AIBL — 澳大利亚老龄化影像与生活方式纵向队列 AI-Ready Wikipedia

AIBL — 澳大利亚老龄化影像与生活方式纵向队列 AI-Ready Wikipedia

---

INFOBOX

数据集名称	AIBL（Australian Imaging, Biomarkers and Lifestyle Study of Ageing 数据资源）
英文全称	The Australian Imaging, Biomarkers and Lifestyle Study of Ageing
别名/简称	AIBL、AIBL Flagship Study of Ageing、AIBL Study of Aging
疾病分类	阿尔茨海默病与认知障碍谱系（ICD-11：8A20 阿尔茨海默病 / 6D80 阿尔茨海默病所致痴呆 / 6D71 轻度神经认知障碍）
SNOMED CT	26929004 Alzheimer’s disease / 44782729 Dementia due to Alzheimer’s disease（详见 §2.1b）
数据模态	脑 MRI、PET（淀粉样 PiB/AV45/Flutemetamol 等 + tau + FDG）、血液与 CSF 生物标志物、基因型（APOE/全基因组芯片/甲基化）、认知量表、生活方式问卷
AI 任务类型	AD/CN 分类、MCI→AD 转化预测、淀粉样 PET 状态预测、认知评分回归、跨队列外部验证、多模态融合
样本总数	3,045 名受试者（截至 2023-02）/ Inception 队列 1,112 人（768 CN / 133 MCI / 211 AD）/ Enrichment 新增 1,247 人
数据大小	无单一官方总量；影像按集合下载通常数 GB 至数十 GB，临床 CSV 数十 MB（以实际下载范围为准）
数据格式	CSV（临床/生物标志物）、DICOM（原始影像）、NIfTI/BIDS（经 Clinica 转换）
许可证	AIBL Data Use Agreement（自定义 DUA）
访问级别	申请审核（LONI IDA 注册 + 在线申请 + 签署 DUA）
DUO 标签	GRU, IRB, PUB（以 DUA 现行条款为准）
语言	英文
首发日期	2006-11-14（研究启动）/ 2009（Ellis 队列方法论文发表）
最后更新	持续批次发布（LONI IDA；官方统计口径截至 2023-02）
发布机构	AIBL Research Group：CSIRO、墨尔本大学、Edith Cowan University、Austin Health、St Vincent’s Health、Hollywood Private Hospital
官方主页	https://aibl.org.au/
下载地址	https://ida.loni.usc.edu/collaboration/access/appApply.jsp?project=AIBL
DOI	数据集无统一 DOI；核心论文 DOI 10.1017/S1041610209009405（Ellis 2009）/ 10.3233/ADR-210005（Fowler 2021）
引用次数	784+（Ellis 2009，Cambridge Core，截至 2026-09）；研究组口径年引用约 2,500 次（截至 2020-12）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— ADNI 风格结构成熟、有官方 BIDS 转换器（Clinica AIBL2BIDS）与可复现基准框架（AD-ML）；扣分项：无官方划分与一键运行脚本、需 DUA 申请审核、同 session 多序列与临床 CSV 需手动清洗
页面状态	published

---

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、AD/MCI/CN 临床任务定义、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 DAIMS 数据字典（RID/PTID 主键体系、访视编码）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

数据来源独立性：本页所有规模数字均可追溯至 §10.3 所列来源，队列统计以 Fowler 2021 与官网口径为准。

利益声明：千方病案医数集与 AIBL 研究组无商业关联；本页面为独立第三方评述。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。AIBL 要求用户在 LONI IDA（Image & Data Archive）注册并提交在线申请、签署数据使用协议（DUA）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

---

§1 数据集概览

§1.0 30 秒速览

这是什么？ AIBL（Australian Imaging, Biomarkers and Lifestyle Study of Ageing，澳大利亚老龄化影像、生物标志物与生活方式研究）是澳大利亚于 2006 年 11 月启动的阿尔茨海默病（AD）纵向队列研究。它在墨尔本与珀斯两个中心招募认知正常老年人（CN）、轻度认知障碍（MCI）患者与 AD 患者，每 18 个月复评一次，累计入组 3,045 名受试者（截至 2023-02 官网口径），完整跟踪了从血液、脑脊液、基因到 3T MRI 与淀粉样/tau PET 的多层生物标志物变化。

为什么重要？ 它是南半球最大、随访最长的 AD 纵向队列之一，也是 ADNI 在全球最重要的"独立平行队列"。由于受试者、扫描仪、人种构成与北美完全不同，AIBL 成为检验"在 ADNI 上训练的模型能否走出北美"的首选外部验证集——2021 年研究组发表 15 年总结时，已产出 341 篇同行评审论文，年引用约 2,500 次。

我能用它做什么？ 训练 AD/CN 分类或 MCI 转化预测模型并用 ADNI 数据交叉验证、研究淀粉样 PET 与血液生物标志物的纵向轨迹、做多模态融合（影像+血液+基因），或把 AIBL 当作毕业设计/教学的入门级神经影像队列。数据经 LONI IDA 免费申请获取，但需签署 DUA。

§1.1 摘要

AIBL 由 CSIRO 与墨尔本大学、Edith Cowan University 等机构于 2006-11-14 共同启动，双中心分布约为墨尔本 60%、珀斯 40%。起始（Inception）队列于 2006 年末至 2008 年中入组 1,112 人（768 CN / 133 MCI / 211 AD），每 18 个月复评一次，共完成 8 个时间点（基线至 126 个月）；后续通过 Enrichment 队列新增 1,247 人，截至 2019-04-10 合计 2,359 人、8,592 person-contact years（Fowler 2021）。每次访视采集 80 ml 空腹血样并完成综合神经心理评估，约 1/4 起始队列受试者加做 MRI 与淀粉样 PET；2013 年起加入 tau PET。影像遵循 ADNI 1 协议，临床与生物标志物数据以 CSV 形式经 LONI IDA 发布，社区已有官方级 BIDS 转换器（Clinica AIBL2BIDS）与可复现机器学习框架（AD-ML），是 ADNI 之外被引用最多的 AD 多模态外部验证数据源之一。

就数据体量而言，AIBL 的影像覆盖虽不及 ADNI 全面，但血液生物标志物深度（累计 587,665 管冷冻分装）与生活方式维度（占论文产出的 11%）在同类队列中独一无二，使其在"低成本外周标志物能否替代影像"这一当前最受关注的转化研究问题上拥有独特的发言权；五十年一遇的 WLAN 专利赔偿金起点，也让它成为"非典型资助如何催生长周期科学基础设施"的经典案例（Fowler 2021）。

§1.2 战略价值分析

独立外部验证维度：AD 领域 90% 的深度学习论文以 ADNI 为单一数据源，由此产生的"ADNI 过拟合"是社区公认的方法学危机。AIBL 提供了受试者完全独立、国家/人群/设备分布不同的平行队列——在 ADNI 训练的分类器迁移到 AIBL 时，文献报告的准确率区间为 81%-94.5%（详见 §7.8），这一"跨洲际泛化落差"本身就是研究贡献。对于任何计划发表 AD 影像 AI 论文的团队，用 AIBL 做外部验证几乎是审稿人的默认期待。

纵向多模态维度：AIBL 的 18 个月间隔 × 最长 15 年设计提供了疾病轨迹建模所需的纵向骨架：基线 MCI 患者 42% 在 126 个月内转化为 AD，而基线 CN 人群转化率仅 3.9%（Fowler 2021）。叠加 587,665 管冷冻血样、262 人 CSF、全基因组芯片与甲基化亚组，它支撑了从"影像分类"到"可解释生物标志物轨迹"的研究升级——这正是临床前 AD（preclinical AD）概念验证研究的首选资源。

生态位维度：在 AD 开放数据版图中，ADNI 是"默认训练场"，OASIS 是"快速原型场"，而 AIBL 卡住了第三把交椅——“终审外测场”。它的申请制访问天然形成使用记录（81 个国家、2,000+ 机构），配合研究组 15 年不变的协议延续性，使其成为少数能同时服务学术验证与产业基准测试（药企管线中血浆标志物、数字认知测评的对照库）的队列资源。

§1.3 同类数据集横向对比

数据集	规模	模态	随访设计	核心差异化
AIBL	3,045 人（截至 2023-02）	MRI、淀粉样/tau PET、血液、CSF、基因、生活方式	每 18 个月一次，最长 180 个月	南半球独立队列，外部验证金标准；血液生物标志物与生活方式维度最深
ADNI	多阶段持续招募（北美多中心）	MRI、PET（含 FDG/tau）、CSF、基因	分阶段（ADNI 1-GO-2-3-4）	模态最全、社区基准最多；AIBL 的直接同类与对照
OASIS-3	千人级纵向	MRI（部分 PET）	长跨年纵向	免 DUA 开放下载，适合快速原型；无血液/生活方式层
MIRIAD	百人级	重复 MRI	短间隔重复扫描	适合测试影像算法对扫描间变异的鲁棒性

表中其他数据集的规模采用定性描述，精确数字以其官方页面为准；AIBL 数字均出自 官网 与 Fowler 2021。

§1.4 版本时间轴

时间	里程碑
2006-11	研究启动（2006-11-14），墨尔本+珀斯双中心
2006 末-2008 中	Inception 队列入组 1,112 人（768 CN / 133 MCI / 211 AD）
2009	Ellis 等发表队列方法论文（Int Psychogeriatr 21(4):672-687）
2013	tau PET（AV1451/MK6240）加入研究流
2015-2019	Enrichment 队列陆续扩充，截至 2019-04-10 合计 2,359 人、8,592 person-contact years
2021-06	《Fifteen Years of AIBL》发表于 J Alzheimers Dis Rep 5(1):443-468
2023-02	官网口径：3,045 名受试者、10,494 person-contact years
持续	数据批次经 LONI IDA 在线更新发布（无冻结版本号）

§1.5 典型应用场景

1. 跨队列外部验证：在 ADNI 上训练 AD/CN 分类器，在 AIBL 上测泛化——Sun 等 2024 年在 AIBL 382 个样本上外测 3D CNN 达 89.27% 准确率（详见 §7.8）。
2. MCI 转化预后建模：利用 18 个月间隔的 8 个时间点预测 MCI→AD 转化（基线 MCI 42% 在 126 个月内转化）。
3. 淀粉样 PET 状态预测：用 MRI/血液标志物预测 PET 淀粉样阳性（Centiloid >20），减少不必要的 PET 检查。
4. 血液生物标志物轨迹研究：587,665 管血样支撑血浆 Aβ、p-tau 等指标的纵向建模与检测方法学对比。
5. 生活方式与认知流行病学：11% 的 AIBL 论文聚焦生活方式维度（运动、饮食、睡眠与认知衰退的关联）。

以上场景在 §6-§8 中均有对应的流程、代码与文献锚点；第 1、3 项是当前 AIBL 上产出/引用比最高的两类应用。

---

§2 医学背景

§2.1 ICD-11 编码映射

AIBL 的三类诊断标签（CN / MCI / AD）与 ICD-11 的对应关系如下。ICD-11 将痴呆统一归入"神经认知障碍"框架，并新增轻度神经认知障碍（6D71）作为 AD 前驱期的官方分类，这与 AIBL 的 MCI 分组在概念上直接衔接。

