autoPET/CT IV 交互式病灶分割挑战 | AI-Ready 数据集

Q: IV 还含不含非 FDG 示踪剂？

含。从第三届起 PSMA 就是训练与测试的正式组成部分，IV 延续这一设置，Task 1 测试集按 FDG/PSMA 与 UKT/LMU 两个维度各 50 例组成 200 例四象限结构。

Q: 11 步交互是怎么组织的？

每例图像配 11 份输入。第 1 份不含点击（零点击基线），之后每步增加一组标准化预模拟的前景与背景点击，到第 11 步满配 10 个肿瘤点击与 10 个背景点击。

Q: 排名指标和往届有什么不同？

Task 1 从单一 DSC 变成六指标：末步 DSC/FPV/FNV 与沿交互步的 AUC-DSC/AUC-FPV/AUC-FNV，末步 DSC 与 AUC-DSC 各占 0.25，其余各 0.125。Task 2 仍是 DSC 0.5、FPV 0.25、FNV 0.25。

Q: Task 2 为什么分数普遍偏低？

官方排行榜 Task 2 前三的 Dice 分别为 0.3822、0.2967、0.2478，基线仅 0.2478。治疗中病灶会缩小、消失、分裂或新发，跨时间点与跨中心叠加，使纯 CT 随访分割明显难于单次 PET/CT。

信息速览

数据集名称autoPET/CT IV 交互式病灶分割挑战

数据类型人工标注,原始数据,影像数据

规模PET/CT 1,611 项研究（1,278 名患者）+ 纵向 CT 300 名患者

接入方式Tübingen 大学医院 MIDAS.lab（UKT）与慕尼黑大学医院（LMU）联合发布；纵向 CT 队列由 UKT 采集、美因茨大学医院（UM Mainz）提供外中心测试

AI 就绪度

autoPET/CT IV 是 autoPET 系列第四届挑战赛，承办于 MICCAI 2025。它把全身肿瘤病灶分割从「一次性全自动出图」改造为「11 步点击交互」，并第一次把任务扩展到纯 CT 的纵向随访。Task 1 沿用 1,014 项 FDG 与 597 项 PSMA 全身 PET/CT 研究，Task 2 新发布 300 名黑色素瘤患者的基线加随访 CT。两项任务分别以 200 例与 140 例隐藏测试集评分，训练数据经 fdat.uni-tuebingen.de 公开，约 120 GB 与 54 GB。

旧有赛制只回答「模型单独能做到几分」，而临床工作流里真正耗时的是另一环：算法给出大致正确的掩膜后，医师要花多少操作才能把它改对。IV 把这份「力气」拆成 0 到 10 个前景点击与 10 个背景点击的十一段，用曲线下面积量化改进效率，并要求模型在 FDG、PSMA 与两个中心之间保持稳定。Task 2 再进一步，考察同一病灶在两个时间点上能否被正确找回并勾画。

做交互式分割研究的团队，可以直接取 Task 1 的点击模拟脚本与 nnU-Net 基线跑通全链路；做纵向随访的团队，从 Task 2 的基线掩膜加病灶重心输入入手最快。使用前需清楚两点：点击是官方预模拟的标准化产物，不是真实医师的操作轨迹；纵向库只有黑色素瘤一个癌种，结论外推到其他瘤种要重新验证。

§1 它是什么

1.1 定义与身份

autoPET/CT IV（官方写 autoPET/CT IV，赛事简称 autoPET IV，Grand Challenge 子域写作 autopet-iv）是 autoPET 系列第四届国际挑战赛，2025 年随 MICCAI 2025 举办，支持单位为 ESHI（European Society for hybrid, molecular and translational imaging）。赛题原文为「Automated Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT — The human frontier」，即「人类前沿」：前几届把注意力放在自动化与泛化，这一届把人类标注本身变成输入变量。

官方从第四届起把名称由 autoPET 扩写为 autoPET/CT，原因是任务版图里出现了不含 PET 的纯 CT 随访任务。两个写法指同一赛事，论文、GitHub 与排行榜混用，检索时需要同时覆盖。

它是一个「挑战赛 + 数据发布」的复合体，不是一份从零采集的单体数据集。Task 1 的训练语料与第三届完全相同，Task 2 的纵向库则是这一届首次随赛事发布的独立资产。理解这一层结构，是判断「IV 到底新在哪里」的前提。

1.2 系列谱系中的位置

autopet.org 为各届各写了一个定语：第一届 segmentation frontier（分割前沿）、第二届 generalization frontier（泛化前沿）、第三届 tracer frontier（示踪剂前沿）、第四届 human frontier（人类前沿）、第五届 human-AI frontier（人机前沿）。第四届的「人类前沿」有两层含义：其一是把人工点击作为模型输入，其二是把「人的复核动作」形式化为赛制的一部分。

与第三届相比，IV 的增量集中在三个方向：交互协议（11 步、前景加背景点击）、纵向维度（新增纯 CT 任务与 300 例库）、评估体系（从三指标扩展到六指标并引入 AUC 型曲线指标）。数据本体上，Task 1 没有新增采集，Task 2 新增了一个癌种单一但时间维度完整的小库。

1.3 组织与承办

官网列出的组织者覆盖六个机构与七个专业方向，是系列中组织面最宽的一届：

机构	人员	角色
Tübingen 大学医院 MIDAS.lab（UKT）	Sergios Gatidis、Thomas Küstner、Pauline Ornela Megne Choudja	系列牵头、FDG 库与平台
Tübingen 大学医院放射科	Felix Peisen、Andreas Wagner	临床读片与标注
慕尼黑大学医院（LMU）	Clemens Cyran、Michael Ingrisch、Jakob Dexl、Katharina Jeblick、Balthasar Schachtner、Andreas Mittermeier、Anna Theresa Stüber、Matthias Fabritius	PSMA 库与评估
美因茨大学医院（UM Mainz）	Ahmed Othman、Antoine Sanner、Dirk Graafen	纵向 CT 外中心测试数据
Fraunhofer MEVIS	Tanja Loßau、Jan Hendrik Moltz、Temke Kohlbrandt	纵向任务的算法与工程
Karlsruhe 理工学院（KIT）	Zdravko Marinov	技术支撑
Radboud UMC（DIAG）	Alessa Hering、Niels Rocholl	纵向任务基线与评估

多出美因茨与 Radboud 两家，直接对应 Task 2 的设计需求：纵向任务需要一个训练时完全未见的中心，用来检验模型在跨机构数据上的随访表现。Fraunhofer MEVIS 的加入则把 Task 2 的基线（mast-baseline）与几何配准链路带进了赛事。

1.4 发布物清单

发布物	载体	标识符	说明
Task 1 合并训练集（FDG + PSMA，NIfTI）	fdat.uni-tuebingen.de	10.57754/FDAT.6gjsg-zcg93	约 120 GB，nnUNet 格式
FDG PET/CT 训练集（DICOM）	TCIA	10.7937/gkr0-xv29	首版 2022 年发布
FDG PET/CT 训练集（NIfTI）	fdat	10.57754/FDAT.wf9fy-txq84	单库 NIfTI 版
PSMA PET/CT 训练集（DICOM）	TCIA	10.7937/r7ep-3x37	2024 年收录
纵向 CT 训练集（NIfTI）	fdat	10.57754/FDAT.qwsry-7t837	约 54 GB，2025-05-08 上线
官方代码仓库	github.com/lab-midas/autoPETCTIV	—	Task1/Task2 基线、点击模拟、评估脚本
赛事平台	autopet-iv.grand-challenge.org	—	排行榜、提交接口、数据集说明
赛事主页	www.autopet.org/autopetiv.html	—	任务、评估、排行榜与组织者

