MEDICAL DATA RESEARCH
胃镜多病种 AI 标注:从分类共存到病灶逐层边界的可验收设计
胃镜AI项目如何把炎症多标签、息肉与病灶边界、NBI肠化生及病理关联拆成可复核的数据结构?本文从检查关系、标注分歧、患者级划分到外部验证,说明PNG/JSON交付如何服务分类与空间任务。
同一张胃镜画面里,可能同时出现炎症性改变,也可能只在某一层面看到一个需要勾画的局灶病变。若把这些现象都压缩成一个“异常”标签,模型究竟要回答什么问题就会变得含混:它是在判断某个解剖部位是否有炎症,还是在寻找病灶边界?它看到的是白光下的形态,还是窄带成像下更容易识别的黏膜纹理?报告和病理结果是当前图像的标签、检查级参考标准,还是只是一条不能直接投影到所有帧的临床线索?
胃镜人工智能项目的难点,往往不在于选一个更复杂的网络,而在于先把临床任务拆成与数据颗粒度相匹配的输出。对需要同时承载胃食管、胃和十二指肠可见改变的任务,至少应把检查级或图像级分类,与病灶级、逐层面的区域标注分开设计。前者服务于筛查、分流或多标签识别;后者服务于定位、范围估计、活检或后续模型的空间学习。二者可以来自同一次检查,却不能用同一个验收指标替代。
先把“有无”与“在哪里”拆开
一种可执行的任务定义,是把标签分成两条主线。第一条是分类标签,用来回答某个图像层面或一次检查是否呈现食管炎、非萎缩性胃炎、萎缩性胃炎、糜烂性胃炎或十二指肠炎等可见改变。分类标签可以是多标签的,因为同一层面可能同时出现多种炎症表现;同时还要带上解剖部位和图像模式,避免把食管、胃窦、胃体、胃底、幽门或十二指肠的差异混在一个类别里。第二条是区域标签,用于勾画隆起或息肉、溃疡、癌、低级别或高级别上皮内瘤变、糜烂、萎缩和肠化生等需要表达空间范围的对象。
这两条主线的参考依据也不完全相同。分类可以依据内镜医师对画面和检查报告的判断;但涉及萎缩、肠化生、上皮内瘤变或癌时,病理结果通常承担更高层级的确认作用。区域边界则首先是图像上的可见范围,不能因为某次活检在同一检查中阳性,就把整段视频或整张图像全部涂成阳性。病理能够支持“是否存在某种组织学改变”,却不天然提供该改变在每个内镜帧中的像素级边界。数据字典应把“直接可见”“报告推断”“病理确证”“无法对应”分列保存。
一项多中心胃镜研究将萎缩性胃炎和肠化生作为可共存的多标签输出,并用胃活检作为参考标准;研究还按解剖部位记录图像,并由多名专家进行标注一致性分析。1 这类设计说明,多标签不是把类别表做得更长,而是承认临床现象可能重叠,并让标签结构与真实判读关系相符。相反,如果一个区域任务只有矩形或椭圆提示,却没有可靠的逐像素轮廓,就只能称为区域提示或检测框,不能在项目文件中把它写成分割金标准。针对胃黏膜肠化生的研究就明确指出,在缺少像素级掩膜时,研究只能采用感兴趣区域标注,并以图像块分类来训练模型。2
图1 技术示意:胃镜检查数据先按受试者、检查、解剖部位、观察阶段和成像模式组织,再分别进入分类标签与区域边界标签;不表示真实患者、已完成实验或临床诊断。
数据单元不能只写成“若干 PNG”
当原始检查包含连续胃镜影像时,最小可用数据单元至少要能回答五个问题:这张图属于哪一次检查,拍摄或截取于哪个部位,处于进镜还是退镜阶段,使用了何种成像模式,前后帧如何关联。若只把每一张图导出为互不相干的静态文件,模型可能学到设备水印、裁剪方式或同一检查的重复背景,而不是病灶本身。项目数据字典应保留检查级、帧级和病灶实例级主键,并明确哪些字段用于训练,哪些字段只用于追溯和验收。
对本类任务,纳入条件可以表述为:存在可读的胃镜影像,并能关联到相应的诊断记录;若项目把病理确证作为某些标签的参考标准,还需要可追溯的取材与病理对应关系。排除或隔离条件则应区分“不能用于某个任务”和“不能进入数据集”两种情况。缺少诊断记录的影像可能无法用于报告依赖型分类,但如果图像本身可用于质量控制研究,未必需要从所有任务中永久删除。既往胃部切除或解剖结构改变的检查,也应按研究问题单独编码,不能简单并入正常样本。