诊断标签	ICD-11 编码	ICD-11 术语（中/英）
阿尔茨海默病（疾病实体）	8A20	阿尔茨海默病 / Alzheimer disease
AD 所致痴呆	6D80（6D80.0 早发型 / 6D80.1 晚发型）	阿尔茨海默病所致痴呆 / Dementia due to Alzheimer disease
轻度认知障碍（MCI）	6D71	轻度神经认知障碍 / Mild neurocognitive disorder
认知正常（CN）	无编码	正常认知状态，不进入 ICD-11 疾病编码

§2.1b SNOMED CT 映射

标签	ICD-11	SNOMED CT 码	SNOMED 术语
阿尔茨海默病	8A20	26929004	Alzheimer’s disease
AD 所致痴呆	6D80	44782729	Dementia due to Alzheimer’s disease
轻度神经认知障碍	6D71	无独立首选码，映射以 ICD-11 6D71 为准	Mild neurocognitive disorder（相关概念归入 26929004 认知障碍层级）

MCI 在 SNOMED CT 中缺乏跨方言统一的首选码，实际映射以 ICD-11 6D71 为锚点；上表其余编码经 OMOP/Athena 标准词表交叉核对。

§2.2 疾病简介与流行病学

阿尔茨海默病是最常见的痴呆病因，以 β 淀粉样蛋白（Aβ）斑块与 tau 蛋白缠结的进行性沉积为核心病理，临床表现为隐匿起病的记忆与执行功能衰退。全球痴呆负担从 2005 年约 2,600 万增长至 2040 年预计超 8,000 万（Ferri 2005 预测，转引自 Ellis 2009）；澳大利亚 2009 年约有 234,000 名痴呆患者（占总人口 1%），预计 2050 年增至 731,000（2.8%），若能将 AD 发病推迟 5 年，社会总成本可近乎减半（Access Economics 2005 测算，转引自 Ellis 2009）。

疾病进程通常跨越数十年：临床前阶段（Aβ 阳性但认知正常）→ MCI（轻度功能受损）→ 痴呆期。ICD-11 新增的 6D71 轻度神经认知障碍分类正是为这一前驱期提供官方编码（Jessen 与 Broich 2025 综述）。AIBL 的三组设计与生物标志物覆盖使其能够同时观察这三阶段的纵向过渡——这正是其相对横断面数据库的根本优势。

从证据层级看，AIBL 处在"机制验证"与"人群观察"的交界：它比临床注册库多了影像与分子层，又比临床试验多了真实世界的随访自由度。这使其既能检验生物标志物的预测效度（如血浆标志物对比 PET 的 ROC 曲线），也能回答"哪些生活方式因素改变衰退轨迹"这类公共卫生问题——后者正是其归属"公共卫生、队列研究"类别的根本原因。

ICD-11 与 ICD-10 对照（ICD-10 编码经 Alz.org 计费编码页 核对）：

ICD-11 编码	ICD-10 对照
8A20 阿尔茨海默病	G30.0 早发型 / G30.1 晚发型 / G30.9 其他与未特指
6D80 AD 所致痴呆	G30.x（痴呆语境）+ F03.90/F03.91 未特指痴呆
6D71 轻度神经认知障碍	G31.84 轻度认知障碍

§2.3 临床任务定义

任务	定义	AIBL 支撑数据	AI 建模形态
筛查	在认知正常人群中识别 AD 高风险个体	CN 纵向轨迹 + 血液标志物	二分类/生存分析
诊断	区分 CN / MCI / AD 三组	神经心理测验 + MRI + PET	三分类
分期	判断淀粉样/tau 阳性状态	PiB/AV45/Flutemetamol PET，Centiloid 定量	二分类（>20 Centiloid 为阳性）
预后	预测 MCI→AD 转化与转化时间	18 个月间隔随访 + 诊断转化记录	时序分类/生存分析
疾病进展建模	认知评分随时间的退化轨迹	MMSE/CDR 纵向记录	回归/时序模型

§2.4 患者人群表

维度	描述
来源	墨尔本（约 60%）与珀斯（约 40%）社区招募志愿者及记忆障碍专科转诊（Enrichment 2016 年起侧重 MCI/早期 AD）
时间	Inception：2006 年末-2008 年中；Enrichment：此后陆续入组（论文口径截至 2019-04-10）
年龄	Inception 入组 ≥60 岁（排除 <60 岁）；官网载最小入组年龄 50 岁；合并基线均值 71.1 岁（CN）/ 73.8 岁（MCI）/ 75.1 岁（AD）
性别	女性占比 57.2%（CN）/ 48.7%（MCI）/ 55.9%（AD）
种族	澳大利亚城市人口为主，ancestry 多样性有限（详见 §7.1）
就医类型	社区志愿者队列（非住院病例系列）；诊断由研究团队经标准化临床评估确定

三组合并基线特征（Inception + Enrichment，截至 2019-04-10，Fowler 2021 Table 3 口径）：

分组	N	平均年龄	女性 %	APOE ε4 携带率 %	教育年数	平均 MMSE	平均 CDR
CN	1,487	71.1	57.2	28.1	13.1	28.6	0.03
MCI	413	73.8	48.7	53.6	12.2	26.0	0.50
AD	441	75.1	55.9	64.5	12.1	20.5	0.91
其他痴呆	18	68.5	27.8	25.0	13.2	22.2	0.78

§2.5 临床价值

对临床研究者而言，AIBL 的价值在于把"研究级"生物标志物链条（血液→CSF→影像→认知）放进同一批人、同一条时间线里。它的 15 年报告显示：基线 MCI 患者 42% 在 126 个月内进展为 AD，而 7.6% 的基线 CN 直接进展为 MCI、3.9% 直接进展为 AD——这些转化率为预后模型的先验校准提供了真实参照。同时，APOE ε4 携带率在三组间从 28.1%（CN）到 64.5%（AD）的梯度，使其成为基因-影像联合建模的高性价比资源。对行业侧，Centiloid 统一定量与五种淀粉样示踪剂的长期并存，使 AIBL 成为新型血浆淀粉样/tau 检测方法的"影像锚定"验证场：任何声称"抽一管血替代一次 PET"的产品，都需要在 AIBL 这类有完整影像金标准的队列上完成平行验证。对方法学研究者，15 年间不变的 18 个月访视节奏近乎天然地提供了一个"协议恒定、人群老化"的受控观察窗——这是横断面拼凑数据无法复制的。

§2.6 金标准表

任务	划分/对象	标注方式	标注者	性质
CN/MCI/AD 诊断	每次访视逐一判定	筛查访谈 + 综合神经心理测验 + 临床检查，多维度共识	研究团队（老年精神科/神经科医师与神经心理学家）	临床共识诊断（非病理确诊）
淀粉样状态	接受 Aβ PET 者	PiB/NAV4694/Flutemetamol/Florbetapir/Florbetaben PET，Centiloid 定量	定量影像管线	定量阈值判定（≤20 阴性 / >20 阳性）
认知功能	每次访视	MMSE、CDR 等标准化量表	经培训的心理测量师	结构化量表

---

§3 数据集规格

§3.0 版本抉择矩阵

AIBL 无冻结版本号，数据以 LONI IDA 在线批次持续发布。按下表选择获取策略：

你的需求	推荐策略	大小	理由
复现 2018-2024 年 ML 论文	IDA 当前批次 + Clinica AIBL2BIDS 转换	数 GB-数十 GB	AD-ML 框架与主流论文均基于该流程
仅做临床/流行病学分析	IDA「Download Clinical Data」CSV 集合	数十 MB	无需影像，注册申请后即可下载
大规模影像深度学习	IDA 影像集合分卷下载（约 10 个 zip）	数十 GB	按 modality 勾选 MRI/PET 缩小范围
遗传/甲基化分析	临床 CSV 中的基因分型文件 + 论文附录核对子组	小	SNP 芯片 1,357 人、WES 500 人为子集，需按论文口径筛选
教学演示	建议转用开放免申请数据集	—	AIBL 需 DUA 审核，不适合课堂快速分发

§3.1 模态详情

模态	内容	覆盖规模	备注
结构 MRI	T1w 为主，遵循 ADNI 1 协议；扫描仪 Siemens 3T Trio（41%）、3T Skyra（25%）、3T Verio（16%）、1.5T Avanto（13%）	至少 1 次 954 人；累计 2,336 个访视次扫描	双中心多设备，站点效应见坑点 7
淀粉样 PET	PiB、NAV4694、Flutemetamol、Florbetapir、Florbetaben 五种示踪剂	至少 1 次 1,685 人；累计 3,623 次扫描；≥3 次 518 人	Centiloid 定量统一阈值 20
tau PET	AV1451、MK6240（2013 年启动）	至少 1 次 470 人；累计 580 次	纵向 tau 轨迹（≥1 次随访 88 人）
血液生物标志物	每次访视 80 ml 空腹血，冷冻分装	587,665 管（EDTA 血浆 200,000 管等）	血浆 Aβ/p-tau 等分析物
CSF	腰穿采集（自愿）	262 人捐赠（242 人同时有 Aβ 成像）；109 人 2 时点、33 人 3 时点	子集资源
基因型	APOE 基因分型（全部 2,359 人）、全基因组 SNP 芯片 1,357 人（976,713 SNP）、全外显子组测序 500 人、DNA 甲基化 726 人	—	敏感数据，见 DUA
认知与临床	综合神经心理测验、MMSE、CDR、用药与共病记录	全队列 8 个 18 个月时点	CSV 表发布
生活方式	健康/生活方式问卷、饮食与活动评估	全队列	占论文产出 11% 的子研究流

六大研究流与数据的对应（研究流划分见 官网）：

研究流	对应数据资产
Fluid Biomarkers	587,665 管血样分装 + 262 人 CSF
Lifestyle	生活方式问卷、DEXA 体成分、ActiGraph 活动监测
Neuroimaging	MRI 954 人、淀粉样 PET 1,685 人、tau PET 470 人
Clinical and cognitive	综合神经心理测验、MMSE/CDR、诊断与用药记录
Genetics	APOE 全员、SNP 芯片 1,357 人、WES 500 人、甲基化 726 人
Data and machine learning	IDA 发布管道与社区工具链（§8.7）

§3.2 按子集样本数表

子集	人数	构成
Inception 队列	1,112	768 CN / 133 MCI / 211 AD（2006 末-2008 中入组）
Enrichment 队列（新增）	1,247	719 CN / 282 MCI / 230 AD / 18 其他痴呆（截至 2019-04-10）
合并基线（CN）	1,487	平均 MMSE 28.6，APOE ε4 携带率 28.1%
合并基线（MCI）	413	平均 MMSE 26.0，APOE ε4 携带率 53.6%
合并基线（AD）	441	平均 MMSE 20.5，APOE ε4 携带率 64.5%
合并基线（其他痴呆）	18	平均 MMSE 22.2
Inception 基线 PiB PET	287 人	Ellis 2009 口径；Fowler 2021 报告同时具备 MRI+PiB 者 288 人（178 CN / 57 MCI / 53 轻度 AD）
DEXA 体成分	100 人	Inception 基线
ActiGraph 活动监测	91 人	Inception 基线
CSF 捐赠者	262 人	242 人同时具备 Aβ 成像；109 人 2 个时点、33 人 3 个时点

