医学影像 AI 投稿，扫描设备和采集参数要写多细？

医学影像 AI 论文把“收集两院 CT 图像并训练模型”写进方法，仍缺少一项影响读者判断的信息：图像究竟怎样采集和重建。CLAIM 2024 更新清单新增了报告图像采集方案的项目。它没有要求所有影像研究填写同一张参数表，而是提醒作者交代与任务相关、会影响图像外观及模型输入的采集条件。投稿前同时查看原始影像记录与模型输入文件。

从机器生成的影像追到模型输入

先列研究使用的模态、设备或系统、采集时间范围，以及真正进入模型的图像类型。CT 研究可能需要说明层厚、重建核、对比剂阶段等；MRI 研究关注的序列和关键采集参数又不同。具体写哪些项，应由模型所做的任务和实际输入决定；未记录的参数不能为了填表而编造。例如，模型识别很小的病灶，层厚与重建方式就可能影响可见细节；若输入是经过裁剪的病灶区域，还要写裁剪由谁完成、是否对所有数据使用同一规则。

假设训练集来自甲院，外部测试集来自乙院。甲院多用薄层重建，乙院多用厚层重建。如果两院的病例组成也不同，仅报告“来自不同医院”不足以判断性能差异可能与患者、设备还是采集方式有关。方法或补充表可按数据集列出设备型号、主要采集与重建参数的分布，而不是把所有图像硬说成用同一方案获得。这里的两院情境为自拟示例，没有暗示某种层厚一定使模型性能下降。

预处理也不能替代采集说明

窗宽窗位、强度归一化、重采样、去噪和裁剪属于进入模型前的处理，不是原始采集本身。稿件应分开写两段：影像在临床或实验中怎样产生；作者在研究中怎样把它变为模型输入。若全部图像被统一重采样，仍要说明原始分辨率差异；否则读者会误以为数据一开始就同质。训练、内部测试和外部测试若使用了不同处理流程，也要逐一列明，不能只写“进行了常规预处理”。

有时旧数据缺少完整采集参数。不要根据医院名称、图像观感或扫描年份倒推出不存在的记录。可以明确已取得哪些 DICOM 元数据，哪些参数缺失，以及缺失是否集中在特定机构或时期。若只能核查设备类型与层厚，就只对这两项做有依据的比较，不把无法测量的差异写成已排除。临床影像数据的隐私处理还要按机构审批与期刊要求进行，但匿名化不应抹掉理解采集差异所必需的非识别技术信息。

投稿前看一眼三个地方

数据表里的采集字段、方法部分的概括句、补充材料中的分组统计，应讲同一件事。尤其核对实际进入训练、验证和测试的图像数量与来源；删除低质量影像后，参数分布是否也随之改变。CLAIM 清单可用来定位稿件页码和缺项，不能把勾选“有报告”当成数据真的可复核。编辑与读者需要看到的是：模型面对怎样的影像，以及换一组采集条件后，论文对性能的描述还有多大适用范围。