MEDICAL DATA RESEARCH
从“皮损有什么”到“模型怎么验收”:临床皮肤图像属性标注的数据设计
皮肤图像标注如何从皮损属性、病灶框和疾病词走向可验收数据?本文拆解模态记录、词典分层、缺失语义、专家复核、偏差控制与独立验证,服务医疗AI研发、数据采购与质量管理。
当一个皮肤图像模型被要求同时回答“这是什么病”“皮损位于哪里”“颜色、形状和表面有什么特征”时,最先暴露的往往不是网络结构,而是标签对象没有被定义清楚:同一张图里可能有多个病灶,疾病名称与形态描述可能不是同一层级,模糊图像又不能简单当成阴性。若只给每张图片挂一个疾病词,模型或许能在封闭数据集上学习相关性,却很难说明它看到了哪一个病灶、依据了哪些可复核的属性,也难以在采集设备、解剖部位或人群变化后判断性能是否仍然可信。
本文讨论一种可匿名化、可独立成立的医学数据建设问题:为皮肤图像建立病灶级框选、结构化皮损属性和疾病或状态标签,并把标注主体、争议状态、质量记录和验收规则一并交付。原始技术材料呈现的是一套标注字段、疾病词表、练习题及框选说明,并没有规定唯一的图像模态、采集设备、病例规模或临床结果。因此,本文把它改写为通用的数据设计与质量治理讨论,不把未知的普通图片包装成皮肤镜数据集,也不把数据设计建议写成既有库存或临床成果。文章面向医疗人工智能研发、数据采购和质量管理人员,不提供个体诊断或治疗建议。
一、先把临床任务拆成可验收的数据对象
这类任务的输入模态必须先写进项目规格。普通临床照片、皮肤镜照片、全身摄影切片和手机近照的视野、光照、分辨率、背景与可见证据不同,不能只因为都被称为“皮肤图像”就共用一套验收口径。公开数据集也展示了这种差异:HAM10000 汇集了不同来源和设备的皮肤镜图像,其标签证据包含病理、随访、专家共识或共聚焦显微镜等不同类型;这些来源并不能被压缩成同一种金标准。1 项目启动时至少要记录图像来源类别、设备或拍摄条件、是否裁切、图像质量和允许的观察范围。若这些信息尚未确定,公开讨论应保留“待确认”而不是擅自补齐。
从临床工作任务看,至少应拆为四个层次。第一层是图像级质量与可用性:图像是否足以观察皮损,是否存在模糊、遮挡、反光、裁切不完整或明显非目标物。第二层是病灶级定位:每个可标注病灶都要有独立的 LesionID 及框选坐标;同图多个病灶不能因为画一个大框而把其他疾病或无关区域合并进去。第三层是病灶级形态属性:颜色、年龄段、解剖部位、皮肤损害类型、分布或排列、大小、数目、边缘及界限、形状、基底、表面、湿度、鳞屑或痂、内容以及与皮面关系等,应作为结构化字段,而不是散落在自由文本里。第四层是疾病或状态标签:疾病词、正常皮肤、图像模糊、其他或无法判断等状态要与形态描述分开保存,避免把“丘疹”“溃疡”这类形态词和具体疾病混成一个分类空间。
颗粒度也要明确。建议以 ImageID 代表图像,以 LesionID 代表图中可独立观察的病灶,以 AnnotationVersion 记录该病灶在规则版本中的变更。图像级可保存质量状态和采集上下文;病灶级保存框、属性、疾病词、证据来源和争议状态;若一张图中有多个病灶,则每个病灶分别关联属性和标签。原始材料没有纵向随访或同一病灶跨时间配对的要求,因而不能自行声称存在纵向队列。若未来要研究治疗前后变化,应另加 VisitID、时间间隔、同一病灶的配对规则及失访状态。
图1 皮损图像数据对象与输出标签的技术示意;不含真实患者样本,不表示已完成采集、实验或临床诊断。
二、词表不是本体:把观察、诊断和缺失状态分开
字段很多并不等于任务定义完整。颜色、部位、皮肤损害、排列和鳞屑或痂是对可见特征的描述;疾病名称则可能涉及感染、炎症、肿瘤、外伤、术后改变、正常皮肤或其他状态。它们具有不同的证据来源和标注难度,不能放在同一个无层级的多分类标签里。更稳妥的做法是建立三张互相引用的字典:形态观察字典、疾病或状态字典和数据质量字典。