数字口径提示：「合并基线」各行出自 Fowler 2021 Table 3（截至 2019-04-10），与官网 2023-02 的 3,045 人口径不同——引用时必须同时给出口径与时间点，这是 AIBL 上最常见的引用错误之一。

§3.3 数据格式表

数据类	格式	获取入口
临床/量表/生物标志物	CSV（aibl_<量表>_<发布日期>.csv 命名）	IDA → AIBL → Download Clinical Data
影像（原始）	DICOM（zip 分卷下载）	IDA → Image collections → Advanced search/download
影像（转换后）	NIfTI / BIDS（Clinica AIBL2BIDS 输出）	本地转换（§6.3）
预处理产物	CAPS 目录（Clinica t1-volume/pet-volume）	本地运行

§3.4 存储大小

AIBL 官方未公布单一总量数字，按下表规划磁盘（Clinica AIBL2BIDS 文档）：

组件	经验规模	说明
临床 CSV 集合	数十 MB	各量表/生物标志物分表，一次导出
MRI 集合（按 modality 勾选）	数 GB-十余 GB	DICOM zip 分卷（建议约 10 卷）
全量 MRI+PET 集合	数十 GB	淀粉样 PET 3,623 次 + MRI 2,336 次扫描
预处理产物（CAPS）	预留 ≥100 GB	t1-volume + pet-volume 输出
基因/甲基化子集数据	数 GB	SNP 芯片 1,357 人、WES 500 人、甲基化 726 人

下载时 IDA 建议将影像打包为约 10 个分卷 zip，可交由下载管理器分批拉取。

§3.5 标注方式

• 诊断标签：每次访视由研究团队基于筛查访谈、综合神经心理测验与临床检查做出共识判定（CN/MCI/AD），属纵向动态标注——同一受试者的标签随访视更新（人工/专家标注）。
• 淀粉样状态：PET 经 Centiloid 定量管线自动判定（≤20 阴性 / >20 阳性），属定量算法标注。
• 认知评分：MMSE、CDR 等量表由经培训的心理测量师施测，结构化录入（人工）。

标注的纵向性是 AIBL 区别于横断面库的核心：同一受试者的标签序列本身可作为建模对象（轨迹标签），但也因此引入坑点 6 的回填风险——每个样本必须锚定其访视时点。

§3.6 标注者资质与一致性

诊断由研究团队的临床医师与神经心理学家在标准化协议下做出共识判定；量表施测者为经培训的专职心理测量师。研究未公开逐 wave 的标注者间 Kappa 统计量，一致性信息以 15 年论文的流程描述为准（Fowler 2021）——把诊断标签当作"金标准"使用时应保留这一不确定性。实操上建议在数据卡片中记录：所用批次的诊断流程版本、MCI/AD 判定所依赖的量表切点，以及任何自定义的标签清洗规则——这些是审稿人质询标签质量时的第一落点。

§3.7 采集周期

每 18 个月一次访视，共 8 个时间点：基线、18、36、54、72、90、108、126 个月。全队列累计脱落 1,203/2,359（51%），其中 216 人死亡；脱落原因分布：290 人（29%）无明确原因、133 人（14%）失去兴趣、107 人（11%）躯体疾病、88 人（9%）交通不便/搬迁、65 人（7%）认知损害过重（Fowler 2021）。

Inception 队列各 wave 保留率（Fowler 2021）：

时点	18 个月	36 个月	54 个月	72 个月	90 个月	108 个月	126 个月
保留率	89.6%	80.6%	73.5%	64.5%	58.0%	52.6%	32.6%

126 个月时点保留率骤降源于经费限制——该时点优先评估愿意接受脑扫描者，使用该 wave 数据时务必考虑选择偏倚（坑点 5）。

§3.8 地域覆盖

澳大利亚墨尔本（约 60%）与珀斯（约 40%）两个都市圈；数据申请方则遍布 81 个国家（截至 2019-08-03，来自 120+ 家公司、2,000+ 个机构/部门、3,500+ 名个人）。

§3.9 设备规格

MRI 主力机型为 Siemens 3T Trio（41%）、3T Skyra（25%）、3T Verio（16%）与 1.5T Avanto（13%）；PET 覆盖五种淀粉样示踪剂与两种 tau 示踪剂。每台设备的参数记录在 aibl_mri_meta 等 CSV 中（详见 §4.1），是站点效应建模的关键字段。PET 侧的示踪剂/扫描信息记录于 PET 元数据 CSV，与 Centiloid 定量共同构成跨示踪剂分析的桥梁；1.5T 与 3T 混合是 AIBL 区别于后期 ADNI（全面 3T）的显著特征，跨队列迁移时须显式建模。

§3.10 深度溯源链

aibl.org.au（官方主页/研究设计）
   └─→ LONI IDA 申请门户（ida.loni.usc.edu，DUA 签署）
         └─→ 影像 DICOM zip 分卷 + 临床 CSV 集合
               └─→ Clinica AIBL2BIDS（BIDS 标准化）
                     └─→ Clinica t1-volume / pet-volume（CAPS 预处理）
                           └─→ AD-ML 框架（可复现分类实验）
                                 └─→ 论文（Ellis 2009 → Fowler 2021 → 341 篇产出）

---

§4 数据结构

§4.0 目录树

从 IDA 下载并解压后的典型组织（结构示意；文件名以实际发布批次为准，形如 aibl_<量表>_<发布日期>.csv，官方要求保持原始文件名与目录名，否则 Clinica 转换器无法识别）：

AIBL_download_root/
├── AIBL_imaging/                        # IDA「Image collections」高级下载（建议约 10 个分卷 zip）
│   ├── <受试者目录>/                     # 按 RID/PTID 编码
│   │   └── <EXAMDATE>/                  # 访视日期目录
│   │       ├── MRI/                     # T1w 等 MRI 序列（DICOM）
│   │       └── PET/                     # PiB / AV45 / Flutemetamol / tau PET（DICOM）
│   └── ...
└── AIBL_clinical_data/                  # IDA「Download Clinical Data」导出的 CSV 集合
    ├── aibl_ptdemog_*.csv               # 人口学
    ├── aibl_mmse_*.csv                  # MMSE 量表
    ├── aibl_cdr_*.csv                   # CDR 量表
    ├── aibl_apoe_*.csv                  # APOE 基因分型
    ├── aibl_mri_meta_*.csv              # MRI 元数据（扫描仪/序列索引）
    ├── aibl_pet_meta_*.csv              # PET 元数据（示踪剂/Centiloid 索引）
    └── ...                              # 血液生化、生活方式、用药等各一表

经 clinica convert aibl-to-bids 转换后得到标准 BIDS 树（sub-<label>/ses-<MXX>/anat|pet/ + participants.tsv + 各 *_session.tsv）：

bids/
├── participants.tsv                 # 受试者级静态数据（转换自人口学 CSV）
├── sub-<RID>/
│   └── ses-<MXX>/                   # 会话目录名与 VISCODE 对应
│       ├── anat/  sub-<RID>_ses-<MXX>_T1w.nii.gz
│       └── pet/   sub-<RID>_ses-<MXX>_trc-<示踪剂>_pet.nii.gz
└── sub-<RID>_sessions.tsv           # 访视级临床数据（MMSE/CDR 等）

转换日志会报告成功与跳过的序列数；转换完成后务必把该数字与 §4.3 的规模表核对——数量对不上通常意味着文件被重命名或 CSV 批次与影像批次不匹配。

§4.1 DAIMS 字段字典

ADNI 风格 CSV 的核心字段（列名以实际发布批次为准）：

字段名	类型	说明	示例值	AI 用途	观测误差/注意	信息性缺失编码	取值范围
RID	Integer	受试者数字主键	126	跨表连接键	全表通用、稳定	无	正整数
PTID	Text	受试者字符串 ID（含站点前缀）	ADS0000126	与影像目录名对齐	不同批次格式或有差异	无	字符串
VISCODE	Text	访视编码（18 个月间隔）	BL / M18 / M36	纵向排序、时序建模	影像访视与临床访视日期可能不同日	无	BL、M18-M126
EXAMDATE	Date	检查日期	2007-03-14	访视对齐、漂移分析	影像与量表日期常有数日差	无	2006 至今
DX	Text	诊断标签	CN / MCI / AD	分类标签	随访可翻转（复归/转化）	无	CN/MCI/AD/其他
MMSCORE	Integer	MMSE 总分	28	认知回归目标	量表封顶/地板效应	负值或空缺表示未施测	0-30
CDRSUM	Float	CDR 总和分	0.5	分期/标签	与诊断不完全一致	同上	0-18
APOE 基因型	Text	ε2/ε3/ε4 组合	ε3/ε4	遗传协变量	部分受试者未分型	空缺	6 种组合
SEX / EDUCATION	Text/Integer	性别与教育年限	F / 13	分层与公平性分析（§7.5）	招募记录偶有缺失	空缺	分类/正整数
Centiloid	Float	淀粉样 PET 定量	34.2	淀粉样阳性标签	跨示踪剂转换	未成像者无值	连续值
Image ID	Text	影像序列索引	123456	影像文件定位	同一访视可能多序列	无	字符串

§4.2 标签分布

以合并基线 2,359 人（Fowler 2021 口径）计：CN 1,487（63.0%）、MCI 413（17.5%）、AD 441（18.7%）、其他痴呆 18（0.8%）。Inception 起始队列分布则为 CN 69.1% / MCI 12.0% / AD 19.0%——Enrichment 阶段 MCI 占比从 12% 提升至 22%，做队列定义时务必区分两个来源。

诊断转化关键数字（Inception 队列 126 个月口径，Fowler 2021）：

起点 → 终点	转化数/基数	比例
MCI → AD	56/133	42%
CN → AD	30/768	3.9%
CN → MCI（未进展为痴呆）	58/768	7.6%
CN → MCI 后复归 CN	21/768	2.7%
CN 全程维持正常	290/768	37.8%

转化矩阵是转化预测任务的自然标签来源，也是校验自建标签流水线的参照（坑点 6）。

§4.3 关键统计

指标	数值
受试者总数	3,045（官网，截至 2023-02）/ 2,359（15 年论文，截至 2019-04-10）
person-contact years	10,494（官网）/ 8,592（15 年论文）
随访时点	8 个（BL → M126，18 个月间隔）
MRI	954 人至少 1 次，累计 2,336 次扫描
淀粉样 PET	1,685 人至少 1 次，累计 3,623 次扫描
tau PET	470 人至少 1 次，累计 580 次扫描
血样分装	587,665 管
CSF 捐赠者	262 人
APOE 分型	2,359 人（15 年论文口径全覆盖）
论文产出	341 篇（截至 2020-12-31），年引用约 2,500 次

各 wave 累计扫描次数（时点 T0=基线至 T7=第 8 次，Fowler 2021）：

模态	T0	T1	T2	T3	T4	T5	T6	T7
MRI	954	603	315	173	174	72	18	27
淀粉样 PET	1,685	941	518	213	115	95	50	6
tau PET	470	88	18	4	—	—	—	—