数据与代码两条线都已开放；测试集与排行榜提交入口在赛事关闭后停止服务。代码仓库最后一次结构性更新在 2025 年 11 月（加入数据预处理脚本），Task 2 的评估脚本在 2025 年 8 月 25 日有过一次修订。

§2 数据构成

2.1 两任务三库的总账

库	任务	患者	研究数	影像	体量	原发布年
FDG-PET-CT-Lesions	Task 1 训练	900	1,014	PET/CT 全身	与 PSMA 合并计约 120 GB	2022（TCIA）
PSMA-PET-CT-Lesions	Task 1 训练	378	597	PET/CT 全身	同上	2024（TCIA）
Longitudinal CT	Task 2 训练	300	300（基线加随访成对）	纯 CT	约 54 GB	2025（FDAT）

三个库的粒度不同：PET/CT 库以「研究」为单位，同一患者可能有多次扫描；纵向 CT 库以「患者」为单位，每人固定一对时间点。把 1,014 与 597 相加得到 1,611 项研究，患者数相加得 1,278 名，二者不可混用。

2.2 Task 1：FDG 与 PSMA 的双示踪剂语料

FDG 队列在 UKT 单台 Siemens Biograph mCT 上采集，包含 501 名有病理确诊肿瘤的患者（黑色素瘤、淋巴瘤、肺癌）与 513 名无病灶对照，合计 1,014 项研究、900 名患者；男女分别为 570 与 444，平均年龄约 60 与 58 岁。PSMA 队列在 LMU 三台设备上采集（Siemens Biograph 64-4R TruePoint、Siemens Biograph mCT Flow 20、GE Discovery 690），均为前列腺癌男性，含病灶 537 例、无病灶 60 例，共 597 项研究、378 名患者，平均年龄 71 岁。

两个队列的病灶密度差异显著：FDG 每例病灶少而大，PSMA 每例小而密。这一差异决定了同样的 DSC 在两库中的含义并不相同——小病灶漏掉一个对 DSC 的惩罚远小于大病灶错画一块。评估时按中心与示踪剂划成四象限分别取均值，正是为了不让密度差直接变成排名差。

2.3 Task 2：黑色素瘤纵向 CT

纵向库收 300 名接受系统治疗的黑色素瘤患者，女性 170 名，平均年龄 64 岁（标准差 15），来自 UKT 单中心。每名患者提供基线分期与治疗后随访两次 CT，附基线掩膜、基线病灶重心与随访病灶重心；整数掩膜逐病灶编号，可直接用于实例级追踪评估。

数据字典的核心字段如下：

字段	含义	可靠性
lesion_id	同一患者内的病灶连续编号	依官方说明，语义明确
cog_bl / cog_fu	基线/随访病灶重心（3D 像素坐标）	依官方说明，采样前需核对方向矩阵
img_id_bl / img_id_fu	对应的基线与随访影像标识	依官方说明
cog_propagated	传统配准从基线传播到随访的重心	依官方说明，并非每个病灶都有
lesion_type	病灶解剖部位	依官方说明，部位自由度大

数据集页同时列出七个损坏病例（哈希前缀 01161aaa0b、0e51011a4c、65cfedc125、7ef605fc8d、8d3bba7425、e165421110、ebf11048b1），官方承诺修复。下载后若读到空体积或维度异常，应先比对这一清单再判断是不是自身解压问题。

纵向任务的关键设计在于「同一病灶跨时间点」：肿瘤在治疗中可能缩小、消失、分裂、融合或新发转移灶。基线掩膜提供的不是答案，而是先验——它告诉模型上一时间点哪里曾有病灶、那一处组织长什么样。

2.4 测试集构成

任务	初步测试	最终测试	组成
Task 1	5 例	200 例	FDG-UKT、FDG-LMU、PSMA-UKT、PSMA-LMU 各 50 例
Task 2	5 例	140 例	UKT 70 例 + UM Mainz 70 例

Task 1 的 200 例是二乘二交叉设计：训练于 UKT 的 FDG 模型必须在 LMU 的 FDG 上表现，训练于 LMU 的 PSMA 模型必须在 UKT 的 PSMA 上表现。四个子集各自算指标再取均值，等于把「同域」与「跨中心」两种难度等权放入总分。

Task 2 的 140 例是训练中心与外部中心对半开。美因茨 70 例在训练阶段完全不可见，其表现是跨机构泛化的直接读数。官方提示测试数据的分布将在赛事截止后公布，截至 2026 年 10 月尚未见对应说明页。

2.5 交付格式

Task 1 采用 nnUNet 目录约定：imagesTr 中 CT 为 tracer_patient_study_0000.nii.gz、PET 为 _0001.nii.gz（已换算为 SUV），labelsTr 为手工标注，另附 dataset.json、dataset_fingerprint.json、splits_final.json 与两份元数据 CSV。Task 2 采用 inputsTr/targetsTr 结构，inputsTr 下按患者分目录，存放 BL_img（基线 CT）、FU_img（随访 CT）、BL/FU 的病灶重心 JSON 与描述病灶的 CSV，targetsTr 存 FU_mask 整数掩膜。

提交接口与训练格式不同：Grand Challenge 用 MHA 读取测试影像，输出同样是 MHA。本地训练环境按 NIfTI 组织，打包容器时必须显式做扩展名与几何头转换，这是历届最常见的接口失败点。

2.6 空间与强度规格

PET/CT 两库的空间分辨率随设备而定，FDG 侧单机一致，PSMA 侧面内像素在 2.73 至 4.07 毫米之间浮动。CT 已重采样到 PET 网格，PET 由放射性计数换算为 SUV。纵向 CT 保持 Hounsfield 单位，掩膜为整数标签而非二值，因此直接二值化会丢掉「哪一块病灶对应哪一次随访」的对应关系。

强度归一化没有官方统一规定。基线工程各自处理，PET 存在全局统计与逐图统计两派做法，前者计算快但跨中心偏移大，后者对示踪剂间量级差更稳健，代价是单例噪声被放大。

§3 怎么拿到

3.1 训练数据的三种获取路径

第一条是 FDAT（fdat.uni-tuebingen.de），提供打包好的 NIfTI 与 nnUNet 结构。Task 1 合并包经 DOI 10.57754/FDAT.6gjsg-zcg93 定位，纵向 CT 包为 10.57754/FDAT.qwsry-7t837。下载无需注册，浏览器直接取；单包体积大，建议用断续可续传的客户端并预留磁盘。

第二条是 TCIA，提供 DICOM 原始层。FDG 库使用 10.7937/gkr0-xv29，PSMA 库使用 10.7937/r7ep-3x37。TCIA 版经过面脱敏（defacing），检查日期被整体移位，且不带 SUV 换算结果，需要在本地重建 SUV。

第三条是镜像与派生副本。Hugging Face 等平台上的社区镜像多为搬运，版本与字节一致但缺元数据 CSV；用它训练可行，引用时应回到原始 DOI，不要以镜像地址作为出处。

3.2 许可与使用边界

FDAT 上的 NIfTI 包标注 CC BY-NC 4.0，允许非商业的再分发与改编，商用需联系组织方。TCIA 版按 TCIA 数据使用条款，用户需接受不重新识别个体的义务。纵向 CT 库随赛事发布时挂在 FDAT 下，与 PET/CT 包同一许可口径。

