任务:这是多器官、多病种的病灶数据,而不是一组腹部图片
需求涉及上腹部平扫 CT,解剖覆盖包括肝脏、胆囊、胰腺、脾脏、肾上腺以及在相关任务中必须完整纳入的肾脏,同时关注腹腔淋巴结。异常类别横跨肝癌、肝脏血管瘤、胆囊癌、胰腺癌、胰腺囊腺瘤、脾脏血管瘤、脾脏淋巴瘤、肾上腺癌、肾癌、淋巴瘤和淋巴结反应性增生。它们在大小、边界、密度、器官背景和病理证据上的差异很大,把它们简单合并成一个“异常”标签,会牺牲研究问题本身。
因此,第一步应把临床任务拆为至少四个层次。第一层是检查级纳排:是否为目标部位、是否为治疗前或治疗后、是否存在严重伪影、扫描范围是否覆盖目标器官。第二层是器官级语境:目标病灶位于哪个器官或淋巴结区域,相关器官是否完整可见。第三层是病灶级对象:一个检查中可能有多个病灶,需保留病灶 ID、类别、所在层面和是否可在连续层面追踪。第四层是证据级属性:影像科报告、病理报告、分期或严重程度描述分别来自什么文件、什么时间点、什么观察者。病理报告缺失不等于病灶不存在,影像印象也不应未经说明就升级为病理真值。
当前需求文本明确了影像模态、解剖范围、异常类别、DICOM 原始格式和报告内容,但没有完整写出最终标签是像素级分割、三维对象、检测框还是病例级分类。这个缺口必须在试标前冻结。若目标是分割,输出至少应包含与原始体数据对齐的体素标签、标签字典、空间方向、层面关联和版本号;若目标是分类,则应说明分类单位是检查、病灶还是患者,并定义多发病灶和不确定病例的编码。不能因为项目标题含有“标注”就默认所有任务都是像素级金标准。
图1 上腹部 CT 的数据准入、平扫—增强配对与标签设计技术示意;不含真实患者影像,不表示已完成采集、标注或临床诊断。
二、DICOM 不是文件扩展名:采集协议决定可解释性
原始 DICOM 的价值不只是保留更大的图像尺寸,还在于它保留了把像素转换成可比较影像所需的上下文。DICOM CT Image Module 对像素解释、重采样关系、管电压、曝光、采集直径、重建直径、重建中心和卷积核等属性分别定义了语义;对于原始 CT,像素的现实世界映射通常与 HU 相关,但具体处理仍需核对图像类型和字段是否完整。1 这意味着“保留完整元数据”不能停留在口号,应落实为入库检查表和缺失状态。
针对上腹部病灶任务,建议至少保留四类信息。第一是空间信息,包括 Rows、Columns、Pixel Spacing、Slice Thickness、Image Position、Image Orientation 和层面顺序,用于判断相邻层是否真实连续。第二是重建和采集信息,包括重建核、扫描设备、管电压、管电流或曝光、视野和重建直径,用于分析不同协议造成的纹理和对比度变化。第三是检查级关系,包括 Study Instance UID、Series Instance UID 的脱敏替代键、采集时间和序列类型,用于平扫—增强配对。第四是脱敏审计信息,包括标签字段清理、像素内烧录文字核查、转换工具版本和失败记录。
薄层优先是合理的工程方向,因为小病灶边界和三维连续性都受层厚影响;但不能把某一层厚或某一设备品牌直接当成普遍优越性。当前需求列出的 1.0—1.5 mm 主体占比、某类设备占比和管电流范围,应在验收表中作为项目约定或分层监控字段记录,不能写成公司统一交付比例。研究上应保留协议异质性,并把层厚、设备、重建核和伪影状态作为分层字段,而不是在预处理时悄悄删除所有非主流样本。DICOM 到 NIfTI 或其他训练格式的转换,也应保存原始到派生数据的映射、方向变换和体素间距,避免导出后的标签看似重合,实际已发生轴向翻转或层面错位。
样本准入还要区别“质量不佳”和“任务不适用”。轻度噪声或非主流重建协议可能是外部泛化研究所需的真实变化;严重运动伪影、金属伪影或扫描范围缺失则可能让目标边界不可判定。两者不能都标记为“坏数据”后简单删除。更稳妥的做法是设置可用、条件可用、不可标注和待复核四种状态,并记录判定理由。这样,数据采购、标注生产和算法评价可以分别决定是否纳入,而不是在源头形成不可追溯的选择偏差。
三、平扫与增强如何配对:参考证据不等于标签替代