形态观察字典要给出每个字段的定义、允许多选与否、适用的标注主体、不可判断时的编码以及冲突处理方式。例如颜色可能存在多个并列描述,皮肤损害可能同时出现斑片、丘疹、鳞屑或痂;若强行改成单选,信息会在入库时丢失。大小字段也必须说明是最大病灶的视觉分档、框的像素尺寸,还是有可靠标尺时的物理尺寸。没有标尺或校准信息时,诸如“针尖”“黄豆”或分档尺寸只能作为视觉估计或项目约定,不能被解释为精密测量。公开皮肤数据方法学研究同样把最小元数据、图像处理、结构化记录和质量评估视为连续环节,而不是先收集图片、再由模型猜测语义。2
疾病或状态字典应保留原始显示词,同时增加标准化编码、上位类、同义词和证据来源字段。病名来自临床观察、病理、随访还是专家复核,代表的确定性不同;“其他皮肤病”“正常皮肤”“图像模糊”和“无法判断”也不能与疾病诊断类混算。若项目要用于疾病分类,必须提供纳入排除标准、诊断证据等级和未知或待复核状态,而不能让标注员从低分辨率图片中推断病理事实。MIDAS 将临床图像、皮肤镜图像、患者级元数据和组织病理参考分开组织,正说明多模态数据的关键不是字段越多越好,而是每个字段的来源和用途可追溯。3
质量字典要把“缺失”“不适用”“无法判断”“图像模糊”和“未标注”区分开。把缺失值写成“无”,会让模型误以为某种属性被观察后确实不存在;把模糊图像放入正常皮肤,则会制造系统性负例。面向研究者的交付说明还应记录标签是人工观察、外部证据还是规则派生,并保留标注时间、标注角色、规则版本和修改原因。若界面为了便于使用暂时显示一个“无”,底层仍应保留更细的状态字段,避免质量失败在导出时消失。
三、标注工作流:先分对象,再分角色
一个可执行的流程可以从小规模试标开始,而不是直接批量生产。第一阶段由经过培训的标注人员完成图像可用性检查、病灶拆分和部分客观形态属性;第二阶段由具备皮肤科训练的审核人员复核疾病或状态词、难以判断的解剖部位和边界;第三阶段处理分歧、冻结版本和抽样回溯。普通标注人员不应被要求对病理性质作超出图像证据的推断,专家也不应在未查看原图或元数据的情况下只依据已有疾病词机械确认。
框选规则必须写得比“把皮损框出来”更具体。应先定义多个相邻皮损是独立对象还是一个群集,明确框选是否包含可见的鳞屑、痂、渗出或周围红斑,遮挡和边界模糊时如何处理,并规定是否允许一个图像拥有多个疾病词和多个框。练习型规则中常见的“一个大框会把其他疾病皮损带进去,因此拆成两个框”,反映的不是绘图偏好,而是实例关系和错误标签污染问题。对于混有不同病灶的图像,不能为了便于训练而画一个覆盖整片区域的大框;若目标是检测,框可以表达粗定位,若目标是形态分割或面积分析,则需要项目另行确认轮廓标注。
字段间的依赖也要写进操作说明。例如只有在图像确实显示鳞屑或痂时,才填写其表面状态;只看到丘疹而没有可判断的鳞屑或痂,不能为了填满表格而补写。类似地,颜色、大小和形状要先说明是针对最大病灶、主要病灶还是每个 LesionID,不能让不同标注者采用不同观察单位。规则应给出正例、边界例和“不适用”例,并在试标中统计最常见的误解。
标注员之间的比较也应按字段拆解。框选可用交并比、中心点偏差或漏标与误标率检查;多选属性可报告每类的精确率、召回率、F1 或多标签一致性;有序年龄段、大小分档等可以采用加权一致性统计;疾病词需要给出混淆矩阵和争议类别。不要用一个“总体准确率”掩盖罕见病、模糊图像和高频正常样本的差异。全身摄影标注协议展示了先由标注人员处理可见病灶、再由临床专家复核诊断类别的分层思路,也说明预标注、类别层级和临床复核应分别记录,不能把一种流程阈值直接变成所有项目的统一标准。4
分歧处理要保留过程,而不是只保留最后一个词。对于两名标注者无法确认的病灶,可以记录“待复核”或“不确定”,由专家小组给出采用规则;若现有图像证据不足,应允许“不适用”或“未知”进入最终数据。复议后也要保存原始意见、最终意见、裁决角色和版本号,这些记录可以用于分析哪些属性最不稳定,并指导下一轮培训。把所有争议都改成确定标签,短期看似提高一致性,长期却可能把系统性偏差固化到模型里。
四、算法路线要服从标签结构,而不是反过来改标签
