BIG-MRI: Breast Imaging Group MRI Challenge — 乳腺 MRI 风险预测挑战赛

INFOBOX — BIG-MRI 一屏速览

维度	内容
本质	MICCAI 2026 卫星挑战赛（Radboudumc/NKI 主办），预测乳腺 MRI 筛查人群的 2 年与 5 年乳腺癌发病风险
名称双关	BIG = Breast Imaging Group（乳腺影像研究组）＋ 数据集规模"大"
主办	Radboudumc（荷兰奈梅亨）＋ The Netherlands Cancer Institute（NKI，阿姆斯特丹）；Lead Organizer Nika Rasoolzadeh
承办	DeepBreath 2026 workshop（MICCAI 2026，Strasbourg）
训练集	Radboudumc 极高危筛查队列 over 3500 例去标识乳腺 MRI（2000–2024）
留出集	NKI approximately 1900 例（仅盲评）＋ Radboudumc 额外测试集
影像	DCE-T1 pre/post-contrast 序列，NIfTI 格式
临床协变量	年龄 / 癌症检出日期 / 基因突变 / 个人家族史 / 既往良性活检
双赛道	Track 1（MRI-only 纯影像）｜Track 2（MRI+clinical 多模态）
指标	Time-dependent AUC-ROC（2/5 年）＋ Harrell’s C-index（全随访期）；校准指标仅报告不排名
评测	Grand Challenge 平台盲评；本地训练、只提交算法
获取	Hugging Face 分发；Access granted after admission to Grand Challenge
许可	CC BY-NC-SA
时间线	数据发布 2026-10-12；开发/验证/决赛至 2026-12-06；MICCAI 2026 Strasbourg
库内互链	ODELIA（655，直接前身）、MRIxFields（920，同届 MRI 挑战赛）、duke-breast-mri（440）、swiss-mammo（627）

BIG-MRI 是一类不太常见的数据集工程：它不是"再把一批公开影像堆上去"，而是把乳腺 MRI 筛查中最难量化的一件事——“这位女性未来几年会不会得癌”——拆成一场可评测的时间-事件预测挑战赛。它由 Radboudumc 与荷兰癌症研究所（NKI）的乳腺影像研究组（Breast Imaging Group）发起，训练数据来自 Radboudumc 一个极高危筛查队列跨越四分之一世纪（2000–2024）的三千五百余次检查，盲测数据来自 NKI 约一千九百次检查。任务不是"这是不是癌"（那是上一届 ODELIA 挑战赛的问题），而是"多久之后会得癌"——用 2 年与 5 年绝对发病风险加生存分析指标（time-dependent AUC、Harrell C-index）来度量。

导语读法三则：

1. 只想判断值不值得参赛：直奔 §4 任务与评测——双赛道、生存感知指标、Grand Challenge 盲评是它的三个硬特点；注意抓取时点数据尚未发布（§6）。
2. 关心数据能不能用：直奔 §2 与 §6——训练/留出机构不同（Radboudumc vs NKI）、约数规模、HF 路径未披露是三个必须先踩的坑。
3. 做乳腺影像/生存分析研究：直奔 §5 与前身谱系——它与 ODELIA 挑战赛（库内 rid 655）是"检测→风险预测"的问题升级关系，两届连读能看清乳腺 MRI AI 的问题演进。

§0 导读：这个数据集解决什么问题

乳腺癌筛查的AI研究长期集中在一个问题上：“这张影像里有没有癌”——检测。从乳腺 X 线（mammography）到乳腺 MRI，检测类数据集与挑战赛已经相当密集，库内 swiss-mammo（rid 627）、duke-breast-mri（rid 440）、inbreast（rid 542）、ODELIA（rid 655）都是这一谱系的成员。但临床上另一半更值钱的问题长期缺乏公开数据支撑：“这位女性未来两年、五年内会不会发病”——风险预测，或者更准确地说，风险分层。

BIG-MRI 回答的正是后者。它的设计文档（Zenodo 记录）开篇就把痛点讲得很清楚：欧洲乳腺影像学会（EUSOBI）已建议对致密乳腺与高危女性补充 MRI 筛查，但各国对乳腺密度的告知标准不一、实施不均；同时绝大多数筛查流程并不系统整合 MRI 风险评估，导致"高危女性漏诊"与"低危女性过度诊疗"两头都亏。而广泛 MRI 筛查本身受制于成本、造影剂、扫描时长与物流限制，因此 MRI 长期被排除在人群级筛查路径之外。AI 的价值假设随之明确：如果能准确预测"符合 MRI 筛查资格女性"的 2 年与 5 年发病风险，临床就可能做到个体化的筛查间隔与模态选择——既减少不必要检查、缩短扫描协议、降低成本，又改善结局。

这一"从检测到风险"的重心转移，直接决定了 BIG-MRI 的三重设计特征：

1. 标签是时间-事件结局而非类别。每位女性对应的是"是否在 2 年/5 年内发病"这一随访结局，天然带删失（有人随访未满、有人失访），因此评测必须走生存分析口径（C-index、time-dependent AUC），而不是常规分类的准确率/ROC。
2. 必须做多机构外部验证。训练集（Radboudumc）与留出集（NKI）来自不同机构，正是为了把"模型能不能跨中心泛化"写进评测骨架——这是风险模型能否进临床的生死线。
3. 双赛道内嵌"影像够不够"的对照。Track 1 只用影像、Track 2 加临床协变量，两条 leaderboard 并行，等价于公开追问"在纯影像之上，临床信息还能带来多少增量"。

§0 读法三则：

1. 本条目描述的是一个进行中的挑战赛（抓取时点 2026-10-08 数据尚未发布），规模数字（3500+/1900）来自官方设计文档的承诺口径，引用时务必注明"设计文档值"而非"已验证发布值"（§9 遗留疑点）。
2. 它与 ODELIA（库内 rid 655）不是重复而是接力：ODELIA 做病灶三分类（检测），BIG-MRI 做发病风险预测（分层）。BIG-MRI 描述明确写"leverages the successes of the DeepBreath and ODELIA challenges"。
3. 全文数字凡有双口径（发布日、日程、规模约数、licence 三源一致性）均已在坑点与附录存照；挑战赛类条目的"活动状态"天然易变，阅读时先看 §6 的时点声明。

§0.1 本条目的一句话定位

如果要用一句话把 BIG-MRI 和库内其他乳腺条目区分开：ODELIA 们回答"这张片子现在怎么样"，BIG-MRI 回答"这位女性未来会怎么样"。 前者是空间上的判读，后者是时间上的预测。这一"空间→时间"的转向，决定了 BIG-MRI 在数据（需要随访）、标签（时间-事件）、评测（生存分析）三个层面都与检测类数据集截然不同，也决定了它为什么值得在 AI-Ready Wikipedia 中立条。

§0.2 为什么"风险预测"对临床更值钱

从临床经济学的角度，检测与风险预测的价值是不对称的：

• 检测的价值是"把已经发生的病变找出来"——它优化的是单次判读的准确率，天花板受限于影像本身能看到的病灶。
• 风险预测的价值是"决定该怎么查、多久查一次"——它优化的是整个筛查策略，天花板是筛查路径的整体效率。

BIG-MRI 的设计文档把后者的逻辑写得很清楚：若能准确预测 2 年与 5 年发病风险，就能"enable tailored screening intervals and modality choices"（实现量身定制的筛查间隔与模态选择），“reducing unnecessary imaging, shortening exam protocols, and lowering overall costs while improving outcomes”（减少不必要检查、缩短扫描协议、降低成本并改善结局）。这正是风险预测比检测更贴近"筛查决策"的原因，也是 BIG-MRI 作为数据资产的价值锚点。

§1 数据集速览：十问十答

Q1：BIG-MRI 的"BIG"是什么意思？
官方双关：一是 Breast Imaging Group（Radboudumc/NKI 的乳腺影像研究组）的缩写；二是数据集"大"——设计文档原文称其规模"unmatched by previously released public datasets"（超过此前发布的公开数据集）。两个含义在挑战赛命名时被刻意叠加。

Q2：它和 ODELIA 挑战赛什么关系？
承接与升级。ODELIA（MICCAI 2025，库内 rid 655）做的是乳腺 MRI 的病灶三分类（无病灶/良性/恶性）；BIG-MRI（MICCAI 2026）做的是发病风险预测（2 年/5 年）。设计文档直言"leverages the successes of the DeepBreath and ODELIA challenges"，即站在前两届的工程与社区基础上前进到风险分层这一更难的问题。

Q3：数据从哪来、多大？
训练集来自 Radboudumc（荷兰奈梅亨）一个极高危筛查队列，over 3500 例去标识乳腺 MRI 检查，采集期 2000–2024；留出盲测集来自 The Netherlands Cancer Institute（NKI，阿姆斯特丹），approximately 1900 例；另有 Radboudumc 的一个额外测试集。全部规模均为官方约数口径。

Q4：影像是什么序列、什么格式？
核心是 DCE-T1（动态对比增强 T1）的 pre-contrast 与 post-contrast 序列；格式为 NIfTI；随数据附一份去标识临床表（de-identified clinical table）。

Q5：临床表里有什么？
设计文档列明：年龄（age）、癌症检出日期（cancer detection date）、基因突变（gene mutations）、个人/家族史（personal/family history）、既往良性活检（prior benign biopsies）。这些正是 Track 2 相对 Track 1 的增量信息来源。

Q6：任务具体预测什么？
预测每位女性 2 年与 5 年的绝对发病风险（absolute 2-year and 5-year incident breast cancer risk per woman）——是时间-事件（time-to-event）结局，不是"当下有没有病灶"。这决定了它走生存分析评测而非分类评测。

Q7：双赛道怎么分？
Track 1（Image-Based / MRI-only）：只用 DCE-MRI 序列做纯影像风险预测；Track 2（Multimodal / MRI+clinical）：融合 MRI 与提供的临床协变量。两条独立 leaderboard；两赛道都参加者只需在 Track II 交一份 manuscript。

Q8：怎么排名？
主榜由两类判别指标（discrimination metrics）的平均归一化排名决定：time-dependent AUC-ROC（2 年与 5 年两个时间点，含置信区间）与 Harrell’s C-index（全随访期，处理删失）。校准指标（calibration）可以报告但不影响排名；决策曲线（decision curves）用于临床净获益解读。两条赛道分别排名。

Q9：数据怎么拿？
经 Hugging Face 以 NIfTI 格式分发，但需 admission to the Grand Challenge 平台（即报名参赛）后才发放访问权限。数据发布官方定于 2026-10-12（抓取时点尚未释放）。许可为 CC BY-NC-SA。

Q10：为什么它对 AI-Ready 重要？
它是一个"风险预测型 + 生存分析型 + 双机构外部验证型"挑战赛的活跃样本：评测范式（C-index/AUC-ROC/删失）、多机构设计（Radboudumc→NKI）、双赛道增量对照，三者都是乳腺影像 AI 从"检测"迈向"分层"的关键工程模板；但它同时是一个数据尚未落地、路径留空的在途项目——正好是研究"挑战赛类数据资产生命周期"的活案例。

1.1 十问之外的补充背景

十问覆盖不了的一些边角信息，汇总如下，便于检索者快速定位：

问题	简答
采集期	2000–2024（Radboudumc 训练队列）
队列性质	very high-risk screening cohort（极高危筛查）
影像序列	DCE-T1 pre + post contrast
文件格式	NIfTI + 去标识临床表
临床协变量数量	5 类（年龄/突变/病史/活检/检出日期）
赛道数	2（MRI-only / MRI+clinical）
排名指标数	2（time-dependent AUC-ROC、Harrell C-index）
解读指标	校准 + 决策曲线（不排名）
平台	Grand Challenge
论文通道	OpenReview 双盲
许可	CC BY-NC-SA
承办 workshop	DeepBreath 2026
现场地点	MICCAI 2026，Strasbourg, France
前身	ODELIA（2025）+ DeepBreath
状态	抓取时点数据未发布