三类数据都已被正式发表或正式收录，引用链完整：FDG 库对应 Scientific Data 2022 年论文，PSMA 库对应 2024 年 TCIA 收录与后续数据论文，纵向库目前只有 DOI 而没有对应的数据描述论文。写论文时纵向 CT 只能引 DOI，不能引一篇还不存在的论文。

3.3 官方代码资产

github.com/lab-midas/autoPETCTIV 是这届赛事的唯一官方仓库，目录结构直接对应任务：Task1 与 Task2 各自存放基线说明与容器模板，clicks 目录存放点击模拟，evaluation_metrics 存放评分脚本，publication_template 存官方 LaTeX 模板。README 中的数据引用段落给出了四个 DOI 与四条下载链接，是核验数据来源最快的入口。

Task 1 提供两个基线：interactive-baseline 与 nnunet-baseline；Task 2 提供 mast-baseline。三者都是容器化的完整提交样例，可直接作为提交起点，也可作为分析「基线有多弱」的对照。仓库未声明统一的软件许可，二次发布时需逐文件确认。

3.4 测试集的获取边界

最终测试集不开放。Task 1 的 200 例与 Task 2 的 140 例只在赛事期间通过 Grand Challenge 容器推理接口可访问，赛事关闭后入口保留但不接收提交。这意味着排行榜上的任何分数都无法在本地重算，只能在训练集内做交叉验证近似。

官方在 Task 1 公布了一份参考五折划分（splits_final.json），但没有公布与官方测试集同分布的本地代理集。想复现排行榜排序，只能在五折内自建交互模拟，并把结论限定在「训练集分布内」。

§4 质量与已知问题

4.1 标注协议与标注者资历

Task 1 的标注口径沿用第二、三届：先由 PET、CT 与临床报告联合判读确认示踪剂摄取灶，再在轴位逐层手工勾画，同一患者的原发灶与全部转移灶都计入阳性。无病灶对照单独成组，用来惩罚把生理摄取当病灶的行为。

标注者资历按数据集与用途分档披露：

数据集	用途	标注者资历
FDG（UKT）	训练与测试	具 10 年混合影像经验的放射科医师
FDG（LMU）	测试	具 8 年经验的放射科医师
PSMA（LMU）	训练与测试	单一读片人，5 年经验医师复核
纵向 CT（UKT）	训练	两名有经验的放射科医师，基线/随访并排比对

纵向 CT 的标注方式是这届的新增项：标注者不是分别勾两个时间点，而是在并排视图中先完成病灶匹配，再分别勾画轮廓。这使「同一 ID 在两时点指同一病灶」成为标注时的人工判断，而不是事后算法推断。

4.2 假设检验：交互是否真的带来收益

假设	支持证据	反对或限定
加入点击可显著提升分割质量	Task 1 排行榜冠军末步 DSC 0.7412，nnU-Net 基线 0.6349；参赛论文报告零点击到满点击的单调提升	提升幅度依赖点击编码方式，EDT 与高斯基函数差异明显
曲线指标比单点指标更能区分方法	AUC-DSC 与末步 DSC 的排名在头部队伍中并不一致（BIRTH 末步第二高但 AUC 第一）	只有 7 支队伍上榜，统计区分力有限
纵向先验能显著降低随访分割难度	纵向任务第一名将配准结果与基线外观联合使用，Dice 0.3822 远超基线 0.2478	绝对分数仍低，任务本身未被攻克
多中心测试能暴露泛化缺口	FDG 训练于 UKT、测试含 LMU 子集；四象限分别求均值避免同域成绩稀释	官方未公布逐象限分数，缺口大小不可量化

4.3 已知的数据质量问题

第一类是损坏文件。纵向库有七个病例在发布时列为损坏，需要等官方修复或自行跳过；处理方式应写进实验记录，而不是静默剔除，否则样本量对不上。

第二类是跨载体不一致。TCIA 版的检查日期被移位至 1997 至 2005 年间，FDAT 版保留原始相对日期，两版按日期无法直接 join，只能按患者哈希对齐；TCIA 版做了面脱敏，FDAT 版未脱敏。混用两版训练会引入不一致的头部几何与匿名化状态。

第三类是掩膜语义在任务间不同。Task 1 的 labelsTr 是二值病灶掩膜，Task 2 的 FU_mask 是整数实例掩膜。把 Task 2 掩膜直接二值化后当二分类标签训练，会丢掉实例边界，在分裂或融合病例上产生系统性误差。

第四类是元数据的完整性不一致。纵向库的 cog_propagated 字段并非每个病灶都有，缺失意味着该病灶无法用配准传播作为先验；按「有传播重心」筛样本会引入选择偏倚，偏向形态规则、位置稳定的病灶。

4.4 结论强度分级

结论	强度	依据
训练集规模为 1,611 项 PET/CT 研究与 300 名纵向患者	A	官网、GC 数据集页、GitHub README 三处一致
测试集为 200 例与 140 例，且 Task 1 为四象限	A	官网数据集页与 GC 页面一致
Task 1 冠军为 BIRTH 团队	B	官网排行榜署名，另有 DKFZ 机构新闻与作者主页旁证
纵向 CT 训练集为单中心 UKT	A	官网写明 single center
赛事总注册人数与提交数	D	未查到官方统计

§5 能做什么

5.1 四类可用任务

其一，交互式分割的方法研究。给定影像与稀疏点击，输出病灶掩膜，并随点击增加持续改进。这是评估 SAM 类提示模型、点击条件化网络、以及「人机循环」训练策略的标准试验床。

其二，多示踪剂与多中心泛化评测。FDG 与 PSMA 的生理摄取图谱不同（FDG 在脑、肾、心肌高摄取，PSMA 在肝、肾、脾、颌下腺高摄取），同一模型要在两套「假阳性诱饵」下都保持低 FPV，构成比单一示踪剂更严格的压力测试。

其三，纵向病灶追踪。给定基线影像、基线掩膜与随访影像，输出随访掩膜。评价点在于同一病灶能否被找回，以及新发病灶与消失病灶能否被正确处理。

其四，标注效率研究。由于点击是标准化模拟的，可以用同一患者在 0 至 10 个前景点击下的曲线，估算达到临床可用精度所需的平均交互量，为标注工具设计提供量化依据。

5.2 最小可执行示例

Task 1 的本地最小链路如下（示意，路径按官方仓库调整）：

步骤一  取数据（FDAT 合并包，约 120 GB）：浏览器打开 DOI 10.57754/FDAT.6gjsg-zcg93
        mkdir -p data/autopet4 && cd data/autopet4
        解包后得到 nnUNet_raw/DatasetXXX_AutoPET4 下的 imagesTr、labelsTr、dataset.json
步骤二  取官方代码：git clone https://github.com/lab-midas/autoPETCTIV.git
步骤三  用官方点击模拟生成交互输入（参数以仓库 README 为准）
        python clicks/simulate_clicks.py --images_dir ../data/autopet4/imagesTr \
               --labels_dir ../data/autopet4/labelsTr --n_fg 10 --n_bg 10 --out_dir ../data/clicks
步骤四  训练交互基线（nnU-Net 框架，提示点作为附加通道）
        nnUNetv2_train DATASET_ID 3d_fullres 0

Task 2 的最小链路从 inputsTr 中读入基线与随访 CT、基线掩膜和病灶重心，经过可选配准把基线掩膜变换到随访空间作为初始猜测，再交给分割网络细化。官方 mast-baseline 已把这一流程封装成容器，可直接推理。