当数据同时包含病灶框和多维属性时,合理的起点通常不是单一疾病分类器,而是检测与属性预测的多任务方案。第一步用检测器在图像级候选框中定位病灶;第二步以每个病灶区域为输入,分别预测形态属性和疾病或状态标签;第三步保留图像级质量分支,拒绝把严重模糊、非目标物或缺少关键区域的图像当成正常。多病灶图像可以采用实例级输出,并通过 LesionID 将框、属性和疾病词绑定起来。
属性分支应按照标签性质选择损失和输出形式。颜色、损害类型和表面状态可能是多标签任务;年龄段、大小分档或与皮面关系可以是有序或离散任务;解剖部位应尽量采用层级分类,避免把“面部—口周”“下肢—膝关节”和完全不同层级的词放在同一平面。疾病分类可以使用层级或多标签策略,并对长尾类别进行重采样、类别权重或阈值校准,但任何平衡策略都要在数据说明中记录,否则模型的输出概率可能与真实分布不匹配。少样本类别可以作为探索性任务或待复核类,不应仅凭合成数据就宣称具有临床表现。
若将年龄、部位或其他元数据输入模型,应检查是否发生标签泄漏。例如某一疾病只来自特定拍摄设备或采集点,模型可能学到背景、压缩纹理或元数据编码,而不是皮损本身。多模态输入会增加数据价值,也会增加配对、隐私和分布偏移的验证负担。3 因此,可先做“仅图像”“图像加病灶框”“图像加结构化属性”三组基线,明确哪些信息在训练时可用、在真实使用时是否同样可得,再决定是否引入更复杂的视觉语言模型或检索模块。解释热图只能作为复核线索,不能被写成诊断理由或临床因果证明。
模型评价不能停在随机切分的内部分数。具有同一受试对象、同一病灶或相邻时间点的图像必须按受试对象或病灶分组切分,避免近重复样本跨训练集和测试集。外部验证至少要考虑不同拍摄设备、光照、图像距离、解剖部位、疾病谱和人群。ISIC 资料把分辨率、色彩处理、技术元数据、压缩、隐私和分层任务列为皮肤影像标准化的重要方向;这些因素既是数据工程问题,也可能成为模型的隐性特征。5 对应到交付验收,定位、属性、疾病标签和拒答状态应分别报告,而不是只给一个综合分数。
五、质量和偏差:皮肤颜色不能靠一个粗略字段解决
皮肤图像模型的风险不只来自类别不平衡。采集场景、曝光、压缩、局部反光、遮挡、毛发和背景都可能影响颜色、边界和表面标签。若数据主要来自某一类设备,模型可能把设备特征误当成疾病线索;若疾病词表中某些病种集中于少数部位或年龄段,模型的“准确”也可能只是利用了场景捷径。数据卡或数据营养标签的意义,就是在训练前记录采集方式、许可、标注过程、适用用途、禁用用途和已知风险。对 SLICE-3D 的分析显示,皮肤色调缺失、良恶性类别不均衡、稀有诊断不足、图像分辨率和潜在隐藏代理变量都可能限制外推;透明记录不是营销附录,而是数据选择的一部分。6
皮肤色调尤其不能用一个未经验证的替代变量一笔带过。若任务涉及跨人群泛化,应在授权和伦理允许范围内明确记录皮肤色调或相关人口学变量的来源、标注主体、照明条件、缺失比例和使用目的。2025 年的前瞻比较研究提示,Fitzpatrick、Monk Skin Tone、Pantone 及客观色度测量并不表达同一概念,摄影条件也会影响评价的一致性。7 因而不要从疾病图像的像素颜色反推出受试对象属性,也不要把皮肤色调字段当作诊断标签。若样本不足,应明确统计不稳定和外推限制,而不是用总体指标掩盖数据缺口。
建议将验收拆成四个层面。其一是结构完整性:每个图像、病灶框、属性和疾病词是否能通过 ID 互相回溯,坐标是否符合图像尺寸,缺失状态是否有定义。其二是标注一致性:按属性类型统计双标一致性、框质量、疾病词争议和复议比例。其三是数据分布:报告类别长尾、正常和模糊状态、解剖部位、设备及经授权的人群构成,并核查近重复和同受试对象泄漏。其四是模型可用性:在冻结的内部测试和独立外部测试上分别报告定位、分类、多标签属性和校准指标,同时说明置信区间、阈值、拒识策略和不适用场景。任何具体阈值都应按项目目标、样本量和风险等级书面约定,而不是借用某篇论文的数字当作通用质量线。
图2 皮肤图像标注项目的规则、复核、数据划分与验收闭环技术示意;不表示真实项目已完成或模型已取得临床效果。
