Skip to content
醫療健康與臨床

用 Potato 做醫療健康與臨床標註

標註臨床記錄，分割 DICOM 和 NIfTI 體資料，標註病理切片，每個病例分配多名評閱者，全部執行在你所在機構控制的伺服器上。

快速入門開啟研究設計器

Potato 讓臨床醫生在臨床記錄中標註實體和關係，對來自 DICOM 或 NIfTI 的 CT 和 MR 體資料做分割，並在全切片病理影像上繪製標註；每個病例可分配多名評閱者，並測量他們的一致性。Potato 免費開源，執行在你自己的伺服器上，臨床記錄和影像始終留在你的機構內部。

臨床標註項目往往有兩個共同要求。資料不能交給雲服務，所以工具必須執行在機構自己的基礎設施上；標註者是稀缺的專家，他們的標籤需要相互核對。Potato 在你安裝它的任何地方都能執行，包括設定完成後沒有對外路由的網路。Potato 把病例分配給標註者，保留每名標註者的標籤，併為每一種標籤報告一致性。

Potato 中的臨床標註任務

每一行是 Potato 2.12 自帶的一種標註類型或顯示類型，連結頁面給出了它的配置。

任務Potato 的做法文件
臨床 NER 與關係為問題、治療、檢查或健康社會決定因素打片段標籤，並在它們之間建立連結片段標註
概念規範化把提及連結到 UMLS 概念、Wikidata，或通過 REST API 提供的術語服務實體連結
醫學編碼分類體系從檔案載入的層級選項，例如某個編碼系統的子集層級多選
CT 和 MR 分割volume_annotation 以軸位、冠狀位和矢狀位檢視顯示 DICOM 序列或 NIfTI 檔案，支援用畫筆或多邊形繪製掩碼、層間插值；邊界框作為獨立形狀儲存在掩碼之外匯出格式
病理切片通過 openslide 讀取全切片影像（.svs、.ndpi、.mrxs 等），在任意縮放級別下都能標註深度縮放
胸部 X 光及其他影像在影像上打標籤、畫邊界框和多邊形，並計算邊界框上的一致性計算機視覺
問卷在任務之前或之後施測 PHQ-9 和 GAD-7 等經過驗證的量表調查工具

DICOM 頭中的患者資訊

DICOM 頭通常包含患者姓名、ID、出生日期和所在機構，因此體資料檢視器只向標註者顯示你在 display_tags 中列出的頭欄位。DICOM 去標識化基本規範會刪除的欄位，例如 PatientName 或 PatientID，只有同時列在 allow_identifying_tags 中才會顯示。這份列表由伺服器強制執行，瀏覽器無法請求其他欄位。除非你開啟下載，原始 DICOM 和 NIfTI 檔案不會對外提供下載。

yaml
annotation_schemes:
  - annotation_type: volume_annotation
    name: ct_segmentation
    description: Outline the lesion and the bone ring
    source_field: volume
    labels:
      - {name: Lesion, color: "#e6553a", key_value: "1"}
      - {name: Bone, color: "#3a8ee6", key_value: "2"}
    default_window: Soft tissue
    display_tags: [Modality, BodyPartExamined, SliceThickness]

這層過濾無法覆蓋所有情況。檔名和目錄名會傳到瀏覽器，而 PACS 匯出常以患者名字命名資料夾，所以請使用 case_001/ 這樣的假名。被標記為含有燒錄標註的序列會被拒絕，但其他序列中的畫素不會被檢查，磁碟上的檔案也保持上傳時的原樣。如果執行伺服器的人也不能看到身份資訊，請在上傳前對檔案做去標識化處理。體資料支援需要 pip install 'potato-annotation[volumes]'，全切片影像需要 wsi 擴充套件。

一致性與匯出

volume_annotation 的掩碼按標籤在每對標註者之間計算三維 Dice；如果某一對標註者都沒有繪製某個標籤，這一對在該標籤上不計入，而不是算作一致。掩碼可以匯出為保持源幾何結構的 NIfTI 標籤體（volume_nifti），或引用源序列的 DICOM SEG 物件（dicom_seg）。文本標註可匯出為 JSONL、CSV、CoNLL 或 Parquet，每名標註者的標籤都會保留，供裁定使用。