5.3 典型使用场景与取舍

做提示模型评测时，Task 1 的价值在于「点击是标准化的」——不同方法拿到完全相同的点击序列，比较的是模型而非交互者。做临床工具开发时，这一优点会变成局限：真实医师的点击落在哪里、先点哪个病灶、什么时候放弃，都不受控。两种用途应分别选择标准化点击与自采交互日志。

做纵向随访研究时，Task 2 的 300 例是当前公开量级里少见的「全身 CT + 双时间点 + 实例掩膜」组合，适合做配准加分割的联合实验。若研究目标是多癌种随访，则需引入其他纵向库补充。

5.4 不适用场景

不适用于心脏、神经等非肿瘤 PET 应用，因为标注口径只有「肿瘤病灶」。不适用于把测试分数当临床性能声明，因为测试集隐藏、点击为模拟、样本以单一癌种为主。不适用于直接训练可上线的报告生成或诊断模型——本库不提供报告、分期或生存标签。

§6 常见误读与引用陷阱

常见说法	实际口径	证据位置
autoPET IV 是全新数据集	Task 1 与第三届同源，仅 Task 2 新发布 300 例纵向 CT	GC 数据集页与第三届公开口径对照
IV 只有 FDG，PSMA 是后面才加入的	PSMA 自第三届起就是正式组成，IV 延续并纳入四象限测试	autopet.org 第四届页面 Database 段
11 步交互意味着 11 个点击	11 步是 0 点击到 10 前景加 10 背景共 20 个点击的递进，第 1 步不含点击	官网 Task 1 说明
排行榜第一名就是 Task 1 冠军	排行榜按平均名次排序，末步 DSC 最高者与平均名次第一者可以不是同一队	官网 Leaderboard 表
Task 2 分数低说明数据有问题	低分源于任务本身（治疗中病灶形变、跨中心），基线也只有 0.2478	官网任务说明与排行榜
训练数据可直接商用	FDAT NIfTI 为 CC BY-NC 4.0，非商业	FDAT 记录页许可字段
纵向 CT 库覆盖多个癌种	仅黑色素瘤，且训练为 UKT 单中心	官网 Task 2 Database 段

技术陷阱一：PET 通道的原始计数不是 SUV。 TCIA 提供的 PET 为放射性计数，需按注射剂量与体重换算；若直接当 SUV 输入，跨中心与跨示踪剂的量级差会被放大。

技术陷阱二：MHA 与 NIfTI 的几何头转换。 训练用 NIfTI，提交用 MHA。nnU-Net 的预处理会重采样并改写几何，容器内读出 MHA 后若沿用训练时的 spacing 假定，会在部分病例上产生整体平移。

技术陷阱三：Task 2 的整数掩膜不能二值化后与 Task 1 混训。 两者语义不同，混训会让模型把「实例边界」当作噪声，在分裂病灶上过分割。

技术陷阱四：跨载体的日期不可 join。 TCIA 版日期已移位，FDAT 版保留相对时间；按日期匹配会错配患者，只能按患者哈希。

技术陷阱五：基线成绩的参照点。 nnUNet 基线在 Task 1 的平均名次为 5.25，Task 2 的基线 Dice 为 0.2478；把这两个数当「可接受下限」会低估任务难度，也容易高估小幅改进的意义。

§7 任务定义与评估体系

7.1 Task 1：11 步点击交互

Task 1 的输入是一份 CT（MHA）、一份 PET（MHA）与一份 JSON 点击文件。点击以 3D 坐标列表给出，分前景（肿瘤）与背景（生理高摄取区、伪影）两组。评估按 11 个交互步逐段进行：第 1 步零点击，作为全自动基线；第 2 至第 11 步每步各追加一个前景与一个背景点击，到末步满配 10 加 10。

点击由官方标准化预模拟生成，同一病例的点击序列对所有参赛者是同一份。这保证了比较的是模型对提示的响应能力，但也意味着点击位置未必落在真实阅片者会点的位置：模拟算法通常围绕病灶中心与易混结构生成，比人类更「精准」。

7.2 六个指标的定义

Task 1 的评分基元仍是三项：DSC（Dice 相似系数，衡量体素重叠）、FPV（假阳性体积，预测为病灶但标注为背景的体积）、FNV（假阴性体积，漏掉的病灶体积）。在此基础上按两条时间轴各取一次：末步（@last）与沿交互步的曲线下面积（AUC）。

指标	定义	权重（Task 1）
DSC @last	第 11 步的 Dice	0.25
FPV @last	第 11 步的假阳性体积	0.125
FNV @last	第 11 步的假阴性体积	0.125
AUC-DSC	11 步 DSC 的曲线下面积（梯形法）	0.25
AUC-FPV	11 步 FPV 的曲线下面积	0.125
AUC-FNV	11 步 FNV 的曲线下面积	0.125

曲线横轴取交互步编号 0 至 10，纵轴为对应指标值。对 DSC 而言越大越好，对 FPV/FNV 则越小越好，排名方向由平台统一处理。AUC 的引入使「早期就能改对」比「最后才改对」得分更高，这是把交互效率写进分数的具体机制。

无阳性病灶的测试例只计 FPV，不计 DSC 与 FNV。这一规则决定了对照病例的作用：它们不贡献分割精度，只贡献假阳性惩罚。

7.3 四象限聚合与排名

Task 1 先按 PSMA-LMU、PSMA-UKT、FDG-LMU、FDG-UKT 四个子集分别计算六项指标的均值，再对子集求平均，最后按上表权重合成。先子集后总体的两步平均，保证四个象限等权，不会因某象限病例数多而主导排名。

官方网站同时给出两条排序口径：一条是「平均名次」（每个指标各排一次名，取平均），另一条是加权合成。两者在头部队伍中并不总是一致，引用时应写明用的是哪一条。

7.4 Task 2：纵向 CT 随访

Task 2 的输入包含基线 CT、随访 CT、基线掩膜、基线病灶重心、随访病灶重心，部分病例还给出经传统配准传播的重心。输出是随访掩膜。评估基于随访扫描中预先模拟的病灶中心点击，每病灶一次。

Task 2 只有三个指标：DSC @last、FPV @last、FNV @last，权重分别为 0.5、0.25、0.25。没有 AUC，因为纵向任务的交互不是逐步展开的，而是「给定一组病灶中心，要求画出随访轮廓」。无阳性测试例同样只计 FPV。

7.5 两任务评估哲学的差异

Task 1 把「过程」纳入评分，Task 2 只看「终态」。这一差异对应两种临床动作：交互分割是医师在诊断工作站上的即时修正，过程即成本；纵向随访是阅片者拿到一组病灶中心后的批量勾画，终态即产出。

从度量设计看，Task 1 是「曲线 + 端点」的双轨，Task 2 是纯端点。这意味着 Task 1 的方法创新空间更大（提示编码、课程训练、早停策略都能改变 AUC），Task 2 的创新空间更集中在几何与先验（配准质量、基线外观条件化）。

§8 参与者与方法生态

8.1 榜单全貌

Task 1 官网列出 7 支队伍（含两个基线）：

名次	队伍	平均名次	DSC @last	AUC-DSC
1	BIRTH	1.25	0.7412	7.2419
2	LesionLocator	2.25	0.7236	7.0622
3	Zhack	3.25	0.7308	6.9878
4	autopet__	3.375	0.7160	6.7277
5	nnUNet（基线）	5.25	0.6349	5.8355
6	Dolphins	5.75	0.5518	5.5183
7	SW-FASTEDIT（基线）	6.875	0.2311	2.2851

