肿瘤多中心研究的中心效应控制数据方案

肿瘤多中心研究的中心效应控制数据方案演讲人01肿瘤多中心研究的中心效应控制数据方案02引言：肿瘤多中心研究的价值与中心效应的挑战03研究设计阶段的中心效应预防策略：源头控制是关键04数据采集与管理的质量控制：确保数据同质性与完整性05未来展望：智能化与真实世界数据融合下的中心效应控制06结论：中心效应控制——多中心研究的“生命线”目录01肿瘤多中心研究的中心效应控制数据方案02引言：肿瘤多中心研究的价值与中心效应的挑战引言：肿瘤多中心研究的价值与中心效应的挑战肿瘤多中心研究作为整合多中心资源、扩大样本量、提升研究结果泛化性的核心策略，已成为肿瘤临床研究的重要范式。随着肿瘤诊疗进入“精准化”“个体化”时代，单中心研究往往因样本量有限、人群同质性高、诊疗流程差异等局限，难以全面反映干预措施在不同真实世界环境中的效果。多中心研究通过跨地区、跨机构的协作，能够纳入更广泛的患者人群，涵盖不同地域、种族、医疗资源环境下的诊疗实践，从而增强研究结果的代表性和临床推广价值。然而，多中心研究的优势背后潜藏着不容忽视的挑战——中心效应（CenterEffect）。中心效应是指由于不同中心在患者人群特征、研究者操作规范、医疗设备差异、数据采集方法、甚至研究偏好等方面的不一致，导致的观察指标或结局变量在各中心间出现系统性差异。引言：肿瘤多中心研究的价值与中心效应的挑战例如，在评估某款免疫检查点抑制剂在晚期非小细胞肺癌中的疗效时，若东部沿海中心的患者多为体力状态评分较好（ECOGPS0-1）的年轻患者，而西部地区中心纳入更多高龄、合并症患者，即使干预措施完全相同，两组的客观缓解率（ORR）和总生存期（OS）也可能因中心间人群基线差异而产生偏倚。这种偏倚不仅会掩盖或夸大干预措施的真实效果，甚至可能误导临床决策，最终影响患者的治疗获益。在参与一项全国多中心胃癌辅助化疗研究时，我们曾深刻体会到中心效应的“杀伤力”：研究中期数据监查发现，A中心（三甲医院）的患者3年无病生存率（DFS）显著高于B中心（地市级医院），进一步分析显示，A中心更严格地遵循了化疗方案的剂量调整原则，且对患者的随访依从性更高，而B中心因临床工作负荷重，部分患者化疗延迟或剂量未根据毒性反应及时调整，这一差异直接导致了中心间DFS的异质性。引言：肿瘤多中心研究的价值与中心效应的挑战这一经历让我们清醒认识到：中心效应不是“可有可无”的技术细节，而是决定多中心研究科学性和可靠性的“生死线”。若不通过系统化、规范化的数据方案进行控制，多中心研究的“大样本”优势可能异化为“大数据偏倚”的温床，最终损害研究结论的公信力。基于此，本文将从研究设计、数据采集、统计分析、质量控制及伦理规范五个维度，系统阐述肿瘤多中心研究中中心效应控制的数据方案，旨在为研究者提供一套可落地、可复制、科学严谨的实施框架，最大限度降低中心效应偏倚，确保研究结果的真实性与可靠性。03研究设计阶段的中心效应预防策略：源头控制是关键研究设计阶段的中心效应预防策略：源头控制是关键中心效应的控制绝非数据统计分析阶段的“亡羊补牢”，而应始于研究设计之初。正如建筑物的质量取决于地基，多中心研究的科学性根植于研究设计的严谨性。在这一阶段，通过前瞻性的设计策略，从源头上平衡中心间差异，可显著降低后续数据处理的压力和偏倚风险。中心选择与匹配：构建同质化的研究基础中心的合理选择是控制中心效应的第一道关卡。并非所有医疗机构都适合作为多中心研究的参与单位，需基于“同质性”与“代表性”双重原则进行筛选与匹配。1.纳入与排除标准的明确化：在研究方案中需明确规定参与中心的基本资质，包括：-诊疗能力：中心需具备肿瘤相关疾病的规范诊疗资质，如开展过目标瘤种的标准治疗，拥有病理诊断、影像评估、随访管理等核心能力；-研究经验：优先选择有临床试验参与经验（如GCP认证）的中心，确保研究者熟悉研究流程和数据记录规范；-人群代表性：在保证科学性的前提下，尽量纳入不同地域（东、中、西部地区）、不同级别（三甲、二甲、专科医院）、不同医疗资源水平的中心，以提升研究结果的泛化性，但需避免纳入“异质性过大”的中心（如同时纳入肿瘤专科医院和综合医院时，需明确两者在患者人群、诊疗模式上的差异，并在设计中加以控制）。