跳至正文
朗慧科技

MEDICAL DATA RESEARCH

把皮损描述变成可验收标签:皮肤病变图片标注标准的工程化拆解

皮肤患处图片如何把所见即所得的皮损属性、疾病 Top-3 候选和有限拉框变成可复核数据?本文拆解模态记录、缺失语义、专家复核、偏差控制、患者级划分与字段级验收,服务医疗AI研发和数据采购。

临床文本与纵向多模态AI辅助整理 · 研发交流

皮肤病变图片标注最难的地方,不是给一张图贴上某个疾病名称,而是让另一位合格标注者、一个训练脚本和一份验收报告,对“这张图里看到了什么、看不清什么、哪些判断来自图像以外”得出可复核的相同理解。若只把图片和一个诊断词交给模型,形态、部位、可见性和不确定性会被压缩在一个标签里;一旦标签定义不稳,模型学到的可能是拍摄习惯、裁剪方式或人群分布,而不是皮损本身。

本文讨论一类面向皮肤患处图片的技术需求:在不复述任何病例或项目资料的前提下,把可见皮损拆解为部位、形态、颜色、大小、数量、排列、表面和边界等字段,并在图像层面保留有限的病灶区域框,在疾病层面输出不超过三个按临床考虑顺序组织的候选词。它与“皮肤镜数据集总体建设”主题相近,但关注点不同:重点不是数据规模或某种模型排名,而是如何把临床描述规则转化为数据字典、标注流程和可执行的验收门槛。本文不用于个体诊断、分诊或治疗建议。

一、先把临床任务写成数据任务

源需求的输入是皮肤患处图片,但没有把普通临床照片、皮损近照和皮肤镜图像混为一谈。这个区别必须在项目启动时写入元数据,因为三者的可见信息、放大关系和颜色表现不同。若将普通照片与皮肤镜图像直接拼接训练,模型可能把视野范围或成像设备当成疾病线索。最小记录应包含图像来源类别、拍摄方向、是否有裁剪、图像是否可判读、是否出现遮挡或反光,以及同一病灶是否有多张照片。原需求并未要求增加某一成像设备,也不能把“皮肤患处图片”改写成已经具备某种固定模态的数据集;更稳妥的做法是把模态作为必填的来源字段,而不是事后猜测。

数据关系也应先于标签。建议把“图片记录—皮损实例—疾病判断”拆成三个层次:图片记录保存原始图像与拍摄信息;皮损实例保存一个或多个病灶的观察属性及区域框;疾病判断保存该实例或整张图的诊断词、证据来源和不确定状态。多张照片若来自同一皮损,应以稳定的实例标识关联,不能在训练和测试中当作互相独立的样本。HAM10000 的数据构建说明显示,多来源图像需要经过清洗,诊断还要区分病理、随访、专家共识和其他依据;这说明“标签是什么”和“标签凭什么成立”必须分栏记录,而不能把所有疾病词都称为同一种金标准。1

本需求的临床任务可分为四个输出:第一,输出“所见即所得”的结构化形态描述;第二,输出最多三个疾病考虑词,并保留排序或并存关系;第三,对主要病变给出受约束的区域框;第四,为每个字段保留可判读、不可判读、缺失或不适用的状态。这样设计后,模型可以分别承担多标签属性预测、病灶检测、层级分类和不确定性建模,而不是用一个多分类头强行解决所有问题。

皮肤病变图片从原始输入到结构化标签的技术链路示意查看完整技术图(可放大)

图1|技术示意:皮肤病变图片的模态记录、皮损级属性、疾病排序与受限拉框如何形成可复核的数据对象;不表示真实患者、实验完成或临床诊断。

二、从皮损词汇到可执行本体

皮损词汇不是装饰性的文本字段。它决定了标注者要观察的对象、模型要学习的任务以及验收人员如何判断标签是否越界。临床描述中,原发性损害、继发性损害、构型、颜色和表面改变有不同的观察逻辑。专业皮损描述资料也将斑疹、丘疹、斑块、水疱、大疱、脓疱、鳞屑、痂、糜烂、溃疡等区分开,并把线状、环状、网状、靶形等视作构型或分布信息。2 因此,项目不应只给标注员一张疾病名词表,而应给出带层级、定义、反例和出处的术语本体。

