4. 测试数据集构建工程
在医学影像模型鲁棒性测试中，模型本身往往不是最脆弱的环节，数据集才是。一个在公开数据集上Dice达到0.92的肝脏分割模型，换到另一家医院、另一台CT、另一套扫描协议的数据上，性能可能骤降到0.71。这种落差通常不来自算法，而来自数据集的构建方式。本章围绕数据采集、标注、清洗、划分、伦理合规与开源数据集六个环节，说明如何把"一堆DICOM文件"工程化为可用于鲁棒性评测的测试数据集。
一、数据采集：先定义分布，再决定来源
采集的第一步不是找数据，而是明确测试目标所对应的数据分布。鲁棒性测试关心的是"模型在什么条件下会失效"，因此采集方案应围绕扰动维度设计，而不是单纯追求样本数量。常见的扰动维度包括：设备厂商（GE、Siemens、Philips、Canon）、层厚（0.625mm～5mm）、重建核（软组织核/骨核/肺核）、造影期相（平扫、动脉期、门脉期、延迟期）、患者群体（年龄、BMI、是否含金属植入物）以及扫描体位与呼吸状态。
工程上建议采用"分层配额采集"：先确定每个扰动维度需要覆盖的层数，再按配额从各来源补齐。例如一个腹部CT鲁棒性测试集，可设定厂商4类、层厚3档、期相3档，理论组合36格，每格至少5例，则最低规模约180例。这样得到的测试集在统计上能支撑"按子集分组评估"的分析方式，而不是只给出一个总体指标。
采集时需同步记录元数据：设备型号、扫描参数（kVp、mAs、螺距、重建核）、层厚、像素间距、造影剂用量与注射速率、患者基本信息（脱敏后）。这些字段是后续分组分析和失效归因的依据，缺失元数据的数据在鲁棒性测试中价值会大幅降低。
二、标注：从"画得准"到"标得一致"
标注质量的核心指标不是单次准确率，而是标注者之间的一致性。对于分割任务，常用Dice系数衡量两名标注者的重合度：同一批20例数据由两位放射科医师独立勾画，若平均Dice低于0.85，说明标注规范存在歧义，需要先修订规范再扩大标注规模。
标注规范应明确边界定义。以肝脏分割为例，需要规定：是否包含胆囊窝、是否包含肝内血管、下腔静脉旁组织如何处理、肿瘤区域是否计入肝脏轮廓。这些细节若不在规范中写清，不同标注者会给出系统性差异，而这种差异会被误判为模型的不鲁棒。
对于分类或检测任务，建议采用"双人独立标注+第三人仲裁"流程。分歧样本单独归档，作为难例集保留，它们往往正是模型鲁棒性的关键测试点。标注工具方面，3D Slicer、ITK-SNAP、MONAI Label均可支持DICOM序列的逐层勾画与导出，导出格式建议统一为NIfTI或NRRD，并保留原始DICOM的SeriesInstanceUID以便溯源。
三、清洗：把"脏数据"变成可控变量
清洗不是简单删除异常，而是识别并分类处理。常见问题包括：重复病例（同一患者多次检查）、层间缺失或错序、金属伪影严重、标注与图像不对齐、像素值溢出、方向矩阵异常。处理策略应记录在案，因为"删掉了什么"本身会影响测试集的分布代表性。
一个可操作的清洗流程如下：先用pydicom批量读取元数据，检查SliceThickness、PixelSpacing、ImageOrientationPatient的一致性；再用SimpleITK检查图像与标注的几何对齐；对金属伪影可计算高密度像素占比，超过阈值（如5%）的层面标记为"伪影层"而非直接删除，在测试时作为独立子集评估。清洗后应输出一份数据质量报告，包含原始例数、剔除例数、剔除原因分布、剩余子集分布。
import pydicom, SimpleITK as sitk
ds = pydicom.dcmread(path)
assert abs(ds.SliceThickness - 1.0) < 1e-3
img = sitk.ReadImage(nii_path)
lab = sitk.ReadImage(label_path)
assert img.GetSize() == lab.GetSize()
assert img.GetSpacing() == lab.GetSpacing()四、划分策略：测试集必须"独立"
随机按切片划分是医学影像中最常见的错误。同一患者的相邻切片高度相似，随机划分会导致训练集和测试集共享患者信息，指标虚高。正确做法是按患者划分（patient-level split），确保同一患者的全部序列只出现在一个子集中。
对于鲁棒性测试，还需要考虑"外部测试集"：来自不同医院、不同设备的数据不参与训练和调参，仅用于最终评测。建议的划分比例为训练:验证:内部测试:外部测试 = 6:1.5:1.5:1，外部测试集应覆盖采集阶段设定的主要扰动维度。若样本量有限，可采用分层划分，保证各子集在厂商、层厚、期相上的分布尽量一致。
五、伦理与隐私合规
医学影像数据涉及患者隐私，合规是底线。DICOM文件中的PatientName、PatientID、BirthDate、StudyDate等字段必须脱敏，且脱敏后需检查私有标签（Private Tags）中是否残留身份信息。日期可采用"偏移法"处理：保留相对时间间隔，但整体平移一个随机天数，以保留随访时间关系而不暴露真实日期。
此外，数据使用需获得伦理审查批准（IRB）或等效授权，明确使用范围、存储期限和共享方式。若数据来自公开数据集，需核对其许可协议（如CC BY-NC-SA、CC0）是否允许用于模型测试与结果发表。跨境数据流动还需符合当地法规要求。
六、开源数据集介绍与选用
常用开源医学影像数据集包括：LiTS（肝脏肿瘤分割，131例训练/70例测试，CT）、BTCV（腹部多器官分割，30例，CT）、MSD（Medical Segmentation Decathlon，10个任务，涵盖脑、肝、肺、胰腺等）、BraTS（脑肿瘤分割，MRI多模态）、CheXpert（胸部X线，14类观察）、NIH ChestX-ray14（胸部X线，14类）。这些数据集适合作为基线测试，但需注意其采集条件相对单一，直接用于鲁棒性评测时可能低估真实场景下的性能下降。
选用开源数据集时，应检查：标注质量与一致性、是否提供患者级划分、元数据是否完整、许可是否允许测试用途。若用于鲁棒性测试，建议将其作为"内部测试集"，再补充自采的外部测试集，形成"公开基线+本地扰动"的双层评测结构。
把上述六个环节串起来，测试数据集构建的产出不应只是一批文件，而应是一份可追溯、可分组、可复现的评测资产：每例数据有来源与元数据，每个子集有明确的扰动标签，每次清洗有记录，每次划分有患者级隔离，每份数据有合规依据。只有这样的数据集，才能让鲁棒性测试的结果具备解释力——当模型在某个子集上掉点时，我们能说清是设备、层厚还是期相导致的，而不是笼统地归因于"数据不够好"。