NeuroFAIR Curator：面向脑肿瘤MRI数据元数据富集、质量筛查、策展优先级及FAIR就绪性评估的AI辅助框架

《Frontiers in Neuroinformatics》：NeuroFAIR curator: an AI-assisted framework for metadata enrichment, quality screening, curation prioritization, and FAIR readiness of brain tumor MRI data

　　

摘要翻译
公开的脑肿瘤MRI数据集被广泛用于分类和分割，但其元数据结构、技术标注一致性、图像质量和FAIR就绪性很少在统一的工作流程中被评估。本研究提出了NeuroFAIR Curator，一个用于元数据富集、计算质量筛查、样本优先级排序和FAIR就绪性评估的AI辅助框架。该框架旨在用于数据管理，并不确定肿瘤标注的临床正确性。

方法：NeuroFAIR Curator在BRISC 2025上进行了评估，这是一个二维对比增强T1加权MRI数据集，以JPEG图像和PNG掩码形式发布。一个统一的策展清单将图像、掩码、标签、分割信息、推断的解剖平面、序列描述符、技术一致性检查和质量指标结合起来。ResCNNClassifier生成标签置信信号，而UNet生成分割导出的不确定性和一致性度量。Grad-CAM结合删除曲线下面积（DAUC）支持分类器解释。使用类别和平面特定的1.5 × IQR限值进行探索性掩码区域形态学筛查。七个归一化的策展信号融合成策展不确定性指数（CUI），并使用18个子标准的评估规则进行FAIR就绪性评估。

结果：该框架生成了6,000条样本级记录，与15,586条外部清单条目关联，并处理了4,793对图像-掩码。分类实现了98.30%的准确率、98.53%的宏F1和99.79%的宏AUC。分割在验证选择的阈值为0.95时，实现了Dice 82.30%、IoU 72.69%、精确率83.64%、召回率84.61%、Hausdorff距离7.84像素和HD95 4.11像素。探索性形态学筛查标记了4,793个掩码中的181个（3.78%）为统计上的非典型；这些标记不被解释为已确认的标注错误。平均Grad-CAM DAUC为0.2996。在1%的审查预算下，CUI排名捕获了49个被标记的样本。可发现性从87.50提高到100.00，互操作性从36.00提高到91.98，而可访问性和可重用性在声明的规则下保持不变。

结论：NeuroFAIR Curator将公开的脑肿瘤MRI语料库转换为一个元数据丰富、技术检查、质量筛选、审查优先和FAIR对齐的神经信息学资源。其形态学标记是供后续评估的探索性计算信号，而不是对掩码正确性的临床判断。

论文解读文章

公开的神经影像数据集促进了脑肿瘤AI研究的可重复性和基准测试，但数据集的科学价值不仅取决于图像数量或下游模型性能，还取决于元数据完整性、标注一致性、文件组织、来源可追溯性以及FAIR（可发现、可访问、可互操作、可重用）原则的符合程度。当前，许多公共医学影像数据集未经系统的策展评估就直接用于模型训练，常假设文件夹名称编码了正确标签、掩码与图像匹配、平面标记准确，而元数据缺失、标注不一致、掩码异常或图像质量参差等问题会在下游使用中造成隐患。因此，需要一种AI辅助的数据策展框架，将异构的原始数据转化为结构良好、机器可读、便于审查的神经信息学资源。研究人员提出了NeuroFAIR Curator，用于元数据富集、技术一致性筛查、探索性形态学表征、图像质量分析、不确定性驱动的优先审查和FAIR就绪性评估。

研究人员在BRISC 2025数据集上评估了该框架。该数据集包含6,000幅二维对比增强T₁加权MRI图像（分类子集）和4,793对图像-掩码（分割子集），涵盖胶质瘤、脑膜瘤、垂体瘤和无肿瘤四类，以及轴位、冠状位、矢状位三个解剖平面。框架构建了统一的样本级清单，将图像、掩码、标签、分割信息、推断解剖平面、序列描述符、技术一致性检查和质量指标整合为一个结构化结构。通过ResCNNClassifier生成标签置信信号，通过UNet生成分割导出的不确定性和一致性度量，利用Grad-CAM和删除曲线下面积（DAUC）进行可解释性分析，采用类别和平面特异的1.5×IQR限值进行掩码区域探索性筛查，并将七种归一化信号融合为策展不确定性指数（CUI），最终用18个子标准评估FAIR就绪性。研究意义在于，该框架并非临床诊断工具，而是一个可审计的数据策展流程，能够将公共脑肿瘤MRI语料库转化为元数据丰富、技术可验证、优先审查顺序明确的资源，为神经信息学数据重用提供基础。

