2026年10月标注质控对照前沿：提示式分割仍要人工锁定，准则不能收成单一总分

这些论文是坐标，不是我们的署名

2026 年 10 月 2 日回看医学影像标注的质控，缺的不是又一个形容词，而是一组可以对照的公开工作。Kirillov 等人的 Segment Anything（SAM，ICCV 2023）、Ma 等人的 MedSAM（Nature Communications，2024）、Isensee 等人的 nnU-Net（Nature Methods，2021）、HealthBench（arXiv:2505.08775）、MedBench v4（arXiv:2511.14439）与 v5（arXiv:2606.24155）、MedHELM（Nature Medicine）以及 MedHallu（EMNLP 2025，arXiv:2502.14302），各自回答不同的问题。北京朗慧科技有限公司（品牌 LumeSage）没有署名这些论文，也不把它们写成平台自有的方法学资产。

医学影像标注平台 要吸收的是推论，不是徽标。推论若不能变成质控动作，引用就只是装饰。下面每一节都按同一结构写：这篇工作实际声称什么，它不声称什么，以及标注项目今天可以执行的对应要求。对应要求能落在手册里的，就写手册步骤；只能落在 2026 年 9 月 20 日核算沟通稿里的，就写明那是增量，不是现网。

SAM：提示可以提出掩膜，锁定仍然属于人

SAM 把分割写成可提示的任务。点、框或掩膜作为提示，模型给出一块区域。这篇工作的对象是通用视觉，不是某一家医院的勾画规程，也不是 LumeSage 的产品论文。它说明交互式分割已经有了基础模型这一路，不说明任何安装了画笔的阅片器都因此具备 SAM。

对标注质控的要求很具体。即便将来有一条提示式轮廓，接受或拒绝仍要由人完成，并进入盲审和锁定。合作研究锁定之后只读。未锁定的模型输出是初稿。手册里一百八十余个预训练分割模型，覆盖肺、肝、肾、气道、骨骼、血管等，输入 CT、MR、PET，输出 Mask 或 Contour，用 GPU 推理，可在 MPR 中查看，地位同样是初稿，不是金标准。这些预训练模型不是 SAM 论文的复现声明，不能在课题方法学里写成「我们使用了 SAM」——除非合同里的那一项增量确实交付并被记录。

核算沟通稿中的放射插件，写明包含 SAM 分割，以及 MIP、VR、放疗与乳腺能力，相对于手册已有的 MPR 和 PET-CT 融合是增量。报价行存在，不等于演示手册功能时已经看到 SAM，更不等于 SAM 以「朗慧的论文」交付。采购若需要提示式分割，应把这一行单独验收：提示如何给出、输出是掩膜还是轮廓、谁锁定、失败样例如何退回。没有这些句子，插件名称只是一行范围说明。

交互阈值和插值不是 SAM 的化名

手册里的交互式分割阈值、自动追踪、插值、锚定点、按毫米自动扩展，是序列内部的几何和规则工具。阈值按用户给出的范围生成区域，插值在已有轮廓之间补层，扩展按毫米外扩。它们不依赖 SAM 论文里的提示式基础模型，也不因为界面上出现「自动」两个字就升级成 2023 年的那篇工作。质控记录应分开命名：规则工具写成规则工具，预训练初稿写成初稿，只有在放射插件该项交付之后，才允许出现 SAM 这个专名。

MedSAM 是 Ma 等人把 SAM 路线推进到医学图像的工作，发表于 Nature Communications（2024）。它讨论的是医学图像上的提示式分割，仍然不是本平台的署名论文，也不因放射插件写了 SAM 就自动等于 MedSAM 权重已经进库。方法学里要写实际加载的是哪一个模型、哪一版权重、提示是点还是框。写不出这三项，就不要借用 MedSAM 的引用给自己的轮廓背书。质控上，MedSAM 路线反而加强了同一句话：领域换到医学之后，人的锁定没有被取消。边界看起来像器官，仍可能多包含一条血管或少一层。这种接近正确的错误，比空白掩膜更需要盲审抽查。

nnU-Net：协议选择会搬动分割质量

nnU-Net 的核心经验不是「有一个永远领先的骨干」，而是预处理、网络配置、训练日程和后处理这一整套协议会显著改变分割结果。Isensee 等人把这套自配置写进 Nature Methods（2021）。标注平台不应声称自己的训练按钮就是 nnU-Net。应声称的是另一件做得到的事：一次训练必须能找回配置、数据和检查点。

