跳至正文
朗慧科技

MEDICAL DATA RESEARCH

原发性肝癌影像AI数据如何落地:从高风险筛查到CEUS分层与疗效追踪

围绕《原发性肝癌诊疗指南(2026年版)》拆解肝癌影像AI的数据任务:高风险人群筛查、灰阶与多普勒超声、CEUS-LI-RADS、动态CT/MRI、血管侵犯、消融后评估和纵向随访,并给出标注、质控、外部验证与治理路径。

临床文本与纵向多模态AI辅助整理 · 研发交流

seo_title: "原发性肝癌影像AI数据如何落地:从高风险筛查到CEUS分层与疗效追踪" seo_description: "围绕《原发性肝癌诊疗指南(2026年版)》拆解肝癌影像AI的数据任务:高风险人群筛查、灰阶与多普勒超声、CEUS-LI-RADS、动态CT/MRI、血管侵犯、消融后评估和纵向随访,并给出标注、质控、外部验证与治理路径。" seo_keywords: ["原发性肝癌", "肝癌影像AI", "CEUS-LI-RADS", "超声造影标注", "医学影像数据质控"] search_intent: "医疗AI研发与数据采购团队希望把肝癌指南中的影像任务转化为可训练、可验收、可追溯的数据规格。"


《原发性肝癌诊疗指南(2026年版)》把肝癌影像工作描述为一条连续的临床链路,而不是一张“肝脏超声图片分类题”:先识别中、高风险人群,再用超声与血清指标进行监测;发现异常后,结合增强CT或MRI明确诊断、分期和血管侵犯;接受手术、消融或其他治疗后,还要通过同一病灶的复查判断残留、进展、复发和并发症。1 因此,面向医疗AI的数据项目真正需要解决的问题,是如何把不同模态、不同增强时相、不同时间点和不同证据等级组织成可复核的样本,而不是简单追求一个统一的“肝癌准确率”。

本文仅讨论研发和数据采购视角下的技术规格,不对任何个人影像或化验结果作诊断、分期或治疗建议。文中“应”主要表示来源指南对临床流程的要求;“建议设计”表示为训练、验证和交付而提出的数据工程方案,不能理解为指南原文或已完成的临床系统。

1. 先把指南还原成明确的临床AI任务

1.1 目标病种和人群必须先定义

来源指南中的“肝癌”在相关章节主要指肝细胞癌(HCC),并特别提醒肝细胞癌、肝内胆管癌和混合型肝细胞癌—胆管癌在病理和治疗上不同。1 数据项目若把三者混成一个“恶性肝肿瘤”标签,模型即使在内部测试中表现良好,也无法回答临床到底要筛查HCC、区分肿瘤类型,还是识别需要进一步检查的可疑结节。因此,项目书应在纳入标准中写清病种范围、风险背景、是否包含其他原发肝肿瘤和转移瘤,以及这些非目标病灶是否作为困难阴性或鉴别诊断类别保留。

筛查和监测的目标人群也不是任意体检者。指南提出可用aMAP等风险评分进行分层,并对中、高风险人群采用超声联合AFP、PIVKA-II等检测;超高风险人群在资源允许时可考虑更密集或增强影像监测。1 对数据工程而言,风险层级应作为样本属性和分层变量保存,而不是被模型直接当作“肝癌阳性”的替代标签。风险评分反映的是人群层面的发生风险,影像标签回答的是某次检查中是否存在病灶及其影像特征,两者不能互相覆盖。

1.2 输入不是一个文件,而是有顺序的多模态对象

一个可复核的研究样本至少可拆成四类输入。第一类是灰阶超声、彩色多普勒和必要时的脉冲多普勒,关注肝内占位、大小、数目、边界、内部回声、血流信号以及与门静脉、肝静脉或胆管的关系。第二类是超声造影(CEUS)动态片段,必须保留造影剂注射参照点及动脉期、门静脉期、延迟期和血管后相等时间信息。指南对CEUS时相给出了临床定义,典型HCC可见动脉期非环形高增强及后续减退,但小病灶和不同分化程度可能表现不典型。1

