Pixels，专为医疗影像数据打造的完整工具链，从数据摄取到 AI 分析一站搞定。

在医疗影像一线干活的同学，谁没被 DICOM 折磨过？ 一堆 .dcm 文件散在 NAS、移动硬盘、各种 zip 包里，想找一例特定病例，简直像在做考古。 更别说想把这些数据拉进 AI 流水线，工程师、医生、IT 三方来回拉扯，最后往往又回到了“手工拷贝+Excel 记账”的老路上。

最近看到 Databricks 官方在 GitHub 开源的一个方案：Pixels。 简单说，它就是给医疗影像数据准备的一整套“流水线模板”，从数据摄取、索引，到可视化、标注，再到模型训练和在线推理，全帮你串好了。 对那种还停留在“手工作坊”模式的影像平台来说，属于一眼就能看出能省很多心的那种。

先说数据这一块。 Pixels 可以批量、也可以流式摄取 DICOM 文件，不管是散落的 .dcm，还是一大坨 zip 压缩包，都能自动解压、解析、索引元数据。 最后把整套 DICOM metadata 落到 Lakehouse 里，用 Delta 表管理，后面就可以直接用 SQL 查——比如“过去一年内的胸部 CT、年龄 60 岁以上、来自某个科室”，一句查询就搞定。

医疗领域最敏感的肯定还是隐私。 Pixels 这里做了一层格式保留加密，把患者的敏感信息保护起来，但又不会把字段搞得乱七八糟，业务系统照样能识别和关联。 等于是“看得懂结构，看不懂真人是谁”，对想上云、又担心合规的医院来说，心理压力会小很多。

有了结构化的元数据，接下来就是“怎么看片子”。 Pixels 直接把 OHIF 影像查看器嵌进了 Lakehouse Apps 里，登录 Databricks 的同学，权限这块就跟你平时跑任务、看表是一套体系。 医生和算法工程师可以在浏览器里看片、调窗宽窗位、翻多序列，顺手做个标注、分个割，体验跟传统 PACS 里的高级 Workstation 还挺接近的。

更关键的是，这些标注和分割结果不是“飘在天上的”。 OHIF 里的操作可以一键写回数据库，变成结构化的标注数据集。 你不用再导出 JSON、拷贝 NII、手动对齐路径，整套流程天然就和你底下的 Lakehouse 打通了。 对做科研、做项目申报的团队来说，数据闭环这块舒服很多。

再往后，就是大家最关心的 AI 训练环节。 Pixels 提供了一套“一键拉起训练”的体验：在 OHIF 里选好数据和标注，点一下按钮，就会在后台起 Databricks 作业，跑 NVIDIA 的 MONAI 训练流程。 MONAI 本身就是专门为医疗影像优化的深度学习框架，各种分割、检测的模型模板都现成的，你只要换成自己的数据就能开练。

如果你们团队里既有工程师、也有临床医生，这种方式会特别友好。 医生在前端按自己的思路画分割、标病灶，工程师在后端调超参、改模型，大家盯着的是同一套 Lakehouse 数据，而不是互相发压缩包。 协作链路被压缩成“前端标注—后端训练—再回前端看效果”的闭环。

模型训完还不算完，落地上线才是关键。 Pixels 这块是直接对接 Databricks 的 Model Serving，用的是无服务器 GPU 集群，支撑实时分割推理。 简单理解就是：你在 OHIF 里打开一张医学影像，点一下调用模型，几乎实时就能在图像上刷出分割结果，医生可以直接对着结果做调整和二次判断。

从平台角度看，这套方案有点像是“给医疗影像建了一个标准化 AI 工厂”。 数据从进厂、清洗、加密，到中间的查询分析、可视化，再到后面的训练、部署，全都落在 Databricks 这一条 Lakehouse 上。 你既可以拿 Pixels 的默认流程开箱即用，也可以按自己的科室需求改装，比如多加一层质控、多接一个第三方系统。

当然，Pixels 现在还是一个开源加范式的角色，并不是一装就能直接扛起一家三甲医院所有业务的那种“成品系统”。 但对于想自己搭 AI 平台、又不想从零搬砖的团队来说，它已经把最难、最脏的那段基础设施帮你铺得差不多了。 剩下那点“适配你们医院/公司实际流程”的工作，交给内部开发团队来完成，会轻松很多。

GitHub 地址：github.com/databricks-industry-solutions/pixels