MEDICAL DATA RESEARCH
皮肤病图像标注如何把“诊断印象”拆成可复核的视觉标签
皮肤病图像标注不能只填一个疾病词。本文把疾病候选的优先级与并列关系、颜色与部位等可见属性、最多三个皮损区域框及其复核和验收要求拆成可执行的数据结构,并说明研发数据与临床诊断的边界。
同一张皮肤病图像,标注者可能同时考虑几个疾病,也可能认为两个候选的优先级相同;但如果一个人用逗号表达先后,另一个人用加号表达并列,算法得到的就不是同一种标签。更棘手的是,疾病词并不能替代图像中真正可见的颜色、部位、形状、排列和表面改变。对于面向人工智能研发的皮肤病图像数据,任务的难点不是把栏位填满,而是把临床印象、可见形态和空间对象拆成彼此对应、可以复核和验收的数据层。
本文讨论一种皮肤病图像标注需求的工程化解读:输入是经授权、去标识并通过质量筛查的皮肤病图像,输出包括有限长度的疾病候选表达、可见皮损属性和皮损区域框。它不预设图像一定来自皮肤镜,也不把临床照片、皮肤镜图像和其他成像方式混为一个模态。任务文件没有给出纵向随访、病理金标准、患者完整病历或模型性能目标,因此这些内容不能被擅自补入数据集,更不能由图像标签推导出个体诊断。
一、先把任务对象和输出边界写清楚
这类需求至少包含三种不同粒度的输出。第一层是疾病词,回答“从图像和给定上下文看,哪些疾病名称值得作为候选,以及它们的相对优先级如何”。第二层是直接可见的皮损属性,回答“图像上能看到什么颜色、部位、形态、排列和表面表现”。第三层是空间定位,回答“哪个区域对应主要皮损,是否需要将分布不同的皮损拆成多个框”。三层信息可以服务同一个研究样本,但不能用其中一层替代另外两层。
原件把疾病词、颜色、年龄、部位、皮肤损害、排列、大小、数目、边缘与界限、形状、表面湿度、鳞屑或痂以及区域框列为不同规则对象。年龄或部位若不能从获准输入可靠观察,应记录无、未知或不可判读,而不能依据疾病名称或常见部位补填;大小和数目也要区分视觉分档与可数对象,不能把估计写成精确测量。
样本单位也要提前定义。最小记录可以是一次图像—一次观察,但只要一张图里有多个皮损,就需要区分图像级标识、皮损实例标识和疾病语义的对应关系。相同图像的多名标注者意见应作为同一实例的不同版本保存,而不是复制成多个独立病例。若未来加入同一皮损的多次拍摄或多个视角,则还要增加拍摄记录和纵向关系;在没有这类要求时,不应为了显得完整而虚构时间点。数据字典应明确哪些字段来自图像直接观察,哪些来自经过授权的外部证据,哪些是由规则派生的训练标签。
公开的 DermaCon-IN 数据集把临床皮肤病图像组织到分层、病因相关的诊断分类中,并由具备资质的皮肤科医师对大量诊断类别进行标注;它说明疾病词表的层级和覆盖范围会影响模型如何理解类别,但不意味着任何项目都应照搬该分类体系。1 前瞻性构建的 MIDAS 则同时保留临床图像、皮肤镜图像、临床元数据和组织病理相关参考,并记录临床医生在评估时的多个候选印象。4 这两类研究共同提示:候选印象、结构化观察和参考标签应在数据模型中分层,而不是压缩成一个看似确定的“真值”。
二、疾病词的优先级必须成为可解析的语法
疾病词字段的核心并不是“尽可能多写病名”,而是限定候选数量并保留排序语义。项目可以把最多三个疾病词作为输出上限,减少开放式长文本造成的同义词扩张;但上限不等于必须填满三个位置。只有一个判断有充分依据时,保留一个词比勉强补入两个低可信候选更清楚;图像无法支持确定命名时,应使用项目允许的不确定状态,而不是把猜测伪装成诊断。
原件的显示规则可概括为:逗号表达候选优先级层次,加号表达同层并列或同图共存;例如“甲+乙,丙”既可能表示甲乙同为最高优先级、丙次之,也可能表示两个疾病并存后另有较低优先级候选。因此,加号和逗号只能作为可读显示,底层还要分别保存排序组、共存实例和证据状态,不能让解析器仅凭符号猜测临床语义。