六、把数据设计转成可执行的业务流程
面向采购或研发团队,项目启动时应先交付一页任务说明:目标任务是检测、属性识别、疾病分类还是质量筛查;输入是临床照片、皮肤镜还是其他摄影;一张图允许多少病灶;框与属性如何绑定;疾病词是观察标签还是有外部证据支持的诊断标签;哪些字段可缺失;专家在哪些环节介入;训练、验证和测试如何按受试对象或病灶划分。只有这些问题确定后,才能讨论规模、周期、交付格式和复核比例。
试点应包含可打开的脱敏样例、字段字典、框坐标、病灶与疾病词的关联、不可判读状态、争议记录和导出说明。验收时不只检查文件能否打开,还要在下游训练或分析工具中确认图像、框和标签能否对齐。批次交付需要绑定词典版本、数据快照、划分文件、文件校验信息、问题回修及变更记录;如果纳排标准变化,应生成新版本并说明哪些图像、标签和划分发生了变化。这样才能把“字段填满”与“可用于研究”区分开。
在已核验的能力边界内,朗慧科技可将自身定位为 AI 数据基础设施及流程服务商,围绕采集、处理、标注、质检和数据交付开展项目化规格设计,并用平台和质量记录支持过程追踪。这一定位不等于拥有某个未核实的现货数据集、固定专家规模或临床诊断能力。具体皮肤图像来源、授权范围、专家资质、样本构成、质量门槛、修订次数和交付状态,都应在需求评估、样本试标和书面项目文件中逐项确认。文章中的流程是技术分析,不构成对任何单一项目结果的承诺。
七、研究与应用边界
本文围绕皮肤图像的结构化属性、病灶框选、疾病或状态词、质量治理和模型验收展开。它不复述任何个人影像、病历、联系人、来源机构或合同内容,也不把示例练习改写成真实患者队列。文中疾病名称和皮损词用于说明数据字段、证据层级和标注任务,不能据此判断任何个人的健康状况。
皮肤图像数据建设需要把授权、去标识、伦理、标注资格、数据划分和独立验证分别核验。高一致性的研究标签不能替代临床诊断,也不能证明模型已获得监管批准、具备诊疗能力或在未覆盖的人群和设备上有效。任何面向临床的模型都需要由相应研究或医疗主体完成独立的安全、性能、工作流和适用范围评估;数据服务方提供的项目流程也不等同于医学、法务或监管审定。
对于这类需求,最稳妥的路线是先确认图像模态和临床任务,再建立分层词典与缺失语义;之后以病灶为单位进行多角色标注和争议复议,按字段而非单一总分验收;最后用受试对象级划分、近重复排查、外部设备和人群验证检查模型是否真的学习了皮损,而不是学习背景或采集捷径。当数据对象、标注过程和验证边界都能被回溯时,这套数据才不仅能用于训练一个分类器,也能支持错误分析、规则迭代和跨任务复用。
参考来源
- The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
- A methodology for developing dermatological datasets
- The Melanoma Research Alliance Multimodal Image Dataset for AI-based Skin Cancer (MIDAS)
- A protocol for annotation of total body photography for machine learning to analyze skin phenotype and lesion classification
- International Skin Imaging Collaboration: standards and public skin imaging archive
- Improving dataset transparency in dermatologic Artificial Intelligence datasets with Data Nutrition Labels
- Evaluating skin tone scales for dermatologic dataset labeling: a prospective-comparative study

