2. 医学影像数据基础与敏感属性

在医学影像模型公平性评估中，数据层决定了偏差能否被“看见”。如果敏感属性没有进入数据表，后续无论怎样调整损失函数或阈值，都无法回答“模型对哪一类人群更差”。本节把影像数据拆成四条相互关联的信息链：DICOM元数据、影像组学特征、患者人口学变量、设备参数，并说明敏感属性标注规范如何把它们串成可审计的数据集。

一、DICOM元数据：影像自带的“身份档案”

DICOM文件由文件元信息（File Meta Information）和数据集（Dataset）组成。数据集按标签（Tag）组织，标签由组号（Group）和元素号（Element）构成，例如 (0010,0010) 是患者姓名，(0010,0040) 是性别，(0010,1010) 是年龄，(0008,0070) 是制造商，(0018,1000) 是设备序列号，(0018,5100) 是患者体位，(0028,0030) 是像素间距，(0028,1050) 是窗位。这些标签是敏感属性抽取的第一来源，但必须注意：DICOM中的性别、年龄常为自由文本或区间值，不能直接当作建模标签。

实际抽取时，建议先建立“标签—字段—类型”映射表，再统一单位与缺失编码。例如年龄 067Y 需解析为 67，010D 解析为 0 岁；性别 M/F/O 需映射为统一枚举，O 与空值要区分“未知”和“未填写”。像素间距、层厚、KVP、曝光时间等设备参数也应从元数据中提取，用于后续偏差归因。

二、影像组学特征：从像素到可计算表型

影像组学特征是把感兴趣区（ROI）内的像素强度、形状和纹理转成数值向量。常见类别包括：一阶统计（均值、方差、偏度、峰度、熵）、形状特征（体积、表面积、球形度、最大径）、纹理特征（GLCM对比度、相关性、能量、同质性；GLRLM游程长度；GLSZM区域大小）、以及小波或LoG滤波后的高阶特征。以PyRadiomics为例，一次提取可得到上千维特征，但并非全部稳定。

公平性评估更关心特征是否在不同设备、不同人群间发生系统性漂移。例如同一CT协议下，不同制造商重建核会导致GLCM对比度整体偏移；若某一人群更多使用某一设备，模型就可能把“设备差异”误学成“人群差异”。因此，影像组学特征必须与设备参数、层厚、像素间距、重建核一起入表，并在分析前做批次效应检查，如按设备分层计算特征均值与方差，或使用ComBat类方法做协调，但协调后需保留原始特征用于审计。

三、患者人口学变量：敏感属性的主表

人口学变量通常来自医院信息系统（HIS）或登记表，包括年龄、性别、种族、民族、语言、保险类型、邮编或收入分层、合并症等。它们与DICOM中的性别、年龄可能不一致，例如DICOM写“M”而HIS记录为“男性”，或年龄按检查日期与出生日期计算后与DICOM区间不同。处理原则是：以HIS或登记表为主表，DICOM作为交叉校验来源，冲突时记录差异而不是静默覆盖。

敏感属性标注规范应明确字段名、数据类型、允许值、缺失编码、来源系统和置信度。例如：sex_at_birth 允许 female/male/intersex/unknown；race 采用国家或机构标准分类，并允许“多选”与“其他，请说明”；age_at_exam 为整数，缺失记为 NA，不得用 0 代替。所有敏感属性应去标识化存储，访问需权限控制，并保留版本号与变更记录，确保评估可复现。

四、设备参数：偏差归因的分层变量

设备参数不是敏感属性本身，却是解释偏差来源的关键。同一患者群体若集中在某台设备或某个扫描协议，模型性能差异可能来自设备而非人群。因此，数据表应至少包含：制造商、型号、设备序列号、KVP、mAs、曝光时间、层厚、像素间距、重建核、磁场强度、序列类型、扫描协议名称。分析时可按设备分层计算AUC、敏感度、特异度，观察不同设备下同一人群的指标波动；若某设备样本量过小，应标注“样本不足，结论谨慎”。

五、可执行的数据表字段示例

下面给出一份可直接参考的字段清单，用于把四类信息合并为一行一检查的分析表。字段名可按机构习惯调整，但语义必须清晰。