夜雨聆风放射科报告的质量，直接关系到后续诊疗决策的准确性。一份影像报告若存在「所见」与「结论」逻辑矛盾，比如CT图像明确显示肺部结节，结论却写着「未见异常」；或结论断言「考虑肺癌」，而所见描述中完全未提及相关征象，这类不一致虽非罕见，却极易被人工审核遗漏。传统质控依赖高年资医师逐份抽查，效率低、覆盖窄、主观性强。有没有一种方法，能在不引入大模型幻觉风险的前提下，用可解释、可追溯、可配置的方式，自动识别这类逻辑冲突？答案是：有。影像所见-结论一致性CSP验证器正是为此而生。
这是一款专为放射科质控场景设计的开源医疗软件工具。它不依赖黑盒AI，不调用外部API，不生成虚构文本，而是基于中文语言学规则与约束满足问题（CSP）建模，对影像报告进行结构化解析与逻辑校验。项目全程采用纯规则引擎实现，所有判断依据清晰可见、每条冲突均可回溯至原始文本片段，真正做到了「可验证、可审计、可落地」。
项目概述：从规则出发，守护报告逻辑底线
本项目核心目标明确：在不引入大语言模型的前提下，自动化检测影像报告中「所见描述」与「诊断结论」之间的三类典型逻辑不一致。它并非替代医生判断，而是将质控人员从重复性筛查中解放出来，聚焦于高价值复核与流程优化。
项目以「所见-结论一致性」为唯一验证焦点，严格限定边界： - 所见抽取模块使用 jieba 分词 + 领域正则匹配，精准识别解剖部位（如左肺上叶、双侧肾上腺）及对应发现（结节、钙化、增粗、占位等），并标注极性（阳性/阴性/不确定）； - 结论抽取模块通过关键词识别（如「诊断意见」「结论」「印象」等引导词），定位结论段落，并解析其语义倾向（肯定诊断、排除诊断、建议随访等）； - CSP验证引擎将上述结构化结果转化为变量与约束，在 python-constraint 求解框架下执行逻辑校验，输出可读性强的冲突清单。
整个流程不涉及任何统计学习或概率建模，所有规则定义、词典配置、冲突判定条件均以 YAML 或 Python 代码形式显式表达，杜绝「不可知黑箱」带来的信任障碍。
技术亮点：轻量、可控、可演进的规则工程实践
本项目的技术选型体现了一种务实而克制的工程哲学：在保证效果前提下，优先选择成熟、稳定、易理解、易维护的技术栈。
轻量级 NLP 处理，规避大模型陷阱不使用 LLM 进行文本生成或语义嵌入，而是依托 jieba 完成基础分词与词性标注，再结合预定义的医学术语词典（data/medical_terms.txt）和正则模式，完成领域适配的实体识别。这种方式响应快、资源占用低、无网络依赖，且结果完全可复现。
CSP 约束建模，让逻辑校验可形式化表达项目将「所见-结论一致性」抽象为典型的约束满足问题：每个所见发现是一个变量，每个结论陈述也是一个变量，它们之间的逻辑关系（如「出现阳性发现」→「结论不得为正常」）被定义为硬性约束。这种建模方式天然支持： - 多规则并行验证； - 冲突类型分类归因（规则1/2/3）； - 规则启用/禁用开关控制； - 后续扩展自定义规则（如针对特定病种的专项校验）。
双入口设计，兼顾效率与交互友好性提供命令行（CLI）与 Web 两种使用模式： - CLI 模式适合批量处理历史报告数据，支持 CSV/Excel 输入、规则筛选、台账式结果导出，可无缝集成进医院信息科日常质控工作流； - Web 模式提供图形化上传界面与结果可视化展示，便于科室主任快速上传当日报告、即时查看冲突分布与典型案例，降低技术使用门槛。
模块化架构，支撑长期可维护性项目代码组织清晰，各功能职责分明： - extractor.py 与 conclusion_extractor.py 职责单一，专注文本解析； - csp_engine.py 封装求解逻辑，与业务规则解耦； - rules_config.py 支持 YAML 配置驱动，新增规则无需修改核心引擎； - formatter.py 与 summary.py 分离数据处理与呈现逻辑，便于定制输出格式。
整套系统可在单机环境快速部署，Docker 支持开箱即用，对医院现有 IT 基础设施要求极低。
应用场景：可用于放射科质控全流程的关键环节
该项目并非通用文本分析工具，而是深度贴合放射科实际工作流的垂直解决方案，适用于以下典型场景：
日常报告质量抽检科室可定期导出当周 CT/MRI/DR 等检查报告，以 CSV 或 Excel 格式批量提交验证，自动生成含报告ID、冲突类型、原文摘录、建议修正项的台账式报告，大幅缩短质控周期。