原需求采用“能分辨则填写,不能则写无”的观察原则,并且不支持手写自由发挥。这一原则的价值在于避免标注者把临床推测混进视觉标签;但在工程实现中,“无”至少可能对应四类情形:明确不存在、图中未显示、图像质量不足以判断,以及尚未标注或不适用。如果这些状态都编码成同一个字符串,模型会把不可见误学成阴性,质控也无法区分漏标和真实缺失。建议保留原需求的用户界面简洁性,同时在底层数据中拆成 presence、visibility 和 adjudication_status 三个字段:presence 表示可见的有或无,visibility 表示清晰、部分可见或不可判读,adjudication_status 表示是否经过复核;未标注、不适用等状态另设枚举。对外交付时再按项目约定映射为有限枚举。

大小阈值需要特别谨慎。源规则给出了红斑、丘疹、斑块、结节、肿块、水疱和大疱等类别的尺寸边界,用来统一词汇,而不是让标注者凭肉眼伪造精确毫米数。若图片没有尺度参照,尺寸字段应保持为受控的相对档位或实物比喻,并明确其不是量测值;若有比例尺或已校准的采集条件,才可另设连续测量字段。临床资料中的术语边界并不总在不同教材间完全一致,数据字典应固定一个版本、记录依据,并在试标阶段检查标注者是否能对临界样例作出稳定选择。词表版本变化后,旧标签不能静默覆盖,应保留映射表和变更原因。

颜色也不能简单理解为图像 RGB 数值。光源、白平衡、皮肤本底、偏振方式、压缩和病变表面都会改变颜色外观。源规则把鲜红、暗红、淡红、褐色、黑褐色、黑色及其他颜色列为观察词,并要求结合周围皮肤和参照物判断;这更接近“视觉类别”,而不是仪器测量。若研究要比较不同肤色或设备下的模型表现,应另设肤色或色调标注,并说明评估方式。2025 年一项前瞻比较研究发现,主观肤色量表的重复性会受部位和光照影响,皮肤镜图像中直接提取的颜色与客观色度测量的相关性也可能较弱,因此不能把某一种量表当作不受条件影响的真值。3

三、疾病 Top-3 不是三个互相独立的分类标签

疾病字段的关键不是“多填几个可能性”,而是表达临床考虑顺序和共存关系。源规则要求每条疾病词不超过三个,并区分“疾病 A、疾病 B、疾病 C”的优先顺序、“A+B”表示并存的同层判断,以及并存疾病后再接一个较低优先级诊断的情形。这种语义不能直接展开成普通 one-hot 向量,否则 A+B 与 A、B 两个互斥类别会被错误地处理为同一类问题。

更合适的数据对象是一个有序、可分组的候选集合:每个疾病词包含规范名称、词表版本、出处、置信或不确定状态;集合另有 rank_relation,取“排序”“并存”或“并存加排序”。若疾病名称来自教材、指南、病理报告或临床考虑,应在 evidence_source 中标记来源类型,避免将图像观察与病理确认混在一起。HAM10000 的经验很有参考价值:不同来源的病理报告存在术语差异、拼写问题、多个诊断和不确定诊断,研究者需要统一诊断类别并排除含糊案例。1 对一般皮肤图片,项目可以保留临床考虑词,但不能把它们包装成病理金标准。

在标注顺序上,先描述病变,再判断疾病;先对能够从图像看到的事实作标签,再在独立字段中记录疾病考虑。这样既符合观察原则,也能支持描述型模型。已有公开皮肤影像数据集的做法表明,病理确认的图像、随访稳定的图像和专家共识图像可以共同用于研究,但它们的证据强度不同,必须让训练者和评估者看得见这种差异。1 对于无法仅凭图片判断的疾病,允许输出不确定或需要外部资料,而不是用“最像的词”填满字段。

四、有限拉框要服务于病灶级学习

源规则要求尽量只拉大框,多处分布时分开拉框,框数不超过三个;正常皮肤、图像模糊或不计入任务的对象不要求标注。这是一个有明确业务含义的“有限检测”任务,而不是无限追求像素级分割。框的目标应与疾病或主要皮损实例绑定,不能把整张截图、文字、边框或周围无关皮肤一起框入。若同一图片存在多种并发疾病,框与疾病词的对应关系必须在数据格式中表达,否则后续算法无法判断一个框属于哪个候选标签。