名列第三的 Zhack 末步 DSC 高于名列第二的 LesionLocator（0.7308 对 0.7236），但平均名次落后。这正是「六指标加权」与「单看末步精度」不会同序的实证。

Task 2 只有三支队伍：

名次	队伍	平均名次	Dice	FNV	FPV
1	LesionLocator	1	0.3822	1.0884	0.6315
2	nRocholl	2.5	0.2967	2.5472	1.4817
3	Baseline	2.5	0.2478	1.5957	0.9735

第二名与基线的平均名次相同（2.5），是因为二者在不同指标上互有胜负：nRocholl 的 Dice 更高，但 FPV 与 FNV 都更差。

8.2 Task 1 主流方法族

从参赛论文与榜单看，头部方法集中在三条路线。

第一条是提示化的 nnU-Net 家族。以第三届冠军管线为底，把前景与背景点击编码为附加输入通道，并系统比较编码方式：欧氏距离变换（EDT）编码在交叉验证中稳定优于高斯核编码。这一路线还引入了在线模拟交互与自定义点采样，让训练时的点击分布更接近测试。

第二条是示踪剂感知加器官监督。用一个轻量示踪剂分类器在推理时判断 FDG 还是 PSMA，再路由到专用或联合模型；同时用器官分割作为辅助监督，让网络学会「这里的高摄取是肝不是肿瘤」，直接压低 FPV。该方法报告 PSMA 专用模型从零点击 0.619 提升到十点击 0.871，FPV 从 0.991 降到 0.332，FNV 从 5.641 降到 1.613。

第三条是课程式训练。按点击数量分档训练（从零到十个点击均匀采样），避免模型只会响应「满配点击」。相关研究显示，密集点击训练的模型在零点击时会出现严重退化，而稀疏到密集的课程能在零点击保持可用基线。

8.3 Task 2 的解法要点

纵向任务的第一名把两个既有框架拼在一起：一个负责跨时间点的病灶定位与配准，一个负责在给定提示下的分割细化。其核心思路是把「配准给出的候选位置」当作待验证的提示，再结合基线病灶的外观条件求解随访轮廓，而不是让端到端追踪器一次性输出结果。论文称这一范式为「验证式追踪」（verified tracking），并强调大规模合成预训练对利用纵向上下文是必需的，相对从零训练最多带来 4.5 个 Dice 点提升。

8.4 参与规模与开源纪律

Task 1 有 7 项进入官网榜单（含 2 个基线），Task 2 有 3 项（含 1 个基线）。与第三届数百名注册者相比，这届的可见参赛规模明显收窄；官方未公布注册人数，因此不能据此推断社区兴趣下降。

官方要求提交容器、模型与预印本，官网榜单为每支队伍给出 Model 与 Preprint 链接。头部方法的代码多数开源（如提示化 nnU-Net 与纵向追踪框架），基线容器也全部公开，复现链路是完整的。评测脚本在 Task 2 侧有过修订，用旧版脚本复算可能与榜单存在差异。

§9 性能解读与局限

9.1 交互增益的量化

Task 1 榜上的数字给出三条可比较的量级：基线 nnUNet 末步 0.6349，第一名 0.7412，第一名与第二名的差距只有 0.0176，而基线到第一名的差距是 0.1063。这说明在第三届冠军管线上做提示化改造，收益主要来自「骨架」而非「微创新」。

AUC-DSC 的分布也值得注意：第一名 7.2419、第二名 7.0622，而基线 5.8355。若把 AUC-DSC 粗略除以 11 步，第一名的平均 DSC 约为 0.658，末步为 0.741——意味着零点击与早期步骤仍显著拉低平均。交互的效率并未达到「一步到位」。

9.2 纵向任务的难度定位

Task 2 的绝对分数远低于 Task 1。第一名 Dice 0.3822、基线 0.2478，这一区间在全身病灶分割任务中属于低位。原因可从三方面看：治疗中病灶体积变化剧烈，Dice 对体积差异极敏感；纵向库没有 PET，缺少代谢对比，小病灶与瘢痕难以区分；跨中心测试（美因茨）引入的设备与协议差异未被训练覆盖。

由此可以给出一个审慎判断：纵向随访分割尚未达到可直接辅助疗效评估的水平，当前结果更适合作为「难度标尺」而非「可用工具」。

9.3 对评估设计的几点限定

其一，11 步的模拟点击与真实阅片行为存在分布差。真实点击往往是「点错—撤销—再点」，而非单调累加；赛制不允许撤销，因此 AUC 反映的是理想化交互。

其二，四象限等权意味着同域成绩与跨域成绩各占一半，若某中心测试例质量偏低，会同等影响所有队伍。官方未公布逐象限结果，无法判断某个队伍的高分是否依赖同域子集。

其三，无阳性例只计 FPV，可能诱导模型在不确定时输出空掩膜以降低 FPV，而在有阳性例上损失 DSC。总分权重把 FPV 与 FNV 各设 0.125，缓解但未消除这一偏差。

§10 在生态中的位置

10.1 与同系列三届的关系

第一届（2022）确立了「FDG 全身 PET/CT 病灶分割」这一任务与 1,014 项研究的主库；第二届（2023）把测试扩展到不同站点与采集协议，暴露了单中心训练的泛化缺口；第三届（2024）引入 PSMA，把示踪剂从常量变成变量，并用四象限测试集把「组合泛化」设计成可评分的结构；第四届保留这一数据版图，把交互与纵向两条新轴叠加其上；第五届（2026）进一步把交互升级为临床在环基准。

从数据结构看，IV 是「数据继承 + 任务创新」的一届：它的 Task 1 没有新增一个病例，所有新意都在协议与指标上。这种做法的优点是复用已验证的标注质量，缺点是新数据贡献有限，纵向库之外没有扩展患者人群。

10.2 与邻近公开数据集的关系

库	模态	特点	与 IV 的关系
HECKTOR	PET/CT	头颈肿瘤分割与预后	同为 PET/CT 病灶分割，但限定解剖区与癌种
Lung-PET-CT-Dx	PET/CT	肺癌双模态诊断	单癌种、诊断任务，非全身分割
PSMA-PET-CT-Lesions（TCIA 单独版）	PET/CT	IV 的 PSMA 训练库原形	上游数据源，可单独使用
TotalSegmentator	CT	全身器官分割	器官掩膜常作为假阳性抑制的辅助标签
Head-Neck-PET-CT	PET/CT	四中心头颈癌治疗前影像	多中心影像组学，非交互分割

这些库与 IV 的差别在任务形态：多数是「给定影像输出掩膜」，IV 的 Task 1 是「给定影像与点击输出掩膜」，Task 2 是「给定前后两次影像输出随访掩膜」。选型时应先确定研究问题落在哪一种形态上。

10.3 方法学影响

IV 的两项设计正在被后续工作吸收。一是把提示编码当作可比较的变量（EDT 对高斯基函数），这为提示式分割提供了不依赖新架构的改进路径；二是把交互过程纳入评分（AUC 型指标），使「少点几下就对」成为可测量的工程目标。

在纵向任务上，「验证式追踪」把配准与分割的关系从「串联」改为「并列」：配准只负责提出候选，医师确认后，分割网络仍使用基线外观作为条件。这一折中在自动化与控制之间开辟了中间地带，被后续工作沿用。

