MEDICAL DATA RESEARCH
增强CT食管癌分期标注:把T分层与淋巴结分区变成可核对的数据任务
食管癌增强CT数据建设不能只交一批影像。本文从静脉期与层厚筛选、T1–T4影像标签、淋巴结区域与站别、盲审复议、患者级划分和跨中心验证,拆解可复核的标注与交付规格,说明影像标签与病理结局如何分开管理。
食管癌增强CT项目最容易出现的错误,并不是模型不够复杂,而是把“有一批胸部CT”误当成了一个已经定义清楚的学习任务。若研究目标同时包含肿瘤浸润深度、T分期和淋巴结分组,数据团队必须先回答:纳入哪一个增强期相,层厚与重建条件如何固定,肿瘤轮廓按哪一层级标注,T1至T4依据什么证据,颈部、纵隔和腹腔淋巴结如何编码,以及无法从影像可靠判断时是否允许保留不确定。只有这些问题被写成可审计的字段和版本,后续的分割、分类、专家复核和验收才有共同对象。
本文把一项具体的增强CT标注需求改写为可独立复用的研发规格:以胸部增强CT为主输入,优先使用薄层、静脉期、横断位序列;输出食管肿瘤三维或逐层轮廓、任务书定义的T1/T2/T3/T4影像标签,以及按解剖分区组织的淋巴结标签。若扫描范围不能覆盖某一规定分区,样本应标记为“未覆盖”,而不是用阴性代替。本文讨论的是科研数据和算法验收,不构成任何个体的诊断、分期或治疗建议。
一、先把临床问题拆成互不混淆的标签
食管癌的T类别描述原发肿瘤向食管壁及邻近结构的侵犯范围。第八版分期框架中,T1涉及黏膜或黏膜下层,T2涉及固有肌层,T3达到外膜,T4则涉及邻近结构;具体亚类、肿瘤位置和病理类型仍须按项目采用的版本执行。1 这组定义是临床语义,不等于任何一张CT都能直接显示全部组织层次。尤其早期病变的层间差异可能小,单靠增强CT很难稳定区分影像征象与病理深度。因此数据字典应把“影像任务T标签”“术后病理T标签”和“不可判定原因”分开,不能把病理结论倒灌到影像轮廓中。
原始需求还包含一个很重要但容易被忽略的结构:淋巴结并非一个无位置的二分类目标,而是至少要按颈部、纵隔和腹腔三个区域记录。项目需要进一步冻结淋巴结站的词典、每站的解剖边界、是否标注可疑结节或全部可见结节、是否需要单独记录转移状态,以及同一患者多个结节的对象编号。不能因为“区域”三个字已经出现,就由标注员自行决定站别。站别不固定,模型学到的可能是阅片者习惯,而不是可复核的解剖关系。
建议将输出拆成四层。第一层是检查级元数据,包括检查编号、序列编号、增强期相、扫描范围、层厚、层间距、方向和脱敏状态。第二层是影像对象,包括食管、肿瘤、可见淋巴结及必要的邻近结构轮廓。第三层是语义标签,包括影像T类别、淋巴结区域或站别、可见性与不确定性。第四层是证据链,记录标签来源、专家意见、复议结论、规范版本和修改时间。这样的结构既能支持分割,也能支持分类、关系建模和后续错误分析。
图1展示一条不把期相筛选、对象标注和T标签混在一起的入库路径。它是工程关系示意,不代表真实患者数据或已经完成的实验。
图1|技术示意:序列条件、对象轮廓、T标签和淋巴结分区应分层交付,不含真实患者影像,不表示真实病例或临床诊断。
二、影像入库要先核对“能不能回答问题”
此类项目通常把增强胸部CT作为主模态,并优先选择层厚不超过约2毫米的序列;若样本量不足而需要放宽到更厚的序列,也应把放宽条件作为版本变更,而不是静默混入。静脉期、横断位、扫描范围和重建核需要作为纳入字段。层厚、层间距、像素间距、方向矩阵和重建方式会影响边界、体积、中心点以及相邻切层的连续性,不能只看文件名或截图判断。
CLAIM 2024更新版要求影像AI研究明确数据来源、纳排标准、预处理、脱敏、采集协议、参考标准、标注者和数据划分;其中还特别要求说明层厚、扫描范围、重采样和窗位等影响可复现性的因素。5 对采购或项目试点而言,这意味着“增强CT”不应只是一个下拉选项,而应展开为可检查的序列卡。序列卡至少要能回答:增强发生在哪一期,是否有目标解剖范围,影像是否连续,是否存在明显伪影,原始DICOM与转换后的体数据是否保持空间语义。