当三个候选存在明确优先级时,数据结构应保存一个有序列表;当几个候选在当前图像证据下被视为同一优先级时,应保存“并列组”或等价的结构化表示。多个疾病同时存在时,则需要表达共存关系,不能把“同优先级候选”和“同一张图中并存的两个问题”混为一谈。最稳妥的做法是同时保留机器可读字段和面向审核的显示文本:前者记录候选序号、并列组、共存实例和词表编码,后者让专家快速看到原始判断。逗号、加号等符号可以作为显示约定,但不应成为唯一的下游解析依据。
疾病名称必须来自项目确认的标准词表、教材或指南,并记录词表版本。词表映射不能抹去临床不确定性,也不能把“考虑”“疑似”“无法排除”自动转换为确定疾病。对于同一病种的俗称、缩写、旧称和上位概念,应在入标前完成映射规则;无法可靠映射的词,应进入待处理或未标准化状态。这样做既减少训练标签的碎片化,也避免把标注人员的语言习惯误当成疾病差异。
疾病词是专家对图像的解释,不等同于图像中可见的事实。比如,颜色字段应描述看到的色泽,而不应因为疾病词通常与某种颜色相关就反推颜色;皮损形态也应以图像中的边界、隆起、表面和排列为依据,而不是把教科书里的典型表现强行套到模糊图像上。对算法而言,这种分离有助于构建疾病候选排序任务与形态属性任务,而不是让一个未经审计的诊断词替所有视觉信息背书。
图1 皮肤病图像标签的层级化表达。技术示意,不代表真实患者、实验结果或临床诊断。
三、把“所见即所得”变成可执行的形态字典
皮损属性的第一条原则应是所见即所得。它不是要求标注者忽略医学知识,而是要求每一个字段都回答“这个结论是否能被当前图像直接支持”。当颜色难以区分时,应在相近的标准词中选择项目允许的较宽类别,或记录无法判断;当年龄、部位或表面细节在图像中不可见时,应使用无、未知或不可判读等状态,不能凭疾病名称猜测患者年龄,更不能以常见部位替代实际拍摄部位。
颜色、年龄组和部位看似简单,却容易受光照、白平衡、压缩、遮挡和拍摄距离影响。颜色字段需要说明参考对象是最大皮损还是整张图中最明显的皮损,并在试标时用边界样例检查“鲜红、暗红、紫红、淡红、褐色、黑色”等词的可分辨程度。年龄组只在确实能从项目允许的输入中判断时填写;如果年龄来自外部结构化信息,它就不再是纯图像观察字段,应单独标记来源。部位应允许从大区到细部,例如手与手背、躯干与前胸,而不是把精细部位全部折叠到一个粗粒度类别。
皮肤损害字段需要规定记录顺序和对象优先级。对于一张图中同时出现斑、丘疹、丘疱疹、脓疱或其他表面改变的情形,可以先记录最明显、最具特征或位于视觉中心的皮损,再按从底层到表面的顺序描述其他可见结构;但“未能确认”的层次不能被自动升级为确定类型。并发的多个皮肤问题也应保留各自的对象关系,至少让审核者知道某个颜色、形状或排列字段指的是哪一个主要皮损。
排列、大小和数目需要防止观察单位混乱。散在、群集、融合、带状或环状等词描述的是分布关系;“针尖、芝麻、黄豆”等大小词描述的是视觉尺度;单发、多发或可数的具体数量描述的是对象数量。三者不能互相替代。若图像中有多个皮损,项目应明确哪些字段只描述最大皮损,哪些字段需要对每一个皮损实例分别记录。否则,同一批数据可能一部分记录最大病灶,一部分记录全部病灶,模型训练和误差分析都无法解释。
边缘、界限和形状也要把观察和判断分开。边界清楚、比较清楚或模糊可以用于描述可见性;整齐、隆起或凹陷则描述边缘关系;圆形、椭圆形、不规则、环状或靶状等是形态类别。若光照或遮挡使这些特征无法稳定区分,应记录不可判读并保留原因。湿度、浸渍、鳞屑和痂更容易受到图像分辨率影响,不能把“图中看不见”误写成“没有”。这些缺失状态是质量信息,不是需要被清理掉的噪声。