§2 数据构成与规格

2.1 规模与来源：两个机构的两次分工

BIG-MRI 的数据被明确切成"训练"与"盲测"两块，且刻意来自两个不同机构：

角色	机构	规模（官方约数）	采集期	用途
训练集	Radboudumc（荷兰奈梅亨）	over 3500 例检查	2000–2024	参赛者本地训练/开发
留出盲测集	The Netherlands Cancer Institute（NKI，阿姆斯特丹）	approximately 1900 例	未披露	仅用于 submitted models 的盲评
额外测试集	Radboudumc	未披露数量	未披露	补充评测

这个"一机构训练、另一机构盲测"的分工是设计核心：它把跨机构泛化从"事后评估"提升为"内建评测条件"。对使用者的直接含义是——任何在 BIG-MRI 上刷出的分数，其可比性建立在 NKI 这一固定外部测试集之上，而 Radboudumc→NKI 的分布差异本身就是模型必须跨越的一道坎。

队列性质方面，训练集来自"a very high-risk screening cohort"（极高危筛查队列）——即符合 MRI 筛查资格的人群（设计文档举例：非常高危或乳腺极度致密者）。留出集来自"a similar high-risk population"。因此 BIG-MRI 是在筛查适配人群内部做风险分层，而不是在普通人群中做筛查判别——这个人群定义边界决定了它不能直接推广到一般人群。

2.2 影像规格与序列构成

属性	规格
核心模态	DCE-T1（动态对比增强 T1）
序列	pre-contrast（增强前）+ post-contrast（增强后）
文件格式	NIfTI
衍生临床表	去标识临床表（de-identified clinical table）
分发平台	Hugging Face
厂商/场强	宣称 multi-center、multi-vendor，具体列表未披露
伦理	supported by existing ethical approvals for public release

三点解读：

1. DCE 是乳腺 MRI 的核心序列：动态对比增强能刻画造影剂随时间在组织中的摄取与洗脱动力学，是乳腺病灶良恶性判别与血供评估的关键；BIG-MRI 只列 pre/post-contrast，未在挑战赛文档中展开 T2 或 DWI 等其他序列——对比 ODELIA 明确含 “T2 加权 + DCE”，BIG-MRI 的序列清单更聚焦。
2. NIfTI 而非厂商专有或 DICOM：NIfTI 是神经影像/研究界通用体数据格式，便于直接进 Python 深度学习管线；这也是"研究就绪"的工程友好选择。
3. 多厂商未量化是一个真实缺口：设计文档强调 “multi-center, multi-vendor” 但未如 ODELIA 那样给出 1.5T/3T 与厂商列表——对计划做域偏移/厂商泛化研究的团队，这是一处待数据释放后补齐的信息（§9）。

2.3 临床协变量的字段集合

Track 2 的增量来源是设计文档明确列出的五个临床协变量：

字段	语义	风险建模作用
age	年龄	乳腺癌发病风险的基础强预测因子
cancer detection date	癌症检出日期	定义时间-事件结局的发生时点
gene mutations	基因突变（如 BRCA 等）	遗传性高危的核心风险因子
personal/family history	个人/家族史	既往病变与家族聚集性的风险信号
prior benign biopsies	既往良性活检	良性活检史与后续癌变风险相关

这五个字段的组合，本质上是把经典流行病学风险模型的输入（年龄、遗传、病史）与影像衍生特征并列，让 Track 2 检验"影像 + 临床 > 纯影像"这一临床直觉能否被量化。对工程的含义：Track 2 的数据管线是异构的（NIfTI 体数据 + 表格），需要多模态融合架构；Track 1 则可纯用视觉模型——两赛道的模型选型天然分岔。

2.4 与库内乳腺影像数据集的坐标对照

把 BIG-MRI 放进库内乳腺影像家族，能看到清晰的"任务类型光谱"：

数据集（库内 rid）	模态	任务	规模	获取
swiss-mammo（627）	乳腺 X 线	检测/密度/BI-RADS	—	挑战赛口径
inbreast（542）	乳腺 X 线	病灶标注	百余例级	公开
duke-breast-mri（440）	乳腺 MRI	像素级分割/分类	—	平台托管
ODELIA（655）	乳腺 MRI	病灶三分类	741 例	CC BY-NC 4.0 / HF
tn-mammo-breast-density（628）	乳腺 X 线	乳腺密度	—	—
BIG-MRI（本条目）	乳腺 MRI（DCE）	2/5 年发病风险预测（生存分析）	~3500+（+~1900 留出）	CC BY-NC-SA / HF+GC 准入

光谱的两端很清晰：一端是"静态检测/分类"（X 线病灶、MRI 病灶三分类），另一端是"动态风险预测"（本条目）。BIG-MRI 是库内首个以时间-事件风险预测为核心任务的乳腺影像条目，这使它的评测指标（C-index/AUC-ROC）与标签结构（随访结局+删失）都与家族内其他条目不可直接比较——这一点在互链与检索时应显式提示。

2.5 规模口径的谨慎读法

官方对规模的表述全部是约数：训练集 “over 3500”、留出集 “approximately 1900”。对使用者有三重提醒：

1. 不可当精确值引用：写作时应保留英文约数（如"约 3500+"），不换算成精确病例数。
2. 案例级阳性数缺失：设计文档未披露 3500 例中实际 incident cancer 例数与阳性率——这是风险评估数据集最关键的一项工程不确定项（正类有多稀疏决定了建模与评估的难度）。
3. 抓取时点的状态：截至 2026-10-08，数据尚未发布，"3500+/1900"是设计文档承诺值而非已验证的实际发放值；数据释放后应以 HF 实测为准（§9 维护触发点）。

2.6 数据的"时间纵深"为何重要

BIG-MRI 训练集的一个常被忽视的特点是其采集期跨度 2000–2024，长达四分之一个世纪。这在风险预测任务中不是瑕疵而是资产：

1. 随访完整性：要判定"2 年/5 年是否发病"，影像采集后必须有足够长的随访。2000 年采集的检查到 2024 年已有超过 20 年随访，足以定义 5 年结局。
2. 筛查实践演化：四分之一世纪里，乳腺 MRI 的扫描协议、机型、造影剂、判读标准都在演化——这既带来异构挑战（域偏移），也带来真实世界的代表性。
3. 事件积累：极高危队列在足够长的随访里会积累可观的 incident cancer 事件，这是稀疏事件建模能成立的前提。

对使用者的含义：这批数据的"时间纵深"意味着时间相关的混杂（如不同年代扫描的影像风格差异与随访长度差异耦合）。工程上需要检查采集年份是否与结局分布相关，必要时把年份作为协变量或做分层。

2.7 数据字典（基于设计文档可推断的字段）

设计文档未给完整数据字典，但依据描述可勾勒字段框架（发布后以实测为准）：

类别	字段（推）	说明
标识	subject_id / exam_id	去标识后的患者与检查编号
影像	DCE-T1 pre-contrast	增强前序列（NIfTI）
影像	DCE-T1 post-contrast	增强后序列（NIfTI，可能多期相）
临床	age	年龄
临床	gene mutations	基因突变状态
临床	personal/family history	个人/家族史
临床	prior benign biopsies	既往良性活检
结局	cancer detection date	癌症检出日期（事件时点）
结局	follow-up / event	随访时长与事件指示（生存分析所需）

这张"推演字典"的作用是让工程团队在数据发布前就能预设计加载器与合并逻辑；发布后须逐字核对官方字段名与类型。

2.8 与一般乳腺筛查数据集的人群边界

一个容易被误读的点是 BIG-MRI 的人群边界：它的队列是"very high-risk screening cohort"，即已经符合 MRI 筛查资格的高危/致密乳腺人群。这带来两条使用边界：

1. 不可外推到普通人群：在一般风险人群中，乳腺癌发病率低得多，BIG-MRI 训练出的模型直接用于普通人群会严重过预测。它不是"人群级筛查工具"，而是"筛查适配人群内部的分层工具"。
2. 阳性率被有意抬高：极高危队列的 incident cancer 率高于一般人群，这对训练是利好（事件更多），但也意味着模型的先验与一般人群不同，校准必须按目标人群调整。

理解这一边界，是使用 BIG-MRI 数据时避免"看起来很好用其实用错人群"的关键。

§3 任务与评测设计：为什么它走"生存分析"路线

3.0 一图看懂任务定义

用一个"一句话任务卡"来锚定 BIG-MRI 到底要参赛者做什么：

任务要素	定义
输入（Track 1）	一位女性的乳腺 DCE-MRI（pre + post contrast 序列）
输入（Track 2）	上述影像 + 临床协变量（年龄/突变/病史/活检史/检出日期）
输出	该女性 2 年与 5 年绝对发病风险
结局类型	时间-事件（time-to-event），含删失
评测	time-dependent AUC-ROC + Harrell C-index（排名）＋ 校准/决策曲线（解读）
提交	本地训练、仅提交算法至 Grand Challenge

任务卡的关键点在"输出"一栏：不是"是/否"，而是"未来某时间窗内的概率"。这一个字的差别，把整套建模与评测技术栈从分类切换到了生存分析。

3.1 从"检测"到"风险"：问题类型的跃迁

乳腺影像 AI 的多数任务可用一句"图里有没有病变"概括，评测无非是分类（AUC/准确率）或检测（mAP）或分割（Dice）。BIG-MRI 的任务则属于时间-事件（time-to-event）预测：每位女性有一个随访时间与一个事件状态（在随访期内是否发病）。这带来三个与传统任务本质不同的性质：

1. 结局是"到事件发生的时间"，不是"某时刻的类别"；2 年与 5 年风险是两个不同时间切点上的累积风险，回答的是"随时间推移的发病概率"。
2. 必然存在删失（censoring）：随访未满、失访、研究结束时仍健康者，其真实发病时间未知——只能知道"至少到某时点未发病"。任何忽略删失的评测都会系统性偏差。
3. 写进临床决策：风险数值本身要能被解读（校准），而不只是排序（判别）——因此设计文档特别区分"排名指标"与"校准指标"。

3.2 评测指标：判别指标排名 + 校准指标参考

类别	指标	角色
判别（排名主用）	Time-dependent AUC-ROC（2 年与 5 年，含 CI）	各时间点上"能区分发病与未发病"的能力
判别（排名主用）	Harrell’s C-index（全随访期）	全局判别力，正确处理删失
校准（仅报告）	校准指标（calibration metrics）	预测概率与真实发生率的一致性——支持临床解读，不影响排名
临床解读	决策曲线（decision curves）	不同阈值下的净获益，判断临床可用性

排名规则一句话：两类判别指标（time-dependent AUC-ROC 与 C-index）的平均归一化排名决定各赛道 leaderboard 名次；校准与决策曲线属于"可报告但不排名"的临床解读层。这个设计有一个重要含义——它把"排序能力"作为竞争标尺，同时提醒参赛者"校准是临床落地的前提，但本次不设奖金/名次激励"。对研究者的实用建议：提交时同时报告校准，即便它不改变名次。

3.3 双赛道：一场"影像 vs 影像+临床"的公开对照实验

BIG-MRI 把两条赛道并列，等于把一个经典问题变成可比的公开实验：

• Track 1（MRI-only / Image-Based）：只给 DCE-MRI，逼模型把一切风险信号从影像里挖出来。
• Track 2（MRI+clinical / Multimodal）：额外给临床协变量，检验"影像之上加临床"的增量。

两条 leaderboard 分开排名，最有价值的读法不是"哪条分数更高"，而是同一支队伍两条赛道的分数差——它直接量化了"临床信息对影像风险模型的边际贡献"。同时，设计文档规定"两赛道都参加者只需在 Track II 交一份 manuscript"，也暗示官方把多模态视为更完整的表述形态。