10.4 库内可对照条目

同一知识库中最相关的邻居包括 AutoPET I/II 总览、AutoPET III、autoPET V、PSMA-PET-CT-Lesions 单库，以及 HECKTOR、Lung-PET-CT-Dx、TotalSegmentator 等 PET/CT 与 CT 条目。它们的对照关系在附录中集中列出。

§11 总结

11.1 适用与不适用

用途	适用性	理由
提示式分割方法与点击编码研究	适用	点击标准化、11 步序列完整、基线齐全
多示踪剂与多中心泛化评测	适用	四象限测试集与两套生理摄取图谱
纵向随访分割与配准联合研究	适用	300 例双时间点全身 CT 配实例掩膜
标注效率与交互成本建模	有条件适用	模拟点击与真实行为存在分布差
多癌种随访外推	不适用	纵向库仅黑色素瘤
诊断、分期或疗效判定结论	不适用	无报告、分期、结局标签
商业产品直接训练	不适用	训练数据为非商业许可

11.2 三句话

autoPET/CT IV 把 PET/CT 病灶分割的评价从「一次性出图有多准」推进到「在人给多少提示下能多快变准」，并第一次为纵向随访提供了公开的全身 CT 交互基准。它的数据主体继承自第三届，真正的增量是 300 例黑色素瘤纵向 CT 与一套把交互过程写进分数的指标。使用它的关键不在于复现榜单，而在于理解「模拟点击」与「真实交互」之间的落差，并据此设计自己的验证方案。

附录 A：关键数字速查

项目	数值
届次与年份	第四届，2025 年
承办会议	MICCAI 2025
Task 1 训练研究数	1,611（FDG 1,014 + PSMA 597）
Task 1 训练患者数	1,278（900 + 378）
Task 1 训练体量	约 120 GB
Task 2 训练患者数	300（女性 170，平均 64 岁）
Task 2 训练体量	约 54 GB
Task 1 最终测试	200 例（四象限各 50）
Task 2 最终测试	140 例（UKT 70 + UM Mainz 70）
初步测试	两任务各 5 例
交互步数	11（0 点击至 10 前景 + 10 背景点击）
Task 1 指标权重	DSC@last 0.25，AUC-DSC 0.25，其余四项各 0.125
Task 2 指标权重	DSC 0.5，FPV 0.25，FNV 0.25
Task 1 榜首末步 DSC	0.7412（BIRTH）
Task 1 基线末步 DSC	0.6349（nnUNet）
Task 2 榜首 Dice	0.3822（LesionLocator）
Task 2 基线 Dice	0.2478
榜单队伍数	Task 1 七支、Task 2 三支

附录 B：缩写表

缩写	全称	含义
PET	Positron Emission Tomography	正电子发射断层成像
CT	Computed Tomography	计算机断层成像
FDG	18F-fluorodeoxyglucose	氟代脱氧葡萄糖，代谢类示踪剂
PSMA	Prostate-Specific Membrane Antigen	前列腺特异性膜抗原，前列腺癌靶向示踪剂
SUV	Standardized Uptake Value	标准化摄取值
DSC	Dice Similarity Coefficient	Dice 相似系数
FPV / FNV	False Positive / Negative Volume	假阳性体积 / 假阴性体积
AUC	Area Under the Curve	曲线下面积
EDT	Euclidean Distance Transform	欧氏距离变换
MHA	MetaImage	ITK 系影像容器格式
nnU-Net	no-new-U-Net	自适应配置的 U-Net 框架
ESHI	European Society for hybrid, molecular and translational imaging	欧洲混合分子与转化影像学会
UKT	Universitätsklinikum Tübingen	图宾根大学医院
LMU	Ludwig-Maximilians-Universität München	慕尼黑大学医院
UM Mainz	Universitätsmedizin Mainz	美因茨大学医学中心
FDAT	University of Tübingen data repository	图宾根大学数据仓库
TCIA	The Cancer Imaging Archive	美国癌症影像档案馆

附录 C：使用前检查清单

确认取得的是 Task 1 合并包（约 120 GB）还是单库包，避免重复下载。
打开任意一例确认 PET 已为 SUV，而非原始计数。
核对 splits_final.json 的折数，再决定是否自建划分。
纵向库先对照七个损坏病例清单，剔除记录写进实验日志。
检查 FU_mask 的整数标签范围，确认实例编号连续。
提交容器前用一例 MHA 走通读入—推理—写出全链路，核对几何头。
引用时区分「训练数据 DOI」与「赛事网页」，纵向库尚无数据论文。

附录 D：检索模板

赛事：autopet-iv grand-challenge、autoPET/CT IV、autoPET IV human frontier
数据：10.57754/FDAT.6gjsg-zcg93、10.57754/FDAT.qwsry-7t837、PSMA-PET-CT-Lesions、FDG-PET-CT-Lesions
代码：lab-midas/autoPETCTIV、MIC-DKFZ/autoPET-interactive、MIC-DKFZ/LongiSeg
方法：promptable nnU-Net PET、EDT prompt encoding、verified tracking lesion、longitudinal lesion segmentation CT
陷阱词：autopet4（部分子域不复存在）、autoPET IV dataset（会同时召回第三届数据页）

附录 E：DAIMS 评估

维度	分值	依据
文档完备	7.5	任务、数据、评估、排行榜四页齐备，代码仓库有 README；总结论文缺位，逐象限结果未公开
标注质量	8.0	资历分档披露，纵向任务采用并排匹配标注；PSMA 为单读片人加复核
可复现性	7.0	基线容器、点击模拟、评估脚本公开；测试集隐藏导致榜单不可本地复现
可获取性	8.5	FDAT 与 TCIA 双载体直载，无需申请；训练包体积大，损坏文件待修
伦理与合规	8.0	载体均经伦理审查与匿名化；TCIA 面脱敏，TCIA 版日期移位；机构伦理编号未在赛事页披露
综合	7.8	任务创新与工程完备度高，扣分主要在测试集不可复现与纵向库单一癌种

维度说明：DAIMS 为数据资产信息成熟度评分，各维度 0 至 10 分，综合分为等权平均，反映「拿到数据后能否独立开展研究」的整体成熟度。

附录 F：常见问答

Q1：autoPET IV 到底是第几届？为什么官网标题写 autoPET/CT-IV？

是系列第四届，2025 年由 MICCAI 承办。官方在第四届起把名称扩写为 autoPET/CT IV，因为任务从纯 PET/CT 扩展到纯 CT 的纵向随访；Grand Challenge 子域仍写作 autopet-iv，论文与 GitHub 混用两种写法。

Q2：IV 的训练数据是全新采集的吗？

不是。Task 1 复用第二届起就公开的 FDG 与 PSMA 两个 PET/CT 库，合计 1,611 项研究、约 120 GB；Task 2 才引入全新的黑色素瘤纵向 CT 库，300 名患者、约 54 GB。判断某一届是否「有新数据」，要看 Task 2 这一层。

Q3：IV 还含不含非 FDG 示踪剂？

含。从第三届起 PSMA 就是训练与测试的正式组成部分，IV 延续这一设置：训练含 597 项 PSMA 研究，测试集按 FDG/PSMA 与 UKT/LMU 两个维度各 50 例组成四象限。FDG 与 PSMA 的生理摄取图谱不同，模型必须在两套假阳性诱饵下都保持低 FPV。

Q4：11 步交互是怎么组织的？

每例图像配 11 份输入。第 1 份不含点击，作为全自动基线；之后每步增加一组标准化预模拟的前景与背景点击，到第 11 步满配 10 个肿瘤点击与 10 个背景点击。点击序列对全部参赛者相同，比的是模型响应，不是交互者技巧。

