10万条医疗数据，50万，3个月
2026年Q1，我们为一家医疗AI公司采集了10万条高质量医疗数据（病历+诊断报告+医学文献）。总花费：¥364,000（约$50,000），耗时3个月。
这10万条数据的成本，是通用数据（如Common Crawl）的100倍。 但通用数据无法训练出"专业"的医疗AI——医疗AI需要"专业"的医疗数据。
以下是完整的数据采集过程，每一步都有坑。
第一步：医院合作谈判（1个月）
目标： 与1-2家三甲医院建立数据合作，获取脱敏病历和诊断报告。
谈判过程： 我们联系了5家医院，3家拒绝，2家愿意谈。拒绝的原因：数据安全顾虑（85%）、伦理审批复杂（60%）、缺乏合作动力（40%）。
最终合作： 与1家三甲医院达成合作。合作条件：
- 数据脱敏后使用（由医院方脱敏，我们拿不到原始数据）
- 数据只能在医院指定的服务器上使用（不能带出医院）
- 研究成果（模型）的知识产权归医院和AI公司共有
- 数据使用费：¥50,000（一次性）
坑： 医院的数据合作流程非常复杂——需要伦理审批、数据安全审批、法律审批。从谈判到签署协议，花了1个月。
第二步：数据脱敏（2周）
目标： 将病历和诊断报告中的PII（个人身份信息）脱敏。
脱敏内容：
- 患者姓名 → 替换为"患者001"
- 身份证号 → 替换为"000000000000000000"
- 手机号 → 替换为"13800000000"
- 住址 → 替换为"XX省XX市"
- 就诊日期 → 替换为"202X年X月"
- 医生姓名 → 替换为"XX医生"
- 医院名称 → 替换为"XX医院"
坑： 脱敏不是"删除名字"那么简单。病历中充满了"隐含PII"——如"患者是XX公司CEO"（可以推断出身份）、“患者住在XX小区”（可以推断出住址）。 这些"隐含PII"也需要脱敏。
脱敏工具： 正则表达式 + Presidio（微软开源PII检测）+ 人工审核。人工审核是必须的——AI无法100%识别PII。
第三步：数据标注（3周）
目标： 对病历和诊断报告进行标注（诊断结果、治疗方案、药物处方）。
标注方法： 医生标注（2名内科医生）+ AI预标注（GPT-5）+ 交叉验证。
标注流程：
- AI预标注（GPT-5）：生成初步标注
- 医生标注：审核AI标注，修正错误
- 交叉验证：2名医生互相审核对方的标注
标注成本：
- AI预标注：¥500（GPT-5 API费用）
- 医生标注：¥80,000（2名医生 x 3周）
- 交叉验证：¥20,000（2名医生 x 1周）
- 总计：¥100,500
坑： 医生标注的"一致性"是个问题。同一个病历，医生A标注为"轻度肺炎"，医生B标注为"支气管炎"。 这种不一致性，需要通过"交叉验证+争议仲裁"来解决。
第四步：数据清洗（1周）
目标： 删除低质量、不完整、不一致的数据。
清洗内容：
- 删除不完整的病历（缺少诊断结果或治疗方案）
- 删除不一致的标注（2名医生标注不一致且无法仲裁）
- 删除格式错误的数据（乱码、缺失字段）
清洗结果： 10万条原始数据 → 8.5万条可用数据（清洗率15%）。
第五步：数据增强（2周）
目标： 用合成数据增强数据量，提升数据多样性。
增强方法：
- 用GPT-5生成"相似"病历（基于真实病历，改变患者信息、症状、诊断）
- 用医学文献生成"罕见"病历（覆盖罕见病、疑难杂症）
增强结果： 8.5万条 → 10万条（新增1.5万条合成数据）。
坑： 合成数据必须经过医生审核，否则可能引入"医学错误"。GPT-5生成的医学数据，约3%包含事实错误。
数据采集成本总结
| 步骤 | 时间 | 成本 |
|---|---|---|
| 医院合作谈判 | 1个月 | ¥50,000（数据使用费） |
| 数据脱敏 | 2周 | ¥30,000（PII检测工具+人工） |
| 数据标注 | 3周 | ¥100,500（医生标注+AI标注） |
| 数据清洗 | 1周 | ¥15,000（数据工程师） |
| 数据增强 | 2周 | ¥20,000（GPT-5 API+医生审核） |
| 项目管理 | 3个月 | ¥30,000（项目经理） |
| 服务器 | 3个月 | ¥20,000（GPU+存储） |
| 法律合规 | 持续 | ¥50,000（律师费） |
| 总计 | 3个月 | ¥315,500 |
10万条医疗数据，总成本¥315,500（约$43,000）。 平均每条¥3.15。
踩过的"坑"
坑1：伦理审批时间被低估。 医院伦理审批需要1-2个月，我们只预留了2周。项目延期1个月。
坑2：数据脱敏"不彻底"。 第一轮脱敏后，被医院的隐私保护部门退回，要求"更彻底的脱敏"。重新脱敏花了1周。
坑3：医生标注"排期"问题。 医生不是全职标注员，他们需要"排期"（利用业余时间标注）。标注效率比预期低50%。
坑4：数据只能"院内使用"。 医院要求数据只能在院内使用，不能带出。我们不得不在医院内部搭建了一个临时的数据处理环境，成本增加¥20,000。
结语：领域数据采集是"系统工程"
领域数据采集（医疗、法律、金融）是"系统工程"——它不是"爬虫+清洗"，而是"合作谈判+伦理审批+数据脱敏+专业标注+数据清洗+数据增强"。
领域数据采集的核心挑战不是技术，而是"人"——医院愿不愿意合作？医生有没有时间标注？隐私保护能不能通过？ 这些"人"的问题，比技术问题难解决10倍。
对于AI公司来说，领域数据采集的"三个关键"：
- 建立合作关系（与领域机构建立长期合作）
- 建立合规体系（数据脱敏、隐私保护、伦理审批）
- 建立标注流程（专业标注+AI辅助+交叉验证）
数据来源：作者团队医疗数据采集项目经验（2026年Q1），部分细节已脱敏处理。