中心选择与匹配：构建同质化的研究基础2.中心基线特征的预评估：在中心启动前，需通过预调查收集各中心的基线特征数据，包括：近3年目标瘤种的年诊疗量、患者年龄/性别/分期构成、常用治疗方案、医疗设备配置（如影像设备、病理检测平台）、研究者职称/经验等。通过统计分析（如方差分析、卡方检验）评估中心间基线特征的异质性，对存在显著差异的中心（如某中心晚期患者占比显著高于其他中心），需在设计中通过分层随机或协变量调整进行控制。随机化与盲法：打破中心间的系统性偏倚随机化和盲法是控制选择性偏倚和测量偏倚的“金标准”，在多中心研究中对平衡中心间差异具有不可替代的作用。1.分层中心随机化（StratifiedRandomizationbyCenter）：传统的完全随机化可能导致中心间患者基线特征不均衡，尤其在中心样本量差异较大时。采用“中心”作为分层因素的分层随机化，可确保各中心内干预组与对照组的基线特征（如年龄、分期、重要预后因素）分布一致。例如，在评估某靶向药联合化疗vs单纯化疗在晚期结直肠癌中的疗效时，可按中心分层，每个中心内采用区组随机化（blockrandomization），保证各中心内两组患者的样本量比例均衡（如1:1）。随机化与盲法：打破中心间的系统性偏倚2.动态随机化（DynamicRandomization）：对于样本量较小的多中心研究，可采用动态随机化（如最小化法，MinimizationMethod），根据中心及其他重要基线特征（如PS评分、既往治疗史）实时调整随机化概率，确保各中心间及组间协变量分布的平衡。例如，当某中心已纳入较多高龄患者时，系统可自动降低后续高龄患者分配至该中心的概率，从而动态平衡中心间人群特征。3.盲法的严格执行：开放标签研究易因研究者的主观判断（如疗效评价、不良事件记录）产生中心偏倚，因此应尽可能采用双盲设计（患者、研究者、evaluator均不知分组）。对于无法双盲的干预（如手术vs药物），需采用第三方评价（如独立影像评估委员会、终点事件adjudicationcommittee），且评价人员需对中心信息设盲，避免因“中心偏好”导致的结果判读差异。标准化操作规程（SOP）的制定与培训：统一研究流程中心间诊疗流程、操作规范的不一致性是中心效应的重要来源。制定覆盖研究全流程的标准化操作规程（StandardOperatingProcedure,SOP），并通过系统化培训确保各中心严格执行，是控制中心效应的核心措施。1.SOP的核心内容：需涵盖以下关键环节：-患者筛选与入组：明确纳入/排除标准的操作定义（如“不可手术切除”的影像学标准、“既往治疗失败”的定义），统一筛选流程（如由经过培训的研究护士进行初筛，研究者确认）；-干预措施实施：详细规定干预措施的给药方案（如药物剂量、输注速度、周期）、剂量调整原则（如根据CTCAEv5.0标准调整化疗剂量）、合并用药的限制（如禁止使用其他抗肿瘤药物）；标准化操作规程（SOP）的制定与培训：统一研究流程-终点指标评估：明确疗效终点（如ORR、PFS）的评估方法（如RECIST1.1标准的影像学评估时间窗、测量工具）、安全性终点（如不良事件）的记录规范（如严重不良事件的报告流程、随访时间）；-数据采集与随访：统一数据采集的表格格式、电子数据采集系统（EDC）的操作规范、随访的频率与方式（如电话随访、门诊随访的记录模板）。2.多层级培训体系：培训需贯穿研究启动、实施和结束全过程，包括：-启动前集中培训：面向各中心主要研究者、研究护士、数据管理员，通过理论授课、案例模拟、操作演练（如影像测量实操）确保所有人员掌握SOP；-中心化培训：针对SOP执行中的难点（如不良事件因果关系判断），通过线上会议开展专项培训，并设置答疑环节；标准化操作规程（SOP）的制定与培训：统一研究流程-持续培训：研究过程中如需更新SOP（如根据监管要求调整终点定义），需及时组织再培训，并确保所有中心同步执行。