第三类是增强CT或MRI及其序列、对比剂和扫描时相。指南强调动态增强MRI在小病灶检出、诊断、分期和疗效评价中的作用,并要求把T2WI、DWI与动态增强信息综合解释,而不是只截取一张最亮的切片。1 第四类是与检查时间对齐的结构化临床数据,例如AFP、PIVKA-II、肝功能、病毒性肝炎标志物、风险评分、既往治疗、病灶编号和复查时间。若研究只做图像检测,可以不使用这些字段;若声明做多模态预测,就必须把字段缺失、测量时间窗和单位记录清楚。

样本的基本颗粒度也要在方案中锁定:一次检查、一个病灶、一个视频片段、一帧图像、一个序列和一次随访不是同一个单位。建议同时保存study_id、lesion_id、frame_id、phase和visit_id,并由数据字典定义它们的从属关系。这样才能防止同一病灶的相邻视频帧被错误地拆到训练集和测试集,造成看似很高、实则不可外推的结果。

2. 从“发现病灶”到“可解释分层”的标签层级

2.1 先标注可见性和质量,再标注诊断类别

肝脏超声受操作者、体位、呼吸配合、声窗、设备和病灶深度影响。第一层标签应记录检查是否可用于目标任务:肝脏是否完整覆盖,是否存在明显阴影、伪影、运动模糊、增益异常、声窗受限或造影剂注射失败。不可判读不是简单的阴性;若将“看不清”压成“无病灶”,模型会学习到设备和图像质量的偏差。

第二层是器官和病灶定位。灰阶静态图可以记录肝脏区域、可疑病灶框或像素级轮廓;CEUS视频还应记录病灶在各时相的可见性变化。对多发病灶,需要逐一建立病灶编号,而不是将整段视频只赋予一个病例级标签。尺寸、数量、位置和是否邻近主要血管或胆管应使用结构化字段保存,测量方法、最长径方向和单位必须固定。

第三层是特征标签。可将边界、形态、内部回声、血流、动脉期增强、廓清时间、廓清方式、包膜样表现、周边组织反应和血管侵犯分别编码。标签定义应附带“不可评价”“不确定”和“未采集”三个状态,避免把不同原因的缺失混在一起。CEUS-LI-RADS用于有肝癌风险的患者并服务于标准化报告;ACR也将LI-RADS定位为统一术语、减少解读变异、改善沟通和质量保证的体系,而不是脱离适用人群的通用影像分类器。2

第四层才是任务输出。例如可以分别建立:(1)病灶检测与分割;(2)HCC与非HCC的鉴别;(3)CEUS-LI-RADS类别或其组成特征预测;(4)主要脉管侵犯的影像提示;(5)治疗后可存活肿瘤、反应性改变和复发疑点的区分;(6)风险分层与随访优先级排序。每一个输出都应注明参考标准、适用人群和允许的“不确定”路径,不能用一个总标签覆盖所有临床问题。

2.2 治疗后和随访标签要单独建模

指南指出,CEUS可用于消融前规划、术中引导、消融后即刻疗效评估以及后续随访;治疗区周围反应性充血可能与残留或复发混淆,残留或复发也不一定呈现典型的门脉期或延迟期廓清。1 这意味着治疗后数据不能与初诊数据简单混合。每个随访样本应带有治疗类型、治疗完成时间、复查间隔、治疗区范围和前后影像配对关系,并区分“局部治疗区”“原病灶位置”“新发肝内病灶”和“并发症疑点”。

若使用病理作为参考标准,应记录取材是否针对该病灶、取材与影像的时间差以及病理是否覆盖整个病灶;不能把没有病理的影像随访自动标为真阴性。若使用多学科结论或长期随访作为参考标准,也要写明形成规则和截止时间。AI研究可以先做影像任务,但不能把模型输出当作新的金标准。

肝癌影像AI的多模态纵向数据链路技术示意:从风险分层和检查质量,到CEUS/CT/MRI时相、病灶标签和随访输出。查看完整技术图(可放大)

图1|技术示意。 该图展示建议的数据对象关系,不表示真实患者、已完成实验或临床诊断结论。尤其要保留检查时相、病灶编号和随访关系,避免把不同时间点的图像打散成互相泄漏的独立样本。

