从医学影像标注到数字医疗人才培养：校企院协同建设专病数据库的四年贯通模式

摘要

目的：探讨如何将医院存量医学影像与相关时序信息的治理需求，转化为贯穿大学四年的实践教学、专病数据库建设及科研协作任务。方法：以子殷科技提出的校企院合作设想为情境，开展需求分析，结合协同育人、学习目标与评价对齐、科研数据管理、医学影像标注和数据保护要求，形成实施框架与前瞻性评价方案。框架产出：提出医院牵头临床问题与专业审核、学校组织课程与学业评价、企业承接工程实施与实践带教的责任结构；设置基础认知、规范操作、专病研究和综合项目四个培养阶段；构建覆盖器官、骨骼、骨折块、动静脉、病灶和时序事件的任务体系，并将数据验收与学习评价分别实施。结论：三方协作的潜在价值在于，使持续的数据治理工作成为可积累的学习过程，使学生能力发展支持专病研究与数字医疗岗位培养。其有效性取决于临床审核能力、教学投入、数据使用依据及持续运营机制，尚需通过试点检验。

关键词：校企院协同；专病数据库；医学影像标注；贯通式实践教学；数字医疗人才；科研数据治理

一、问题提出与研究定位

2026年10月9日，在内蒙古医科大学赴子殷科技开展的实践教学基地调研交流中，子殷方面提出：将医院专病数据库建设与学生从大一至大四的实践教学相衔接，由医院、学校和企业共同组织数据整理、专业标注、科研项目及人才培养。

这一设想来自子殷院点事务专员的工作观察：部分院点的信息部门维护着包括医学影像在内的大量数据，但面向特定疾病研究的数据筛选、清洗、标注及持续更新，尚缺少稳定承接机制。这是企业端提出的问题线索，并非对相关医院信息化水平的全面评价，也不能推及所有医院。

影像能够被保存和调阅，与数据能够支持特定研究，是两个不同层次的能力。专病研究还需要明确入组条件、标签含义、时间关系、来源依据与质量标准。学生实践同样需要先修知识、分层任务、指导反馈及独立考核。把这两类需求放进共同的组织框架，是本研究讨论的起点。

本文属于需求驱动的模式设计，研究材料为会议设想、此前基地教学材料所呈现的实践基础及相关原始文献。分析依次回答四个问题：谁承担责任、学生如何进阶、成果如何验收、模式如何持续。本文未开展患者数据处理、学生招募或效果试验，以下表格和流程均为拟议方案。

二、基本框架：数据建设与能力培养相互促进

协同育人需要把真实任务转化为课程内容。《现代产业学院建设指南（试行）》提出多主体共建、真实项目融入课程以及校企导师协作，为本方案提供了政策背景。^[1] 本文借鉴其组织思路，所提模式不以任何新增机构资质或项目认定为前提。

在教学设计上，建构性对齐强调学习目标、学习活动与评价之间的一致性。^[2] 因而，学生完成一次器官重建，应同时能够解释结构边界、指出不确定区域并提供复核依据；若任务目标是理解纵向病程，考核也应包含事件排序和证据关联，而不能仅统计操作时长。

在数据建设上，可参照FAIR原则组织检索、访问、语义和复用信息；其中访问可以包含必要的身份认证与授权，并不要求患者数据向公众开放。^[3] 本文所称数据资产化，侧重使数据成为有用途说明、有质量证据、可持续管理的资源，不对产权归属、交易资格或会计确认作出判断。

据此提出相互衔接的两条工作线：一条将获准使用的数据逐步转化为经过审核的专病数据集；另一条将学生的基础练习逐步发展为独立的研究与工程能力。每个任务都应同时留下数据产物和学习证据，两者分别验收，再通过错误分析更新课程、标注规范和工具。

三、三方治理：医院牵头、学校育人、企业实施

医院宜牵头提出具有临床意义的专病问题，并组织信息、临床、科研管理及相关审查部门参与。信息部门提供系统与数据管理支持，临床专家界定疾病、结构和结局的含义，项目负责人统筹研究方案。信息系统的管理权限不能代替全院对研究用途和对外合作的授权。

学校将任务与专业培养方案衔接，组织先修课程、导师配置、学生招募、过程指导和学业评价。医学背景学生与电子信息背景学生可以采用不同的起点与补充课程；前者需要强化数据与工程方法，后者需要补足解剖、影像及临床问题理解。共同目标是形成能够解释结果并与其他专业协作的能力。

企业负责把项目拆解为可教学、可交付的工作单元，提供工具、数据处理流程、工程带教和质量管理。院点事务专员可承担需求收集、任务协调与问题回传，专业标签的最终判断由相应临床或学科人员负责。高年级学生可以协助低年级练习，但不替代教师或临床审核者。

