茅 楓，張燕娜，劉乾宇，閆思桃，胡 倩，羅 妍，李金斌，付 磊，4

1中國醫(yī)學科學院 北京協和醫(yī)學院 北京協和醫(yī)院乳腺外科，北京 100730 2北京郵電大學計算機學院(國家示范性軟件學院)，北京 100876 3中國人民解放軍總醫(yī)院臨床生物樣本中心，北京 100853 4國防大學聯合勤務學院聯合后勤保障系衛(wèi)勤教研室，北京 100858

自2008年以來，全球每年乳腺癌病例以超過20%的速度增長，而死亡率每年增長超過14%[1]。根據世界衛(wèi)生組織下屬的國際癌癥研究中心近幾年公布的數據顯示，乳腺癌是導致女性患癌死亡的第二大病癥，且發(fā)病率和死亡率呈逐年上升趨勢。2015年我國新發(fā)乳腺癌30.4萬例，死亡7萬例，與之伴隨的是個人、家庭和社會保障體系治療負擔的加重[2]。因此，乳腺癌的早期診斷對乳腺癌的治療、預后等具有重大意義。醫(yī)學影像診斷是乳腺癌鑒別和早診的重要手段。而利用計算機視覺技術進行醫(yī)學影像識別，輔助醫(yī)生對乳腺癌進行診斷是目前的研究熱點之一。通過對乳腺影像的自動化處理，可以幫助醫(yī)生進行乳腺癌的篩查，從而提高診斷效率。這在當前我國醫(yī)療資源整體不足、地域分布不平衡、全科醫(yī)生短缺、分級診療不理想、醫(yī)療需求持續(xù)攀升等大背景下，實現普惠和精準醫(yī)療，促進醫(yī)療健康事業(yè)平衡充分發(fā)展具有重大意義。深度學習模型圖像處理作為計算機視覺技術的重要組成部分，已經在醫(yī)學影像領域得到了廣泛的應用。對于利用深度學習訓練圖像模型本身，影像數據集的樣本量是影像識別準確率的重要影響因素，樣本量缺失必定會導致模型性能的泛化能力過低。目前，國內醫(yī)療影像公開數據集仍處于比較匱乏的階段，這會在一定程度上制約醫(yī)學影像輔助診療技術的快速發(fā)展。因此，本文以乳腺癌為例，對國外大型公開數據集如乳腺X線影像數據集、乳腺癌磁共振數據集進行廣泛調研，并對這些數據集的基本情況、具體信息、相關研究現狀以及共享利用四個方面進行深入的比較分析，進而總結闡述國外公開影像數據集對我國醫(yī)療健康數據開放方案的啟示。

乳腺X線影像數據集

乳腺X線數字圖像數據集

數據集基本情況：乳腺X線數字圖像數據集(Digital Database for Screening Mamography，DDSM)在美國陸軍醫(yī)學研究和材料司令部的資助下，由美國馬薩諸塞州綜合醫(yī)院、南佛羅里達大學和桑迪亞國家實驗室合作完成，已經在乳腺影像分析研究中被廣泛使用，截止到2019年11月，DDSM在谷歌學術上已被引用995次。DDSM主要用于促進計算機輔助診斷算法的研究及教學、培訓輔助工具的開發(fā)。

數據基本信息：DDSM包含2620個病例，共計20 480張影像資料。該數據集的所有病例均為女性患者，其中大部分來自馬薩諸塞州綜合醫(yī)院，另外一部分來自維克森林大學醫(yī)學院。數據集中的每個病例均由患者基本信息、圖像基本信息和原始圖像等組成。其中，患者基本信息包括年齡、就診日期、由放射科醫(yī)生評估的美國放射學會乳房組織密度評級等，圖像基本信息包括掃描儀型號、空間分辨率等。