3.4 提交与评审机制

• 平台：Grand Challenge（挑战赛托管标准平台）——参赛者本地下载数据、本地开发训练，只把最终算法提交到平台评测（明确"no model training will take place on the Grand Challenge platform"）。
• 准入：数据访问权在获得 Grand Challenge 平台准入后发放（Access granted after admission）。
• 论文：参赛者受邀提交方法学论文，经 OpenReview 双盲评审；长度 5-8 页（不含参考文献）；每榜前 5 名必须提供可复现的详细补充材料（top 5 teams on each leaderboard 的 supplementary description 为强制项），其余队伍补充材料可选；补充材料用 Word 格式、无页数限制。
• 两赛道论文：同时参加两赛道者只需在 Track II 提交一份 manuscript。

3.5 与前身挑战赛的问题升级对照

维度	ODELIA（MICCAI 2025，rid 655）	BIG-MRI（MICCAI 2026，本条目）
问题	检测：病灶三分类（无/良性/恶性）	风险：2/5 年发病风险预测
标签	每侧乳房的离散类别	每位女性的时间-事件结局
评测	AUC / 灵敏度@90%特异度 / 特异度@90%灵敏度	time-dependent AUC-ROC + Harrell C-index（+ 校准/决策曲线）
规模	511 公开 + 231 holdout（741 例，六欧洲中心）	~3500+ 训练（单中心）+ ~1900 holdout（另一中心）
许可	CC BY-NC 4.0	CC BY-NC-SA
数据平台	Hugging Face（gated）	Hugging Face（GC 准入后）
主办	ODELIA consortium（EU Horizon Europe）	Breast Imaging Group（Radboudumc/NKI）

一句话对照：ODELIA 问"这是不是癌"，BIG-MRI 问"多久会得癌"。前者是分类，后者是生存分析；前者单机构规模较小、多中心分散，后者单中心训练规模更大、另一中心留出。两届连读，能清楚看到乳腺 MRI AI 从"判读当前影像"到"预测未来风险"的问题演进，以及随之而来的评测范式升级（分类指标→生存指标）。

§4 获取与许可：一个"申请制 + 在途"的门

4.1 三层门槛

层	条件	说明
1. 平台准入	获得 Grand Challenge 平台 admission	需报名参赛；数据访问权在准入后发放
2. 数据分发	Hugging Face（NIfTI 格式）	具体 repo 路径官方留空未披露
3. 时间窗口	Dataset Release 定于 2026-10-12	抓取时点（2026-10-08）尚未释放

许可为 CC BY-NC-SA（署名-非商业-相同方式共享）——由 MICCAI SIG Challenges 官方名册明载。这意味着：在署名、非商业、并以相同方式共享的前提下可用于研究与参赛；商用与封闭许可场景被排除。

4.2 许可口径的三源核对（双口径存照）

来源	是否明示数据许可	表述
MICCAI SIG Challenges 名册	是	CC BY-NC-SA
Zenodo 记录页（10.5281/zenodo.19732927）	未复述数据许可明细	仅记录挑战赛描述
官网 big-radboudumc.github.io	未见独立 license 段	聚焦时间线与规则

因此本条目以 MICCAI 官方名册的 CC BY-NC-SA 为数据许可权威口径；Zenodo/官网未复述不构成冲突，但需在引用时注明许可依据来源（§9 遗留疑点 #4）。

4.3 与前身 ODELIA 的获取性对照

ODELIA 数据在 Hugging Face 上为 gated=auto（登录接受条款后自动获批），路径公开（ODELIA-AI/ODELIA-Challenge-2025）。BIG-MRI 则不同：HF repo 路径官方留空，且访问权绑在 Grand Challenge 准入之上——这使它在"可发现性"上弱于 ODELIA（连 repo 名都还查不到），但在"评测严肃性"上更强（准入即参赛）。对使用者的实操建议：在数据发布与 repo 路径披露前，无法规划本地数据管线；此阶段只能做准备性工作（读设计文档、搭生存分析评测骨架、熟悉 Grand Challenge 提交流程）。

4.4 AI-Ready 评估

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：Zenodo 记录（含结构化描述、creators、DOI、affiliations）——良好；但官网链接留空处较多（HF repo、baseline github 均空）。
• 公开直链：缺失（数据未发布、repo 未披露、需 GC 准入）——当前最大失分项。
• 许可明确性：CC BY-NC-SA 明确（MICCAI 名册），但需与"是否含再分发/衍生条款"逐字核对（CC BY-NC-SA 本身允许非商业再分发与衍生，需相同方式共享）。
• 可复现性：暂缺公开 baseline（github 路径留空）与数据；仅供设计文档层面的流程理解。
• 文档自洽：设计文档结构清晰，但双口径（发布日、日程）、约数规模、路径留空导致自动化抓取与依赖规划均不可行。

综合：抓取时点 AI-Ready 等级"低—在建"——设计文档与评测设计质量高，但数据资产尚未落地。这是"挑战赛类条目在数据发布前夜"的典型状态，也正因如此，它的维护触发点（数据释放）优先级最高（§9）。

4.5 获取流程分步走（面向参赛者）

从"听说这个挑战赛"到"拿到数据训练"，完整路径与每步的注意点：

步	动作	依赖	注意
1	阅读官网与 Zenodo 设计文档	无	明确任务与赛道
2	注册 Grand Challenge 账号并验证	无	验证为人工审核，尽早做
3	报名参赛，获得平台准入	账号	数据访问权在准入后发放
4	等待 Dataset Release（2026-10-12）	官方	日期可能调整，关注官网
5	从 Hugging Face 下载数据（NIfTI + 临床表）	准入 + 发布	repo 路径发布前未知
6	本地开发训练	数据	平台不提供训练算力
7	提交算法到 Grand Challenge	算法	仅提交算法，不提交训练过程
8	预开发/验证/决赛阶段	平台	关注各阶段截止日
9	提交方法学论文（OpenReview）	方法	双盲；前 5 名需补充材料

这张表的现实意义：BIG-MRI 的"进入成本"主要在 2-4 步（准入与等待），一旦数据释放，技术工作与传统乳腺 MRI 建模差别不大。对时间敏感的团队，建议在第 2 步就并行准备，避免数据发布后才开始注册验证导致错过窗口。

4.6 获取状态对照：BIG-MRI vs 库内三类门槛

数据集（rid）	门槛类型	是否需准入	路径公开	抓取时点可获取
BIG-MRI（本条目）	GC 准入 + 发布前	是	否	否
ODELIA（655）	HF gated=auto	账户	是	是
swiss-mammo（627）	挑战赛口径	视规则	是	部分
inbreast（542）	公开	否	是	是

对照可见：BIG-MRI 在抓取时点是库内乳腺条目里可获取性最低的一个（唯一的"双闸门"——未发布 + 需准入）。这一状态是暂时的，但必须在条目中如实标注，避免检索者误以为"已可下载"。

4.7 数据发布的预期连锁反应

一旦 2026-10-12 数据发布，本条目将有四类连锁更新（对应附录 J）：

1. 规模从约数变实测：HF 上的实际检查数、文件体量、字段结构将可核验，附录 C 证据链与 §2 数据字典随之落实。
2. 路径从留空变公开：HF repo 名与 baseline github 将补入 §4、§5。
3. AI-Ready 评级上调：从"低—在建"升至"中—高"（可获取性维度大幅改善）。
4. 语义从"预告"变"事实"：全文"将发布""计划"等措辞改为既成事实，时间线从未来时改为进行时/过去时。

这也是挑战赛类条目区别于静态数据集条目的地方：它有一个可预期的"转正时刻"，条目维护必须对准这个时刻。

§5 生态与谱系：乳腺 MRI AI 的"检测→风险"接力

5.1 前身谱系：DeepBreath + ODELIA → BIG-MRI

设计文档明确写出谱系：“This upcoming challenge will directly build on these past initiatives and is planned to be hosted by the DeepBreath 2026 workshop. It leverages the successes of the DeepBreath and ODELIA challenges.”

• DeepBreath MICCAI workshop：乳腺影像 AI 的社区平台，已连续举办两年，BIG-MRI 计划由其 2026 届承办。
• ODELIA Breast MRI Challenge 2025（库内 rid 655）：乳腺 MRI 病灶三分类挑战赛，六欧洲中心 741 例，CC BY-NC 4.0，HF gated；已结束，冠军 AUC 0.897。BIG-MRI 承接其社区与工程经验，把问题从"检测"推进到"风险预测"。

这条谱系的价值在于：它不是又一个乳腺癌影像比赛，而是同一研究社群在问题难度阶梯上的向上攀爬——检测（是否有病灶）→ 风险（何时发病）。BIG-MRI 命名中"BIG"的双关（乳腺影像研究组＋规模大）也带有对前届的区隔：前届重"多中心异构"，本届重"规模与风险建模"。

5.2 与库内条目的互链地图

互链类型	库内条目（rid）	关系说明
直接前身	ODELIA（655）	同社群上一届挑战赛，问题从检测→风险的直接升级
同届姊妹（MICCAI 2026）	MRIxFields / mrixfields（920）	同届 MRI 挑战赛（跨场强翻译与协调）
同模态家族	fastmri（23）	加速 MRI 重建
同模态家族	cmrxrecon（506）/ cmrxmotion（687）	心脏 MRI 重建/运动
乳腺影像家族	swiss-mammo（627）、inbreast（542）、duke-breast-mri（440）、tn-mammo-breast-density（628）	乳腺 X 线/MRI 检测与密度，任务光谱对照
乳腺病理对照	breastpathq（268）	乳腺病理（非影像，作模态对照）
脑影像挑战赛族（可对照方法论）	brats（24）系列	挑战赛组织与评测范式参照

建议互链点（发布后正文内链）：ODELIA（655）、MRIxFields（920）、duke-breast-mri（440）、swiss-mammo（627）、fastmri（23）、tn-mammo-breast-density（628）。

5.3 在乳腺 MRI AI 问题谱系中的位置

把乳腺癌影像 AI 的任务按"时间维度"排列，能看清 BIG-MRI 的位置：

时间层级	任务	输出	库内代表
当下	检测/分类（此刻有无病灶、性质为何）	类别	ODELIA（655）、swiss-mammo（627）
当下	分割（病灶边界）	掩码	duke-breast-mri（440）
当下	密度评估	连续值/分级	tn-mammo-breast-density（628）
未来	风险预测（2/5 年发病）	时间-事件风险	BIG-MRI（本条目）

这张表揭示了 BIG-MRI 的稀缺性：它是库内唯一把"未来风险"作为核心任务的乳腺影像条目。风险预测对临床的价值也更大——检测回答"要不要处理现在这个病灶"，风险预测回答"这个女性未来几年该多久查一次、用什么模态查"，直接指向个性化筛查这一价值最高的临床决策。

5.4 组织方背景：Radboudumc/NKI 的乳腺影像研究能力

组织委员会六人分别来自 Radboudumc 与 NKI，其中包含多位该领域有影响力的研究者：AI for Oncology Group Leader Jonas Teuwen、BIG Group Leader Ritse Mann、HealthyAI Director/DIAG Henkjan Huisman。Radboudumc 与 NKI 均是欧洲乳腺影像与 AI 研究的重镇，且是 ODELIA 挑战赛的核心参与方——因此 BIG-MRI 在"组织能力"这一维度上是可预期的（有前两届 workshop 与一届挑战赛的组织履历）。这也解释了它为何能拿到"2000–2024、极高危筛查、3500+ 例"这样规模的训练队列：依托的是机构长期的临床筛查数据积累与既有伦理批准。