ENHANCE 研究为皮损形态标注提供了一个值得借鉴的对照:它在公开皮肤镜数据上收集了不同来源的多种观察,对称性、边缘和颜色等 ABC 属性在不同标注主体之间并不完全一致,边缘属性尤其体现出观察者差异。3 这并不证明某个项目的字段一定可靠,反而说明试标与一致性评估应在正式扩展前完成。属性字典需要通过难例验证,不能只用容易样本展示“标注规则有效”。
四、边界框不是分割,空间对象要和语义绑定
需求中的区域操作属于病灶定位或检测标注,不应被宣传成像素级分割。一个大框可以表达“该区域包含主要皮损”,却不能表达精细边界、内部成分或病理范围。如果研究目标后来改为面积、周长、纹理或病灶形状,原有框就不足以承担这些终点,项目应另行确认轮廓或掩膜任务,而不是从框坐标推导精确几何量。
拉框规则应与皮损实例绑定。若同一疾病的皮损在图像中连续且不包含其他疾病,可以用一个覆盖主体的大框;若皮损分散,或一个大框会把另一种皮损一并纳入,则应拆成多个框,并保留每个框的实例编号、疾病关系和可见性。框数量上限是重要的验收条件:当分散皮损超过允许数量时,项目可以按规则放弃该类框标注,或转入“超出空间任务范围”,但不能悄悄只挑最容易的一处,导致数据选择偏差。
本原件把区域框数量限定为不超过三个;超过三处分散皮损时,应按项目规则记录放弃框选或超出空间任务范围,而不是只挑一处最清楚的病灶。这个上限服务的是可执行的检测标注,不是对病灶总数的医学判断,也不能被解释为像素级分割能力。
空间字段还应保存图像尺寸、坐标系、框的版本、框是否被修订以及修订原因。框的四条边落在毛发、标记物、反光或正常皮肤上时,审核者需要知道这是规则允许的包围范围,还是定位错误。多病灶样本应通过 lesion_id 或等价字段把疾病词、形态属性和框关联起来;不能只按文本顺序猜测第一个病名对应第一个框。对于无法可靠定位的图像,保留“无法框选”和原因比生成一个看似完整但没有依据的框更适合作为质量记录。
如果未来加入临床照片和皮肤镜图像的配对,需对每种模态单独设置质量和适用范围。皮肤镜能够显示某些色素或血管结构,临床照片则更依赖拍摄距离、光照和解剖背景;两者不能因为都被称为“皮肤图像”就共享同一组验收标准。MIDAS 的研究把临床与皮肤镜图像系统配对,并保留了临床医生的多候选印象和参考诊断,正是因为不同输入模态承担的信息并不相同。4
五、专家标注、分歧与质量记录如何闭环
标注主体的职责应按任务拆开。经过培训的标注人员可以依据冻结的字段字典完成图像观察和初始空间定位;具备皮肤科经验的复核者负责检查疾病词规范、并存语义、难例和高风险分歧;必要时由独立仲裁者处理无法通过规则消解的争议。这里的角色是项目设计建议,不代表任何具体项目已经具备某类专家或完成了全量审核。实际专家配置、抽检范围和资格文件必须在项目确认中单独核验。
盲审的价值不只是“多看一眼”。复核者应尽量在不先看到他人答案的情况下形成独立意见,随后比较候选排序、形态属性和框位置的差异。系统需要保留初标、复核、仲裁和最终采用版本,而不是只保留一行最终值。对于疾病词,宜分别记录候选集合是否一致、最高优先级是否一致和词表映射是否一致;对于属性字段,可分别统计颜色、部位、排列、边缘和形状的一致性;对于空间框,可按实例检查是否定位到同一主体,而不是把所有差异压成一个总体准确率。
一致性指标必须与字段类型匹配。名义分类可以讨论类别一致性,序数或排序标签需要使用适合等级关系的统计方法,多病灶框则应预先规定匹配规则和几何指标。任何阈值都应来自任务风险、试标难度和下游用途,不应把某个公共数据集的阈值直接当成统一行业标准。对于“看不见”“无法判读”“没有该对象”和“明确阴性”,应在统计时保持区分;把它们全部编码成零会让表面一致性升高,却掩盖了图像质量和信息缺失。