三方应在启动前约定任务范围、人员责任、资源投入、数据处理关系、成果使用及退出交接。医院牵头的协同工作组定期审议重大分歧，由指定负责人分别签署数据版本与教学评价结果。表1为建议分工，具体组织形式应结合合作医院和学校制度确定。

四、四年贯通：以能力决定任务，以学年组织培养

四年贯通的关键是持续积累，而非让每名学生连续四年承担同一种重复劳动。建议将大一至大四分别对应基础认知、规范操作、专病研究与综合项目，同时设置能力考核；年级只提供教学安排的参考，不自动赋予更高难度任务或更大数据访问范围。表2给出各阶段的建议任务与进阶证据。

大一以教学样例、合成数据或使用条件明确的教学资源起步，结合解剖学和基础医学学习影像方向、空间关系、结构名称与数据规范。通过切片和三维模型对照，让学生说明自己观察到什么、依据在哪里，并学习在证据不足时保留疑问。

大二围绕边界较清楚的器官或骨骼开展标准化练习，学习数据检查、分割修订、模型回读与错误记录。进入真实项目任务前，应完成对应技能考核和数据使用培训，由指导人员确认可参与的对象、操作和交付要求。

大三根据专业基础进入骨折块实例、血管分支、病灶及随访信息等专病任务，理解不同标签之间的关系与不确定性；大四再衔接毕业设计、数据库质量研究、工具开发、研究助理或数字医疗岗位实践。复杂任务不因学生年级较高而免除专业复核。

课余参与宜组织为学校认可的选修、第二课堂、科研训练或实践项目，按学期安排固定指导与集中复盘，自愿报名并控制负担。学分、补助和贡献记录按学校制度及项目约定落实；考试期安排减量和交接。课程成绩依据学习表现评价，学生能否持续参与不应仅由标注数量决定。

五、专业任务体系：从结构标注到医学理解

医学影像标注至少包括结构定位、边界分割、对象区分、属性描述和关系确认等工作。器官、骨骼、骨折块、动静脉与肿瘤相关病灶，所需知识和错误后果不同，应分别制定标签字典、正反例、疑难情形与升级路径。

器官和骨模型重建可作为连接影像与解剖学习的基础。学生需同时查看原始切片与三维结果，理解轮廓、空间关系及数据分辨率的限制。重建模型更平滑，并不意味着更接近原始解剖；用于展示的处理与用于定量研究的处理应分别记录。

骨折块标注需要区分同一骨骼中的不同实体，保留原始位置，记录合并、拆分及难以判断的边界。动静脉标注需要结合适合的影像序列、连续走行与专业复核；肿瘤相关标注则要区分可见病灶范围、影像判断和病理证据。学生应学习证据层次，不能把未经确认的推测转成确定诊断。

每项任务可采用统一教学任务单：适用对象与先修要求、学习目标、数据使用条件、标签规则与例图、操作步骤、提交产物、质量要求、疑点提交方式、复核责任及个人贡献。表3将主要任务映射到知识内容与检查证据，具体阈值由各专病项目在试点前确定。

六、时序标注与知识图谱：保留事件、来源和不确定性

时序数据库应以同一患者在不同时间的检查、治疗及随访事件为组织基础。它不仅需要按日期排列影像，还要说明事件何时发生、数据何时产生、信息来自哪份记录，以及研究人员在某个时点实际能够知道什么。

例如骨折研究可按项目需要关联受伤、初次影像、手术及随访节点；肿瘤研究可围绕基线检查、治疗与复查建立事件序列。这些仅是任务设计示例，实际字段由临床问题决定。缺少随访记录不能解释为患者没有出现不良结局，缺失、未检查、不可判定和不适用应分别编码。

进行纵向关联时，应由获准人员维护项目内稳定标识，并把身份映射信息与学生工作区分开。若采用日期变换，应在同一患者的影像和相关临床记录中保持所需时间关系，并记录转换方法。DICOM专门提供纵向时间信息保留选项，提示日期处理需兼顾再识别风险与分析所需的时间精度。^[4]

学生在学习知识图谱时，可先把已审核的术语和关系组织为“结构属于器官”“病灶位于部位”“检查发生于事件之后”等可追溯表达。每条关系保留来源、适用时间、审核状态与规范版本。空间邻近、统计关联和医学因果应分开表达，不把一次标注结果自动提升为普遍医学知识。