5.5 组织方在乳腺影像 AI 领域的产出脉络

Radboudumc/NKI 生态在乳腺影像 AI 方向有清晰的产出脉络，BIG-MRI 是这条脉络上的最新一环：

阶段	产出	类型
前期	DeepBreath MICCAI workshop（连续两年）	社区平台
2025	ODELIA Breast MRI Challenge（库内 rid 655）	检测类挑战赛
2026	BIG-MRI（本条目）	风险预测类挑战赛

这条脉络的逻辑是"社区→检测→风险"的逐级递进：先用 workshop 聚拢社区，再用挑战赛解决"检测"这一相对成熟的问题，最后用 BIG-MRI 攻克"风险预测"这一更前沿、更贴近临床决策的难题。理解这一脉络，就能理解 BIG-MRI 的设计为何如此强调"生存分析"与"外部验证"——那是风险预测能否落地的两个关键门槛。

5.6 与 MICCAI 2026 挑战赛生态的关系

MICCAI 2026 注册挑战赛数量众多（AutoPET、BraTS、ODELIA 后续、EndoVis、FLARE、PENGWIN 等），BIG-MRI 是其中"乳腺影像"主题的代表。把它放进同届挑战赛地图有三种价值：

1. 主题定位：它与 MAMA-Synth（同届乳腺 MRI 合成）共同构成 MICCAI 2026 的乳腺 MRI 板块。
2. 方法学对照：同届的 MRIxFields（跨场强 MRI 协调）、BraTS（多模态脑肿瘤分割）等在"多中心泛化"上与 BIG-MRI 共享关切，可交叉参照方法。
3. 评测创新：BIG-MRI 把生存分析指标（C-index/time-dependent AUC）引入挑战赛评测，是与多数"分类/分割/Dice"挑战赛的差异化设计，值得作为评测范式的案例研究。

§6 时间线与活动状态：一个"发布前夜"的挑战赛

6.1 官方时间线（官网口径）

日期（CET）	事件
2026-04-10	官网 Website Up
2026-10-12 9:00 AM	Dataset Documentation Release
2026-10-12	Dataset Release（Access granted after admission to Grand Challenge）
2026-11-02 ~ 11-16	Preliminary Development Phase（预开发）
2026-11-16 ~ 12-06	Validation Phase（验证）
2026-12-06	Final Submission Phase（最终提交）
2026-12（Strasbourg）	MICCAI 2026 / DeepBreath 2026 workshop

官网同时声明：“The challenge is still on and moving forward! The dataset will be released shortly, and the dates will be adjusted accordingly.”（挑战赛仍在推进，数据即将发布，日期将相应调整。）

6.2 活动状态存照（抓取时点 2026-10-08）

• 数据尚未发布：官网所述 Dataset Release 为 2026-10-12，抓取时点（2026-10-08）距离发布仅数日，数据未实际释放。
• 只有设计文档可查：Zenodo 记录（10.5281/zenodo.19732927，2026-04-24 发布）承载挑战赛设计文档 PDF（130.6 kB），是当前唯一的权威结构信息源。
• 路径留空：官网的 HF 数据链接与 GitHub baseline 链接均留空（“The dataset is hosted on Hugging Face: .”），表明工程制品尚在准备。

6.3 日程双口径存照

MICCAI 2026 与 SIG Challenges 页把 BIG-MRI 列在 Sept. 27 档期（与其他挑战赛并行），而官网把挑战全程推至 2026-10-12 ~ 12-06，并把现场活动放在 December 6, 2026, Strasbourg Convention Center。两套日程并在：

• 口径 A：MICCAI Challenges 名册的 Sept. 27（挑战赛集中日程）
• 口径 B：官网的 10/12–12/06（本挑战赛实际时间线）

合理解读：BIG-MRI 因数据发布延后，实际时间线从常规挑战赛档期顺延至 11-12 月，与 MICCAI 2026 主会（Strasbourg）时段对齐。引用日程时须注明口径来源，并以官网为最新口径（官网明言"dates will be adjusted accordingly"）。

6.4 记录发布日双口径

Zenodo 记录页显示 Published April 24, 2026；而附件文件名内嵌时间戳为 2026-04-22T16-37-09（提交时刻）。两者相差两天，属"提交时点 vs 记录发布时点"的正常差异。著录时以 Zenodo 记录页日期（2026-04-24）为准，文件名时间戳作提交日存照（坑 3）。

§7 生存分析评测入门：BIG-MRI 用到的三项指标

7.1 为什么分类指标在风险预测里会失效

把 2 年发病率当作二元标签做分类，看起来简单，却会踩三个坑：

1. 删失被丢弃：随访未满 2 年的人是"还不知道"，不是"没发病"。若把删失者当阴性，会系统性低估风险、污染标签。
2. 时间信息被浪费：分类只看"2 年这个点"，丢掉了"3 个月发病 vs 23 个月发病"的差异，而早期发病在临床筛查中意义重大。
3. 不同时间切点需重复建模：2 年与 5 年是两个独立分类任务，无法共享时间结构。

生存分析恰好解决这三件事：它显式建模"到事件发生的时间"，把删失个体纳入似然，并给出随时间的风险曲线。BIG-MRI 采用这一套，正是因为它预测的是"何时发病"而非"是否发病"。

7.2 三项指标的直觉解释

指标	一句话直觉	BIG-MRI 中的角色
Time-dependent AUC-ROC	在某个时间点（2 年/5 年），模型给"已发病者比未发病者更高风险分"的概率	排名主用（2 年与 5 年各一）
Harrell’s C-index	随机取两个可比个体，模型把"先发病者"排得更高风险的概率（全随访期、处理删失）	排名主用
校准（calibration）	模型说"10% 风险"时，真实发生率是否接近 10%	仅报告，不排名

三者的分工是清晰的：AUC-ROC 与 C-index 衡量"排序对不对"，校准衡量"数值准不准"。临床上两者都重要——排序好但校准差的模型无法直接用于个体决策阈值；而 BIG-MRI 把校准列为"可报告但不排名"，是一个需要参赛者自行补齐的短板提醒。

7.3 决策曲线：从统计指标到临床净获益

设计文档把 “decision curves”（决策曲线分析）与 C-index、AUC-ROC 并列为 survival-aware metrics。决策曲线回答的是"在某个干预阈值下，用这个模型做决策比’全干预’或’不干预’多出多少净获益"——它把统计性能翻译成临床损益。对想做临床转化研究的团队，这是最有说服力的落地证据形态；在 BIG-MRI 中它属于解读层而非排名层。

7.4 给参赛者的评测自查清单

1. 删失处理：确认标签管线保留了随访时间与事件指示位，未把删失当阴性。
2. 两个时间点都报：2 年与 5 年分别报 time-dependent AUC，别只报一个。
3. C-index 用 Harrell 口径：注意与 Uno’s C 等其他 C-index 变体的区别，说明所用定义。
4. 校准一定要报：即便不排名，它是临床可用的前提；报校准曲线或校准指标。
5. 决策曲线做解读：给出净获益曲线，展示模型在合理阈值区间的价值。
6. 外部验证意识：NKI 留出集是跨机构考验，训练阶段就应有域泛化/多厂商稳健性设计。

§8 方法学启示：风险预测型数据资产的三条工程经验

8.0 从"统计显著"到"临床可用"的三级台阶

BIG-MRI 的评测设计暗含一个评估风险模型的三级台阶，值得任何做预测类研究的团队内化：

台阶	问题	对应指标	若不过关的后果
1 判别	模型能排序吗？	time-dependent AUC-ROC、C-index	模型无用
2 校准	模型说的概率可信吗？	校准指标	无法定阈值，临床不可用
3 净获益	用模型决策比不用更值吗？	决策曲线	有统计价值无临床价值

BIG-MRI 把第 1 级作为排名主用（AUC/C-index），第 2、3 级作为报告项——这个分层恰恰提示：排名榜不等于临床价值榜，参赛者若只冲排名而忽略校准与净获益，做出的模型可能"榜上有名、临床无门"。这与医学预测模型的通用评估共识一致。

8.1 "单中心训练 + 另一中心盲测"是风险模型的标准骨架

BIG-MRI 把训练（Radboudumc 3500+）与盲测（NKI ~1900）分置两机构，这是风险预测类研究的黄金标准形态。风险模型的失败往往不是 AUC 低，而是跨中心掉分——乳腺 MRI 尤其如此（厂商、场强、序列参数、造影剂协议差异巨大）。骨架意涵：任何声称"能预测风险"的模型，若只在同机构验证过，其泛化声明都是未经验证的。BIG-MRI 用固定外部测试集把这一点制度化。

8.2 时间-事件标签是可复用的"未来风险"建模模板

BIG-MRI 的标签结构（随访时间 + 事件状态 + 临床协变量）是所有"预测未来"任务（预后、复发、生存）的通用形态。它的可迁移性在于：这套标签 + 生存评测指标（C-index/AUC-ROC/校准/决策曲线）可以整体搬到任何"预测何时发生"的医学问题上——库内 LEOPARD（复发预测，若其设计同属预后类）、以及各类生存分析数据集，都共享这一模板。BIG-MRI 的价值之一是提供了一个"大规模、多机构、带临床协变量"的风险预测数据样板。

8.3 双赛道是量化"多模态增量"的廉价实验设计

Track 1（纯影像）与 Track 2（影像+临床）的分设，用"同批数据、两条榜"的极低成本，回答了一个昂贵的问题：在影像之上，临床信息到底加了多少分。这个设计值得任何多模态项目借鉴——不必另做数据集，只需把"是否给辅助模态"做成语义一致的两个赛道，就能得到可比的增量证据。BIG-MRI 的设计文档明确两赛道"predict absolute 2- and 5-year incident breast cancer risk per woman, evaluated on the blinded held-out test set"，保证了对照的公平性（同留出集、同指标）。

8.4 挑战赛类数据资产的"生命周期"管理

BIG-MRI 在 2026-10-08（抓取时点）处于"发布前夜"：设计文档已发布、数据未释放、路径留空。这类资产的维护需求与稳定数据集不同：

• 状态易变：时间线会调整（官网原话 “dates will be adjusted accordingly”），条目须定期复查。
• 从设计到落地的落差：设计文档的约数规模与最终 HF 实测体量需核对。
• 路径补全：HF repo、baseline github 一旦披露应立即补入。

这提示了 AI-Ready Wikipedia 对"在途挑战赛"的收录原则：设计文档可立条，但必须显式标注活动状态与时点，且把"数据发布"设为最高优先级维护触发点。

§9 与库内条目的关系

9.1 家族图谱

• ODELIA（rid 655）：直接前身。同社群上一届乳腺 MRI 挑战赛（MICCAI 2025），问题从"病灶三分类"升级到本条的"发病风险预测"；BIG-MRI 描述明写承接 ODELIA 与 DeepBreath。两届连读 = 乳腺 MRI AI 问题演进史。
• MRIxFields（rid 920）：同届姊妹。MICCAI 2026 同期 MRI 挑战赛（跨场强翻译与协调），与 BIG-MRI 在"多厂商/跨场强泛化"上共享问题意识——BIG-MRI 的多厂商宣称虽未量化，但泛化关切同源。
• duke-breast-mri（rid 440）：乳腺 MRI 分割/分类，任务光谱上的"当下"层级对照。
• swiss-mammo（rid 627）/ inbreast（rid 542）/ tn-mammo-breast-density（rid 628）：乳腺 X 线与密度评估，与 BIG-MRI 同属乳腺筛查 AI，但模态与任务层级不同（X 线检测/密度 vs MRI 风险预测）。
• fastmri（rid 23）/ cmrxrecon（506）/ cmrxmotion（687）：MRI 领域的重建/运动挑战赛族，与 BIG-MRI 同属 MRI 挑战赛生态。
• brats（rid 24）系列：脑影像分割挑战赛族，作为"挑战赛组织与评测范式"的方法论参照。