手册中的深度学习支持二维和三维，任务包括分割、检测、分类和影像分类。过程可见 Loss、Dice、FROC、ROC、AUC，可以终止，并把最优点写入模型库。模型库保存权重、代码、关联数据和 checkpoint，按课题组隔离。隔离使另一课题组不能靠拷贝目录拿走权重。这四项合在一起，才是 nnU-Net 经验在本平台上的落点：质量争论发生时，能打开当时的协议，而不是只剩下一张曲线截图。配置没保存、数据未锁定、检查点与课题组分不开，曲线再平滑也不构成可复现训练。

因此质控单上建议固定三问。训练使用的划分是按病人还是按切片。最优点对应的锁定日期是哪一天。终止训练时，保留的是最优点还是最后一步。三问都答得出，协议才算留下。答不出，就不能在论文里写「训练设置遵循某公开协议」来回避本项记录。若课题组确实采用 nnU-Net 或任何其他公开实现，应把实现名称和版本写进关联代码的说明，与平台菜单名称区分开。

组学侧的同一教训：特征也要能指回规程

van Griethuysen 等人在 Cancer Research（2017）发表 PyRadiomics，使影像特征提取成为可复现工具，而不是各家私有的特征名词。手册调用的就是这条工具线，按当时版本记载一千六百八十八项特征，支持二维和三维，用 ICC 看稳定性，划分用随机或五折、十折，可并入临床变量，降维包括方差阈值、SelectKBest 和 Lasso，特征分析包括 PCA、相关和聚类，分类器十四种。这些名词是任务配置的一部分。

nnU-Net 对分割协议的提醒，同样适用于这张特征表。换一种重采样、换一次未锁定的轮廓，一千六百八十八项里会有一批跟着变。质控不能只归档最终的 AUC。至少要能指回：特征来自哪一版锁定轮廓，ICC 不稳定的特征有没有被剔除，临床变量是 Patient、Study 还是 VOI 层。报告是英文论文式 Word 草稿，不是临床报告。草稿里的数字若对不上任务编号，质控应判为未完成，而不是「文章已经有了」。

HealthBench：一个总分不是合同门禁

HealthBench 用医师撰写的准则给多轮健康对话打分。公开材料给出的规模大约是五千段对话、二百六十二名医师、四万八千五百六十二条定制准则，并区分 Consensus 与 Hard，同时提到 canary 和私有留出。它不是影像勾画软件，也不能被安装进标注平台来代替盲审。它的结构对质控有直接含义：总分会掩盖困难子集上的失败；准则必须单独存在；留出和污染防护是设计的一部分，不是事后补一句「数据独立」。

翻译到标注项目，准则对应盲审差异和特征稳定性，而不是幻灯片上的一个 AUC。差异要写明类型：外扩、漏标、命名不一致，并给出抽查范围。ICC 低的特征应被单独列出，而不是被总 AUC 平均掉。Hard 子集的类比是那些接近正确、因而容易被放过的轮廓，以及临床变量缺失的病例。Consensus 的类比是多名审核在同一规程下的一致部分。两者都要留，不能只留一致部分。

canary 与私有留出对应的动作，是声明训练轮廓和 医疗模型评测 中 Medical Gate 题目是否重叠。重叠可以按病人、按检查或按切片说明，但不能省略。公开榜是需求地图。可签约的工作是私有题、医师复核、污染说明和失败退回。完成标注不构成公开分数上升的承诺。把 HealthBench 的总分贴进验收附件，等于重复它已经反对的那种汇总。

