一、 医学数据质量 (Data Quality)
高质量的数据是 AI 挖掘的前提。课程通过“降压药疗效偏差”的案例（录入错误导致结论相反），强调了五个评估维度：
准确性 (Accuracy)： 建立交叉验证机制。例如：将电子病历（EMR）与医学影像报告、医嘱进行对比，或通过设置数值合理区间（如血压范围）识别异常值。
一致性 (Consistency)： 建立统一的数据字典，明确编码规则。
完整性 (Completeness)： 关键数据（如手术时间、诊断结果）强制补全；非关键数据采用均值回填或标注缺失原因。
及时性 (Timeliness)： 根据用途制定更新频率，如疫情期间需实时更新，科研数据需在规定时间内录入。
合规性 (Compliance)： 设计审核清单，确保全流程符合医疗行业法律法规。
二、 医学数据标注 (Data Annotation)
标注是将原始数据（文本、图像等）转换为机器可识别结构的过程，是监督学习的基础。
文本标注：
实体标注： 识别性别、年龄、疾病（如二型糖尿病）、药物、病程。
关系标注： 标注实体间的关联，如“药物-治疗-疾病”。
分类标注： 文献分类（内科/外科/儿科）。
图像与视频标注：
目标检测： 用矩形框标记肺结节、出血点等病灶。
语义分割： 更精细地勾勒脑肿瘤边界或血管范围，辅助放疗计划制定。
标注方法：
人工标注： 准确率最高（一线专家），但成本高、速度慢。
人机辅助： AI 初筛（画框）+ 医生审核，是目前最主流的高效模式。
机器标注： 适用于预处理或大规模文献初步分类。
三、 数据标准化 (Standardization)
标准化旨在打破“数据孤岛”，提升科研成果的可比性。
标准体系： 包括基础标准（术语、准则）、技术标准（采集、存储）、管理标准、安全标准和应用标准。
核心工具：
ICD-11： 国际疾病分类。
DICOM： 医学影像的标准格式（PACS 系统核心）。
HL7/FHIR： 医学信息交换标准。
四、 数据安全与隐私保护 (Security)
医学数据具有极高的敏感性。
技术手段： 采用 AES 对称加密或 RSA 非对称加密。课程特别提到了“多层加密”和“敏感数据二次加密”。
管理手段： 严格的权限管理（医生仅看管辖患者，药师仅看处方）。
脱敏技术： 屏蔽姓名、身份证号等隐私信息。
法律红线： 违反《中华人民共和国数据安全法》或《人类遗传资源管理条例》（如擅自向境外发送基因数据）将面临巨额罚款。
补充概念：智能体 (AI Agent)
课程结尾讨论了“小龙虾”（OpenCloud/Claude 等工具引发的讨论）和 智能体 (Agent)。
定义： 智能体是基于大模型的、具备特定专业能力的助手，可以是软件、硬件（机器人）或系统。
行业趋势： 马斯克认为未来 15 年是智能体取代部分人类工作的“阵痛期”，最终迈向高效率的社会。
安全警示： 使用 Agent 时需谨慎授权（如邮箱、银行信息），防止隐私泄露。