信息速览

数据集名称Cancer Moonshot Biobank — Invasive Breast Carcinoma Cancer Collection — 美国 NCI 癌症登月生物样本库乳腺癌多模态影像集合

数据类型影像数据,原始数据,多模态

规模101 受试（集合级去重；放射 50 受试 + 病理 99 受试，含跨分区重叠）

接入方式NCI Cancer Moonshot Biobank 浸润性乳腺癌队列采集的放射影像（MR/CT/MG/US/PT DICOM）与组织病理整片图像（SVS）+ 病理元数据（JSON）；关联基因组/临床数据托管于 dbGaP(phs002192) 与 Clinical Commons(NCT04314401)

AI 就绪度

INFOBOX — CMB-BRCA 一屏速览

维度内容

本质 NCI 癌症登月生物样本库（Cancer Moonshot Biobank）浸润性乳腺癌队列的多模态影像集合（非新算法、非标注基准）

官方全名 Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection

缩写 CMB-BRCA

托管 The Cancer Imaging Archive（TCIA）

DOI 10.7937/dx22-8j71（Data Citation Required）

当前版本 Version 6（2026/07/02），状态 Ongoing

总规模 101 受试 / 203.94 GB

放射部分 50 受试 / 157 研究 / 1,074 序列 / 139,173 图 / 78.94 GB；模态 MR, CT, MG, US, PT

病理部分 99 受试 / 136 切片 / 125 GB；SVS + JSON

数据类型 Histopathology, Whole Slide Image, MR, CT, MG, US, PT

癌种 Breast Invasive Carcinoma（浸润性乳腺癌）

公开许可 CC BY 4.0（放射 + 病理均开放）

历史受限 Restricted 影像子集（V3-V4）走 NIH Controlled Data Access Policy，V5 已移除

关联数据 dbGaP phs002192（受控）；Clinical Commons NCT04314401（开放临床 + 受控变异）

时间对齐 DICOM 内嵌 days from enrollment（tag 0012,0053）

采集网络 NCI Community Oncology Research Program (NCORP) 多点

获取工具 TCIA Data Retriever（放射）/ IBM Aspera Connect（病理）/ NBIA Search / PathDB

§0 导读：这个数据集解决什么问题

CMB-BRCA 是美国国家癌症研究所（National Cancer Institute, NCI）「癌症登月生物样本库」（Cancer Moonshot Biobank, CMB）倡议下，针对浸润性乳腺癌（Invasive Breast Carcinoma）队列所采集、并托管于癌症影像档案库（The Cancer Imaging Archive, TCIA）的一套多模态影像集合。它要解决的核心问题不是"某个模型能不能分对病"，而是如何在真实世界的标准治疗流程中，把同一名患者在不同时间点、用不同设备采集的影像，与血液/组织的生物样本、以及后续的基因组与临床数据长期对齐起来——从而支撑对**药物耐药性（drug resistance）与药物敏感性（drug sensitivity）**这两个癌症治疗中最棘手问题的纵向研究。

理解本集合，必须先理解它属于哪一类数据资产。它不是像 CBIS-DDSM、BreakHis、BCNB 那样为某个具体分类/分割任务而经过专家精细标注的"基准数据集"；它是生物样本库（biobank）型影像语料：影像以临床诊断采集的原始形态、经去标识化后直接入库，携带的是"这个人、这个时间、这台机器、这个序列"的真实世界信息，而非"这块区域属于什么类别"的标注。这一根本属性决定了它的优势（真实性、纵向性、多模态并存、与临床/基因组可挂钩）与它的局限（无像素级标签、口径随版本漂移、临床数据散落在多个受控库）。

第三个必须点明的背景是 CMB 家族的颗粒度。CMB 影像不是单一集合，而是按癌种拆分的一族集合。截至 2026 年 7 月，TCIA 的 CMB Imaging 页共列出 9 个癌种集合：AML（急性髓系白血病）、BRCA（乳腺癌）、CRC（结直肠癌）、GEC（胃食管癌）、LCA（肺癌）、MEL（黑色素瘤）、MML（多发性骨髓瘤）、OV（卵巢癌）、PCA（前列腺癌）。CMB-BRCA 是其中乳腺癌一支，也是放射受试数仅次于肺癌（LCA 130）的第二大放射集合。检索者若在文献里见到 “CMB” 而无癌种后缀，务必回查 TCIA 集合页确认具体是哪一支，因为不同子集的受试规模与模态组合差异很大。

本条目要回答的四类问题：（一）它到底是什么、有多大、长什么样（§1-§2）；（二）它的多模态影像与 DICOM 时间对齐机制如何工作（§2.4、§3）；（三）怎么获取、许可边界在哪、哪些数字随版本变化（§4-§6）；（四）它在乳腺癌影像与 CMB 家族生态里的位置，以及库内哪些条目可与它互链（§7-§9）。若你只想要一句话结论：这是一个 CC BY 4.0 开放的、101 名浸润性乳腺癌患者的多模态纵向影像集合，适合预训练与对齐研究，但它本身不提供任务标签，且任何引用数字都必须带上版本号。

