醫療團隊的無代碼資料標記

臨床 NLP 模型需要確定放射科報告是否指示需要隨訪的發現。ML 工程師讀到「已知左下肺葉結節的大小間隔縮小，現測量 4mm，之前為 6mm」可能會將其標記為「異常發現——需要隨訪」。放射科醫生讀同樣的句子並將其標記為「改善中的發現——僅常規監測」。這兩個標記之間的差異可能決定患者是否會得到不必要的活組織檢查轉介。

這不是一個假設情景。它是醫療保健 AI 開發的日常現實，其中臨床細微差別是有用模型和危險模型之間的區別。

為什麼臨床資料標記是不同的

醫療保健資料不像電子商務評論或客戶支持票券。它具有三個使其難以標記的特性：

臨床術語依賴上下文。 相同的詞在不同的臨床情境中有不同的含義。妊娠測試情境中的「陽性」與 HIV 測試情境中的「陽性」意思完全不同。「不引人注意的」是一個強烈的陳述——它意味著放射科醫生仔細看了並沒有發現任何異常。ML 工程師可能會把它讀成「沒有用」或「不完整」。

臨床顯著性需要培訓。 確定化驗值是否具有臨床顯著性需要了解正常範圍、患者病史、藥物影響和臨床情境。10.2 g/dL 的血紅蛋白對健康成年男性可能危急低，但對接受化療的患者完全可以接受。標記取決於只有臨床醫生才能整合的信息。

錯誤有患者安全影響。 客戶服務模型中的錯誤標記訓練範例會產生糟糕的聊天機器人回應。臨床決策支持模型中的錯誤標記訓練範例可能產生傷害患者的建議。醫療保健中標記錯誤的容忍度從根本上低於其他領域。

美國醫療信息學協會雜誌的研究表明，在臨床醫生標記資料上訓練的臨床 NLP 模型，在臨床實體提取任務上比在非臨床標注員標記資料上訓練的模型高出 12-18% 的 F1 分數——即使非臨床標注員可以訪問醫學字典和參考材料。

知識差距不是關於訪問信息。而是關於多年的臨床經驗，這種經驗塑造了從業者如何解讀這些信息。

基於雲端標記的 HIPAA 問題

大多數標注平台是基於雲端的。Label Studio Cloud、Labelbox、Scale AI、Amazon SageMaker Ground Truth——它們都需要將資料上傳到外部服務器。對於醫療保健資料，這產生了從困難到不可能的 HIPAA 合規問題。

受保護的健康信息（PHI）不能隨意上傳。 HIPAA 要求與任何處理 PHI 的實體簽訂業務夥伴協議（BAA）。並非所有標注平台都提供 BAA。那些提供的平台收取顯著更多的符合 HIPAA 要求的層次費用——通常每年 $50,000-150,000。

去識別化不是完整的解決方案。 你可以在上傳之前對資料進行去識別化，但臨床文字的有效去識別化本身就是一個 NLP 問題。姓名、日期、地點、病歷號和其他幾十個 PHI 元素必須可靠地被檢測和刪除。自動去識別化工具達到 95-98% 的召回率——意味著 2-5% 的 PHI 元素保留。對於標記 10,000 份臨床記錄的組織，那是 200-500 份帶有殘留 PHI 泄漏到雲端平台的記錄。

機構審查增加了幾個月。 即使有 BAA，大多數衛生系統在臨床資料離開組織網絡之前需要安全審查、隱私影響評估，通常還需要 IRB 審查。這些審查需要 2-6 個月。對於一個 6 個月時間線的 AI 項目，那是項目的一半時間用於合規文書工作，在應用單個標記之前。

自托管技術要求高。 替代方案——在醫院基礎設施上自托管標注平台——需要 Docker 專業知識、網絡配置、安全加固和持續維護。醫院 IT 團隊通常被拉得很緊，並且抵觸支持額外的自托管應用程式，尤其是那些與臨床資料交互的。

結果：大多數醫療保健 AI 團隊要麼支付六位數費用用於符合 HIPAA 的雲端標注，要麼花幾個月在合規審查上，要麼讓他們的 ML 工程師使用臨時工具（電子試算表、自訂腳本）在本地機器上標記資料。這些選項都不理想。

