MEDICAL DATA RESEARCH
PCI数据集怎么设计:把指南中的临床决策变成可验收的多模态任务
围绕经皮冠状动脉介入(PCI)研究数据,拆解冠脉造影、IVUS、OCT、功能学测量与随访的事件级关联、标签定义、专家复核、患者级划分和可复现验收。
经皮冠状动脉介入治疗(PCI)的人工智能研究,难点不只是找到足够多的冠状动脉影像。真正决定数据能否用于研发的,是能不能把一次临床事件中的适应证、病变、影像、操作、并发症和随访结局连成同一条可追溯链路。2025年中国PCI指南把质量控制、病变严重程度、风险评估、腔内影像与功能学检查、围术期并发症和术后随访放在同一个临床框架中1。对数据采购和算法团队而言,这意味着“冠脉图片”不是一个充分的数据对象。
本文只讨论如何把公开临床指南中的任务关系转化为医疗AI研发所需的数据规格,不提供个体患者的诊断、介入或用药建议。指南中的推荐级别和阈值用于界定临床语境,不能直接当作某个模型的标签,也不能证明任何平台已经完成临床验证。具体数据授权、样本范围、专家资格、字段字典和验收阈值,仍需由项目书面确认。
先把PCI临床问题拆成数据任务
PCI数据集通常同时承载三个不同问题。第一是术前判断:某一病变是否具有需要进一步血运重建评估的临床背景,解剖学严重程度和功能学缺血证据如何对应。第二是术中决策:造影、血管内超声(IVUS)、光学相干断层成像(OCT)和压力测量如何帮助描述病变、选择策略并检查支架结果。第三是术后观察:术中事件、围术期心肌损伤、支架相关问题和较长期随访如何被定义并与原始事件相连。
这三个问题不能合并成一个“有病/没病”标签。它们的输入模态、数据颗粒度和时间位置不同。术前可能需要患者级临床变量、冠状动脉造影和功能学测量;术中更接近血管、病变、pullback、帧和器械事件;术后则需要以时间为主键的实验室、影像、事件和失访记录。若一份交付物只给出静态图片与一个诊断列,算法或许可以开始做演示,却无法复现指南中“为什么做、对哪一段血管做、做完后如何检查”的完整问题。
图1把这条关系分成临床问题层、数据对象层和训练验收层。它的核心不是增加字段数量,而是让每一个标签都能回到一次具体PCI事件,并能解释它来自哪种检查、哪个血管段、哪个时间点和哪一版标注规范。
图1 PCI多模态数据链路技术示意,不代表真实患者、已完成实验或临床诊断结论。
术前任务:把适应证、解剖与风险分开记录
指南对稳定性冠心病、非ST段抬高型急性冠脉综合征和ST段抬高型心肌梗死分别讨论策略。数据设计首先要保留临床场景,而不是把它们压成同一个病种代码。至少应有一次就诊或PCI事件的去标识主键,记录事件类型、采集时间、症状或急性状态的来源,以及这是首次介入、分期介入还是再次介入。事件主键不等于患者主键;同一患者的多次事件必须可以纵向连接,也必须可以在模型划分时整体留在同一集合。
解剖任务要明确观察对象。冠状动脉造影主要承担血管走行、病变位置和狭窄程度的观察;复杂性描述还可能涉及开口、分叉、成角、迂曲、长段弥漫、严重钙化、血栓、慢性完全闭塞和左主干等特征1。这些不是互相排斥的单选项。一条血管可以有多个病变,一个病变可以同时具有分叉和钙化,标签字典应支持多标签、病变范围和相邻血管段,而不是只保留报告里的一个摘要词。
功能学与腔内影像也不能被当作解剖标签的同义词。指南讨论了FFR和定量血流分数,以及IVUS和OCT所提供的不同观察信息1。在数据规格中,功能学结果应带有测量方法、数值单位、测量位置、是否在药物或特定操作条件下完成等上下文;IVUS或OCT则要带序列方向、pullback信息、病变对应关系和质量状态。临界病变的“是否需要进一步评估”与“模型是否预测某个数值”是两个不同任务,不能为了训练方便互相替代。