3. 采集、标注和算法训练必须围绕时相对齐

3.1 CEUS视频不是一串无序图片

动态增强超声的临床信息来自造影剂到达、峰值强化和廓清的变化。采集协议应保存注射开始时间、注射剂类型、设备帧率、探头和机械指数、观察持续时间、操作者标识的脱敏版本,以及是否在检查中改变了增益或深度。模型输入可以是连续视频、分时相片段或从视频提取的关键帧,但提取规则需要固定并可复现。

标注者应先对视频质量和病灶可见区间作盲标,再根据统一定义勾画或标记增强特征。对于病灶短暂可见、相邻血管增强干扰或造影剂分布不完整的片段,应允许“局部可用”和“无法判断”,而不强行补齐整段标签。来自静态截图的标签不能未经复核直接扩展到整段视频。

已有研究提示,机器学习可以利用动态CEUS参数辅助LI-RADS诊断,多中心研究的价值在于检验不同机构、操作者和设备条件下的稳定性,而不是证明一个模型可以替代影像医师。3 因此,采购或委托项目应要求同时交付原始动态片段、时相元数据、标注版本和分歧记录;只有导出的单帧PNG而没有时序关系,通常不足以支持“动态增强AI”这一任务声明。

3.2 CT/MRI和超声之间要先定义配准条件

增强CT、MRI和超声并非天然同一坐标系。跨模态研究应记录检查日期、呼吸状态、体位、病灶编号和可接受的时间差;如果使用影像融合导航,还要保存配准是否由人工确认以及病灶在不同模态中的可见性。对于小病灶、肝硬化背景或治疗后改变,配准误差本身可能大于目标边界,不能把“无法可靠对应”当作模型错误后再悄悄删除。

MRI的序列和对比剂也会影响标签。指南列出了动态增强、T2WI、DWI以及肝胆特异性对比剂等组合,并说明不同序列和时相分别承担检出、鉴别、分期或疗效评价作用。1 数据卡应记录序列缺失、层厚、重建方式、对比剂和关键时相是否满足项目协议。模型若只接收一个序列,应在题目和验收中明确,不应使用“多参数MRI”作为泛化营销词。

3.3 训练样本必须按人、病灶和中心拆分

医学影像最常见的数据泄漏有三种。第一种是同一人的不同就诊被拆到训练和测试;第二种是同一病灶的相邻视频帧或重复导出被拆开;第三种是同一中心、同一设备和同一操作者同时出现在两侧,模型学到的是采集习惯而不是病灶特征。正确做法是先按患者和病灶建立不可拆分组,再按中心、时间段或设备进行分层切分,最后锁定一次性测试集。

如果目标是预测早期复发、治疗反应或术后肝功能等纵向终点,还必须把预测时点与可用信息窗口写清楚。例如不能使用治疗后才出现的影像或实验室值预测治疗前结果,也不能用随访期间的最终诊断回填初始输入。数据字典、时间窗和删失规则应在训练前冻结并记录版本。

4. 算法路径:从可复核的基础任务逐步增加复杂度

第一阶段建议做质量控制、肝脏/病灶定位和基础分割。输出不仅包括掩膜,还应包括低质量告警、可见性、置信度和需要人工复核的原因。研究表明,深度学习可以在腹部超声中完成局灶性肝病灶的检测、定位和特征化,但不同设备、图像质量和病灶构成仍会限制外推。5 因此,分割指标不能替代临床任务指标,Dice或IoU也不能直接解释为诊断准确率。

第二阶段是时相感知的CEUS特征建模。可采用二维模型配合关键帧、三维卷积或带时间注意力的网络,关键不在于追逐某一种架构,而在于训练输入是否保留动脉期到延迟期的顺序、标签是否与时相定义一致、输出是否能回溯到支持判断的时间片段。视频帧建模研究说明,把图像和视频帧纳入同一AI管线可能改善对肝脏恶性病变的利用方式,但仍需在独立中心验证。6

第三阶段才是多模态融合。影像特征可以与风险评分、AFP、PIVKA-II和肝功能等结构化变量融合,但应比较“影像单模态”“临床单模态”和“联合模型”,并报告缺失数据处理、输入时间窗和校准结果。多模态模型的价值不是把更多字段堆进网络,而是回答某个预先定义的临床问题,例如高风险监测中发现可疑病灶后的再分层,或治疗后随访中的复发提示。若目标是预测微血管侵犯或治疗结局,则标签的获取方式和时间顺序比模型名称更重要。