臨床醫生實際需要什麼

我們與放射科、病理科、心臟科和初級護理的臨床團隊合作過。他們對標記工具的要求是一致的：

在他們現有的工作站上運行。 臨床醫生已經有了通過 EHR 和 PACS 系統訪問臨床資料的電腦。標記工具應該在同一台機器上運行，訪問同樣的本地資料。不需要額外的基礎設施，不需要資料傳輸，不需要網絡配置。

沒有技術設置。 臨床醫生患者之間有 8-12 分鐘。如果工具需要 pip install、Docker 或配置文件編輯，它將不會被使用。它需要像任何桌面應用程式一樣安裝，並在幾秒鐘內啟動。

界面中使用臨床詞彙。 標記方案應該使用臨床術語，而不是 ML 術語。「發現」而不是「實體」。「臨床顯著性」而不是「標記置信度」。「鑑別診斷」而不是「多類分類」。界面應該反映臨床醫生的思維方式，而不是模型的訓練方式。

完整的資料本地性。 PHI 保留在本地機器上。沒有雲端上傳，沒有外部 API 呼叫，沒有資料離開醫院網絡。這完全消除了 HIPAA 擔憂——如果資料從不離開受保護實體的控制，就沒有業務夥伴要求，也不需要外部安全審查。

ML 團隊可以使用的輸出。 臨床醫生標記。ML 工程師訓練。工具必須以與標準訓練管道集成的格式——JSONL、CSV 或框架特定格式——導出標記資料，而不需要臨床醫生了解這些格式。

使臨床標記實用

實際挑戰是將標記融入臨床工作流程。臨床醫生不打算為標注預留 4 小時的時間段。工具需要支持短時間段的標記——在臨床職責之間 15-30 分鐘——以最小的上下文切換成本。

這意味著：

快速啟動。 應用程式在 3 秒內打開，標記項目準備好恢復。沒有加載屏幕，沒有登錄流程，沒有等待資料同步。

狀態保留。 每個標記立即保存。臨床醫生可以在會話中途關閉應用程式，並在完全相同的地方恢復。沒有「保存項目」步驟，沒有丟失工作的風險。

進度可見性。 臨床醫生應該看到他們標記了多少個範例，還有多少個剩餘，以及他們的標記與其他標注員的比較（用於評分者間可靠性）。這提供了動力和質量保證，而不需要 ML 監督。

批次友好的工作流程。 審閱放射科報告的臨床醫生應該能在 15 分鐘的會話中標記 20-30 份報告。界面應該最小化點擊次數並最大化特定資料類型的吞吐量。

滿足這些約束後，8 名放射科醫生的部門每天標記 20 分鐘，每週可以生產 800-1,200 份標記報告。以這個速度，一個 5,000 個範例的訓練資料集——足夠構建強大的臨床 NLP 模型——在 4-6 週內完成，對臨床操作沒有任何干擾。

與替代方案相比：2 名 ML 工程師標記 3 個月，生產質量較低的標記，需要多次修訂週期。

桌面應用程式的優勢

原生桌面應用程式以雲端平台和自托管工具無法做到的方式解決了醫療保健標記問題。

HIPAA 合規變得微不足道。資料從不離開臨床醫生的工作站。沒有網絡傳輸，沒有雲端存儲，沒有第三方資料處理。合規對話從「我們如何在外部平台上保護傳輸中和靜態的資料」變成「資料留在它已經在的地方」。

IT 參與降至零。應用程式像 Microsoft Word 或任何其他桌面工具一樣安裝。沒有服務器配置，沒有 Docker 配置，沒有防火牆規則。臨床醫生下載它，安裝它，然後開始標記。

臨床醫生的採用率增加，因為進入門檻與他們已經習慣的東西相匹配——他們每天使用的桌面應用程式。

Ertas Data Suite 採用這種方法。它是一個原生桌面應用程式，臨床醫生安裝在他們的工作站上，指向本地臨床資料，並通過零代碼的視覺界面進行標記。PHI 從不離開機器。標記以標準 ML 格式導出。ML 團隊獲得臨床醫生質量的標記資料，而不需要 HIPAA 開銷、雲端費用或 6 個月的合規審查。

臨床 AI 值得臨床標記。工具應該使這成為可能，而不是阻止它。