数据划分必须以患者或皮损实体为单位,而不是简单按图片随机切分。同一皮损的近重复照片、同一次拍摄的裁剪图或同一患者的高度相关图像跨越训练和测试集合,会造成信息泄漏。外部验证则应尽量改变机构、设备、拍摄条件或人群构成,并在报告中说明哪些分布发生变化。评价不应只报告一个总分,还要按病种、解剖部位、图像质量、拍摄方式以及适用时的肤色或年龄组检查失败模式。
图2 皮肤病标注质量与验收闭环。技术示意,不代表实际项目已完成验证或交付。
六、算法路线应服从标签结构,而不是反过来改写标签
如果研究目标是从图像生成疾病候选,较自然的算法任务是多标签或学习排序:模型输出有限候选及其排序,训练时明确同优先级、共存疾病和未知状态的差异。将逗号和加号直接当作普通文本,可能让模型把“并列”误学成“先后”;把所有未出现的疾病都当成阴性,又会把未观察到、无法判断和确实不存在混为一谈。可以先用规则化编码建立稳定的监督目标,再决定是否增加文本编码器或视觉—语言模型,模型名称本身不能替代标签设计。
形态属性更适合按字段拆成多任务输出。颜色、部位、排列、湿度和鳞屑可以是不同的分类头;形状和边缘也应分别定义类别与缺失状态。这样做的好处是能看到模型在哪个观察层出错,而不是只知道疾病词错了。空间定位则可采用检测模型或其他区域预测方法,但训练标签的框数量上限、主对象规则和忽略区域必须先冻结。若标注框本身包含大量正常皮肤,模型可能学习到拍摄背景或设备边框,而不是皮损特征,因此应把框大小、图像质量和背景伪影纳入误差分析。
在线社区图像研究显示,粗粒度疾病标签会带来噪声;研究者通过标准化词汇、聚类和验证样本筛选改善了训练数据的可用性,并报告了 top-1 与 top-3 等研究指标。5 这些结果只能说明其特定数据、任务和评价设置下的方法表现,不能直接转化为临床诊断效果。对本需求而言,更重要的启发是:词表归一化、少量高质量验证样本和对低可信标签的隔离,应在训练前完成,而不是让模型在训练中自行猜测标注规则。
七、偏差、透明度和外部验证要从数据设计阶段开始
皮肤图像的代表性不能只看疾病类别数量。拍摄设备、偏振或非偏振方式、焦距、光照、压缩、背景、解剖部位、年龄分布和肤色都会改变视觉线索。若一个病种几乎只在某种设备或某个部位出现,模型可能把设备或部位当作捷径。因而,数据卡或数据说明至少应列出输入模态、采集条件、标签来源、排除规则、缺失状态、已知类别不平衡和适用范围。
针对 SLICE-3D 数据集的数据透明度研究使用结构化 Dataset Nutrition Label 梳理了数据来源、许可、标注流程、预期用途和风险,并指出皮肤色调记录缺失、良恶性类别不平衡、罕见诊断不足、图像分辨率限制和潜在代表性问题会影响适用范围。2 这类做法的价值在于让使用者在训练前看到风险,而不是等模型在外部样本上失败后再寻找解释。它也提醒标注项目:肤色、设备和图像质量是否需要作为研究变量,不应等到结果阶段才临时补录。
外部验证的设计应围绕真实的输入变化。若训练数据主要来自临床照片,测试时加入皮肤镜图像并不能被称为普通外部验证;若训练数据主要是活检富集样本,测试到普通门诊或筛查人群时,疾病先验也可能不同。MIDAS 将配对模态、患者级元数据和参考诊断组织到同一数据集中,适合作为外部基准设计的例子,但其研究队列和纳入方式仍有自身限制,不能被解释为所有医疗场景的代表。4 因此,项目报告应明确验证集的人群、机构、设备和标签证据,而不是只给出一个跨数据集分数。
八、从试标到业务验收:什么才算交付可用
可实施的流程应从小批试标开始。试标样本应覆盖单一皮损、多病灶、并存疾病、边缘模糊、颜色难辨、表面遮挡、部位不清和需要放弃框标注的情况。项目负责人要根据试标中的争议修改疾病词语法、字段说明和正反例,再冻结版本;如果规则在正式标注中持续变化,后续的模型比较和质量统计都失去稳定基线。
