3. 医学影像数据采集与伦理合规
医学影像AI训练流水线的第一道工程关口，不是模型结构，也不是算力调度，而是数据从哪里来、能不能用、以什么形式进入训练环境。多中心数据采集决定了模型的泛化边界，伦理审查决定了项目能否合法启动，去标识化决定了数据在流转中的风险等级，数据使用协议则决定了数据在时间维度上的可用范围。这四者构成一条从“临床现场”到“训练集”的合规链路，任何一环缺失，后续的标注、训练和部署都可能被推翻。
多中心数据来源：异质性既是负担也是资产
单中心数据往往存在设备型号单一、扫描协议固定、患者人群集中等问题，模型在外部验证时性能下降明显。多中心采集的核心价值在于引入设备、协议、人群和疾病谱的异质性。实际工程中，一个典型的多中心影像数据集可能来自3～8家医院，每家提供500～3000例检查，覆盖CT、MRI、X线或超声等不同模态。
采集前需要明确每个中心的“数据画像”：设备厂商与型号（如GE Revolution CT、Siemens MAGNETOM Skyra、Philips Ingenia）、扫描参数范围（层厚、管电压、序列类型）、图像存储格式（DICOM）、报告系统（RIS/PACS）以及是否具备结构化报告。这些信息直接影响后续的预处理策略。例如，层厚从0.625 mm到5 mm不等时，若统一重采样到1 mm各向同性，薄层数据会损失部分细节，厚层数据则需插值，必须在协议中约定重采样方法和插值核。
多中心数据进入训练集前，通常按“中心—患者—检查—序列—图像”五级层次组织。划分训练/验证/测试集时，建议采用按中心分层或留一中心交叉验证，避免同一患者的多次检查同时出现在训练和测试中造成信息泄漏。示例划分比例可设为：训练集70%、验证集15%、测试集15%，其中测试集尽量包含至少一个未参与训练的中心，用于评估跨中心泛化能力。
伦理审查：从立项到豁免的判断路径
涉及人的医学影像数据研究，通常需要经过伦理委员会（IRB/EC）审查。审查类型取决于数据来源和使用方式：前瞻性采集、干预性研究一般需完整审查；仅使用既往临床常规数据且去标识化的回顾性研究，可能适用简易审查或豁免知情同意，但豁免不等于免审，仍需提交方案并获得伦理批件。
伦理材料通常包括：研究方案、知情同意书模板（或豁免申请）、数据安全与隐私保护方案、数据使用协议草案、研究者资质与利益冲突声明。对于多中心研究，若采用牵头单位统一审查、分中心备案的模式，需确认各中心伦理委员会是否认可组长单位批件，否则需分别提交。
一个常见的实操判断路径是：先确认数据是否包含直接标识符（姓名、住院号、身份证号、面部特征等）；若包含，必须去标识化后方可进入研究流程；再确认数据是否涉及敏感信息（如HIV、精神疾病、遗传信息），若涉及，通常需更严格的访问控制和伦理审查；最后确认数据是否将用于商业目的或对外共享，若是，数据使用协议中需明确知识产权、成果归属和二次使用边界。
去标识化：不只是删名字
DICOM文件包含大量元数据标签，其中直接标识符包括患者姓名（0010,0010）、住院号（0010,0020）、出生日期（0010,0030）、检查日期（0008,0020）等。去标识化需要按DICOM PS3.15标准执行，通常分为“基本去标识化”和“增强去标识化”两级。基本去标识化移除或替换直接标识符，但保留检查日期用于时序分析；增强去标识化则进一步移除或泛化日期、机构名称、设备序列号等间接标识符。
实际操作中，建议采用“伪名化”策略：为每个患者分配全局唯一的伪名ID（如SUBJ_000123），原始ID与伪名ID的映射表单独加密存储，访问权限与训练数据分离。影像层面还需处理面部重建风险，对于头颈部CT/MRI，若包含面部轮廓，可进行面部模糊或颅骨剥离；对于X线胸片，需检查是否包含姓名、日期等烧录文字（burned-in annotation），若有则需通过OCR检测并遮盖。
去标识化完成后，应执行完整性校验：随机抽取5%～10%的DICOM文件，检查关键标签是否已清空或替换，烧录文字是否已遮盖，伪名ID是否唯一且与映射表一致。校验结果应记录在数据质量报告中，作为训练集版本的一部分。
数据使用协议：把边界写进工程流程
数据使用协议（DUA）是数据提供方与使用方之间的法律文件，但它的条款必须能映射到工程控制上。协议中常见的约束包括：使用目的限于“非商业研究”或“模型开发”，使用期限为“项目启动后24个月”，共享范围限于“项目组内部”，成果发表需经数据提供方审核，禁止尝试重新识别个体。
工程上，这些条款应转化为具体机制：数据存储加密、访问权限按角色分配、操作日志留存、数据到期自动锁定或删除、导出行为审计。例如，可以设置数据访问层，只允许训练任务通过API读取伪名化后的图像，禁止直接下载原始DICOM；所有读取操作记录时间、用户、数据范围，日志保留至少与协议期限一致。
综上，多中心数据采集与伦理合规不是训练流水线的“前置 paperwork”，而是决定模型能否合法、可持续迭代的基础设施。把数据来源画像、伦理审查路径、去标识化操作和数据使用协议的控制点固化到工程流程中，才能让后续的标注、训练和部署建立在可审计、可复现的合规基础之上。