0.1 为什么值得为它单独建档

在千方病案医数集的语境下，为 CMB-BRCA 单独立条有三重理由。其一，它是"语料型"数据资产的典型代表——库内大量条目是有标注的任务数据集，而 CMB-BRCA 恰恰相反，代表了另一类高价值资产：以真实性、纵向性与合规开放性取胜的影像语料。缺了它，库对"数据资产谱系"的覆盖就不完整。其二，它承载了国家级数据治理的可复制范式——分级开放、保序去标识化、多库分工，这些做法对未来所有真实世界医学数据的发布都有借鉴意义。其三，它的名称与库内条目撞词（CMB ↔ cmb-cmexam），是消歧与命名规范教育的好案例。一句话：CMB-BRCA 不只是一个数据集，更是一类数据生产范式与一组可迁移治理经验的载体。

0.2 阅读路径建议

本条目按"由浅入深"组织。只想快速判断能不能用：直接看 §1 十问速查与 §11.4 决策卡。要合规使用：重点读 §5（任务边界）、§6（许可与获取）、§10（避坑）。要做研究设计：读 §2（构成）、§3（多模态与纵向）、§8（方法学范式）。要做库内检索与互链：读 §9（家族图谱与反查表）。要引用与存照：读 FACTS.md 与 §4 版本链。建议至少通读 §0-§1 与 §10-§11，它们构成最小必要知识集。

§1 数据集速览：十问十答

Q1：CMB-BRCA 的中文全称怎么念？
官方全名 Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection，直译为「癌症登月生物样本库——浸润性乳腺癌集合」。注意官方名里 “Invasive Breast Carcinoma” 与 “Cancer” 连用（Carcinoma Cancer），是 NCI 的规范命名，检索时不要漏词。

Q2：谁做的、谁托管？
发起方为 NCI 癌症登月生物样本库倡议；数据的托管与发布方为 TCIA。数据采集发生在 **NCI 社区肿瘤研究计划（NCORP）**的多个站点，即真实世界的社区肿瘤治疗环境，而非单一学术医学中心。

Q3：到底有多少数据？
Version 6（2026/07/02）：集合级 101 名受试 / 203.94 GB；其中放射影像 50 受试 / 157 研究 / 1,074 序列 / 139,173 张图（78.94 GB），组织病理 99 受试 / 136 张切片（125 GB）。

Q4：有哪些影像模态？
放射部分官方列出 MR、CT、MG、US、PT 五种，即磁共振、CT、乳腺 X 线摄影（mammography）、超声、PET。注意并非每名受试都有全部模态——采集取决于临床实际所做的检查。

Q5：许可怎么用？
公开部分放射与病理均为 CC BY 4.0，可自由使用、再分发、商用，条件仅为署名 + 引用（Data Citation Required）。历史上一度存在的 Restricted 影像子集走 NIH 受控访问，自 Version 5 起已从集合移除。

Q6：有没有论文？
没有专属数据集论文。这是 TCIA 发布的集合，正式引用走 TCIA Data Citation（见 §4）。若在论文里引用，应引数据集 DOI 而非某篇"数据集介绍论文"。

Q7：能直接下吗？
能。放射经 TCIA Data Retriever（配 NBIA Search 收藏车）；病理经 IBM Aspera Connect 插件走 Faspex 传输，或经 PathDB 检索。均需先按 TCIA 使用政策登记用途。

Q8：临床和基因组数据在哪？
不在本集合内。基因组/表型/临床数据托管于 **dbGaP（phs002192，受控，需申请）**与 Clinical Commons / Clinical Translational Data Commons（NCT04314401，开放临床 + 受控变异）。

Q9：和库里的 cmb-cmexam 是同一个吗？
不是。 库内 cmb-cmexam（rid=180）是「CMB 与 CMExam 中文医疗评测双基准」，与 TCIA 的 CMB 影像集合不同源、不同模态、不同用途，只是名称撞词。检索与互链时须显式消歧（见 §9）。

Q10：一句话该不该用它？
若你的目标是任务级分类/分割基准，它不合适（无标注）；若你的目标是真实世界、多模态、可纵向对齐、可与基因组挂钩的肿瘤影像语料，它是 CMB 家族里乳腺癌方向的旗舰选择，且 CC BY 4.0 门槛极低。

1.1 十问速查表

问题	简答	详见
中文全称	癌症登月生物样本库——浸润性乳腺癌集合	§1 Q1
发起/托管	NCI CMB 倡议 / TCIA 托管	§1 Q2、§3.1
规模	101 受试 / 203.94 GB	§2.1、§4
模态	MR, CT, MG, US, PT + 病理 WSI	§2.2、§2.3
许可	CC BY 4.0（放射 + 病理）	§6.2
论文	无专属论文，用 Data Citation	§4
获取	TCIA Data Retriever / Aspera	§6.1、§6.3
分子数据	dbGaP（受控）/ Clinical Commons	§6.4
库内关系	与 cmb-cmexam 撞词非同源	§9.1
适用	预训练/对齐/纵向，非标注基准	§5、§11.4