Q5：排名指标和往届有什么不同？

Task 1 从单一 DSC 变成六指标：末步 DSC、FPV、FNV 与沿交互步的 AUC-DSC、AUC-FPV、AUC-FNV，其中两条 DSC 类指标各占 0.25，其余四条各占 0.125。Task 2 仍是 DSC 0.5、FPV 0.25、FNV 0.25。曲线指标的加入使「早期改对」比「最后改对」得分更高。

Q6：Task 2 为什么分数普遍偏低？

官方 Task 2 前三名 Dice 分别为 0.3822、0.2967、0.2478，基线同样在 0.2478。治疗中病灶会缩小、消失、分裂或新发，跨时间点与跨中心叠加，加上纵向库没有 PET 的代谢对比，使纯 CT 随访分割明显难于单次 PET/CT。

Q7：训练数据能商用吗？

FDAT 上的 NIfTI 合并包标注 CC BY-NC 4.0，仅限非商业用途；TCIA 上的 DICOM 版本按 TCIA 数据使用条款获取。商业使用需另行联系组织方。二手镜像不改变许可条款，引用时应回到原始 DOI。

Q8：现在还能参赛吗？

赛事已于 2025 年 8 月至 9 月间关闭测试阶段，MICCAI 2025 首尔现场公布结果。数据与官方代码仓库长期开放，可用于复现与二次研究，但排行榜不再接收新提交；官方总结论文截至 2026 年 10 月尚未见刊。

Q9：能不能把 Task 1 和 Task 2 的数据混在一起训练？

技术上可以，但要处理两处语义差：Task 1 是 PET/CT 二值掩膜，Task 2 是纯 CT 整数实例掩膜；两者的病灶实例边界定义不同。混训更常见的做法是把 Task 2 的整数掩膜转为二值作为辅助样本，并用示踪剂或任务标识作为条件，而不是当作同质数据直接拼接。

Q10：本地怎么近似复现排行榜？

用官方参考五折在训练集内做交叉验证，按官方点击模拟生成 11 步输入，再按六指标加权计算。需注意三处不可复现：官方测试集隐藏且含外部中心、四象限结果未公开、榜单平均名次与加权合成两种口径不同。近似结论只适用于训练集分布内的方法比较。

附录 G：与库内条目的对照

条目	关系	可对照的维度
AutoPET I/II 总览	同系列前两届	任务从全自动到泛化的演化、FDG 主库的原始口径
AutoPET III	直接前作，Task 1 数据来源	PSMA 引入、四象限测试设计、AC1/AC2 双赛道
autoPET V	同系列后继	交互从「模拟点击」升级为「临床在环双赛制」
PSMA-PET-CT-Lesions	IV 的 PSMA 训练库单库版	597 项研究的标注细节、设备谱
HECKTOR	PET/CT 病灶分割邻居	头颈限定区 vs 全身、预后标签的有无
Lung-PET-CT-Dx	PET/CT 肺癌诊断	单癌种诊断任务 vs 多癌种全身分割
TotalSegmentator	全身 CT 器官分割	器官掩膜作为假阳性抑制的辅助标签
Head-Neck-PET-CT	多中心头颈 PET/CT	多中心影像组学的另一种组织方式

对照的用法：若研究问题是「提示编码怎么选」，应同时看 IV 与 V；若研究问题是「多示踪剂泛化」，III 与 IV 的测试结构一致，可直接比较；若研究问题是「纵向随访」，目前只有 IV 的 Task 2 提供全身 CT 双时间点数据。

附录 H：论文与资源清单

资源	标识	说明
官方赛事主页	autopet.org/autopetiv.html	任务、数据、评估、排行榜、组织者
赛事平台	autopet-iv.grand-challenge.org	提交接口与数据集页
官方代码	github.com/lab-midas/autoPETCTIV	基线、点击模拟、评估、论文模板
FDG 数据（DICOM）	10.7937/gkr0-xv29	TCIA
PSMA 数据（DICOM）	10.7937/r7ep-3x37	TCIA
合并训练集（NIfTI）	10.57754/FDAT.6gjsg-zcg93	约 120 GB
纵向 CT 训练集	10.57754/FDAT.qwsry-7t837	约 54 GB
FDG 数据论文	Sci Data 9:601 (2022)，10.1038/s41597-022-01718-3	主库描述
提示化方法论文	arXiv:2508.21680	提示编码与交互模拟
纵向追踪论文	arXiv:2605.23118	验证式追踪，纵向任务第一
示踪剂感知方法论文	arXiv（2025，作者 Huang 等）	器官监督与示踪剂路由

资源清单按「先看官方页、再取数据、最后读方法」的顺序排列。方法论文只取已被作者自述为对应任务的参赛报告者，未列入的通用 PET 分割文献需自行甄别是否使用同一数据版本。

§12 阅读本研究的方式与常见问题

12.1 为什么把「交互」当成一个可测量的对象

放射科医师在使用分割模型时，真正花时间的环节往往不是「从头勾画」，而是「检查机器画得对不对，然后改」。一次全身 PET/CT 读片可能涉及几十个病灶，逐个核对、逐个修补，累计成本远超单次推理时间。若模型能在医师点两下的位置迅速收敛，整个工作流的节拍就会改变；若模型对提示不敏感，点击反而成为额外的认知负担。

把交互写进评分需要解决一个工程难题：如何让不同队伍面对完全相同的「人类输入」。人工点击无法标准化，不同医师的点击位置、顺序、密度都不同，同一方法在不同交互者手里的成绩不可比。IV 的解法是预模拟：由官方算法围绕真实标注生成点击序列，所有人收到同一份 JSON。这样比较的是模型对提示的响应，代价是牺牲了行为的真实性。

这一取舍不是 IV 独有，提示式分割的评测普遍如此。理解它的办法是把「模拟点击」看成一种受控的「提示分布」，而把真实点击看成另一种分布。方法在两种分布上的表现差，就是「提示鲁棒性」，这本身是值得单独研究的问题。

12.2 点击模拟的可选设计空间

官方没有公布模拟算法的全部细节，但从仓库结构与参赛论文可以归纳出几个自由度。

其一是采样位置。前景点击可以取自病灶内部随机点、距离变换峰值（病灶「最厚」处）或边界附近；背景点击可以取自假阳性高发区（脑、膀胱、肾、肝）或随机背景。采样位置直接决定「一次点击能传达多少信息」：点在边界附近更利于修边，点在中心更利于定位。

其二是采样数量与顺序。IV 固定每步各加一个前景与一个背景，到末步满配。另一条常见做法是「按错误类型分配」：先给漏检病灶一个前景点，再给误检区一个背景点，尽可能模拟医师的实际纠错顺序。

其三是难度分层。若点击总是落在最明显的病灶上，曲线会显得过于乐观；若点击只落在最难的小病灶上，曲线又会压低。把点击按病灶大小、对比度分层，是让曲线具备临床含义的关键。

使用这届数据做交互研究时，若想改用自己的点击模拟，必须清楚这会使结果与榜单不可比，但可以与「官方模拟」并置，作为提示分布的敏感性分析。

12.3 评价一条 DSC 曲线要看的四件事

第一条是起点。零点击的 DSC 代表「全自动能力」，它与第三届的榜单分数可以直接对照。若某方法的零点击分数明显高于第三届冠军，多半是用了额外数据或更强的主干，而不是交互带来的收益。

