甲状腺眼病眼眶MRI数据库构建与影像标注专家共识总结2026

甲状腺眼病眼眶MRI数据库构建与影像标注专家共识总结202601CONTENTS020304共识制订方法数据收集规范数据管理方案影像标注流程共识制订方法010203多学科专家工作组工作组由眼科、放射科及循证医学方法学专家组成，负责统筹数据库构建与标注规范制定，确保多学科协作，提升数据质量与临床转化价值。建库前需组建涵盖放射科医师及技师、眼科医师、临床医师及信息技术人员的团队，实现全流程质量保障，支撑数据采集、管理与分析。标注工作依赖眼科与放射科医师共同审核，辅以技术人员支持，通过专业分工与仲裁机制，保证标注结果科学、一致，符合金标准要求。多学科专家工作组的组成与职责建库前多学科团队的组建要求多学科协作在标注审核中关键作用010203中文数据库范围英文数据库范围检索时间范围检索的中文数据库包括万方数据库、中国知网和中国生物医学文献数据库，覆盖国内TED相关研究文献，确保本土数据全面性。检索的英文数据库包括PubMed、WebofScience及Embase，涵盖国际TED眼眶MRI研究，保障全球文献的可追溯性与可比性。检索时间范围为各数据库建库至2025年12月，确保纳入历史及最新研究数据，避免遗漏关键文献，支撑共识的时效性。检索数据库范围010302通过系统梳理国内外研究证据，结合多学科专家访谈，围绕数据库构建、数据管理及影像标注流程，逐步提炼出初步共识要点，确保方法科学、内容聚焦。针对证据有限或未达成统一的议题，借鉴已发布指南与专家共识，综合考虑临床可操作性、设备可及性及数据获取成本，形成初步共识框架。开展2次线上问卷调查和1次专家圆桌会议，对存在分歧的条目进行集中讨论与修订，通过多轮反馈与评估，最终形成本共识要点提示。基于文献总结与专家访谈凝练核心议题参考指南共识并兼顾现实可操作性三轮专家评估与集中讨论达成共识改良德尔菲法形成数据收集规范前瞻性与回顾性建库模式差异前瞻性与回顾性纳入排除标准差异前瞻性与回顾性临床数据收集差异前瞻性数据库依据统一方案主动采集数据，质量高但入组受限；回顾性数据库利用各中心历史影像数据，建设效率高但可能存在数据缺失与归一化不足，需严格筛选。前瞻性建库需明确患者诊断标准、自愿知情及无MRI禁忌；回顾性建库则针对影像数据，要求序列参数一致、图像质量可分析，同时排除临床数据严重缺失或手术史等情况。前瞻性建库可提前规定临床数据条目并质控，确保完整；回顾性建库需从原始病历提取，常存在缺失或不一致，需系统重评价活动性、严重度等关键标签，必要时电话随访补充。前瞻性与回顾性纳入排除标准需临床确诊TED，符合《中国甲状腺相关眼病诊断和治疗指南（2022年）》标准，患者自愿签署知情同意书，并满足研究方案其他纳入条件。前瞻性研究的纳入标准排除MRI检查禁忌证（如非兼容性心脏起搏器、动脉瘤夹等），以及可能影响方案依从性的严重精神疾病或无法配合检查者。前瞻性研究的排除标准纳入临床确诊TED、影像序列参数符合方案且图像质量良好（无显著伪影、解剖覆盖完整）的病例，排除眼眶占位、手术史或临床数据严重缺失者。回顾性研究影像数据筛选标准需收集人口学、眼科检查、实验室检查、既往史及生活质量评分等数据。由眼科专家确定条目，使用EDC系统结构化录入，并通过唯一ID与影像精确关联，确保数据完整性与可追溯性。临床数据收集内容与结构化录入前瞻性建库可明确临床数据收集要求并进行质控；回顾性建库从原始病历提取，必要时电话补充。回顾性数据常缺失或不一致，需系统分析准确性，对活动性、严重度等重要标签重评价。前瞻性与回顾性建库的数据收集差异若为纵向研究，需根据临床数据确定采集影像所处阶段，如治疗前基线或单抗治疗后第几次，完善状态标签。