框的验收不能只看“有没有框”。至少要检查四类一致性:框是否落在原图坐标系;框是否覆盖目标病灶而没有被裁剪、缩放或截图破坏;多个框是否与实例编号一一对应;超过三处病灶时是否按规则放弃或转入另一种任务状态。若项目只需要框而不需要精确轮廓,就不应在验收时用分割指标冒充框的完成度;但可用交并比、中心点偏移、框面积比例和人工复核记录检查可用性。对边界模糊的病灶,建议允许“不确定框”或“需复核”状态,避免把标注者的过度自信变成训练目标。

从算法角度,框可作为检测或区域裁剪的辅助监督,结构化属性则适合用多任务学习或视觉—语言对齐。训练时应避免把疾病词直接作为框的唯一来源,因为这样会放大诊断标签中的循环论证;可以先用框和可见属性训练区域与描述,再用独立来源的疾病标签训练排序模块。对于长尾病种和少见形态,应保留原始频数,不用过采样后的平衡数据替代真实分布。少样本策略可以作为研究路线,但不能因为模型在内部切分上表现良好,就宣称已经达到临床效果。

五、专家标注与分歧处理要可追溯

“专家审核”不是一个足够具体的岗位名称。项目书应写清初标者的训练范围、可标字段、升级条件、复核者的专业角色和最终裁决方式。源规则强调词表有明确出处,且并发疾病要保留所有相关皮损,这意味着初标培训不仅要教平台操作,还要让标注者能识别原发和继发损害、区分形态与疾病推断,并知道何时应使用不可判读状态。

建议采用小批试标、单独复核、集中讨论和版本冻结四步法。试标样本应覆盖临界尺寸、颜色接近、边界模糊、鳞屑与痂混合、多病灶、并发疾病及图像质量不足等情形。正式标注阶段保留原始判断、复核修改、修改理由和最终值,不要只保存最后一版。对争议样例,可以由第二位皮肤科专家盲审;若仍有分歧,则记录“共识”“裁决”“不可判断”三种结局,而不是强迫所有样例得到确定疾病。

一致性评估要按字段类型选择方法。类别字段可报告 Cohen’s kappa 或多评者 kappa;有序的清楚、比较清楚、模糊可用加权 kappa;连续测量可用组内相关系数;框则报告几何误差和复核通过率。一个总平均值会掩盖最重要的失败场景,所以还应按模态、解剖部位、图像清晰度、皮损类型、设备和肤色或色调分层。公开的多概念皮肤数据集预印本展示了“形态概念+疾病层级+专家复核”的组织方式,但它同时也提醒我们,来自单一地区、设备和人群的标签结构不能直接外推到所有临床场景;该研究的预印本状态也意味着其数字不能被当作通用验收阈值。4

六、从标签正确到模型可用:质量与外部验证

验收应至少分为来源、标签、几何、关系和版本五层。来源层检查授权、去标识、模态、设备和图片是否可追溯;标签层检查词表合法性、必填字段、不可判读状态和疾病词上限;几何层检查框坐标、数量及与原图的关系;关系层检查图片—实例—疾病的连接、同一病灶多图的分组和患者级划分;版本层检查数据字典、标注工具、修订记录、导出文件校验值和问题回修闭环。这样的分层能把“字段填满”与“可用于研究”区分开。

数据划分必须以患者或皮损实例为单位,而不是随机打散图片。相同病灶的多张图、同一患者的不同时间点和同一设备的连续拍摄,都可能使随机切分产生信息泄漏。测试集的标签和使用范围应在模型冻结前锁定,外部验证集则应尽量引入不同的中心、设备、拍摄条件和人群。DDI 的建设思路值得借鉴:图像、肤色标签和活检病理结果分别经过专家核对,并通过匹配诊断类别、年龄、性别和拍摄时间等因素来支持不同肤色的比较;这类设计不等于覆盖所有人群,但比只报告一个总体分数更能暴露数据缺口。5