第二条是斜率。前两三个点击带来的提升幅度，决定了模型是否「善于理解提示」。斜率大意味着少点几下就能进入可用区间。

第三条是平台期。曲线在第几步趋于平缓，说明模型的改进空间何时耗尽。平台出现得早，可能意味着模型容量不足；平台出现得晚但位置低，可能意味着提示编码的信息没有被充分使用。

第四条是末端高度。满配点击下的 DSC 是否超过同域全自动 SOTA，是判断「交互是否补足了全自动的短板」的直接依据。

这四条共同构成「交互效率画像」，比单一的 AUC 或末步分数更能指导模型设计。榜单只给出总分，画像需要自行从逐例曲线重建。

12.4 纵向随访任务的三个子问题

Task 2 表面上是一个分割任务，实际上包含三个可以拆开的子问题。

第一个是检索：随访扫描中哪一处结构对应基线的那一处病灶。它主要受配准精度与病灶形变影响，与分割网络关系不大。若检索错了，后面的分割再准也没有意义。

第二个是勾画：在给定病灶位置后，画出随访时的边界与范围。这一步依赖影像对比、病灶外观与基线掩膜的形状先验。

第三个是判定：哪些病灶消失了、哪些是新发的、哪些发生了分裂或融合。这一步最接近临床判断，也最难自动化，因为「消失」与「被治疗压制到不可见」在影像上可能无法区分。

多数参赛方法把前两个子问题串起来解决，第三个子问题往往靠后处理或干脆不处理。这也是 Task 2 分数偏低的结构性原因：一个方法即使在前两步做得不错，只要在第三步的系统性错误上失分，平均 Dice 就会被拉低。

12.5 FDG 与 PSMA 的假阳性结构差异

维度	FDG	PSMA	对算法的影响
生理高摄取器官	脑、心肌、肾、膀胱、棕色脂肪	肝、脾、肾、颌下腺、唾液腺	器官先验集不同，辅助标签选择随之变化
病灶对比度	与背景代谢差大，边界较清楚	受体表达差异大，部分病灶对比度低	PSMA 侧更依赖 CT 解剖信息与形态先验
病灶尺寸谱	偏大、数量少	偏小、数量多	同一 DSC 水平在两库中含义不同
患者群	混合性别、混合癌种	前列腺癌男性	人口学协变量不可直接合并
病灶部位	淋巴结、肺、肝、骨	前列腺床、淋巴结、骨	骨转移的边界模糊问题在两库中都存在

这张表解释了为什么「一个模型同时打两库」在同一届里会显得吃力：模型要同时学会两套生理背景，而两套背景的「干扰源」几乎没有重叠。器官监督之所以在这届奏效，正是因为它把「这里是器官」的知识从病灶标注里分离了出来。

12.6 关于「这是第几届」的常见混淆

系列赛事的命名在第四届出现了一次结构变化：之前的写法是 autoPET、autoPET II、autoPET III，第四届起改写为 autoPET/CT IV，第五届写 autoPET V。因此检索时会出现三种编号体系并存的情况：阿拉伯数字加斜杠、罗马数字、以及平台子域的全小写连字符写法。

判断某篇论文谈的是哪一届，最稳妥的方式不是看标题里的编号，而是看它引用的数据 DOI 与测试集规模：只提 FDG 单库的多为第一、二届；提 1,611 项研究且含 PSMA 的多为第三届；提六指标、11 步点击或 300 例纵向 CT 的为第四届；提临床在环双赛制与 DeepPSMA 的为第五届。

12.7 关于「能不能当临床工具用」

赛事成绩不能当临床性能声明，理由有三。测试集隐藏，分数不可在本地重算；点击为模拟，真实交互下的表现未知；纵向库只覆盖单一癌种，外推性未验证。

可以作为工程参考的是各方法在不同子集上的相对排序，以及交互曲线的形状。这些信息足以回答「哪种提示编码更稳」「器官监督是否有效」「配准加分割是否优于端到端」这类方法学问题，但不足以回答「能否替代医师」这类临床问题。

12.8 数据复用时的三条纪律

第一，记录版本。FDAT 包、TCIA 包与镜像副本在匿名化与日期处理上不同，混用会让实验不可复现。每次实验应写明用了哪一条下载路径、哪个 DOI、什么日期取的。

第二，记录剔除。纵向库的损坏病例、Task 2 中缺 cog_propagated 的病灶、Task 1 中无阳性病灶的对照例，都会影响指标分母。剔除口径必须写进方法部分。

第三，区分训练集成绩与测试集成绩。在训练集内做交叉验证得到的分数通常高于榜单，原因是训练分布与测试分布的中心构成不同。报告时应明确写「训练集五折交叉验证」而非暗示可与榜单比较。

编辑说明

核验时间：2026-10-17。核验方式：官网 autopet.org/autopetiv.html 与 Grand Challenge 子域页面抓取（任务、数据集、评估权重、排行榜、组织者、时间线新闻条），GitHub 官方仓库目录与 README，参赛论文摘要与正文（arXiv 2508.21680、2605.23118），机构新闻（DKFZ 奖项页、Helmholtz Imaging 会议报道），以及库内同系列三篇条目的既有事实档案交叉比对。未使用第三方二手数据库。

双口径与冲突条目：

届次与命名：官网标题写 autoPET/CT IV，赛事页与子域写 autoPET IV / autopet-iv，GitHub 写 autoPETCTIV。三者指同一赛事，正文统一用「autoPET/CT IV」，检索词保留全部写法。
Task 1 训练规模：数据集页同时出现「1,014 项研究（900 名患者）+ 597 项研究（378 名患者）」与「501 名有病灶 + 513 名对照」两种表述，前者是研究级，后者是患者级，不冲突。正文以研究级为主口径。
Task 1 冠军：官网排行榜第一名署名为 BIRTH；DKFZ 奖项页记 Rokuss 等获 Task 1 第二名、Task 2 第一名；Helmholtz Imaging 报道写二人组合取得 Task 1 第一、Task 2 第二（与 DKFZ 页互相颠倒）；作者主页另记 Huang 等为 IV 挑战赛第一名；arXiv 2508.21680 自称 Team LesionLocator（榜单为 Task 1 第二、Task 2 第一）。四套口径并存，正文按官网榜单署名，不合并裁定。
组织者：官网列 UKT、LMU、UM Mainz、Fraunhofer MEVIS、KIT、Radboud UMC 六家；部分第三方描述只提 UKT 与 LMU。正文以官网六家为准。
纵向库患者数：官网一处写「>300 名患者」，数据集页表格写「300 名患者（300 项研究）」，正文取 300 并注明原始表述为大于 300。
Task 2 名次并列：第二名 nRocholl 与基线的平均名次均为 2.5，官网未给出拆解，正文如实并列。

遗留疑点：赛事总注册人数与提交总次数未见官方统计；官方总结论文截至 2026 年 10 月未见刊，Task 1 逐象限分数、Task 2 测试集分布说明均未公开；纵向库七个损坏病例是否已修复未复核；CC BY-NC 4.0 在纵向库的适用需以 FDAT 记录页当前标注为准。

版本日志：v1 2026-10-17，依据存在性核验结果按第四届（2025，MICCAI 2025）成稿。初版计划以「IV 届数据未公开」为前提改道至最近已确认届次，核验后确认第四届三库数据均已开放（FDAT 与 TCIA）、排行榜与组织者信息完整，故仍按 IV 成稿，不启用改道。库内已有条目覆盖第一至第三届与第五届，本条补足第四届空缺。

（完）