如果数据库用于预测研究，还应明确预测起点、输入信息截止时间和结局观察窗口；预测时尚不可获得的信息不能混入输入。表4给出可复用的时序记录结构，意在使学生在标注中学习研究逻辑，而不只是执行字段录入。

七、数据治理：把使用条件落实到工作流程

真实数据进入教学或研究任务前，需要明确处理目的、范围、人员与期限。医疗健康信息属于敏感个人信息；去标识化与不可复原的匿名化具有不同含义。项目应逐项确认合法处理依据，并按适用要求落实单独同意、委托处理约定及个人信息保护影响评估等事项，不能以删除姓名替代完整判断。^[5]

使用健康记录等信息开展医学研究，应依《涉及人的生命科学和医学研究伦理审查办法》确定审查路径，并明确合作机构的数据使用范围与处置方式。是否符合免除伦理审查的条件、是否可以免除知情同意，应分别依规判断，不能由学生或项目团队以“已经脱敏”为由自行宣布豁免。^[6]

技术上，影像去标识化需覆盖标识字段、私有属性及可关联信息，还要检查像素内文字和可识别的视觉特征。DICOM基本保密配置本身不覆盖全部像素识别风险，需要结合相应选项与实际数据检查。^[7] 针对解剖结构的必要变换，还应评价其是否损害本项目的学习或研究用途。

建议设置原始数据区、获准处理的工作区和经审核的研究发布区。原始资料保留来源与只读基线，处理副本记录变换过程，学生仅接触分配任务所需的最小信息。访问、修改、导出、复核与版本发布保留记录，项目结束或人员退出时按约定撤销权限并完成资料交接。

教学练习、科研数据集、算法开发和临床应用应分别说明用途，新增用途重新核对授权及审查范围。AI辅助工具仅在获准环境内处理对应数据。企业参与工程加工并不自动取得对医院数据的独立使用权；对外提供数据产品、进一步成果转化或引入新合作方，须另行审议具体条件。

八、质量控制：分层审核、独立评价与AI辅助

建议采用“学生自查—工程检查—专业复核—版本验收”的质量流程。工程检查关注对象对应、文件可读、几何一致、字段完整和处理记录；临床或学科复核关注结构身份、病灶含义及事件关系。只有在两类要求均满足后，产物才进入相应用途的数据版本。

标注规范应说明参考标准如何形成、由谁标注、经历何种培训、分歧如何处理，以及版本发生过哪些变化。CLAIM 2024强调报告参考标准及标注者差异，并使用“参考标准”表达其可能存在的不确定性。^[8] 本文据此建议保留初始标注、复核意见和裁定结果，使争议能够追溯。

初学者的新任务、复杂病灶与重要语义字段宜先逐例复核；是否改用风险分层抽查，应有既往质量证据，并由项目负责人批准。抽查需覆盖不同任务和难度，对重复错误扩大检查范围。专业审核能力应纳入产能计算，不能让待审任务无限积压。

评价指标应对应具体用途。Metrics Reloaded指出，应根据对象大小、结构形态、关注边界或体积等问题特征选择互补指标。^[9] 本方案据此建议：器官分割同时检查重叠和边界，骨折块检查实例遗漏与错误合并，血管检查分支身份与连续关系，时序任务检查事件匹配和时间一致性；另行报告专家判定的重要错误。

引入AI初稿时，分别保存模型原始输出、学生修改和最终审核版本，比较质量变化及学生、工程师、专家投入的时间。未修改的结果仍需检查，不能把接受AI输出当成学生已经掌握。对用于评价算法的数据，应按患者分组隔离训练、调参与测试，避免同一患者的不同时间点进入不同分区。^[8]

数据版本的交付包应包含用途与人群说明、纳排规则、字段和标签字典、来源与变换记录、质量报告、已知缺陷、访问条件及版本变更。用于模型测试的参考标注应保持独立，不随候选模型结果反复改写；发现确有错误时，通过有记录的裁定流程修订。

九、科研组织：医院牵头，把建设任务转化为研究问题

医院可围绕专病研究需求牵头联合医科大学与子殷科技组织项目：临床团队提出问题与结局定义，学校提供学科方法和研究训练，企业承担工具与数据工程。联合申报的基础应是可回答的问题、适当的数据和清楚的分工，申请成功与成果产出仍取决于具体指南和评审。

可分别形成三类工作：专病数据库及其数据质量研究、医学影像标注或时序关联方法研究、四年贯通式实践教学研究。三者可以共享经许可的基础设施，但各自说明研究对象、主要结局、样本依据和产出，避免把同一批整理工作重复包装为多个已经完成的研究成果。