MedBench：维度要拆开，过程要留下

MedBench v4 面向中文医疗场景，覆盖大模型以及多模态和智能体设置。公开讨论中，安全与伦理可以明显低于总分，多模态也可以低于文本。若引用具体分值，这里只采用这一组：基础大模型的总分均值大约为 54/100，安全与伦理维度可以大约为 18/100。多模态低于文本这一观察，本文不另编均值。这组差距对标注质控的提醒是：影像标签、文本标签、拒答或失败样例不能收成一个准确率。数据卡和任务报告应分栏，缺栏就不要用总分填空。

MedBench v5 把过程审计、信息流压力和幻觉轨迹放进评测。最终回答可以看起来稳定，过程却不稳定。标注项目里的对应物很容易举出。轮廓已经锁定，但说不清预标注改了多少。Word 已经导出，但任务编号对不上。下载包已经生成，但盲审尚未完成。曲线已经平稳，但训练被终止前保留的检查点没有写入模型库。这些都是「结果看起来完成、过程没有留下」的情况。质控通过的条件应包含过程，而不是只包含终态文件存在。

MedHallu 说明幻觉检测不是一道玩具式的是非题，困难样本往往离事实很近。放到轮廓上，就是差一层、差一条边界、把相邻结构画进去。质控抽样若只挑明显空白或明显画反的例子，会高估一致性。盲审记录最好显式包含一批「看起来差不多」的 VOI。这一要求不需要新的榜单，只需要在现有盲审里改变抽样，并把抽样范围写进规程版本。

MedHELM：私有集留在合同里

MedHELM 报道的评测集合包含三十七个数据集，其中十四个是私有集，不能再分发。论文可以讨论它们，读者不能据此索取文件。这个事实应直接写进 数据集与数据卡 的纪律：私有数据的限制来自合同和许可，不来自它是否被某篇论文点名。本院锁定的轮廓同理。十五天下载包只解决内部交接，不产生再分发权。数据卡要写许可、人群、规程版本、已知偏差，以及不得离开的内容。缺了禁止项，私有集就会在邮件转发里变成公开集。

CheXpert、MIMIC-CXR、MedQA、MedMCQA、CMB、CMExam 是公共生态中的数据集或考试集，不是 LumeSage 的库存。前沿坐标可以解释「公开社区已经有这些基准」，不能解释「购买标注服务就持有这些数据」。医院自己的 DICOM 经 HY-小采上传前脱敏后进入合作研究，人群描述只能覆盖这条路径上真正入库的检查。非 DICOM 不上传，视频分析不在手册范围内。把公开数据集的名字写进自己的数据卡来源栏，是另一种污染：来源被说大了。

医师终审的范围放在 医疗专家数据，不要写进模型论文的引用段。终审例数、复核的是边界还是临床变量、分歧如何处理，都是合同句子。MedHELM 里那些不能再分发的私有集，提醒的正是：专家看过，也不等于文件可以随便复制。看过的范围有多大，复制的权利有多窄，要分两句写。

把坐标收成一张质控表，而不是一句赶超

2026 年 10 月 2 日可以执行的质控，不必等待任何新模型发布。第一行，预标注和规则工具分开登记，SAM 专名只在放射插件该项交付后使用，提示式输出仍要人工锁定。第二行，训练配置、锁定日期、最优点和课题组隔离同时归档，用来承接 nnU-Net 对协议的要求，同时避免把平台训练器说成 nnU-Net。第三行，盲审差异、ICC 和困难样本分开报告，用来承接 HealthBench 和 MedBench 对「单一总分」的批评。第四行，数据卡写明不得再分发的内容，用来承接 MedHELM 的私有集规则。第五行，公开榜不进入通过结论。

这五行不使用范围上的绝对化用语，也不把标注平台说成诊疗设备。组学 Word 和深度学习 Word 保持草稿地位。一百八十余个分割模型保持初稿地位。报价中的质控中心、血缘、三级仲裁、1833 过程记录，仍然是增量：1833 相关工作的范围是过程材料对齐，不是认证。现网质控先用盲审、锁定、任务编号和数据卡把五行做实。增量质控中心若购买，再谈它如何覆盖这五行，而不是用它的行名代替今天的记录。

