目的:基于消化内镜人工智能与互联网平台，探索构建一个安全规范、科学严谨的消化内镜数据库，为我国消化内镜人工智能数据质量控制提供参考和依据。方法:针对12种常见消化道疾病，参考相关指南规范，讨论确定消化内镜图像数据的采集与标注标准；研发山东省多中心消化内镜数据在线采集与标注软件；采用国内市场保有量>5%的内镜设备，对参与图像采集与标注的数十位经验丰富的内镜操作医师统一进行数据标注讲解训练。自2019年7月至2020年7月前瞻性、连续性采集、标注来自山东大学齐鲁医院、山东省立医院、聊城市人民医院、临沂市人民医院、威海市立医院、泰安市中心医院、滨州医学院附属医院、烟台毓璜顶医院、山东大学齐鲁医院青岛院区9家医疗中心的内镜检查数据；经数据优化、脱敏、泛化后上传至服务器，经文件同步、数据处理和专家审核，构建山东省多中心消化内镜人工智能数据规范化采集与标注数据库，即云平台。采用描述性方法进行统计学分析。结果:制定了山东省多中心消化内镜人工智能数据采集与标注标准；研发了山东省多中心消化内镜人工智能在线采集与标注软件；成功构建了山东省多中心消化内镜人工智能数据库，数据库中标注病灶43 010个，其中，早期食管癌病灶2 906个，早期胃癌2 912个，早期结直肠癌2 397个，结直肠息肉9 773个(腺瘤性息肉5 539个，非腺瘤性息肉1 161个，未定性息肉3 073个)，标注图像40 353张，标注检查数量11 289例次。结论:山东省多中心消化内镜人工智能云平台采用统一标准和采集标注软件，保证了内镜数据的安全性、规范性，为我国消化内镜人工智能数据标准化采集、标注质量控制体系的构建和第三方数据监管提供了参考和依据。

基于人工智能的肺结节辅助诊断、辅助检测对于肺癌早期筛查具有重要意义。由于当前产品通常采用监督学习，研发与测试过程需要高质量的胸部CT肺结节数据集。目前，此类数据集的构建和质量控制尚未建立具体的技术规范，业内处于探索阶段。随着人工智能医疗器械标准化的推进，关于数据集通用要求的标准正在起草。为促进产业发展、推进标准化进程，本文以训练集为案例，提出了胸部CT肺结节数据集的构建流程，包括数据采集、数据标注等环节。同时，本文解释了该类数据集质量特性的表现形式，提供了质量控制思路。本文旨在为数据集制造责任方提供参考路线，保障数据资源的有序供给，促进肺结节人工智能产品的研发生产。

18F-FDG PET-CT对肺结节检出、诊断及肺癌的疗效评价和预后评估具有灵敏度高、特异度强、定量精准等特点，其临床价值已得到国内外认可。随着影像组学与人工智能技术应用于 18F-氟脱氧葡萄糖（FDG）PET-CT领域的逐渐开展，数据标注和质量控制对深度学习模型准确性和鲁棒性起着重要作用。该共识旨在为肺结节 18F-FDG PET-CT的数据采集、标注以及质量控制提出初步指导意见，以促进肺结节 18F-FDG PET-CT数据集标准化，为人工智能算法和产品研发、调优、验证等提供重要依据，推动细分领域产品的快速发展。

目的:探讨基于人工智能的11~13 +6周胎儿三维超声腭骨自动断层成像提取关键切面方法的可行性。 方法:选取于2020年5月至2021年4月于深圳市罗湖区人民医院超声科与华中科技大学协和深圳医院超声科进行孕11~13 +6周产前超声检查的胎儿容积数据235例，由超声医师A和B进行三维容积数据采集。所有数据由超声医师C进行离线标注。超声医师D对所有纳入数据进行断层成像操作，保存断层图像并记录耗时，获得医师组数据。标注后数据随机分为训练集与测试集进行模型迁移学习与测试，采取4-折交叉验证，记录模型输出的测试集图像及耗时，获得智能组数据。由1名高年资超声医师对两组数据图像进行图像分析。通过比较医师组与智能组所得鼻后三角切面(RTP)评分、RTP获取率、断层获取率、耗时差异，验证智能模型的可行性。 结果:①医师组与智能组RTP评分总体分布差异无统计学意义[5(5，6)分比5(5，6)分， Z＝0.355， P＝0.722]，RTP获取率差异无统计学意义(78.72%比76.60%，χ 2＝0.55， P＝0.458)。两组获取RTP的一致性、相关性较高(Kappa＝0.645，φ＝0.646，均 P<0.001)。②医师组有效层数为9(8，9)层，智能组为8(7，9)层，医师组断层获取率大于智能组(78.72%比68.51%，χ 2＝12.52， P＝0.001)。两组在获取断层的一致性与相关性中等(Kappa＝0.503，φ＝0.521，均 P<0.001)。③智能组耗时明显短于医师组[1.50(1.23，1.75)s比26.94(22.28，30.48)s， Z＝11.440， P<0.001]。 结论:本研究模型能快速准确地实现11~13 +6周胎儿腭骨关键切面提取与断层成像。