有一个需要在立项时明确的范围矛盾:胸部增强CT天然更适合覆盖食管胸段和纵隔,而需求若同时要求腹腔淋巴结,则必须检查扫描范围是否真正延伸到相应区域。未覆盖不是阴性,未见也不是未标注;三者要用不同编码。若项目只纳入覆盖完整目标区域的检查,应在入组阶段排除范围不足的序列;若允许部分覆盖,则模型和验收都要按区域分层,不应把缺失区域纳入阴性分母。
数据划分要以患者或检查为单位,而不是把同一检查的相邻切片随机拆入训练集和测试集。相同患者的不同期相、重复扫描、重建版本和高度相似的派生图像也应保持在同一分区。若同一中心、设备或时间段同时出现在训练和测试中,得到的结果可能主要反映协议相似性。外部测试应尽量保留不同设备、中心、扫描协议和人群构成,并报告这些差异,而不是只给出一个总体分数。
三、轮廓和分期要采用分阶段标注
第一阶段可标注食管和肿瘤的逐层轮廓,并为每个对象分配稳定ID。对于连续薄层序列,逐层勾画不是把二维图片孤立处理,而是要检查起止层、层间变化和与邻近器官的空间关系。轮廓是否包含腔内气体、管壁增厚、坏死或邻近脂肪,应由指南用正例、负例和边界例说明。若目标是肿瘤整体,内部低密度区是否纳入整体轮廓要有单独条款;若同时需要内部成分,应建立子标签,不能让不同标注员自由拆分。
第二阶段处理T标签。影像T标签应有明确的读片依据,例如是否观察到壁外侵犯、邻近结构受累或任务书规定的其他征象;不能由轮廓面积、单一最大径或网络自动外扩环直接生成。T1、T2、T3、T4是有序类别,但有序不代表可以把相邻类别的影像混淆当作轻微错误。对边界不清、成像范围不足、运动伪影显著或缺少必要参考资料的样本,应使用“不可判定”或具体原因编码。若项目把不确定样本强行塞进某个T类,训练集会获得看似完整、实际带系统偏差的标签。
第三阶段处理淋巴结。初标可包括结节轮廓、中心点、区域/站别、对象ID和与原发肿瘤的检查级关联。转移状态应明确来自影像判断、病理结果还是术后记录,并保留证据来源。小淋巴结边界容易受层厚、部分容积和血管邻近影响,不能只用“短径达到某值”替代专业规则。若项目需要预测转移,建议把结节定位、站别、影像可疑程度和病理结局拆成不同字段,防止把术后标签复制为影像真值。
在DICOM交付上,DICOM Segmentation IOD可以表达对参考影像像素的二值或分数分割,并保留帧参考和派生图像关系;但它并不携带参考影像的全部采集参数,处理程序仍需回读源图像。6 因而交付不能只有一个Mask文件,还应带来源序列、空间元数据、标签词典和版本说明。若使用NIfTI或其他格式,也要保留到原始序列的映射,确保算法工程师能复现每个体素对应的影像位置。
四、算法路线应把小目标、序数标签和缺失状态分开
一个稳妥的基线是先用三维U-Net或nnU-Net类模型生成食管和肿瘤轮廓草稿,再由专家修订;对于数据规模有限或序列质量不一致的项目,可以比较2.5D切片上下文、三维局部块和多尺度特征,但必须固定重采样、窗位和裁剪策略。模型输出应保持“草稿”状态,不能直接变成金标准。标注平台的价值是把预标注、人工修订、盲审和版本化导出关进同一条状态机,而不是把自动轮廓当成最终标签。
淋巴结应作为独立的小目标任务处理。2024年的一项基于薄层增强CTA的研究在182例术后病理证实的食管癌患者中,同时标注食管癌、正常食管、转移淋巴结及邻近结构;其测试结果中,淋巴结分割DSC为0.5091,而食管癌为0.7820。3 这组结果只属于该研究的患者范围、CTA协议和标注定义,不是供应商或本项目的统一基准,却直接说明小目标需要单独的误差分析和验收口径。淋巴结可以采用候选检测加局部精分割,再结合站别词典与邻近解剖结构进行关系校验。
T分期分类可采用序数建模或分层分类,但输出中必须带标签版本与不确定状态。序数损失有助于表达类别顺序,不能因此假设所有跨级错误都由一个统一的临床代价函数决定。若数据实际只能支持T1至T2合并、T3单列等粗粒度终点,应在题目和验收中如实写明,而不能宣传为完成T1至T4分期。2025年一项基于胸部增强静脉期CT的3D nnU-Net与影像组学研究,就是把T1至T2与T3作为二分类终点,并在训练、验证和测试集合上分别报告结果。2 这类研究可以为路线设计提供参考,但它没有自动证明四档T标签已经可用。