图像质量需要成为显式字段,而不是标注员的口头印象。模糊、反光、黏液、气泡、出血、器械遮挡和视野不完整,都会改变边界可见性。质量标签至少要能区分可判读、部分可判读和不可判读,并保留不可判读的原因。若将所有低质量帧从训练和测试中删掉,模型得到的可能是理想化的静态识别器;若将它们全部按阴性处理,又会把“看不清”误写成“没有病变”。较合理的做法是:低质量帧可进入质量分层或鲁棒性分析,不能未经说明地作为阴性金标准。
同一患者的多次检查、同一次检查的相邻帧和同一病灶的多种模式图像,必须在划分前完成分组。训练、验证和测试集应至少在患者级保持互斥;若研究目标是跨设备或跨中心泛化,还要在测试设计中保留设备或采集场景的差异。CLAIM 2024 更新把数据来源、纳排标准、预处理、去标识、图像采集协议、参考标准、标注者、数据划分以及患者级互斥等列为应报告的要素。5 这些要求对数据采购同样重要,因为它们决定了下游模型的结果能否复现。
标签定义要先写“看见了什么”
胃镜标注规范不应从软件按钮开始,而应从每个标签的证据等级开始。以炎症分类为例,应说明标签指向的是可见的黏膜改变、报告中的诊断,还是经过组织学支持的疾病定义。非萎缩性胃炎与萎缩性胃炎不能只靠标签名称区分,还要写明观察部位、允许的共存关系和“不确定”如何编码。十二指肠炎也不应沿用胃部标签的空间范围,而要限定在球部或降部等实际可见解剖区域。
对边界标签,应把“所有可见对象都标”与“只有达到可判读程度才标”分开。隆起或息肉、溃疡、糜烂等通常需要表达可见轮廓;癌和上皮内瘤变的图像边界则可能与病理范围并不等同。标注规则要规定边界不清时是勾画可见部分、标记不确定,还是转入复核队列。萎缩若在当前画面中没有清晰边界,不应为了让掩膜完整而任意扩展;整幅画面确实呈现同一改变时,可以使用图像级旗标,但要与区域掩膜分开存储。肠化生主要在图像增强模式下更有机会被识别,规则应记录成像模式,而不是把增强模式下的观察结论无差别复制到白光帧。
研究实践也提示了不同任务所需的标注强度并不相同。多中心胃炎分类研究同时设置了分类、分割和位置识别,并把模糊、过暗、失焦、黏液和泡沫等图像排除在训练材料之外;它还使用独立医院的图像和视频片段来测试模型稳定性,并保证同一患者不会同时出现在训练和测试中。3 这并不意味着所有项目都应照搬相同的排除门槛,而是说明项目方需要提前决定:研究终点是清晰静态图上的分类,还是接近真实检查的连续视频表现。
报告和病理关联应采用关系表而不是拼接文本。推荐至少保留“图像—检查—取材部位—病理结论—对应可信度—时间间隔”这些字段。若取材位置与画面中的具体区域无法可靠对应,应使用未知或不可对应,而不是把病理结论复制到整次检查。对同一帧中的多个病变,可以采用实例级编号;对整幅图像的炎症或萎缩状态,则采用图像级或部位级标签。这样才能在后续训练中区分多标签分类、语义分割、实例分割和检查级聚合。
算法路线要服从标注颗粒度
如果输出是“某部位是否存在一种或多种炎症”,可以考虑共享图像编码器加多标签分类头,并让解剖部位、成像模式和质量字段作为分层分析变量。若输出是隆起、溃疡、糜烂或疑似肿瘤的边界,则需要像素级掩膜或至少经过明确约定的轮廓。小病灶和模糊边界更适合在训练时保留难例、边界不确定性和可判读状态,而不是把所有轮廓强行二值化。对同一图像可并存的多个对象,应考虑实例分离,否则两个相邻病灶可能被错误合并为一个区域。
视频任务还要增加时间维度。连续帧中的同一个病灶不是多个独立阳性样本,随机按帧切分会造成严重的信息泄漏。可行做法是以患者或检查为单位分组,在帧级输出后再通过时间聚合得到检查级结果;视频评估应预先定义稳定性、持续出现比例、首次检出位置和误报持续时间等指标。若项目原始交付只是静态帧加 JSON,就不应把它宣传成已经完成视频级验证;可以把帧序号和检查关联保留下来,作为后续扩展的接口。