终点指标的选择与定义：减少中心间判读差异终点指标的选择和定义直接影响中心效应的大小。主观性强、易受中心判读习惯影响的指标（如患者报告结局PRO、研究者评价的疾病控制率DCR）更易产生中心偏倚，需优先选择客观、可量化的硬终点，并明确定义。1.优先选择客观终点：如总生存期（OS，以死亡为终点，客观性强）、无进展生存期（PFS，以影像学进展或死亡为终点，需结合统一影像评估标准）、客观缓解率（ORR，基于RECIST/irRECIST标准，需由独立影像评估委员会确认）。例如，在评估某PD-1抑制剂在黑色素瘤中的疗效时，以PFS为主要终点，并规定所有中心患者的影像学检查需在指定机构（如核心实验室）进行统一评估，由对中心设盲的影像科医生判读，从而减少中心间判读差异。终点指标的选择与定义：减少中心间判读差异2.明确主观指标的操作定义：对于无法避免的主观指标（如生活质量评分QoL、不良事件的严重程度），需采用国际通用量表（如EORTCQLQ-C30、CTCAEv5.0），并制定详细的判读手册。例如，在记录“乏力”这一不良事件时，需明确“患者需报告日常活动较基线下降≥2个等级（如从‘无乏力’到‘中度乏力’），且持续≥24小时”的标准，避免不同中心因“乏力”的判读尺度不同导致数据异质性。04数据采集与管理的质量控制：确保数据同质性与完整性数据采集与管理的质量控制：确保数据同质性与完整性如果说研究设计是“蓝图”，那么数据采集与管理则是“施工过程”。即使设计阶段已充分控制中心效应，若数据采集不规范、管理不严谨，仍可能引入新的偏倚。因此，建立覆盖数据全生命周期的质量控制体系，是确保数据同质性和完整性的核心保障。电子数据采集系统（EDC）的标准化应用电子数据采集系统（ElectronicDataCapture,EDC）已成为多中心研究数据管理的主流工具，其标准化应用可有效减少中心间数据录入差异。1.EDC系统的功能要求：需具备以下核心功能：-逻辑校验：设置数据录入的实时逻辑校验规则，如“年龄>18岁”的强制校验、“体重与身高计算BMI值与录入值差异>5%”的警告提示，避免录入错误；-统一字典：采用标准医学术语字典（如MedDRA、ICD-10），确保不良事件、合并用药等指标的编码一致，避免不同中心使用“同义词”（如“恶心”“呕吐感”“胃部不适”统一编码为“恶心”）；-权限管理：根据中心角色设置不同权限（如研究者可修改数据，数据管理员可查询数据但需授权修改），确保数据录入责任明确；电子数据采集系统（EDC）的标准化应用-审计追踪：自动记录数据的录入、修改、删除操作（包括操作人、时间、修改前后值），便于追溯数据变更原因。2.EDC系统的中心化部署与维护：所有中心需通过统一的EDC平台录入数据，避免使用本地系统或分散的表格。系统需由专业团队进行日常维护，定期备份，并确保数据传输的安全性（如符合GDPR、HIPAA等数据隐私保护法规）。中心化数据核查与一致性检验在右侧编辑区输入内容中心化数据核查是识别和纠正中心间数据差异的关键环节，需通过“人工核查+系统核查”相结合的方式，确保数据的准确性和一致性。-数据完整性：如入组时是否记录所有基线指标、随访时是否遗漏疗效评估数据；-数据一致性：如同一患者的年龄在“基线信息表”和“随访记录表”中是否一致、不良事件的开始时间与用药时间是否逻辑匹配；-规范性：如不良事件的分级是否符合CTCAEv5.0标准、影像学报告是否包含目标病灶的测量值。1.人工核查：由核心实验室或数据管理中心的研究团队对所有中心提交的数据进行100%或按比例核查，重点检查：在右侧编辑区输入内容2.系统核查：利用统计软件（如SAS、R）编写程序，进行多维度一致性检验，例如中心化数据核查与一致性检验：-离群值检测：通过箱线图、散点图识别异常值（如某中心患者年龄中位数显著高于其他中心）；-趋势分析：观察指标在各中心的分布趋势（如某中心ORR突然升高，需核查是否因疗效评价标准执行不严）；-缺失值分析：评估各中心数据的缺失率（如某中心随访数据缺失率>20%，需调查是否因随访流程不规范导致）。