另一项2026年多中心研究将CT特征、三维形态和临床变量融合用于术前T分期,并设置机构外测试队列;研究报告了内部与外部测试结果,同时明确其队列排除了T4患者,且人群和机构分布存在局限。4 对数据建设的启示是,外部测试不是把同一批病例重新跑一遍,而要在任务标签、病例范围和输入协议一致的前提下,真正检验跨中心稳定性。若外部队列没有T4或某个淋巴结站,必须单独报告该类别未验证,不能用总体指标掩盖缺口。
五、专家标注和争议治理决定标签上限
标注主体至少应分成初标人员、专业复核者和争议仲裁者。初标人员负责按指南完成轮廓和字段录入;具有食管肿瘤影像经验的复核者检查边界、分期依据和站别;对涉及邻近器官侵犯、早期壁层判断或影像与病理不一致的案例,进入预先定义的复议流程。每一层都应记录角色、规范版本和时间。专业资格不是为了制造权威口号,而是为了让不同类型的错误能回到对应的修订环节。
盲审应尽量隐藏上一位标注者的T标签、转移结论和争议意见。否则复核者可能只是确认已有答案。可以先进行独立阅读,再开放必要的参考资料进行仲裁;仲裁前的两版结果要保留,便于估计观察者差异。对于标签一致性,可按T类别报告混淆矩阵、分层一致性和加权Kappa等统计量,但具体指标、权重和置信区间需在看结果前锁定。对淋巴结站别,应同时报告站别错误、漏标、合并标注和范围未覆盖的数量。
应为标注指南建立示例集:至少包含薄层与较厚层的边界差异、静脉期与其他期相的差异、食管壁与邻近器官接触、疑似侵犯但证据不足、多个淋巴结相邻、血管旁小结节、扫描范围不足和明显伪影。示例集不是用来替代专家判断,而是让“为什么不确定”具有共同语言。每次规则改动都要增加版本号,并标明哪些历史标签需要回溯重审。
六、质量验收要从文件完整性延伸到外部验证
验收可以分成四道闸门。第一道是入库闸门:检查脱敏、序列连续性、增强期相、层厚、层间距、扫描范围、方向矩阵和必要字段。第二道是标注闸门:检查肿瘤轮廓是否跨层连续、对象ID是否稳定、T标签是否有证据和不确定原因、淋巴结站别是否来自冻结词典。第三道是复核闸门:对重点边界、低质量样本、争议样本和随机抽样进行盲审与仲裁。第四道是算法闸门:冻结训练/验证/测试划分,确认没有患者级泄漏,完成内部测试、外部测试、亚组分析和失败案例回流。
指标应与标签层级对应。轮廓质量可以用Dice、表面距离、95% Hausdorff距离、漏标率和越界率等组合描述;但单一Dice不能解释小淋巴结是否被完全漏掉。分类任务要报告每个T类的召回、精确率、混淆矩阵、校准和不确定样本处理;站别任务需要分区域统计。所有阈值应写入项目规格,不应把某一篇论文的数字直接变成供应商统一承诺。研究结果中的AUC或分割分数是特定数据、特定协议和特定终点下的证据,不是本项目已经完成的临床性能。
外部验证应至少核对中心、设备、重建协议、扫描范围、病理构成、T类别分布和淋巴结站别覆盖。若模型使用了临床资料或内镜信息,这些变量必须在每个分区都可获得,并明确缺失处理;否则“多模态提升”可能只是数据可得性差异。若只输入CT,就不能把术后病理信息隐藏在标注员备注或像素文字中。既往多中心食管癌淋巴结预测研究还提示,不同扫描仪、层厚和卷积核会影响影像组学的可复现性,因此外部测试除了换中心,还需记录协议差异。7 CLAIM清单也要求说明参考标准、标注者、数据划分层级和外部测试,正适合用来反查项目是否把研究方法写完整。5
图2把文件、医学标签和算法验收拆成三道相互衔接的质量闸门。它强调的是可追踪检查关系,不是预设某个统一准确率或临床结果。
图2|技术示意:文件完整性、医学语义、患者级划分和外部测试应分别留痕,阈值按项目规格预先约定。
七、让交付能够进入真实研发流程
一个可落地的项目可以先用小批量授权样例做规则试标,目的不是先追求产量,而是暴露四类问题:输入序列是否符合条件,T标签能否被独立复核,淋巴结站别是否存在边界争议,以及导出文件能否被算法环境重新读取。试标结束后冻结数据字典、纳排标准、指南版本、模型版本、复核状态和已知失败模式,再决定是否扩大批次。对于范围不足或证据不足的样本,允许回流到“待复议”队列比勉强结算为阴性更可控。