需求提出同一受试者尽可能提供增强 CT,并把平扫与增强的时间间隔写为小于一周。这个设计有明确价值:增强序列可以帮助确认病灶边界、内部成分或强化表现,尤其当平扫上病灶与邻近器官对比不足时。但“小于一周”是当前项目的配对约定,不等于所有研究都可视为同步检查;配对前仍需用检查级关联键、采集日期、解剖覆盖、序列描述和必要的临床上下文互相支持。
配对表至少应有完整配对、只有平扫、只有增强、时间超窗、范围不一致、序列类型未知和无法确认七种状态。对同一受试者存在多次检查时,要明确哪一次增强检查可以作为参考,不能默认选择最近的一次。时间接近也不保证病灶没有变化,因此时间差应作为字段保留,而不应被改写成“同步”。若平扫和增强来自不同检查、不同重建或不同呼吸状态,也不应强行做体素级配准后当作同一空间真值;需要配准时,必须保存变换、质量检查和不可对应区域。
公开研究提供了有启发性的做法,但不能被当作本项目的现成结论。一项上腹部器官分割研究使用同一中心的增强和非增强 CT,并以医生审核的轮廓作为参考,分别在留出测试集和独立的定性测试集上评价;作者同时指出,不同机构的成像协议和重建参数可能导致性能下降。2 这说明平扫—增强配对可以服务于研究,但配对本身不能替代独立测试,也不能把单中心协议下的结果直接外推到其他场景。
对当前需求而言,增强 CT 的角色应在标签字典中写清楚:它是边界或类型的参考证据,还是也需要建立独立的增强序列标签;是只关联到病灶 ID,还是需要配准到平扫坐标;当增强缺失或时间不符时,平扫样本是否仍可进入训练。若这些问题没有答案,最安全的交付不是填入猜测标签,而是将样本标为“证据不完整”,保留其原始数据供后续决定。
四、从病种清单到标注本体:多发、跨层与不确定性必须显式化
多器官病种项目的标签表不能只列数字。建议每个标签同时包含中文名称、稳定编码、适用解剖、允许的证据来源、是否可多发、是否允许与其他标签并存、边界定义和不可判定条件。例如,一个检查可以同时出现多个病灶,也可能同时有不同类别的病灶;“同一层面所有病灶都标”与“同一病灶所有层面都标”是两个不同的质量要求,前者防止漏掉同层病灶,后者保证三维对象不在中途断裂。
如果采用三维分割,应明确是标病灶整体,还是只标可见实性部分;囊性、坏死、出血和钙化是否纳入整体边界,不能让标注者临场决定。当前需求还规定以早、中期病程为主,并排除治疗后及部分术后、明显晚期或广泛转移病例;这些是该队列的纳排条件,不应被表述为所有临床研究的普遍排除标准。排除逻辑要写入队列版本,而不是仅凭阅片者的主观印象。对于“病灶类型不确定”的情况,可设置不确定或待复议状态;不应为了提高类别纯度把有争议的样本强行归入某一病种。
病理报告和影像科报告应作为分层证据保存。报告可提供病灶部位、形态、病理类型、分期或严重程度,但报告中的语句、病理样本的取材范围和影像所见并不完全等价。一个病理结果可能只代表取样区域,一个影像报告可能包含鉴别诊断而不是最终结论。数据模型可以把报告抽取字段与人工复核字段分开,并为每个字段保留来源和置信状态。这样,算法团队可以选择适合的监督信号,数据采购团队也能知道哪些字段只是研究协变量而非金标准。
年龄和性别多样性不是一句“尽量覆盖”就完成。应在队列监控表中记录各病种、器官、性别、年龄段、设备、层厚、伪影和配对状态的分布,并在训练、验证和测试分区前检查是否出现结构性差异。若某一病种只来自单一协议或单一年龄段,模型可能把采集特征当成病种特征。分层采样不必承诺完美均衡,但必须把不均衡写出来,并在评价时报告各层结果。
五、算法路线:先建立可解释的基线,再谈多模态融合
面对上腹部体积数据,常见路线是三维语义分割、病灶检测后精分割、器官定位后病灶分割,或将平扫与增强作为双通道输入。哪条路线更合适,取决于标签层级、配对完整性和 GPU 预算,而不是由“多模态”三个字自动决定。若平扫是主入口而增强只对部分样本存在,可以先以平扫单模态建立基线,再在配对完整的子队列中评估增强通道的增益,避免把缺失机制混入模型训练。