§2 数据构成与规格

2.1 规模、来源与机构构成

CMB-BRCA 的数据来源有明确的三层结构。最上层是项目：NCI 的 Cancer Moonshot Biobank 倡议，其公开目标是"在至少 1000 名患者、至少 10 种癌症类型中，围绕标准治疗、纵向采集生物样本（血液与手术/操作中取出的组织）及关联数据，以支持对药物耐药与药物敏感性的研究"。中间层是采集网络：这些患者来自多个 **NCORP（NCI Community Oncology Research Program）**站点，意味着数据反映的是美国社区肿瘤诊疗的真实实践，而非集中在少数顶级学术中心——这对模型泛化性的外部效度是有利的。底层是影像发布：采集到的去标识化放射与组织病理影像，按癌种分集合发布到 TCIA，形成 CMB-BRCA 等子集。

规模上，Version 6 的官方口径为 101 名受试、203.94 GB。这里有一个初学者极易踩的坑：101 并非放射受试与病理受试的简单相加。放射部分 50 受试、病理部分 99 受试，两者相加为 149，但集合级去重后的唯一受试数为 101——因为大量受试同时贡献了放射影像与病理切片（99 名病理受试中有相当一部分也在 50 名放射受试之内）。因此引用"受试数"时应说明取的是集合级去重值（101），而非分项之和。分项下载量 78.94 GB（放射）+ 125 GB（病理）合计约 203.94 GB，与页头聚合值吻合，可作为规模口径的自洽校验。

2.2 放射影像：50 受试 / 139,173 图 / 五种模态

放射部分是本集合当前图像数量最庞大的分区。Version 6 官方计数为 50 受试、157 研究（studies）、1,074 序列（series）、139,173 张图像（images），下载体积 78.94 GB，格式为 DICOM。模态覆盖 MR（磁共振）、CT、MG（乳腺 X 线摄影，mammography）、US（超声）、PT（PET）。

从工程视角看，这组数字透露了几个信息。其一，研究数（157）远多于受试数（50），人均约 3.14 个研究，印证了纵向随访的设计——同一受试在治疗前、中、后有多次影像采集。其二，序列数（1,074）与图像数（139,173）之比约 1:130，说明单个序列平均包含上百张图，典型的断层成像（CT/MR/PET 的层叠切片）占主导，而非少量的大视野投影图。其三，模态是"或"而非"且"：MG 是乳腺癌筛查/诊断的核心模态，MR 常用于高危评估与疗效监测，US 用于病灶补充评估，CT/PET 多用于分期与全身评估——具体到某名受试具备哪些模态，取决其临床路径。

2.3 组织病理：99 受试 / 136 切片 / WSI

病理部分 Version 6 为 99 受试、136 张切片，体积 125 GB，格式为 SVS（Aperio 扫描的整片图像 whole slide image, WSI）+ JSON（病理元数据）。切片数与受试数之比约 1.37:1，说明部分受试提供了多张切片（如不同蜡块、不同染色批次或多发病灶）。125 GB 对应 136 张切片，单张 WSI 平均约 0.92 GB，符合高倍全片扫描的典型体积量级，也从侧面提示 WSI 是"一图即 GB 级"的重资产——这对存储与 I/O 敏感的研究设计（如需要在内存中流转切片的快速推理）是必须预先评估的成本。

与放射部分一样，病理部分当前为 CC BY 4.0 公开。这一点与主会话简报中"病理切片走 NIH Controlled Data Access Policy"的描述不符，实抓 TCIA 页显示：NIH 受控政策历史上仅适用于 V3-V4 期间出现的放射 Restricted 影像子集（如 V4 曾列 23 受试/43 研究/151 序列/42,261 图），且该子集自 Version 5 起已被移除。详见 §6 与 §9 的双口径存照。

2.4 DICOM 时间对齐：集合的灵魂机制

CMB-BRCA 最具方法学价值的机制藏在 DICOM 元数据里。根据 TCIA 集合页 “Introduction” 段，Biobank 的放射影像数据在 DICOM 文件内嵌入了「入组天数」（days from enrollment / registration），具体位于 DICOM tag (0012,0053)。这一字段的作用是：把每一张影像相对该受试入组登记的时点，锚定在一个可比较的时间坐标上，从而让 TCIA 上的影像能与 Biobank Catalog 中的临床事件（用药、手术、检查、随访）进行纵向时间对齐。

为什么这很重要？大多数公开肿瘤影像数据集是"横截面"的：一套影像对若干个诊断标签，患者维度的"时间"被抹平。而药物耐药/敏感性的研究本质上是时序问题——同一个体在治疗前后的影像与分子状态变化，才是回答"为什么这个方案起初有效、后来失效"的关键。CMB-BRCA 通过 (0012,0053) 这个看似不起眼的标签，把影像重新放回了临床时间的坐标系里。同时，集合页特别说明：为使影像能在 DICOM 阅读器中正确显示，放射数据保留了"去标识化日期"，以维持同一受试多次扫描之间的时序先后关系。也就是说，去标识化没有牺牲时序——日期被平移，但相邻扫描的相对顺序与间隔被保留。这是去标识化设计里一个值得学习的手法：保序不保真。

