MEDICAL DATA RESEARCH
胃镜AI标注怎么把“看到了什么”和“画出了哪里”分开验收
面向医疗AI研发和数据采购,拆解胃镜影像的多标签分类、病灶边界、溃疡阶段、证据分层与质量验收,说明如何按检查划分、处理不确定标签并验证交付文件。
胃镜人工智能项目最容易被低估的,不是模型选哪一种网络,而是一个画面究竟要回答几个不同问题:它属于哪一种炎症或解剖状态,病灶到底位于哪里,边界是否足够清楚,以及这张图能不能作为训练样本。把这些问题混成一个“异常”标签,模型可能学到反光、清洁度或设备差异,而不是胃黏膜本身的信号。更稳妥的做法,是把分类、区域分割、质量状态和证据来源写成互相对应但不互相替代的标注规格。
这类规格面向的是医疗AI研发、科研数据采购和数据质量管理,不是对某位患者的诊断建议。本文围绕一份脱敏后的胃镜影像标注规则,讨论如何把其中的临床任务、数据颗粒度、专家标注和交付验收改写为可复现的技术方案;不公开原始项目身份、病例、机构、授权合同或价格信息。
先把胃镜任务拆成四个问题
胃镜数据的样本单位通常不止一个层级。一次完整检查包含进镜和退镜过程,检查中又有不同解剖部位、成像模式和时间相邻的画面。若只把导出的PNG文件逐个计数,便无法回答一条病灶在检查中出现了几层,也无法知道相邻画面是否来自同一次观察。数据字典至少应建立“受试者—检查—图像层面—标注实例”的关系。公开的胃镜数据集研究也把图像、序列和检查作为不同分析层级,并强调按患者而不是按单张图像划分数据,以避免同一人的相关画面落入不同集合。2
第一项任务是画面或层面的多标签分类。适用于本类规则的分类标签包括食管炎、非萎缩性胃炎、萎缩性胃炎、糜烂性胃炎和十二指肠炎。同一层面可以同时出现多个炎症或萎缩类别,因此数据结构不能强迫每张图只有一个互斥类别。分类字段还应和部位字段分开:十二指肠炎的可见部位与胃体萎缩不是同一个维度,不能把“部位”直接当作“病种”。
第二项任务是病灶区域的边界勾画。可勾画对象包括隆起或息肉、溃疡、癌、低级别上皮内瘤变、高级别上皮内瘤变、明显糜烂、可确认边界的萎缩以及肠化生。这里的输出不是一句“存在病变”,而是类别、轮廓或掩膜与原始图像坐标的对应关系。每个出现病灶的画面都要遵循同一规则;如果整张画面都呈现可确认的弥漫性改变,则需要明确采用整图标注还是专门的弥漫状态字段,不能让标注者自行猜测。
第三项任务是处理临床判断的时间和证据层次。溃疡的活动期、愈合期和瘢痕期可以属于同一大类下的阶段性属性,也可以在项目字典中拆为互斥子类,但两种设计都需要在试标前固定。直接从图像看到的颜色、形态和边界,与诊断报告或病理结果提供的结论,也不应写在同一个无来源字段中。报告可以帮助确定病例级标签,不能自动把结论复制到每一张不含病灶的画面上。对于“疑似”“不能除外”“看不清”或边界无法可靠确认的情况,应保留不确定状态,而不是为了填满表格强行给出阴性或阳性。
第四项任务是质量筛选。反光、黏液、血液、器械遮挡、失焦和严重运动模糊都会影响边界判断。质量字段不只是给数据采购方看的备注,它决定一张图是否可以进入分割金标准、是否只适合训练质量识别、或是否需要剔除。上消化道内镜质量共识长期强调完整观察、规范化术语、地标记录和结构化报告,因为诊断价值不仅来自发现病灶,也来自知道检查覆盖了什么、记录是否可复核。1
图1 胃镜影像双任务标注链路的技术示意,非患者影像,不代表真实样本、模型训练结果或临床诊断。
数据设计不能停在“原图转PNG”
将内镜影像转换为PNG有利于通用标注工具读取,但转换动作不等于完成了数据治理。原始DICOM或设备导出文件可能同时含有头信息、时间关系、设备和检查标识;若画面内烧录了姓名、检查号或其他文字,单纯删除元数据也不能消除像素中的身份信息。DICOM PS3.15明确指出,属性去除或替换不能保证所有可识别信息都被清除,去标识过程还需要结合使用场景、接收方、法规要求和重识别风险,并核查像素中烧录的身份信息。5