新入职医师报告规范培训将验证结果作为教学案例，直观展示「所见与结论如何呼应」，帮助年轻医师建立结构化书写意识，减少因经验不足导致的逻辑疏漏。
质控指标量化管理通过 stats 子命令获取全量统计摘要，包括总报告数、触发冲突数、各规则命中率、高频冲突部位等，为科室质量改进提供客观数据支撑。
报告模板合规性预检在新建或修订报告模板时，可预先加载典型样例进行验证，确保模板引导语句（如「结论」段落的措辞选项）与所见描述逻辑兼容，从源头降低错误发生率。
跨院区质控标准统一通过共享同一套规则配置（config.yaml）与术语词典，不同院区可执行完全一致的校验逻辑，保障集团化管理下的质控尺度统一。
使用指南：三分钟上手，两种模式任选
项目提供开箱即用的安装与运行体验，无需复杂配置即可开始验证。
快速启动 CLI 模式
确保已安装 Python 3.9+，然后执行：
pip install -r requirements.txt验证示例数据（附带的 data/sample_reports.csv 包含30条模拟报告）：
python -m src.cli verify --input data/sample_reports.csv --output results.txt该命令将输出一份结构清晰的文本报告，列出所有检测到的不一致项及其上下文。如仅需关注某类问题，可添加规则过滤参数：
python -m src.cli verify --input data/sample_reports.csv --rule-filter rule2获取整体质控统计摘要：
python -m src.cli stats --input data/sample_reports.csv启动 Web 服务
运行以下命令启动本地 Web 服务：
python -m src.main --mode web --host 127.0.0.1 --port 5000打开浏览器访问 http://127.0.0.1:5000，即可通过网页表单上传 CSV 或 Excel 文件，实时查看验证结果表格与统计图表。
Docker 一键部署（适合信息科统一部署）
docker build -t imaging-consistency-csp .docker run -p 5000:5000 imaging-consistency-csp服务启动后，同样访问 http://127.0.0.1:5000 即可使用，无需在宿主机安装 Python 环境。
规则配置与扩展
所有校验规则默认启用，可通过编辑 config.yaml 文件灵活调整：
rules: rule1: enabled: false rule2: enabled: true rule3: enabled: true如需新增专科规则（例如「肝脏占位 vs 正常结论」），可在 YAML 中按格式定义：
rules: - id: liver_mass_rule description: "肝脏占位 vs 正常结论" conflict_type: rule1 severity: high enabled: true condition: finding_polarity: "positive" region: "肝脏" conclusion_not_contains: - "正常" - "未见" - "良性"配置修改后，CLI 或 Web 服务重启即生效，无需重新编译。
总结：回归本质的临床工具主义
在生成式AI浪潮席卷医疗IT的当下，本项目反其道而行之，坚持用最朴素的规则工程解决最实际的问题。它不追求炫技式的“智能”，而专注构建一个可靠、透明、可控、易用的质控辅助工具。没有训练成本，没有算力门槛，没有隐私外泄风险，所有逻辑都写在代码与配置里，每一条报警都有据可查。
对于放射科而言，它是一面镜子，照见报告书写中的逻辑盲区；对于信息科而言，它是一把尺子，丈量质控流程的标准化程度；对于开发者而言，它是一份教科书，示范如何用简洁技术栈解决复杂业务问题。
项目当前免费开源，若您对项目有疑问、使用上的困惑或想深入交流，欢迎私信我们，或加入社群讨论。
项目地址：https://github.com/nexorin9/imaging-consistency-csp
