3. 跨机构影像数据源调研与需求分析
跨机构医学影像数据整合的第一步不是写代码，而是把"数据从哪来、长什么样、能不能拿、多久更新一次"这四件事摸清楚。医院PACS、科室工作站、云影像平台和科研数据库这四类数据源，在接口能力、数据规模、更新节奏和合规约束上差异极大，如果调研阶段把它们的差异抹平，后续的采集、映射和治理环节几乎必然返工。本节围绕这四类源，给出可落地的调研维度、判断依据和一份可直接填写的调研表。
四类数据源的本质差异
医院PACS是院内影像的主存储，通常以DICOM协议对外提供服务，核心接口包括C-FIND（查询）、C-MOVE/C-GET（检索）、以及近年逐步普及的DICOMweb（QIDO-RS查询、WADO-RS取像、STOW-RS存储）。它的数据量最大，一家三甲医院年新增影像可达数十TB，单次检查的序列数从几个到几十个不等。更新频率基本是实时写入，但对外提供批量导出往往受限于厂商授权和院内网络策略。
科室工作站是超声、内镜、病理、心电等科室自建的采集与后处理终端。它们常以文件目录、共享盘或私有数据库形式存放数据，接口能力最弱，很多设备只支持手动导出，甚至导出的是JPEG截图而非原始DICOM。数据量中等，但格式最杂，更新频率取决于科室排班，往往集中在工作时段。
云影像平台通常由第三方厂商或区域卫健委建设，提供RESTful API或对象存储（如S3兼容接口）访问，支持按患者ID、检查时间、检查类型检索。它的优势是接口规范、可远程访问，劣势是数据归属和授权链条复杂，且不同厂商的字段命名、鉴权方式、分页策略各不相同。更新频率多为准实时或按批次同步。
科研数据库是专为研究目的整理的数据集，常见形式是关系型数据库表、CSV/JSON导出包或专病队列库。它的数据量相对小，但字段经过标注和清洗，常带有随访、病理、基因等影像之外的信息。更新频率低，多为项目周期内一次性交付或按里程碑更新，合规约束最严，通常要求伦理批件和去标识化处理。
调研要落到可执行的判断上
把四类源列成表只是起点，真正决定工程方案的是四个判断：能否自动化采集、单次可拉取量、可接受延迟、授权边界。以PACS为例，如果厂商只开放C-FIND查询而不开放C-MOVE，那么自动化采集就退化为"查询到列表后人工导出"，此时必须把人工环节设计进流程，而不是假设全自动。云影像平台如果分页上限是每页200条，而目标机构有50万次检查，就需要评估分页遍历的总耗时和限流策略。科研数据库虽然量小，但如果伦理批件只覆盖特定病种，就不能把同机构其他数据一并纳入。
更新频率的调研要区分"数据产生频率"和"接口可获取频率"。PACS数据实时产生，但接口可能只允许每天凌晨批量导出一次；云平台标称准实时，实际同步延迟可能达到小时级。这两个频率的差值直接决定整合管道的调度周期和增量识别策略——是按检查时间戳增量拉取，还是按最后修改时间，还是全量比对。
合规约束的调研要点
合规不是一句"符合法规"，而要拆成可核查的条目：数据出境与否、是否需要去标识化、去标识化在哪一侧执行、患者授权范围、数据留存期限、审计日志要求。医院PACS通常要求数据不出院内网，那么整合节点就必须部署在院内或通过安全网关代理；云平台可能允许数据落地到指定区域，但要求传输加密和访问审计；科研数据库往往要求签署数据使用协议，明确不得再识别、不得二次分发。
常见误区：把"接口文档齐全"等同于"可以顺利采集"。实际调研中，接口文档与真实环境常有偏差，例如测试环境开放全部字段、生产环境屏蔽患者姓名、检查号编码规则不同、时间字段时区不一致。建议在调研阶段就用真实环境做一次小批量连通性验证，而不是等到开发阶段才发现字段缺失。
调研表模板
下面这份表可直接用于现场调研或远程访谈，每类数据源填写一行，字段可根据实际情况增删。填写时尽量用具体数值和明确结论，避免"较多""较快"这类模糊描述。
| 调研项 | 医院PACS | 科室工作站 | 云影像平台 | 科研数据库 |
|---|---|---|---|---|
| 接口类型 | DICOM C-FIND/C-MOVE、DICOMweb | 共享目录、手动导出 | RESTful API、S3兼容 | 数据库直连、文件包 |
| 鉴权方式 | AE Title、IP白名单 | 域账号、无鉴权 | Token、AK/SK | 账号+审批 |
| 单次拉取上限 | 按Study/Series | 按文件数 | 按分页条数 | 按交付批次 |
| 数据量估算 | 数十TB/年 | GB～TB级 | 按机构汇聚 | GB级 |
| 更新频率 | 实时产生，导出受限 | 工作时段 | 准实时/批次 | 低频/里程碑 |
| 合规约束 | 数据不出院、隐私保护 | 科室审批、知情同意 | 归属协议、跨域限制 | 伦理批件、去标识化 |
| 自动化可行性 | 高（接口开放时） | 低 | 中～高 | 低（按批次） |
从调研到需求：把差异转成设计约束
调研完成后，需要把四类源的差异转成明确的设计约束。例如：PACS的DICOMweb接口支持WADO-RS按Series取像，那么采集模块就按Series粒度并发拉取，并设置并发上限避免压垮院内网络；科室工作站只能手动导出，就设计一个"导出包上传+自动解析"的补充通道，并约定命名规范；云平台分页拉取，就实现断点续传和限流退避；科研数据库按批次交付，就设计版本化导入和字段映射校验。
需求分析阶段还应明确优先级：哪些源先接入、哪些字段必须保留、哪些可以后补。通常建议先接入接口规范、合规路径清晰的云平台或PACS，快速跑通端到端链路，再逐步纳入格式杂、约束多的科室工作站和科研数据库。这样既能尽早暴露映射和治理问题，也能为后续源接入积累可复用的适配器模式。
实操建议：调研访谈时带上一个最小验证脚本，现场尝试连接并拉取一条检查记录，记录实际返回的字段、耗时和错误信息。这比事后看文档更可靠，也能让被调研方直观理解整合目标，减少后续沟通成本。
本节的核心结论是：四类数据源不能用同一套假设对待。接口能力决定采集方式，数据量决定存储与并发设计，更新频率决定调度策略，合规约束决定部署位置和数据处理边界。把这四项调研清楚并写成可核查的结论，后续的映射、清洗、治理和共享才有稳定的基础。