9.2 检索路径建议

• 检索词组合：“BIG-MRI” + “Breast Imaging Group” + “MICCAI 2026”；或直接 “zenodo.19732927”。
• 若目标是参赛：官网 big-radboudumc.github.io → Grand Challenge 报名（数据发布后）。
• 若目标是了解前身：“ODELIA Breast MRI Challenge 2025”（库内 rid 655）＋ odelia2025.grand-challenge.org。
• 若目标是乳腺 MRI 数据全家桶：本条目 + ODELIA（655）+ duke-breast-mri（440）。
• 注意区分：BIG-MRI（风险预测）≠ ODELIA（检测）≠ swiss-mammo（X 线检测）——三者任务不同，指标不可直接比较。

9.3 血缘对照声明（正文，勿进 frontmatter）

• BIG-MRI 与 ODELIA 是接力关系非重复：不同挑战赛、不同年份、不同任务、不同规模。
• BIG-MRI 与 MAMA-Synth（MICCAI 2026 乳腺 MRI 合成增强挑战赛，若库内立条则为同届乳腺 MRI 家族）：两者同届、同模态、不同任务（风险预测 vs 图像合成）。
• BRIEF/其他乳腺影像条目若后续入库，应在家族导航中与本条目互链。

9.4 与库内非乳腺条目的方法学互链

BIG-MRI 的价值不止于乳腺家族。作为"生存分析 + 外部验证 + 时间-事件标签"的样本，它与库内多类条目存在方法学亲缘：

• 外部验证方法论：任何做跨机构泛化的条目（如 BraTS 系列 brain 分割、多数多中心挑战赛）都共享"训练/测试机构分离"的设计哲学。BIG-MRI 的 Radboudumc→NKI 是该哲学在风险预测上的一个实例。
• 多中心异构：ODELIA（655）与 MRIxFields（920）都直面厂商/场强异构，BIG-MRI 的 multi-vendor 宣称（虽未量化）与之同源。
• 临床协变量融合：BIG-MRI 的 Track 2 是"影像+表格"多模态融合的实例，与库内影像-文本对齐（如放射报告生成类）在"融合异构信息源"上同族。
• 挑战赛资产形态：BIG-MRI 与 TopAneu、REG² 等挑战赛条目共享"Grand Challenge 托管 + 盲测留出 + 论文通道"的标准形态，是研究挑战赛类数据资产生命周期的又一例。

这些跨家族的方法学关联，使得 BIG-MRI 即便在数据未发布时，也是一个有用的"评测范式参照物"——它的设计决策（双赛道、生存指标、机构分离）可被其他领域的挑战赛设计借鉴。

9.5 家族导航建议（发布后重建）

家族	条目（rid）	导航语
直接前身	ODELIA（655）	“上一届乳腺 MRI 挑战赛：检测→本条的检测前传”
同届乳腺 MRI	MAMA-Synth（若立条）	“同届乳腺 MRI 合成增强挑战赛”
乳腺影像检测/分割	swiss-mammo（627）、inbreast（542）、duke-breast-mri（440）、tn-mammo-breast-density（628）	“乳腺影像 AI 家族”
MRI 挑战赛族	mrixfields（920）、fastmri（23）、cmrxrecon（506）、cmrxmotion（687）	“MRI 领域挑战赛族”
挑战赛范式参照	brats（24）	“多中心挑战赛组织范式”

§10 避坑清单：七个已踩过的坑

坑 1：数据在抓取时点尚未发布。条目所述的"over 3500 / approximately 1900"是 Zenodo 设计文档的承诺值，非已验证的发布数据；截至 2026-10-08，Dataset Release（原定 2026-10-12）尚未发生。引用规模务必注明"设计文档口径+时点"，勿当作可下载的实际体量。

坑 2：Hugging Face repo 路径官方留空。官网 dataset 段写 “The dataset is hosted on Hugging Face: .”（链接为空），Zenodo 记录亦未给 repo 名。检索时无法通过 repo 名定位数据；此前不要臆造类似 BIG-MRI/... 的路径。

坑 3：Zenodo 发布日与文件名时间戳双口径。记录页 Published April 24, 2026；附件文件名内嵌 2026-04-22T16-37-09。著录以记录页为准，文件名时间戳作提交日存照。

坑 4：MICCAI 日程双口径。MICCAI SIG/Challenges 名册列 BIG-MRI 于 Sept. 27 档期；官网把挑战全程推至 2026-10-12 ~ 12-06（现场 Strasbourg, December 6）。以官网为最新口径（官网明言日期将调整）。

坑 5：许可口径需指定来源。数据许可 CC BY-NC-SA 由 MICCAI SIG Challenges 名册明载；Zenodo 记录与官网均未复述数据许可明细。引用许可时注明"依据 MICCAI 官方名册"，避免以 Zenodo 记录页的沉默误判为"无许可"。

坑 6：不要与 ODELIA 混淆或重复计数。BIG-MRI 与 ODELIA（库内 rid 655）是不同挑战赛：前者 2026 风险预测、后者 2025 病灶三分类；规模、许可（CC BY-NC-SA vs CC BY-NC 4.0）、平台准入方式均不同。二者是接力关系，条目须分别立，勿合并。

坑 7：正类稀疏度未知是核心不确定项。设计文档未披露 3500+ 训练例中的 incident cancer 例数与阳性率。风险预测模型的难度与评估策略高度依赖事件率；在数据释放前，任何"模型能达到多少 C-index"的预期都是无根据的——这是本条目最需要提请使用者注意的空白。

§11 数据工程实战：从零搭建一个风险预测管线

11.1 阶段 0：等待期能做什么

BIG-MRI 有一个特殊之处——它的大部分使用者在数据发布前无法动工。但这不意味着无事可做。一个务实的"等待期清单"：

1. 搭评测骨架：先按 §7 与附录 F 实现 C-index、time-dependent AUC、校准、决策曲线的计算与报告，用公开的小型生存数据集（如任何带随访的公开临床队列）跑通。
2. 熟悉 Grand Challenge 提交流程：注册账号、验证（官网提示验证是人工审核、可能耗时，需尽早做）、了解容器的输入输出约定。
3. 研读前身方法：读 ODELIA 挑战赛的公开基线方法与获胜队伍论文（库内 rid 655 条目有汇总），理解乳腺 MRI 多中心建模的常见陷阱（厂商差异、序列配准、后处理）。
4. 预设计多模态融合架构：Track 2 的管线是 NIfTI 体数据 + 表格的异构融合，可先在同构的小数据上验证融合模块。
5. 准备合规：确认团队用途落在 CC BY-NC-SA 许可范围内。

11.2 阶段 1：数据到手后的加载与配准

假设数据已通过 HF 与 GC 准入释放，一个乳腺 DCE-MRI 风险预测管线的典型步骤：

步骤	操作	注意
加载	读 NIfTI（pre + post 序列）	确认体素间距、方向、坐标系一致
配准	pre 与 post 序列对齐	DCE 的动态期相间空间对齐是基础
去标识核对	检查头部信息已剥离	合规要求
临床表合并	表格与影像按 subject/exam 键合并	键匹配，勿按位置对齐（R001 教训通用）
切分	按患者切分训练/验证	防同一女性跨集泄漏
归一化	强度归一化	多厂商差异大，需影像层面的归一化或域适应

11.3 阶段 2：建模策略的两条路线

风险预测建模有两大路线，BIG-MRI 的双赛道实际上分别指向它们：

• 纯影像路线（Track 1）：用 3D 卷积网络或视觉 Transformer 编码 DCE 序列，输出风险分（或直接输出生存分布）。挑战在于 3D 乳腺 MRI 的体量、造影动力学的时间维度表达。
• 多模态路线（Track 2）：在影像编码之上，拼接临床协变量（年龄、突变、病史），用多模态融合架构联合建模。挑战在于协变量缺失处理与模态不平衡。

一个共通的技巧是先做影像特征提取器、再在特征上做生存建模（如 Cox 比例风险模型或其深度学习变体），这与传统影像组学流程相似。对风险预测而言，模型的可解释性（哪些影像/临床因素驱动风险）往往和判别力同等重要，因为临床需要理解"为什么"。

11.4 阶段 3：评测与提交

严格按 §7.4 的清单：保留删失、报两个时间点 AUC、报 C-index（注明口径）、报校准、报决策曲线。提交前用留出验证集自评，避免在 NKI 盲测集上过拟合（NKI 是评测集，训练阶段不可接触）。Grand Challenge 上只提交算法，确保推理代码自包含、依赖可复现。

11.5 常见工程陷阱

1. 把删失当阴性——最致命的标签错误。
2. 按影像而非按患者切分——同一女性多次检查造成泄漏。
3. 忽略厂商/场强差异——多厂商数据不做域处理，跨中心必掉分。
4. 只报判别不报校准——临床无法解读风险数值。
5. 在盲测集上调参——违反挑战赛规则，且使结果无意义。
6. 临床协变量缺失处理草率——直接删样本会引入选择偏差。

11.6 一个可复制的最小可行管线（伪代码）

把 §11.2~11.4 串成一个最小管线骨架，便于团队在数据到手后快速起步：

# 最小可行风险预测管线（伪代码，仅为结构示意）
# 依赖: nibabel, torch, sksurv, lifelines

# ---- 1. 数据加载与合并 ----
exams = load_nifti_series(data_dir)          # DCE pre + post 序列
clinical = load_clinical_table(csv_path)     # 年龄/突变/病史/活检/检出日期
records = merge_by_key(exams, clinical, key="subject_id")  # 键匹配，勿位置对齐

# ---- 2. 按患者切分 ----
train_ids, val_ids = patient_level_split(records, seed=42)
assert no_overlap(train_ids, val_ids)        # 防同一女性跨集

# ---- 3. 影像编码 ----
encoder = build_3d_encoder(pretrained=...)   # 3D CNN / ViT
emb = encoder(batch_of_sequences)            # 每个检查一个特征向量

# ---- 4. 生存建模（Track 1: 仅影像; Track 2: 拼接临床）----
if track == 2:
    emb = concat(emb, clinical_features)
surv_model = CoxOrDeepSurv(features_dim=emb.dim)
surv_model.fit(emb, time=follow_up, event=event_indicator)

# ---- 5. 评测（严格按 §7.4）----
risk = surv_model.predict(emb_val)
c_index = harrell_c(val_time, val_event, risk)
auc_2y, auc_5y = time_dependent_auc(val_time, val_event, risk, [2, 5])
calib = calibration_curve(val_time, val_event, risk, horizon=5)
net_benefit = decision_curve(val_time, val_event, risk)   # 仅解读，不排名

# ---- 6. 提交：仅打包推理逻辑 ----
package_inference(surv_model, encoder, output="submission.zip")

这份骨架的要点全在注释里：键匹配合并、按患者切分、生存建模、四类指标齐报、只提交推理逻辑。它不解决建模效果，但能避免 11.5 里列出的多数工程陷阱。

11.7 与其他风险预测任务的可迁移性

BIG-MRI 的管线结构（影像/多模态特征 → 生存模型 → 四类指标评测）原则上可迁移到任何"预测何时发生"的医学任务：

• 预后预测（治疗后复发时间、生存时间）：标签结构与 BIG-MRI 完全同型。
• 疾病进展预测（从某状态到恶化状态的时长）：同上。
• 设备/不良事件预测（何时发生某事件）：同上。

差别只在数据模态与临床背景，不在建模范式。这也是 BIG-MRI 作为"风险预测样板"的方法学价值：它把一个具体的乳腺筛查问题，示范成了一类通用问题的可复制解法。