§4.4 数据层级

受试者（RID/PTID 唯一）
 └─ 访视 wave（VISCODE：BL/M18/…/M126，间隔 18 个月）
     ├─ 临床/量表（MMSE、CDR、人口学、生活方式…各一 CSV）
     ├─ 血液生物标志物（分析物×访视）
     ├─ 影像检查（按 EXAMDATE）
     │   ├─ MRI 序列（DICOM → NIfTI）
     │   └─ PET 序列（示踪剂×1/访视）
     └─ 遗传（APOE 全员；SNP/WES/甲基化为子集，多在固定时点）

层级要点：遗传数据不逐访视更新（多为一次性采集），血液/量表逐访视更新，影像逐访视可选——这决定了多模态对齐只能以「访视」而非「受试者」为最小粒度（坑点 3）。

§4.5 缺失值与信息性缺失

表现	机制	处理建议
影像覆盖率不足	基线仅约 1/4 Inception 受试者成像；tau PET 2013 年才加入	建模前按「模态×时点」统计可用矩阵，勿假设满秩
访视脱落递增	保留率 89.6%（M18）→ 32.6%（M126）；AD 组死亡/退出更多	缺失与病情相关（信息性缺失），勿用简单填充掩盖；报告各 wave 的 n
量表未施测	部分访视跳过个别量表；负值/空缺编码未附统一字典	清洗时显式区分「未施测」与 0 分
队列来源混杂	Inception 与 Enrichment 的招募策略不同（2016 年后转诊为主）	把「队列来源」作为协变量或分层变量
126 个月时点偏倚	因经费限制优先扫描愿意成像者	长时点分析需敏感性检验
PET 示踪剂并存	五种淀粉样示踪剂跨年份交替使用	按 Centiloid 统一口径，或按示踪剂分层建模

---

§5 数据划分与使用建议

官方划分：AIBL 不提供任何官方 train/val/test 划分。

社区惯例：AD-ML 框架（Samper-González 2018）确立了事实标准——受试者级 5 折交叉验证，确保同一受试者的所有访视只出现在同一折；基线定义、子集筛选与预处理全部脚本化并随代码发布。AIBL 更多被用作 ADNI 训练模型的外部测试集（如 Sun 2024 用 ADNI 417 样本训练、AIBL 382 样本外测）。

划分方案	优点	缺点	适用
随机扫描级切分	样本量大	必然泄漏（坑点 1）	禁用
受试者级随机切分	隔离个体差异	忽略站点/时间结构	基线分类
受试者级 + 站点/诊断分层	指标稳定、可解释	需要足够样本量	推荐默认
时间外推（hold-out 后期 wave）	检验时间漂移	后期 wave 样本骤减（§3.7）	纵向模型
ADNI 训练 + AIBL 外测	外部效度最强	无法在 AIBL 上调参	发表首选

划分策略建议：

1. 受试者级切分（GroupShuffleSplit/GroupKFold，group=RID），绝不允许同一 RID 跨折。
2. 按「诊断 × 站点（墨尔本/珀斯）」分层，防止类别或站点在某折缺席。
3. 若做时序预测，按 wave 留出（如 M108-M126 作 held-out 时间窗），检验时间外推。
4. 报告结果时同时给出折内均值±标准差与站点分层指标。

泄漏风险（重点）：同受试者多访视跨折（坑点 1）、诊断转化标签回填（坑点 6）、重复序列未去重（坑点 4）。三者是 AIBL 上最常见的结果虚高来源。任何划分方案上线前跑一遍强制断言：

def assert_no_leak(train_ids, test_ids):
    """受试者级划分的最低检查：训练/测试两侧 RID 无交集。"""
    overlap = set(train_ids) & set(test_ids)
    assert not overlap, f"泄漏！{len(overlap)} 名受试者同时出现在两侧"

交叉验证建议：5 折 GroupKFold 为主；小样本 MCI 子实验可用重复分层 CV 并报告置信区间。

外部验证建议：AIBL↔ADNI 互为外测是社区默认协议；再叠加 OASIS/MIRIAD 可构成三重外部验证。引用 §7.8 的文献数字作为基线参照。

纵向建模的特殊划分：预测「t 时点后的转化」时，训练样本的特征只允许使用 t 及之前的访视，标签在 t+horizon 时刻回看——等价于把每个 (受试者, 预测时点) 当样本、同时仍按受试者分组切分。这一双层结构是 AIBL 纵向任务最容易出错的地方，建议先用 3.9%/42% 的文献转化率校准实现是否正确。

交叉验证与外测的执行细节：

1. 每折同时输出总体指标与站点分层指标（墨尔本/珀斯分别报告）；
2. MCI 转化任务使用 5 个随机种子的重复 5 折，报告均值±标准差与置信区间；
3. 外测 ADNI↔AIBL 时冻结全部预处理与超参，AIBL 侧不做任何调参或阈值重校；
4. 发表前把「队列口径 + 访视范围 + 模态矩阵」写进实验表第一列。

---

§6 AI 就绪指南

§6.0 云端快速启动

AIBL 无官方云镜像或一键环境（区别于 PhysioNet 系）。可行路径：本地或机构云主机申请 IDA 账号 → 下载 → 转换 BIDS。DUA 禁止向协议外第三方再分发数据，因此不要把原始数据上传到公共云端存储或公共 AI 平台。

申请所需准备：机构邮箱（部分场景要求 ORCID）、研究计划摘要（数百词以内，说明用途与数据分析方式）、团队成员名单及各自用途声明。获批后，账号内 AIBL 项目即覆盖全部已发布批次，无需按批次重复申请。

§6.1 快速上手

最小可用子集是「临床 CSV」：无需影像即可完成队列描述、生存分析与认知回归。以下代码假设你已把 Download Clinical Data 导出的 CSV 放在 data_root/AIBL_clinical_data/ 下（data_root 即下载根目录，所有路径由它拼接；文件名含发布日期，用通配符匹配）：

import glob
import pandas as pd

data_root = "data_root"  # IDA 下载解压根目录
csv_dir = f"{data_root}/AIBL_clinical_data"

# 人口学 + 诊断（列名以实际批次为准）
demo = pd.read_csv(glob.glob(f"{csv_dir}/aibl_ptdemog_*.csv")[0])
mmse = pd.read_csv(glob.glob(f"{csv_dir}/aibl_mmse_*.csv")[0])

# 基线访视（VISCODE == "BL"）受试者级视图
bl = demo[demo["VISCODE"] == "BL"]
print(bl["DX"].value_counts())          # CN / MCI / AD 分布
print(bl["RID"].nunique(), "unique subjects at baseline")

# 宽表思路的最小实现：把 MMSE 拉宽为受试者×时点矩阵（AIBL 无官方宽表）
mmse_wide = mmse.pivot_table(index="RID", columns="VISCODE",
                             values="MMSCORE", aggfunc="first")
print(mmse_wide.iloc[:, :4].describe())  # 逐 wave 覆盖率与分值分布

§6.2 数据获取

步骤	操作	入口/耗时
1	注册 LONI IDA 账号（邮箱 + 机构信息）	https://ida.loni.usc.edu，即时
2	选择 AIBL 项目，在线填写申请（研究陈述、用途、团队）	申请页，通常数个工作日内
3	阅读并电子签署 AIBL Data Use Agreement（签署方含墨尔本大学、Edith Cowan University 等）	同上
4	下载临床数据：AIBL → Download Clinical Data → DOWNLOAD	数十 MB，即时
5	下载影像：Search & Download → Image Collections → Advanced search（勾选 MRI/PET）→ Select All → Add to Collection → Advanced download	建议分约 10 个 zip；可用下载管理器加速
6	解压后保持原始目录/文件名不变（Clinica 依赖 modality-specific CSV 索引）	—
7	（可选）关注官网与论文的批次/口径说明，核对所获批次覆盖的访视范围	—

影像批量下载可用 IDA Advanced Download 生成的链接列表配合下载管理器（如 jDownloader/Uget），或使用 IDA 自带的 Java 版 Downloader；临床 CSV 在申请通过后一次点击即可全部导出。若在同一账号下同时勾选了 ADNI 项目，请注意 AIBL 与 ADNI 的 DUA 条款独立生效，各自引用各自的资助来源。

# 伪流程：下载后的组织与校验（示例 bash）
unzip 'AIBL_imaging_*.zip' -d data_root/AIBL_imaging/
unzip 'AIBL_clinical_*.zip' -d data_root/AIBL_clinical_data/
# 校验：统计受试者目录数与 CSV 行数，核对无空 zip
find data_root/AIBL_imaging -mindepth 1 -maxdepth 1 -type d | wc -l
head -2 data_root/AIBL_clinical_data/aibl_ptdemog_*.csv

§6.3 预处理全流程

标准链路：BIDS 转换 → T1 体积流水线 → PET 体积流水线（依赖 Clinica、dcm2niix、FreeSurfer；AD-ML 框架已把以下步骤脚本化）：

# 0) 环境：安装 Clinica 并准备 FreeSurfer license 文件
pip install clinica
export FREESURFER_LICENSE=/path/license.txt

# 1) AIBL → BIDS（需要三个参数：影像目录、临床 CSV 目录、输出 BIDS 目录）
clinica convert aibl-to-bids \
  data_root/AIBL_imaging \
  data_root/AIBL_clinical_data \
  bids/

# 2) T1w 体积预处理（分割 + DARTEL 归一化到 MNI）
clinica run t1-volume bids/ caps/ aibl_group -tsv subjects_t1.tsv -wd work/

# 3) PET 体积预处理（以 PiB 为例；先经 t1-volume 以获得组织分割）
clinica run pet-volume bids/ caps/ aibl_group pib -tsv subjects_t1pib.tsv -wd work/

转换器每个访视、每种示踪剂只保留一张影像（T1w、PiB、AV45、Flutemetamol），选择逻辑依赖 aibl_mri_meta/PET 元数据 CSV——这正是坑点 4 的来源。产出 caps/ 目录后即可直接对接 AD-ML 的特征提取与分类脚本，或自行读取 NIfTI 进入深度学习流程。

三点工程提示：①哪些临床列进入 BIDS 由转换器仓库中的 clinical_specifications.xlsx 定义，可按需增改后重转；②t1-volume 依赖 SPM 与 MATLAB Runtime，pet-volume 额外依赖 FreeSurfer——首次运行建议先取 5-10 名受试者小样本验证环境再全量并行；③Centiloid 定量不在标准流水线内，若需要淀粉样阳性标签，按 Fowler 2021 口径（阈值 20）处理 PET 定量列，或直接使用 IDA 提供的 PET 元数据。

预期产物：bids/ 含 participants.tsv 与各 sub-<RID>/ 访视目录；caps/ 含 t1-volume 的组织分割图与 pet-volume 的标准化 PET——两者的张量化输出可直接对接 §6.4 的 Dataset 类。

§6.4 PyTorch DataLoader

完整可运行示例：从 BIDS 树读取 T1 NIfTI，标签取自 participants.tsv 的基线诊断，受试者级 8:2 划分（>30 行，已折叠）：

<details>
<summary>点击展开完整代码（约 40 行）</summary>

import glob
import os
import re

import nibabel as nib
import numpy as np
import pandas as pd
import torch
from torch.utils.data import DataLoader, Dataset

BIDS = "bids"  # clinica convert aibl-to-bids 的输出目录


def t1_target_shape(shape=(128, 128, 128)):
    return shape


class AIBLT1Dataset(Dataset):
    """每个受试者的基线 T1 一个样本；标签 CN=0, MCI=1, AD=2."""