偏差检查不能只在模型训练结束后补做。2022 年发表于 Science Advances 的研究显示,现有皮肤科 AI 在深色肤色和少见疾病图像上存在明显局限。6 因此,标注阶段就要记录图像是否存在光照不均、毛发、反光、遮挡、纹理或肤色差异,并在评估时报告分层的敏感度、特异度、召回率、校准和拒答比例。若某个小组样本太少,应明确统计不稳定,而不是用总体结果替代。肤色字段本身也要说明是观察量、仪器量还是图像推断量;它不是疾病标签,也不能用一个单一量表代表所有色调。

最终验收不应固定一个脱离任务的“准确率门槛”。应先用试标确定字段难度和风险,再为不同字段约定可审计的完整性、合法值率、复核一致性、框几何质量、实例关联正确率和外部验证计划。若项目需要训练诊断模型,还要把标签来源和参考标准纳入分析;如果只有临床印象,模型输出应限定为研究用候选或描述任务,而不是临床诊断。人机协作研究也提示,质量不足的 AI 支持可能误导包括专家在内的使用者;因此,实际部署前要检查拒答、提示不确定性和人工覆核路径,而不只是追求一个高分。7

皮肤病变标注项目从试标到独立验证的质量闭环示意查看完整技术图(可放大)

图2|技术示意:从词表冻结、盲审和分歧记录,到患者级划分、分层评估和版本回溯的质量闭环;不表示真实患者、实验完成或临床诊断。

七、如何形成可交付的研发对象

对模型研发团队而言,最有价值的交付物不是一份无法解释的 CSV,而是一个可复现的数据包:数据字典、词表和出处、图片与实例索引、图像模态和质量状态、结构化属性、疾病候选及关系、区域框、标注者与复核记录、划分文件、偏差检查表、版本说明和问题清单。每个字段都应能回答三个问题:它观察的是什么,它在什么条件下可以为空,它如何被验收。若字段来自外部报告或病理结果,应与图像可见字段分开,并在数据卡中说明适用范围。

在业务流程上,可以先交付小批样例,确认标注员对词表、Top-3 关系和拉框规则的理解,再扩大数据量。批次交付时,新增标签、回修记录和字典变化必须可以定位到版本;不要只给一个覆盖旧数据的新文件。采购或项目规格若包含数量、周期或价格,应留在书面项目文件中,公开技术文章只讨论如何定义质量和验收,不把约定参数写成公司业绩或固定能力。

在已核验的能力边界内,数据服务方较适合承担的是流程化的采集、处理、标注、质检和数据交付,以及依据项目规格提供样例、质量记录和版本管理;这不等于已经拥有某一病种的现货数据,也不等于已经完成独立的临床验证。对于需要皮肤科专家判断的字段,应在项目书面确认中明确专家配置、审核职责和样本评估方式。模型研发、医学解释和临床应用责任仍需由相应的研究或医疗主体承担。

结语:把“看见什么”与“诊断什么”分开

皮肤病变图片标注标准的核心价值,在于把临床观察变成可复核的中间层。部位、皮损类型、颜色、形状、排列、表面和边界描述的是图像中可见的事实;疾病 Top-3 反映的是候选排序或并存关系,不自动等于诊断真值;病理、随访或专家共识则是另一层参考标准。三者分开,模型才有机会学习从区域到形态、从形态到候选的可解释路径,验收人员也能定位问题究竟来自图像质量、术语边界、标注者分歧还是参考标准不足。

一份真正可用的标准不以“标签越多越好”为目标,而以定义稳定、证据分层、缺失可解释、框与实例对应、分层验证可复现为目标。对于皮肤图像这种受光照、肤色、设备、部位和疾病长尾共同影响的任务,先把数据对象和验收逻辑写清,再讨论模型结构和规模,通常比事后用算法弥补标签混乱更可靠。

参考来源

  1. The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
  2. Description of Skin Lesions
  3. Evaluating skin tone scales for dermatologic dataset labeling: a prospective-comparative study
  4. DermaCon-IN: A Multi-concept Annotated Dermatological Image Dataset of Indian Skin Disorders for Clinical AI Research;(preprint; not peer reviewed)
  5. Diverse Dermatology Images (DDI) dataset
  6. Disparities in dermatology AI performance on a diverse, curated clinical image set
  7. Human–computer collaboration for skin cancer recognition