4. 数据集构建中的偏倚

一个医学影像数据集在“收集完成”的那一刻，往往已经携带了偏倚。偏倚不是标注错误，也不是模型缺陷，而是数据在产生、筛选、标注和汇总过程中被系统性扭曲的结果。它最危险的地方在于：训练时看不出来，验证时可能也看不出来，直到模型进入真实临床环境才暴露。本节围绕数据集构建的四个关键环节——入组标准、标注流程、专家差异、多中心合并——分析偏倚如何产生、如何识别，以及如何在构建阶段主动控制。

一、入组标准：偏倚的第一道闸门

入组标准决定了“谁被纳入数据集”。它通常包括疾病类型、分期、年龄、设备型号、扫描参数、图像质量等条件。问题在于，很多标准是为了“方便建模”而设，而不是为了“代表临床”。例如，某肺结节数据集要求结节直径≥6 mm、层厚≤1.5 mm、无严重运动伪影。这会让数据集偏向于病灶明显、配合度高、设备较好的患者，而漏掉小结节、厚层扫描、呼吸配合差的人群。模型在测试集上表现优异，但在基层医院或急诊场景中可能大幅下降。

更隐蔽的是“排除标准”带来的偏倚。排除既往有手术史、合并其他肺部疾病、图像有金属伪影的病例，看似合理，却可能把最需要模型辅助的复杂病例排除在外。识别这类偏倚的方法是：把入组标准逐条列出，问三个问题——这条标准是否与临床目标人群相关？它是否系统性地排除了某一类患者或某一类设备？被排除的病例在真实场景中占比多少？如果占比高且模型要用于该场景，就必须重新评估。

二、标注流程：偏倚在“看不见的规则”中积累

标注流程偏倚常来自标注规范不完整或执行不一致。例如，标注肺结节时，是否要求标注磨玻璃成分？边界按肺窗还是纵隔窗？多发结节是否全部标注？如果规范只写“标注结节”，不同标注者会做出不同选择。更严重的是，标注顺序、标注工具默认设置、图像显示窗宽窗位、是否允许缩放，都会影响边界判断。

一个可操作的检查方法是建立“标注流程审计表”，记录每个病例的标注者、标注时间、使用的窗宽窗位、是否参考既往报告、是否经过复核。若发现某位标注者标注的结节普遍偏大，或某批数据全部由同一人完成且无复核，就应怀疑流程偏倚。控制手段包括：统一窗宽窗位、统一标注工具版本、强制双人独立标注、对边界争议病例进行仲裁。

三、专家差异：不是错误，而是系统性偏移

不同专家对同一影像的判断差异，往往不是随机噪声，而是有方向性的系统偏移。例如，胸科影像专家更倾向于把磨玻璃影判为可疑恶性，而放射科住院医师可能更保守。这种差异在标注中表现为：同一结节，专家A标注的边界比专家B大1–2 mm，或专家A认为需要标注的微小结节，专家B直接忽略。

量化专家差异的常用指标是组内相关系数（ICC）和Dice相似系数。以结节分割为例，若两位专家对同一批结节的Dice系数中位数为0.82，说明边界一致性尚可；若低于0.70，则边界定义本身存在歧义。此时不应简单取平均，而应回到标注规范，明确边界定义，再重新标注。对于分类标签，可用Cohen's kappa衡量一致性；若kappa低于0.60，说明分类标准需要细化。

四、多中心数据合并：偏倚的“叠加效应”

多中心数据合并的初衷是增加样本多样性，但若处理不当，反而会引入新的偏倚。不同中心的设备型号、扫描协议、重建算法、人群构成、标注团队都不同。例如，中心A使用GE设备、层厚1.25 mm、肺窗重建；中心B使用西门子设备、层厚2 mm、纵隔窗重建。直接合并后，模型可能学会“按设备识别中心”，而不是学习真正的病灶特征。

更常见的是“中心效应”被误认为“疾病信号”。如果中心A的肺癌患者比例高，中心B的良性结节比例高，模型可能把“中心A的图像风格”与“恶性”关联。识别方法是：在合并数据上训练一个“中心分类器”，如果它能以高准确率区分数据来自哪个中心，说明中心间差异显著，需要做中心间归一化或分层建模。常用手段包括：统一重采样到相同层厚、统一窗宽窗位、按中心分层抽样、在损失函数中加入中心对抗项。

五、案例：一个肺结节数据集的偏倚复盘

假设某团队构建了一个肺结节良恶性分类数据集，共1200例，来自3个中心。入组标准为：结节直径≥6 mm、层厚≤1.5 mm、有病理或随访金标准。标注由2名放射科医师完成，分歧由第3名专家仲裁。训练集内部AUC为0.94，但在一家未参与构建的医院外部测试时AUC降至0.78。

复盘发现三个问题。第一，入组标准排除了层厚>1.5 mm的病例，而外部医院约40%的扫描层厚为2 mm，模型对厚层图像泛化差。第二，中心A的标注者习惯把磨玻璃结节边界画得偏大，中心B偏小，合并后标签边界不一致，导致模型对磨玻璃结节的分割不稳定。第三，中心C的恶性病例占比高达70%，而中心A仅35%，模型在中心C上表现好，在中心A上表现差，说明存在中心效应。

改进措施包括：放宽层厚入组标准，增加厚层图像样本；统一标注规范，明确磨玻璃边界按肺窗最大径测量；对三个中心分别评估性能，若某中心AUC显著低于其他中心，则对该中心数据进行过采样或单独微调。改进后，外部测试AUC提升至0.86，且各中心间性能差异缩小。

数据集偏倚的控制不是一次性的，而是贯穿构建全流程的持续动作。入组标准要反复对照临床目标，标注流程要可审计，专家差异要量化，多中心合并要分层验证。只有把偏倚当作数据集的一个“属性”来管理，模型泛化评估才有可靠的基础。