    LABEL_MAP = {"CN": 0, "MCI": 1, "AD": 2}

    def __init__(self, bids_root, subject_ids):
        self.items = []
        for sid in subject_ids:
            t1s = sorted(glob.glob(f"{bids_root}/{sid}/ses-*/anat/*_T1w.nii.gz"))
            if not t1s:
                continue
            self.items.append((sid, t1s[0]))  # 取首个（基线）会话

    def __len__(self):
        return len(self.items)

    def __getitem__(self, idx):
        sid, path = self.items[idx]
        img = nib.load(path).get_fdata(dtype=np.float32)
        # 简易重采样到固定尺寸 + 强度归一化
        img = img[:: max(1, img.shape[0] // 128), :: max(1, img.shape[1] // 128), :: max(1, img.shape[2] // 128)]
        img = np.pad(img, [(0, 128 - s) for s in img.shape])
        img = (img - img.mean()) / (img.std() + 1e-8)
        dx = pd.read_csv(f"{BIDS}/participants.tsv", sep="\t")
        label = self.LABEL_MAP[dx.loc[dx["participant_id"] == sid, "dx_bl"].iloc[0]]
        return torch.from_numpy(img).unsqueeze(0), label, sid


all_subs = sorted({re.sub(r"_(ses-\w+)$", "", os.path.basename(p)) for p in glob.glob(f"{BIDS}/sub-*/ses-*/anat/*_T1w.nii.gz")})
rng = np.random.default_rng(42)
rng.shuffle(all_subs)
train_ds = AIBLT1Dataset(BIDS, all_subs[: int(0.8 * len(all_subs))])   # 受试者级切分
test_ds = AIBLT1Dataset(BIDS, all_subs[int(0.8 * len(all_subs)):])
train_loader = DataLoader(train_ds, batch_size=4, shuffle=True, num_workers=4)
test_loader = DataLoader(test_ds, batch_size=4, shuffle=False, num_workers=4)

</details>

列名 dx_bl 与 participant_id 以 Clinica 实际输出的 participants.tsv 为准（由 clinical_specifications.xlsx 驱动，可在转换器仓库中查看）。

§6.5 八个坑点

⚠️ 坑点 1：同一受试者跨折泄漏（分类：数据泄漏）

问题：AIBL 每人最多 8 个访视样本，若按「扫描」而非「受试者」随机切分，同一 RID 的高相似纵向影像会同时出现在训练与测试集。
症状：准确率异常高（90%+ 且折间方差极小），换随机种子后性能剧烈波动。
解决：

1. 简单方法：所有切分以 RID 为 group（GroupKFold(n_splits=5) 或 GroupShuffleSplit）。
2. 进阶方法：分层受试者级切分（诊断×站点），并对 MCI 转化任务把「同一受试者前后访视」显式绑定。
3. SOTA 方法：采用 AD-ML 协议（5 折受试者级 CV + 全流程脚本化），并叠加时间外推折（hold-out 后期 wave）。
   参考：Samper-González 2018, NeuroImage；AD-ML 框架

⚠️ 坑点 2：小样本上的"99% 准确率"陷阱（分类：评估误用）

问题：AIBL 文献中偶见 99%+ 的分类准确率（如 320 张 sMRI 上的 DBN 模型），此类结果通常源自小样本 + 高容量模型 + 不当交叉验证的组合，属于数据泄漏的典型表现。
症状：论文数字远高于同任务外部验证区间（81%-94.5%）；代码无法在其他折复现。
解决：

1. 简单方法：把 81%-94.5%（§7.8/§8.1）当作合理区间锚点，偏离即警惕。
2. 进阶方法：报告受试者级嵌套 CV 与站点分层指标，而非单次随机切分。
3. SOTA 方法：预注册协议 + 在 AIBL 上只做「外部验证」角色（训练集用 ADNI），从根本上规避选择偏差。
   参考：Ganesan 2024, Front Physiol, DOI 10.3389/fphys.2024.1380459；Sun 2024, Sci Rep

⚠️ 坑点 3：影像与临床访视日期不对齐（分类：预处理陷阱）

问题：影像 EXAMDATE 与量表施测日常相差数日甚至分属不同周，直接按 VISCODE 合并会把「A 时点的影像」与「B 时点的诊断」配对。
症状：纵向模型的特征-标签时间错位；转化预测出现「用未来信息预测过去」。
解决：

1. 简单方法：合并时以影像日期为锚，要求 |影像日期 − 量表日期| ≤ 90 天，否则丢弃。
2. 进阶方法：构建 (RID, EXAMDATE) 级时间索引表，逐表按最近邻日期对齐并记录时间差。
3. SOTA 方法：把「日期差」作为协变量或做敏感性分析（±30/±90 天两档），报告结论稳健性。
   参考：Clinica AIBL2BIDS 文档；Fowler 2021

⚠️ 坑点 4：同一访视多序列未去重（分类：预处理陷阱）

问题：IDA 影像集合中同一受试者同一访视可能包含多组 T1（重复采集、校正前/后版本）；PET 同一访视同一示踪剂原则上一张但跨示踪剂共存（PiB/AV45/Flutemetamol）。
症状：同一访视被计为多个样本，重复序列充当"免费数据增强"，测试集被自家数据污染。
解决：

1. 简单方法：直接使用 Clinica AIBL2BIDS——它按元数据 CSV 每访视每示踪剂只转一张 T1/PET。
2. 进阶方法：自行去重时以 aibl_mri_meta 的 Image ID 唯一化，按采集参数选保留项并记录规则。
3. SOTA 方法：在数据卡片中公开去重规则与被排除序列清单，保证可复现。
   参考：Clinica AIBL2BIDS 文档；AD-ML 预印本 §3.1.2

⚠️ 坑点 5：缺失编码与信息性缺失（分类：标签理解）

问题：量表 CSV 对「未施测/缺失」使用特殊编码（负值或空缺），且缺失概率与病情强相关——AD 组访视脱落与认知恶化使其缺席率系统性更高。
症状：把负值当真实分数参与均值/回归；模型「学到」的缺失模式实为生存偏差。
解决：

1. 简单方法：加载后立刻把非正值/空缺置 NaN，统计每列缺失率再决定去留。
2. 进阶方法：做多状态/逆概率加权（IPW）校正脱落；或对缺失模式做显著性检验并在论文中报告。
3. SOTA 方法：联合建模（joint models）/多重插补敏感性分析，纵向结局与脱落过程同时建模。
   参考：Fowler 2021（保留率与脱落统计）

⚠️ 坑点 6：诊断标签随时间翻转（分类：标签理解）

问题：AIBL 是动态共识诊断：MCI 可复归 CN（基线 CN 中 21 人先转 MCI 又复归）、CN 可转 MCI/AD。若把「基线标签」当作终身标签，或把「转化后标签」回填到历史访视，都会制造标签噪声甚至时间泄漏。
症状：转化预测模型虚高；队列描述与文献对不上。
解决：

1. 简单方法：每个样本只用「该访视时点」的当前诊断，明确写入数据卡片。
2. 进阶方法：转化任务采用「至 t 时点是否已转化」的累积定义，杜绝 t 之后信息。
3. SOTA 方法：用 15 年论文的转化统计（MCI 42% / CN 3.9%）校验你的标签流水线是否复现同量级数字。
   参考：Fowler 2021 Table（诊断转化）

⚠️ 坑点 7：双中心站点效应（分类：偏倚陷阱）

问题：墨尔本约 60%、珀斯约 40%，且 MRI 机型分布异质（3T Trio 41% / Skyra 25% / Verio 16% / 1.5T Avanto 13%），站点与扫描仪效应可能主导特征空间。
症状：站点分类器仅凭影像即可分清两地受试者；站点分层指标差异巨大。
解决：

1. 简单方法：站点分层评估（每站点分别报告指标），最低成本暴露问题。
2. 进阶方法：Z-score 按站点标准化特征，或把站点作为协变量回归掉。
3. SOTA 方法：Harmonization（ComBat 类）或域对抗训练；跨站点交叉验证（训练墨尔本→测试珀斯）。
   参考：Fowler 2021（设备分布）；Lu 2022（217+ 站点训练经验）

⚠️ 坑点 8：文件名/批次漂移与「勿重命名」要求（分类：工程陷阱）

问题：临床 CSV 文件名带发布日期（aibl_mmse_20230210.csv 风格），列名与批次也可能微调；Clinica 转换器依赖 modality-specific CSV 与影像目录的原始命名建立索引——重命名或删改会静默丢数据。
症状：转换器报「找不到影像」或转换数量远少于预期；下游脚本因列名缺失崩溃。
解决：

1. 简单方法：保持原始文件名，代码中用 glob 通配符匹配日期后缀（见 §6.1）。
2. 进阶方法：下载后立刻生成「批次指纹」清单（文件名 + 行数 + 关键列哈希），纳入 Git/DVC 版本管理。
3. SOTA 方法：用 DVC/MLflow 记录每次下载批次的差异报告，所有实验绑定批次指纹。
   参考：Clinica AIBL2BIDS（勿重命名说明）

§6.6 数据增强

类别	操作	说明
✅ 安全	随机小角度旋转（±10°）、平移（±2 voxel）、缩放（0.9-1.1）	模拟摆位差异，不破坏解剖左右性
✅ 安全	高斯噪声、轻度强度偏置场	模拟扫描噪声
✅ 安全	非线性弹性形变（小幅度）	增强形变鲁棒性
❌ 危险	左右翻转（L-R flip）	脑解剖左右不对称（颞叶不等大），AD 特征高度偏侧
❌ 危险	大角度旋转（>15°）	引入不真实的头部姿态
❌ 危险	跨站点混合强度归一化后不作站点协调	会把站点效应编码进模型（坑点 7）
❌ 危险	对纵向访视样本独立增强后跨折混用	破坏受试者级切分（坑点 1）

与 §6.4 Dataset 对接的最小增强实现（配合上表使用）：

from scipy.ndimage import rotate

def mri_augment(img):
    """T1 numpy [D,H,W] 的安全增强；不做左右翻转（见上表危险项）。"""
    if np.random.rand() < 0.5:
        img = rotate(img, angle=np.random.uniform(-10, 10),
                     axes=(1, 2), reshape=False, order=1)      # 轴内小角度旋转 ✅
    if np.random.rand() < 0.5:
        img = img + np.random.normal(0, 0.02, img.shape).astype(np.float32)  # 高斯噪声 ✅
    return img.astype(np.float32)