风险评分也应记录来源和版本。SYNTAX、SYNTAX II、STS、EuroSCORE II或特定左主干风险评分所需变量不同,预测终点和时间窗也不同1。如果项目要研究风险分层,应把构成变量、计算规则、缺失处理和最终评分分别交付;如果只研究影像分割,就不应把未经核实的临床评分推断成影像标签。这样做能避免模型把年龄、肾功能、左心室功能或中心操作习惯等隐性线索当成病变形态。
术中任务:影像、器械和病变必须在同一坐标系里
PCI术中数据的难点是多模态和动态性。造影记录的是二维投影与血流观察,IVUS和OCT则提供血管腔及血管壁的断层信息,压力导丝或其他功能学设备记录的是测量事件。它们不能只靠文件名拼接。至少要有患者级主键、PCI事件号、血管或病变主键、检查序列号、采集时间,以及在项目允许范围内的设备、协议、方向和像素或体素信息。没有这些关系,算法很难判断两个序列是不是同一病变的术前和术后观察。
IVUS和OCT的标签颗粒度也不相同。指南提到,IVUS可用于观察病变性质、狭窄程度、累及范围以及支架置入后的贴壁和管腔情况;OCT具有更高的空间分辨率,在部分斑块形态、钙化细节和支架贴壁观察中有不同优势1。这并不意味着一个模态的标签可以自动迁移到另一个模态。项目应先写明要标注的是管腔轮廓、外弹力膜、斑块成分、钙化弧度或厚度、支架、导丝阴影、夹层、血栓、伪影,还是一个更高层级的病变结论;每一种标签都要规定适用序列与不可判读条件。
一项2025年发表的全冠脉OCT人工智能研究,使用完整pullback组织训练数据,按患者级别划分训练、测试和验证,并将导管、支架、导丝阴影、血管结构、斑块成分和常见伪影分开处理;研究还设置了病理对照和外部队列验证3。这项研究的意义不在于可以照搬其模型或性能数值,而在于说明一个可复核的任务需要同时交付结构标签、质量状态、划分规则和独立参考。对采购方来说,“能做分割”不等于“已经定义了哪些结构、如何处理伪影、是否包含完整pullback”。
术中事件还要与影像同步。球囊预处理、支架释放、后扩张、血流变化和再次检查应有事件时间或顺序标记。对于支架优化,支架贴壁、边缘夹层、支架内残余斑块或最小管腔面积等标签必须说明是哪个检查、哪个参考血管和哪一版判读标准产生的。若同一pullback前后有多次手工修订,旧轮廓不能被静默覆盖,而应作为版本或修订记录保留。
术后任务:用时间轴控制结局定义和数据泄漏
围术期并发症不是一张事后总结表。指南分别讨论急性闭塞、栓塞和无复流、冠状动脉破裂或穿孔、支架内血栓、穿刺血管并发症、对比剂相关问题及围术期心肌损伤等情形1。数据字典应把事件发生时间、判定依据、严重程度、是否经过影像或实验室确认、处理是否发生以及结局状态分开。一个“术后并发症=是”的字段既无法支撑原因分析,也无法让模型学习预警时点。
时间窗要服务于任务,而不是制造看似整齐的表格。例如围术期心肌损伤与术后较晚期的再狭窄或再次血运重建不是同一终点;短期安全事件、30天结局和一年以上结局也不应共用一个标签。指南还提出针对PCI患者的门诊随访和必要时复查影像,具体实施要根据临床安排与项目方案执行1。因此,交付时至少需要事件时间、检查时间、最后已知随访时间和失访状态。没有发生检查不能编码成“正常”,没有回访也不能编码成“无事件”。
时间轴也是防止泄漏的第一道防线。若一个患者术后复查的影像或实验室变量进入训练集,而同一患者术前影像进入测试集,模型可能只是在识别患者或中心,而不是识别病变。连续帧、同一pullback和同一次介入事件更不能被随机拆散。划分单位应在方案中提前冻结;对需要预测未来结局的任务,还要明确特征截点,禁止把结局发生后的信息回填到输入侧。