2.5 与 PANDA-PLUS 等"重标注型"集合的本质区别

把 CMB-BRCA 与库内已有的 PANDA-PLUS、CBIS-DDSM、BreakHis 等条目并置，能立刻看清两类数据资产的差异。PANDA-PLUS 这类集合的价值在"标签"：它花费大量专家工时，把原数据集的分级标签系统性重标，让"分类任务的正确性"可被度量。CMB-BRCA 的价值在"语料"：它不生产新标签，而是把真实世界中自然产生的多模态影像、连同其时间与个体坐标，成规模地、合规地释放出来。前者回答"这个模型准不准"，后者回答"这个模型在真实数据长什么样、能不能跨模态跨时间"。检索者若带着"标注在哪里"的预期打开 CMB-BRCA，会失望；但若带着"我要不要一个可纵向、多模态、CC BY 的肿瘤影像广谱语料"的问题，它恰是少见的高质量选项。两类集合不是竞争关系，而是流水线上下游：CMB-BRCA 这样的大型真实语料可做预训练与表征学习，再迁移到 PANDA-PLUS 这样的小而精标注集合上做任务微调。

2.6 CMB 家族横切：BRCA 在九癌种中的相对位置

将 CMB-BRCA 放回家族中看其定位（数据来自 TCIA CMB Imaging 页，均为截至 2026 年 7 月的口径）：

集合	癌种	放射受试	病理受试
CMB-LCA	肺癌	130	207
CMB-BRCA	浸润性乳腺癌	50	99
CMB-MML	多发性骨髓瘤	111	177
CMB-CRC	结直肠癌	63	102
CMB-MEL	黑色素瘤	40	61
CMB-PCA	前列腺癌	26	76
CMB-OV	卵巢癌	19	48
CMB-GEC	胃食管癌	12	26
CMB-AML	急性髓系白血病	9	16

由此可读两点：其一，CMB 家族并非任务头简报所称的"AML/BRCA/CRC/GEC 四癌种"，而是九个癌种（另含 LCA/MEL/MML/OV/PCA），BRCA 只是其中一支——此为需向主会话存照的口径修正。其二，几乎所有 CMB 子集的病理受试数都显著多于放射受试数（BRCA 99 > 50，LCA 207 > 130，MML 177 > 111），这与"取材（组织）比成像（检查）更密集"的临床现实一致：每位入组者几乎都会留组织，但只有走影像检查路径的人才会贡献放射数据。同样，各集合的模态组合亦不同（如 AML 无 MG/US、OV 仅 CT/PT），跨癌种合并使用时须先核对模态交集。

2.7 DICOM 结构：本集合的数据骨架

理解 CMB-BRCA 的放射数据，需要理解 DICOM 的四层信息模型，这也是"受试/研究/序列/图像"计数口径的来源：

层级	DICOM 概念	CMB-BRCA V6 计数	含义
患者级	Patient	50（放射）	去标识化的受试，跨研究共享同一 ID
研究级	Study	157	一次检查/就诊，常对应一个时间点
序列级	Series	1,074	同一扫描协议下的成像集合
实例级	Instance / Image	139,173	单张断层图像

CMB-BRCA 在标准 DICOM 之上叠加的关键字段包括 days from enrollment（tag 0012,0053）——它把"研究"这一层锚定到入组时间轴。此外，去标识化管线会重新生成患者 ID 与日期偏移，但保留层级关系（同一患者的多研究仍指向同一去标识患者 ID），从而"切断身份、留住结构"。

2.8 病理元数据 JSON：切片侧的机器可读描述

病理部分以 SVS + JSON 发布，其中 JSON 承载每张切片的元数据（machine-readable），便于批量解析与检索——例如切片的标识、所属受试、以及可用于构建病理数据清单的字段。与放射侧的 DICOM 类似，病理侧的策略也是保留可关联性、去除可识别性。使用者在做放射-病理配对时，正是通过共享的受试标识把两侧连起来。需要清醒认识到：集合页未承诺病灶级或切片级与放射的空间配准，配对粒度止于"同一受试"，任何更细的对齐都需要研究者自行完成（可能需借用外部配准工具与额外信息）。

2.9 去标识化管线：CMB-BRCA 的合规底座

CMB-BRCA 能满足 CC BY 4.0 开放的前提，是其背后一套去标识化（de-identification）管线。要点有三：（1）身份剥离——移除姓名、病历号等直接标识符，代之以研究 ID；（2）日期平移——把绝对日期变换为相对入组的时间量，既满足隐私要求，又保留时序（因此影像在 DICOM 阅读器中仍可正确显示）；（3）嵌入研究时间锚——通过 (0012,0053) 提供标准化的入组天数，使影像可与 Biobank Catalog 的临床事件对齐。这套"剥离身份、保留结构、锚定时间"的组合，是 CMB 系列能大规模开放的方法学基础，也是 §8.3 将提炼的可迁移经验。值得强调的是：去标识化的质量直接决定了数据的可开放程度——CMB 之所以敢用 CC BY 4.0，正因其去标识化做得足够彻底。