nnU-Net 的研究表明,预处理、网络配置、训练和后处理可以根据数据特征与硬件条件自动调整,并在多个公开生物医学分割数据集上取得有竞争力的结果;但这并不意味着把原始数据交给一个通用框架就能解决病种定义、标签偏差和外部泛化问题。3 对本项目更合理的使用方式,是把它作为可复现基线:明确输入通道、体素重采样、裁剪范围、训练增强、损失函数和后处理,再比较多通道或分阶段模型的变化。
模型输入可按三种层次设计。第一种只用平扫,适合配对不完整但要求统一入口的队列;第二种在配对完整时将平扫与增强作为对齐通道,必须处理呼吸、体位和扫描范围差异;第三种先在器官和淋巴结区域定位,再对病灶进行局部检测与分割,适合多器官、病灶大小差异大的任务。对于极小病灶或边界模糊病例,重采样和裁剪策略可能比网络名称更影响结果。任何半自动预标注都只能作为草稿,必须经过人工修订和版本化复核后才能进入金标准。
评价也应与任务一致。分割结果至少要同时看体积重叠、边界距离、病灶检出和漏标情况;分类结果则要按病灶级或检查级定义敏感度、特异度或校准,而不能用分类准确率验收分割。LiTS 基准显示,肝脏整体分割和肝肿瘤分割的难度可以显著不同,肿瘤分割的表现也不等同于病灶检出;该基准还提醒,单一排行榜分数不能替代对病灶大小、类型和数据来源的分层分析。4 对上腹部多病种项目,应预先约定每类病种的最小可评价样本量、病灶大小分层和不确定样本处理方式。
六、标注专家与质量控制:把“看过”变成可审计的过程
标注主体应按照任务分工,而不是笼统写成“专家标注”。初标人员需要接受统一的标签字典、正反例和软件操作培训;复核者应能独立检查器官覆盖、病灶边界、连续层、标签类别和配对证据;争议裁决者则负责处理边界不清、类别冲突、报告与影像不一致以及增强参考不足的样本。人员资质、角色、可见信息范围和是否允许修改原轮廓,都应写入过程记录。
独立双人标注比单人反复自检更容易发现规则歧义,但“多人”本身并不等于质量高。应在试标阶段计算或定性分析一致性,按器官、病种、病灶大小和困难样本拆开看;对不一致样本保留原始意见、争议位置和最终裁决。对于边界天然模糊的病灶,可以考虑保留多专家轮廓或不确定区域,而不是强行生成一条看似精确的单一边界。LiTS 的作者也建议为肿瘤分割提供多标注者参考,因为小病灶和模糊边界存在不可忽略的不确定性。4
质控不应只统计一个通过率。建议至少建立四类错误码:数据错误,包括序列缺失、方向错误、元数据不一致和脱敏残留;空间错误,包括器官覆盖不足、病灶断层、越界或配准错位;语义错误,包括类别混淆、病灶合并或把报告推断当成病理;交付错误,包括标签值、文件命名、版本号和导出方向不一致。每类错误都应关联样本 ID、层面或序列、责任角色、修订动作和关闭时间。
图二所示闭环的重点是先冻结定义,再试标、复核、分层抽检和独立测试。内部质量记录可以按项目协议约定阈值,但公开文章不应虚构一个统一准确率,也不应把公司网站的流程描述当作某一批数据已经完成的证据。对采购方而言,更有用的验收问题是:能否用一条脱敏样例复现导入;能否从标签追溯到原始序列和指南版本;能否看到争议和返工;导出的体素空间能否被下游训练代码正确读取。
图2 上腹部病灶标注项目的定义、质控、患者级划分、外部验证和版本迭代技术示意;不含真实患者影像,不表示真实实验结果或临床性能。
七、外部验证与偏差:病种多样性必须落实到评价设计
同一患者的平扫、增强、报告和重复检查不能被拆到不同数据分区。CLAIM 2024 更新明确要求报告数据来源、纳排条件、预处理、脱敏、采集协议、参考标准、标注者、分区方式以及分区是否在患者级或更高层级上独立;它还强调测试集应与目标使用场景相符。5 这对本项目尤其重要,因为平扫和增强天然存在纵向关联,按图像或切片随机划分会让模型从同一患者的相近信息中获得不应有的提示。
内部验证可用于比较算法路线,但不能替代外部验证。外部测试应尽量引入不同设备、重建核、层厚、扫描范围和人群构成,并保留这些变量以解释性能变化。FLARE23 的公开挑战预印本展示了腹部器官与病灶分割在多中心、大规模和多病种条件下的评估价值,同时也属于预印本,不能把其中的结果当作已完成临床验证或本项目可达到的指标。6 公开基准适合作为任务定义和评价口径的参照,不是对任何具体交付的性能承诺。