針對每個具體病例，DDSM提供了4張JPEG格式的壓縮的原始圖像，其大小為3000×4800像素，分辨率為42～50 μm。4張圖像分別為左右內外斜位和頭尾位視圖，1個帶有.ics擴展名的包含患者和圖像信息的文本文件和1個僅用于快速查看圖像的PGM格式的縮略圖。此外，每個異常視圖都有一個標注框，描述了圖像中由放射科醫(yī)生標記的異常位置和邊界。并且，DDSM攜帶了癌癥、正常、良性三類數據。與大多數只包含一個感興趣區(qū)域(region of intersect，ROI)的乳腺X線影像數據集相比，該數據集含有像素水平級別的標簽和每個ROI的類型，如鈣化或腫塊。

相關研究：Yoon和Kim[3]提出了一種基于AdaBoost的多支持向量機遞歸特征消除算法，用于對DDSM中的乳腺X線影像進行分類，在有許多ROI的情況下，其提出的方法可能是支持向量機遞歸特征消除或原始多支持向量機遞歸特征消除的有效替代方案。2017年，Samala等[4]提出了一種多任務遷移學習的深度神經網絡，利用DDSM數據集進行測試，實現了乳腺腫塊良惡性的分類。此外，Elter等[5]提出了兩種計算機輔助診斷系統方法用于理解決策樹對乳腺活檢結果的決策過程，在DDSM數據集上驗證得出的結果優(yōu)于醫(yī)師的診斷決策。

數據共享利用：DDSM[6]由南佛羅里達大學維護，研究者可以通過南佛羅里達大學乳腺數字影像官網主頁免費下載使用。該網站提供在線檢索工具，可以幫助研究者識別符合指定標準的病例。并且，DDSM提供一些處理數據的軟件，如compareTemplates用于將檢測算法的結果與圖像的標注框進行比較，DDSMView用于顯示用戶所選病例的圖像。此外，還提供匿名ftp訪問統計信息，顯示每周從DDSM匿名ftp下載的數量。

乳腺X線影像分析協會

數據集基本情況：乳腺X線影像分析協會(Mammographic Image Analysis Society，MIAS)致力于乳腺X線影像研究并建立了數字乳腺X線影像數據庫，MIAS數據集[7]是最早公開的乳腺X線影像數據集，目前被廣泛應用于乳腺相關的各類研究。截止到2019年11月，MIAS數據集在谷歌學術上被引用次數高達1408次。

數據基本信息：MIAS數據集采用英國國家乳房篩查計劃的膠片，該膠片在50 μm像素邊緣數字化，使用Joyce-Loebl掃描顯微光密度計，其光學密度為0～3.2，每個像素用8-bit表示。具體而言，該數據集包含161例病例，共計322張數字化圖片。每例病例都以成對的膠片排列，每對膠片包括患者的左(偶數文件名編號)和右乳房(奇數文件名編號)X線影像，以及放射科醫(yī)生對所有可能存在的異常位置的標記。所有影像分辨率均為1024×1024像素，可在2.3 GB8mm(ExaByte)磁帶上使用。并且，MIAS提供了該數據集的詳細信息，包括病例類別(正常影像以及良、惡性病變的多種病征影像)、嚴重程度、異常中心位置的坐標和半徑等。

相關研究：Sankar和Thomas[8]在2010年提出了一種新的快速分型建模方法，通過確定性分型編碼方法對MIAS數據集中乳腺X線影像進行建模，以檢測微鈣化病灶是否存在，相比較于傳統的分型圖像編碼方法，提高了建模效率。Ibrahim等[9]將團隊自身研發(fā)的計算機輔助診斷系統應用于MIAS數據集，對微鈣化病灶的自動檢測準確率達到了95.8%，有效提高了醫(yī)生診斷的敏感性和特異性。2018年，Chougrad等[10]將深度學習應用到乳腺癌影像的分類中，通過對預訓練的卷積神經網絡進行微調，在MIAS數據集進行測試獲得了98.23%的準確率。Mohanty等[11]在2019年提出一種混合計算機輔助診斷系統框架，用于乳腺癌影像的分類并在MIAS數據集上得到了驗證。

數據共享利用：MIAS數據集由MIAS維護，受英國版權法、國際條約規(guī)定和其他所有適用的國家法律保護。研究者可以通過MIAS數據庫網址[12]免費下載使用，在使用時須在出版物中明確標注參考該數據集。

