用于多中心乳腺 MRI 中图像数据集质量保证的无监督异常检测

损坏、不一致或异常的数据会悄然威胁医疗 AI 的安全性和可靠性。尽管监管机构日益认识到高风险医疗 AI 中数据集质量保证（QA）的重要性，但可扩展的自动化检测仍发展不足。我们采用无监督异常检测（AD）和分布外（OOD）检测，作为多中心动态对比增强乳腺 MRI 的自动化数据集 QA 机制。 我们基于六个公共数据集构建了一个受控 AD 基准，包含 17 种与 QA 相关的真实异常类型（协议违规、处理错误、不正确的解剖区域），并提出了一种基于人类视觉感知的放射影像异常分类体系，从而能够对 AD 失效模式进行细粒度分析。该基准包括近 OOD、中远 OOD、远 OOD 样本，以及分布内和外部正常数据。我们评估了四种方法：一种基于投影的方法，并扩展了领域特定特征提取器和一种新的位置编码；一种基于重建的方法，并扩展到完整 3D 体数据且采用增强的训练目标；以及两种未经修改的混合 OOD 检测方法。 中远 OOD 和远 OOD 样本能够被可靠检测，而近 OOD 样本以及来自未见机构的外部正常数据暴露了不同方法之间的特异性差异。基于 3D 重建的方法在检测性能（AUROC：0.936）和对未见机构的泛化能力之间取得了最佳平衡。带位置编码的基于投影的方法实现了最高的整体检测性能（AUROC：0.954）。两种混合方法都表现出关键失效模式，证实了在一种模态或解剖部位上验证的方法若没有领域特定适配，可能无法泛化。植入物和乳房切除术对所有方法而言仍是一个未解决的挑战。我们的结果为医疗 AI 流水线中可扩展的无监督 QA 奠定了基础，并提供了实践指导。