数据标注 | 一份医疗标注需求文档,必须写清这6件事

“这批病历要做结构化标注，要求准确、专业，月底交付。”这句话指明了工作方向，却不足以让一个医疗标注项目顺利启动。

结构化到什么程度？提取哪些信息？疑似诊断怎么处理？资料不完整怎么办？最终按什么标准验收？这些问题如果不提前厘清答案，不同的标注人员就会有不同的理解。等到批量标注生产后再统一执行口径，往往意味着调整规则、重新培训，甚至出现整批返工的情况。

一份清晰的需求文档，能把模型研发的目标，转化为数据标注生产中可落地执行、可量化检查的明确要求。对医疗标注项目来说，以下六件事尤其要写清。

用途与任务：这批数据要解决什么问题？

“用于医疗大模型训练”仍然过于宽泛。同一份病历，用来训练信息提取、梳理病程关系，还是构建医疗问答样本，标注方式和质量要求完全不同。需求文档首先要说明：数据服务于什么任务，模型需要从中学习什么能力。

以医患对话数据为例，是提取其中症状与疾病名称，还是识别患者诉求、评价医生回答质量，或是评估多轮问诊流程的完整性？原始资料可能相同，但标签、人员要求和审核重点各不相同。

训练数据与评测数据也要分开。涉及评测时，应明确样本隔离与去重要求，避免相同或高度相似的内容混入训练环节，影响评测结果。

用途越具体，标准越容易落地。任务设计应从目标能力出发，确定真正需要标什么、保留什么，以及哪些内容不在本次范围内。

数据与范围：标什么、依据什么、哪些不能推断？

一条医疗数据的边界，要在生产前界定清楚。数据是一份完整病历、一次就诊记录、一轮对话，还是一张图片？同一患者多次就诊是否需要关联？标注时能否同时查看检查报告、既往病史和后续记录？

这些差异会直接影响标注工作量与判断依据的准确性。

需求文档应明确数据类型、计量单位、资料组成，以及纳入和排除条件。对重复、模糊、缺页、内容冲突或不属于目标科室的样本，要约定识别方式和处理去向。

尤其要写清：标注结论允许依据哪些信息得出。比如原始病历写的是“考虑某疾病”，如果任务要求提取原文诊断状态，就应保留其不确定性；如果任务涉及进一步的专业判断，则需另行明确证据要求和审核方式。

对于资料中未出现且现有证据无法支持的内容，应设置“未提及”“无法判断”或提交复核等处理路径。

标签与规则：每个标签的边界在哪里？

标签名称相同，不代表理解一致。“既往史”是否包含已治愈的疾病？“用药信息”只标药品名称，还是同时包括剂量、频次与疗程？“症状”是否区分患者自述、医生观察和明确否认？这些细节，要落实到可操作的标注规范中。

一套完整的规则，既要解释标签含义，也要说明标签间的关系、允许取值范围、标注粒度与证据定位方式。否定表述、时间状态、疑似结论、信息冲突等常见边界问题，需单独约定。

示例不能仅包含最易判断的标准样本，还需要有正例、反例及易混淆案例，共同构成规则解释体系，帮助标注人员理解标注依据。

好的规范，应让不同人员面对相同资料时，能依据统一标准得出一致结果。

因此，正式生产前应安排试标与讨论，将分歧转化为规则补充，再确认规范版本——这比批量交付后反复解释更高效。

人员与审核：谁来判断，分歧如何解决？

医疗标注任务的专业深度存在差异，对人员能力的要求也有所不同。规则明确的信息提取、专业内容判断、疑难样本复核环节，应分别匹配对应能力的人员。需求文档需明确各环节的能力要求、准入方式与职责，不能仅用“医学背景”概括全部条件。

审核机制同样要具体。哪些样本需要专业复核？哪些问题必须升级处理？争议由谁裁定？裁定结果是否需要回查历史数据？这些约定决定了项目遇到难题时能否稳定推进。

审核的价值，在于让专业判断有依据、有分工，并能形成一致口径。

数据使用与流转：谁能接触，如何保护，怎样交付？

医疗标注需求还应说明数据的使用边界与保护要求。项目启动前，需由相关责任方确认数据来源、处理依据、使用目的与范围，并将生产所需的访问权限、脱敏规则、运行环境和流转方式落实到方案中。

若任务仅需检查项目与数值，需严格评估向标注人员展示患者身份信息的必要性；在使用模型辅助处理时，应明确允许使用的工具、部署环境及数据传输边界。

脱敏要求需与任务需求共同设计：应保护的身份信息不能遗漏，任务必需的医学语境也要妥善保留。处理后，还要检查脱敏效果及数据可用性。

交付环节应明确文件格式、字段结构、关联方式、接收渠道，以及项目结束后的数据留存或处置要求。

这些内容需嵌入实际操作流程，确保各参与方清晰知晓自身可接触的范围、可执行的操作及需留存的记录。

验收与变更：怎样算合格，需求调整后怎么办？

“准确率达到要求”需要进一步拆解。验收对象是标签、字段、样本，还是整份病历？漏标、错标和关系错误如何计分？关键字段是否单独评价？抽样如何进行？发现问题后，是修订单个样本，还是复查相关批次？上述内容应在正式生产前形成明确约定。

不同任务可结合准确率、召回率、字段完整性、标注一致性等指标开展评价；Kappa等一致性指标也要结合任务类型与类别分布来解释，不能替代全部质量判断。

同时，需求文档应明确交付批次、验收周期、问题反馈与返修流程，为生产和复核预留合理的时间与资源安排。

医疗标注项目中，试标与模型验证可能引发规则调整，因此变更机制同样重要：新增标签、调整判断边界或补充资料后，需评估其对工时、排期及历史样本的影响，并做好版本记录。

每一批数据，都应能对应到明确的规则版本与验收口径。

结语

把六件事写清，需求才能真正进入生产

这六件事构成一条完整链路：用途决定任务，任务限定范围，规则指导操作，人员保障判断，使用边界约束流转，验收机制检验结果。

任何一处模糊，都可能将不确定性传递至后续环节。把这六件事逐项确认、沉淀为一份各方认可的需求文档与标注规范，让每个环节都有共同依据、按同一口径衔接。

把问题问在生产之前，把标准落实到样本之中，才能减少返工，让专业投入更有效地转化为数据质量。

淘丁数科希望与更多医疗机构、医疗AI研发团队及专业合作伙伴，共同推进高质量医疗数据集建设。

▌关于淘丁

淘丁数科——国内领先的AI数据服务与解决方案提供商，国家级高新技术企业、专精特新企业，中国信息协会高质量数据集与数据标注专委会副主任单位。

依托自主研发的淘丁数智工场、淘丁精标云AI标注工具为客户提供专业的数据服务，在全国布局10大标注基地，拥有3000+专业标注团队与10万+众包标注人才；累计获20余项发明专利、120项软著等知识产权，是国家数据标注基地建设核心力量。