與 3D Slicer、MedCAT 和 REDCap 的分工

3D Slicer 是用於醫學影像分析和單人精細分割的桌面平臺，MedCATtrainer 是用於訓練生物醫學概念識別與連結模型的介面。當同一批病例要通過瀏覽器交給多名閱片者，並且你需要他們的一致性時，Potato 更合適。Potato 不是臨床資料採集系統，也沒有 REDCap 為受監管研究提供的那種審計追蹤，所以可識別身份的健康記錄應儲存在專門為此設計的系統中，Potato 只用於標註。

常見問題

能否在我們自己的伺服器上標註含有 PHI 的臨床記錄？

Potato 執行在你控制的伺服器上，並把標註寫入這些伺服器的磁碟。除非你配置了外部服務，例如託管的 AI 端點，否則 Potato 不會向任何外部服務傳送資料。某個部署能否存放受保護的健康資訊，要由你所在機構的隱私與安全部門決定，他們會審查伺服器和應用層面的訪問控制、登入、加密和日誌記錄。

自託管的標註工具能讓項目符合 HIPAA 嗎？

沒有哪個工具能單憑自身讓項目合規。合規取決於系統如何部署和運營，包括訪問控制、協議和伺服器上的防護措施。Potato 能在兩方面提供幫助：第一，安裝完成後，Potato 可以在機構網路內部執行，不需要任何外部連線；第二，體資料檢視器會限制標註者能看到哪些 DICOM 頭欄位。

Potato 能開啟 DICOM 或 NIfTI 影像嗎？掩碼匯出為什麼格式？

能，從 2.12 版開始。volume_annotation 方案在三個聯動檢視中開啟 DICOM 序列或 .nii、.nii.gz 檔案，條目上的 RTSTRUCT 可以提供初始掩碼。掩碼可匯出為 NIfTI 標籤體，或引用源序列的 DICOM SEG 物件。不支援四維體資料、PET/CT 融合影像和斜位重建。

如何在閱片者之間分配影像病例並測量他們的一致性？

用 num_annotators_per_item 設定每個病例由多少名閱片者檢視，Potato 會分配病例並保留每名閱片者的掩碼。一致性報告給出同一病例上每對閱片者按標籤計算的三維 Dice。

延伸閱讀

從這裡開始

片段標註臨床記錄中的問題、藥物及其他實體。實體連結把提及連結到 UMLS、Wikidata 或你自己的術語服務。氣隙環境下的標註在沒有對外路由的網路中執行標註。深度縮放以全解析度檢視十億畫素影像和分塊掃描圖。專家標註與眾包標註什麼時候標籤需要臨床醫生，而不是眾包工作者。分類分配把條目分配給具備相應資格的標註者。

示例設計

每個設計都是可以下載並直接執行的 Potato 配置。

i2b2 Clinical Named Entity RecognitionNamed entity recognition and assertion classification for clinical notes, based on the i2b2/VA 2010 challenge (Uzuner et al., JAMIA 2011). Annotators identify clinical entities such as problems, treatments, tests, medications, and their assertion status in de-identified medical text.RadGraph-XL: Radiology Entity and Relation ExtractionEntity and relation extraction from radiology reports. Annotators identify clinical entities (Anatomy and Observation, each marked definitely present, uncertain, or definitely absent) and label relations between them (located_at, suggestive_of, modify).MedNLI: Clinical Natural Language InferenceNatural language inference for clinical text. Annotators determine whether a clinical hypothesis is entailed by, contradicted by, or neutral with respect to a premise sentence from clinical notes. Based on the MedNLI dataset derived from MIMIC-III clinical notes.n2c2 2022: Social Determinants of Health ExtractionExtract social determinants of health (SDOH) from clinical notes. Annotators identify SDOH entities (Employment, Housing, Substance Use, etc.) and their attributes (status, type, temporal information). Based on the n2c2 2022 Track 2 shared task for SDOH extraction from clinical narratives.CheXpert Chest X-Ray ClassificationMulti-label classification of chest radiographs for 14 observations (Irvin et al., AAAI 2019). Annotate chest X-rays with pathology labels including uncertainty handling for clinical findings.Camelyon17 - Breast Cancer Metastasis Detection in PathologyPathology slide annotation for breast cancer metastasis detection. Based on the CAMELYON grand challenge (Ehteshami Bejnordi et al., JAMA 2017), annotators delineate tumor regions in whole-slide histopathology images and classify slides as positive or negative for metastasis.

其他領域

全部應用場景