2.10 存储与下载的工程测算

把硬数字转成工程账单，能帮助规划资源。总下载量 203.94 GB，其中放射 78.94 GB（DICOM）、病理 125 GB（SVS）。下载时间估算（仅供规划）：在 100 Mbps 稳定带宽下，203.94 GB 约需 4.5 小时理想传输，但 DICOM 的海量小文件特性会显著拉低有效吞吐，实际可能数倍于此；病理的 SVS 为大文件，走 Aspera 可控性更好。存储估算：下载 203.94 GB 后，若把 DICOM 转 NIfTI/张量缓存（通常体积相近或略小）、把 SVS 转图块金字塔（可能增大），建议预留 ≥300-500 GB。计算估算：WSI 训练若需从磁盘随机读块，I/O 会成为瓶颈，建议预处理并考虑 NVMe；放射多模态训练要注意显存与批构造。这些测算不是吓退用户，而是让"我是否需要它"的判断更实际。

2.11 目录组织与清单文件

TCIA 发布的数据通常配有以下可组织要素：（1）.tcia 描述文件——记录该版本的下载清单，是复现的关键锚点（如 CMB-BRCA_v06_20260702.tcia）；（2）nbia-digest.xlsx——放射侧的元数据清单；（3）病理侧 JSON 元数据——切片级描述。建议的组织方式：按资产类型分目录（radiology/、pathology/），在每一目录保留对应清单文件，并在项目根放一份 README 记录版本号、下载日期、DOI 与访问链接。不要把清单文件与影像混放或随意改名——它是复现研究的凭证。若研究要用多模态，建议额外生成一份"受试 × 模态 × 时间"的主表（master table），作为所有下游分析的中枢。

2.12 一个"该不该下载"的决策树

下载 203.94 GB 前，先走一遍决策树：（1）你的任务需要无标签真实多模态影像吗？ 否 → 可能不需要 CMB-BRCA；是 → 继续。（2）你需要纵向时间维度吗？ 需要 → CMB-BRCA 的差异化优势在此，继续。（3）你有 ≥300 GB 存储与足够带宽吗？ 否 → 考虑只下载所需子集（如仅 MG 或仅病理）；是 → 继续。（4）你需要任务标签吗？ 需要 → CMB-BRCA 无法直接满足，应搭配标注集使用。（5）你的合规流程能遵守 CC BY 4.0 与 TCIA 政策吗？ 是 → 可以下载使用。走完这五步，能避免"下了 200 GB 才发现不适用"的常见浪费。

2.13 核心指标一览（V6）

指标	数值	来源
集合级受试	101	TCIA 页头 Subjects
总规模	203.94 GB	TCIA 页头 Size
放射受试	50	V6 放射表
放射研究	157	V6 放射表
放射序列	1,074	V6 放射表
放射图像	139,173	V6 放射表
放射体积	78.94 GB	V6 放射下载链接
病理受试	99	V6 病理表
病理切片	136	V6 病理表
病理体积	125 GB	V6 病理下载链接
放射模态数	5（MR/CT/MG/US/PT）	V6 放射表
数据类型	Histopathology, WSI, MR, CT, MG, US, PT	页头
更新时间	2026/07/02	页头 Updated
状态	Ongoing	页头 Status

口径自洽校验：78.94 + 125 = 203.94 GB（与页头一致）；50 放射 + 99 病理 ≥ 101 集合级（差值为重叠受试）。

§3 多模态构成与纵向设计详解

3.1 五种放射模态各自回答什么临床问题

CMB-BRCA 的放射模态不是随机堆砌，每一种对应着乳腺癌诊疗路径上不同的临床问题。**MG（乳腺 X 线摄影，mammography）**是乳腺癌影像的主干，用于筛查与病灶的初步定位，尤其在钙化灶评估上不可替代；**MR（磁共振）**在乳腺的应用集中于高危人群补充筛查、术前分期（多灶/多中心评估）以及新辅助化疗后的疗效监测，其软组织对比优势让它成为"治疗反应"的重要观察窗；**US（超声）**常作为 MG 的补充，用于致密型乳腺与可触及肿块的进一步评估；CT 在乳腺原发灶本身并非首选，但在分期（肺、肝、骨等远处转移排查）中承载全身视野；PT（PET）则在分期与疗效代谢评估中发挥作用。这五种模态在同一个集合内并存，意味着 CMB-BRCA 天然适合做跨模态对齐与融合研究——例如"由 MG 到 MR 的表征迁移""影像组学特征在不同模态间的稳定性"等。但要牢记 2.2 的提醒：模态是"或"关系，不存在一个所有模态齐全的规整子集，做多模态实验前必须先按模态清点可用受试。