§6.7 模型推荐表

模型	适用任务	说明
ROI 特征 + SVM/Logistic	基线分类、快速基线	复现 Samper-González 协议最省力
3D ResNet/DenseNet	T1/MRI 分类	ADNI→AIBL 外测文献主流
多核学习（MKL）+ DARTEL 特征	MRI+PET 多模态	AIBL 上有直接先例（Youssofzadeh 2017）
3D ViT（预训练）	大规模预训练迁移	参照 Lu 2022 的多数据集预训练范式
时序模型（RNN/Transformer）	转化预测、轨迹建模	8 个 18 个月时点的纵向骨架

§6.8 硬件需求表

场景	最低配置	推荐配置
临床 CSV 分析	8 GB 内存笔记本	16 GB 内存
BIDS 转换 + t1-volume	8 核 CPU、32 GB 内存	16 核 CPU、64 GB 内存（并行加速）
3D CNN 训练（128³ 输入）	1× 11 GB 显存 GPU	1× 24-40 GB 显存 GPU（A100/4090 级）
全量 MRI+PET 存储	200 GB 磁盘	1 TB SSD

§6.9 评估指标代码

from sklearn.metrics import balanced_accuracy_score, roc_auc_score

def evaluate(y_true, y_prob, site):
    """二分类 AD vs CN：整体 + 站点分层（坑点 7 的最低要求）。"""
    y_pred = (np.asarray(y_prob) >= 0.5).astype(int)
    report = {
        "balanced_acc": balanced_accuracy_score(y_true, y_pred),
        "auc": roc_auc_score(y_true, y_prob),
    }
    for s in np.unique(site):
        m = site == s
        report[f"auc_{s}"] = roc_auc_score(y_true[m], np.asarray(y_prob)[m])
    return report


def conversion_report(risk_score, converted_within_horizon, quantiles=(0.25, 0.5, 0.75)):
    """MCI→AD 转化任务：AUC + 风险分位带内的实际转化率（校准概览）。"""
    risk_score = np.asarray(risk_score)
    converted = np.asarray(converted_within_horizon)
    cuts = np.quantile(risk_score, quantiles)
    bands = {f"risk>{c:.2f}_conv_rate": converted[risk_score > c].mean() for c in cuts}
    return {"auc": roc_auc_score(converted, risk_score), **bands}

§6.10 MLOps 笔记

1. 数据版本化：AIBL 批次会漂移（坑点 8），用 DVC 把「下载批次指纹」与实验绑定。
2. DUA 合规：禁止再分发个人层面数据；派生数据集与模型权重发布前重新审阅 AIBL DUA 条款；不要把数据传入公共 AI 平台。
3. 复现绑定：固定 Clinica/FreeSurfer 版本号；AD-ML 论文明确提醒最新版本流水线与论文结果可能不同。
4. 报告规范：每次实验写明「队列口径（Inception/Enrichment/合并）+ 访视范围 + 模态可用矩阵」，这三者是 AIBL 上结果不可比的最大来源。
5. 外测纪律：把 AIBL 用作外部验证时，所有超参与预处理选择必须在训练集（如 ADNI）上冻结，AIBL 只允许一次最终前向——这条纪律直接决定论文可信度。

坑点 8 的落地方案——为每个下载批次生成指纹清单并纳入版本管理：

import glob
import hashlib

def batch_fingerprint(csv_dir):
    """为当前下载批次生成文件级指纹（示例：临床 CSV）。"""
    return {p.split("/")[-1]: hashlib.sha256(open(p, "rb").read()).hexdigest()[:12]
            for p in sorted(glob.glob(f"{csv_dir}/*.csv"))}

---

§7 质量评估与局限性

§7.1 已知偏倚表

偏倚类型	描述	严重程度	缓解建议
志愿者偏倚	受试者为响应招募的健康意识较强人群，教育年限 12.1-13.1 年	高	外推至一般人群时保守解读；与人群流行率对照
疾病过采样	AD/MCI 按设计富集，远高于人群患病率	高	疾病流行病学推论禁用本队列；先验校正
站点/设备偏倚	双中心 + 4 种 MRI 机型分布不均	中	站点分层与协调化（坑点 7）
生存/脱落偏倚	累计脱落 51%，AD 组死亡更多；126 个月时点优先成像者	高	IPW/联合建模；报告各 wave n（坑点 5）
ancestry 偏倚	澳大利亚城市人口为主，多样性有限	中	不声称跨人群泛化；结合其他地区队列
标签不确定	临床共识诊断非病理金标准；MCI 复归/转化使标签动态变化	中	用时点诊断；参考淀粉样 PET 定量交叉验证
时间窗选择偏倚	126 个月时点优先评估愿意成像者	中	长时点分析做敏感性检验（§3.7）
转诊偏倚	Enrichment 2016 年后以记忆障碍专科转诊为主，入组者病情谱系改变	中	分析中区分「招募策略」时期；必要时分期敏感性检验

§7.2 标注质量

诊断流程 15 年保持一致（筛查访谈 + 综合神经心理测验 + 临床检查），并随访视动态更新；淀粉样状态由 Centiloid 定量管线判定，跨五种示踪剂统一到 20 的阈值，跨示踪剂可比性较好。未公开逐 wave 标注者一致性统计是主要缺口；使用者应把 CN/MCI/AD 标签视为"高一致性临床参考标准"而非病理确诊。

使用前合规检查清单（依据 AIBL DUA）：

检查项	要求
申请信息真实性	团队成员与研究用途如实填写并按年更新
再分发	个人层面数据禁止向协议外第三方分发
发表	摘要与正文引用 AIBL 及资助来源
派生数据	发布模型权重/衍生表前重审 DUA 相关条款
基因数据	输出聚合统计而非个体级基因表

§7.3 泛化性表

目标场景	失效风险	证据
ADNI 训练 → AIBL 外测	中：准确率普遍回落至 81%-94.5% 区间	Sun 2024（89.27%）、Lu 2022（94.5%）、转引文献区间
澳大利亚志愿者 → 临床连续病例	高：转诊人群共病更复杂	Enrichment 2016 年后转诊入组者脱落率更高（Fowler 2021）
CN 混入临床前 AD	高：约 1/3 CN 为淀粉样阳性，基线 CN 并非病理正常	AIBL 淀粉样成像 1,685 人，Centiloid 定量可得
非澳大利亚/非高收入人群	极高：ancestry 与医疗路径差异	队列构成本身（§2.4）
血浆标志物替代影像	中：血液-PET 相关性研究活跃，但跨模态判定阈值未统一	80 ml 血样与 Centiloid 定量并行（§3.1）
MCI→AD 转化预测	中高：转化标签本身随诊漂移（复归/二次转化）	42% 转化率先验与转化矩阵（§4.2）

§7.4 伦理

研究获 Austin Health、St Vincent’s Health、Hollywood Private Hospital 与 Edith Cowan University 伦理批准；每位受试者签署知情同意，数据经 RID/PTID 去标识后发布。数据使用受 AIBL DUA 约束：禁止再识别与联系受试者、禁止向协议外第三方再分发个人层面数据、发表须引用 AIBL 及资助来源。基因数据（APOE、SNP 芯片、WES、甲基化）属敏感信息，共享分析代码而非中间基因表是更稳妥的做法；二次分析涉及基因数据时，建议同步咨询本机构 IRB 对"已获伦理批准的二次使用"的认定。

§7.5 公平性

三组性别与教育分布不均衡（女性 48.7%-57.2%；教育 12.1-13.1 年），APOE ε4 携带率按组从 28.1% 到 64.5% 梯度分布——任何"组间对比"都可能混杂遗传与人口学因素。最低要求的公平性检查：

def subgroup_report(df, group_col="DX", sens_cols=("SEX", "SITE", "APOE4")):
    """按敏感属性输出子组样本量与标签率，作为公平性基线。"""
    return df.groupby([group_col, *sens_cols], dropna=False).size().unstack(fill_value=0)

§7.6 数据漂移

三类漂移需要监控：①设备漂移——MRI 机型组合随年代变化（Skyra 等后期机型占比上升）；②协议漂移——tau PET 2013 年加入、Enrichment 2016 年起转诊入组，队列构成阶段性改变；③批次漂移——IDA 数据发布批次更新（坑点 8）。跨年度纵向建模时，建议把「入组年代/队列来源」作为协变量，并做时间外推验证。监测操作：对每个新下载批次重跑 §6.1 的分布检查，跟踪受试者数、诊断分布与机型占比三条时间序列，任何一条突变都应触发方法学复审。

§7.7 DAIMS 24 项评估

#	检查项	状态	说明
1	宽格式	⚠️	各量表分表 CSV 为主，无官方一键宽表；ADNI 风格 merge 表需自行构建
2	唯一标识	✅	RID/PTID 全表通用、跨批次稳定
3	特殊字符	✅	临床 CSV 为规整 ASCII/英文内容
4	重复行	⚠️	同一访视多序列影像与个别重复记录需按 Image ID/日期去重
5	缺失编码	⚠️	负值/空缺表示未施测，但无统一缺失编码字典随表发布
6	标签标识	✅	DX 诊断标签逐访视可得，且论文口径可交叉校验
7	罕见类分组	⚠️	其他痴呆仅 18 人、MCI 子组偏小，需合并或分层报告
8	偏倚评估	✅	15 年论文系统报告脱落、转化与人口学偏倚
9	数据字典	⚠️	无单一完整字典；字段语义散布于 IDA 文档与论文附录
10	信息性缺失解释	⚠️	脱落与病情相关，官方说明充分但需自行建模处理
11	设备记录	✅	aibl_mri_meta 记录扫描仪/序列参数，机型分布可量化
12	共线性	⚠️	多量表与多示踪剂高度相关，多模态拼接需降维或正则
13	编码映射	⚠️	批次间列名/编码可能微调；示踪剂需统一 Centiloid 口径
14	时间戳处理	✅	EXAMDATE 逐访视可得，可支撑日期级对齐（坑点 3）
15	划分建议	❌	无官方划分；社区协议需自行脚本化（AD-ML 提供参照）
16	泄漏讨论	⚠️	官方未提供泄漏指南；社区论文（AD-ML）已系统讨论
17	标签分布	✅	三组分布与转化率有论文级统计（§4.2）
18	测量偏倚	⚠️	双中心机型差异已记录，但无官方协调化产物
19	外部验证建议	✅	ADNI↔AIBL 互验是社区默认协议，文献区间充分（§7.8）
20	版本记录	⚠️	批次以发布日期命名、无语义化版本号；无变更日志
21	预处理脚本	✅	Clinica AIBL2BIDS + AD-ML 全流程开源可复现
22	合规要求	✅	DUA 条款明确：申请审核 + 禁止再分发 + 引用要求
23	多模态对齐	⚠️	影像-量表-生物标志物需按 (RID, 日期) 手工对齐（坑点 3）
24	去标识化	✅	RID/PTID 数字编码，无 PHI 直接近 15 年实践

DAIMS 评分：17.0 / 24

评分解读：良好——标识体系、合规、设备记录与可复现预处理是强项；短板集中在「无官方划分、无统一数据字典、多模态对齐与缺失编码依赖自行处理」。

对你意味着什么：你可以放心把 AIBL 用作外部验证与纵向建模资源：主键稳定、DUA 清晰、社区流水线成熟，两周内可完成从申请到首个基线模型。但不要期待"开箱即跑"：需要自己构建宽表与对齐逻辑（§6.1/§6.3）、把缺失与脱落建模写进方法学（坑点 5），并在结果区始终报告队列口径与站点分层。若团队缺少预处理工程能力，优先复用 AD-ML 脚本而不是从零实现。