§12 与其他类型数据资产的对照：BIG-MRI 的独特性

12.1 三类乳腺影像条目的横向对照

维度	检测型（ODELIA 655）	分割型（duke-breast-mri 440）	风险型（BIG-MRI 本条目）
问题	有病灶吗、性质为何	病灶边界在哪	未来会不会发病
标签	每侧乳房类别	像素掩码	时间-事件结局
评测	AUC/灵敏度/特异度	Dice/IoU	C-index/AUC-ROC/校准/决策曲线
删失	无关	无关	核心
临床价值	辅助判读	辅助定量	指导筛查决策
对数据的依赖	影像为主	影像为主	影像 + 随访 + 临床协变量

三者的对照说明：任务越靠"未来"，对数据的要求越复杂——BIG-MRI 需要随访时长、事件时点、删失信息，这些都是静态影像数据集不具备的。这也是为什么风险预测类公开数据集长期稀缺。

12.2 与库内其他"挑战赛数据集"的共性

BIG-MRI 与库内其他挑战赛条目（TopAneu、REG²、BIG、ODELIA 等）共享一套资产形态：官方平台（Grand Challenge）托管、规则文档、盲测留出集、论文发表通道。它们的 AI-Ready 评估共同面对同一组问题：数据发布状态、许可明确性、repo 路径可发现性、baseline 可复现性。BIG-MRI 在"设计文档完备度"上较好，在"资产落地度"上偏低——是"挑战赛资产生命周期早期"的典型样本。

12.3 为什么"风险预测"比"检测"更难成为公开数据资产

三点结构性原因：

1. 随访数据难公开：检测只需一张影像与一个标签；风险预测需要跨越数年的随访结局，涉及隐私与时序完整性，去标识与伦理审查更复杂。
2. 标签分布极不均衡：筛查人群中真正的 incident cancer 是少数事件，训练信号的稀疏性远超检测任务。
3. 评测复杂：需要生存分析专家参与设计评测，社区就绪度低于分类/分割。

BIG-MRI 用"极高危队列"（发病率高）部分缓解了第 2 点，用"机构长期临床积累 + 既有伦理批准"缓解了第 1 点，用"生存感知指标"正面处理了第 3 点——这三点正是它值得被记录的原因。

§13 总结

13.1 三句话总结

1. BIG-MRI 是 MICCAI 2026 的乳腺 MRI 风险预测挑战赛——用 Radboudumc 约 3500+ 例高危筛查 MRI 训练、NKI 约 1900 例盲测，预测每位女性 2 年与 5 年发病风险，评测走生存分析口径（time-dependent AUC-ROC + Harrell C-index）。
2. 它把乳腺影像 AI 的问题从"检测当下病灶"（前身 ODELIA）推进到"预测未来发病"，是用时间-事件建模解决个性化筛查的公开工程样板。
3. 但它同时是一个发布前夜的在途挑战赛：抓取时点数据未释放、HF 路径未披露、规模为设计承诺值——引用与依赖都必须带上时点声明。

13.2 适合谁

• 做生存分析/时间-事件建模的团队：需要一个多机构、带临床协变量、规模较大的乳腺 MRI 风险预测基准。
• 做乳腺影像 AI 的研究者：关注"检测→风险"问题升级与外部验证设计。
• MICCAI 挑战赛参赛者：想参与一场评测范式较新（生存感知指标）的挑战。
• 研究多中心泛化/域偏移的团队：Radboudumc→NKI 的跨机构设计是现成的压力测试。

13.3 不适合谁

• 需要立即下载数据的团队：数据未发布、需 GC 准入、路径未披露。
• 做病灶检测/分割的项目：那是 ODELIA/duke-breast-mri 的任务，不是 BIG-MRI。
• 需要商用许可的场景：CC BY-NC-SA 明确排除商业用途。
• 想要精确规模与事件率的规划者：当前只有约数与缺失的阳性率（坑 7）。

13.4 30 秒决策卡

你的情况	行动
想参赛	关注官网 → Grand Challenge 报名；数据 2026-10-12 发布后获取
想读前身	ODELIA（库内 rid 655）＋ odelia2025.grand-challenge.org
想搭生存分析评测	先按 §7.4 清单搭 C-index/AUC-ROC/校准/决策曲线骨架
想引用规模	引"over 3500 训练 + approximately 1900 留出（设计文档，2026-04-24）"，注明尚未发布
想引用许可	引 CC BY-NC-SA，注明依据 MICCAI SIG Challenges 名册
想找乳腺 MRI 全家桶	本条目 + ODELIA（655）+ duke-breast-mri（440）

FAQ（高频问答 20 问）

Q1：BIG-MRI 是什么？
MICCAI 2026 的一个卫星挑战赛，全称 Breast Imaging Group MRI Challenge，由 Radboudumc 与荷兰癌症研究所（NKI）的乳腺影像研究组主办，任务是预测乳腺 MRI 筛查人群的 2 年与 5 年乳腺癌发病风险。

Q2：它是数据集还是挑战赛？
是挑战赛（含数据集）。其权威登记是 Zenodo 上的挑战赛设计文档（10.5281/zenodo.19732927），数据集作为挑战赛资产经 Hugging Face 分发。

Q3："BIG"是什么意思？
双关：Breast Imaging Group（乳腺影像研究组）的缩写，以及数据集规模"大"。

Q4：数据从哪来、多大？
训练集来自 Radboudumc 极高危筛查队列，over 3500 例乳腺 MRI（2000–2024）；留出盲测集来自 NKI，approximately 1900 例；另有 Radboudumc 额外测试集。均为官方约数。

Q5：影像是什么序列？
DCE-T1 动态对比增强的 pre-contrast 与 post-contrast 序列，NIfTI 格式。

Q6：临床协变量有哪些？
年龄、癌症检出日期、基因突变、个人/家族史、既往良性活检。

Q7：预测什么？
每位女性 2 年与 5 年的绝对发病风险（absolute 2-year and 5-year incident breast cancer risk）。

Q8：有几个赛道？
两个：Track 1（MRI-only，纯影像）、Track 2（MRI+clinical，多模态）。各有独立 leaderboard。

Q9：怎么评测/排名？
判别指标（time-dependent AUC-ROC at 2y/5y + Harrell’s C-index）的平均归一化排名决定名次；校准指标仅报告不排名；决策曲线供临床解读。

Q10：数据和 ODELIA 有什么区别？
ODELIA（2025）做病灶三分类（检测），BIG-MRI（2026）做发病风险预测（分层）。任务、规模、许可都不同。

Q11：怎么获取数据？
经 Hugging Face 分发（NIfTI），但需先获 Grand Challenge 平台准入（报名参赛）。数据发布定于 2026-10-12。

Q12：现在（2026-10-08）能下载吗？
不能。数据尚未发布，仅设计文档可查。HF 路径亦未披露。

Q13：许可是什么？
CC BY-NC-SA（署名-非商业-相同方式共享），依据 MICCAI SIG Challenges 官方名册。可非商业使用与再分发（需相同方式共享），不可商用。

Q14：HF repo 路径是什么？
官方留空未披露（官网写 “hosted on Hugging Face: .”）。数据发布后应复查补全。

Q15：有官方 baseline 吗？
设计文档称将经 github.com 分享 baseline code，但路径留空，当前无公开 baseline 可对标。

Q16：为什么用生存分析而不是分类？
因为预测的是"何时发病"的时间-事件结局，存在删失；分类指标会丢弃时间信息并污染标签（§7.1）。

Q17：C-index 和 AUC 什么关系？
都衡量排序能力：time-dependent AUC 在固定时间点衡量区分度，Harrell’s C-index 在全随访期衡量排序一致性（处理删失）。BIG-MRI 两者都用于排名。

Q18：校准重要吗？为什么它不排名？
重要——校准决定预测概率能否直接用于临床阈值决策；但本次挑战赛把竞争标尺设为判别力，校准列为报告项以支持解读。

Q19：它和前身 ODELIA 是同一批数据吗？
不是。ODELIA 是六欧洲中心 741 例；BIG-MRI 是 Radboudumc 单中心训练 + NKI 留出。两届数据不重叠。

Q20：本条目发布后会更新什么？
数据释放（2026-10-12 后）时补全 HF 路径、实测规模/文件结构、baseline、许可逐字核对，以及最终日程与结果。

A. 任务与评测

Q21：风险预测和检测到底差在哪？
检测问"现在有没有病"，风险预测问"未来会不会、大概什么时候得病"。前者是分类，后者是带删失的时间-事件建模；前者输出类别，后者输出随时间变化的概率。

Q22：为什么必须处理删失？
因为随访期内有一部分人"还没发病、但随访未满"，他们的真实发病时间未知。把这类人当阴性会压低预测、污染训练与评估；生存分析用似然正确处理删失。

Q23：time-dependent AUC 和普通 AUC 有何不同？
普通 AUC 假设有个固定二元标签；time-dependent AUC 在某个时间切点（如 2 年）上，把"在该时点前发病"与"到该时点仍未发病"作区分，并考虑删失，给出该时间点的区分度。

Q24：Harrell’s C-index 高代表什么？
代表模型的排序能力强——模型给"先发病者"打的风险分，通常高于"后发病者"或"未发病者"。它综合了整个随访期的排序一致性。

Q25：校准不排名，那还值得花力气吗？
值得。若目标是临床落地，风险数值必须可信（说 10% 就得接近 10%）；不排名只是本次挑战赛的激励设计，不代表校准不重要。审稿人通常会问校准。

Q26：决策曲线是什么？
一种临床净获益分析：在不同干预阈值下，比较"用模型决策"与"全干预/不干预"的收益差，回答"模型在什么阈值区间真正有价值"。

B. 数据与平台

Q27：训练集和留出集为什么来自不同机构？
这是设计核心——用 Radboudumc 训练、NKI 盲测，把"跨机构泛化"变成硬性评测条件，逼模型真正学到可迁移的风险信号而非机构特异伪影。

Q28：数据是去标识的吗？
是。训练集明确为"de-identified"，且伦理层面"supported by existing ethical approvals for public release"，合规用于公开释放。

Q29：临床协变量有缺失怎么办？
设计文档未说明缺失处理约定。实践中需要自行设计缺失值策略（插补/掩码），并避免因直接删样本引入选择偏差。

Q30：多厂商数据会不会很难用？
是难点也是机会。设计文档宣称 multi-center/multi-vendor，但未给厂商列表；厂商差异是乳腺 MRI 域偏移的主因之一，需在建模时做域适应或影像归一化。

C. 组织与背景

Q31：谁是主办方？
Radboudumc（荷兰奈梅亨）与 The Netherlands Cancer Institute（NKI，阿姆斯特丹）的乳腺影像研究组（Breast Imaging Group），Lead Organizer 为 Nika Rasoolzadeh。

Q32：为什么叫"BIG"？
双关：Breast Imaging Group 缩写 + 数据集规模"大"。

Q33：DeepBreath 是什么？
MICCAI 的乳腺影像 AI workshop 系列，已连续举办两年，BIG-MRI 计划由其 2026 届承办。

Q34：和 ODELIA 是同一个团队吗？
有重叠但不完全相同。两者都在 Radboudumc/NKI 生态内，ODELIA 是 EU Horizon Europe 资助的 consortium 挑战赛，BIG-MRI 由 Breast Imaging Group 主办，且明确承接 ODELIA 与 DeepBreath。

D. 合规与工程

Q35：能商用吗？
不能。CC BY-NC-SA 明确排除商业用途；如需商用须另行寻求授权或使用其他许可数据。

Q36：能再分发数据吗？
CC BY-NC-SA 允许非商业再分发，但须署名并以相同方式共享；且数据本身可能还有平台准入约束，实际再分发前须核对官方规则。

Q37：提交的模型权重归谁？
设计文档未涉及；一般挑战赛惯例是参赛者保留方法，平台保留评测权。具体以官方 rules 为准（当前 rules 细节在 General Rules 页）。