3.问题反馈与整改闭环：对于核查中发现的问题，需通过EDC系统向对应中心发送“数据质疑query”，明确问题描述（如“患者ID0012的PFS时间：随访记录显示进展时间为2023-06-01，但影像学报告显示病灶缩小，请确认”），并要求在规定时限内（如72小时）回复整改。建立“问题反馈-整改-复查”的闭环管理机制，确保所有数据疑问得到妥善解决。中心实验室与影像评估的统一管理实验室检测数据和影像学数据是肿瘤多中心研究的核心客观依据，其中心间差异是中心效应的重要来源。通过中心化管理，可确保检测方法和判读标准的一致性。1.中心实验室（CentralLab）的应用：对于生物标志物检测（如PD-L1表达、基因突变检测），需所有中心样本送至中心实验室统一检测，避免因不同中心的检测平台（如IHC抗体、NGSpanel）、判读标准（如PD-L1阳性判读的cut-off值）不同导致结果异质性。例如，在评估某EGFR-TKI在非小细胞肺癌中的疗效时，中心实验室统一采用ARMS法检测EGFR突变，并由经过认证的技术人员判读，确保突变状态的准确性。中心实验室与影像评估的统一管理2.影像中心化评估（CentralImagingReview）：疗效评估（如ORR、PFS）高度依赖影像学数据，需由独立影像评估委员会（IndependentImagingReviewCommittee,IRC）对中心提交的影像资料（CT、MRI等）进行中心化评估。具体措施包括：-统一扫描协议：规定各中心影像检查的设备参数（如CT层厚、注射造影剂剂量）、扫描时间窗（如基线检查后每6周复查一次），确保影像质量可比；-核心实验室质控：中心实验室对提交的影像资料进行质量评估，排除图像伪影、层厚过大等不合格数据，要求中心重新采集；-IRC设盲评估：IRC成员对中心信息、患者分组设盲，采用RECIST1.1/irRECIST标准独立判读靶病灶变化，与研究者评估结果不一致时，通过多数表决或第三方仲裁解决。患者报告结局（PRO）与随访数据的质量控制患者报告结局（PRO）和随访数据易受中心间随访依从性、数据记录习惯的影响，需通过标准化工具和流程控制其质量。1.PRO工具的标准化：采用经过验证的PRO量表（如EORTCQLQ-C30、FACT-G），并统一问卷发放方式（如EDC系统推送电子问卷或纸质问卷）、填写指导（如由研究护士统一讲解填写说明）、回收时限（如随访时当场回收或7天内在线提交）。对于纸质问卷，需通过双人录入EDC系统并进行一致性校验。2.随访流程的规范化：制定详细的随访计划表，明确随访时间点（如入组后每3个月随访一次）、随访内容（如疗效评估、不良事件记录、PRO采集），并通过EDC系统设置自动提醒功能，提醒研究者按时随访。对于失访患者，需记录失访原因（如联系方式变更、拒绝随访），并尽可能通过其他途径（如查阅住院病历、联系家属）获取终点数据，减少随访偏倚。患者报告结局（PRO）与随访数据的质量控制四、统计分析阶段的中心效应校正：从“数据”到“证据”的最后一公里即使通过严格的设计和数据质量控制，中心效应仍可能存在于研究数据中。此时，需通过科学的统计分析方法，识别、量化并校正中心效应，确保研究结论的真实性。中心效应的识别与量化：明确“是否存在”与“影响多大”在统计分析前，需先通过统计检验判断中心效应是否存在，并量化其影响程度，为后续校正方法的选择提供依据。1.描述性分析：首先对各中心的基本特征（如基线人口学、临床特征）和结局指标（如ORR、PFS、OS）进行描述性统计，计算各中心结局指标的均值/中位数、标准差/四分位数间距，通过图表（如森林图、箱线图）直观展示中心间差异。例如，绘制各中心ORR的森林图，若95%置信区间（CI）不重叠，提示可能存在中心效应。2.统计检验方法：-连续变量：采用方差分析（ANOVA）或Kruskal-WallisH检验（非参数），比较各中心结局指标的均值或中位数是否存在差异；若中心间存在协变量不平衡，可采用协方差分析（ANCOVA）调整后比较。