横向课题可围绕数据规范、标注工具、质量管理或特定研究服务建立合同，明确工作范围、交付版本、验收口径、经费安排、知识产权及数据处理责任。学生参与方式与培养要求写入执行安排，经费中应考虑专业审核、教师带教、平台维护和质量返工，而不只计算初次标注成本。

项目申报可提出可检验的命题：分层教学是否提高新任务中的独立合格率；规范与审核是否降低重要标注错误；在质量相当的条件下，AI辅助是否减少总人工耗时。表5给出拟议方向，具体课题名称与指标仍需结合医院优势、申报指南和预试验结果确定。

十、人才发展与持续运营：从在校训练走向岗位胜任

四年参与能够为学生积累连续的能力档案，包括完成过的任务、掌握的规范、发现的错误、获得的反馈及独立考核结果。医院可据此了解学生对医学问题、数据流程和跨专业沟通的掌握程度，学生也能更早认识数字医疗岗位的实际职责。

职业方向可覆盖医学数据治理、医学影像处理、临床研究数据支持、数字医学工程和医疗AI质量评价等岗位，具体名称与任职条件以医院实际设置为准。优秀学生有机会通过实习、毕业设计和后续招聘继续参与项目，录用仍依公开岗位要求与相应程序办理，合作项目本身不构成招聘承诺。

项目运行需要跨届交接：由稳定的教师、工程师和医院审核人员维护课程与数据规范，学生按任务包交接进度、疑点和未完成项。考试、毕业和人员退出时保留可恢复的工作状态，使数据库维护不依赖某一届学生或某一名熟练操作者。

持续性还取决于成本与激励。应记录每个合格任务包所需的初次操作、复核、返工、裁定和维护投入，预留稳定的带教与审核时间；项目贡献、劳务安排和成果署名按实际工作及相关规范确定。标注数量可以反映工作量，但不能单独代表学习质量、研究贡献或岗位胜任力。

十一、试点与评价：先验证一个专病、一套课程、一批成果

建议首期选择一个临床需求清楚、数据条件可评估、专业审核人员到位的方向，例如骨折影像与骨模型数据任务；器官、血管及肿瘤等方向在相应专家和规范具备后扩展。先完成最小范围的运行验证，再决定学生规模和病种数量。

试点可分为三个阶段。准备阶段形成合作与数据使用文件、研究问题、标签字典、教学任务和审核安排；校准阶段用合适的练习集训练教师与学生，识别规则歧义；运行阶段执行任务分配、分层复核、版本验收与独立学习评价。扩大规模应以质量稳定和审核容量为依据。

教学评价可预先设置“在未见过的相近难度案例上，按规定帮助条件独立完成任务的比例”为主要结局，并考查解剖理解、错误识别与延后保持。采用难度相当的前后测，在条件允许时设置分批引入或比较组，记录基础水平、练习量和指导差异；学生自愿参加可能带来的选择偏倚需如实分析。

数据评价可在独立抽取的任务包中，测量重要错误率、返工负担及最终用途适合程度。初次标注与最终审核结果分别统计，同时记录未完成、无法判断和被排除的样本及原因。若比较不同流程，评价人员应尽可能不知道产物来自哪一流程，避免主观期望影响判断。

主要统计单位应根据问题确定：学习成效以学生为单位，数据质量以患者、检查或对象为单位。同一学生的多个任务以及同一患者的多张切片存在相关性，不能直接当作大量独立样本。样本量依主要结局、预试验变异与拟用分析方法估计；先报告人数、分母和不确定范围，不预设未经论证的提升百分比。

表6把评价分为学习、数据、流程和持续发展四个层面。未完成审批时可先进行不依赖真实患者数据的课程设计与教学样例训练；真实数据试点、后续研究和对外提供，则分别在相应条件满足后启动。本文尚无这些评价结果。

十二、讨论与结论

本方案的价值在于，把医院长期存在的数据整理需求，与学生逐年成长的学习过程放在同一套责任和评价机制中。可复制的内容主要是任务模板、培养顺序、审核流程、版本记录及评价方法；不同医院的专病定义、数据条件和人员能力仍需要本地调整。

模式能否成立，有三个必须通过试点回答的问题：学生是否形成可迁移的能力，数据是否达到预定用途的要求，三方是否有能力长期承担指导与审核成本。数据积累、教学成绩、科研产出和就业去向之间可能相互促进，但现阶段不能据此推定因果关系。

因此，建议以医院临床问题为牵引，以学校培养目标为主线，以企业工程组织为支撑，逐步建立从基础学习、规范标注、专病研究到岗位实践的四年贯通路径。通过对数据质量和学生能力的分别验证，探索专病数据库建设、科研协作与数字医疗人才培养相结合的可持续机制。