第四阶段是纵向任务。可使用同一病灶的基线、治疗和随访影像进行配对,但要把“随访时间”“治疗方式”“影像反应标签”和“是否有新病灶”分开。纵向模型应报告按时间窗的敏感度、提前量或校准,而不是只给一个混合病例的AUC。涉及影像组学、深度学习或血管侵犯预测的研究,尤其要报告外部中心、设备和人群构成;一项跨机构研究把深度学习和影像组学模型放在不同机构与超声模态条件下比较,正说明稳健性本身就是任务的一部分。4

5. 专家标注、分歧处理和可追溯质控

5.1 用分层专家和盲审降低循环偏差

建议由熟悉肝脏超声/CEUS的标注者完成第一轮结构化标注,由具备相应影像经验的复核者处理关键诊断特征、血管侵犯、治疗后改变和不确定病例。初审者不应看到模型预测;复核者也应能查看原始时序和必要的跨模态资料,而不是只看已经被模型裁剪的ROI。涉及病理或治疗结局的参考标准,应在模型开发和最终测试之间设立隔离流程,避免用结局信息反向修改初始影像标签。

一致性不能只报一个总Kappa。建议分别报告病灶可见性、轮廓、增强模式、CEUS-LI-RADS类别和治疗后反应的分层一致性,并保留分歧类型:边界不清、时相不完整、多个病灶混淆、反应性充血与残留难分、跨模态无法对应等。对于不可达成共识的样本,保留双标签或“不确定”标签往往比强行投票更有研究价值。

5.2 质量控制要覆盖来源、标注、导出和版本

来源治理包括授权范围、脱敏状态、检查中心、设备和采集时间。影像脱敏不仅要移除DICOM头中的身份字段,还要检查烧录在像素中的姓名、检查号、日期、病区和语音字幕;视频中出现的患者信息同样不能进入训练集。合同、报价、机构名单和内部运营信息不应写入公开文章、数据卡或示例截图。

标注质控包括规范版本、标注工具版本、审阅者角色、复核日期、修改原因和争议状态。导出质控包括图像方向、层厚、单位、坐标系、掩膜与原图尺寸、视频时间戳和缺失字段。版本质控包括数据集快照、排除清单、标签变更日志、训练代码哈希、模型权重版本和测试集锁定日期。这样,后续出现标签定义变化时,能够判断性能差异来自模型还是来自数据版本。

肝癌AI标签、质控与外部验证技术示意:把临床标签、专家分歧、泄漏防护和跨中心验收放在同一条可追溯链路。查看完整技术图(可放大)

图2|技术示意。 该图展示建议的标签治理和验证关系,不表示真实患者、实验完成或临床性能结果;实际阈值、抽样比例和交付格式应以项目书面规格为准。

6. 验收不能只看AUC:要覆盖适用条件和失败方式

对病灶检测,应分别报告病例级和病灶级敏感度、每例假阳性数量以及不同病灶大小和可见性层的表现;对分割,应报告Dice、边界误差和失败样本类型;对CEUS-LI-RADS或多分类任务,应报告每一类别的召回、精确度、混淆矩阵、校准和不确定输出;对血管侵犯或复发提示,应说明参考标准、观察窗口和漏诊代价。阈值不能直接从内部测试集挑到最优后对外宣称通用,须按项目目标和独立验证集预先规定。

验收还要按中心、设备、探头、检查者经验、肝硬化背景、病灶大小、单发/多发、初诊/治疗后和图像质量分层。若只保留容易判读的片段,模型可以获得漂亮的数字,却无法服务真实工作流。应把低质量、非典型增强、亚厘米病灶、术后反应性改变和无法配准的跨模态样本设为压力测试集,并单独记录模型拒答或转人工的比例。

外部验证至少应做到中心或时间外推的一项,理想情况下同时包含新中心、新设备和新时间段。验证集不能由训练团队根据结果反复调参;评估者应在锁定模型后读取盲态输出。若结果显示域偏移,应优先记录适用边界、重新校准或触发人工复核,而不是继续扩大宣传口径。现有研究综述也指出,肝癌超声AI仍面临数据多样性、评价协议不一致、真实世界验证不足和监管证据不足等问题;AI有潜力改善监测,但尚未因此自动成为标准筛查流程。7