中心效应的识别与量化：明确“是否存在”与“影响多大”-分类变量：采用卡方检验或Fisher确切概率法，比较各中心结局率的差异（如ORR、疾病控制率DCR）；对于时间-事件数据（如PFS、OS），可采用Log-rank检验比较各中心生存曲线的差异。-异质性评估：对于多中心研究的合并分析，计算I²统计量评估异质性大小：I²<50%提示低异质性，50%-75%中度异质性，>75%高度异质性，I²>50%提示可能存在中心效应。3.混合效应模型（MixedEffectsModel）：混合效应模型（如线性混合模型、Cox比例风险混合模型）可同时考虑固定效应（如干预措施、基线协变量）和随机效应（中心），通过估计中心水平的方差分量（τ²）量化中心效应的大小。τ²越大，提示中心间异质性越强，中心效应越明显。基于模型校正的统计分析策略：选择“合适”的校正方法根据中心效应的识别结果，选择合适的统计分析方法进行校正，核心原则是：在控制中心效应的同时，避免过度校正掩盖真实干预效果。1.固定效应模型（FixedEffectsModel）：适用于中心间异质性较小（I²<50%）、中心效应可忽略的情况，或中心效应已知且可测量的情形（如中心规模、地区）。通过将“中心”作为固定效应纳入模型（如线性回归模型中的“中心”哑变量、Cox模型中的“中心”协变量），调整中心间基线差异对结局的影响。例如，在评估某化疗方案疗效时，将“中心”（东部/中部/西部）作为固定效应协变量纳入Cox比例风险模型，校正地区差异对OS的影响。优点：校正效率高，可充分利用样本信息；缺点：若中心间存在未测量的混杂因素，固定效应模型可能无法完全校正偏倚。基于模型校正的统计分析策略：选择“合适”的校正方法2.随机效应模型（RandomEffectsModel）：适用于中心间异质性较大（I²>50%）的情况，假设中心效应是随机波动，来自同一总体的不同中心间存在随机误差。通过将“中心”作为随机效应纳入模型，估计中心水平的方差，并校正其对结局的影响。例如，在多中心Meta分析中，若研究间异质性较大，采用随机效应模型合并效应量；在原始数据研究中，可采用多水平模型（MultilevelModel）将患者嵌套在中心内，同时分析患者水平（如干预措施）和中心水平（如医疗资源）对结局的影响。优点：可处理中心间异质性，更符合真实世界多中心研究的复杂性；缺点：估计精度较低，当中心数量较少（<10个）时，随机效应估计可能不稳定。3.亚组分析与交互作用检验：当中心效应可能与特定因素相关时（如中心级别、地区）基于模型校正的统计分析策略：选择“合适”的校正方法03-按地区（东部vs中西部）进行亚组分析，评估地区是否影响干预措施的效果。02-按中心级别（三甲vs二甲）进行亚组分析，比较干预效果在两组间是否存在差异（交互作用P<0.05提示中心级别可能为效应修饰因素）；01，可通过亚组分析探索中心效应的来源，并进行交互作用检验。例如：04注意：亚组分析需事先在研究方案中明确，避免事后分析（post-hocanalysis）导致的假阳性结果。敏感性分析与敏感性分析：验证结果的“稳健性”即使经过中心效应校正，仍需通过敏感性分析验证结果的稳健性，确保结论不受中心效应或统计方法选择的影响。1.排除中心分析：逐一排除某个中心（如样本量最大或最小的中心），重新进行统计分析，观察效应量是否发生显著变化（如OR值变化>10%）。若结果稳定，提示中心效应对结论影响较小；若结果显著波动，需进一步分析该中心的特殊性（如人群特征、诊疗流程）。2.不同模型比较：分别采用固定效应模型和随机效应模型进行分析，比较效应量（如HR值、OR值）及其95%CI的差异。若两种模型结果一致，提示结论稳健；若不一致，需结合异质性大小和临床实际情况选择合适的模型，并解释差异原因。敏感性分析与敏感性分析：验证结果的“稳健性”3.填补缺失数据：对于随访数据缺失，可采用多种填补方法（如多重填补MultipleImputation、LastObservationCarriedForwardLOCF、多重插补MultipleImputation），比较填补后中心效应校正结果与原始数据的差异，评估缺失数据对结论的影响。