逐模态速览表（帮助快速判断某模态是否适配你的任务）：

模态	全称	乳腺癌主要用途	数据维度	在 CMB-BRCA 的角色
MG	乳腺 X 线摄影	筛查、钙化/肿块检测	2D 投影	乳腺影像主干
MR	磁共振	高危筛查、术前分期、疗效监测	3D 体数据	治疗反应观察窗
US	超声	致密乳腺、肿块评估	2D/序列	MG 的补充
CT	计算机断层	分期、转移排查	3D 体数据	全身视野
PT	正电子发射断层	分期、代谢评估	3D 体数据	代谢功能信息

一个易被忽视的事实：模态的临床用途差异意味着同一受试的不同模态可能采集于不同时间点、服务于不同临床目的。例如 MG 可能在初诊时采，MR 可能在术前或化疗中采，CT/PET 可能在分期时采。因此跨模态分析时，“同一受试"不等于"同一时点”——若要严格对齐时间，须结合 (0012,0053) 逐模态核对。这是多模态建模中一个容易被忽略却影响结论的时间一致性陷阱。

3.2 组织病理与放射的对偶：同一患者的两种"看组织"方式

CMB-BRCA 之所以冠以"多模态"，很大程度在于它同时提供了放射影像与组织病理 WSI两个维度。这两者其实是同一个生物学对象（肿瘤组织）的两种观测方式：放射是"从体外、宏观、在体的形态与信号"，病理是"取出、微观、离体的细胞与组织结构"。把两者通过同一受试 ID 连起来，可支撑**放射-病理配对（radiogenomics / radio-pathomics 的影像端）**研究——即从无创影像中推断需要通过有创取材才能得到的组织学特征。这正是精准肿瘤学追求的"以影像替代部分活检"的路径，而 CMB-BRCA 提供了 99 名有病理、其中相当一部分同时有放射的配对语料。需要强调：集合页未提供病灶与切片的显式空间配准，配对停留在"同一受试"层面，任何更细的对齐都需要研究者自建。

为什么"以影像替代活检"如此有吸引力？ 活检是有创的、取样有偏（只取一小块）、且无法反复进行；而影像无创、覆盖全肿瘤、可重复。若能从影像可靠推断组织学特征（如分级、增殖活性、分子标志），就能在不增加患者创伤的前提下实现"虚拟活检"。CMB-BRCA 的配对语料使这一方向的可行性研究成为可能，但须清醒：配对粒度（受试级）与样本量（百例级）决定了它适合方法学探索而非结论性验证。此外，"同一受试"的放射与病理往往在时间上有先后（可能先影像后手术取材），时间差会影响两者的一致性解读。

3.3 纵向随访：状态 Ongoing 的含义

集合页状态标注为 “Ongoing”，这不是修辞，而是方法学事实。从版本链（§4）可见，受试与切片计数在 V1→V6 期间几近逐版翻倍，且更新日期从 2024/08 一路推进到 2026/07。这意味着：任何对 CMB-BRCA 规模的引用都是一个"快照"，读者必须一并给出版本号与更新日期，否则数字会随时间失效。对研究者而言，Ongoing 是双刃剑：好处是数据在长大，晚些下载可能拿到更多受试；代价是可复现性——若论文说"用 CMB-BRCA 训练"，审稿人有理由追问用的是哪一版。实践建议是：在方法部分显式记录下载时的版本号（如 Version 6, 2026/07/02）与下载日期，并在分析脚本里固化对应的清单（manifest）文件。

进一步说，Ongoing 状态还带来一个**“样本量随时间膨胀"的统计陷阱**。假设某团队在 2025 年用 V4 的 33 名放射受试训练模型、报告了指标，另一团队在 2026 年用 V6 的 50 名受试复现，若不复现版本就很可能无法得到一致结果。更微妙的是，V6 明确记载"1 名原 Restricted 患者转为 CC 4.0 开放数据”——这意味着 V6 的公开受试集合并非 V5 的简单超集，而包含了个别访问状态的变化。对严格的可复现性研究，正确做法是把 .tcia 描述文件连同软件版本一并归档，视为实验材料的一部分。

3.4 纵向随访的临床意义：为什么"治疗演化"值得专门建模

要理解 CMB-BRCA 的纵向设计为何珍贵，须回到乳腺癌临床实践。浸润性乳腺癌的标准治疗往往包含新辅助化疗（neoadjuvant chemotherapy）——即在手术前先给药以缩小肿瘤。新辅助治疗的核心临床问题正是药物敏感性：同一方案下，有的患者肿瘤显著退缩（pathologic complete response），有的却进展。若能预测谁会对方案敏感，就能避免无效治疗带来的毒性延误。这个问题在本质上是时序的：需要在治疗前、中、后的多个时间点观察肿瘤影像与病理的变化。而大多数公开影像数据集是单时点的快照，根本承载不了这种"变化率"信息。CMB-BRCA 通过多次研究（人均约 3.14 个研究）与入组天数对齐，恰好提供了构建"治疗演化轨迹"所需的时序结构。这是它区别于所有静态乳腺癌标注集的方法学差异化价值。