白光、窄带、放大和染色等模式不能只被当作颜色变化。不同模式可能对应不同的可见特征、清晰度和诊断依据。模型训练可以采用模式专属编码器、模式标签条件化或多模式配对融合,但前提是同一病灶的配对关系可靠。若某一模式只在阳性病例中出现,模型就可能把模式本身当作标签捷径。数据划分和消融分析应回答:模型是利用了病灶信息,还是只记住了设备、模式或拍摄流程。
一项胃黏膜肠化生研究将 BLI 图像与组织学结果关联,并在缺乏像素级分割掩膜时采用区域标注和图像块分类;作者还说明了图像质量筛选和图像匿名化过程。2 对采购方而言,这提供了一个重要边界:矩形区域可以快速形成可用的分类数据,但不能替代后续需要精确边界的任务。若项目未来要做病灶范围估计,应在试标阶段增加像素级或多边形标注,并单独评估其一致性与返工成本。
专家标注不是“一个人看一遍”
专家配置应与标签风险相匹配。初标可以由经过项目培训的内镜相关标注人员完成,但涉及癌、上皮内瘤变、萎缩边界或肠化生时,应由具备相应专科经验的审核者复核。标注前应使用脱敏样例完成小批试标,记录容易混淆的标签、边界争议和无法判断的情况,再冻结第一版规则。规则修订不能静默发生;每一次改动都要带版本号,并说明旧标注是否需要回溯更新。
复核过程要区分独立初标、盲审和仲裁。审核者不应默认看到前一位标注者的轮廓,否则一致性数字可能掩盖了从属判断。对于分类标签,可以统计类别级一致性和多标签共现错误;对于边界标签,可以按病灶或图像计算重叠、边界距离和遗漏率。指标的选择要服从任务风险,不能用分类准确率去替代分割验收,也不能用一张最优样例证明全量质量。
病理报告既是重要参考,也可能带来标签泄漏。若模型输入中包含从检查报告自动提取的结论,而测试时只有图像,就会出现训练条件与实际使用条件不一致。报告和病理字段应在数据层单独管理,并在模型方案中明确是参考标准、辅助输入还是仅用于事后核对。若研究目标是图像单模态识别,训练过程不应让病理结论、文件名或目录结构成为隐含特征。
STARD-AI 2025 进一步要求诊断准确性研究说明数据集和受试者层面的纳排标准、数据来源与采集方式、标注、设备和软件版本、预处理、训练验证测试划分、测试集特征、参考标准及外部审计或评估。4 对胃镜任务,这意味着专家资格、标注指南、软件版本、病理对应规则和分歧处理记录都应成为交付的一部分,而不是只在项目结束时补写一段方法学。
图2 技术示意:分类标签、区域标签和参考证据分层进入独立复核,再按患者级划分与外部验证验收;不表示真实患者、已完成实验或临床诊断。
质量、偏差与外部验证要一起设计
胃镜数据最常见的偏差,不只来自类别比例。设备厂商、光源色温、清洁程度、操作者习惯、拍摄角度、病灶大小和是否取材,都可能与标签相关。若某一机构集中采集重度病例,模型在该机构内表现良好,并不等于能识别另一机构的早期或边界不清病例。数据卡应报告采集中心类型、设备与模式分布、检查阶段、质量分层、病灶部位和参考证据可得性;如果不能公开具体来源,也要提供去标识后的分布摘要。
阴性样本同样需要定义。没有标到病灶的图像,可能是正常、未见异常、图像不可判读或病灶在视野外。它们不能全部合并成同一个“阴性”。对于不确定、缺失、不能除外和治疗后改变,应使用互斥的状态或多字段编码,让训练时可以选择排除、降权或单独分析。尤其是检查级阴性与帧级阴性之间不能互相替换:一次检查中存在阳性帧,并不意味着每一帧都是阳性。
内部验证建议至少覆盖三层。第一层检查文件和标签完整性,包括图像是否能打开、 JSON 是否与图像主键匹配、边界是否超出画布、标签是否超出字典。第二层是标注质量,包括独立复核的一致性、争议样本比例、返工原因和版本变更。第三层是模型或算法的冻结测试,包括类别级性能、病灶级检出、边界指标、质量分层和不确定样本表现。所有指标都应给出样本单位和不确定性,不把帧数当成病例数。
