4. 影像组学数据生命周期与标准化节点
影像组学研究的可重复性危机，很少源于算法本身，而更多来自数据在生命周期各环节中悄然发生的语义漂移。同一批 DICOM 图像，若在采集时层厚不同、重建核不同，在存储时被匿名化工具改写了私有标签，在标注时勾画边界相差两个像素，在特征提取时重采样插值方式不一致，最终得到的特征向量可能面目全非。因此，标准化不是某个单点动作，而是贯穿采集、存储、标注、特征提取、建模共享五个阶段的控制链。本节以一条真实可追踪的数据流为主线，说明每个阶段应固定什么、记录什么、校验什么。
一、采集阶段：把扫描协议当作实验条件来管理
影像组学特征对采集参数高度敏感。以 CT 为例，管电压（kVp）、管电流（mAs）、层厚、重建核（kernel）、像素间距、是否使用迭代重建，都会改变纹理特征的数值分布。标准化控制点包括：同一研究内尽量统一扫描协议；若无法统一，必须逐例记录关键参数，并在建模时将其作为协变量或分层因素。对于 MRI，场强、序列类型（T1WI/T2WI/DWI）、TR/TE、翻转角、是否压脂同样需要登记。
采集阶段还应完成设备与受试者标识的规范化。建议在扫描时即写入研究编号而非患者姓名，避免后续匿名化时因私有标签残留导致信息泄露。一个可操作的检查项是：导出 DICOM 头后，确认 PatientName、PatientID、StudyDate 等字段已按研究方案替换，且 BurnedInAnnotation 为 NO，防止像素中烧录了姓名。
二、存储阶段：DICOM 到研究数据集的受控转换
原始 DICOM 应保持只读归档，任何转换都生成新副本，确保可回溯。存储阶段的核心标准化动作是建立统一的目录结构与命名规则，例如按 研究编号/模态/序列/日期 分层，文件名使用 研究编号_模态_序列号.dcm。同时，将 DICOM 转换为 NIfTI 或 nrrd 时，必须固定方向约定。这里需要先明确参照系：本文及后续图示统一采用 RAS（+x 向右、+y 向前、+z 向上）作为世界坐标方向，若工具默认使用 LPS，应在转换脚本中显式翻转，并在元数据中记录。
存储阶段还要处理层厚不一致与缺失层问题。对于层厚大于 1 mm 的 CT，若后续要做三维纹理，需在提取前统一重采样到各向同性体素（如 1×1×1 mm³），并记录插值方法（线性或 B 样条）。这些参数一旦确定，应写入数据字典，而不是留给每位分析者自行选择。
三、标注阶段：把“勾画”变成可度量的过程
标注是影像组学中人为变异最大的环节。标准化不是要求所有人画出完全相同的边界，而是要求边界定义可复现、可评估。具体做法是：先制定标注 SOP，明确 ROI 是否包含瘤周、是否排除坏死区、是否沿肿瘤外缘还是内缘勾画；再由两名标注者独立勾画同一批 20～30 例，计算 Dice 相似系数与体积差异。若 Dice 低于 0.85，应回到 SOP 讨论边界定义，而不是直接取平均。
对于多中心研究，还需评估不同中心标注者之间的系统性偏移。例如，中心 A 倾向于把 ROI 画大 5%，中心 B 偏小 3%，这种偏移会直接进入特征值。此时可在建模前对特征做中心内标准化（z-score），或把中心作为批次效应变量纳入 ComBat 校正。标注文件本身也应标准化：统一使用 NIfTI 掩膜，标签值 1 表示 ROI，0 表示背景，避免同一研究内出现 1/2/3 多标签混用。
四、特征提取阶段：参数集必须版本化
特征提取的标准化核心是“固定参数集并记录版本”。以 PyRadiomics 为例，一个可复现的配置应至少固定：重采样体素尺寸、插值方式、灰度离散化方法（固定 bin 宽或固定 bin 数）、是否启用小波或 LoG 滤波、以及特征类别（一阶、形状、GLCM、GLRLM 等）。若使用固定 bin 宽，CT 常用 25 HU；若使用固定 bin 数，则需说明 bin 数（如 32 或 64）。两者不可混用，因为同一 ROI 在两种策略下得到的 GLCM 纹理值不可直接比较。
提取完成后，应做稳定性筛选。常用方法是计算 ICC（组内相关系数）：对同一批病例重复提取两次（如不同重采样顺序或不同标注者掩膜），ICC ≥ 0.75 的特征保留，低于阈值的特征剔除或标记为不稳定。这一步能显著减少后续建模中的过拟合风险。此外，所有特征值应输出为带表头的 CSV，列名遵循 IBSI 命名规范，便于跨工具核对。
五、建模与共享阶段：让结果可被他人重放
建模阶段的标准化重点不在算法选择，而在数据划分与文档。训练集、验证集、测试集应按患者而非按图像划分，避免同一患者的多层图像同时进入训练和测试造成泄漏。若做交叉验证，应固定随机种子，并记录每一折的划分文件。特征矩阵、标签、划分索引、模型超参数、软件版本应一并归档。
共享阶段建议提供三样东西：数据字典（字段名、单位、缺失值编码）、模型卡（训练数据来源、特征数量、算法、性能指标及置信区间）、以及最小可复现脚本（从原始 DICOM 到最终预测的完整命令）。若数据涉及隐私，可共享去标识化后的特征矩阵与掩膜，而不共享原始图像。这样，其他研究者至少能验证特征与模型的一致性，而不必重新采集数据。
综上，影像组学数据生命周期的标准化，本质上是把每个阶段的“默认选择”变成“显式记录”。采集时记录协议，存储时固定方向与重采样，标注时量化一致性，提取时版本化参数，建模共享时保留划分与文档。这五个控制点连成一条可追溯的链，才能让影像组学特征从“一次性的实验结果”变成“可积累的研究资产”。