Q38：没有 baseline 怎么起步？
可用同模态的公开模型（如乳腺 MRI 或通用 3D 医学影像模型）做迁移，或参考 ODELIA 公开基线方法；baseline 披露后应立即对标。

Q39：评测集是固定的吗？
NKI 留出集是固定的 blinded held-out 集，专用于提交模型的盲评；另有 Radboudumc 额外汇总测试集。

Q40：条目里的"约数"能给个精确值吗？
不能。官方只有 “over 3500” 与 “approximately 1900”；精确值须等数据释放后在 HF 实测。

E. 生产与维护

Q41：为什么本条目强调"发布前夜"？
因为挑战赛类数据资产在数据发布前的状态与发布后完全不同（可获取性、规模、路径都变）。AI-Ready Wikipedia 收录它必须以时点声明保护读者不被过时信息误导。

Q42：数据发布后本条目会重写吗？
不会重写主线，而是定向更新：补 §4/§6 的可获取性、附录 C 证据、附录 J 触发点勾除。框架（任务/评测/谱系）不变。

Q43：如果我只记住一件事？
BIG-MRI 把乳腺癌影像 AI 的问题从"检测"推到"风险预测"，用生存分析指标评测、用跨机构留出集验证——这是它区别于库内其他乳腺条目的根本点。

---

事实清单（硬事实 30 条）

1. 全称：BIG-MRI（Breast Imaging Group MRI Challenge）。
2. 性质：MICCAI 2026 卫星挑战赛；问题类别 Prediction（MICCAI 名册标注）。
3. 主办：Radboudumc（荷兰奈梅亨）+ The Netherlands Cancer Institute（NKI，阿姆斯特丹）。
4. 承办 workshop：DeepBreath 2026（MICCAI 2026）。
5. Zenodo 记录 DOI：10.5281/zenodo.19732927，Published April 24, 2026，Version v1。
6. Zenodo 附件：311-BIG-MRI_Breast_Imaging_Group_MRI_Challenge_2026-04-22T16-37-09.pdf（130.6 kB；md5 725d65623a52266617cf3e2ac4d9ebd6）。
7. 组织委员会六人：Nika Rasoolzadeh（Lead）、Tianyu Zhang、Xin Wang、Jonas Teuwen、Henkjan Huisman、Ritse Mann。
8. 机构归属：Radboudumc（Rasoolzadeh/Zhang/Huisman/Mann）；NKI（Wang/Teuwen）。
9. 训练集：Radboudumc 极高危筛查队列，over 3500 例去标识乳腺 MRI，2000–2024。
10. 留出盲测集：NKI approximately 1900 例；另有 Radboudumc 额外测试集。
11. 影像序列：DCE-T1 pre-contrast + post-contrast。
12. 数据格式：NIfTI + 去标识临床表。
13. 临床协变量：年龄、癌症检出日期、基因突变、个人/家族史、既往良性活检。
14. 分发平台：Hugging Face（repo 路径官方留空）。
15. 任务：预测每位女性 2 年与 5 年绝对发病风险。
16. 双赛道：Track 1（MRI-only）、Track 2（MRI+clinical），独立 leaderboard。
17. 排名指标：time-dependent AUC-ROC（2y/5y，含 CI）+ Harrell’s C-index（全随访期）的平均归一化排名。
18. 校准指标：可报告，不影响排名。
19. 决策曲线：列为 survival-aware metrics 之一，供临床解读。
20. 提交：本地训练、只提交算法至 Grand Challenge（平台不训练模型）。
21. 论文：OpenReview 双盲；5-8 页；每榜前 5 名必须交可复现补充材料。
22. 许可：CC BY-NC-SA（MICCAI SIG Challenges 名册明载）。
23. 获取条件：Access granted after admission to Grand Challenge。
24. 伦理：supported by existing ethical approvals for public release。
25. 时间线：Website Up 2026-04-10；数据文档/数据发布 2026-10-12；预开发 11-02~16；验证 11-16~12-06；最终提交 12-06；MICCAI 2026 Strasbourg。
26. 官网声明数据"将发布"，日期将相应调整。
27. 组织能力依据：BIG 组连续两年组织 DeepBreath workshop，并参与组织上届 ODELIA 挑战赛。
28. 前身挑战赛：ODELIA（MICCAI 2025，六欧洲中心 741 例，CC BY-NC 4.0，冠军 AUC 0.897）；BIG-MRI 明确承接。
29. 多中心/多厂商宣称存在，具体场强与厂商列表未披露。
30. 抓取时点（2026-10-08）数据未发布、路径未披露、规模为设计承诺值。

---

术语表（24 条）

术语	释义
BIG-MRI	Breast Imaging Group MRI Challenge，MICCAI 2026 乳腺 MRI 风险预测挑战赛
Breast Imaging Group (BIG)	Radboudumc/NKI 的乳腺影像研究组
incident cancer	新发癌症（随访期内首次出现的癌），区别于已诊断癌
风险预测 / risk prediction	预测未来某时间窗内发病的概率
风险分层 / risk stratification	按风险高低把人群分层以指导筛查决策
DCE-MRI	动态对比增强 MRI，注射造影剂后多期相成像
pre-/post-contrast	增强前/增强后序列
NIfTI	神经影像信息技术格式，体数据通用格式
time-to-event / 生存分析	以"到事件发生的时间"为结局的统计建模
censoring / 删失	随访期内未观测到事件（随访未满/失访）
Time-dependent AUC-ROC	特定时间点上的时间依赖 AUC
Harrell’s C-index	全随访期排序一致性指数，处理删失
calibration / 校准	预测概率与真实发生率的吻合程度
decision curve / 决策曲线	不同阈值下模型的临床净获益曲线
discrimination / 判别力	模型区分发病与未发病个体排序的能力
external validation / 外部验证	在训练机构以外的数据上验证泛化
multimodal / 多模态	融合多种信息源（此处为影像+临床）
clinical covariates	临床协变量（年龄、突变、病史等）
Grand Challenge	医学影像挑战赛标准托管平台
DeepBreath	MICCAI 乳腺影像 AI workshop 系列
ODELIA	MICCAI 2025 乳腺 MRI 病灶三分类挑战赛（前身）
gated dataset	需申请/准入才能访问的数据集
CC BY-NC-SA	署名-非商业-相同方式共享许可
Radboudumc / NKI	荷兰奈梅亨大学医学中心 / 荷兰癌症研究所

附录

附录 A：条目信息速查卡

项	值
条目名	BIG-MRI: Breast Imaging Group MRI Challenge
url_name	big-mri
类型	挑战赛（含数据集）
登记	Zenodo 10.5281/zenodo.19732927（2026-04-24）
主办	Breast Imaging Group（Radboudumc + NKI）
规模	~3500+ 训练（Radboudumc）+ ~1900 留出（NKI）
任务	2/5 年乳腺 MRI 发病风险预测（生存分析）
许可	CC BY-NC-SA
抓取时点	2026-10-08（数据未发布）
库内互链	odelia(655)/mrixfields(920)/duke-breast-mri(440)/swiss-mammo(627)/fastmri(23)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	Zenodo DOI + MICCAI 官方名册 + 官网可索引；但 HF repo/数据路径留空，数据未发布
A 可获取性	3	需 GC 准入、数据未发布、repo 未披露——当前几乎不可获取
I 可互操作	6	NIfTI + 表格为通用格式；无官方转换脚本公开，baseline 路径留空
M 元数据质量	7	设计文档结构完整（规模/赛道/指标/时间线齐）；但规模为约数、事件率缺失、多处路径留空
S 可持续性	5	依托 Radboudumc/NKI 与 Grand Challenge 平台较稳；尚处建设期，状态易变
综合评级	5.6/10（在建）	设计与组织质量高，但资产未落地、可获取性低——发布后预期显著上升

附录 C：逐项证据链自证

关键数字/事实	来源	位置
over 3500 / 2000–2024	Zenodo 记录描述	zenodo.org/records/19732927
approximately 1900（NKI）	Zenodo 记录描述	同上
DCE-T1 pre/post-contrast + NIfTI	Zenodo 记录描述	同上
五个临床协变量	Zenodo 记录描述	同上
双赛道定义	Zenodo 记录描述 + 官网	同上 / big-radboudumc.github.io
time-dependent AUC-ROC + C-index 排名规则	Zenodo 记录描述	同上
校准不排名	Zenodo 记录描述	同上
CC BY-NC-SA	MICCAI SIG Challenges 名册	miccai.org SIG challenges
Sept. 27 档期 / Nika Rasoolzadeh 联系	MICCAI 2026 Challenges 页	conferences.miccai.org/2026
时间线（10-12 发布等）	官网	big-radboudumc.github.io
ODELIA 741 例/冠军 AUC 0.897	ODELIA 官网 + 库内 rid 655	odelia.ai
Published April 24, 2026 / v1	Zenodo 记录页	zenodo.org/records/19732927
附件 md5 / 130.6 kB	Zenodo 记录文件列表	同上

附录 D：决策树

你想用 BIG-MRI 做什么？
├── 参赛
│   └── 官网报名 → Grand Challenge 准入 → 数据(2026-10-12)后本地训练 → 提交算法
├── 读前身/理解问题演进
│   └── ODELIA（库内 655）+ odelia2025.grand-challenge.org → 本条目对照
├── 搭生存分析评测骨架
│   └── §7.4 清单：删失/2y+5y AUC/Harrell C/校准/决策曲线
├── 找乳腺 MRI 数据
│   └── 本条目(风险) + ODELIA(检测) + duke-breast-mri(分割) —— 任务不同勿混用
└── 引用规模/许可
    └── 规模：引设计文档约数 + 时点；许可：CC BY-NC-SA（MICCAI 名册）

附录 E：双口径登记表

#	项	口径 A	口径 B	处理
1	Zenodo 发布日	2026-04-24（记录页 Published）	2026-04-22T16-37-09（文件名时间戳）	以记录页为准，时间戳作提交日
2	MICCAI 日程	Sept. 27（SIG/Challenges 名册）	2026-10-12~12-06（官网实际时间线）	以官网为最新口径
3	数据发布状态	“will be released”（Zenodo/官网）	抓取时点未发布	标注为设计承诺值+时点
4	许可来源	CC BY-NC-SA（MICCAI 名册）	Zenodo/官网未复述	以 MICCAI 名册为权威，注明依据
5	规模口径	over 3500 / approximately 1900（设计文档）	HF 实测（发布后）	发布后以 HF 实测更新

附录 F：生存分析评测骨架（代码）

# BIG-MRI 评测指标骨架（示意，需按官方 rules 校准）
# pip install lifelines scikit-survival
from sksurv.metrics import concordance_index_censored, cumulative_dynamic_auc
import numpy as np

def evaluate_risk(y_time, y_event, risk_score, horizons=(2.0, 5.0)):
    """y_time: 随访时间; y_event: 事件指示(1=发病); risk_score: 模型风险分"""
    # 1) Harrell's C-index（全随访期，处理删失）
    c_index = concordance_index_censored(y_event.astype(bool), y_time, risk_score)[0]
    # 2) Time-dependent AUC-ROC（2 年/5 年切点）
    y_struct = np.array([(bool(e), t) for e, t in zip(y_event, y_time)],
                        dtype=[("event", bool), ("time", float)])
    aucs = {}
    for h in horizons:
        auc, _ = cumulative_dynamic_auc(y_struct, y_struct, risk_score, [h])
        aucs[h] = auc[0]
    # 3) 校准与决策曲线：另用 calibration_curve / 净获益公式实现（不在排名内）
    return {"c_index": c_index, "td_auc": aucs}