外部验证要尽量改变一个或多个数据生成条件,例如中心、设备、操作者、时间段或病例谱。若外部数据的标签结构与训练集不同,必须先做标签映射并记录不可比部分。多中心胃镜研究使用病理与专家共识作为参考标准,并单独设置了独立测试队列和视频测试,体现了将“清晰静态图表现”与“接近实际检查的稳定性”分开的思路。3 但即便有外部测试,研究结果也不自动等同于临床获益;诊断性能、工作流效率和患者结局是不同问题,不能用一个数字替代。
把验收写成可复核的交付逻辑
一个可落地的交付包,至少应包含去标识后的图像索引、检查与部位关系、成像模式、质量状态、分类标签、区域标注、报告或病理关联说明、标注规范版本、审核记录、问题单和文件校验信息。若项目另行提供连续视频,还应增加视频与帧索引、时间轴及其验收规则。图像文件与结构化 JSON 的命名应使用随机化或项目内主键,不能沿用含有真实身份的文件命名。若原始数据曾包含身份信息或烧录文字,脱敏应作为独立验收项,而不是默认为文件转换后自然完成。
本源规范给出的是 PNG 静态图与 JSON 标注文件的交付关系。若项目实际只有这一层,帧序号和检查主键可以为后续视频聚合保留接口,但不能据此宣称已经完成连续视频交付或视频级验证。
验收可以分成试标、冻结、批量和回修四个节点。试标阶段用少量脱敏样例验证标签定义、部位映射、边界画法、报告病理关系和下游读取;冻结阶段锁定版本、字典和划分规则;批量阶段检查文件完整率、主键唯一性、标签合法性、边界几何和质量字段;回修阶段记录问题类型、责任环节、修订次数和最终关闭证据。任何阈值都应由项目风险、试标结果和书面规格共同确定,不应把某个公开研究的数字直接变成统一承诺。
业务上,采购方真正需要的不是一份“标注完成”的文件,而是一条能被算法、临床研究和信息部门共同复核的证据链。算法团队关心输入是否与输出对应、标签是否足够支持目标任务;临床研究团队关心参考标准、取材关系和外部适用性;信息团队关心去标识、权限、日志、备份和退出时的数据返还。若同时需要平台、人工标注、专家审核或接口开发,应在项目规格中拆开确认。已核验的服务边界可以支持项目规格、标注质检和数据交付的沟通,但不能由通用网页描述推导出固定现货、统一专家配置或某个胃镜模型已经完成临床验证。
因此,胃镜多病种 AI 项目适合先做一个小规模、可回放的试标闭环:从检查级组织开始,逐步下钻到图像、部位、帧和病灶实例;让分类、分割、参考证据和质量状态各自有明确字段;在患者级划分后再决定模型路线;最后用独立中心或设备条件检验外推。这样形成的数据,既能支持当前的炎症与病灶识别,也为未来的视频聚合、多模式融合和病理关联留下可追溯接口。它不承诺某个模型必然达到某种临床效果,却能让研究团队在开始训练之前,知道自己究竟在训练什么,以及最终应如何验收。
参考来源
- Simultaneous recognition of atrophic gastritis and intestinal metaplasia on white light endoscopic images based on convolutional neural networks: a multicenter study
- Convolutional Neural Network Model for Intestinal Metaplasia Recognition in Gastric Corpus Using Endoscopic Image Patches
- Expert-level classification of gastritis by endoscopy using deep learning: a multicenter diagnostic trial
- The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update