因此,项目应在入组前建立一份数据卡,至少描述图像来源类别、检查是否完整、解剖范围、白光或窄带成像等模式、图像分辨率、文件格式、缺失字段处理和脱敏方法。若研究要求影像必须有对应诊断报告,缺少报告的检查就应进入排除或待核区;既往胃部切除等会改变可见解剖范围的检查,也不宜在没有单独定义的情况下与常规胃镜队列混合。若使用替代标识连接同一检查的多个画面,应确保替代标识不直接暴露真实身份,并记录如何保持检查内的关联。稳定编号用于研究追踪,不应把原始患者ID原样写入交付文件名或标签正文。
数据字典还需要区分“图像层面标签”和“检查层面标签”。一条胃镜检查可能同时包含正常画面、胃炎画面和局灶病灶画面;病理结果通常是取材或病例层面的证据,不代表整次检查所有图像都属于该病理类别。若未来要做影像—病理关联,必须额外记录取材位置、取材时间或画面对应证据。无法建立可靠对应关系时,保留未确定比制造一条看似完整的关联更有价值。
样本划分是数据设计的一部分,而不是模型训练最后才决定的脚本参数。CLAIM 2024更新要求研究报告明确数据来源、纳排标准、预处理、去标识、参考标准、标注者和数据分区,并特别要求说明分区是在患者、序列还是图像层级完成;医学影像一般应在患者层级或更高层级保持集合互斥。4 对胃镜视频或连续采图而言,最小安全单位通常应是受试者或一次检查,而不是单帧。相邻画面高度相似,随机按图片拆分会让测试集看起来更容易,却不能反映新检查上的泛化。
分类标签和分割标签要各自可执行
分类指南的第一步不是列出更多病名,而是定义每个标签何时可以被使用。以胃炎和炎症为例,需说明判定依据是画面可见特征、正式报告、病理结果,还是这些证据的组合。若一个画面同时存在糜烂性改变和萎缩性改变,允许多标签共存就要写进数据格式与验收脚本。若没有足够信息确认某个标签,应该使用“未知”“不可判读”或“未提供证据”等状态,并规定这些状态是否进入训练、只进入质控,或留在待复核队列。
分割指南则要把“所有病灶”翻译成可操作的边界规则。息肉和隆起需要说明相邻正常黏膜、蒂部或反光区域是否纳入;溃疡需要说明活动期、愈合期和瘢痕期的边界如何记录;糜烂和萎缩等表面改变可能边缘模糊,不能要求标注员用几何形状补齐不可见区域。实际操作顺序也应固定为先确认边界、再赋予病灶类别,并为病灶出现的每个图像层面保留可追溯记录。肠化生主要在窄带成像下进行标注时,必须把成像模式记录为上下文,并允许白光下也能确认的区域进入同一标签体系,但不能让白光与窄带图像的判定规则在不同标注员之间漂移。
对于弥漫性改变,整图勾画和flags字段的取舍需要在方案中明确。整图掩膜适合某些像素级任务,但会把“整图都可见”与“整图均被确认”混为一谈;flags适合表达病例或画面状态,却不提供边界监督。两者可以同时存在,但必须区分其语义:一个是区域标签,一个是状态标签。所有标签的名称、颜色、编码、可空条件和互斥关系都应版本化,并在导出包中携带规范版本。
公开数据研究已经展示了分类标签、分割掩膜和专家复核可以被组织成不同层级的训练材料。HyperKvasir同时提供图像、视频、类别标签和部分分割标注,研究者还指出,某些细微内镜表现存在观察者差异,需要通过专家定义、预标注、复核或合并易混类别来降低不一致。6 这对胃镜项目的启示不是直接复制公开数据的类别,而是先做小批试标:如果两个标注者对“可见萎缩边界”没有稳定理解,增加样本量并不会自动解决规则问题。
算法路线应围绕标签结构,而不是围绕网络名称
当输入是单帧图像时,可将多标签分类和病灶分割作为两个输出头,使用各自的损失函数和质量检查。分类头回答“这张画面是否包含某类可见状态”,分割头回答“该类区域在什么位置”。二者可以共享图像编码器,也可以采用分阶段训练,但共享特征不代表两个标签天然一致。一个画面可能有胃炎分类而没有可可靠描出的局灶轮廓;一个局灶轮廓也可能需要报告或病理证据才能进一步分级。训练流水线应允许这些情况存在。
对于胃镜视频或连续画面,可进一步加入解剖位置、检查阶段和相邻帧一致性。系统可以先完成地标或部位识别,再在候选帧上做病灶检测或分割。这样做的价值在于减少把食管、胃体、胃窦和十二指肠混在同一背景中的风险,但时序模型也可能放大设备水印、固定操作习惯或某一中心的拍摄顺序。若研究终点是单帧病灶分割,不应因为有完整视频就把视频级预测当成同一任务。