DMD

數據集基本情況：DMD(Digital Mammography Dataset，DMD)是由美國乳腺癌監(jiān)測聯合會(Breast Cancer Surveillance Consortium，BCSC)根據收集的乳腺X線數字影像整理出的數據集，由美國國家癌癥研究所等機構提供資助。

數據基本信息：DMD包括2005年1月至2008年12月的20 000個數字乳腺X線影像和20 000個膠片乳腺X線影像樣本的病理信息。該數據集提供了患者在乳腺X線檢查時的年齡、放射科醫(yī)生根據乳房成像報告和數據系統量表進行的評估結果、乳腺癌家族史、是否使用激素治療、乳房密度、活檢史、癌癥類型以及體質量指數等多項信息。BCSC認為所提供的數據樣本數量仍舊相對有限，為慎重起見，其建議研究者僅將這些數據用于教學和科研數據分析。

相關研究：Hinton等[13]使用從ImageNet初始化的權重進行深度學習網絡的遷移學習方法，對DMD中乳腺X線影像進行測試，確定了乳腺癌前狀態(tài)下X線影像中除乳房密度以外的信息，以預測罹患乳腺癌的概率。BCSC研究員Diana Miglioretti博士于2019年4月5日向乳腺成像學會發(fā)表了主題演講，談到了風險分層篩查的潛在益處，并對BCSC免費提供的風險計算器的作用給出了肯定評價[14]。同年，Mercan等[15]使用計算機視覺的方法對乳房活檢樣品進行分類并開發(fā)了自動圖像分析的輔助診斷系統，將輔助診斷系統的性能與87位病理學家的解釋進行比較，得到了預期的效果，驗證了該輔助診斷系統能夠幫助病理學家診斷從良性到浸潤性癌癥的全范圍乳房活檢樣品。

數據共享利用：研究者可以通過BCSC網站的乳腺X線影像網址免費下載使用該數據集，使用時須包含數據引用說明[16]，下載時需提交申請信息和使用說明獲得下載鏈接。網站還會將有關數據更新的通知通過電子郵件發(fā)送到研究者提供的注冊郵箱。此外，BCSC網站還提供了多種工具，如Bcsc Risk Calculator，可用于預測女性5年內罹患浸潤性乳腺癌的風險；Basc Data Explorer，可用于幫助用戶檢索1994至2009年的BCSC數據，包括乳房X線檢查和其他乳房成像檢查表格和圖表。

乳腺癌磁共振數據集

QIN Breast DCE-MRI

數據集基本情況：QIN Breast DCE-MRI數據集由俄勒岡健康與科學大學PI Wei Huang博士提供，該數據集主要收集了縱向研究的影像資料，以評估乳腺癌對新輔助化療的反應。

數據基本信息：QIN Breast DCE-MRI數據集包含672個序列，共計76 328張乳腺癌影像圖片。所有影像圖片由西門子3T TIM Trio系統采集。該數據集主要包括10例病例在4個時間點(治療開始之前、第1個治療周期之后、治療過程的中點、完成治療之后)的核磁共振影像資料，共提供了DICOM+NIFTI、Matlab兩種版本格式的數據。

相關研究：Nowaková等[17]提出了一種模糊圖像檢索的新方法，使用QIN Breast DCE-MRI數據集進行測試，解決了不能捕獲圖像中ROI的問題。Weis 等[18]使用QIN Breast DCE-MRI數據集建模，以預測乳腺癌患者第一個治療周期后是否能達到病理完全緩解。

數據共享利用：QIN Breast DCE-MRI數據集保存于TCIA(The Cancer Imaging Archive)，研究者可以通過訪問維基癌癥影像檔案網[19]免費下載使用。TCIA提供了更高級的搜索、瀏覽和過濾功能，以選擇圖像子集或從滿足搜索條件的多個集合中下載圖像。如果研究者使用此數據集，須包含數據引用[20]。

Breast-MRI-NACT-Pilot

數據集基本情況：Breast-MRI-NACT-Pilot數據集由加州大學舊金山分校的David Newitt博士和Nola Hylton博士提供。該數據集來源于加州大學舊金山分校乳腺成像研究項目，由美國國家癌癥研究所提供資助。