随着以深度学习为代表的人工智能技术在消化内镜领域的探索和运用，作为人工智能学习材料的内镜影像，其数据质量逐渐受到关注。本共识聚焦于人工智能相关内镜数据的采集与标注，着力阐明数据采集、标注、存储、隐私保护、数据安全和使用标准等关键问题，以期更好地服务于内镜人工智能模型的训练、调优与测评，进一步推动我国消化内镜人工智能平台的高质量发展。

随着基于医疗大数据逐步建立的人工智能（AI）辅助筛查技术的发展和普及，基于彩色眼底图片的 AI 辅助筛查系统在青光眼的筛查工作中展现了良好的灵敏度和特异度。为了规范AI青光眼辅助筛查系统的设计及临床应用，中华医学会眼科学分会青光眼学组联合相关专家，经过广泛调研和认真讨论，针对AI青光眼辅助筛查系统的数据采集、算法模型构建、硬件要求、数据集建立和标注、AI筛查方案、AI筛查报告要求、数据安全等制定统一标准，以便指导临床开展工作。 （中华眼科杂志，2020，56：423-432）

当前聚焦于胃部组织病理数字图像的人工智能医疗器械的研发已成为行业热点。基于深度学习的人工智能算法所依赖的数据库质量对该类产品的安全和有效性有着重要影响，但目前尚未形成数字病理图像的采集以及数据标注的技术规范。本文从胃部黏膜活检与手术标本组织病理数字图像数据采集及其质量控制、标注规则、标注流程等各个方面介绍专家组达成的共识，目的在于为此类产品的数据集制造责任方提供思路，并有效促进胃部组织病理辅助诊断类产品的发展。

我国是肝胆疾病大国，但在肝胆疾病大数据领域却发展滞后，目前尚无全国层面的临床及影像学数据标准，且行业内缺乏肝胆疾病的规范化标注专家共识。为解决这一问题，中华人民共和国国家卫生健康委员会联合全国肝胆专家制定首个《肝胆疾病标准数据规范》团体标准。笔者团队就标准编制背景、主要内容及建立临床意义等对《肝胆疾病标准数据规范》3项标准（标准号分别为T/CMDA 001-2020、T/CMDA 002-2020、T/CMDA 003-2020）进行解读。旨在通过解读有助于临床医学研究及人工智能医疗器械等机构对数据采集、标注、质量控制规范的理解，有利于该标准的推广应用。

对比增强乳腺X线摄影（CEM）诊断乳腺病变的灵敏度、特异度和准确度均高于常规乳腺X线摄影和乳腺断层融合摄影；其诊断灵敏度与乳腺动态增强MRI相当，特异度略高于乳腺动态增强MRI；故CEM对乳腺疾病的诊断及预后评估具有重要的临床意义。规范高质量的CEM图像对乳腺疾病的临床评估及研究十分重要。目前，CEM在国内的临床应用已经逐渐普及，但CEM数据库的构建和质量控制尚未建立技术规范，国内外均处于探索阶段。为实现中国不同地区、不同人群、不同单位CEM受检者数据资料和影像资料的简便高效录入、共享、查询和统计分析，推进其规范化、标准化进程，该文针对CEM数据库的构建流程，包括数据采集、CEM图像标准化及标注、CEM数据库构建及CEM数据库质量控制等环节形成共识，旨在为建立中国女性的CEM数据库，进行规范化的质量监控和初步临床验证，解释该类数据集质量特性的表现形式，进一步研发CEM人工智能产品等提供科学依据。

随着数字化病理切片扫描和人工智能技术的迅速发展，宫颈癌智能辅助筛查有望减轻病理医师的工作量，提升宫颈癌筛查效率。用于宫颈癌智能辅助筛查算法研发的液基制片数据集不可或缺，因此标准化数据集建设迫在眉睫。为解决当前宫颈癌人工智能辅助筛查产品缺乏标准化标注数据集且难以开展规范化质量可控的算法训练和评估问题，中华医学会病理学分会细胞病理学组联合北京大学工学院有关专家经反复讨论，对数据集数据质量、数据采集、数据处理、数据标注等形成共识。