从业务逻辑看,项目交付不应只交一批图像和若干Mask,而应交付“数据卡、标签文件、质量记录、争议清单、版本说明和可复现的划分清单”。如果后续目标是训练分割模型,重点是空间对齐、边界一致和失败回流;如果目标是T分类,重点是标签证据、类别分布和外部测试;如果目标是淋巴结转移研究,重点则是结节级对象、站别、病理结局与影像判断的来源分离。不同下游目标可以共享原始序列,但不能默认共享同一套标签和验收指标。
已核验的公司能力边界可以支持按项目开展医学影像数据整理、标注、质量复核、版本记录和交付准备;这属于流程与项目能力的匹配,不等同于已有特定食管癌现货数据、固定专家库存、模型临床获批或某项研究已完成。实际合作仍须逐项确认数据授权、伦理和合规边界、目标模态、标签深度、部署方式、验收阈值和交付格式。把这些条件写进项目书面规格,才能避免把需求描述误读为现货承诺。
结语:先冻结语义,再谈模型复杂度
增强CT食管癌分期标注的难点,集中在三个连接处:影像协议与可见性之间,肿瘤轮廓与T语义之间,淋巴结空间分区与病理结局之间。薄层静脉期横断位能够改善三维连续性,却不会自动解决早期壁层和小淋巴结的不可判定;深度网络可以生成草稿,却不能替代标签词典、盲审和争议记录;外部测试可以揭示协议迁移,却不能弥补训练数据从未覆盖的T类别或解剖区域。
因此,真正值得验收的不是“有多少张片”或“模型用了哪一种网络”,而是每一个样本能否回答:它来自哪一组序列,覆盖了哪些区域,轮廓由谁按哪一版规则产生,T标签的证据是什么,淋巴结属于哪一个冻结站别,缺失与不确定如何编码,结果能否在独立中心和不同协议下被复核。把这些关系结构化,才能让数据从一次性标注交付变成可追踪、可重用、可验证的医学AI研发资产。
研究与应用边界
本文依据脱敏后的技术需求和公开研究资料,讨论增强CT食管癌影像标注、分期标签、淋巴结分区及质量治理。文中不提供患者个体的诊断、分期、筛查或治疗建议;示意图为原创技术关系图,不含真实患者影像、病例数据或实验曲线。公开研究中的模型结果仅代表其特定数据与研究设计,不能转换为本文项目或任何平台的临床效果、监管批准或交付保证。具体数据建立、算法训练、对外共享和临床使用仍需符合适用法律法规、伦理审查、数据授权、隐私保护、质量管理和临床验证要求。
参考来源
- AJCC Cancer Staging Manual, 8th Edition: Esophagus and Esophagogastric Junction
- 基于3D nnU-Net联合增强CT影像组学预测食管鳞状细胞癌T分期
- Automatic segmentation of esophageal cancer, metastatic lymph nodes and their adjacent structures in CTA images based on the UperNet Swin network
- The combined deep learning model integrating CT features and clinical variables for preoperative T-stage diagnosis in esophageal cancer: a multicenter study
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- DICOM PS3.3 2026d: Segmentation Information Object Definition
- Multiple level CT Radiomics features preoperatively predict lymph node metastasis in esophageal cancer: a multicentre retrospective study