这有助于支持时间序列分析及疗效评估，提升数据研究价值。纵向研究中影像阶段标签确定配套临床数据收集数据管理方案010203脱敏处理依据与标准患者隐私保护措施数据标准化命名与存储数据脱敏须严格遵循DICOM标准及《信息安全技术健康医疗数据安全指南》GB/T39725-2020，对影像及临床资料中患者姓名、身份证、住址等个人身份信息字段进行去标识化处理，保障数据共享时的匿名性与法律合规性。所有进入数据库的眼眶MRI影像及TED临床数据在入库前必须进行匿名化和去标识化处理，确保患者隐私安全。同时需对检查机构名称与地址等敏感信息进行屏蔽，防止数据泄露，保障患者合法权益。为每例患者分配唯一标识符（患者UID），推荐采用“中心编号_患者UID/扫描日期/MRI序列描述/DICOM原始文件”的标准化路径，并生成配套JSON/CSV标签文件，记录序列UID、图像数量等关键信息，用于自动化校验数据完整性与一致性。脱敏与标准化010203去重与清洗数据去重通过识别患者唯一标识符（UID）、检查编号和图像编号等关键信息，实现数据关联与冗余排除，精准删除重复的患者数据，确保每份数据在数据库中的唯一性，避免重复统计影响分析结果。数据去重缺失或错误数据剔除需对人口学资料、核心临床信息及必要检验结果逐项核对，发现关键字段缺失或逻辑矛盾（如用药记录与治疗时间冲突），经核对原始数据仍无法纠正者，判定为不可用并从分析数据集中剔除。缺失或错误数据剔除质量不合格数据剔除需满足以下任意一项：运动伪影位移>2mm导致眼眶结构轮廓中断、金属伪影信号空洞>10mm²、眼外肌ROI的对比噪声比<1.5、眼眶区域解剖覆盖不全，经判定后剔除该数据以保证图像质量。质量不合格数据剔除存储与安全共享分层存储与备份机制隔离环境与权限管控加密传输与共享协议根据数据类型建立分层存储，影像数据选用分布式文件系统或对象存储，临床数据使用结构化或NoSQL数据库，并建立异地多介质备份与容灾机制，定期校验数据完整性。数据库应部署在隔离的局域网环境中，与医院业务系统逻辑隔离，所有敏感操作需权限审核和日志记录，实现全流程可追溯与安全监控，防止非授权访问。多中心数据共享时使用加密算法或TLS/SSL协议进行端到端加密，签署数据共享协议明确安全责任，采用安全FTP或专用传输协议，接收方需具备同等级别保护环境。影像标注流程010203标注平台的功能要求推荐的标注工具技术规范符合性标注平台需具备医学图像处理能力，支持结构化存储、标准格式导出与跨平台兼容，确保数据统一管理与后续分析的可复用性，满足多中心协作需求。推荐使用RadiAntDICOMViewer、3DSlicer、ITK-SNAP等开源或商业工具，这些工具具备临床适配性与研究支持能力，可辅助专业医师高效完成影像标注任务。标注平台应符合《人工智能医疗器械质量要求和评价第3部分：数据标注通用要求》等规范，确保标注流程标准化、结果可追溯，提升数据质量与模型训练可靠性。标注工具与平台手动半自动自动化手动标注半自动标注自动化标注由具备眼科或放射科背景的专业医师逐层完成，具有最高准确性与解释性，适用于样本量有限但质量要求高的研究任务，尤其适合构建人工智能模型所需的金标准训练集。利用图像工具辅助完成部分轮廓识别与绘制，结合软件提供的轮廓建议与人工修正机制，兼顾效率与可靠性，适用于中等规模数据处理，提升标注一致性。依赖深度学习模型或传统图像处理算法，在不依赖人工输入的前提下快速完成组织识别与轮廓提取，适合大规模数据预处理与初筛阶段，但需人工审核与微调。01审核与仲裁机制审核机制需由眼科、放射科及循证医学专家组成多学科团队，对标注结果进行交叉复核，确保影像分割与临床诊断的一致性，减少主观偏差，提升数据可靠性。多学科专家联