验收可以分成四条线。第一是语义验收,检查疾病词数量上限、排序、并列、共存和词表版本是否可解析。第二是属性验收,检查颜色、年龄、部位、皮损、排列、大小、数目、边界、形状、湿度和鳞屑或痂字段是否按规则填写,并区分未知、不可判读和缺失。第三是空间验收,检查框坐标、实例关系、框数上限、图像尺寸和异常放弃记录。第四是治理验收,检查标注者和复核者角色、盲审状态、争议记录、数据划分、文件校验、版本号和导出样例。
验收指标不应只写一个“准确率”。疾病候选可以同时检查最高优先级命中、有限候选集合覆盖、并列语义一致性和词表映射错误;属性可以按字段报告宏平均表现、缺失状态混淆和分层一致性;空间框可以在预先约定匹配规则后检查定位重叠、漏框和误纳入背景。若项目需要单一合格线,应在试标后结合用途书面确认,并同时保留失败样本和回修记录。公开研究的 AUC、top-k 或其他指标不能替代本项目的交付验收。
面向医疗人工智能研发,项目交付最好同时包含图像索引、皮损实例表、疾病词与词表版本、属性字段说明、区域框文件、标注和复核记录、数据划分说明、已知偏差及一个能在下游工具中打开的样例。每个文件都应能回到同一图像和皮损实例,任何修订都能说明谁在何时依据什么规则修改。这样的交付才支持后续训练、误差分析、外部验证和论文方法复现,而不是一份无法解释来源的坐标表。
九、研发服务的能力边界与结语
在已核验的公司能力范围内,朗慧可将医疗数据项目组织为需求规格、样例评估、标注与复核、质量记录和版本化交付等环节,帮助研发团队把模态、任务、字段和验收口径写成项目文件。具体可处理的图像范围、专家配置、样本规模、周期、授权方式和交付指标,仍须在样本评估、数据授权和书面项目确认后确定。能力定位是项目化研究数据与标注服务,不等于现成数据库存量、独立临床验证、诊疗软件批准或某一模型的临床效果。
皮肤病图像标注最值得投入的地方,不是把疾病词、形态属性和框坐标堆在同一张表里,而是让它们在数据结构中相互指向,同时保留证据来源和不确定性。有限长度的疾病候选表达能够支持排序研究;所见即所得的形态字典能够支撑描述型任务;实例级框和质量记录能够让算法知道空间监督从何而来。只有经过试标、独立复核、偏差检查和版本冻结,数据才有资格进入训练或独立评价。
本文讨论的是医疗人工智能的数据设计与质量治理,不构成患者个体的诊断、筛查、风险预测、治疗或用药建议。任何实际临床结论都需要具备资质的医务人员结合完整病史、原始影像、病理或其他必要证据作出;模型研发、数据共享和部署还需满足适用的伦理、隐私、授权、质量管理和监管要求。
参考来源
- DermaCon-IN: A Multiconcept-Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research
- Improving dataset transparency in dermatologic Artificial Intelligence datasets with Data Nutrition Labels
- ENHANCE: ENriching Health data by ANnotations of Crowd and Experts
- The Melanoma Research Alliance Multimodal Image Dataset for AI-based Skin Cancer (MIDAS)
- Optimizing skin disease diagnosis: harnessing online community data with contrastive learning and clustering techniques