數據基本信息：Breast-MRI-NACT-Pilot數據集收集了包括64例接受新輔助化療治療浸潤性乳腺癌患者的縱向研究影像，共包含2228個序列，共計99 058張乳腺癌影像圖片。每個病例包括患者年齡、病變特征等。病變特征的具體內容有腫瘤大小、組織類型、病理類型、腫瘤亞型和是否有淋巴結受侵。

相關研究：Jones 等[21]針對乳腺腫瘤周圍存在的異常基質組織可能增加局部復發(fā)風險的問題，提出了一種新的成像方法，并利用該數據集中的病例進行測試，得出可以通過動態(tài)對比增強磁共振定量腫瘤周圍基質組織表征的結論。Natsheh等[22]為多幀DICOM醫(yī)學圖像提供了一種簡單有效的像素數據加密方法，通過在Breast-MRI-NACT-Pilot數據集上進行測試，驗證了所提出的方法能夠縮短加密和解密時間，降低了網絡傳輸醫(yī)療圖像的安全風險。2019年，Samala等[23]提出了一種均質化的方法用于減少不同成像方案和掃描儀對核磁共振影像的影響，并在Breast-MRI-NACT-Pilot數據集中得到了驗證。

數據共享利用：Breast-MRI-NACT-Pilot數據集保存于TCIA，研究者可以訪問維基癌癥影像檔案網[24]免費下載使用，該網站上還附有數據集的詳細說明及下載鏈接。如果研究者使用Breast DCE-MRI數據集，須包含數據引用[25]。

國外公開乳腺數據集的特點對我國醫(yī)療數據開放的啟示

相對于國外公開的乳腺癌影像數據集，我國公開的乳腺癌影像數據集極為匱乏。醫(yī)療數據共享程度的偏低一定程度上影響了以計算機視覺技術為代表的、能夠提高醫(yī)療健康服務效率和質量的新技術在醫(yī)療領域的快速發(fā)展和應用。同時，我國乳腺癌數據集開放的現狀只是醫(yī)療健康大數據開放共享力度不足的一個縮影。受制度保障體系、建設理念先進性、技術開發(fā)水平或其他方面的影響，國內醫(yī)療健康領域科學數據共享平臺的數據集成度和開放共享程度仍十分有限[26]。

現以國內外乳腺癌數據集開放共享現狀調研視角，結合國外醫(yī)療數據共享利用的經驗與不足，針對目前我國醫(yī)療健康大數據的共享利用提出以下幾點建議。

(1)完善相關政策，提高共享水平。國外公開的乳腺癌數據集大多可以免費申請使用，研究人員可以便捷地獲取高質量數據。對比歐美發(fā)達國家對科學數據等信息資源的重視和管理，我國一直缺少國家層面的制度保障。中華人民共和國科學技術部基礎司司長葉玉江和中國科學院地理與資源研究所研究員孫九林曾指出我國科學數據的管理與應用存在著明顯不足，特別是許多高價值的科學數據并未在國內得到充分的共享和使用就流向國外[27]。推動數據的共享利用，核心是要通過全國人大立法，建立數據開放標準、界定數據開放邊界，需要建立切實有效的數據開放共享法制基礎。雖然我國目前尚無全國人大及其常委會審議通過的數據共享方面的法律頒布，但國家、地方已有一些法規(guī)、規(guī)章頒布實施。2018年我國印發(fā)了《科學數據管理辦法》(以下簡稱《辦法》)，旨在進一步加強和規(guī)范科學數據管理，保障科學數據安全，提高開放共享水平，以更好地為國家科技創(chuàng)新、經濟社會發(fā)展和國家安全提供支撐?！掇k法》首次站在國家高度、面向多領域科學數據，提出以開放為主的指導原則，其貫徹落實仍需多年探索積累。此外，基于現有的科學體系和數據資源量，數據政策宏觀管理體系尚待擴展，科學數據開放共享整體水平仍需提升，分散于各研究機構的數據孤島仍客觀存在。目前，對于數據共享的具體實踐和實務操作，仍有待主管部門根據《辦法》第32條規(guī)定制定具體實施細則。同年，中華人民共和國國家衛(wèi)生健康委員會發(fā)布了《國家健康醫(yī)療大數據標準、安全和服務管理辦法(試行)》(以下簡稱《管理辦法(試行)》)，進一步明確了各級衛(wèi)生健康行政部門、醫(yī)療衛(wèi)生機構、相關應用單位及個人在健康醫(yī)療大數據標準管理、安全管理、服務管理中的責權利，雖然《管理辦法(試行)》中仍有不少問題尚待進一步明確，但其對于統籌標準管理、落實安全責任、規(guī)范數據服務管理等方面已經有了明確的方向和要求。故在此基礎上，可通過進一步跟蹤《辦法》等文件實施情況，及時提煉總結文件在試行過程中出現的問題和經驗，完善健康醫(yī)療大數據的標準管理、安全管理和服務管理，促進健康醫(yī)療大數據規(guī)范有序發(fā)展來提高醫(yī)療數據的共享。

(2)建立健全醫(yī)療數據隱私標準。健全的醫(yī)療數據隱私保護標準是實現數據開放共享的基礎與前提。隨著歐盟《一般數據保護條例》的生效，歐洲范圍內建立起了一套在隱私管理、個人信息安全保護和數據流動之間的復合機制?！兑话銛祿Ｗo條例》之后，越來越多的國家開始聚焦自身隱私安全問題，我國也不例外。我國正在快速推進隱私保護工作?！吨腥A人民共和國網絡安全法》(以下簡稱《網絡安全法》)于2017年6月1日起實施，其包含一個全局性的框架，旨在監(jiān)管網絡安全、保護個人隱私和敏感信息以及維護國家網絡空間主權安全。雖然《網絡安全法》已經通過并得以施行，但由于部分要求模棱兩可，定義也比較寬泛，在其使用方面仍存在不確定性。2018年5月我國正式實施了《信息安全技術個人信息安全規(guī)范》(以下簡稱《規(guī)范》)，目的是規(guī)范個人信息控制者在收集、保存、使用、共享、轉讓、公開披露等信息處理環(huán)節(jié)中的相關行為，旨在遏制個人信息非法收集、濫用、泄漏等亂象，最大程度地保障個人的合法權益和社會公共利益。但該《規(guī)范》為推薦性標準而非強制性標準，不具備法律強制力，在對信息主體的個人信息保護力度上遠遠不夠。因此，根據國際醫(yī)學研究標準和我國國情，仍應進一步在立法層面上制定相應的數據安全規(guī)范、責任規(guī)范、數據審計制度，建立統一的數據脫敏標準，確保數據存儲、傳輸、使用過程中符合規(guī)定，落實隱私泄露等責任問題，規(guī)范數據開放共享中的審核過程，不斷完善隱私保護法律體系。

(3)加強數據的集成融合。國外公開的乳腺癌數據集有很高的數據集成度，MIAS數據集、Breast-MRI-NACT-Pilot數據集、DDSM、Breast-MRI-NACT-Pilot都提供了患者的病例信息和影像數據，但提供的數據存在一些不足，如MIAS數據集提供了322個影像數據，由于數量較少不能夠用于深度學習的訓練集，會造成欠擬合現象。各個數據集都將分散的數據進行整合、統一、集中管理，有利于科研人員有針對性地進行數據的分析與挖掘。我國現階段的醫(yī)療環(huán)境中，充斥著大量分布式的異構數據、信息、儀器設備和系統，為醫(yī)療信息的表達、存儲、交換、共享、系統協同工作帶來了諸多障礙。以市場需求為導向，根據需求整合醫(yī)療健康數據資源[28]，研究構建適用于醫(yī)學研究的關聯數據表述、組織與整合的標準化體系，加強多類型數據集成融合，不斷增加數據模態(tài)，為研究人員提供便捷的數據檢索與共享服務，提供多維、動態(tài)、多層次的數據管理、分析和應用的技術平臺與環(huán)境，并且制作相關數據產品有利于數據的管理與使用，以提高數據的使用效率及價值。