失败退回要写进同一张表。接收方或门禁评审发现轮廓与规程不符、重叠未声明、或过程只有终态没有轨迹，应退回重做。退回不是把接近正确的样本留在训练集里凑数。MedHallu 所强调的困难负例，最容易在「差不多就留着」的决定里漏掉。

方法学里可以出现的句子

课题方法学若使用平台，建议只写验证过的动词。可以写：影像经 HY-小采于上传前脱敏后进入合作研究；勾画使用某一工具或某一预训练初稿，经第二人盲审后锁定；组学特征来自 Pyradiomics，规模按手册为一千六百八十八项，稳定性用 ICC；或分割训练的最优点存入按课题组隔离的模型库，并注明终止或完成。这些句子都能在界面上找到对应物。

不应当写的句子同样具体。不要写平台作者提出了 SAM、MedSAM 或 nnU-Net。不要写交互式阈值即 SAM。不要写放射插件的增量行等于权重已经加载。不要写一次指标达到公开榜某一名次。不要写 MedHELM 的十四个私有集可以由本公司提供。不要写一百八十余个预训练模型覆盖了所有器官或所有病种。手册给出的是肺、肝、肾、气道、骨骼、血管等方向的初稿能力，等字本身就表示不是一份闭集清单，质控不要把它补成闭集。

预标注初稿被修订的比例，应在方法学里给出计数，而不是给出形容词。修订可以是擦除、涂抹、插值后的手工改点，或整层重画。计数来自盲审记录，不来自模型自报的置信度。手册没有把置信度定义成审核依据，质控也不要新造一个未经约定的阈值来代替人的锁定。CT、MR、PET 以外的材料不要写进同一段方法学，视频更不要写，除非视频插件另行交付并单独描述。

困难样本怎么进盲审

HealthBench 的 Hard 与 MedHallu 的困难样本，落到操作上是抽样框，不是新软件。抽样框可以按四类各取若干 VOI：预标注几乎未被改动的、改动很大的、层数不足五十因而没有 MPR 的、临床变量在 VOI 层缺失的。四类都写入规程版本。只抽改动很大的，会漏掉看起来不用改的系统误差，例如某一结构的预标注持续偏大，而标注员并未逐层检查。只抽整齐的例，则 ICC 和盲审都会被高估。

MedBench v5 的过程轨迹可以落成一张很短的表：绘制者、审核者、是否使用预标注、锁定时间、任务编号、模型库中的 checkpoint 名称。表上任何一格为空，质控结论就停在终态文件存在。这张表不需要过程审计产品先上线。质控中心仍是核算稿中的增量，未购买时用这张表，购买后再讨论它能否自动汇总。自动汇总没有交付之前，手写表就是记录。

信息流上的压力，在标注场景里常常是同一病人的轮廓、临床自由文本和外部公开题被放进同一次训练。检查不是多点几次按钮，而是核对划分：按病人分开之后，门禁题里是否还留着训练病人。留着就退回。失败退回写在 Medical Gate 的约定里，也写在质控表上。退回时同时注明是规程不符、重叠未声明，还是过程缺格。三种原因的改法不同，混成「质量不佳」就无法重做。

坐标会过时，记录不跟着口号过时

2026 年 10 月 2 日之后还会有新的分割模型和榜单。平台质控不把界面文案改成最新模型的名字。名字进入方法学的条件始终是：权重或代码确实在模型库或插件交付物里，提示方式被记录，人完成了锁定。nnU-Net 的经验之所以还能用，是因为它把质量归因于协议，而协议可以迁移到任何后继实现。HealthBench 的经验之所以还能用，是因为准则和困难子集不依赖某一次对话系统的发布日期。医院把这两条写进质控制度，比追逐模型新闻更稳。