7. 交付与治理:让研发团队拿到可检查的结果

面向医疗AI研发和数据采购团队,交付物至少应包括:数据字典、纳排标准、模态与时相清单、患者/病灶级拆分表、脱敏报告、标注规范、示例与反例、分歧清单、质量抽检记录、数据卡、外部验证说明和版本变更日志。对于CEUS视频,应额外交付时间轴和关键片段索引;对于CT/MRI,应交付序列和对比剂元数据;对于纵向样本,应交付访问时间、治疗时间和随访窗口,而不是只给一个合并后的标签表。

朗慧的公开定位是AI数据基础设施及流程服务商,LangData覆盖采集、处理、标注、质检和数据交付。8 这意味着可以围绕项目规格设计脱敏、标注和可核对交付流程,但不意味着已有某一套肝癌模型、固定规模现货、临床获批系统或完成某家机构的诊疗验证。实际授权、字段范围、周期、样本量和验收阈值必须以双方书面项目规格和合同为准,文章本身不披露合同、报价、客户或机构信息。

治理上,原始影像和标注文件应采用最小权限、分区存储和访问审计;用于训练的副本与身份映射表分离;导出前做二次脱敏和随机抽查;研究者只能访问完成授权的字段。模型输出进入临床前,应另行完成伦理、隐私、安全、软件生命周期、医疗器械和真实工作流评估。本文讨论的是数据准备和研发验收,不能替代医学、法务或监管审定。

8. 能力边界:哪些结论现在不能从数据推出

第一,指南中的推荐等级不等于某个AI模型的性能等级。第二,CEUS-LI-RADS或MRI征象的标准化有助于减少描述差异,但不能保证每个小病灶、非典型病灶或治疗后区域都能自动分类。第三,研究论文中的单中心或回顾性结果不能转换为公司现货能力、临床效果或诊断率承诺。第四,模型在内部测试集上的识别能力不能直接推导出降低病死率、改善生存或替代医生判断。

对读者而言,最稳妥的采购问题不是“有没有肝癌数据”或“模型准确率是多少”,而是:目标人群是否与任务一致?CEUS时相是否完整?CT/MRI序列和超声是否能按病灶配对?标签是否区分初诊、治疗后与随访?训练/测试是否按人和病灶隔离?外部验证是否跨中心或跨设备?不确定和低质量样本如何处理?每一个问题都能在数据卡、标注记录或验收报告中找到对应证据,才具备可复核性。

结语

《原发性肝癌诊疗指南(2026年版)》带来的关键启示,是肝癌AI数据必须贴近临床流程的时间、空间和证据结构:高风险筛查不是诊断结论,CEUS的增强曲线不是单帧亮度,治疗后残留也不是简单的“有/无复发”,多模态融合更不能掩盖输入缺失和标签不确定。把这些差异写进数据字典、标注规范、泄漏防护、外部验证和交付版本,才能将指南中的影像任务转化为可训练、可解释、可验收的研发资产。当前稿件仅作为公开技术洞察和项目设计参考,保持预印本/研究性能力边界,不代表临床诊断系统已完成验证或获得医学、法务、伦理及监管批准。

参考来源

  1. 原发性肝癌诊疗指南(2026 年版)
  2. LI-RADS®
  3. Machine learning model based on dynamic contrast-enhanced ultrasound assisting LI-RADS diagnosis of HCC: A multicenter diagnostic study
  4. Cross-institutional evaluation of deep learning and radiomics models in predicting microvascular invasion in hepatocellular carcinoma: validity, robustness, and ultrasound modality efficacy comparison
  5. Deep Learning for the Detection, Localization, and Characterization of Focal Liver Lesions on Abdominal US Images
  6. Improving artificial intelligence pipeline for liver malignancy diagnosis using ultrasound images and video frames
  7. Enhancing ultrasonographic detection of hepatocellular carcinoma with artificial intelligence: current evidence and future directions
  8. 朗慧科技公司介绍