2. 多中心影像数据异质性来源剖析
多中心医学影像研究面临的首要难题，并不是数据量不足，而是数据"看起来一样、实际上不一样"。同一套胸部CT协议，在A中心是GE Revolution CT、B中心是Siemens SOMATOM Force、C中心是Philips Brilliance iCT，即便层厚、管电压、重建核都写成"1 mm、120 kV、标准算法"，最终体素强度分布、噪声纹理、边缘锐度仍可能显著不同。若把这些差异直接带入后续的影像组学建模或深度学习训练，模型学到的可能不是疾病特征，而是"哪台机器拍的"。因此，异质性治理的第一步，是把异质性来源拆解清楚，并评估每一类来源对下游任务的实际影响。
一、异质性的五大来源维度
结合公开多中心数据集（如TCIA、NLST、多中心脑MRI联盟数据）的实践经验，影像异质性可归纳为五个维度：设备厂商与硬件、扫描协议、重建算法、患者群体、操作流程。这五类来源并非彼此独立，而是层层叠加：硬件决定物理信号基础，协议决定采集参数，重建决定图像呈现，患者群体决定生物学分布，操作流程决定数据在进入分析前的"最后一公里"是否被污染。
二、异质性的分类与影响评估方法
识别来源之后，需要把"定性描述"转化为"可量化的影响评估"。常用做法是分层评估法：先固定其他变量，单独改变某一来源，观察下游指标的变化幅度。
以CT影像组学为例，可设计如下对照实验：选取同一批患者（n=30）的原始投影数据，分别用FBP和IR重建，其余参数完全一致。提取107个 IBSI 标准特征，计算两组特征间的组内相关系数（ICC）。若某特征 ICC < 0.75，则判定该特征对重建算法敏感，不应直接跨中心合并使用。类似地，可评估层厚（1 mm vs 2.5 mm）、管电压（100 kVp vs 120 kVp）、厂商（GE vs Siemens）的影响。
对于无法获取原始投影数据的场景，可采用体模校准法：在各中心扫描同一套影像体模（如 Catphan 600、QIBA 体模），测量均匀性、噪声、空间分辨率、CT值准确性等指标，建立各中心的"设备指纹"。这些指纹可作为后续数据协调的参考基准。
三、真实多中心案例：某肺癌影像组学研究的异质性剖析
某国内多中心肺癌影像组学研究纳入4家医院，共1200例胸部CT。研究团队在数据清洗阶段发现以下问题：
| 中心 | 设备厂商 | 层厚 | 重建算法 | 主要异质性表现 |
|---|---|---|---|---|
| A | GE | 1.25 mm | FBP | 噪声较高，纹理特征偏"粗糙" |
| B | Siemens | 1.0 mm | IR (SAFIRE) | 噪声低，边缘平滑，GLCM 对比度偏低 |
| C | Philips | 1.0 mm | iDose4 | 中等噪声，但重建核差异导致高频特征偏移 |
| D | Canon | 2.0 mm | AIDR | 层厚差异最大，部分特征 ICC < 0.5 |
团队进一步计算了各中心间特征的一致性：在未做任何协调的情况下，107个特征中有38个 ICC < 0.75，主要集中在 GLCM 和 GLRLM 类纹理特征。经过层厚重采样至1 mm、ComBat 批次效应校正后，ICC < 0.75 的特征降至11个，模型跨中心 AUC 从 0.68 提升至 0.79。这说明：异质性来源中，层厚和重建算法是影响最大的两个因素，且可通过后处理部分缓解。
四、影响评估的优先级判断
并非所有异质性来源都同等重要。实践中可按以下优先级排序：
- 高优先级：层厚、重建算法、管电压——直接影响体素强度和纹理，后处理难以完全消除。
- 中优先级：厂商硬件、患者体型——可通过体模校准和协变量校正部分补偿。
- 低优先级：操作流程中的导出格式、匿名化——主要影响数据管理，不影响图像内容本身，但需在数据治理流程中严格规范。
总结来说，多中心影像异质性的治理，始于对来源的清醒识别，成于对影响的量化评估。只有先回答"差异从哪里来、有多大、对什么任务有影响"，后续的协调策略才有明确的靶点。