医学影像AI按医院分组验证，病例来源怎样报告？

医学影像AI论文写“来自三家医院的数据，外部验证性能良好”，若没有说明每家医院的病例流向，读者无法判断模型是否见过测试医院的患者、设备或随访影像。三家医院参与采集，不等于其中一家被完整留作外部测试；同院随机分图像也不能自动证明跨机构泛化。投稿时应把医院、患者、检查和图像四个层级的来源及分配一起列清。

先定义医院与病例来源

给各机构使用稳定匿名代号，报告采集时间、就诊场景、影像模态、设备或协议范围，以及纳入排除流程。若同一家医院含多个院区或数据库，说明它们是否共享患者、设备与诊疗流程。按医院分别列候选患者、纳入患者、检查次数和最终图像数；不要只给全体图像总数。CLAIM 2024更新版要求交代数据来源及训练、调参、测试的分配，并建议在患者或更高层级使集合互不重叠。

把每家医院的用途写成矩阵

以行列出医院，列出训练、调参、内部测试和外部测试各自的患者数、检查数、图像数及目标结局数。若某医院在训练和测试都有患者，不能简单称整个医院为外部测试；若同一患者的多次检查跨集合，仍可能泄漏病人特征。多视角影像、裁剪图和增强图也必须跟原患者进入同一集合。若用外院数据选择阈值或调整模型，它随后再作为“未触碰外部测试”的说法就不成立，需重新界定其用途。

不只报一个合并性能值

在锁定模型和阈值后，分别给各医院的病例构成、结局发生比例和主要性能及不确定区间。医院间设备、年龄结构或疾病谱不同，合并平均值可能掩盖某家医院性能下降。诊断准确性研究可参照STARD-AI交代测试集来源、捕获设备、图像预处理和参考标准；若研究是预测模型，也应核对相应的预测模型报告指南。不要把“另一家医院”自动等同目标临床场景，其采样流程和适用人群仍需说明。

说明缺失、重复与时间窗口

各院被排除的低质量影像、缺标签病例和重复检查要分别计数，并写出排除发生在数据分割前还是后。若训练数据截止在某年，外部医院采集于多年之后，要报告这个时间差；若测试院数据也参与了预训练、标注规则制定或归一化参数估计，应如实说明接触范围。对性能最弱的医院，检查样本来源和标注差异，而不是只给模型总体均值。

提交前抽一个患者编号，追踪其所有检查和派生图像是否只在一个集合；再抽一所测试医院，把流程图数量与性能表分母对上。跨医院测试的说法应与实际独立的病例和检查记录对应。

参考信息：CLAIM 2024医学影像AI报告清单；STARD-AI诊断准确性报告指南；医学影像AI跨机构验证方法文献。