📚 课程目录第4章数据采集与标注工程

4. 数据采集与标注工程

病理切片组织区域检测模型的性能上限，在训练开始之前就已经被数据决定了。本节把“数据采集与标注”当作一条工程流水线来看待：从切片来源的合规获取，到标注工具的选择与配置，再到标注一致性的度量、质量控制的门槛，最终封装成可训练、可追溯的数据集。任何一个环节的松动，都会在模型指标上以假阳性、漏检或区域边界抖动的方式暴露出来。

切片来源与合规边界

切片来源通常分为三类：院内临床剩余标本（FFPE 蜡块或已扫描的 WSI）、公开数据集（如 CAMELYON、TCGA 等）、以及合作单位提供的科研队列。三者的合规要求不同。临床剩余标本一般需要伦理审查批件与知情同意豁免说明，且必须去标识化；公开数据集要核对原始许可协议是否允许商用与再分发；合作队列则需要数据使用协议（DUA）明确使用范围、保存期限与销毁方式。

去标识化的关键不是删掉姓名，而是切断“切片—患者—其他信息”的关联路径。工程上通常保留一个内部伪匿名 ID（如 SP-2024-000137），把姓名、住院号、身份证号、精确日期等直接标识符剥离，日期只保留到年份或做日期偏移。切片条码、玻片标签上的手写编号也要一并处理，因为玻片标签本身经常带有住院号。

切片图像中可能残留玻片标签、病理号、甚至手写姓名。仅处理元数据是不够的，标注前应对 WSI 缩略图做一次人工核查，必要时对标签区域做遮挡或裁剪。

标注工具与标注对象

组织区域检测的标注对象通常是“区域级”的：肿瘤区、坏死区、间质区、淋巴细胞浸润区、正常腺体区等。标注形式以多边形（polygon）为主，少数场景用矩形框或点标注。工具选择上，QuPath 适合 WSI 上的多边形勾画与脚本批处理，支持 GeoJSON 导出；CVAT / LabelMe 适合中小尺寸切片的团队协作；若已有内部平台，则重点检查是否支持多分辨率、是否保留标注版本、是否能导出与图像坐标严格对齐的坐标。

一个容易被忽略的工程细节是坐标系统一。WSI 通常以 level 0 的像素坐标为基准，而标注往往在降采样层（如 level 2，缩放 4 倍）上完成。导出时必须把标注坐标乘以对应的降采样倍数，换算回 level 0，否则训练时区域会整体偏移。建议在标注规范里明确写死：所有导出坐标一律为 level 0 像素坐标，原点在图像左上角，x 向右、y 向下。

标注一致性与一致性度量

同一张切片，两位病理医生勾出的肿瘤区边界往往不同。一致性度量常用两种：一是类别层面的一致性，用 Cohen's κ 或 Fleiss' κ；二是区域层面的重叠度，用 IoU 或 Dice。对于多边形标注，IoU 比 κ 更直观，因为它直接反映边界差异。

实操中建议先做一轮“校准标注”：选 10～20 张覆盖不同组织类型的切片，由 2～3 位标注者独立标注，计算两两 IoU。若某类区域平均 IoU 低于 0.75，说明该类别的边界定义存在歧义，需要回到标注规范中补充判定规则，例如“肿瘤区是否包含肿瘤周围的炎性浸润带”“坏死区与退变区的分界依据”。校准通过后再进入批量标注。

质量控制与数据集构建

质量控制分三层：标注前、标注中、标注后。标注前做规范培训与校准标注；标注中做抽检，通常按 10%～20% 比例随机抽取，由高年资医生复核，记录错误类型（漏标、多标、边界偏移、类别混淆）；标注后做一致性统计与异常检测，例如某张切片的标注面积占比明显偏离同类切片分布，就应回查。

数据集构建阶段，需要把图像、标注、元数据组织成可追溯的结构。一个可参考的目录与清单如下：

dataset/
  images/        SP-2024-000137_level0.tif
  annotations/   SP-2024-000137_tumor.geojson
  meta/          SP-2024-000137.json
  splits/        train.txt / val.txt / test.txt

meta 字段示例：
{
  "pseudo_id": "SP-2024-000137",
  "stain": "HE",
  "organ": "breast",
  "magnification": "20x",
  "annotator": "A03",
  "reviewer": "R01",
  "label_version": "v1.2",
  "iou_check": 0.83
}

划分训练/验证/测试集时，必须按“切片”或“患者”划分，而不是按图块划分。同一张 WSI 切出的相邻图块高度相似，若随机分到训练和测试两侧，会造成数据泄漏，测试指标虚高。建议按患者伪匿名 ID 做分组划分，比例可参考 7:1.5:1.5，并保证各集合在器官、染色、扫描仪型号上的分布尽量均衡。

最后强调一个工程习惯：标注版本必须与模型版本绑定。当标注规范从 v1.1 升到 v1.2 时，旧标注不应直接覆盖，而应保留历史版本，并在 meta 中记录 label_version。这样当模型指标出现波动时，才能判断是数据变化还是模型变化。数据集构建不是一次性任务，而是一个需要版本管理、可回溯、可审计的持续过程。