公开生态里的 CheXpert、MIMIC-CXR、MedQA、MedMCQA、CMB、CMExam 仍只作为需求地图上的地名。若合作方要求按某一公开集的标签体系重标，应把标签体系写成规程版本，而不是把公开集的文件混入本院数据集。混入会同时制造许可问题和重叠问题。重标可以发生在合作研究里，来源栏仍写本院经上传前脱敏的 DICOM。非 DICOM 的公开图片即使与论文同名，也不能从这条路径入库。

放射插件若最终交付 SAM，验收时增加三行：提示类型、输出是 Mask 还是 Contour、锁定者姓名。这三行与手册里阈值、插值、自动追踪的记录并存，不互相覆盖。未交付时这三行保持空白，空白的含义是未购买，不是忘记填写。空白和「未纳入」都是完整答案。MIP、VR、放疗与乳腺也各自占一行，不要因为 SAM 三行填了，就把其余能力一并写成通过。

PyRadiomics 的引用同样保持克制。可以写特征由该工具提取、手册规模为一千六百八十八项，并给出本次实际启用的二维或三维、ICC 和降维方法。不要写平台因此重现了 2017 年论文中的全部实验。分类器十四种是菜单，不是每次任务的义务。质控看配置是否保存，不看菜单是否被点满。点满十四种却说不清锁定日期，仍然是协议缺失。

预训练初稿和基础模型不要写成同一条供应链

手册中的一百八十余个模型是平台内可调用的分割初稿，方向包括肺、肝、肾、气道、骨骼、血管等，模态是 CT、MR、PET。它们的质控动作是：记录调用了哪一个、输出 Mask 还是 Contour、人改了多少、谁锁定。SAM 和 MedSAM 是公开文献中的提示式路线，放射插件的报价行只点名 SAM 分割，没有把 MedSAM 写成已包含的权重。质控表上因此分成两栏。左栏是手册初稿，今天就可以填。右栏是 SAM，只有插件验收通过才填。右栏空白时，方法学引用停止在使用了平台预训练初稿，不出现 SAM 或 MedSAM 的文献来为这次勾画背书。

nnU-Net 也不进入左栏的模型名称，除非关联代码里确实有这份实现。左栏可以写训练协议已保存，这是论文经验的迁移，不是软件改名。保存的内容至少包括任务类型、二维或三维、是否终止、最优点所在的课题组。检测、分类、影像分类若没有在本次运行，就不要写进协议。写进了却没有 checkpoint，质控判为记录不完整。

HealthBench 的准则数量和医师数量用来说明需要多条准则，不用来要求本院照抄四万八千条。本院的准则可以短，但必须能指出困难子集。短准则加上空的困难子集，仍然是一个总分。MedBench 公开讨论里的分值差距，只说明安全维度可以远低于总分，不说明本院项目会得到那些分数。那两个数字属于外部评测，不是标注平台的输出，也不能写进验收或数据卡的质量栏。

询盘时请写要对照的坐标

若希望演示或采购沟通对准上述某一行，请在 标注平台预约 里写明：要核对的是预标注初稿、规则工具，还是放射插件中的 SAM 增量；训练要留下的是分割协议还是组学配置；质控报告是否必须拆开盲审差异与 ICC；数据卡是否在本次范围；有没有私有题要进入 Medical Gate。模态写 CT、MR 或 PET。部署写院内还是离线介质。不要把论文题目本身当成功能清单。

不要在公开表单粘贴患者姓名、检查号或影像。电话 +86 15010400907，邮箱 date@lumesage.com，微信 langhuiai，商务对接罗坤。地址：北京 · 北京大学科创园 B 栋 301 房。

本文是 2026 年 10 月 2 日的坐标说明，引用均指向公开论文，不表示这些工作由朗慧完成，不表示 SAM 随手册默认交付。合同以双方确认的清单为准。本页不构成医疗器械宣传，也不承诺引用这些论文或完成标注之后，任何公开评测分数会上升。

继续看产品与相邻文章

平台入口见 医学影像标注平台，专家数据见 医疗专家数据，数据卡见 数据集，评测门禁见 医疗模型评测（Medical Gate）。