外部验证也不只是再抽一批图片。设备、导管、采集协议、中心流程和患者构成的变化都可能改变数据分布。2025年的PCI人工智能综述将术前规划、术中辅助和术后评价视为不同环节,并提醒透明性、伦理和监管仍是落地障碍2。对数据项目而言,外部集应说明与开发集的关系,至少披露中心、设备或时间上的独立性;如果无法取得真正独立的队列,就应如实写成内部测试或时间切分,不能包装成泛化证明。
标签规范:把能标、不能标和需要仲裁的情况写清楚
PCI标注的可靠性不等于每个像素都有答案。对血管壁、斑块、支架和伪影等对象,应同时设计阳性、阴性、不可判读和未采集状态。阴性表示经过合适观察仍未见目标;不可判读表示图像质量、遮挡或协议原因使判定不成立;未采集表示该模态或该时间点根本不存在。三者如果都填成0,模型会把流程缺失学成医学阴性。
专家标注应围绕任务定义而不是身份背书。方案需要说明标注者的任务范围、培训或判读依据、是否独立盲审、复核者能看到哪些信息、争议由谁仲裁,以及参考标准如何形成。复杂病变尤其要保留分歧记录,因为分歧本身可能反映边界模糊、模态限制或规则之间的冲突。对无法在当前图像上判断的项目,保留不确定标签通常比强行投票成阳性或阴性更诚实。
一致性指标要和对象匹配。轮廓或掩膜可以考虑Dice或IoU;连续测量可以考虑ICC或Bland–Altman分析;分类或等级标签可以考虑Kappa或预先约定的其他统计方法。指标的计算单位必须提前写清楚,是患者、病变、序列、pullback还是帧;参考者是谁,抽样是否分层,缺失和不可判读如何处理,也要写进方案。一个漂亮的平均分数不能替代错误例、极端类别和设备分层结果。
图2将标签对象、质量控制和验收证据分开。这样可避免把“平台提供勾画工具”“已经完成专家仲裁”和“模型在独立队列通过”混成一个产品句子。
图2 PCI标签与质量验收技术示意,不代表真实患者、已完成实验或临床诊断结论。
数据交付:DICOM只是起点,主键和版本同样重要
DICOM可以承载医学影像对象及其元数据,但“交付DICOM”不自动等于完成可训练数据集。DICOM标准本身分为信息对象、数据结构与编码、数据字典、文件格式、Web服务和安全等多个部分,并持续更新5。项目应根据真实使用场景确定采用哪些对象、哪些元数据和哪些一致性约束,而不是笼统写成“全量支持”。
在入库阶段,应按患者、检查、序列和实例组织数据,并用项目内去标识符替代直接身份。授权范围、去标识化规则、设备与中心字段、检查时间的精度,以及像素中可能烧录的姓名或检查号,需要分别核查。去掉DICOM头部的身份字段不代表像素内容已经安全;像素脱敏和临床授权也不是同一份证明。
在标注交付阶段,轮廓、MASK、测量表和临床变量要有稳定的主键映射。输出格式可能不同,但不能让格式差异掩盖语义差异:掩膜的方向、体素间距、标签值、单位、颜色和字典版本都要能被下游工具读回。对表格而言,患者级、事件级、病变级和帧级记录不能随意平铺到同一行;否则一位患者多条病变或一条pullback多帧时,重复计数和错配会在模型训练前发生。
验收样例应使用项目授权的脱敏数据,而不是未授权患者影像。算法团队需要一份能被训练代码实际读取的样例,临床研究团队需要变量与事件主键的对应关系,信息部门需要权限、日志、备份和数据退出方式。每一份材料都应带规范版本和问题清单;如果样例在目标工具中无法回读,应停留在适配问题,不应被“支持某格式”的宣传句覆盖。
算法路径:性能指标必须跟临床任务绑定
从研发角度,PCI数据可拆成分割、检测、分类、测量、事件预测或多模态融合等不同任务。分割任务的输出是边界或掩膜,检测任务的输出是目标位置与置信度,分类任务需要定义类别层级和参考标准,测量任务还需要统一单位与校准方式,结局预测则必须有明确的时间窗和删失处理。它们不能因为都输入影像,就共用一套标签和一个总准确率。
