1. 课程导入与工程全景
在真实的医院信息化环境中，AI 影像模型往往不是“跑通一个推理脚本”就结束了。一个肺结节检测模型在实验室里对单张 DICOM 图像输出概率值，与它在 PACS、RIS、影像工作站之间稳定地接收检查、回传结构化结果、被放射科医生实际使用，是两件完全不同的事。本课程讨论的DICOM 影像 AI 服务集成工程，正是研究如何把已经训练好的 AI 能力，通过 DICOM 标准协议与院内影像系统对接，形成可被临床调用的服务，并保证其可观测、可追溯、可运维的一整套工程方法。
一、定义与边界：集成工程到底解决什么问题
可以把整个系统拆成三层来看。最内层是算法层，负责从像素到结论，例如分割、检测、分类、测量；中间层是集成层，负责把 DICOM 影像、患者信息、检查上下文送进算法，再把结果包装成 DICOM 对象或结构化报告送回业务系统；最外层是临床与运维层，关注谁在什么场景下看到结果、结果是否可信、服务是否在线。
本课程的边界很明确：不训练模型，不讨论算法精度调优，而是聚焦集成层及其与两端的接口。具体包括 DICOM 数据模型（Patient、Study、Series、SOP Instance 的层级关系）、网络服务（C-STORE、C-FIND、C-MOVE、C-ECHO）、工作列表与 MPPS 状态流转、结果封装（Secondary Capture、Segmentation、SR）、以及服务部署、日志、性能与故障排查。理解这条边界，能避免把工程问题误当成算法问题，也能避免把算法问题拖进集成阶段才发现。
二、典型系统拓扑：数据从哪里来，结果到哪里去
一个典型的院内 AI 集成拓扑通常包含以下角色：影像设备（Modality）产生 DICOM 图像；PACS 作为影像归档与查询中心；RIS/HIS 提供检查申请与患者信息；AI 集成网关作为本课程的核心对象，负责订阅检查、拉取影像、调用推理、回写结果；AI 推理服务执行模型；诊断工作站/阅片端展示 AI 结果。它们之间的连接方向和数据流，是后续所有配置与排障的基础。
这张拓扑图里，网关是唯一同时与 PACS、RIS、AI 服务、工作站发生关系的节点，因此它也是配置量最大、最容易出问题的地方。例如 PACS 的 AE Title、IP、端口、查询级别（Study/Series/Instance）配置错误，会导致网关“看不到检查”；而回写时 SOP Class UID 不被 PACS 接受，则会出现“推理成功但结果不显示”。这些正是后续章节要逐一拆解的内容。
三、一次完整的数据流：从检查到结果可见
以胸部 CT 肺结节 AI 筛查为例，一次典型流程如下。设备完成扫描后通过 C-STORE 把图像发送到 PACS，PACS 归档并更新检查状态。集成网关通过定时 C-FIND 查询“最近 10 分钟内新到达的胸部 CT 检查”，命中后发起 C-MOVE 或 C-GET，把该检查的 Series 拉取到本地缓存。网关读取 DICOM 头信息，校验 Modality、BodyPartExamined、SliceThickness 等字段是否符合模型输入要求，例如要求层厚 ≤ 1.5 mm、重建核为肺算法。校验通过后，将像素数据转换为模型输入张量，调用推理服务；推理返回结节位置、直径、置信度等结果。网关再把这些结果封装为 DICOM SR 或 Segmentation 对象，通过 C-STORE 回写到 PACS，并关联到原 Study Instance UID。最后，诊断工作站调阅该检查时，即可看到 AI 标注与结构化结论。
这条链路中，任何一环的标识符不一致都会导致结果“挂不上”。因此工程上必须坚持一个原则：所有回写对象必须携带原始 Study/Series/SOP Instance UID，且不得篡改患者标识。这是集成正确性的底线。
四、学习路径与实战项目说明
本课程按“标准—接口—集成—运维”的顺序推进。前期先建立 DICOM 数据模型与网络服务的概念，理解 AE Title、PDU、DIMSE 这些术语的实际含义；中期进入动手环节，使用 DCMTK、pynetdicom 等工具完成 C-ECHO 连通性测试、C-FIND 查询、C-MOVE 拉取与 C-STORE 回写；后期聚焦网关服务的工程化，包括并发处理、失败重试、日志追踪、性能压测与常见故障定位。
贯穿课程的实战项目是：搭建一个最小可用的 AI 集成网关，对接一个模拟 PACS（可用 DCMTK 的 storescp 与 dcmqrscp 搭建），接收 CT 序列，调用一个占位的推理接口（返回模拟结节坐标），并将结果以 Secondary Capture 或 SR 形式回写。项目验收标准包括：能通过 C-ECHO 验证连通、能查询到指定检查、能成功拉取图像、能回写结果并在查询端看到新对象、能在日志中追踪一次完整处理链路。这个项目不追求算法精度，而追求链路完整、标识正确、异常可查。
当你完成本课程后，应当能够独立判断：一个 AI 影像服务为什么接不上 PACS、结果为什么显示不出来、性能瓶颈在网关还是在推理、以及如何用日志和 DICOM 状态码快速定位问题。这些能力，正是 DICOM 影像 AI 从“模型可用”走向“临床可用”的关键一步。