# 排名口径提示：
#   - 主榜 = mean normalized ranking(td_auc@2y, td_auc@5y, c_index)
#   - calibration / decision curve 仅报告，不影响排名

附录 G：参赛者风险预测实操清单（10 项）

1. 删失正确建模：保留随访时间与事件位，勿把删失当阴性。
2. 训练/验证切分按患者：避免同一女性跨集泄漏。
3. 外部验证意识：NKI 留出集跨机构，训练时就引入多厂商稳健性/域泛化设计。
4. 多时间点报告：2 年与 5 年 AUC 都报，附置信区间。
5. C-index 口径注明：说明用 Harrell’s C 而非其他变体。
6. 必报校准：校准曲线/指标，虽不排名但决定临床可用性。
7. 决策曲线：给出净获益曲线，展示临床价值区间。
8. 双赛道策略：若两者都参加，聚焦分析临床信息的边际增量。
9. 可复现补充材料：冲击前 5 名需备 Word 补充材料，详尽到可复现。
10. 合规：遵守 CC BY-NC-SA（非商业、相同方式共享），数据不可商用。

附录 H：乳腺 MRI AI 问题谱系对照

层级	问题	输出	评测范式	库内代表
检测	有无病灶/病灶性质	类别	AUC/灵敏度/特异度	ODELIA(655)、swiss-mammo(627)
分割	病灶边界	掩码	Dice/IoU	duke-breast-mri(440)
密度	乳腺致密度	值/分级	回归/分类	tn-mammo-breast-density(628)
风险	2/5 年发病概率	时间-事件	C-index/AUC-ROC/校准/决策曲线	BIG-MRI（本条目）

附录 I：与前身 ODELIA 的对照表

维度	ODELIA（2025，rid 655）	BIG-MRI（2026，本条目）
任务	病灶三分类（检测）	2/5 年风险预测（分层）
评价	AUC/灵敏度/特异度	time-dependent AUC + C-index + 校准/决策曲线
规模	741 例（六中心）	~3500+ 训练（单中心）+ ~1900 留出（另一中心）
许可	CC BY-NC 4.0	CC BY-NC-SA
平台	HF gated=auto	HF + Grand Challenge 准入
状态	已结束（冠军 AUC 0.897）	进行中（数据未发布）
关系	前身	承接与升级

附录 J：维护计划与触发点

触发点	条件	动作	优先级
数据发布	2026-10-12 后 HF 释放	补全 repo 路径、实测规模/文件结构、更新 §4/§6、升 AI-Ready 评级	1
Baseline 披露	GitHub 路径补全	补入 §3.2/§4，加基线对标	2
日程确认	官网更新日期	同步 §6 时间线	3
结果公布	挑战赛结束/论文发表	加冠军与排名结果、方法综述	4
许可变更	MICCAI/官网更新	复核 §4 许可口径	5

附录 K：引文规范

@misc{bigmri2026,
  title        = {BIG-MRI: Breast Imaging Group MRI Challenge},
  author       = {Rasoolzadeh, Nika and Zhang, Tianyu and Wang, Xin and
                  Teuwen, Jonas and Huisman, Henkjan and Mann, Ritse},
  year         = {2026},
  publisher    = {Zenodo},
  version      = {v1},
  doi          = {10.5281/zenodo.19732927},
  note         = {MICCAI 2026 satellite challenge; hosted by DeepBreath 2026 workshop}
}

附录 L：检索路径建议

目标	推荐查询式	预期命中
挑战赛登记	“BIG-MRI” AND “Breast Imaging Group”	Zenodo 10.5281/zenodo.19732927
官方主页	big-radboudumc.github.io	挑战赛官网
MICCAI 名册	site:miccai.org BIG-MRI challenge	SIG Challenges/2026 Challenges 页
前身挑战赛	“ODELIA Breast MRI Challenge 2025”	odelia2025.grand-challenge.org / 库内 655
数据（发布后）	site:huggingface.co BIG-MRI breast MRI	待披露的 HF repo
反例（勿用）	臆造 HF 路径 “BIG-MRI/…”	无命中（坑 2）

附录 M：缩写速查

缩写	全称
BIG-MRI	Breast Imaging Group MRI Challenge
BIG	Breast Imaging Group
DCE-MRI	Dynamic Contrast-Enhanced MRI
NKI	The Netherlands Cancer Institute
NIfTI	Neuroimaging Informatics Technology Initiative
AUC-ROC	Area Under the ROC Curve
C-index	Concordance index（Harrell’s C）
ROR	Research Organization Registry
GC	Grand Challenge
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
CVD	（本条目未涉及）
EUSOBI	European Society of Breast Imaging

附录 N：基于本挑战赛的研究检查清单（10 项）

1. 时点核对：引用规模/状态前先确认数据是否已发布；未发布则标注"设计文档值"。
2. 口径声明：规模用英文约数；许可注明依据 MICCAI 名册。
3. 任务匹配：确认你的任务（风险预测）与数据标签（时间-事件）一致，勿当分类数据用。
4. 删失处理：管线必须保留随访时间与事件位。
5. 外部验证：把 NKI 留出集当跨机构考验，勿在其上过拟合。
6. 校准报告：即便不排名也要报告，保证临床可解读。
7. 双赛道选择：按是否需要临床协变量选 Track，并分析增量。
8. 合规：遵守 CC BY-NC-SA，非商业用途。
9. 引用完整：引 Zenodo 设计文档 + 官网 + （发布后）数据 repo。
10. 时点存照：本条目抓取时点为 2026-10-08，发布状态以该时点为准。

附录 O：关键日期总表

日期（CET）	事件	来源
2026-04-10	官网 Website Up	官网
2026-04-22	设计文档提交（文件名时间戳）	Zenodo 附件文件名
2026-04-24	Zenodo 记录发布（v1）	Zenodo 记录页
2026-10-08	本条目抓取时点（数据未发布）	本条目
2026-10-12 9:00	Dataset Documentation Release	官网
2026-10-12	Dataset Release（GC 准入后）	官网
2026-11-02~16	Preliminary Development Phase	官网
2026-11-16~12-06	Validation Phase	官网
2026-12-06	Final Submission Phase	官网
2026-12（Strasbourg）	MICCAI 2026 / DeepBreath 2026	官网

附录 P：可获取性光谱中的位置

档位	库内参照	本条目对应
注册墙（最严）	需注册+审批	—
平台准入 + 申请制	少量老条目	数据本体（GC 准入 + HF 分发）
平台托管（Zenodo/HF）	TopBrain/ODELIA gated	—
公开直链	HF/Zenodo 直链型	—（发布后预期落此档）

BIG-MRI 当前落入"平台准入 + 申请制"档（且数据未发布）；相对于 ODELIA（HF gated=auto，路径公开），它的可获取性在抓取时点更弱。数据发布后预期上升到"平台托管/公开直链"档，届时条目应整体改写获取节。

附录 Q：与前身挑战赛的社区对照

维度	DeepBreath（workshop）	ODELIA（2025 挑战赛）	BIG-MRI（2026 挑战赛）
类型	workshop	挑战赛	挑战赛
平台	MICCAI	Grand Challenge	Grand Challenge
任务	乳腺影像 AI 交流	病灶三分类	风险预测
数据	无	741 例	~3500+/~1900
关系	BIG-MRI 承办方	BIG-MRI 直接前身	本条目

附录 R：AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	Zenodo DOI 10.5281/zenodo.19732927
F2 富元数据	⚠️	设计文档完备；HF/数据路径留空
A1 可访问协议	❌	数据未发布 + GC 准入 + repo 未披露
A2 元数据可访问	✅	Zenodo 记录与官网公开
I1 互操作格式	✅	NIfTI + 表格
I2 词汇表引用	⚠️	生存分析指标术语需自洽定义
R1 来源溯源	✅	机构/队列/采集期披露
R3 可复现流程	❌	baseline 路径留空，暂不可复现
AI-Ready 综合	低（在建）	发布后预期上升

附录 S：乳腺筛查 AI 缩略语背景

乳腺 MRI 筛查流程涉及若干临床概念，理解它们有助于读懂 BIG-MRI 的临床动机：

• 筛查适配人群：BIG-MRI 面向"符合 MRI 筛查资格者"——包括极高危（如携带高危基因突变）与乳腺极度致密者。
• 补充筛查：MRI 作为 mammography 之外对高危/致密乳腺的补充，是 EUSOBI 指南的建议方向，但各国实施不均。
• 个性化筛查：依据个体风险调整筛查间隔与模态——BIG-MRI 的终极临床目标。
• 过度诊断/漏诊：筛查两端风险——低危者被过度检查、高危者被漏诊，风险分层正是为了同时缓解这两端。

附录 T：风险模型落地路线图（概念性）

训练风险模型
   └── 内部验证（同机构）
        └── 外部验证（另一机构，如 NKI）  ← BIG-MRI 内建此步
             └── 校准评估（概率可信度）
                  └── 决策曲线（临床净获益）
                       └── 前瞻性临床试验（真实筛查流程）
                            └── 纳入筛查指南（最远端，数年）

BIG-MRI 覆盖到"外部验证与临床解读"阶段，是风险模型走向临床链条中的关键评测环节；它本身不是前瞻性试验，但提供了推动后续进展的公开基准。

附录 U：本条目与 ODELIA 条目的阅读顺序建议

顺序	读什么	目的
1	ODELIA（库内 655）	理解乳腺 MRI 挑战赛的"检测"范式与多中心异构问题
2	本条目 §3.5 对照表	看清问题如何从检测升级到风险
3	本条目 §7	掌握风险预测的生存分析评测
4	本条目 §11	若参赛，按工程路线图动工
5	附录 J	关注数据发布维护触发点

附录 V：本条目生产档案

• 生产通道：MICCAI 2026 挑战赛专项（存在性三源互证：MICCAI SIG 名册 + MICCAI 2026 Challenges 页 + 官网 + Zenodo）
• 事实研究：WebSearch×2 + WebFetch×2（官网 / Zenodo），落在 §2.5 网络预算内
• FACTS.md：writing/big-mri/FACTS.md 九节
• 成稿方式：五块直写拼接（part1-5），吸取"附录标题吞噬"教训——全程不用 Edit 追加正文主体
• 坑点：§10 七则（坑 1-7"坑 N："编号制）
• description：成稿时即 ≤170 字符
• 互链计划：ODELIA(655)/MRIxFields(920)/duke-breast-mri(440)/swiss-mammo(627)/fastmri(23)
• 活动状态：抓取时点数据未发布（发布前夜），维护触发点见附录 J

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-08，抓取与核验时点见附录 A。事实陈述以 Zenodo 挑战赛设计文档（10.5281/zenodo.19732927）、MICCAI SIG/2026 Challenges 官方名册、挑战赛官网（big-radboudumc.github.io）三源互证为源；Zenodo 发布日与文件名时间戳、MICCAI 日程、许可来源、规模约数等口径差异已在坑点与附录 E 存照。条目与库内 ODELIA（rid 655）、MRIxFields（920）、duke-breast-mri（440）、swiss-mammo（627）等条目互链，构成乳腺影像与 MRI 挑战赛家族的完整检索面。后续维护触发点见附录 J，其中"数据发布"为最高优先级。

---

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：

• odelia — 共享标签：医学影像 / MRI / 乳腺影像 / 图像分类 / 挑战赛数据集 / 乳腺癌
• mamasynth — 共享标签：医学影像 / MRI / 乳腺影像 / 挑战赛数据集 / 乳腺癌
• breastpathq — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 乳腺癌
• busi — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• cbis-ddsm — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• inbreast — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• cmmd — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• prostatex — 共享标签：医学影像 / MRI / 图像分类 / 挑战赛数据集
• bach — 共享标签：医学影像 / 乳腺影像 / 图像分类 / 乳腺癌
• acouslic-ai — 共享标签：医学影像 / 图像分类 / 挑战赛数据集

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。