(4)建立和制定數據集標注的標準和規(guī)范。數據集標注質量良莠不齊是制約數據開放共享的一個重要原因?，F階段數據標注主要依靠人力完成，而當前國內數據標注行業(yè)正在起步階段，行業(yè)準入、門檻標準、人員素質、數據安全等問題迫切需要加強規(guī)范。一方面需要較完善的標注流程和規(guī)范進行質量控制，另一方面需要建立完善的從業(yè)資格審核機制，并從行業(yè)發(fā)展、標注規(guī)范、業(yè)務標準、數據安全、保密規(guī)則等方面對標注人員做培訓以引導行業(yè)人員各方面素質的提高。如以國家相關部門牽頭，聯合一些數據標注公司和互聯網巨頭參與，提供專項資金，共同做好數據標注工作，開發(fā)半自動標注工具等。

(5)探索和創(chuàng)新多機構合作機制。國外公開乳腺數據集的創(chuàng)建多在國家相關醫(yī)療研究機構的資助下，由醫(yī)院、大學和學術機構等合作完成。贊助者除了政府機構，也有個人或制藥公司、學術機構、私人組織或其他組織進行的聯合研究?？梢越梃b吸收國外乳腺癌數據集的建設管理經驗，以項目為牽引，探索不同地域、不同性質機構間數據共享利用的合作機制，創(chuàng)新合作模式，嘗試建立不同疾病領域國際一流、國內領先的醫(yī)療數據集共享平臺。

(6)推進跨區(qū)域協同。政府數據資源是大數據資源的重要組成部分，其基于公共事務管理和服務采集與產生，具有較強的公信力，甚至可能是唯一的數據來源。國務院辦公廳印發(fā)的《進一步深化“互聯網+政務服務”推進政務服務“一網、一門、一次”改革實施方案》已明確提出要建立完善全國數據共享交換體系。除了政府部門內部的互聯互通，還需要在一些領域建立政府與企業(yè)數據的互聯互通，從而為電子政務和數字經濟并駕齊驅創(chuàng)造良好的條件。正如習近平總書記所強調的：“要加強政企合作、多方參與，加快公共服務領域數據集中和共享，推進同企業(yè)積累的社會數據進行平臺對接。”在中共中央政治局就區(qū)塊鏈技術發(fā)展現狀和趨勢進行第十八次集體學習中，習近平總書記指出，要抓住區(qū)塊鏈技術融合、功能拓展、產業(yè)細分的契機，發(fā)揮區(qū)塊鏈在促進數據共享、優(yōu)化業(yè)務流程、降低運營成本、提升協同效率、建設可信體系等方面的作用。區(qū)塊鏈技術為跨地區(qū)、跨部門和跨層級的數據交換和信息共享提供了可能，其技術特征有利于建立政府部門之間的信任和共識，在確保數據安全的同時促進政府數據跨界共享?？傊诳鐓^(qū)域政策協同、利益補償分配等重點領域進行政策創(chuàng)新，推進跨區(qū)域數據資源、專家資源共享，同時要推進協同監(jiān)管、大數據協作，以深化數據等資源共享。

(7)完善和豐富多樣化、精準化數據服務。國外公開的乳腺癌數據集除相關數據外，還提供一系列服務和工具供研究人員使用，如數據檢索工具、數據處理工具等，為用戶創(chuàng)造了良好的科研與工作環(huán)境。除數據檢索外，可借鑒國外醫(yī)療影像數據庫的管理服務理念，針對不同的數據庫建設特點提供多元化的數據統計與挖掘服務，并從中探索多樣化的數據管理服務模式，從而為研究人員利用數據提供便利?；谟脩粜袨榇髷祿治觯瑸檠芯咳藛T提供精準化的信息推送服務，持續(xù)提高醫(yī)學研究人員的信息獲取效率。

綜上，我國醫(yī)療健康大數據的開放共享應從各方面著手，加快推動立法保障，不斷完善監(jiān)管制度和技術方法，逐步提高開放共享程度，全面提升數據質量和應用環(huán)境，為醫(yī)療健康領域的發(fā)展提供高質量的數據支撐和研究基礎。