2025年的一项上消化道多类别研究使用白光和窄带成像,建立多病种分类与分割数据,并让胃肠专科人员核验疾病标签、审查掩膜。研究同时指出,跨设备和跨区域泛化仍会受到光照、反光、类别不平衡、单区域数据来源和观察者差异影响。3 这类研究可以为模型路线提供参考,但其技术指标只属于特定数据、设备、标签定义和测试条件,不能直接转化为某个新项目的临床性能承诺。卷积网络、Transformer或其他时空结构都应在冻结的数据划分和明确的适用范围内比较。
对于类别不平衡,不能只在训练代码中设置权重就结束。应先统计每种分类标签、每种分割病灶、每种成像模式和每种质量状态的病例级分布,再决定是否采用重采样、损失加权、数据增强或分层报告。少数类如果来自少量病例或单一设备,模型可能记住来源而不是病变。增强策略也不应改变会影响临床判断的颜色、纹理和边界证据,所有变换都需要在方案中留档。
专家标注的核心是“分歧可解释”
标注主体至少应有两类职责。具备消化内镜经验的人员负责把临床术语转成可观察规则,标注执行人员按照版本化指南完成逐层勾画和分类;二者可以由同一团队承担,但资格、培训和复核职责应在项目文件中分开写。对于低级别和高级别上皮内瘤变、癌、肠化生等高风险标签,最好明确哪些内容只能作为报告或病理依据,哪些内容允许作为影像可见标签。不能把“报告中写了癌”自动解释成每一帧都能看见癌的边界。
质量控制不应只保留最终轮廓。初标、复核和仲裁的顺序需要可追溯;复核者是否看到初标、是否允许修改边界、何时升级至仲裁者、争议属于标签定义还是图像质量,都应留下记录。可以在试标阶段计算分类的标注者一致性,也可以对分割计算重叠或边界一致性,但指标的抽样单位和计算实现必须预先指定。一个总体一致率无法代替对少数病种、模糊边界、不同成像模式和弥漫改变的分层检查。
建议建立“证据来源—标签状态—可用任务”的三列表。直接可见且边界明确的区域,可以进入监督分割;只有报告或病理支持、图像上难以定位的结论,可以作为病例级辅助字段;来源不明、画面不可判读或标注者分歧未闭合的记录,应进入待复核状态。这个表能帮助算法团队避免把高置信度和低置信度标签混在一个训练目标里,也让采购方知道交付中哪些字段是金标准,哪些只是研究线索。
验收要分别回答分类、分割和交付三个问题
分类验收应围绕病例或图像级标签,按项目目标选择灵敏度、特异度、宏平均F1、AUROC、校准或混淆矩阵等指标,并说明阳性定义、阴性对照和不确定样本如何处理。分割验收则应围绕区域重叠、边界偏差、小病灶检出和空掩膜处理,使用Dice、IoU、边界距离或病灶级检出等合适指标。两者的评价单位不能混为一谈,也不能用分类准确率替代病灶边界质量。若一个模型能判断“画面有异常”却无法稳定描出病灶位置,它只能满足前一个任务的一部分。
测试集应在指南冻结、训练参数确定后使用。更理想的外部验证数据来自未参与标签制定和调参的机构、设备或时间段,并且报告与开发数据之间的差异。外部验证不必被写成“临床有效”,它首先是对分布变化的检验:设备光学、白光与窄带比例、清洁度、画面质量、病种构成和标注者背景是否改变了结果。研究论文还应报告失败样本和不确定样本,而不是只展示最清晰的阳性图。
胃镜图像尤其需要防止泄漏。连续帧、同一病灶的多个角度、同一检查的报告和重复检查都可能让模型在测试阶段间接见过训练信息。划分清单应以受试者或检查为单位,固定随机种子,记录纳排版本,并在训练前锁定测试数据的访问范围。若某个病例因报告缺失、既往手术或质量不足被排除,也要保存排除原因,避免研究者在看到测试结果后反向挑选样本。
图2 从试标、盲审到独立评价的质量与验收闭环,技术示意不表示真实项目已完成或存在统一阈值。
交付文件要能在下游工具中复核
胃镜标注交付不应只写“图像加JSON”。对于每条记录,至少要有稳定替代标识、检查或图像层面关系、原图文件关联、图像尺寸与坐标约定、分类标签、区域标注、质量状态、标注规范版本、复核状态和问题回修记录。若标签采用多边形,应规定点序、闭合方式、越界处理和空标注写法;若导出掩膜,应规定类别编码、背景值、尺寸和颜色映射。JSON只是容器,不能替代这些语义约定。
验收建议采用“结构检查+视觉抽查+下游打开”三步。结构检查验证文件是否齐全、字段是否符合枚举、图像与标注是否一一对应、轮廓坐标是否越界、掩膜尺寸是否一致、未知是否被错误转换为阴性。视觉抽查把标注叠加回原图,重点检查边界贴合、整图标签、溃疡阶段、反光和遮挡。下游打开则要求在实际训练或分析环境中读取脱敏样例,确认方向、颜色、坐标和版本没有在转换中丢失。只检查文件数量,无法发现类别错位或坐标偏移。
