4. 真实训练集质量问题的发现与分类

在医学影像训练集质量评估中，最危险的不是“已知有噪声”，而是“不知道噪声长什么样”。脱敏案例的价值在于：它把抽象的质量指标还原成可观察、可定位、可复现的具体缺陷。本节通过五类典型问题——缺失切片、标注错误、类别不平衡、扫描参数漂移、患者信息泄露——展示如何从原始数据中发现它们，并建立一份可执行的问题清单。

一、缺失切片：序列完整性被破坏

缺失切片通常表现为某一层图像在序列中“跳号”或“断层”。以一套腹部CT为例，正常层厚5 mm、层间距5 mm，若DICOM的InstanceNumber从1到120连续，但实际文件只有117个，且缺失位置集中在第45、46、47层，则说明该段扫描可能因患者移动或重建失败被丢弃。发现方法很直接：按SeriesInstanceUID分组，统计每组的切片数量，并与该序列的SliceThickness、SpacingBetweenSlices推算的理论层数对比。若实际数量小于理论值，标记为“疑似缺失”。

更隐蔽的情况是“重复切片”：同一InstanceNumber出现两次，但SOPInstanceUID不同。这会导致训练时同一解剖位置被重复采样，模型对局部特征过拟合。处理方式不是简单删除，而是先确认是否为重建算法产生的不同窗宽/窗位版本；若是，则保留一个标准版本，其余归入增强数据池。

二、标注错误：从边界偏移到类别混淆

标注错误在分割任务中尤为常见。脱敏案例中，一套肺结节CT的掩膜标注将结节边界向外扩张了约3 mm，原因是标注者使用了“包含磨玻璃影”的宽松标准，而训练目标要求“实性成分边界”。这类错误无法通过肉眼逐张检查发现，但可以用统计方法定位：计算每个病例的掩膜体积与结节最大径的比值，若该比值显著偏离同批次均值（例如超过2倍标准差），则列为可疑样本。

分类任务中的标注错误则表现为“同一图像被不同标注者归入不同类别”。例如，一套乳腺钼靶数据中，BI-RADS 3与BI-RADS 4a的边界样本被反复标注不一致。发现方法是计算标注者间一致性（Kappa系数），若某类别的Kappa低于0.6，说明该类别定义模糊，需要重新制定标注规范，而不是直接删除样本。

三、类别不平衡：长尾分布与采样偏差

类别不平衡在医学影像中几乎是常态。以一套胸部X光片为例，正常样本约8000例，肺炎约1200例，气胸仅180例，结节仅60例。若直接按原始分布训练，模型对气胸和结节的召回率会极低。发现方法不是只看总数，而是按“类别×设备型号×扫描部位”交叉统计。例如，气胸样本可能全部来自某一家医院的DR设备，而结节样本全部来自另一家医院的CT，这种“类别与设备耦合”的不平衡比单纯数量不平衡更危险。

处理时，不能简单复制少数类样本，因为医学影像的重复采样会放大同一患者的特征。更合理的做法是：先按患者ID划分训练/验证集，确保同一患者不跨集；再在训练集内使用加权采样或焦点损失，并在验证集上单独报告少数类的敏感度。

四、扫描参数漂移：设备与协议不一致

扫描参数漂移是跨中心数据集最容易被忽视的问题。同一部位、同一序列，不同设备的管电压、管电流、层厚、重建核可能完全不同。例如，一套头颅CT数据中，A中心使用120 kV、200 mAs、层厚5 mm，B中心使用100 kV、150 mAs、层厚1 mm。若直接混合训练，模型会学到“层厚”与“疾病”的虚假关联。

发现方法是提取DICOM头文件中的关键字段：KVP、XRayTubeCurrent、SliceThickness、ConvolutionKernel、Manufacturer、ManufacturerModelName，按中心分组做分布对比。若某字段的分布差异显著（如KVP的均值差超过20%），则标记为“参数漂移”。处理策略包括：按参数分层采样、在预处理阶段统一重采样到各向同性体素、或将设备型号作为协变量加入模型。

五、患者信息泄露：脱敏不彻底与跨集污染

患者信息泄露有两个层面：一是DICOM头文件中的PatientName、PatientID、BirthDate等字段未清除；二是同一患者的多次检查被分到训练集和验证集，导致验证集性能虚高。前者可以通过DICOM标签清洗工具批量处理，后者则需要基于PatientID或研究号做分组划分。

一个典型的脱敏案例是：某数据集声称已脱敏，但DICOM的PrivateTag中仍保留了医院内部的患者编号，且该编号与公开的挂号系统可关联。发现方法是遍历所有DICOM标签，检查是否存在非标准私有标签，并抽样比对不同文件间的标签一致性。若同一患者的不同检查共享一个私有ID，则说明脱敏不彻底。

六、建立问题清单：从发现到可执行

发现问题的目的是形成一份可执行的问题清单。清单不应只是“缺失切片：有”，而应包含可定位、可复现、可排序的字段。以下是一份可直接使用的示例清单结构，字段根据医学影像数据特点设计：

清单建立后，需要做一次“可复现性验证”：随机抽取清单中的3条记录，按定位依据重新执行检测，确认能复现相同结果。若不能复现，说明定位依据描述不够精确，需要补充具体的文件路径、DICOM标签值或统计脚本参数。这一步是区分“经验判断”和“工程化质量评估”的关键。

最后，问题清单的优先级排序应遵循“合规风险 > 标签污染 > 分布偏差 > 完整性缺陷”的原则。信息泄露涉及法规与伦理，必须最先处理；标注错误直接决定模型学什么，其次；类别不平衡和参数漂移影响泛化能力，再次；缺失切片若不影响关键解剖结构，可标记后保留。分类不是目的，让每一类问题都有明确的发现路径、影响判断和处理动作，才是质量评估工程的核心。