关键技术方法主要包括：基于ResCNNClassifier的分类器生成标签置信度；基于UNet的分割模型生成像素级不确定性和模型-参考一致性指标；Grad-CAM结合DAUC评估分类激活图的保真度；基于类别和平面特异的1.5×IQR限值进行掩码面积异常筛查；将分类不确定性、分割不确定性、掩码异常性、元数据不完整性、图像质量异常、图像-掩码失配和元数据验证错误七种信号加权融合为CUI；FAIR就绪性采用18个子标准规则评估。数据来源为公开的BRISC 2025数据集，无额外临床队列。

研究结果如下：在数据集组织、清单生成与元数据富集方面（4.1），框架生成6,000条样本级记录，与15,586条外部清单条目关联，共形成21,586条统一记录；分类和分割子集覆盖全部类别、分割和平面，元数据覆盖率达到100%。在AI辅助策展模型性能与逐类信号统计方面（4.2），分类器在测试集上达到准确率0.9830、宏F₁ 0.9853、宏AUC 0.9979；分割模型在验证选择阈值0.95下实现Dice 0.8230、IoU 0.7269、精确率0.8364、召回率0.8461、Hausdorff距离7.842像素、HD₉₅ 4.111像素；这些信号用于标签验证和掩码完整性评估。在技术完整性、探索性形态学、质量控制与CUI分布方面（4.3），未检测到缺失肿瘤掩码、空掩码、维度失配、文件名不一致、未知平面或损坏样本；形态学筛查标记181/4,793（3.78%）掩码为统计非典型，但未解释为确证错误；质量筛查识别出51幅低对比度、60幅模糊、208幅强度异常和180幅异常检测样本；CUI分布显示83.35%样本为低优先，16.65%为中等优先。在可解释性分析（Grad-CAM和DAUC）方面（4.4），对测试集20幅最高不确定性图像生成Grad-CAM图，平均DAUC为0.2996，表明显著性排序具有一定保真度。在CUI敏感性、主动策展、消融与FAIR就绪性方面（4.5），在1%审查预算下CUI排名捕获49个标记样本；权重扰动分析显示排名稳定性高，其中分割不确定性降低50%和图像质量异常权重增加50%产生最大变化；FAIR评估显示可发现性从87.50提升至100.00，互操作性从36.00提升至91.98，可访问性和可重用性保持不变。

讨论部分指出，分类和分割模型应被视为计算策展工具，而非临床验证终点。形态学标记反映统计上的非典型性，可能与肿瘤大小、切面位置或标注规范有关，未经放射科医师评估不能确认为错误。图像质量控制补充了客观技术检查的不足。CUI的排名在多数合理权重扰动下稳定，但基线权重是预定义的先验而非临床校准系数。FAIR提升主要来自互操作性和可发现性，且结果依赖于选定的18子标准规则。阈值0.95针对BRISC 2025验证集选择，转移到其他数据集时需要重新校准。局限性包括仅评估单一二维JPEG/PNG语料库、缺乏放射科医师评估、缺少可靠像素间距和三维配准信息，以及CUI权重未临床校准。

研究结论可翻译为：NeuroFAIR Curator提供了一个AI辅助且可复现的框架，将公共脑肿瘤MRI数据转化为元数据丰富、技术可验证、质量已筛选、审查有优先级且符合FAIR的神经信息学资源。在BRISC 2025上，框架生成6,000条样本级记录，与15,586条外部清单条目关联，并处理4,793对图像-掩码。分类模型达到准确率0.9830、宏F₁ 0.9853、宏AUC 0.9979；分割模型达到Dice 0.8230、IoU 0.7269，使用验证选择的阈值0.95。类别和平面特异的形态学筛查标记了181/4,793（3.78%）掩码为统计非典型，这些样本作为优先审查的候选，而非确证的标注错误。NeuroFAIR Curator的主要贡献是在单一可审计工作流中整合元数据富集、标签验证、分割不确定性分析、客观技术检查、图像质量控制、探索性形态学表征、CUI计算、敏感性分析、主动策展优先级排序和FAIR评估。FAIR评估表明主要改进在互操作性（+55.98）和可发现性（+12.50）。该框架应被理解为计算数据管理和优先审查工具，而非临床验证系统，未来工作需在多种数据集上进行验证。