如果输入曾经由DICOM转为PNG,交付还要保留转换规则和必要的元数据映射。对研究有用的设备、模式和时间信息,应以脱敏后的结构化字段保留,而不是把原始头信息全部丢弃;对个人或机构可识别的信息,则需要在去标识流程中单独处理。CLAIM 2024将预处理、去标识、参考标准和分区列为可复现报告的一部分,说明数据管线本身就是研究方法,而不是行政附件。4
对于标签争议,回修包应保留旧版本与新版本之间的关系,并说明修改原因。若项目只交付最终JSON,算法团队无法判断某次模型变化是数据修订还是网络变化。版本号、校验值和问题单不需要暴露任何患者或客户信息,却能显著提升后续实验的可重复性。
业务逻辑应从试标而不是库存宣传开始
对医疗AI研发团队而言,这类需求的价值不在于购买一批“胃镜图片”,而在于获得一套与目标任务匹配的数据结构:分类字段能支撑多标签学习,分割区域能支撑定位或分割,检查关系能支撑视频或纵向研究,质量和不确定状态能支撑偏差分析,交付包能被训练端实际读取。数据采购方应在询价或立项时先说明输入模态、成像模式、目标解剖范围、分类和分割标签、标注证据、划分单位及验收工具,再讨论样例范围、复核方式和交付周期。
朗慧科技已核验的定位是AI数据基础设施和流程服务商,能力边界包括数据采集与处理、标注、质检、项目规格和数据交付等流程;这些定位可以支持把胃镜需求拆成数据卡、标注规范、复核记录和交付验收。但公开能力边界不等于某一胃镜数据集的现货证明,也不等于已有固定专家规模、临床疗效、监管批准或统一准确率。具体模态覆盖、样本可用性、标注主体和交付状态,仍应通过脱敏样例评估与书面项目规格逐项确认。
更可执行的实施顺序是:先用一批覆盖正常、炎症、局灶病灶、弥漫改变、不同成像模式和低质量画面的脱敏样例试标;再由临床专家和算法人员共同检查标签是否能被理解、边界是否可重复、JSON是否能被下游读取;随后冻结版本,建立独立验证集,最后才扩大正式交付。若试标阶段发现“某个类别只能依赖报告确认”或“某类边界在图像中经常不可见”,这不是标注员效率问题,而是需要重新定义研究终点的问题。
结语:把临床语言变成数据契约
胃镜AI的标注难点,集中在“可见证据”和“临床结论”并不总是同一层级。分类标签、病灶边界、解剖部位、成像模式、质量状态和报告或病理依据,只有分别建模,才能让算法知道自己正在学习什么,也让验收方知道结果是否回答了原问题。公开研究已经证明,完整检查、逐帧标签、多类别分割和专家一致性评估可以形成研究资源,但跨设备、跨机构和跨标注者的限制仍然存在。2 6
对数据研发项目来说,最重要的交付物不是一张“高质量数据集”的形容词,而是一份可执行的数据契约:每个标签的定义是什么,什么情况下允许空缺,谁依据什么证据复核,如何避免泄漏,分类和分割分别如何验收,最终文件能否在真实训练环境打开。做到这一点,胃镜影像才从一组可浏览的图片,变成能够支持可重复研究、偏差分析和后续独立验证的数据基础。
参考来源
- Quality in Diagnostic Upper Gastrointestinal Endoscopy
- GastroHUN: An endoscopy dataset of complete systematic screening protocol for the stomach
- Assessing deep learning models for multi-class upper endoscopic image segmentation
- Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
- DICOM PS3.15: Attribute Confidentiality Profiles
- HyperKvasir, a comprehensive multi-class image and video dataset for gastrointestinal endoscopy