3.5 数据完备性：为什么"没有标注"不是缺陷而是定位

初学者常把"CMB-BRCA 没有分割/分类标签"当作缺陷。更准确的理解是：这是 biobank 型数据的定位使然，而非质量欠缺。Biobank 的核心承诺是"真实、纵向、可关联、可合规释放"，它的价值在于输入端的广度与真实性，而非输出端的标签精度。对于自监督预训练、基础模型（foundation model）语料、域适应（domain adaptation）源域、以及去标识化/质量控制管线的测试集，无标注恰恰是它的适用场景。反之，若要做有监督的病种分类，则应把 CMB-BRCA 当作预训练语料，把有标签的小数据集当作下游任务。把数据集用在它被设计来服务的场景，是 AI-Ready 使用的第一原则。

3.6 结构化缺口：CMB-BRCA 补上的那一环

评价一个数据集，厘清它补上了前人缺失的哪一环，比罗列字段更有价值。此前公开的乳腺癌影像集合，普遍存在"三缺一"的结构性缺口：有模态、有标注，但缺纵向性（CBIS-DDSM、BreakHis 均如此）。CMB-BRCA 补的正是纵向性这一环——它牺牲了任务标注，换来了时间维度，并且这一维度是无法事后补建的（见 §3.4，静态数据集无法回到过去补采随访影像）。因此更准确的说法不是"CMB-BRCA 缺标注"，而是"CMB-BRCA 与他人做了不同的取舍"：它把有限的生产成本投入到合规去标识化、多模态整合与纵向对齐，而非专家标注。理解这一取舍，使用者才能判断它是否与自己的问题匹配。

3.7 数据治理视角：为什么"分级开放"是必然

CMB-BRCA 的许可结构（影像开放、分子受控）不是巧合，而是数据治理逻辑的必然结果。基因型数据具有内在可识别性——理论上可借公开的基因型参考库反推个体身份，因此即便"去标识化"也无法消除再识别风险，只能走受控访问。而影像数据（尤其经彻底去标识化、去除面部等识别信息后）再识别风险相对可控，可直接开放。CMB-BRCA 把这两类数据分置于 TCIA 与 dbGaP，正是按数据的再识别风险等级差异化处理的实践。理解这一点，研究者在设计多组学数据方案时就能预判：分子侧永远比影像侧门槛高，应尽早启动受控数据申请，避免成为项目瓶颈。

3.8 模态间的技术差异与融合难点

多模态融合听起来美好，落地却有一系列技术难点，CMB-BRCA 把它们原样呈现了出来。（1）空间维度不同：MG 是二维投影，CT/MR/PET 是三维体数据，US 是实时二维扇面——把它们映射到统一表征需要专门的编码策略（如 2D 投影 vs 3D 卷积 vs 序列建模）。（2）分辨率与体素间距不同：CT 与 MR 的体素间距可差数倍，重采样到统一网格会引入插值误差。（3）强度语义不同：CT 的亨氏单位（HU）有物理意义，MR 的强度是相对的，不可直接比较——归一化策略须分模态定制。（4）时间对齐粒度不同：一次"研究"内可能有多个序列，跨研究又有入组天数，融合时要决定在哪一层做时间聚合。（5）病理与放射的尺度鸿沟：WSI 达像素级微米分辨率，放射是毫米级，二者融合更多是语义层面（semantic-level）而非像素层面。这些难点不是 CMB-BRCA 的缺陷，而是多模态医学 AI 的通用挑战——用它做研究，等于在真实难度下训练方法。

3.9 纵向设计的三种时间粒度

CMB-BRCA 的时间结构可分三个粒度理解，研究者须据任务选择合适粒度。粗粒度：入组天数（(0012,0053)）——把每次影像锚定到入组后的相对时间，适合跨受试的可比分析；中粒度：研究序列顺序——同一受试的多次研究天然构成一个时间序列，适合个体内的轨迹建模；细粒度：序列内时间——某些动态扫描（如增强多期）本身含时间维，适合血流动力学建模。常见错误是混用粒度：把不同受试的绝对间隔直接比较（粗粒度却按绝对值处理），会因入组时间不同而产生偏差。正确做法是统一到入组天数坐标再做跨受试比较。

3.10 与"新辅助治疗反应"研究的具体连接点

把 CMB-BRCA 的能力落到一个具体高价值研究场景——新辅助化疗（NAC）反应预测——可以看到数据与问题的精确咬合。研究需要：（a）治疗前影像评估基线肿瘤负荷；（b）治疗中影像（如中期 MR）观察早期反应；（c）治疗后/术后病理判定是否达病理完全缓解（pCR）；（d）纵向时间坐标确保前后可比。CMB-BRCA 恰好提供 a/b 的影像与 d 的时间锚，而 c（pCR）属临床/病理结局——部分可能存在于病理 JSON 或需经受控渠道获取。这提示一个现实的研究分工：影像侧用公开的 CMB-BRCA，结局标签侧需评估受控数据的可得性。这正是 §6.4 许可落差在具体问题上的体现，也是设计此类研究时最先要厘清的事。