三条质量红线：

1. 不做扫描级随机切分（坑点 1）——这是 AIBL 上结果虚高的第一来源；
2. 不把 AIBL 当流行病学患病率来源——疾病组按设计富集（§7.1）；
3. 不跨示踪剂混合定量而不声明假设——五种淀粉样示踪剂的 Centiloid 换算必须显式（§3.9）。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
AIBL（382 样本：62 AD + 320 CN）	Sun J et al., 2024, Sci Rep（ADNI 417 样本训练）	AD vs CN 外测	准确率 89.27% / 敏感性 64.52% / 特异性 94.06%	低于 ADNI 内部最优	AIBL 已成为 ADNI 训练模型的标准"大考"
AIBL（669 样本：115 AD + 554 CN）	Lu B et al., 2022, J Big Data（34 个数据集 85,721 样本预训练）	AD vs CN 外测	准确率 94.5% / AUC 0.966 / 敏感性 0.881 / 特异性 0.958	与 ADNI 留站点 CV（90.9%）相当	大规模跨站点预训练显著缩小跨洲泛化落差
AIBL 文献汇总区间	转引自 Sun 2024 Table 2（Wen/Qiu/Wang/Bloch 等）	AD vs CN 外测	81%-87.9%	—	同为 ADNI→AIBL 外测，协议差异导致 7 个百分点波动
MKL+DARTEL（AIBL 内部）	Youssofzadeh V et al., 2017, Front Hum Neurosci	AD/CN/MCI 三组二分类	平均 >95%（58 AD/108 MCI/120 HC，内部 CV）	内部结果不可直接外推	小样本内部 CV 高分不能等同于外部泛化

---

§8 基准性能与生态

§8.1 排行榜

⚠️ 数值不可直接比较：各研究的受试者筛选、预处理、交叉验证协议与正负样本比例均不同。AIBL 常作外部验证集，同一模型在不同协议下的数字可差 5-10 个百分点。

排名	模型	性能（AD vs CN，AIBL）	年份	关键技术	完整引用	代码
1	跨数据集预训练 3D CNN	94.5% / AUC 0.966（外测）	2022	85,721 样本预训练 + ADNI 微调	Lu B et al., 2022, J Big Data 9:101. DOI 10.1186/s40537-022-00650-y	未公开
2	3D CNN（ADNI 训练）	89.27% / 敏感性 64.52%（外测 62 AD+320 CN）	2024	MRI 3D CNN + 神经影像表征	Sun J et al., 2024, Sci Rep. DOI 10.1038/s41598-024-78712-9	论文附流程
3	跨模态合成网络	87.9%（28 AD+105 CN）	转引	MRI→PET 跨模态合成	转引自 Sun 2024 Table 2	未见
4	ASEAN	87.6%（70 AD+75 CN）	转引	注意力集成	转引自 Sun 2024 Table 2	未见
5	FCN	87%（62 AD+320 CN）	转引	全卷积网络	转引自 Sun 2024 Table 2	未见
6	DenseNet TL	84.91%（71 AD+446 CN）	转引	DenseNet 迁移学习	转引自 Sun 2024 Table 2	未见
7	3D CNN	81%（76 AD+429 CN）	转引	3D CNN	转引自 Sun 2024 Table 2	未见
⚠️	DBN（慎用）	99.92%（320 sMRI，内部）	2024	深度置信网络；与外部验证区间严重背离，疑似数据泄漏	Ganesan et al., 2024, Front Physiol. DOI 10.3389/fphys.2024.1380459	未见
⚠️	MKL+DARTEL（内部 CV）	>95%（58 AD/108 MCI/120 HC，内部）	2017	多核学习融合 MRI+PiB 特征	Youssofzadeh V et al., 2017, Front Hum Neurosci 11:380. DOI 10.3389/fnhum.2017.00380	未见

排名仅基于 AIBL 上的已公开数字；「转引」行的方法原文以 Sun 2024 Table 2 的记录为准，正式引用时应回溯原始论文核对协议细节。

§8.2 SOTA 总结与选型建议

在 AIBL 上，当前可信的 AD vs CN 外部验证水平集中在 89%-94.5% AUC 0.95-0.97 区间，而"内部 CV 超过 95%"的结果应默认怀疑泄漏。选型建议分三档：①求稳——ROI 特征 + 传统 ML，全程复用 AD-ML 脚本，审稿风险最低；②求强——多数据集预训练 3D CNN（Lu 2022 范式）+ AIBL 一次外测；③求新——多模态融合（影像+血液+基因），用 §7.8 的文献区间锚定预期性能。无论哪一档，都要同时报告站点分层与敏感性/特异性，而非单一准确率。

文献区间之外，还应注意：外测样本的 AD/CN 构成差异（各研究 28-76 名 AD 不等）直接左右准确率——AD 组越小，敏感性问题越突出（§8.1 中 FCN 的敏感性 64.52% 即为典型）；比较数字前先对齐样本规模与协议，再谈优劣。

§8.3 评测协议

社区事实标准来自 AD-ML（Samper-González 2018）：①基线访视定义；②受试者级 5 折 CV；③统一预处理（Clinica t1-volume/pet-volume）；④报告准确率/AUC/敏感性/特异性。AIBL 作为外测集时：训练与模型选择全部在 ADNI 完成，AIBL 只跑一次前向，不参与任何调参。

步骤	协议要求	常见违规
队列定义	声明 Inception/Enrichment/合并口径	混用两个口径的统计数字
样本筛选	基线访视 + 显式模态可用矩阵	用后续 wave 数据悄悄补样本
切分	受试者级 5 折 GroupKFold + 分层	扫描级随机切分（坑点 1）
预处理	全折统一 Clinica 流水线与版本	每折独立调整预处理
指标	准确率 + AUC + 敏感性/特异性 + 站点分层	只报告单一准确率

复现 AD-ML 时注意：其仓库明确提示最新 Clinica 版本运行的流水线与论文数字可能不同——正式的方法学对比请使用其 Paper-Specific-Versions 目录锁定历史版本，普通实验则绑定当前版本并如实报告。

§8.4 相关数据集表

数据集	与 AIBL 的关系	组合用法
ADNI	直接同类（北美）；AIBL 遵循 ADNI 1 影像协议	互为训练/外测，双队列结论更稳
OASIS-3	免申请开放纵向 MRI	快速原型，再上 AIBL 正式验证
MIRIAD	短间隔重复 MRI	测试扫描间鲁棒性
NACC/UK Biobank	大样本临床/影像注册	人群层泛化补充（注意协议差异）
PPMI/其他疾病队列	非 AD 但方法学相通的神经退行性疾病队列	迁移学习方法学参照
GAAIN	全球 AD 数据共享联盟（与 LONI IDA 同口径统计申请）	跨队列协调分析入口

§8.5 关键论文 Top 7

1. Ellis KA et al., 2009, Int Psychogeriatr 21(4):672-687. DOI 10.1017/S1041610209009405 — 队列方法论文：1,112 人基线特征与流程定义，引用 AIBL 必引。
2. Fowler C, Rainey-Smith SR et al., 2021, J Alzheimers Dis Rep 5(1):443-468. DOI 10.3233/ADR-210005 — 《Fifteen Years of AIBL》：全量统计（影像/血样/基因/脱落/转化）的唯一权威汇总。
3. Samper-González J et al., 2018, NeuroImage 183:504-521. DOI 10.1016/j.neuroimage.2018.08.042 — ADNI/AIBL/OASIS 可复现分类框架，确立受试者级 CV 协议。
4. Youssofzadeh V et al., 2017, Front Hum Neurosci 11:380. DOI 10.3389/fnhum.2017.00380 — AIBL 上 MRI+PiB 多核学习分类的早期代表作。
5. Lu B et al., 2022, J Big Data 9:101. DOI 10.1186/s40537-022-00650-y — 85,721 样本预训练分类器在 AIBL 外测 94.5%，跨洲泛化最佳公开结果之一。
6. Sperling RA et al., 2011（Alzheimers Dement） — 临床前 AD 分期奠基论文，AIBL 被引最高论文（研究组口径 5,352 次）。
7. Sun J et al., 2024, Sci Rep. DOI 10.1038/s41598-024-78712-9 — 系统汇总 ADNI→AIBL 外测的 5 种方法（Table 2），并给出 3D CNN 基线（89.27%）。

按引用影响力补充一项：Sperling RA et al., 2011（Alzheimers Dement）——临床前 AD 分期奠基论文，AIBL 被引最高论文（研究组口径 5,352 次），可视作第 8 篇必读。

§8.6 社区活跃度

截至 2020-12-31 累计 341 篇同行评审论文（认知 33% / 生物标志物与遗传 28% / 影像 28% / 生活方式 11%），年引用约 2,500 次；数据申请覆盖 81 个国家、2,000+ 机构、3,500+ 个人（截至 2019-08-03）。生态侧，Clinica 与 AD-ML 持续维护 BIDS 转换与基准复现；AIBL 官网与 15 年论文构成主要信息源。对新入场的团队，围绕 AIBL 的开源工具链（转换器、基准框架、BIDS 脚本）意味着基线复现成本极低，而研究组的持续数据发布保证了未来数年的增量空间。跟踪渠道：官网新闻页、15 年论文的后续更新、LONI IDA 项目公告，以及 Clinica/AD-ML 仓库的 release 记录。

§8.7 生态快照表

资源	类型	链接	推荐理由
AIBL 官网	官方主页	https://aibl.org.au/	研究设计、六大研究流与最新统计口径
LONI IDA 申请页	数据门户	https://ida.loni.usc.edu/collaboration/access/appApply.jsp?project=AIBL	唯一官方获取入口（DUA）
Clinica AIBL2BIDS	转换器文档	http://git-hub.com/aramis-lab/clinica/wiki/AIBL2BIDS	官方推荐 BIDS 转换链路
AD-ML 框架	基准代码	https://github.com/aramis-lab/AD-ML/wiki	ADNI/AIBL/OASIS 可复现实验
Fifteen Years 论文	全量统计	https://pmc.ncbi.nlm.nih.gov/articles/PMC8293663/	所有规模数字的首选引用源
AD-ML 预印本	方法学细节	https://arxiv.org/pdf/1808.06452v1	转换器实现细节（§3.1.2）
OMOP/Athena 词表	编码映射	https://athena.ohdsi.org/	ICD-11/SNOMED 编码交叉核对

---

§9 相关资源与引用

§9.1 官方资源

• 研究主页与受试者统计：aibl.org.au
• 数据申请（注册 + DUA）：LONI IDA AIBL 项目页
• BIDS 转换：Clinica AIBL2BIDS
• 可复现基准：AD-ML Wiki
• 15 年全量统计：Fowler 2021（PMC8293663）
• 转换器方法细节：AD-ML 预印本（arXiv:1808.06452）

常见问题速答：

• 问：可以把下载的 AIBL 数据放到 GitHub/HuggingFace 供团队使用吗？——不可以。DUA 禁止向协议外再分发个人层面数据；合规做法是共享代码、批次指纹与聚合统计。
• 问：可以把 AIBL 当训练集吗？——可以，但其最有价值的位置是外部验证集（§5）；当训练集时更需严格的受试者级切分与站点分层。
• 问：跨示踪剂（PiB 与 Flutemetamol）能直接比较数值吗？——不能直接比，必须经 Centiloid 统一口径（阈值 20）并声明换算假设（§3.9）。

§9.2 BibTeX 引用块

<details>
<summary>点击展开完整 BibTeX（7 条）</summary>

@article{ellis2009aibl,
  title   = {The Australian Imaging, Biomarkers and Lifestyle (AIBL) study of aging:
             methodology and baseline characteristics of 1112 individuals recruited
             for a longitudinal study of Alzheimer's disease},
  author  = {Ellis, Kathryn A. and Bush, Ashley I. and Darby, David and others},
  journal = {International Psychogeriatrics},
  volume  = {21}, number = {4}, pages = {672--687}, year = {2009},
  doi     = {10.1017/S1041610209009405}
}
@article{fowler2021fifteen,
  title   = {Fifteen Years of the Australian Imaging, Biomarkers and Lifestyle (AIBL) Study},
  author  = {Fowler, Christopher and Rainey-Smith, Stephanie R. and Bird, Sabine and others},
  journal = {Journal of Alzheimer's Disease Reports},
  volume  = {5}, number = {1}, pages = {443--468}, year = {2021},
  doi     = {10.3233/ADR-210005}
}
@article{samper2018reproducible,
  title   = {Reproducible evaluation of classification methods in Alzheimer's disease:
             Framework and application to MRI and PET data},
  author  = {Samper-Gonz{\'a}lez, Jorge and Burgos, Ninon and Bottani, Simona and others},
  journal = {NeuroImage},
  volume  = {183}, pages = {504--521}, year = {2018},
  doi     = {10.1016/j.neuroimage.2018.08.042}
}
@article{youssofzadeh2017mkl,
  title   = {Multi-Kernel Learning with Dartel Improves Combined MRI-PET Classification
             of Alzheimer's Disease in AIBL Data: Group and Individual Analyses},
  author  = {Youssofzadeh, Vahab and McGuinness, Bernadette and Maguire, Liam P. and Wong-Lin, KongFatt},
  journal = {Frontiers in Human Neuroscience},
  volume  = {11}, pages = {380}, year = {2017},
  doi     = {10.3389/fnhum.2017.00380}
}
@article{lu2022practical,
  title   = {A practical Alzheimer's disease classifier via brain imaging-based deep
             learning on 85,721 samples},
  author  = {Lu, Bin and Li, Hui-Xian and Chang, Zhi-Kai and others},
  journal = {Journal of Big Data},
  volume  = {9}, pages = {101}, year = {2022},
  doi     = {10.1186/s40537-022-00650-y}
}
@article{routier2021clinica,
  title   = {Clinica: An Open-Source Software Platform for Reproducible Clinical
             Neuroscience Studies},
  author  = {Routier, Alexandre and Burgos, Ninon and D{\'i}az, Mauricio and others},
  journal = {Frontiers in Neuroinformatics},
  volume  = {15}, pages = {689675}, year = {2021},
  doi     = {10.3389/fninf.2021.689675}
}
@article{sun2024exploring,
  title   = {Exploring the relationship among Alzheimer's disease, aging and
             cognitive scores through neuroimaging-based approach},
  author  = {Sun, Jinhui and Han, Jing-Dong J. and Chen, Weiyang},
  journal = {Scientific Reports},
  year    = {2024},
  doi     = {10.1038/s41598-024-78712-9}
}

</details>

§9.3 引用指南

使用 AIBL 数据时：①必须引用 Ellis 2009（队列方法）与 Fowler 2021（全量口径）；②在方法学章节注明数据获取路径（LONI IDA 申请 + DUA）与所用的发布批次；③使用 Clinica/AD-ML 时按其文档引用对应软件论文；④摘要与正文中引用 AIBL 资助来源（CSIRO/SIEF 及 §10.3 所列），遵守 DUA 发表条款。若报告 Centiloid 阈值判定的淀粉样状态，请一并注明阈值 20 的出处（Fowler 2021）与所用示踪剂；跨示踪剂合并样本前，须在方法学中显式声明转换假设。

---

§10 AI 使用声明卡

§10.1 AI 模型列表

模型	版本	用途
CodeBuddy 内置模型（fast-model）	2026-09 访问	本页面初稿撰写、结构生成、代码示例编写
检索增强（WebSearch/WebFetch）	2026-09 访问	事实核实与来源抓取（§10.3 全部输入）
check_md.py 校验器	仓库脚本	交付前结构与纯净度自动检查

§10.2 AI 参与范围

AI 参与了全文初稿生成、来源检索与整理、代码示例与表格生成；章节取舍、事实核验流程与发布决策由千方病案医学编辑部执行。所有规模数字、日期与编码均要求可溯源至 §10.3 所列输入。页面中的全部声明在 §10.4 记录了人工校验路径；正文引用链接均指向可公开访问的来源。

§10.3 输入来源列表

1. Fowler C, Rainey-Smith SR et al. Fifteen Years of the AIBL Study. J Alzheimers Dis Rep. 2021;5(1):443-468. DOI 10.3233/ADR-210005（PMCID PMC8293663）
2. AIBL 官方网站（受试者统计与六大研究流）. https://aibl.org.au/
3. Ellis KA et al. The AIBL study of aging: methodology and baseline characteristics of 1112 individuals. Int Psychogeriatr. 2009;21(4):672-687. DOI 10.1017/S1041610209009405
4. Cambridge Core — International Psychogeriatrics Most Cited 页（Ellis 2009 引用数快照，截至 2026-09）
5. AIBL Data Use Agreement — LONI IDA 申请门户. https://ida.loni.usc.edu/collaboration/access/appApply.jsp?project=AIBL
6. Clinica Wiki — AIBL2BIDS 转换器文档. http://git-hub.com/aramis-lab/clinica/wiki/AIBL2BIDS
7. BIDS 官方转换器列表（Clinica 支持 ADNI/AIBL/OASIS 等）. https://bids.neuroimaging.io/tools/converters.html
8. ARAMIS Lab AD-ML 框架 Wiki（可复现 ADNI/AIBL/OASIS 基准）. https://github.com/aramis-lab/AD-ML/wiki
9. Samper-González J et al. Reproducible evaluation of classification methods in Alzheimer’s disease. NeuroImage. 2018;183:504-521. DOI 10.1016/j.neuroimage.2018.08.042（预印本 arXiv:1808.06452）
10. Routier A et al. Clinica: An Open-Source Software Platform for Reproducible Clinical Neuroscience Studies. Front Neuroinform. 2021;15:689675. DOI 10.3389/fninf.2021.689675（PMCID PMC8415107）
11. Youssofzadeh V et al. Multi-Kernel Learning with Dartel Improves Combined MRI-PET Classification of Alzheimer’s Disease in AIBL Data. Front Hum Neurosci. 2017;11:380. DOI 10.3389/fnhum.2017.00380（PMCID PMC5524673）
12. Sun J et al. Exploring the relationship among Alzheimer’s disease, aging and cognitive scores through neuroimaging-based approach. Sci Rep. 2024. DOI 10.1038/s41598-024-78712-9（PMCID PMC11551169）
13. Lu B et al. A practical Alzheimer’s disease classifier via brain imaging-based deep learning on 85,721 samples. J Big Data. 2022;9:101. DOI 10.1186/s40537-022-00650-y
14. Ganesan et al. Detection of Alzheimer’s disease. Front Physiol. 2024. DOI 10.3389/fphys.2024.1380459（99.92% 结果的警示案例）
15. CoBrALab documentation — ADNI T1w 下载与 IDA 流程参照. https://github.com/CoBrALab/documentation/wiki/ADNI-T1w
16. Jessen F, Broich K. Dementia: changes from ICD-10 to ICD-11（综述转述）. Der Nervenarzt, 2025（经生物通转译页面核对 ICD-11 编码 8A20/6D80/6D71）
17. OMOP/Athena 标准词表 — SNOMED CT 26929004 与 44782729 概念页. https://athena.ohdsi.org/

§10.4 人工校验记录

内容模块	审核者	审核方式	审核状态
frontmatter 与 §C JSON-LD	千方病案医学编辑部	Schema v3.9 字段逐项校验	✅ 已通过
§1 概览与 §1.3 对比表	千方病案医学编辑部	与官网及 15 年论文数字交叉比对	✅ 已验证
§2 医学背景（ICD-11/SNOMED 映射）	千方病案医学编辑部	编码经词表与综述来源双重核对	✅ 已通过
§3 数据集规格（规模/设备/子集）	千方病案医学编辑部	与 Fowler 2021 逐项数字核对	✅ 已验证
§4 数据结构与 §5 划分建议	千方病案医学编辑部	交叉审核	✅ 已通过
§6 AI 就绪指南（代码与 8 个坑点）	千方病案医学编辑部	代码逻辑走查 + 坑点来源核对	✅ 已通过
§7.8 外部验证矩阵	千方病案医学编辑部	与 Sun 2024 Table 2 及 Lu 2022 原文核对	✅ 已验证
§7 质量评估与 DAIMS 评分	千方病案医学编辑部	交叉审核	✅ 已通过
§8 排行榜与引用表述	千方病案医学编辑部	与原文及期刊页快照交叉比对	✅ 已验证
§2.1b SNOMED 映射与 ICD-10 对照	千方病案医学编辑部	词表与计费编码页核对	✅ 已验证
§4.3 各 wave 扫描次数表	千方病案医学编辑部	与 Fowler 2021 Table 10 核对	✅ 已验证
数据获取合规（§7.2 合规清单）	千方病案医学编辑部	与 LONI IDA DUA 页条款核对	✅ 已验证
§9 BibTeX 与 §10 声明卡	千方病案医学编辑部	逐条与来源核对	✅ 已通过

§10.5 AI 生成章节标注

以下章节由 AI 生成初稿并经人工审核：§1.0 30 秒速览、§3.0 版本抉择矩阵、§6.0-§6.4 代码示例、§6.5 八个坑点、§6.9 评估指标代码、§6.10 批次指纹代码、§7.5 公平性检查代码、§7.7 DAIMS 评估表与评分、§8.7 生态快照、§9.2 BibTeX、§C JSON-LD。

§10.6 最后审核

最后一次人工审核日期：2026-09-05

页面状态：published（全部内容已完成审核并发布）

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• cam-can — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像 / 队列研究
• 1000-functional-connectomes — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像 / 队列研究
• aomic — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像 / 队列研究
• ADNI — 共享标签：神经科学 / 脑影像 / 队列研究 / 阿尔茨海默病
• ppmi — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像 / 队列研究
• healthy-brain-network — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像 / 队列研究
• abide — 共享标签：神经科学 / 公共卫生与流行病学 / 脑影像
• nki-rockland — 共享标签：神经科学 / 公共卫生与流行病学 / 队列研究
• adhd-200 — 共享标签：神经科学 / 脑影像 / 队列研究
• nacc — 共享标签：神经科学 / 队列研究 / 阿尔茨海默病

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。