偏差分析应至少回答四个问题。第一,某一病种是否主要来自单一设备或单一重建协议;第二,较大病灶是否占据多数,使小病灶漏检被平均指标掩盖;第三,增强配对完整的病例是否更容易获得报告和病理,从而造成证据可得性偏差;第四,早期、治疗后和晚期病例的排除规则是否改变了目标人群。若模型只在筛选后的“干净”样本上表现良好,不能直接推断到真实临床队列。STARD-AI 进一步建议在诊断准确性研究中报告数据采集设备、标注、预处理、训练—验证—测试分区、测试集代表性和外部评估,以便判断偏倚和适用性。7
八、把需求转成可验收的业务逻辑
对研发团队,交付物应至少分为原始影像包、配对关系表、标签与证据字典、质量记录、分区清单和版本变更表。原始影像包保留脱敏 DICOM 及其派生格式的映射;配对关系表说明平扫、增强、时间差和配对状态;标签字典说明病种、器官、病灶 ID、阴性和不确定编码;质量记录包括准入、复核、返工和抽检;分区清单以患者为单位冻结;版本变更表说明规则变更影响了哪些样本。没有这些配套资料,单独交付一批 MASK 并不能证明数据可复现。
对数据采购团队,建议把验收拆成四个阶段。第一阶段是样例验收:随机查看不同器官、病种、层厚和配对状态,确认格式、方向和标签可读。第二阶段是规则验收:用预先定义的正例、反例和争议例检查纳排、边界和多发病灶规则。第三阶段是批次验收:按病种、年龄性别、设备、层厚和证据完整性分层抽检,记录漏标、过标、错配和脱敏问题。第四阶段是研究可用性验收:用目标训练代码读取样例,检查患者级划分、标签空间、缺失字段和版本记录。每个阶段都应有通过、退回、待复核和不适用状态,避免把“已交付”误解成“可直接训练”。
已核验的企业能力边界只能支持这样的表达:面向医疗 AI 项目,可围绕数据采集、处理、标注、质检和交付组织项目化流程,并根据项目规格确认模态、任务和质量记录。它不等于已经拥有某个特定病种的现货数据,不等于已有某一批专家全量审核,也不等于模型或数据已经通过临床验证。具体授权、部署、范围、周期和验收方式仍需以书面项目文件为准。对于需要病理关联、跨机构外部验证或临床使用的团队,还应单独确认伦理、数据授权、隐私保护和监管要求。
结语:让每一个标签都能回到它的证据链
上腹部 CT 数据建设的研发价值,不在于把器官和病灶名称列得越多越好,而在于把“为什么纳入、依据哪一次检查、由谁标注、参考了什么证据、在什么版本下通过”变成可查询的数据结构。平扫可以承担统一的模型入口,增强可以作为边界和类型的参考,但二者都必须通过同一受试者键、检查级关系和时间状态被明确关联。病种越多,越需要把多发病灶、跨层连续、不确定性和报告证据拆开管理。
当采集协议、DICOM 元数据、配对关系、标签字典、专家复核、患者级划分和外部验证被放进同一条质量链,数据集才真正具备支持算法研发和后续研究的基础。若其中任一环节只能靠口头解释或事后补表,训练指标就应被谨慎解释。本文讨论的是研究数据与标注工程,不构成任何个人的诊断、筛查、分期或治疗建议;具体医学判断必须由具备资质的医务人员结合完整临床资料作出。
参考来源
- DICOM PS3.3 2024c — CT Image Module
- Multi-organ segmentation of abdominal structures from non-contrast and contrast enhanced CT images
- nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation
- The Liver Tumor Segmentation Benchmark (LiTS)
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- Automatic organ and pan-cancer segmentation in abdomen CT: the FLARE 2023 challenge (preprint)
- The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence

