MEDICAL DATA RESEARCH
皮肤病结构化标注:把临床描述词典变成可验收的数据资产
面向医疗AI研发与数据采购读者,拆解皮肤病图像的模态、病灶实例、形态词典、疾病证据、专家复核、数据划分和外部验证,说明如何把原始标注字段转成可追溯、可验收的研究数据资产,并明确不等同于诊断或临床效果。
先问一个具体问题:模型为什么“看见了皮损”,却说不清它看见了什么?
皮肤病人工智能项目常从一张照片或皮肤镜图像开始,但真正影响后续训练和临床复核的,往往不是图像数量,而是描述皮损的词是否有稳定、可执行的含义。颜色、年龄段、解剖部位、皮肤损害类型、分布与排列、大小、数目、边缘、形状、基底、表面、湿度、鳞屑或痂、内容物,以及皮损和皮面的关系,都是临床观察中可能同时出现的维度。如果这些词只以自由文本存在,算法很难区分“没有观察到”“不适用”“图像质量不足”和“确实不存在”;如果标签只有疾病名称,模型又无法被追问其形态依据。
因此,皮肤病数据项目需要的不是一张更长的疾病清单,而是一套能从采集、标注、审核到建模验收的临床描述词典。本稿讨论一种匿名、可复用的技术需求:以皮肤病图像为输入,以病灶级和图像级的结构化形态标签、疾病候选标签及质量状态为输出,并允许同一病例包含多个病灶、多个描述维度和不确定状态。它适合用于科研数据集建设、皮肤病图像分类或检索、形态学问答和报告生成的前置数据治理,不等于诊断系统,也不替代医生判断。
需求拆解:模态、解剖部位和输出颗粒度要先冻结
第一步是明确输入模态。普通临床照片、皮肤镜图像、病理图像和视频并不是同一种数据对象。普通照片更适合记录病灶在身体部位上的分布、数量、大小和与皮面的关系;皮肤镜图像可补充色素、血管和局部结构,但会引入偏振方式、浸润介质、倍率和设备差异;病理全切片需要另外定义切片、视野和组织层级;动态视频还要处理帧、时间点和镜头运动。一个皮肤病结构化词典可以跨模态复用术语,但不能把跨模态复用误写成一个标注流程已经覆盖所有模态。采集表应保留图像类型、设备或拍摄条件、方向、可见范围和图像质量状态,模型训练时再决定哪些字段进入输入。
第二步是冻结解剖部位和病变主体。部位既可以是头面部、眼睑、口周、口腔、唇部、颈部、躯干、腋部、腹股沟、外阴、阴囊、生殖器、下肢、前臂、手、甲或足部等较粗层级,也可以进一步拆出部位细节。层级名称应是一套树,而不是同义词并列的平面列表;例如“足部”和“趾甲”不能在同一层级无规则混用。对于泛发性或沿神经、皮节、血管分布的病变,还要区分解剖位置与分布模式。若一个图像含有多个病灶,应先建立图像级ID,再给每个病灶分配唯一实例ID,使疾病标签、形态标签和几何区域能对齐。
第三步是定义输出颗粒度。图像级标签回答“这张图是否可用、是否存在目标病变”;病灶级标签回答“某个病灶是什么颜色、形状、大小和表面特征”;疾病级标签回答“临床考虑的病种或病种组是什么”;病例级标签则可能汇总多部位、多时间点或多张图像。不同颗粒度不能直接拼在一列。建议至少保留图像质量、病灶实例、结构化形态、疾病标签、证据来源和审核状态六类记录,并用版本号记录词典变化。HAM10000的公开实践显示,疾病真值可能来自病理、随访、专家共识或共聚焦显微镜等不同来源,不能把所有标签都当成同一种金标准。1
从临床词汇到机器可读标签:词典要写“什么时候能选”
临床描述词典的价值不在于选项越多,而在于每个选项都有边界、互斥或可并列关系,以及明确的“不确定”路径。颜色可以采用分层体系,把红、暗红、紫红、淡红、黑、褐、黑褐、白、黄、绿、蓝、正常肤色等作为可审计的观察类别;当颜色混合或受光线影响无法可靠判断时,需单独记录“多色”或“无法判定”,不能强迫标注者从单色中猜一个答案。大小应固定单位和测量对象,例如最大病灶的最长径、可见区域还是估计值,并区分图中标尺可校准与仅凭照片估计。数目则要区分单发、多发、成群和无法计数,避免把“多发”误写成一个具体数量。
原发性和继发性皮肤损害也要拆开设计。斑疹、丘疹、结节、斑块、水疱、脓疱、风团、囊肿、肿块等可作为原发形态;鳞屑、痂、糜烂、溃疡、皲裂、抓痕、表皮剥脱、苔藓化、萎缩、瘢痕或色素改变则可能是表面或继发改变。同一病灶可以同时有丘疹和鳞屑,因此这两个字段不宜设计为完全互斥的单选。基底、表面、湿度、内容物和与皮面的关系应有适用条件:例如内容物只在可见水疱、囊肿或渗出时填写;“不适用”不能和“未观察到”混为一谈。每个标签应配一条简短定义、一个边界例子和一个排除例子,培训材料只使用已脱敏、获准的示例。
疾病名称层级是另一项容易失控的工作。一个研究可以需要从外伤、感染性疾病、炎症性皮炎、色素性疾病、血管性疾病、毛发和甲疾病、良恶性肿瘤等大类开始,再展开到具体病种;但临床名称、俗称、病理诊断和编码映射并不总是一一对应。推荐把“观察到的形态标签”和“诊断标签”分开,诊断标签记录其来源,例如临床初步判断、病理结果、随访结论或专家共识,并允许“其他”“不确定”“图像模糊”和“正常皮肤”等质量或阴性类别。若疾病词需要映射到标准编码,应把映射版本和无法映射的原因一并交付,而不是只交付一个看似精确的编码。
本次原始工作表把“颜色、患者年龄、部位、皮肤损害、分布/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、与皮面关系”列为候选字段,并另列了从外伤、感染、炎症到肿瘤等病种词,含“图像模糊”和“正常皮肤”这类质量或阴性类别。公开改写时,这些内容只能被表述为待冻结的标签字典和项目输入输出约定;原件没有提出的病史、治疗、随访或病理资料不应被补写成必备输入,病种词也不能直接等同于病理真值。
SkinCon的研究说明,领域专家密集标注临床概念能够支持细粒度错误分析,但也提醒读者:概念标注本身存在标注者差异,类别分布不均会影响模型分析;其后续验证增加了独立标注,才使一致性问题可被量化。2 这正是建立皮肤病词典时应提前处理的问题:先做小规模试标,再冻结定义;不要在大规模标注已经完成后才通过改列名来修复概念漂移。
数据设计:病灶实例、纵向关系和负例都要可追溯
数据表设计应围绕可复现的主键展开。建议为每个受试对象生成去标识化的研究ID,为每次就诊或采集生成时间点ID,为每个图像生成图像ID,再为同一图像中的每个病灶生成病灶ID。公开数据交付中不应保留姓名、原始就诊号、精确日期、联系方式或可回溯机构的信息;如果需要纵向变化,只保留经授权、经脱敏且能维持时间顺序的时间点编码。Primiero等人提出的全身摄影标注协议展示了一个可借鉴的思路:同一患者的影像集合应作为一个整体组织,标注者不仅要修订自动预标注的病灶边界,还要区分伪病灶、图像伪影和不可用于标注的区域。3
病灶的几何表示需要和语义标签分工。矩形框适合粗粒度检测,轮廓或掩膜适合面积、形状和边界相关任务,点标记适合小病灶或无法稳定勾画的目标;同一项目可以同时提供框和掩膜,但必须说明两者的生成顺序、修订权限和最终用途。若图像里存在毛发、饰物、疤痕、脐部或其他容易被算法误当成病灶的结构,应有“非目标/伪影”标记。自动检测或模型预标注只能作为草稿,未经人工核查不得进入金标准,也不得通过复制预标注来制造一致性。
负例和不确定样本同样重要。正常皮肤、目标病变不存在、图像模糊、遮挡严重、部位不可判断、标签冲突和无法依靠当前图像判定,应分别编码。把所有非目标图像都放到“正常”类会把质量失败和真正阴性混在一起,导致模型学到拍摄条件而不是医学差异。对于罕见病种,不能只用重复采样补齐数量;应在数据说明中报告来源、病种谱、部位谱、年龄段和皮肤类型分布,并在训练、验证和测试划分中以受试对象或病灶来源为单位,防止同一人的近似图像泄漏到不同集合。
纵向数据还要防止时间泄漏。随访照片、同一病灶的不同倍率图像、同一病例的临床照和皮肤镜图像,若随机按图片拆分,模型可能只记住病灶或设备,而不是学习可泛化的形态。交付时应提供一个不可逆的去标识化关联键,并记录哪些图像属于同一病灶、同一时间点或同一受试对象;算法组据此冻结划分。HAM10000的构建经验也说明,多来源、多设备和多种真值来源带来多样性,同时增加了清洗、诊断统一和质量审查的工作量。1
算法路线:从多任务学习开始,但不要把相关性当成因果
对于这样的标签体系,最稳妥的算法路线通常不是直接训练一个覆盖全部病种的单头分类器,而是分层、多任务、可拒答。第一层可做图像质量与目标检测,判断图像是否适合继续标注;第二层检测或分割病灶实例;第三层预测颜色、原发形态、表面、分布和部位等结构化属性;第四层再做疾病类别或风险分组。这样做的好处是可以分别评价“找到了病灶”“描述正确”和“疾病标签正确”,也能在某一字段不可靠时保留可审核的中间结果。
对于病灶属性,颜色和表面等字段可能存在共现,适合采用多标签输出或条件分支;对互斥字段则使用明确的编码约束。疾病标签可使用分层分类、标签平滑或长尾重加权,但每种策略都应在冻结验证集上预先规定。少样本病种可以使用迁移学习、度量学习或数据增强作为研究路线,但不能将合成或增强图像当成新的独立病例;增强操作还应避免改变颜色、边缘或鳞屑等临床证据。若使用视觉语言模型生成描述,应先把生成文本映射回受控词典,再由专家抽检其是否遗漏否定、把伪影写成病变或把一个观察误写成诊断。
可解释性应围绕标签和证据做验证,而不只是展示一张热图。对于病灶框或掩膜,可以检查模型关注区域是否落在已审核的病灶实例内;对于颜色、边缘、表面等属性,应采用遮挡、反事实或概念级分析验证模型是否依赖相应信息。研究已经提醒,普通显著性图未必能证明模型使用了医学上有意义的特征;因此,解释输出只能作为复核线索,不能写成诊断理由或临床因果证明。
专家标注与质量控制:一致不是“所有人都选同一个词”
标注主体应按任务分层。经过培训的标注员可以处理图像可用性、病灶实例和部分客观结构字段;皮肤科临床专家负责形态定义、疾病标签、疑难样本和争议仲裁;若涉及病理真值,则需要明确病理报告或切片复核的独立流程。初标、复核和仲裁不应由同一人无记录地完成。标注界面应展示当前词典版本、字段定义、适用条件和拒答选项,并记录每次修改前后值、操作者、时间和理由。
建议采用“培训—独立试标—盲审—仲裁—冻结”的闭环。培训阶段用小样本解释边界,不以考试分数替代医学资格;独立试标阶段统计各字段的一致性,区分名义类别、序数类别和连续测量;盲审阶段隐藏前一位标注者的结果,避免确认偏差;争议样本由预先指定的专家仲裁,并保留原始分歧。对于多病灶图像,一致性还要分别看病灶发现、病灶匹配、边界重叠和属性标签,不能只给一个总准确率。
质量门槛应按字段风险分级。图像质量和病灶存在性可以设为硬性入组条件;形态属性可要求达到预先定义的一致性或返修率;疾病标签若缺乏可靠参考标准,应标记为临床考虑或共识,而不是伪装成病理金标准。Primiero等人的协议把预标注质量和临床诊断标注区分对待,并设置持续抽检,说明不同字段的错误代价不同,不能用一个统一阈值覆盖所有标签。3 任何阈值都应作为项目约定,经试标后冻结,不应在文章中虚构成普遍医学标准。
偏差、外部验证与真实业务验收
皮肤病数据的偏差至少来自五个方面:病种长尾、解剖部位不均、设备和光照差异、皮肤颜色或光型分布不均,以及转诊和活检带来的选择偏差。不同人群的疾病谱并不相同,不能仅通过随机打乱图片消除。数据报告应按病种、部位、年龄段、性别或项目允许的皮肤类型指标分层描述;如果某个亚组样本不足,应明确为外推限制,而不是用总体指标掩盖。DermaBench作为2026年预印本,展示了将皮肤类型、病灶形态、部位和分布纳入临床专家标注的做法,但其研究状态仍是未同行评审,不能把其方法或结果写成已证实的临床标准。5
内部验证至少要按受试对象划分,外部验证则应更换来源、设备、拍摄流程或时间段,并保留预先冻结的标签规则。对于疾病分类,应报告每类的灵敏度、特异度、阳性预测值、阴性预测值、校准和置信区间;对于病灶检测或分割,应按病灶或受试对象报告召回、精确率和几何指标;对于形态属性,应报告每个字段的宏平均和分层表现。不要只报告总体准确率,也不要把公开基准数据上的结果直接当成真实临床效果。HAM10000本身是重要的公开研究资源,但其真值来源和病例构成有边界,适合用于基准和方法比较,不能自动代表所有人群。1
临床验证还要验证工作流。Marchetti等人的前瞻性研究将皮肤镜算法置于真实就诊流程中,使用活检作为参考标准,并评估医生接触算法结果前后的判断变化;研究同时指出其单中心、样本量、族群覆盖和未纳入部分病灶等限制,需要更大规模、多中心研究确认可迁移性。4 这为项目验收提供了一个重要区分:模型在冻结数据集上的表现是研究效果,医生是否能正确理解、何时拒答、是否改变管理决策则是临床工作流问题,不能由同一张测试表替代。
业务验收应先从数据闭环开始,而不是从宣传指标开始。一个可执行的试点可以包括:导入一批已脱敏样例;检查图像、病灶和标签主键能否对齐;验证多病灶、阴性、模糊和不确定状态是否可导出;用第二位标注者独立复核;按预先约定的抽样规则统计字段一致性和返修率;把冲突样例送仲裁;最后在训练代码或下游分析工具中打开交付样例。验收记录要绑定词典版本、数据快照、划分文件和导出格式。若项目另需PACS接口、私有化部署、存储、GPU、病理或视频插件,应单列范围,不要把通用标注流程等同于这些能力已默认包含。
把需求转成研发价值,而不是把标签数量变成营销数字
这类皮肤病标准库的研发价值,在于把“描述皮损”变成可计算、可复核、可迭代的中间层。疾病分类模型可以利用形态标签做分层误差分析;检索系统可以根据部位、颜色、形状和表面特征寻找相似案例;报告生成模型可以先生成受控字段,再由医生补充开放文本;多模态模型则可以比较图像证据与临床描述是否一致。更重要的是,当模型在某一类病种或某一肤色、部位上表现下降时,团队能追溯到数据来源、词典定义、标注者分歧或图像质量,而不是只看到一个无法解释的总分。
实施方的能力适配也应写得克制。具备医学数据标注平台、专业审核流程和项目规格交付能力的团队,可以参与词典配置、样例试标、盲审、返修和交付文件整理;这些是流程适配,不等于已经拥有本项目的完整现货数据、病理金标准或临床获批模型。采购方仍需确认数据授权、目标模态、专家资格、词典版本、样例范围、交付格式、质量阈值和外部验证方案。对任何服务商而言,先以小规模样例证明“定义能执行、标签能对齐、结果能复核”,比先承诺一个无法核验的库存规模更有研发价值。
最终,皮肤病人工智能的可靠起点不是把所有疾病名称塞进下拉框,而是建立一条可审计的证据链:图像是否可用,病灶在哪里,观察到了哪些形态,诊断标签来自何种证据,谁在何时以哪一版规则审核,模型在什么人群和设备上被独立检验。只有把这些问题写进数据结构和验收脚本,结构化标注才会从一次性试标变成可持续的研究基础设施。本文讨论的是数据与算法研发方法,不构成个体诊断、治疗建议或监管批准结论。
图1 技术示意:皮肤病图像经质量筛查、病灶实例化、形态词典标注和证据分层后,形成可追溯的模型输入;不表示真实患者、实验完成或临床诊断。
图2 技术示意:以词典版本、盲审、仲裁、受试对象级划分和外部验证构成质量闭环;不表示真实患者、实验完成或临床诊断。
参考来源
- The HAM10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions
- SkinCon: A skin disease dataset densely annotated by domain experts for fine-grained debugging and analysis
- A protocol for annotation of total body photography for machine learning to identify suspicious lesions
- Prospective validation of a deep learning algorithm for melanoma diagnosis in patient care
- A Clinician-Annotated Benchmark Dataset for Dermatology Visual Question Answering and Clinical Reasoning