研究设计还要区分内部测试和临床应用。外部队列表现、病理对照、专家一致性和下游读回各自回答不同问题。AutoOCT研究把结构分割、斑块分类、病理对照与外部数据分开报告3,正是因为“接近标注”不等于“接近组织学”,而“在一个设备上表现良好”也不等于跨设备可用。项目报告应把比较基线、样本选择、排除规则、分层结果和失败样例写清楚。
STARD-AI是用于人工智能诊断准确性研究透明报告的规范,强调报告完整性,但它不是研究设计工具,也不是质量评价或临床批准证明4。把它放进项目验收时,合理的用法是检查是否写清参与者、输入、参考标准、划分、缺失处理和外部验证;不合理的用法是把“完成清单”写成模型已经达到临床效果。数据采购方可以把报告要素前置到数据卡和交付说明中,让后续研究少依赖口头解释。
采购与验收:把一条口号拆成可复核交付
一份PCI数据或标注项目,建议在立项时要求至少回答六个问题。第一,任务对象是什么:冠状动脉造影、IVUS、OCT、功能学测量、临床变量,还是它们在同一事件上的配对。第二,标签范围是什么:病变、血管结构、器械状态、功能结果、并发症或随访结局。第三,数据按什么层级交付:患者、事件、血管、病变、序列、pullback、帧和测量之间怎样关联。
第四,专家如何工作:是否单盲或多盲,谁负责初标、复核和仲裁,哪些情况允许“不确定”或“不可判读”,如何留下修改记录。第五,算法如何验收:划分单位、随机种子、外部集、指标实现、抽样层级和失败样例是否在方案里。第六,交付能否复现:原始对象、标签、字典、版本、日志和下游回读样例是否齐全,授权范围和数据退出是否可核对。
这些问题比“是否支持AI标注”“是否能提供高质量数据”更接近真实采购。质量阈值不能从一篇论文或一个营销页面直接挪用到所有项目;样本规模、中心数量、模态组合和任务难度不同,验收口径也会不同。尤其不能把某项研究中的分割分数、分类准确率或外部验证结果写成朗慧的现货能力、客户成果或临床诊断率。
朗慧公开定位是AI数据基础设施和流程服务商,LangData覆盖采集、处理、标注、质检和数据交付;医疗栏目提供按部位、模态和任务组织的目录与样例评估入口6。这能支持围绕任务规格、样例、质量记录和版本的项目讨论,但不等于固定拥有某种PCI现货数据、预置模型、医院合作或临床审批。具体能否接收某种PCI模态、是否需要接口适配、专家范围如何配置,都应以授权样例和书面项目规格为准。
结语:可用的PCI数据集首先是一份可追溯的临床任务说明
PCI人工智能项目的起点不是选择一个更大的网络,而是把临床问题拆成可追溯的数据对象。术前要区分解剖、功能和风险;术中要对齐模态、病变、器械和帧;术后要保留时间窗、结局依据和失访;全流程要有授权、盲审、版本、患者级划分和独立验证。这样形成的交付物,才可能被算法、临床研究和信息部门共同复核。
公开指南提供的是临床语境,不是某家公司的数据现货,也不是模型性能证明。把指南中的决策关系转译成可执行的数据字典和验收记录,才是PCI数据采购从“有图可看”走向“可研究、可复现、可交付”的关键一步。
参考来源
- 经皮冠状动脉介入治疗指南(2025)
- Artificial Intelligence in Coronary Artery Interventions: Preprocedural Planning and Procedural Assistance
- Artificial Intelligence–Led Whole Coronary Artery OCT Analysis
- The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence
- DICOM Current Edition
- 关于朗慧科技

