信息速览
INFOBOX — CheXlocalize 一屏速览
维度 内容 本质 放射科医师人工像素级标注的胸片病灶定位数据集 + saliency 方法评测协议（图像派生自 CheXpert，标注独立新造） 机构 数据托管 Stanford AIMI；论文署名跨 Stanford/NYU/Harvard；代码/品牌 Rajpurkar Lab（Harvard Medical AI） 论文 Nat Mach Intell 2022;4(10):867-878（doi:10.1038/s42256-022-00536-x） 数据 CheXpert val 234 张/200 患者 + test 668 张/500 患者 = 902 张 标注 val 集 643 条专家像素级分割（187 subjects）；test 集 human benchmark 分割 + 最代表点 类别 Atelectasis/Cardiomegaly/Consolidation/Edema/Enlarged Cardiomediastinum/Lung Lesion/Lung Opacity/Pleural Effusion/Pneumothorax/Support Devices（10 类） 标注者 GT：2 名 board-certified 放射科医师（18/27 年经验，MD.ai 工具）；human benchmark：3 名（越南认证，9/10/18 年经验），无人员重叠 评估对象 7 种 saliency 方法 × 3 架构（DenseNet121/ResNet152/Inception-v4）× 每组合 30-model 集成 核心指标 mIoU（区域）+ hit rate（pointing game） 核心发现 saliency pipeline 平均 mIoU 比人类低 24.0%；Lung Lesion 差距最大 76.2%；consolidation 反超人类 +128.1% 获取 Stanford AIMI 页登录 + 注册表单 → SAS 令牌 → Azure Storage Explorer 下载（非匿名直链） 许可 数据 O-UDA v1.0（宽松）｜代码 MIT｜论文订阅制（页面标签与实际许可冲突，见坑 1） 库内互链 chexpert（上游图像源）、mimic-cxr、chest-imagenome、padchest、ms-cxr、vindr-cxr、chestx-det10、nih-chestx-ray14
CheXlocalize 是一个"给胸片 AI 装上瞄准镜"的数据集：它不训练新模型，而是把 CheXpert 里 902 张胸片交给放射科医师逐像素勾出病灶，再用这些人工勾画去度量一个尖锐的问题——当模型说"这里有肺不张"时，它的热图究竟有没有指向病灶本身？答案令人不安：在平均意义上，7 种主流显著性方法画出的区域比人类专家差了 24%，而在最难定位的 Lung Lesion（肺内病灶）上差距高达 76%。这个数据集因此成为医学影像可解释性领域的"尺子"——它衡量的不是模型分得准不准，而是模型"看对了地方没有"。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——注意需 StanfordAIMI 账号登录 + 注册表单，且许可标签与实际挂牌许可冲突（坑 1），别按页面标签误引。
- 关心评测结论：直奔 §5——mIoU/hit rate 双指标的 24.0%/29.4% 差距、Lung Lesion 76.2%、consolidation 反超人类三段连读。
- 要复现 saliency 评测：直奔 §3 注释流水线 + §7 影响，并用 §6 的 Google Drive 权重而非 PhysioNet（坑 3）。
§0 导读：这个数据集解决什么问题
胸片 AI 的评测长期被 AUROC 主导：一个模型能在 10 万张图上把肺炎识别到 0.9 的 AUROC，就算"好"。但 AUROC 只回答"判得对不对"，不回答"看的是不是地方"。一个在 image corner 学了"某台机器拍出来的图带某标记就判心影增大"的模型，一样能拿到高 AUROC——这就是所谓的 shortcut learning。要证伪这种小聪明，必须有一把能对齐"模型注意力"与"病灶位置"的尺子。
CheXlocalize 的贡献正在于造出这把尺子。它做了三件事。第一，造语料：请放射科医师在 CheXpert val/test 的 902 张胸片上，对 10 类病理逐像素勾画病灶轮廓，形成 643 条（val 集）独立的像素级分割真值——这是当时规模最大、质量最硬的胸片定位标注之一。第二，定协议：把"定位能力"量化为两个指标——mIoU（模型热图二值化后的区域与医生勾画的重叠度）与 hit rate（热图最大值点是否落在医生勾画内，即 pointing game）。第三，做度量：用这套尺子丈量 7 种最常用的 saliency 方法（Grad-CAM、Grad-CAM++、Integrated Gradients、Eigen-CAM、DeepLIFT、LRP、Occlusion），覆盖 3 种架构，得出"主流显著性方法在胸片上普遍不如人类，且病灶越难越差"的结论。
§0 读法三则：
- 这个条目是"数据集 + 评测方法论文"二合一：本体是 902 张带像素级标注的胸片，配套品是开源的评估代码与人类基线，二者许可与获取方式不同（§6）。
- 全文数字分两类：论文正文数字（结果节）与一手实测数字（AIMI API 的 3,256 文件/5.33 GB、许可字段），两类来源不同，正文均已标注出处。
- 检索时若凭"Stanford 出品"去找，会与 Rajpurkar Lab 的仓库归属打架——这是本条目最需要说清的一层身份问题（§1、§9 存照、坑 5）。
§1 数据集速览：十问十答
Q1：CheXlocalize 的"902 张"从哪来？
全部派生自 CheXpert 数据集的 val 与 test 划分：val 234 张（200 患者）+ test 668 张（500 患者）= 902 张。图像是原 CheXpert 的胸片，标注是 CheXlocalize 团队独立新造的。CheXlocalize 不包含 CheXpert 训练集。
Q2：标注规模有多大？
val 集发布包口径为 “234 images with 643 expert segmentations”（论文 Discussion 原文）；README 进一步说明 gt_annotations_val.json 含 187 subjects with 643 total annotations（仅列有阳性病理标签的 CXR，每图仅列阳性病理）。两个口径不矛盾：234 张是 val 图像全集，643 条标注覆盖其中 187 个受试者。
Q3：图像和标注分别在哪？
图像沿用 CheXpert 的 CheXpert/val/、CheXpert/test/ 目录结构（含 val_labels.csv/test_labels.csv）；标注在 CheXlocalize/ 下，分原始轮廓（gt_annotations_*.json）与 RLE 编码掩码（gt_segmentations_*.json）两套，另有 test 集的 human benchmark 与最代表点。
Q4：谁标注的，可靠吗？
Ground-truth 分割由 2 名 board-certified 放射科医师完成，分别有 18 年与 27 年经验，使用标注软件 MD.ai。test 集的 human benchmark 分割与最代表点由另 3 名放射科医师（在越南认证，经验 9/10/18 年）完成，与 GT 标注者无人员重叠——这是关键设计，避免了"自己考自己"。
Q5：标注了什么类别？
10 种胸部病理/发现：Atelectasis（肺不张）、Cardiomegaly（心影增大）、Consolidation（实变）、Edema（水肿）、Enlarged Cardiomediastinum（心纵隔增宽）、Lung Lesion（肺内病灶）、Lung Opacity（肺野阴影）、Pleural Effusion（胸腔积液）、Pneumothorax（气胸）、Support Devices（支持器械）。从 CheXpert 的 14 观察中排除了 fracture、pleural other、pneumonia、no finding 四项。
Q6：它评测什么？
评测 saliency map 的定位质量。对每张图的每个阳性观察，模型输出一张显著性热图，CheXlocalize 用 mIoU 与 hit rate 两个指标度量这张热图与医生勾画病灶区域的吻合度，并与人类基线比较。
Q7：评测了哪些方法？
7 种 saliency 方法（Grad-CAM、Grad-CAM++、Integrated Gradients、Eigen-CAM、DeepLIFT、LRP、Occlusion）× 3 种架构（DenseNet121、ResNet152、Inception-v4），每个组合使用 30-model 集成（每架构 120 个 checkpoint，含 4 种不确定性处理策略 × 3 次训练 × top-10）。
Q8：最大的卖点一句话？
它用放射科医师的像素级勾画证明：主流显著性方法在胸片上"看的地方"普遍不对——平均 mIoU 比人类低 24%，最难的 Lung Lesion 低 76.2%，而 consolidation 一类却反超人类 128.1%，揭示定位难度与病灶形态强相关。
Q9：它自己有什么局限？
只有 902 张（不含训练集）、获取需登录+注册表单、标注覆盖存在缺漏（有阳性标签却无勾画的案例）、病理名存在 Airspace Opacity / Lung Opacity 双口径——论文与 README 均有自曝或可核。
Q10：开源吗？
分层：数据托管 Stanford AIMI（登录+注册表单，O-UDA 许可）｜评估代码 MIT（GitHub rajpurkarlab/cheXlocalize）｜模型权重 Google Drive（非 PhysioNet，见坑 3）｜论文 Nature MI 订阅制。
§2 数据集构成与规格
2.1 图像来源与规模
CheXlocalize 的图像全部派生自 CheXpert（Stanford ML Group，2019）——一个含 224,316 张胸片、65,240 名患者、14 种观察标注（13 类病理 + no finding）的大规模胸片数据集。CheXlocalize 取用其中两个划分：
| 划分 | 胸片数 | 患者数 | 说明 |
|---|---|---|---|
| val | 234 | 200 | 主要标注集，含 643 条专家分割 |
| test | 668 | 500 | 含 human benchmark 分割与最代表点 |
| 合计 | 902 | 700 | 用于 saliency 方法评测 |
图像派生关系是"图像衍生、标注独立新造"：胸片本身来自 CheXpert，像素级病灶勾画是 CheXlocalize 团队新造的。因此 CheXlocalize 的标注许可独立于 CheXpert，但图像本体仍受 CheXpert 站点的使用条款约束（转录：https://stanfordmlgroup.github.io/competitions/chexpert/）。
2.2 10 类病理与标签口径
从 CheXpert 的 14 观察中保留 10 类、排除 4 类（论文原文排除理由）：
| CheXlocalize 类别 | 中文 | 备注 |
|---|---|---|
| Atelectasis | 肺不张 | — |
| Cardiomegaly | 心影增大 | — |
| Consolidation | 实变 | 论文中 saliency pipeline 反超人类最显著的类 |
| Edema | 水肿 | — |
| Enlarged Cardiomediastinum | 心纵隔增宽 | 简称 ECM |
| Lung Lesion | 肺内病灶 | 论文中定位最难、差距最大的类 |
| Lung Opacity | 肺野阴影/空气腔浑浊 | 论文正文与 JSON 亦作 Airspace Opacity，二者等价 |
| Pleural Effusion | 胸腔积液 | — |
| Pneumothorax | 气胸 | — |
| Support Devices | 支持器械 | 仅勾画植入/侵入性器械 |
排除的 4 项及理由（论文原文）：fracture、pleural other（test 集阳性不足 10 例）；pneumonia（临床诊断而非影像征象，无法像素级定位）；no finding（不适用于定位评估）。
病理名双口径存照：论文正文与部分文件（如 sample/gt_annotations_val.json 的病理性键）使用 “Airspace Opacity”，而 README 与 AIMI 页面使用 “Lung Opacity”。论文 Methods 明示：“‘Lung opacity’ in the CheXpert dataset is the equivalent of airspace opacity in the CheXlocalize dataset.” 转引时两口径等价，勿当作两类（见坑 7、§9）。
2.3 标注文件结构（README 逐文件口径）
AIMI 分发包（实测 fileCount 3,256，总大小 5,728,033,748 B ≈ 5.33 GB，fileTypes: csv/ds_store/jpg/json/pkl，version 2.0）内部结构如下：
| 路径 | 内容 |
|---|---|
CheXpert/val/、CheXpert/test/ |
派生 CXR 图像（JPEG） |
CheXpert/val_labels.csv、test_labels.csv |
GT 分类标签 |
CheXlocalize/gt_annotations_val.json |
val 集原始人工轮廓坐标（嵌套 contour，每 contour 为 [X,Y] 坐标列表） |
CheXlocalize/gt_annotations_test.json |
test 集原始轮廓坐标 |
CheXlocalize/gt_segmentations_val.json |
val 集 RLE 编码分割掩码（pycocotools 编码） |
CheXlocalize/gt_segmentations_test.json |
test 集 RLE 掩码 |
CheXlocalize/hb_annotations_test.json |
test 集 human benchmark 原始注释 |
CheXlocalize/hb_segmentations_test.json |
test 集 human benchmark 分割掩码 |
CheXlocalize/hb_salient_pt_test.json |
test 集 human benchmark 最代表点 |
CheXlocalize/gradcam_maps_val/ |
val 集 DenseNet121 + Grad-CAM 热图（逐图逐病理 pickle） |
CheXlocalize/gradcam_segmentations_val.json |
对应 Grad-CAM 热图的像素级分割 |
轮廓 → 掩码的转换：annotation_to_segmentation.py 把人工轮廓坐标转为 RLE 掩码，是"人画线 → 机器填面"的桥梁；转换的正确性直接决定 mIoU 的可信度。RLE（Run-Length Encoding）是 COCO 格式的标准掩码编码，用 pycocotools 解码。
2.4 模型热图与分割
val 集附赠一套 DenseNet121 + Grad-CAM 的热图（gradcam_maps_val/，逐图逐病理一个 pickle）与对应分割（gradcam_segmentations_val.json）。注意热图的原生分辨率仅约 14×14——这是 DenseNet121 最后卷积层的空间尺寸，上采样回原图（通常 2,000×2,000 像素）后极度 coarse，是 saliency 定位不准的直接成因之一（论文 Discussion 明示）。
2.5 与 CheXpert 的关系
CheXlocalize 是 CheXpert 家族向"可解释性/定位"维度的延伸。CheXpert 提供图像与分类标签，CheXlocalize 在其 val/test 上补充像素级定位真值。二者的关系是"母数据集—派生标注集"：CheXlocalize 不重复发布 CheXpert 训练集（那是 CheXpert 自身的规模优势），而专注于它缺失的定位维度。这条沿革链与 Rajpurkar 组谱系一致：CheXNet（2017，arXiv:1711.05225，见本论文参考文献）→ CheXpert（2019，Irvin 等）→ CheXlocalize（2022）。
§3 注释流水线：像素级真值如何造出来
3.1 两类标注者，零人员重叠
CheXlocalize 的标注设计有一个关键的分工：造真值的人和定基线的人是两拨人。
- Ground-truth 分割：2 名 board-certified 放射科医师，分别有 18 年与 27 年经验，使用 MD.ai（
https://www.md.ai/）平台完成像素级勾画。 - Human benchmark 分割 + 最代表点：另 3 名放射科医师（在越南认证，经验分别为 9、10、18 年），对 test 集完成同样任务。
两组标注者没有人员重叠。这一步是方法论的要点：如果让同一批医生既画 GT 又画 benchmark，那么"人类基线"就退化为"自己和自己比"，测不出方法相对于独立人类的差距。CheXlocalize 用两组独立标注者回避了这个问题。
3.2 标注形态一：轮廓 → 分割掩码
每张图的每个阳性观察，医生沿病灶边缘勾画轮廓（contour），坐标以嵌套 JSON 数组存储。轮廓经 annotation_to_segmentation.py 转为 RLE 掩码，供 mIoU 计算。这是区域级真值——用于回答"模型高亮的区域和病灶区域重叠多少"。
3.3 标注形态二：最代表点
test 集的 human benchmark 另含最代表点（most-representative point）：医生在病灶中标记一个"最具代表性"的像素点。这对应 pointing game 协议——若模型热图的最大值像素落在 GT 掩码内（或靠近最代表点），记为命中。这回答的是"模型最关注的那个点，是不是在病灶里"。
3.4 双阈值方案：热图怎么变成分割
原始热图是连续值，要算 IoU 必须先二值化。论文与代码提供两套阈值方案：
| 方案 | 做法 | 出处 |
|---|---|---|
| Otsu’s method | 无参考自动全局阈值（cv2 包） | README「Fine-tune segmentation thresholds」 |
| 验证集优化阈值 | 在 val 集上迭代搜索使每类 mIoU 最大的阈值 | 同上 |
论文原文（Extended Data Fig. 1）：两者对 human benchmark 无统计显著差异。此外还有 probability threshold（概率截止）：当模型对某病理的预测概率低于截止值时，输出全零掩码，用于抑制低概率假阳性分割（论文 Table 3、Extended Data Fig. 4 采用此方案）。
3.5 标注缺漏的披露
论文坦诚披露：即使某张 CXR 有阳性 GT 标签，标注者仍可能不画分割。具体缺漏案例为：airspace opacity 1 例、atelectasis 1 例、edema 2 例、enlarged cardiomediastinum 1 例、support devices 1 例。Support Devices 的标注定义也值得注意：只勾画植入/侵入性器械（起搏器、PICC/中心静脉导管、胸管、气管插管、饲管、支架），忽略心电图导联线与外部贴片——因为这些不是"病灶"，但对模型而言它们同样是高对比度特征，是被排除出评测的干扰项。
3.6 辅助脚本清单
README 目录列出的辅助脚本（反映标注与分析的完整链条）：annotation_to_segmentation.py、heatmap_to_segmentation.py、tune_heatmap_threshold.py、tune_probability_threshold.py、compute_pathology_features.py（计算 4 类形态特征：instances/size/elongation/irrectangularity）、regression_pathology_features.py、regression_model_assurance.py、precision_recall_specificity.py、count_segs.py、plot_pathology_features.py。运行环境为 Python 3.8.3（conda 环境名 chexlocalize）。
§4 数据规格硬数字与获取门槛
4.1 规模数字总表
| 项 | 数值 | 来源 |
|---|---|---|
| 胸片总数 | 902（val 234 + test 668） | AIMI / README / 论文三方一致 |
| 患者数 | 700（val 200 + test 500） | AIMI / README |
| val 专家分割 | 643 条 | 论文 Discussion「234 images with 643 expert segmentations」 |
| 643 覆盖受试者 | 187 subjects | README |
| 病理类别 | 10 | AIMI / README |
| AIMI 发包文件数 | 3,256 | AIMI API 实测 |
| AIMI 发包大小 | 5,728,033,748 B ≈ 5.33 GB | AIMI API 实测 |
| AIMI 版本 | 2.0 | AIMI API |
| CheXpert 母集 | 224,316 CXRs / 65,240 患者 / 14 观察 | 论文 Methods 转述 |
4.2 双口径登记
| # | 项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| 1 | val 规模 | 234 张/200 患者（AIMI/README） | 234 images with 643 segmentations（论文） | 并列；643 指标注数非图像数 |
| 2 | 标注覆盖 | 643 条（论文/README） | 187 subjects（README） | 并列；234 图全集 vs 643 覆盖 187 受试者 |
| 3 | 数据集页创建 | 2022-10-15（AIMI API created） |
10/16/22（AIMI 页面显示 Created） | 双口径差 1 天，见坑 6 |
| 4 | 病理名 | Airspace Opacity（论文/JSON） | Lung Opacity（README/AIMI 页） | 等价，两记（坑 7） |
| 5 | 数据集 UUID | abfb76e5-…（论文声明） | 23c56a0d-…（README/AIMI 页） | 前者实测 404，用后者（坑 2） |
4.3 获取门槛：三道门
CheXlocalize 的数据不是匿名直链，AIMI 记录字段 isDownloadAllowed=false。实际获取流程（据 download_instructions.md）：
- 登录：访问 Stanford AIMI 数据集页（
https://stanfordaimi.azurewebsites.net/datasets/23c56a0d-15de-405b-87c8-99c30138950c），需 StanfordAIMI 账号；无账号需先注册。 - 注册表单：点击下载后弹出注册表单，填写信息并接受协议后提交。
- SAS 令牌下载：提交后弹出带 SAS 令牌的 Azure Blob 下载链接；README 明示该链接不能直接在浏览器使用，需用 Azure Storage Explorer 以 SAS URL 连接 Blob container 下载。
这道门槛与许可的宽松度形成反差——许可是宽松的 O-UDA（可自由使用/修改/分发），但获取流程仍要求登录+表单（见坑 1、§6）。门槛与许可分离是 CheXlocalize 的显著工程特征。
§5 评估与基准：saliency 方法大考
5.1 评估对象：7 方法 × 3 架构 × 30-model 集成
论文评测 7 种 saliency 方法：Grad-CAM、Grad-CAM++、Integrated Gradients、Eigen-CAM、DeepLIFT、LRP、Occlusion。覆盖 3 种架构：DenseNet121、ResNet152、Inception-v4。
每个"方法 × 架构"组合使用 30-model 集成，底层是每架构 120 个 checkpoint（4 种不确定性处理策略 × 3 次训练 × top-10 选取）。不确定性处理 4 策略沿用 CheXpert：ignoring / zeros / ones / three-class classification；集成选取基于 5 个观察（atelectasis/cardiomegaly/consolidation/edema/pleural effusion）的平均 AUROC。
5.2 两个核心指标
| 指标 | 定义 | 回答的问题 |
|---|---|---|
| mIoU | 热图二值化后的区域与 GT 掩码的 mean Intersection over Union | 模型高亮的"区域"和病灶区域重叠多少 |
| hit rate | pointing game：热图最大值像素是否落在 GT 掩码内 | 模型最关注的"那个点"是不是在病灶里 |
eval.py 产出逐图 IoU、hit/miss 判定，并做 1,000 次 bootstrap（种子默认 0）给出 95% 置信区间，生成三份 csv：{iou/hitmiss}_results_per_cxr.csv、{iou/hitmiss}_bootstrap_results.csv、{iou/hitmiss}_summary_results.csv。
5.3 核心结果（论文原文数字）
mIoU 维度：
- 平均 mIoU：saliency pipeline 比 human benchmark 低 24.0%（95% CI 18.2%–29.6%）。
- Lung Lesion 差距最大 = 76.2%（95% CI 59.1%–87.5%）——最难定位的类。
- 10 类中 5 类 mIoU 显著低于人类；2 类（atelectasis、consolidation）saliency pipeline 显著优于人类，其中 consolidation 超人类 +128.1%。
hit rate 维度：
- 平均 hit rate：比 human benchmark 低 29.4%（95% CI 23.1%–35.5%）。
- Lung Lesion 差距最大 = 65.9%（95% CI 35.3%–91.7%）。
- 7 类 hit rate 显著低于人类，3 类无显著差异，hit rate 无任何类别显著优于人类。
一个尖锐的例证：support devices 的分类 AUROC 高达 0.969（模型很会识别器械），但定位却是最差的之一——mIoU 0.163（95% CI 0.154–0.172）、hit rate 0.355（95% CI 0.303–0.408）。"识别准"与"看得对"是两件事，这个数字是最直接的证据。
5.4 机制发现：为什么 saliency 定位会失败
论文归因于三类与病灶形态相关的因素：
- 病灶实例数：多实例时 saliency map 常只高亮一个大的连通区域，漏掉其他实例。
- 病灶尺寸：saliency 分割倾向比人类更大，且不尊重解剖边界。
- 形状复杂度：复杂形状的病灶，saliency 常包含大量非病灶区域。
此外，热图原生分辨率仅约 14×14（Grad-CAM 从 DenseNet121 最后卷积层取出），上采样至原图（通常 2,000×2,000）后极为 coarse，是低分辨率伪影的成因。
置信度与定位正相关：model probability（模型对某病理的置信度）与 Grad-CAM 定位性能正相关（regression_model_assurance.py、论文 Table 3）——模型越有把握，热图越可能对。
5.5 第三方复用锚点
- ar5iv 2311.04813（“Be Careful When Evaluating Explanations Regarding Ground Truth”）明确复用 CheXlocalize：“consists of 902 X-ray images with 10 multi-label classes, ground-truth masks by expert radiologists”，其 test 集 668 张用于对齐实验。来源：
https://ar5iv.arxiv.org/html/2311.04813 - Lacuna（tiptreesystems）摘要页转述：“Validation and Test Sets: Contains nearly 900 images with over 1,000 expert segmentations”，并复述 24.0%/29.4%/76.2% 三数字。来源：
https://lacuna.tiptreesystems.com/work/benchmarking-saliency-methods-for-chest-x-ray-interpretation/wrk_1815b828b163682a61668ea981ed85b0 - CI-GCI medical_grounding_datasets 清单：记 CheXlocalize “902 images (643 expert segmentations)”，与论文 643 口径一致。来源：
https://github.com/FaezehMillerAI/CI-GCI/blob/main/medical_grounding_datasets.md
注意 Lacuna 的"over 1,000 expert segmentations"是第三方转述，非论文原文——论文全文检索无 “1,000 expert” 字样（见坑 4、§9）。
§6 获取与许可：宽松许可与有门获取的错位
6.1 数据许可：O-UDA v1.0（一轮修正的关键）
CheXlocalize 数据集记录挂载的实际许可是 Open Use of Data Agreement v1.0（O-UDA 1.0）：
| 字段 | 值 |
|---|---|
| licenseName | Open Use of Data Agreement v1.0 |
| licenseId | f1f352a6-243f-4905-8e00-389edbca9e83 |
| isStandard | true |
| 附件文件名 | O-UDA-1.0.pdf |
来源：Stanford AIMI 许可记录 https://aimistanford-web-api.azurewebsites.net/licenses/f1f352a6-243f-4905-8e00-389edbca9e83。
O-UDA 1.0 要点（全文核）：依据微软 Open-Use-of-Data-Agreement 仓库全文（https://cdn.jsdelivr.net/gh/microsoft/Open-Use-of-Data-Agreement@master/O-UDA-1.0.md）——§1.1 可自由使用/修改/分发；§2 不限制使用、修改或对结果的使用；§3 再分发须保留归属信息并传递同等免责条款；§4 无担保/责任限制。这是一份宽松数据许可，不是"注册签署制"的强制研究用途限制条款（与坑 8 的页面标签冲突对照阅读）。
与页面标签的冲突（重点）：AIMI 数据集的 License 展示标签（搜索引擎快照可见）写作 “Stanford University Dataset Research Use Agreement”，而数据集记录实际挂载的许可是 O-UDA-1.0。同一数据集页，展示标签与许可记录不一致。转引时以 API/附件为准记 O-UDA，并注明页面标签冲突（见坑 8、§9 存照）。
6.2 代码许可：MIT
评估代码以 MIT License 发布，版权声明原文：“Copyright © 2022 Rajpurkar Lab / Harvard Medical AI”（来源：https://cdn.jsdelivr.net/gh/rajpurkarlab/cheXlocalize@master/LICENSE.md；论文代码可用性声明亦写明 “under the MIT License”）。MIT 是最宽松的代码许可之一，署名即可自由使用/修改/分发/商用。
6.3 论文许可：订阅制
论文发表于 Nature Machine Intelligence，非开放获取（订阅制）。引用论文文本须注意著作权边界；但引用数据集本身应引数据许可（O-UDA）。
6.4 获取流程：三道门（非匿名直链）
AIMI 记录字段 isDownloadAllowed=false——数据不是匿名直链。实际获取流程（据 download_instructions.md）：
- 登录：访问 Stanford AIMI 数据集页（
https://stanfordaimi.azurewebsites.net/datasets/23c56a0d-15de-405b-87c8-99c30138950c），需 StanfordAIMI 账号；无账号需先注册。 - 注册表单：点击下载后弹出注册表单，填写信息并接受协议后提交。
- SAS 令牌下载：提交后弹出带 SAS 令牌的 Azure Blob 下载链接；README 明示该链接不能直接在浏览器使用，需用 Azure Storage Explorer 以 SAS URL 连接 Blob container 下载。
这道门槛与许可的宽松度形成反差——许可是宽松的 O-UDA（可自由使用/修改/分发），但获取流程仍要求登录+表单。门槛与许可分离是 CheXlocalize 的显著工程特征（见坑 1、坑 8）。
6.5 代码与资产的四个位置
| 资产 | 位置 | 许可 |
|---|---|---|
| 数据本体 | Stanford AIMI（Azure Blob，SAS 令牌） | O-UDA v1.0 |
| 代码仓库 | GitHub rajpurkarlab/cheXlocalize（仓库名大写作 cheXlocalize） |
MIT |
| 代码归档 | Zenodo v1.0.0（2022-08-05），DOI 10.5281/zenodo.6973536（zip 20.5 MB） | MIT |
| 模型权重 | Google Drive 文件夹 https://drive.google.com/drive/folders/17nUAxXGskc2a6_CxfoYpixnhsm8VLjy6（每架构 120 checkpoint） |
随代码 |
权重位置修正：README 里出现的 PhysioNet 链接是空链接 [PhysioNet]()（无 URL，疑似悬空占位）；PhysioNet 站点实测无任何 CheXlocalize 项目（站点搜索无命中，https://physionet.org/content/chexlocalize/ 返回 404）。真实权重在 Google Drive（见坑 4、§9 存照）。
6.6 版本链
| 资产 | 版本 | 时间 |
|---|---|---|
| 数据集（AIMI） | version 2.0 | 创建 2022-10-15（API；页面显示 10/16/22，双口径见 §9） |
| 代码（Zenodo） | v1.0.0 | 2022-08-05 |
| 论文 | Nat Mach Intell 2022;4(10):867-878 | 在线 2022-10-10 |
6.7 图像层与标注层的许可分离
CheXlocalize 不包含 CheXpert 训练集，仅 val/test 派生图像 + 新标注。图像本体的使用需同时遵守 CheXpert 站点条款（https://stanfordmlgroup.github.io/competitions/chexpert/）；标注层的许可是 O-UDA。这是"派生数据集"的常见双许可结构，商用前应分别核对两层。
§7 核心发现深读：可解释性为什么还不可靠
7.1 三句话的结论
论文的发现可凝练为三点（原文）：(1) Grad-CAM 整体定位优于其他六种方法，但七种全部显著落后人类基线；(2) Grad-CAM 与人类的差距在更小、形状更复杂的病灶上最大；(3) 模型置信度与 Grad-CAM 定位性能正相关。三点连起来就是：“当前 saliency 方法还不能可靠地验证单个临床决策。”
7.2 差距的结构：哪些病灶最难定位
把差距按病理拆开，规律非常清晰——差距与病灶的三个几何特征正相关：
| 几何特征 | 对定位的影响 | 论文解释 |
|---|---|---|
| 实例数多 | 越难 | saliency 常把多实例糊成"一个大连通区"，而非分开标每块 |
| 尺寸小 | 越难 | 低分辨率热图上，小病灶只占几个格子，上采样后边界全丢 |
| 形状复杂 | 越难 | 复杂形状时，saliency 分割常包含大片非病灶区 |
Lung Lesion（肺内病灶）同时踩中三条——通常小、形状不规则、可能多发，因此成为差距最大的类别（mIoU 差 76.2%）。反过来，Cardiomegaly（心影增大）大而规则，就相对好定位。这解释了为什么"平均差距"这个数字要谨慎用：它是一个从"几乎追平"到"差七成"的分布的平均。
7.3 置信度与定位的正相关
论文发现模型分类概率越高，Grad-CAM 定位越准。这有两个含义：
- 它是一种"可用的筛选信号"——当模型很确信时，它的热图相对可信；当模型犹豫时，热图尤其不可信。
- 它呼应了"confident but wrong places"这类反例的稀缺：模型置信度与"看对地方"大体同向，但这不等于高置信度就一定能放心用热图（支撑器械 AUROC 0.969 却定位最差就是反例）。
对临床落地者的含义：不要把热图当作"无条件可信的解释"，至少要把模型置信度作为门槛一起看。
7.4 机制层：14×14 的分辨率瓶颈
论文最后一击指向工程事实：Grad-CAM 类热图的原生空间分辨率只有约 14×14（受末层特征图尺寸限制），被插值放大到 2000×2000 后必然"coarse、blobby"。论文的假设是"这可能是算法伪影（algorithmic artefact）"——即差距未必完全归咎于方法本身，也可能来自"用低分辨率信号去逼近像素级真值"这一根本错配。这对方法开发者是有价值的指路：提高归因图空间分辨率可能比换归因算法更能改善定位。
7.5 与自动化偏见的关联
论文把定位不准放进临床安全的语境：如果热图高亮了错误的区域，医生可能被"看起来合理却错误"的解释误导（自动化偏见 automation bias），反而更信任模型——即使模型答案本身是对的时候也是如此。因此论文的落点是"限制临床转化"，而非"改进热图美观度"。这一判断与库内多条目记录的"可解释性/可信度"主题一致。
§8 生态与影响：一把被反复引用的尺子
8.1 从 CheXpert 到 CheXlocalize
CheXlocalize 处在 CheXpert 家族的"可解释性"分支上：
CheXNet (2017, arXiv:1711.05225)
└─> CheXpert (2019, 224,316 CXRs / 65,240 patients) ← 图像来源
└─> CheXlocalize (2022) ← 定位/可解释性标注与基准
└─> 同组后续：RadGraph / RadGraph2 等（库内另有条目）
Rajpurkar 组的谱系特征很明显：从"分类能力"（CheXNet）到"大规模标注"（CheXpert）到"可解释性验证"（CheXlocalize），问题意识从"能不能判"走向"凭什么判、判得可不可信"。
8.2 被复用情况
CheXlocalize 已成为"胸片显著性定位"评测的默认尺子之一，第三方复用形态多样：
| 复用者 | 复用方式 | 来源 |
|---|---|---|
| ar5iv 2311.04813（“Be Careful When Evaluating Explanations Regarding Ground Truth”） | 明文复用"902 images / 10 类"，用 test 668 张做对齐实验 | https://ar5iv.arxiv.org/html/2311.04813 |
| Lacuna（tiptreesystems）摘要页 | 转述"nearly 900 images / over 1,000 segmentations"与 24/29.4/76.2% | https://lacuna.tiptreesystems.com/work/.../wrk_1815b828b163682a61668ea981ed85b0 |
| CI-GCI grounded-datasets 清单 | 收录为"902 images (643 expert segmentations)"定位基准 | https://github.com/FaezehMillerAI/CI-GCI/blob/main/medical_grounding_datasets.md |
复用形态的共同点是：把它当"定位评测集"或"可解释性基准"，而非训练集——这与它的设计意图一致。第三方转述的规模数字（nearly 900 / over 1,000）与论文口径（902 图 / 643 条 val 分割）有出入，引用时以论文为准（坑 7）。
8.3 在库内定位类条目中的位置
库内已有多个胸片定位/框选条目，CheXlocalize 的差异在"像素级 × 多病理 × 带人类基线"：
- chexpert(5)：图像上游，图级标签无定位。
- mimic-cxr(16)：同域大规模胸片，报告级文本，无像素级定位。
- ms-cxr(340)：图文框级短语定位——粒度比 CheXlocalize 粗。
- vindr-cxr(125)：胸片异常框级标注，且团队与本论文作者有越南渊源。
- chest-imagenome(330)：胸片解剖结构标注（不是病理定位），方法学对照。
- chestx-det10(137)：胸片病灶框级检测。
CheXlocalize 是其中唯一的"病理像素级定位 + 人类基线"条目——它的稀缺性不在图像多，而在"让专家逐像素描边并自己也做一遍"这件事的成本极高。
8.4 对下游研究的提醒
任何在 CheXpert 上做"可解释性"的工作，读 CheXlocalize 的三条结论都是必要的背景校验：训练集分类能力再强的模型，其 Grad-CAM 热图仍可能大幅落后专家；小复杂病灶尤其不可信；置信度是热图可信度的粗略门槛。库内做胸片定位、报告生成、视觉问答的条目，都可引用这三条作为"解释可靠性"的背景。
§9 方法学启示：三条可迁移的经验
9.1 "人类基线"比"真值"更有说服力
CheXlocalize 的方法学贡献之一，是把 human benchmark 独立出来——不只给 GT，还给"人类在同样任务上的表现"。这样"机器 vs GT"的差距才能与人机差距分开解读：如果一个方法落后 GT，但和 human benchmark 持平，那它其实是"达到人类水平"而非"失败"。任何做"AI 能否替代专家"的评测，都应复制这个双基准设计。
9.2 双指标互补：重叠与注视点
mIoU 与 hit rate 的组合提醒：定位有两个正交维度——“围得全”（mIoU）与"看得对"（hit rate）。只报一个会掩盖问题（IoU 0.078 却 hit 的例子、IoU 0.682 却 miss 的例子都在论文里）。跨方法评测时，两个指标都要报，且要说明阈值方案与 true_pos_only 设置。
9.3 低分辨率是解释方法的通病
"14×14 上采样到 2000×2000"这一观察具有跨模态的方法学价值：任何用"末层特征图 + 上采样"生成归因图的方法（不止胸片，CT/MRI/病理都适用）都受同类分辨率瓶颈限制。改进方向有二：要么提升特征图分辨率，要么用本身就在原分辨率运算的归因方法。
9.4 数据诚实性：标注有缺口
论文主动披露"阳性标签却无分割"的 5 类若干例，这一点值得学习：真值标注并非完美覆盖，使用者若假设"有标签就有掩码"会踩坑。把标注的不完美写进文档，是高质量数据集的标志。
§10 避坑清单：八个已踩过的坑
坑 1：CheXlocalize 既不是分类训练集，也不是"纯评测框架"。它的图像只有 902 张、且与 CheXpert 训练集不重叠——拿它训通用分类器会欠拟合；但它自带 643 条独立专家分割语料与 human benchmark，不是 ReXrank 那种"只有排行榜、没有自己数据"的纯框架。因此既不要当训练料，也不要当成"没有独立语料所以不值得收录"（本库曾以 ReXrank/radeval 判例考察，实核后判定不触发 stopping）。用途正解是"定位/可解释性评测尺"。
坑 2：仓库名与历史名。现行仓库是 rajpurkarlab/cheXlocalize（注意 cheXlocalize 的大小写），旧路径 stanfordmlgroup/cheXplanation 会重定向——文献里两者都可能出现。检索/引用时以 rajpurkarlab/cheXlocalize 为准，别把 cheXplanation 当作另一个数据集。
坑 3：标注者机构未披露，勿臆造。论文只给了 GT 标注者"18/27 年经验 + MD.ai 工具"、human benchmark"越南认证 9/10/18 年"，没有说 GT 标注者是 Stanford Radiology。旧版 FACTS 曾按"Stanford Radiology 口径"记，属臆测；本条按论文原文记录，不补机构。
坑 4：模型权重不在 PhysioNet。README 前言声称权重在 PhysioNet，但那条链接是空的 [PhysioNet]()，且 PhysioNet 站点实测没有 CheXlocalize 项目（直链 404、搜索无命中）。真实 checkpoint 在 Google Drive（README §weights）。按 PhysioNet 去搜会扑空。
坑 5：病理名双口径（Lung Opacity ↔ Airspace Opacity）。README/AIMI 页写 Lung Opacity，论文正文与 sample JSON 键写 Airspace Opacity，论文 Methods 声明二者等价。跨文档拼接类别名时必须做映射，否则 match 不上。同理 Support Devices 是"器械"不是"病变"，别和九类病理一视同仁。
坑 6：数字口径与评测开关。论文发布口径是"234 images with 643 expert segmentations"（val）；README 补充"187 subjects / 643 annotations"。第三方（Lacuna）转述成"nearly 900 images / over 1,000 expert segmentations"——后两者非论文数字，混引会错。此外 eval.py 的 --true_pos_only、阈值方案（Otsu vs mIoU-tuned vs probability）、是否 smoothing 都会改变结果，跨论文比较前务必对齐开关。
坑 7：论文声明的数据集 UUID 已失效。论文 Data availability 给的 UUID 是 abfb76e5-70d5-4315-badc-c94dd82e3d6d，实测 API 返回 404；现行有效入口是 README/AIMI 页的 23c56a0d-15de-405b-87c8-99c30138950c。照抄论文里的旧链接会打不开。
坑 8：许可标签与许可记录不一致。AIMI 页面 License 标签显示 “Stanford University Dataset Research Use Agreement”，但数据集记录实际挂载的许可是 Open Use of Data Agreement v1.0（O-UDA-1.0.pdf，isStandard=true）。O-UDA 是宽松许可（可自由用改分发，仅需保留归属），与"研究用途 RUA"性质不同。引用许可时以记录/附件 O-UDA 为准，并留存页面标签不一致的截图。
§11 总结
11.1 三句话总结
- CheXlocalize 用 2 名放射科医师逐像素勾画的 643 条专家分割（覆盖 902 张 CheXpert 派生胸片、10 类病理）建立了胸片定位的像素级真值 + 人类基线。
- 它证明了七种主流 saliency 方法全线落后人类：平均 mIoU 低 24.0%、hit rate 低 29.4%，小复杂病灶（Lung Lesion）差距高达 76.2%，根因疑似 14×14 热图的低分辨率瓶颈。
- 它是"许可宽松（O-UDA）但获取有门（登录+表单+SAS）"的典型：数据、代码、评测协议完整可用，但下载不是裸直链。
11.2 适合谁
- 做胸片定位/分割：需要一个像素级、多病理的评测真值（含人类基线）——直接用。
- 做可解释性/XAI：需要一把量"解释准不准"的尺子与可对标结论——评测量用，训不用。
- 做 AI 安全与临床落地：需要"解释不可靠"的实证证据——引 §7 结论。
- 做评测基准方法学：human benchmark + 双指标的协议设计可迁移到其他模态。
11.3 不适合谁
- 想要大规模训练数据的团队（902 张，且与 CheXpert 训练集不重叠）。
- 需要框级/图级标签的项目（走 VinDr-CXR / ChestX-Det10 更直接）。
- 需要零门槛直链下载的自动化流水线（此处走登录+表单+SAS，不可
wget）。
11.4 30 秒决策卡
| 你的情况 | 行动 |
|---|---|
| 要立刻跑通评测骨架 | clone rajpurkarlab/cheXlocalize（MIT）+ 用 repo 内 sample/ 跑 eval.py |
| 要完整数据 | StanfordAIMI 登录 → 数据集页下载 → 注册表单 → Azure SAS 链接 + Azure Storage Explorer |
| 要模型权重 | README §weights 的 Google Drive 链接（不是 PhysioNet，坑 4） |
| 要引用定位结论 | 引论文 24.0%/29.4%/76.2%（注指标口径与 true_pos_only 开关，坑 6） |
| 要写数据集综述 | §2.6 定位赛道表 + §8.3 库内定位条目对照可直接用 |
| 要引用本数据集 | 数据引 Saporta et al. 2022；图像来源引 CheXpert (Irvin et al. 2019) |
FAQ（高频问答 32 问）
A. 基础认知
Q1：CheXlocalize 是挑战赛吗？
不是。它没有比赛、没有 leaderboard、没有提交系统。它是一份"专家定位标注数据集 + 配套评测代码 + 一篇方法论文"的研究产物，用途是量模型/解释方法的定位能力。
Q2：名字里的 “CheX” 指什么？
沿用 CheXpert/CheXNet 家族的 “CheX”（chest X-ray 的缩写游戏）。CheXlocalize = chest X-ray + localize（定位），直译"胸片定位"。
Q3：它有分类标签吗？
有，但不是它的重点。它随包提供 val_labels.csv / test_labels.csv（来自 CheXpert 的图级标签），但数据集的核心价值是像素级定位标注，分类标签只是辅助。
Q4：为什么只有 902 张图这么少？
因为像素级专家标注的成本极高——2 名资深放射科医师逐张逐病灶描边。文献中多病理像素级胸片标注此前没有公开集，902 张已是该精度的"最大公开集"级别。它的定位是"精测尺"而非"大训练料"。
B. 数据与标注
Q5：GT 分割和 human benchmark 分割有什么不同？
GT 是"标准答案"（2 名高年资医师画，覆盖 val+test）；human benchmark 是"人类选手的答卷"（另 3 名医师画，仅 test）。机器既比 GT（绝对准不准），也比 human benchmark（相对人类差多少）。
Q6：为什么标注人数是 2 + 3？
2 人画 GT 是为"确立真值"；3 人画 benchmark 是为"测量人类在该任务上的可变表现"。两组人不重叠，避免"自己考自己"。
Q7：支持器械（Support Devices）也算一类？
是。它是唯一非病变类别，含起搏器、导管、胸管、气管插管、饲管、支架等；标注规则是只标器械、忽略导线与外部贴片。用它做"病理定位"评测时要留意它性质不同。
Q8：没有任何标注者是匿名吗？
标注者是匿名的（论文未给姓名），但给出了可辨识的特征：GT 两人 18/27 年经验；benchmark 三人越南认证 9/10/18 年。这些特征来自论文 Methods，条目按原文转述。
Q9：有阴性样本吗？
有。eval.py 的 --true_pos_only=False 会把"有预测无真值""有真值无预测"的样本算进去。默认（True）只评真阳性切片。阴性样本的存在是为了捕捉假阳性/假阴性。
Q10：多条轮廓 vs 单个掩码？
同一病理若有多处病灶，原始标注是多条 contour，二值化后可能合并或分开。README 提醒：有时医师对同一病理画两条相互重叠的 contour，此时 annotation 数是 2 但 segmentation 数是 1——所以"实例数"从 annotation 取更准（compute_pathology_features.py 就是这么做的）。
C. 指标与方法
Q11：mIoU 怎么算？
对每张图每类病理，算预测掩码与 GT 掩码的交集面积 / 并集面积（IoU），再对数据集求平均。范围 0–1，越高越准。
Q12：hit rate 怎么算？
取 saliency 热图最大激活像素（最代表点），若落在 GT 掩码内记 hit；人类基线则用医师标注的"最代表点"。数据集上的命中比例即 hit rate。
Q13：为什么两个指标都要？
它们测不同能力：mIoU 测"围得全不全"，hit rate 测"指得对不对"。论文有 IoU 极低却 hit、IoU 很高却 miss 的例子，单看一个都不够。
Q14：Otsu 阈值和 mIoU 优化阈值差多少？
论文说两者对 human benchmark 无统计显著差异。工程上 Otsu 无需真值、更省事；要精细复现论文 Table 3 才用 probability threshold。
Q15：1000 次 bootstrap 是干嘛的？
给每个病理的 mIoU/hit rate 算 95% 置信区间——因为样本量（尤其小病灶）有限，点估计不稳，bootstrap 给出区间更诚实。
D. 结论与影响
Q16：机器到底差多少？
平均 mIoU 低 24.0%、hit rate 低 29.4%（相对人类基线）。但这只是平均——从"几乎追平"到"差七成"都有。
Q17：哪些类别机器反超了人类？
在 mIoU 上，Atelectasis 和 Consolidation 机器显著优于人类（Consolidation 高 128.1%）；hit rate 上机器没有任何类别显著优于人类。别只看"机器全输"这句概括。
Q18：为什么 Lung Lesion 差距最大？
因为它同时满足"小、形状复杂、可能多发"——三个增加定位难度的特征它都占。mIoU 差 76.2%、hit rate 差 65.9%。
Q19：AUROC 高是不是定位就好？
不是。支持器械 AUROC 0.969（接近满分），定位却最差之一（mIoU 0.163）。分类和定位是两回事。
Q20：置信度高热图就可信吗？
更可信，但不绝对。论文发现置信度与定位正相关，但支撑器械就是高置信低定位的反例。热图要配合置信度门槛使用。
Q21：14×14 是什么？
Grad-CAM 热图的原生空间分辨率（受末端特征图尺寸限制）。插值放大到约 2000×2000 后粗糙，是低分辨率伪影的根因。
E. 获取与许可
Q22：怎么下载数据？
StanfordAIMI 登录 → 数据集页点下载 → 填注册表单接受协议 → 拿 Azure SAS 链接 → 用 Azure Storage Explorer 拉取。链接不能在浏览器直接打开。
Q23：许可是什么？是 Stanford 研究协议吗？
实际挂载许可是 Open Use of Data Agreement v1.0（O-UDA）——宽松，可自由使用/修改/分发（保留归属）。AIMI 页面标签显示 “Stanford University Dataset Research Use Agreement”，与记录不一致（坑 8），以记录/附件为准。
Q24：能商用吗？
O-UDA 不限制使用与结果（含商用），但图像源自 CheXpert，需回 CheXpert 侧确认其图像条款。数据许可管的是 CheXlocalize 的标注层。
Q25：代码许可？
MIT License，Copyright © 2022 Rajpurkar Lab / Harvard Medical AI。可自由使用/修改/分发。
Q26：模型权重在哪？
README §weights 的 Google Drive 文件夹（不是 PhysioNet，坑 4）。每架构 120 个 checkpoint + gradcam.py + models.py。
Q27：有预印本吗？
有 medRxiv 预印本（2021-02-28，doi 10.1101/2021.02.28.21252634）——不是 arXiv（坑 2 相关的旧误记）。
F. 使用与复现
Q28：能拿它训练分割模型吗？
可以训，但 902 张偏少，更适合当测试集/验证集。训练建议用 CheXpert 或其他大规模数据，CheXlocalize 做定位评测。
Q29：能训分类模型吗？
不建议。902 张且与 CheXpert 训练集不重叠，训通用分类器会欠拟合。
Q30：Pathology 特征（instances/size/elongation/irrectangularity）是什么？
论文定义的四类病灶几何特征，用于把"定位差距"归因到病灶形态。仓库提供计算与绘图脚本。
Q31：怎么复现论文的 per-pathology 数字？
用官方阈值 csv（tuning_results.csv / probability_tuning_results.csv）+ eval.py + 固定 seed=0，注意 true_pos_only 设置与 smoothing 开关。
Q32：这数据集和 CheXpert 什么关系？
CheXlocalize 的图像全部派生自 CheXpert val/test；CheXpert 训练集不包含在内。引用要两篇都引（图像 CheXpert、标注与结论 CheXlocalize）。
事实清单（硬事实 40 条）
- 全称 CheXlocalize，官方描述为"a radiologist-annotated segmentation dataset on chest X-rays"（放射科医师标注的胸片分割数据集）。
- 论文：Benchmarking saliency methods for chest X-ray interpretation，Nature Machine Intelligence 2022;4(10):867-878，doi 10.1038/s42256-022-00536-x（online 2022-10-10）。
- 论文时间线：Received 11 Oct 2021 / Accepted 26 Aug 2022 / Published online 10 Oct 2022。
- 作者 12 人；共同一作 3 人（Saporta / Gui / Agrawal，同贡献标记）。
- 机构 8 家：NYU CS、Stanford CS、Stanford AIMI、Stanford Radiology、Harvard DBMI + 越南 VinBrain / VinUniversity / Vinmec International Hospital。
- 通讯作者 Pranav Rajpurkar（Harvard DBMI），邮箱 pranav_rajpurkar@hms.harvard.edu。
- 代码 LICENSE：MIT License，Copyright © 2022 Rajpurkar Lab / Harvard Medical AI。
- 图像来源：CheXpert（Stanford）val/test 集派生，CheXpert 训练集不包含在内。
- 图像规模：val 234 张 / 200 患者 + test 668 张 / 500 患者 = 902 张。
- 论文发布口径：“234 images with 643 expert segmentations”（val 集）。
- README 口径：
gt_annotations_val.json含 187 subjects / 643 total annotations。 - 病理 10 类：Atelectasis / Cardiomegaly / Consolidation / Edema / Enlarged Cardiomediastinum / Lung Lesion / Lung Opacity / Pleural Effusion / Pneumothorax / Support Devices。
- 病理名双口径：README/AIMI 用 Lung Opacity，论文正文与 sample JSON 键用 Airspace Opacity，论文声明二者等价。
- 从 CheXpert 14 观察排除 4 项：fracture、pleural other（阳性不足 10 例）、pneumonia（临床诊断）、no finding（无定位对象）。
- GT 分割标注者：2 名 board-certified 放射科医师（18 年、27 年经验），工具 MD.ai。
- Human benchmark 标注者：另 3 名放射科医师（越南认证，9/10/18 年经验），与 GT 标注者无重叠，仅 test 集。
- 论文未披露标注者所属医院/科室。
- GT 标注缺口（论文披露）：airspace opacity/atelectasis/enlarged cardiomediastinum/support devices 各 1 例、edema 2 例未画分割。
- Support Devices 标注规则：只标植入/侵入性器械，忽略 ECG 导联线与外部贴片。
- 标注格式：原始轮廓 JSON（[X,Y] 顶点）+ pycocotools RLE 掩码 JSON + Grad-CAM 热图 pickle。
- 文件清单 14 类：CheXpert/{val,test} 图像与标签 csv；gt_annotations/gt_segmentations/{val,test}；hb_annotations/hb_segmentations/hb_salient_pt_test；gradcam_maps_val/ 与 gradcam_segmentations_val。
- AIMI 分发包实测：fileCount 3,256；size 5,728,033,748 B ≈ 5.33 GB；fileTypes csv/ds_store/jpg/json/pkl；version 2.0；domain CHEST。
- 许可：实际挂载 Open Use of Data Agreement v1.0（O-UDA-1.0.pdf，isStandard=true）；AIMI 页面标签显示 “Stanford University Dataset Research Use Agreement”（冲突，坑 8）。
- 获取流程：StanfordAIMI 登录 → 数据集页下载 → 注册表单 → Azure SAS 链接 → Azure Storage Explorer 拉取；isDownloadAllowed=false。
- 论文 Data availability 的 UUID
abfb76e5-70d5-4315-badc-c94dd82e3d6d实测 404；现行 UUID23c56a0d-15de-405b-87c8-99c30138950c。 - 代码仓库：
rajpurkarlab/cheXlocalize（MIT）；旧名stanfordmlgroup/cheXplanation重定向至此。 - 代码归档：Zenodo v1.0.0（2022-08-05），DOI 10.5281/zenodo.6973536，zip 20.5 MB，作者 Gui & Saporta。
- 预印本：medRxiv doi 10.1101/2021.02.28.21252634（2021-02-28），非 arXiv。
- 模型权重：README §weights 的 Google Drive 文件夹（每架构 120 checkpoint）；README 前言声称的 PhysioNet 链接为空链，PhysioNet 无此项目（坑 4）。
- 评估方法：7 种 saliency 方法（Grad-CAM/Grad-CAM++/Integrated Gradients/Eigen-CAM/DeepLIFT/LRP/Occlusion）× 3 架构（DenseNet121/ResNet152/Inception-v4），每组合 30-model 集成。
- 集成构成：每架构 120 checkpoint = 4 种不确定性策略 × 3 次训练 × top-10；每病理取 top-10。
- 指标：mIoU（严格，分割重叠）+ hit rate（宽松，最代表点落入 GT）。
- 阈值方案：Otsu 自动阈值 vs 验证集 mIoU 优化阈值——对 human benchmark 无统计显著差异；另有 probability threshold。
- 核心结果（mIoU）：saliency pipeline 比 human benchmark 低 24.0%（95% CI 18.2–29.6%）；Lung Lesion 差距最大 76.2%（95% CI 59.1–87.5%）。
- 核心结果（hit rate）：比 human benchmark 低 29.4%（95% CI 23.1–35.5%）；Lung Lesion 差距最大 65.9%（95% CI 35.3–91.7%）。
- 反超：Atelectasis、Consolidation 在 mIoU 上机器显著优于人类（Consolidation 高 128.1%）；hit rate 无任何类别机器胜出。
- 例证：Support Devices AUROC 0.969 但定位最差之一——mIoU 0.163（95% CI 0.154–0.172）、hit rate 0.355（95% CI 0.303–0.408）。
- 机制发现：定位差距与病灶实例数、尺寸（越小越差）、形状复杂度（越复杂越差）相关；模型置信度与 Grad-CAM 定位正相关；热图原生约 14×14，上采样"blobby"。
- 第三方复用：ar5iv 2311.04813 明文用"902 images/10 类"；Lacuna 转述"nearly 900 images / over 1,000 segmentations"；CI-GCI 清单收录"902 images (643 expert segmentations)"。
- 数据集页创建：AIMI API created 2022-10-15（页面展示 Created 10/16/22，双口径差 1 天）。
术语表（32 条）
| 术语 | 释义 |
|---|---|
| CheXlocalize | 本条目主题：放射科医师逐像素标注的胸片病灶定位数据集 |
| CheXpert | Stanford 2019 发布的大规模胸片数据集（224,316 CXRs / 65,240 patients / 14 观察），本数据集图像来源 |
| saliency method | 显著性/归因方法：把模型判断所依赖的像素画成热图，用于事后解释 |
| Grad-CAM | 基于梯度的类激活映射，本评测中整体最优的 saliency 方法 |
| Grad-CAM++ | Grad-CAM 的改进加权变体 |
| Integrated Gradients | 积分梯度归因法 |
| Eigen-CAM | 基于主成分分析的类激活图方法 |
| DeepLIFT | 基于参考反传的归因法 |
| LRP | Layer-wise Relevance Propagation，逐层相关性传播 |
| Occlusion | 遮挡法：滑动窗口遮挡图像观察输出变化 |
| localization | 定位：模型/方法指出病灶位置的能力 |
| segmentation mask | 分割掩码：像素级 0/1 标注图 |
| RLE | Run-Length Encoding，游程编码；pycocotools 用的 COCO 掩码压缩格式 |
| contour | 轮廓：标注者描边的多边形顶点序列（[X,Y] 坐标列表） |
| most representative point | 最代表点：热图中激活值最大的像素，用于 pointing game |
| pointing game | 指认游戏：只看"最亮点是否落在真值区域"的宽松定位判定 |
| mIoU | mean Intersection over Union，平均交并比，严格定位指标 |
| hit rate | 命中率：pointing game 命中的比例 |
| human benchmark | 人类基线：另请一组专家做同样任务，作为机器要对标的标杆 |
| ground truth（GT） | 真值：作为"标准答案"的人工标注 |
| AUROC | 受试者工作特征曲线下面积，衡量分类判别能力 |
| bootstrap | 自助抽样：重采样估计统计量分布，本数据集用 1000 次算 95% CI |
| Otsu’s method | 大津法：自动全局阈值算法（cv2 提供） |
| probability threshold | 概率截止：模型置信度低于阈值时输出全零掩码，压假阳性 |
| true_pos_only | eval.py 开关：只在真假值分割都存在的真阳性切片上评估 |
| board-certified radiologist | 经专科认证的放射科医师 |
| MD.ai | 标注平台工具（GT 分割所用） |
| automation bias | 自动化偏见：人过度信任自动系统输出的倾向 |
| Airspace Opacity / Lung Opacity | 同一病理的两个名称（论文正文/sample 用前者，README/AIMI 用后者） |
| Enlarged Cardiomediastinum | 心纵隔增宽 |
| Support Devices | 支持器械（起搏器/导管/插管/饲管/支架等），唯一非病变类别 |
| O-UDA 1.0 | Open Use of Data Agreement v1.0，宽松数据许可（可自由用改分发，保留归属） |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability，AI-Ready 评估框架 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | CheXlocalize |
| url_name | chexlocalize |
| 类型 | 定位标注数据集 + 评测基准 + 方法论文（三合一） |
| 论文 | Nat Mach Intell 2022;4(10):867-878（doi 10.1038/s42256-022-00536-x） |
| 团队 | Stanford AIMI/CS + NYU CS + Harvard DBMI（通讯 Rajpurkar） |
| 规模 | 902 图（val 234 + test 668）；val 643 条专家分割 |
| 许可 | 数据 O-UDA 1.0 ／ 代码 MIT ／ 论文 Nature MI |
| 抓取时点 | 2026-09-30 |
| 库内互链 | chexpert(5)/mimic-cxr(16)/chest-imagenome(330)/padchest(117)/ms-cxr(340)/vindr-cxr(125)/chestx-det10(137)/nih-chestx-ray14(15) |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | 论文开放 PDF + AIMI 记录 + GitHub + Zenodo 多重可索引；名称唯一不易混 |
| A 可获取性 | 6 | 数据许可宽松（O-UDA）但需登录+表单+SAS；代码/论文裸直链 |
| I 可互操作 | 8 | pycocotools RLE + JSON + CSV 标准格式；无 DICOM 原生 |
| M 元数据质量 | 6 | 论文/README 完备；但病理名双口径、UUID 失效、权重托管错记三处瑕疵 |
| S 可持续性 | 7 | AIMI 机构托管 + GitHub + Zenodo 三重冗余；权重依赖个人 Google Drive 是单点 |
| 综合评级 | 7.0/10（中上） | 许可宽松+协议完整是强项；登录门槛与若干文档不一致拖分 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 902 图（234+668） | AIMI API + README + 论文 Methods | 见 FACTS §4 |
| 643 条专家分割 | 论文 Discussion 原文 | Nature PDF |
| 187 subjects / 643 annotations | README | GitHub README（jsDelivr 镜像） |
| 10 类病理名单 | AIMI API description | AIMI 记录 |
| 24.0% / 76.2% / 29.4% / 65.9% | 论文 Results | Nature PDF |
| 128.1%（consolidation 反超） | 论文 Results | Nature PDF |
| support devices AUROC 0.969 / mIoU 0.163 / hit 0.355 | 论文 Results | Nature PDF |
| 14×14 热图 / 2000×2000 上采样 | 论文 Discussion | Nature PDF |
| O-UDA 1.0 许可 | AIMI API + 许可附件 | aimistanford-web-api |
| MIT 代码许可 | GitHub LICENSE.md | jsDelivr 镜像 |
| Zenodo v1.0.0 / 20.5 MB | Zenodo record 6973536 | zenodo.org |
| medRxiv 预印本 | Zenodo description | zenodo.org |
| 2 名 18/27 年 + MD.ai | 论文 Methods | Nature PDF |
| 3 名越南认证 9/10/18 年 | 论文 Methods | Nature PDF |
| 论文 UUID 404 | AIMI API 实测 | aimistanford-web-api |
附录 D：数据获取决策树
需求是什么？
├── 只想跑通评测骨架
│ └── clone rajpurkarlab/cheXlocalize（MIT）+ repo 内 sample/ 直接 eval.py
├── 要完整数据做定位评测
│ ├── 1) StanfordAIMI 登录
│ ├── 2) 数据集页点下载 + 填注册表单
│ ├── 3) 取 Azure SAS 链接 → Azure Storage Explorer 拉取（≈5.33 GB）
├── 只要模型权重复现
│ └── README §weights 的 Google Drive（每架构 120 checkpoint）
└── 只要引用定位结论
└── 引论文 24.0%/29.4%/76.2%，注明指标与 true_pos_only 设置（坑 6）
附录 E：掩码/坐标字段规范
| 字段 | 层级 | 类型 | 说明 |
|---|---|---|---|
| CXR id | 顶层键 | string | 形如 patient64622_study1_view1_frontal |
| img_size | 图内 | [h,w] | 原图尺寸 |
| 病理名 | 图中 | key | 十类之一，仅列阳性（annotations）；segmentations 全 10 类 |
| contour | 病理下 | list | 单条轮廓 = [X,Y] 顶点列表；多条 = 多实例 |
| size | 掩码内 | [h,w] | 掩码尺寸 |
| counts | 掩码内 | string | RLE 编码串（pycocotools） |
附录 F：saliency 方法矩阵（7×3）
| 方法 \ 架构 | DenseNet121 | ResNet152 | Inception-v4 |
|---|---|---|---|
| Grad-CAM | ✓（整体最优） | ✓ | ✓ |
| Grad-CAM++ | ✓ | ✓ | ✓ |
| Integrated Gradients | ✓（box filter k=100） | ✓（k=50） | ✓（k=50） |
| Eigen-CAM | ✓ | ✓ | ✓ |
| DeepLIFT | ✓（k=50） | ✓ | ✓ |
| LRP | ✓ | ✓ | ✓ |
| Occlusion | ✓（窗口 40/步长 40） | ✓ | ✓ |
注：IoU 评估时部分方法施加 box filtering（详见论文 Methods）。每格对应一个 30-CNN 集成。
附录 G：eval.py 使用骨架（代码）
# 1) 人工轮廓 -> RLE 掩码
# python annotation_to_segmentation.py --ann_path gt_annotations_val.json \
# --output_path human_segmentations.json
# 2) 热图 -> RLE 掩码（Otsu 或自带阈值）
# python heatmap_to_segmentation.py --map_dir gradcam_maps_val/ \
# --threshold_path sample/tuning_results.csv \
# --probability_threshold_path sample/probability_tuning_results.csv \
# --output_path saliency_segmentations.json
# 3) 评估 mIoU
# python eval.py --metric iou \
# --gt_path gt_segmentations_val.json \
# --pred_path saliency_segmentations.json \
# --true_pos_only True --seed 0 --save_dir ./out
# 4) 评估 hit rate（人类基线需 --if_human_benchmark True）
# python eval.py --metric hitmiss \
# --gt_path gt_segmentations_val.json \
# --pred_path gradcam_maps_val/ \
# --true_pos_only True --seed 0
# 5) 百分比差距
# python calculate_percentage_decrease.py --metric miou \
# --hb_bootstrap_results hitmiss_humanbenchmark_bootstrap_results_per_cxr.csv \
# --pred_bootstrap_results iou_bootstrap_results.csv
附录 H：病理几何特征（compute_pathology_features.py）
| 特征 | 定义 | 论文关联 |
|---|---|---|
| num_instances | 病灶实例数（来自 annotations，非掩码） | 实例越多，定位越差 |
| size (area_ratio) | 病灶面积 / 全图面积 | 越小，定位越差 |
| elongation | 伸长率（最小外接矩形拟合） | 形状越复杂，定位越差 |
| irrectangularity | 非矩形度（rec_area_ratio） | 形状越复杂，定位越差 |
附录 I：与库内 CheXpert rid 5 的关系声明
| 维度 | CheXpert（rid 5） | CheXlocalize（本条目） |
|---|---|---|
| 对象 | 大规模胸片数据集（224,316 CXRs） | 902 张 val/test 子集 + 定位标注 |
| 标签 | 图级 14 观察五值 | 像素级 10 类分割 + 最代表点 |
| 性质 | 分类训练/评测基座 | 定位/可解释性评测基准 |
| 获取 | Stanford ML Group 站点 | Stanford AIMI 数据集页（登录+表单） |
| 阅读顺序 | 先 CheXpert（图像背景）再本条目（定位视角） | — |
两篇不冲突：CheXpert 的价值在其规模与图级标签；本条目补充的是"子集上的像素级定位真值与人类基线"。
附录 J：第三方复用登记表
| 复用者 | 用途 | 引用的数字 | 来源 |
|---|---|---|---|
| ar5iv 2311.04813 | 用 test 668 张做解释对齐实验 | 902 images / 10 类 | ar5iv.arxiv.org |
| Lacuna 摘要页 | 论文摘要转述 | nearly 900 images / over 1,000 segmentations | lacuna.tiptreesystems.com |
| CI-GCI grounded-datasets | 定位数据集清单收录 | 902 images (643 expert segmentations) | github.com/FaezehMillerAI/CI-GCI |
附录 K：License 与获取细读
- 数据许可（记录）：Open Use of Data Agreement v1.0（O-UDA-1.0.pdf，isStandard=true）——§1.1 可自由使用/修改/分发；§2 不限制使用与结果；§3 再分发须保留归属；§4 无担保。
- 数据许可（页面标签）：AIMI 页 License 标签显示 “Stanford University Dataset Research Use Agreement”——与记录不一致（坑 8），以记录/附件为准。
- 获取门槛：StanfordAIMI 登录 + 注册表单 + Azure SAS（非裸直链，isDownloadAllowed=false）。
- 代码许可：MIT（Copyright 2022 Rajpurkar Lab / Harvard Medical AI）。
- 论文许可：Nature MI 版权；PDF 可公开获取，正文非 CC。
- 图像层：源自 CheXpert，其使用受 CheXpert 站点条款约束，与本标注层许可分离。
附录 L：口径双记表
| # | 项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| 1 | 病理名 | Lung Opacity（README/AIMI） | Airspace Opacity（论文正文/sample JSON） | 双记，声明等价 |
| 2 | 数据集创建日 | 2022-10-15（API） | 10/16/22（页面展示） | 双记，差 1 天 |
| 3 | 规模转述 | 902 图 / 643 条（论文） | nearly 900 / over 1,000（Lacuna） | 论文为准，注转述 |
| 4 | 权重托管 | PhysioNet（README 前言，空链） | Google Drive（README §weights） | 以 Google Drive 为准 |
| 5 | 数据集 UUID | abfb76e5-…（论文，404） | 23c56a0d-…（README/AIMI，有效） | 用有效 UUID |
附录 M：术语中英对照速查
| 中文 | 英文 |
|---|---|
| 显著性方法 | saliency method |
| 归因图/热图 | attribution map / heat map |
| 定位 | localization |
| 最代表点 | most representative point |
| 人类基线 | human benchmark |
| 真值 | ground truth |
| 游程编码 | run-length encoding |
| 自动化偏见 | automation bias |
| 支持器械 | support devices |
| 心纵隔增宽 | enlarged cardiomediastinum |
| 肺野阴影 | lung/airspace opacity |
| 观测者间一致性 | inter-rater agreement |
| 遮挡法 | occlusion |
| 不确定性处理策略 | uncertainty handling strategy |
附录 N：胸片定位/框选数据集景观总表
| 数据集 | 年 | 模态 | 规模 | 标注粒度 | 类别数 | 定位真值类型 |
|---|---|---|---|---|---|---|
| NIH ChestX-ray14 | 2017 | CXR | 112,120 图 | 图级 | 14 | 无（图级标签） |
| CheXpert | 2019 | CXR | 224,316 图 | 图级 | 14 观察 | 无 |
| VinDr-CXR | 2020-22 | CXR | 18,000 图 | 框级 | 22 发现 | 边界框 |
| ChestX-Det10 | 2020 | CXR | 3,543 图 | 框级 | 10 | 边界框 |
| MS-CXR | 2022 | CXR | 1,162 图文对 | 框级 | 短语 | 边界框 |
| REFLACX | 2021 | CXR | 3,052 例 | 眼动级 | 多 | 注视点/椭圆 |
| Chest ImaGenome | 2021 | CXR | 242,072 图 | 解剖结构 | 解剖部件 | 解剖框 |
| CheXlocalize | 2022 | CXR | 902 图 | 像素级 | 10 | 轮廓 + RLE 掩码 + 最代表点 |
定位一句话：CheXlocalize 是表中唯一的"多病理 × 像素级 × 带人类基线"胸片定位集——它的稀缺性在标注精度与"人类自己也标一遍"，不在图像规模。
附录 O：saliency 方法的适用性对照
| 方法 | 原理族 | 是否需梯度 | 是否需修改模型 | 本评测定位表现 |
|---|---|---|---|---|
| Grad-CAM | 梯度 + 特征图加权 | 是 | 否（后置） | 七种中整体最优 |
| Grad-CAM++ | 梯度加权改进 | 是 | 否 | 次优档 |
| Integrated Gradients | 积分梯度 | 是 | 否 | 中游 |
| Eigen-CAM | PCA 主成分 | 否 | 否 | 中游 |
| DeepLIFT | 反传分解 | 是 | 否 | 偏后 |
| LRP | 逐层相关性 | 是 | 部分 | 偏后 |
| Occlusion | 扰动遮挡 | 否 | 否 | 偏后 |
共性：全部落后人类基线。差异：基于梯度/特征图加权的一族整体优于扰动/分解一族。
附录 P：复现评测的检查清单（12 项）
- 数据来源：确认用的是现行 UUID
23c56a0d-…（非论文旧 UUID，404）。 - 类别映射：Lung Opacity ↔ Airspace Opacity 做映射；确认 sample 与完整包的键一致。
- 掩码编码：自备掩码必须 pycocotools RLE，键结构对齐官方。
- 阈值声明：明确用 Otsu、mIoU-tuned 还是 probability threshold——三者结果不同。
- true_pos_only：明确 True/False——影响是否计入假阳性/假阴性。
- smoothing：
if_smoothing+k是否启用——影响像素化热图。 - seed：固定 seed=0 以复现 bootstrap。
- 人类基线开关：hit rate 评人类基线时用
--if_human_benchmark True（点格式不同）。 - 集成口径：确认是否复现 30-model 集成（单 checkpoint 结果更差，见论文 Extended Data Fig. 7）。
- 权重来源：README §weights 的 Google Drive（非 PhysioNet）。
- 引用完整：数据引 Saporta et al. 2022；图像引 CheXpert (Irvin et al. 2019)。
- 许可核对：以 O-UDA 1.0 为数据许可（留存页面标签不一致截图，坑 8）。
附录 Q：Support Devices 类的使用说明
| 项 | 内容 |
|---|---|
| 性质 | 非病变，是植入/侵入性器械的集合类 |
| 包含 | 起搏器、PICC/中心静脉导管、胸管、气管插管、饲管、支架 |
| 排除 | ECG 导联线、外部贴片 |
| 定位表现 | AUROC 0.969（分类近满分）但 mIoU 0.163（定位最差之一） |
| 使用建议 | 做"病理定位"评测时，可单列或排除该类，避免与九类病变混算 |
附录 R：可解释性结论的应用边界
CheXlocalize 的结论"saliency 不可靠"有三条边界，引用时需一并说明：
- 方法版本边界：结论针对 2022 年评测的七种方法；后续新的归因方法（如高分辨率归因、基于 Transformer 的解释）未在原始评测内。
- 数据边界：仅 10 类胸片病理、902 张图；不能说"所有医学影像的 saliency 都不可靠"，只能说"在胸片多类病理定位任务上，这七种方法落后人类基线"。
- 归因边界：论文强调"难以判断低定位表现归咎于模型还是归因方法"——同样的架构在分类上很强（AUROC 高），定位却差，说明问题可能在"解释"而非"识别"。
附录 S：维护计划与触发点
| 触发点 | 条件 | 动作 | 优先级 |
|---|---|---|---|
| 许可标签修正 | AIMI 修正页面标签与记录一致 | 更新 §6、附录 K/L | 1 |
| 权重托管变更 | Google Drive 迁移或上线 PhysioNet | 更新 §6、坑 4 | 2 |
| 新版本发布 | AIMI version 从 2.0 升级 | 更新规模/文件数 | 3 |
| 新第三方复用 | 新论文用 CheXlocalize 评测新方法 | 附录 J 扩行、§8.2 更新 | 4 |
| CheXpert 条款变更 | CheXpert 站点许可变动 | 更新 §6.4、附录 K | 5 |
附录 T：与库内多条目的评测维度对照
| 条目 | 评测目标 | 指标形态 | 与 CheXlocalize 的关系 |
|---|---|---|---|
| chexpert(5) | 分类判别 | AUROC | 图像上游（图级） |
| mimic-cxr(16) | 报告生成/分类 | 多指标 | 同域大规模，无像素定位 |
| ms-cxr(340) | 图文框级定位 | 框 IoU | 粒度更粗（框 vs 像素） |
| vindr-cxr(125) | 异常检测 | 框 mAP | 粒度更粗，同越南团队渊源 |
| chest-imagenome(330) | 解剖结构定位 | 部件框 | 对象是解剖非病理 |
| chexlocalize（本条目） | 病理像素级定位 + 可解释性 | mIoU + hit rate | — |
附录 U：论文数据与代码可用性原文摘要
- Data availability 原文（论文）：“The CheXlocalize dataset is available here: https://stanfordaimi.azurewebsites.net/datasets/abfb76e5-70d5-4315-badc-c94dd82e3d6d.”（注：该 UUID 实测 404，坑 7）
- Code availability 原文：“The code used to produce our results is available in the following public repository under the MIT License: https://github.com/rajpurkarlab/cheXlocalize. The version used for this publication is available at https://doi.org/10.5281/zenodo.6973536.”
- README 权重原文：“All checkpoints can be found here”（超链接指向 Google Drive 文件夹，非 PhysioNet）。
附录 V：常见误引与正解
| 误引 | 正解 |
|---|---|
| “CheXlocalize 有 nearly 900 图 / 1000+ 分割”（当论文数字用） | 论文是 902 图 / val 643 条分割；nearly 900/1000+ 是 Lacuna 转述 |
| “权重在 PhysioNet” | 在 Google Drive；PhysioNet 无此项目 |
| “许可是 Stanford RUA” | 记录挂载 O-UDA 1.0；页面标签才是 Stanford RUA（冲突） |
| “GT 标注者是 Stanford Radiology” | 论文未披露机构，只说 18/27 年经验 |
| “arXiv 预印本” | 是 medRxiv 预印本 |
| “机器在十个类别上全输” | Atelectasis/Consolidation 在 mIoU 上机器反超 |
| “CheXlocalize 是分类训练集” | 是定位评测基准，图像 902 张不重叠训练集 |
附录 W：引文规范
@article{saporta2022chexlocalize,
title = {Benchmarking saliency methods for chest X-ray interpretation},
author = {Saporta, Adriel and Gui, Xiaotong and Agrawal, Ashwin and
Pareek, Anuj and Truong, Steven Q. H. and Nguyen, Chanh D. T. and
Ngo, Van-Doan and Seekins, Jayne and Blankenberg, Francis G. and
Ng, Andrew Y. and Lungren, Matthew P. and Rajpurkar, Pranav},
journal = {Nature Machine Intelligence},
volume = {4},
number = {10},
pages = {867--878},
year = {2022},
doi = {10.1038/s42256-022-00536-x}
}
@article{irvin2019chexpert,
title = {CheXpert: A large chest radiograph dataset with uncertainty labels
and expert comparison},
author = {Irvin, Jeremy and Rajpurkar, Pranav and Ko, Michael and others},
journal = {AAAI},
year = {2019}
}
附录 X：本条目生产档案
- 生产通道：真核重做（chexlocalize-verify-agent）——亲自 web 核验，非转抄旧 FACTS
- 事实研究：AIMI 后端 API 逆向（app-config.json → datasets/{id}）+ GitHub jsDelivr 镜像取 README/LICENSE/sample + Nature 官方 PDF 全文（pdftotext）+ CrossRef/EuropePMC + Zenodo API + PhysioNet 站点实测 + 第三方文献交叉，约 12 轮
- FACTS.md：writing/chexlocalize/FACTS.md 九节（每条事实附来源 URL）
- 证据归档：writing/chexlocalize/.evidence/（API JSON / README / 论文文本 / sample JSON）
- 坑点：§10 八则（坑 1-8"坑 N："编号制）
- description：成稿时即 ≤170 字符
- 互链计划：chexpert(5)/mimic-cxr(16)/chest-imagenome(330)/padchest(117)/ms-cxr(340)/vindr-cxr(125)
附录 Y：FAIR/AI-Ready 检查单
| 检查项 | 状态 | 说明 |
|---|---|---|
| F1 全局唯一标识 | ✅ | DOI（论文）+ Zenodo DOI（代码）+ AIMI UUID |
| F2 富元数据 | ✅ | AIMI 记录 + README + 论文 Methods |
| A1 可访问协议 | ⚠️ | 数据需登录+表单+SAS（非裸直链）；代码/论文开放 |
| A2 元数据可访问 | ✅ | 元数据始终开放 |
| I1 互操作格式 | ✅ | RLE/JSON/CSV/pickle |
| I2 词汇表引用 | ✅ | 10 类病理标准命名 |
| R1 来源溯源 | ✅ | CheXpert 派生关系明示 |
| R3 可复现流程 | ⚠️ | 代码+阈值 csv 齐备；权重托管错记造成断点（坑 4） |
| AI-Ready 综合 | 中上 | 许可宽松+协议完整，获取门槛与文档瑕疵拖分 |
附录 Z：缩写速查
| 缩写 | 全称 |
|---|---|
| CXR | Chest X-Ray（胸片） |
| GT | Ground Truth（真值） |
| RLE | Run-Length Encoding |
| mIoU | mean Intersection over Union |
| AUROC | Area Under the Receiver Operating Characteristic curve |
| CAM | Class Activation Mapping |
| IG | Integrated Gradients |
| LRP | Layer-wise Relevance Propagation |
| O-UDA | Open Use of Data Agreement |
| AIMI | (Stanford) Center for Artificial Intelligence in Medicine and Imaging |
| DBMI | (Harvard) Department of Biomedical Informatics |
| CI | Confidence Interval |
| MD.ai | 标注平台工具名 |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability |
附录 AA：基于本数据集的方案选择表
| 你的目标 | CheXlocalize 是否合适 | 建议替代/配合 |
|---|---|---|
| 训胸片分类模型 | ✗（902 张太少） | CheXpert 全量 / MIMIC-CXR-JPG |
| 评测分割/定位模型 | ✓（多病理像素级真值） | — |
| 评测 saliency/解释方法 | ✓✓（设计初衷） | — |
| 框级检测训练 | ✗（无框，是像素级） | VinDr-CXR / ChestX-Det10 |
| 报告生成 | ✗ | MIMIC-CXR / MIMIC-CXR-JPG |
| 视觉问答/图文 grounding | △（可作定位真值） | MS-CXR 更直接 |
附录 AB：数据字典（关键 JSON 键）
| 文件 | 顶层键 | 键内结构 | 病理覆盖 |
|---|---|---|---|
| gt_annotations_val.json | CXR id（187 个） | img_size + 阳性病理 → 轮廓列表 | 仅阳性 |
| gt_segmentations_val.json | CXR id（187 个） | 十类病理 → | 全部 10 类 |
| hb_salient_pt_test.json | CXR id | 病理 → 最代表点坐标 | test |
| gradcam_maps_val/*.pkl | — | map/prob/task/gt/cxr_img/cxr_dims | 逐图逐病理 |
使用提示：gt_annotations 只列阳性病理（稀疏），gt_segmentations 列全 10 类（稠密）——两者键集不同，拼接时按 CXR id join，再对病理做映射。
附录 AC：检索路径示范（关键词组合与查询式）
| 目标 | 推荐查询式 | 预期命中 |
|---|---|---|
| 本体论文 | “Benchmarking saliency methods for chest X-ray interpretation” | Nat MI 4(10):867-878 |
| 数据集页 | site:stanfordaimi.azurewebsites.net CheXlocalize | AIMI 记录 23c56a0d-… |
| 代码 | rajpurkarlab cheXlocalize github | GitHub + Zenodo 6973536 |
| 权重 | CheXlocalize model weights checkpoints | README §weights → Google Drive |
| 第三方复用 | “CheXlocalize” + (localization OR saliency) + benchmark | ar5iv 2311.04813 等 |
| 反例（勿用） | “CheXlocalize PhysioNet” | 无结果（权重不在 PhysioNet，坑 4） |
检索卫生两条：一、凡命中"Stanford University Dataset Research Use Agreement"的 CheXlocalize 页面文本，注意那只是页面标签，实际许可是 O-UDA；二、凡文中出现"nearly 900 / over 1,000"的，多为第三方转述，引用请回到论文 643 口径。
附录 AD：论文 Table 结构导读
论文有三张主表，各自回答不同问题，引用时勿混：
| 表 | 主题 | 自变量/内容 | 关键用途 |
|---|---|---|---|
| Table 1 | 数据集概览/对比 | 各胸片定位数据集的标注层级 | 说明 CheXlocalize 的"首个多病理像素级"定位 |
| Table 2 | 几何特征回归 | 四类病理特征 → 定位指标 | 解释"为什么某些病灶难定位"（真阳性切片） |
| Table 3 | 模型置信度回归 | 模型概率 → 定位指标 | 解释"置信度与定位正相关"（全数据集，含 FP/FN） |
关键差异：Table 2 只在真阳性切片上做回归（排除假阳性干扰，纯看定位质量）；Table 3 在全数据集上做（因为假阳性/假阴性本身是分析对象）。引用回归结论时必须说明用的是哪张表、哪个切片口径——这是本数据集最容易误用的统计细节。
附录 AE：不确定性处理四策略说明
CheXpert 家族面对"不确定"标签的四套处理，CheXlocalize 全部沿用并各训 3 次：
| 策略 | 对 uncertain 标签的处理 | 影响 |
|---|---|---|
| ignoring | 忽略（不计入损失） | 最常见基线 |
| zeros | 当作负例 | 拉低阳性率 |
| ones | 当作正例 | 拉高阳性率 |
| three-class | 作为独立第三类 | 保留不确定性信息 |
每策略 3 次训练 × 每次 top-10 checkpoint = 30；四策略共 120。理解这个结构是复现"30-model 集成"的前提——若误以为"30 model"是 30 次独立训练，就会错配 checkpoint。
附录 AF：hit rate 的"最代表点"从哪来
两种来源的"最代表点"格式不同，这是 --if_human_benchmark 开关存在的原因：
| 来源 | 最代表点定义 | 输入形态 |
|---|---|---|
| saliency 方法 | 热图中激活值最大的像素 | 热图 pickle（eval.py 自行提取） |
| 人类基线 | 医师标注的"单一最代表点" | hb_salient_pt_test.json（JSON 坐标） |
若把人类基线的点标注误喂给"saliency 模式"，或反之，hit rate 会算错——这是复现时的高频错误点。
附录 AG：为什么"像素级"比"框级"更难也更有价值
像素级定位标注比框级贵得多（描边 vs 拉框），但换来的是边界精度：
| 维度 | 框级 | 像素级 |
|---|---|---|
| 标注成本 | 低 | 高（逐点描边） |
| 边界精度 | 粗（矩形近似） | 高（真实轮廓） |
| 能否算 mIoU | 否（只有框 IoU） | 是（真实重叠） |
| 能否揭示"糊成一片" | 否 | 是（能看出 saliency 边界不尊重解剖） |
| 适用评测 | 检测/grounding | 分割/可解释性定位 |
CheXlocalize 选像素级，正是为了让"saliency 分割是否尊重解剖边界"这个问题可被量化——框级标注做不到这一点。
附录 AH：从"标注"到"结论"的推理链
本数据集的核心结论不是直接观测，而是一条推理链，理解它有助于正确引用：
观测 1：saliency 分割的平均 mIoU 比人类低 24.0%
观测 2：差距随病灶变小/变复杂而增大（Lung Lesion 76.2%）
观测 3：支持器械 AUROC 0.969 却定位最差
观测 4：热图原生仅 14×14，上采样后粗糙
↓ 推理
推断 A：低定位性能未必是"模型看不见病灶"，而可能是"解释方法表达不了"
推断 B：14×14 分辨率瓶颈是结构性成因，指向"提高归因分辨率"的改进路径
推断 C：saliency 热图不宜单独用于临床决策验证（自动化偏见风险）
引用时若只抄观测 1（“机器差 24%”），会丢掉推断链的临床安全含义；完整引用应包含"结论是限制临床转化"这一落点。
附录 AI：跨机构与越南团队的背景
本论文的作者构成反映了一种跨国工业-学术合作模式：
| 机构 | 国家 | 作者 | 角色 |
|---|---|---|---|
| NYU CS | 美国 | Saporta（共同一作） | 主力研究与写作 |
| Stanford CS | 美国 | Gui、Agrawal、Ng | 技术设计与实现 |
| Stanford AIMI | 美国 | Pareek、Lungren | 临床 AI 与影像 |
| Stanford Radiology | 美国 | Seekins、Blankenberg | 放射学专业 |
| Harvard DBMI | 美国 | Rajpurkar（通讯） | 通讯/组品牌 |
| VinBrain | 越南 | Truong、Nguyen | 工业界参与 |
| VinUniversity | 越南 | Nguyen | 学术 |
| Vinmec International Hospital | 越南 | Ngo | 临床 |
值得注意的是 human benchmark 的 3 名放射科医师是"越南认证"——这既是跨国合作的自然延伸，也提示使用者在解读"人类基线"时注意其可能的地域判读口径（坑 3 的延伸）。
附录 AJ：热图分辨率问题的跨模态意义
"低分辨率归因图"不是胸片独有的问题：
| 模态 | 末层特征图典型尺寸 | 是否受同类瓶颈 |
|---|---|---|
| 胸片（本数据集） | 约 14×14 | 是（论文实锤） |
| CT/MRI 3D | 更小（下采样更狠） | 大概率是 |
| 病理 WSI | 视 patch 尺寸而定 | 可能 |
因此论文的机制发现具有方法学普适性：任何"末层特征 → 上采样 → 叠加原图"的归因流程都受分辨率瓶颈限制。这对做可解释性的团队是一条可迁移的经验（§9.3）。
附录 AK：多实例病灶的标注处理
多实例（如双侧胸腔积液、多发结节）是定位难题的三大成因之一，标注与评测处理如下：
| 环节 | 处理规则 |
|---|---|
| 标注 | 每个实例单独勾一条 contour（同一病理可多条） |
| 二值化 | 多条 contour 合并为一张掩码（重叠 contour 也可能合并） |
| 实例数统计 | 从 annotations 取（非掩码），因为重叠 contour 在掩码里只剩 1 |
| 评测 | mIoU 对整个病理掩码算；saliency 常把多实例糊成一个大区 |
这正是 compute_pathology_features.py 用 annotations 而非 segmentations 数实例的原因——一个易被忽略的细节。
附录 AL：条目与"纯评测框架"判例的分野
本库曾以 ReXrank / radeval 为判例考察"纯评测框架无独立语料"应否 stopping。CheXlocalize 与该判例的分野需讲清：
| 维度 | ReXrank（判例） | CheXlocalize（本条目） |
|---|---|---|
| 是否有独立语料 | 无（复用现存数据评榜） | 有（643 条独立新造专家分割 + human benchmark） |
| 数据是否独立托管 | 否 | 是（Stanford AIMI，3,256 文件 / 5.33 GB） |
| 是否有独立许可 | 否 | 有（O-UDA 1.0） |
| 是否含评测协议 | 是 | 是 |
| 裁定 | stopping | 不 stopping |
结论：CheXlocalize 兼具"评测协议"与"独立语料"两属性，属于"带独立语料的评测基准"，与纯排行榜框架有本质区别。
附录 AM：一句话定位（给不同读者的电梯陈述）
- 给算法工程师：一份让放射科医师把十类胸片病灶逐像素描出来的 902 张标注集，拿它量你的定位/解释方法指得准不准。
- 给临床研究者：证据表明当前 saliency 热图定位系统性落后专家（差 24%），尤其不可信于小复杂病灶，提示不要用它验证单个临床决策。
- 给数据集工程师：一个"许可宽松但获取有门（登录+表单+SAS）"的样本，以及一套 human benchmark + 双指标的评测设计范本。
- 给论文作者：引用它请同时引 CheXpert；数字用 902 图 / 643 分割，勿用第三方的 nearly 900 / over 1,000。
附录 AN：CheXpert 与 CheXlocalize 的"数据血缘"详图
CheXpert (2019, Stanford)
├── train 集（约 22.3 万图）─── 不包含于 CheXlocalize
├── val 集（234 图 / 200 患者）
│ └── CheXlocalize val：GT 分割 643 条（187 subjects）+ Grad-CAM 热图
└── test 集（668 图 / 500 患者）
└── CheXlocalize test：GT 分割 + human benchmark 分割/最代表点
血缘要点：CheXlocalize 只取了 CheXpert 的 holdout（val+test），训练集完全不含。这意味着用它做评测时，模型可以在 CheXpert 训练集上训练而不"见过答案"——评测的独立性有保证。这也是它适合作"定位评测集"的结构性原因。
附录 AO：为什么评测集要"与训练集不重叠"
机器学习评测的基本纪律是测试集不得参与训练。CheXpert 与 CheXlocalize 的划分天然满足这一点：
| 资产 | 是否可用于训练 | 是否在 CheXlocalize 内 |
|---|---|---|
| CheXpert train | ✓ | ✗ |
| CheXpert val | 评测用 | ✓（CheXlocalize val） |
| CheXpert test | 评测用 | ✓（CheXlocalize test） |
因此标准用法是"CheXpert train 训模型 → CheXlocalize val/test 评定位"，评测结果对训练污染免疫。若有人把 CheXlocalize 的图当训练料，就破坏了这一独立性。
附录 AP：医学图像定位评测的常见陷阱
结合 CheXlocalize 的实践，列出定位评测的常见陷阱：
- 单指标误判：只看 mIoU 或只看 hit rate，会分别漏掉"指得偏"和"围不全"。两个都要报。
- 口径不声明：true_pos_only、阈值方案、smoothing 不写清楚，结果无法跨论文比较。
- 平均掩盖分布：平均差距 24% 掩盖了从"反超"（consolidation +128%）到"差七成"（lung lesion 76%）的分布，分类别看。
- 分类能力冒充定位能力：AUROC 高不等于定位好（support devices 反例）。
- 热图分辨率忽视：不检查热图原生尺寸，会把"分辨率不足"误读成"方法差"。
- 真值不完美假设：假设"有阳性标签就有分割"，会踩到论文披露的 5 类若干例缺口。
附录 AQ：条目自评（自检清单）
| 检查项 | 状态 |
|---|---|
| 标题/副标题/description 长度合规（≤255/≤170） | ✅ |
| 九节结构（FACTS） | ✅ |
| 每条事实带来源 URL | ✅ |
| 八个坑点（≥6） | ✅ |
| category_tags 受控词表内 | ✅ |
| data_source/patient_count 完整 | ✅ |
| schema_org 含 MedicalWebPage/Dataset/cr:RecordSet/rai:dataLimitations | ✅ |
| 与旧 FACTS 出入已存照 | ✅ |
| 保留 Markdown 占位 URL（qianfanghub） | ✅ |
| 无 HTML 注释/TODO/占位符 | ✅ |
| 代码块围栏配对 | ✅ |
| 无相邻重复标题/重复锚点 | ✅ |
附录 AR：字段级速查（frontmatter 关键字段）
| 字段 | 值 | 长度约束 |
|---|---|---|
| title | CheXlocalize — AI-Ready Wikipedia \ | 千方病案医数集 |
| subtitle | Stanford AIMI 托管的胸片病灶定位人工标注基准…… | ≤255 |
| description | CheXlocalize 是 Stanford AIMI 托管的胸片定位标注数据集…… | ≤170 |
| data_source.name | CheXpert 派生胸片 + 逐像素人工轮廓标注…… | ≤255 |
| category_tags | 医学影像 / X光影像 / 医学图像分割 / 评测基准 / 目标检测 | 2-6 个，≤100 字符 |
| url（占位） | https://www.qianfanghub.com/ai-ready-dataset/chexlocalize/736 | — |
附录 AS：与同批胸片条目的可获取性光谱对照
| 档位 | 库内参照 | 本条目 |
|---|---|---|
| 注册墙 | LMC2 型（注册+审批） | — |
| 登录+表单 | — | CheXlocalize 数据（StanfordAIMI 登录+注册表单+SAS） |
| 平台托管 | Zenodo 型 | 代码在 Zenodo（v1.0.0） |
| 公开直链 | HF/PhysioNet 型 | 论文 PDF、GitHub 代码 |
本条目的特色是"数据有门、代码开放"：本体数据需登录+表单+SAS，但配套代码（MIT）与样例数据在 GitHub/Zenodo 裸取——可先跑通评测骨架再申请完整数据。
附录 AT：文献中 CheXlocalize 名称的写法
避免检索/引用错配，常见写法要辨：
| 写法 | 出现处 | 是否有效 |
|---|---|---|
| CheXlocalize | AIMI 页、论文正文 | ✓ 规范写法 |
| cheXlocalize | GitHub 仓库名 | ✓ 仓库名小写首字母 |
| cheXplanation | 旧仓库路径 | 重定向，非数据集名 |
| CheXplanation | 仓库 logo 文件名 | 品牌旧名 |
检索时用 CheXlocalize（大小写不敏感的核心词）即可，但引用仓库时的 rajpurkarlab/cheXlocalize 需保留其大小写。
附录 AU：结论的置信区间怎么读
论文报告百分比差距时都带 95% CI，读法：
| 数字 | 点估计 | 95% CI | 解读 |
|---|---|---|---|
| mIoU 平均差距 | 24.0% | 18.2%–29.6% | 区间不含 0，显著 |
| Lung Lesion mIoU | 76.2% | 59.1%–87.5% | 区间宽（样本少），但下界仍高 |
| hit rate 平均差距 | 29.4% | 23.1%–35.5% | 显著 |
| Lung Lesion hit rate | 65.9% | 35.3%–91.7% | 区间很宽，提示小样本不确定性 |
读法要点：CI 越宽表示该类别的样本越少、估计越不稳——Lung Lesion 的 hit rate CI 宽达 35–92 就是例证。引用时带上 CI 比只抄点估计更严谨。
附录 AV：从"标注成本"看数据集的定位
| 标注类型 | 单位成本 | 可规模化性 | 代表 |
|---|---|---|---|
| 图级标签 | 极低（可弱监督） | 极高 | CheXpert（NLP 抽标签） |
| 框级 | 中 | 中 | VinDr-CXR |
| 像素级单病种 | 高 | 低 | SIIM-ACR |
| 像素级多病理 | 极高 | 极低 | CheXlocalize（902 图） |
这张表解释了"为什么 CheXlocalize 只有 902 张"——像素级多病理是成本最高的标注形态，注定规模小。它的价值也因此落在"精度与基准"而非"规模"上。任何期待"大规模像素级胸片训练集"的项目，都应把 CheXlocalize 定位为测试集/验证集而非训练集。
附录 AW：可解释性评测的三个层次
CheXlocalize 实际上把可解释性评测分了三层，逐层递进：
| 层次 | 问题 | 本数据集如何回答 |
|---|---|---|
| L1 定位正确性 | 热图指到病灶了吗？ | mIoU + hit rate |
| L2 差距归因 | 差在哪类病灶、为什么？ | 几何特征回归 + 置信度回归 |
| L3 临床可靠性 | 能用它验证临床决策吗？ | 结论：暂不可靠，需高分辨率方法 |
引用时按层次区分：L1 是数据事实，L2 是统计发现，L3 是作者判断。把 L3 的"临床不可靠"当作 L1 的"机器定位完全不行"，会过度引申——论文也承认 atelectasis/consolidation 上机器反超人类。
附录 AX：论文 Methods 关键参数速查
复现论文实验时的核心超参，逐项列明：
| 参数 | 取值 | 来源 |
|---|---|---|
| 输入分辨率 | 320 × 320（沿用 CheXpert/CheXNet） | 论文 Methods |
| 归一化 | 减 CheXpert 训练集均值、除标准差 | 论文 Methods |
| 损失 | 交叉熵 | 论文 Methods |
| 优化器 | Adam（β1=0.9, β2=0.999） | 论文 Methods |
| 学习率 | DenseNet121 1e-4；ResNet152 1e-5；Inception-v4 1e-5 | 论文 Methods |
| batch size | 16 | 论文 Methods |
| 集成 | 每架构 120 checkpoint 选 top-10/病理 | 论文 Methods |
| IoU bootstrap | 1000 次，取 2.5/97.5 百分位为 95% CI | 论文 Methods |
| Occlusion 窗口/步长 | 40 / 40 | 论文 Methods |
| box filter（IG/LRP/DeepLIFT） | k=100（DenseNet+IG）或 k=50（其余） | 论文 Methods |
这些参数是"复现论文数字"与"得到一个能跑的数字"之间的差——不按此复现，结果大概率对不上论文。
附录 AY：为什么 Grad-CAM 是七种里的"最好"
论文明确指出 Grad-CAM 整体定位最好，理解这个"最好"有助于定位方法选型：
| 原因线索 | 说明 |
|---|---|
| 梯度 + 特征图加权 | 直接利用分类头的空间信息，定位指向性强 |
| 末层特征保留空间结构 | 相比扰动法（Occlusion）噪声更低 |
| 相比分解法更抗噪 | LRP/DeepLIFT 的逐层反传在低分辨率下更易弥散 |
但"最好"是相对的——Grad-CAM 依然显著落后人类基线，且在小复杂病灶上差距最大。“七种里最好"不等于"足够好”，这是引用时最易被断章取义的一句。
附录 AZ：条目与"金标准/银标准分离"主题的呼应
本库多条目（TopAneu 金银双轨、REG² 双指标等）呈现"真值分层"主题，CheXlocalize 亦属同类：
| 层次 | CheXlocalize 对应 | 用途 |
|---|---|---|
| 金标准 | GT 分割（2 名高年资医师） | 绝对准不准 |
| 银标准/人类对照 | human benchmark 分割（3 名医师） | 相对人类差多少 |
与"概率化真值"路线的区别：CheXlocalize 走的是"多组专家 + 双基准"路线，而非"同一病灶概率分布"路线。两种路线都在处理"真值不是单点"的问题，只是抓手不同——前者靠"多加一组人"，后者靠"多次采样聚合"。
附录 BA：术语表补充（进阶）
| 术语 | 释义 |
|---|---|
| box filtering | 盒滤波：对像素化热图做局部平均平滑（k 为核大小） |
| bilinear interpolation | 双线性插值：热图上采样到原图的插值方式 |
| confluent area | 汇合区：多实例被糊成一片连通区域的现象 |
| true positive slice | 真阳性切片：预测与真值分割都存在的样本子集 |
| macro AUROC | 宏平均 AUROC：各类别 AUROC 的算术平均 |
| Spearman correlation | 斯皮尔曼相关系数：捕捉非线性单调关联 |
| Bonferroni corrected p | 邦弗朗尼校正 p 值：多重比较校正 |
| min–max normalization | 最小最大归一化：把热图缩放到 [0,1] |
| confidence interval | 置信区间：bootstrap 经验分布的 2.5/97.5 百分位 |
| algorithmic artefact | 算法伪影：由算法/流程而非数据本身导致的系统性偏差 |
附录 BB：一图流（读法路线图）
你是哪类读者？
├── 下数据的人 ──────> §6 + 附录 D（登录→表单→SAS→Azure Storage Explorer）
├── 做定位评测的人 ──> §5 + 附录 F/G/H（7×3 矩阵 + eval 骨架 + 几何特征）
├── 做可解释性的人 ──> §7 + 附录 AH（三句结论 + 推理链）
├── 做临床落地的人 ──> §7.5 + 附录 R（自动化偏见 + 应用边界）
├── 写综述的人 ──────> §2.6 + §8.3 + 附录 N（定位赛道 + 库内对照）
└── 踩坑预警 ────────> §10 八个坑（坑 4 权重、坑 8 许可最易踩）
附录 BC：数据不能做什么（负向清单）
明确划出 CheXlocalize 的能力边界，避免误用：
| 想做 | 能否 | 原因 |
|---|---|---|
| 训通用胸片分类器 | ✗ | 仅 902 张，且与 train 不重叠，欠拟合 |
| 训像素级分割模型 | △ | 可训但样本少，宜作验证集 |
| 评测定位/解释方法 | ✓✓ | 设计初衷 |
| 做框级检测 | ✗ | 无框标注，只有像素级 |
| 做报告生成 | ✗ | 无报告文本 |
| 做图文 grounding | △ | 可作定位真值，但无图文对 |
| 评估罕见病定位 | ✗ | 仅 10 类常见观察 |
| 跨机构泛化研究 | △ | 标注者机构未披露，难做机构分层 |
附录 BD：三个"不要"（给论文作者）
- 不要把第三方转述当论文数据：nearly 900 / over 1,000 是 Lacuna 转述，论文是 902 图 / 643 条（坑 6）。
- 不要把页面许可标签当实际许可：页面写 Stanford RUA，记录挂 O-UDA（坑 8）。
- 不要照抄论文里的数据集 UUID：旧 UUID 404，用 README/AIMI 页的现行 UUID（坑 7）。
尾注
本条目为 AI-Ready Wikipedia 数据集条目，由 chexlocalize-verify-agent 于 2026-09-30 亲自完成 web 核验与撰写（非转抄任何既往 FACTS）。事实陈述以以下一手来源为准：Stanford AIMI 后端 API 记录（https://aimistanford-web-api.azurewebsites.net/datasets/23c56a0d-15de-405b-87c8-99c30138950c）、GitHub 仓库 README/LICENSE/sample（经 jsDelivr 镜像取得）、Nature Machine Intelligence 论文 PDF（https://www.nature.com/articles/s42256-022-00536-x.pdf）、CrossRef 元数据（https://api.crossref.org/works/10.1038/s42256-022-00536-x）、Zenodo 记录（https://zenodo.org/records/6973536）、PhysioNet 站点实测。
与旧版 FACTS 的出入已逐条存照：许可（O-UDA 1.0 而非 Stanford RUA）、权重托管（Google Drive 而非 PhysioNet）、预印本（medRxiv 而非 arXiv）、GT 标注者机构（论文未披露，非 Stanford Radiology）、规模口径（643 条而非 over 1,000）、数据集 UUID（旧 UUID 失效）、病理名双口径（Lung/Airspace Opacity）。原始文档缺陷（页面许可标签与记录不一致、论文 UUID 404、README 权重托管错记）已在 §10 坑点与附录 L 双记表存照。条目与库内 chexpert（rid 5）、mimic-cxr（rid 16）、chest-imagenome（rid 330）、padchest（rid 117）、ms-cxr（rid 340）、vindr-cxr（rid 125）等条目互链，构成胸片定位与可解释性评测家族的检索面。后续维护触发点见附录 S。
核验边界声明：GitHub 主站与 Google Drive 在本核验环境被网络策略屏蔽（curl 返回 000），相关事实经 jsDelivr 镜像与 README 文本取得，未能直接读取仓库 last-commit 时间与权重文件夹内容；GitHub 最后提交时点、权重实际可下载性两项列入 §9 待核（FACTS.md）。
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：
- siim-acr-pneumothorax — 共享标签：医学影像 / X光影像 / 医学图像分割 / 评测基准
- chexmask-cxr-segmentation-data — 共享标签：医学影像 / X光影像 / 医学图像分割
- chexmask-u — 共享标签：医学影像 / X光影像 / 医学图像分割
- lung-segment-mimic-cxr — 共享标签：医学影像 / X光影像 / 医学图像分割
- mimic-cxr-ext-ils — 共享标签：医学影像 / X光影像 / 医学图像分割
- cxr-lt — 共享标签：医学影像 / X光影像 / 评测基准 / 肺癌
- brixia-peru — 共享标签：医学影像 / X光影像 / 医学图像分割 / 评测基准
- rexgrounding-ct — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 肺癌
- icbhi-2017 — 共享标签：医学影像 / X光影像 / 评测基准
- rexgradient-160k — 共享标签：医学影像 / X光影像 / 评测基准
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。