五、实施过程中的挑战与应对策略：从“理论”到“实践”的落地保障即使掌握了中心效应控制的理论方法，在实际操作中仍可能面临诸多挑战。基于笔者在多项多中心研究中的经验，总结常见挑战及应对策略如下，为研究者提供实践参考。中心依从性不足：如何推动SOP的严格执行？挑战表现：部分中心因临床工作繁忙、对研究重视不足，未严格执行SOP，如未按标准流程进行影像检查、数据录入潦草、随访不及时等，导致中心间数据异质性增大。应对策略：-建立激励机制：对SOP执行优秀的中心（如数据质量评分前10%、随访依从率>95%）给予表彰（如颁发“优秀中心”证书）、优先参与后续研究、研究经费倾斜等奖励；-加强过程监查：设立临床研究监查员（CRA），定期对各中心进行现场监查（如每季度1次），检查SOP执行情况（如原始病历与EDC数据的一致性、影像检查协议符合性），对发现的问题及时整改；-研究者网络建设：建立主要研究者（PI）微信群、定期召开线上会议，分享SOP执行经验，针对共性问题（如不良事件记录不规范）开展案例讨论，强化研究者的责任意识。数据缺失与随访偏倚：如何降低“失联”对结果的影响？挑战表现：多中心研究中，部分中心因患者流动性大、联系方式变更等原因，导致随访数据缺失，且缺失数据在不同中心间可能存在系统性差异（如A中心失访率5%，B中心失访率20%），引入随访偏倚。应对策略：-多渠道随访：结合门诊随访、电话随访、短信随访、家庭访视等多种方式，提高随访成功率；对于失访患者，通过联系患者家属、查阅当地医保系统、合作医院转诊信息等途径获取数据；-缺失数据预处理：在统计分析前，采用多重填补（MultipleImputation）或逆概率加权（InverseProbabilityWeighting,IPW）方法处理缺失数据，利用患者基线特征（如年龄、分期、中心）预测缺失概率，并生成多个填补数据集，合并分析结果，减少缺失偏倚；数据缺失与随访偏倚：如何降低“失联”对结果的影响？-敏感性分析评估：采用“最差情况填补”（WorstCaseScenarioImputation，如将失访患者全部视为无效事件）和“最好情况填补”（BestCaseScenarioImputation，如将失访患者全部视为有效事件）评估缺失数据对结论的影响。伦理与法规差异：如何平衡“多中心”与“合规性”？挑战表现：不同地区的伦理委员会（EC）对研究方案的审批要求、对受试者保护的侧重点可能存在差异（如东部地区EC更注重隐私保护，西部地区EC更注重知情同意流程的完整性），导致中心间研究启动时间延迟、执行标准不统一。应对策略：-伦理委员会协作：采用“单一伦理委员会（SingleIRB）”模式，由主要牵头单位的伦理委员会统一审批所有中心的方案，减少重复审批；若无法实现，需提前与各中心EC沟通，明确核心方案的统一要求（如知情同意书内容、不良事件报告流程），避免中心修改关键研究要素；-法规培训：研究启动前，对所有中心研究者进行GCP（药物临床试验质量管理规范）、当地法规（如《医疗器械临床试验质量管理规范》）培训，确保各中心了解合规性要求，避免因法规理解偏差导致执行差异；伦理与法规差异：如何平衡“多中心”与“合规性”？-伦理监查：设立伦理委员会监查员，定期对各中心的受试者保护措施（如知情同意过程、隐私保护）进行监查，确保符合伦理要求。05未来展望：智能化与真实世界数据融合下的中心效应控制未来展望：智能化与真实世界数据融合下的中心效应控制随着人工智能（AI）、真实世界数据（RWD）等新技术在肿瘤研究中的应用，中心效应控制将迎来新的机遇与挑战。AI在中心效应控制中的应用AI技术可提升中心效应控制的效率和精准度。例如：-图像识别：利用深度学习模型（如U-Net）对中心提交的影像数据进行自动分割和病灶测量，减少人工判读的差异，实现影像评估的标准化；-自然语言处理（NLP）：通过NLP技术自动提取电子病历（EMR）中