§4 版本链与规模演化：一个快速长大的集合

CMB-BRCA 的版本史本身就是一份"数据如何逐版生长"的实录。以下数字全部实抓自 TCIA 集合页，可作为版本对照的权威口径：

版本	更新日期	变更摘要	放射（受试/研究/序列/图）	病理（受试/切片）
V1	2024/08/28	首次发布，仅病理	—	26 / 35
V2	2024/12/17	为 1 名原仅病理患者补放射	1 / 6 / 59 / 7,552	26 / 35
V3	2025/05/09	+10 放射；病理 +50 患者 & +61 切片；出现 Restricted 子集	10 / 22 / 148 / 21,318（+受限 6/7/28/8,065）	77 / 98
V4	2025/10/10	+24 放射；病理 +16 患者 & +27 切片	33 / 75 / 528 / 65,798（+受限 23/43/151/42,261）	96 / 125
V5	2026/05/29	移除不可用的 Restricted 影像部分	33 / 75 / 528 / 65,798	96 / 125
V6	2026/07/02	+16 放射；1 名受限患者转公开；病理 +3 新患者 & 3 患者补数据（+11 切片）	50 / 157 / 1,074 / 139,173	99 / 136

从这张表可读出三条关键趋势。其一，放射部分在 V6 出现跃升：受试从 33 跳到 50（+52%），图像从约 6.6 万跳到 13.9 万（翻倍还多），说明 CMB 的影像释放节奏正在加快，且 V6 一次性补齐了大量既有患者的影像。其二，Restricted 子集是一段有始有终的插曲——它 V3 出现、V4 扩大、V5 被整段移除，其存在说明项目曾尝试以 NIH 受控访问方式释放部分敏感影像，但最终选择只保留 CC BY 4.0 的公开部分。其三，病理增长相对平缓且稳定：从 V1 的 26 受试一路到 V6 的 99 受试，路径清晰、无删除。这些趋势对使用者的直接启示是：引用放射数字尤其要带版本——一个写于 2025 年的分析若用 33 受试，与用 V6 的 50 受试，结论的外部效度是不同的。

4.1 逐版本解读

V1（2024/08/28）——从病理起步。 CMB-BRCA 的首次亮相只有病理（26 受试 / 35 切片），没有放射。这说明项目的发布节奏是"先易后难"：组织病理经病理科数字化后相对独立，而放射影像的合规去标识化、跨站点汇聚更复杂。理解起点有助于理解为何病理受试数长期领先放射。

V2（2024/12/17）——放射零的突破。 本版仅新增 1 名放射受试（6 研究 / 59 序列 / 7,552 图），却是关键的一步：它验证了放射影像从采集到发布的整条管线可行。7,552 图 / 1 受试的体量提示该受试的多序列（如多期相增强扫描）产生了大量切片。

V3（2025/05/09）——第一次规模化，也是受限子集的诞生。 放射跳到 10 受试、21,318 图；病理一次增加 50 名患者与 61 张切片（跳到 77/98）。本版的另一标志是首次出现 Restricted（受限）影像子集（6 受试 / 7 研究 / 28 序列 / 8,065 图），适用 NIH Controlled Data Access Policy。

V4（2025/10/10）——规模再翻，受限子集扩大。 放射公开部分 33 受试 / 65,798 图；受限部分扩大到 23 受试 / 43 研究 / 151 序列 / 42,261 图；病理 96/125。

V5（2026/05/29）——收缩与净化。 本版最大的动作不是增加，而是移除：把"不可用的受限影像部分"整段删除。因此放射公开数字与 V4 持平（33/75/528/65,798），但集合的许可结构变得更单纯。

V6（2026/07/02）——当前版本，最大跃升。 放射 50/157/1,074/139,173；病理 99/136。同时记载"1 名原受限患者转为 CC 4.0 公开"——说明受限与公开之间的状态迁移是双向的，这对追踪特定受试的可用性很重要。

4.2 版本演化给研究的启示

版本链不仅是历史，更是方法学约束。它提示三点：（1）引用即快照——所有计数须带版本与日期；（2）许可会变——V3-V4 曾存在的受限数据可能在后续版本中消失，依赖受限数据的分析将无法复现；（3）受试集合非单调增长——V6 有患者从受限转公开，理论上也可能存在反向迁移，因此"某受试在 V6 可用"不等于"在所有版本可用"。严格的复现研究应把某版本的完整 manifest 归档为实验材料。

4.3 增长速率的量化透视

把版本链做算术处理，能看出一些非显性规律。放射受试增长率：V2 的 1 → V3 的 10（×10）→ V4/V5 的 33（×3.3）→ V6 的 50（×1.5），增速在放缓但绝对增量仍大；放射图像增长率：V3 的 21,318 → V4 的 65,798（×3.1）→ V6 的 139,173（×2.1），图像增长快于受试增长，说明新增受试带来的图像密度在提高（可能因多模态采集增多）。病理受试增长：26 → 77 → 96 → 99，早期跃升、后期趋缓，呈饱和迹象。综合判断：放射侧仍在快速扩张，病理侧趋于稳定——这提示未来若需大规模数据，应关注放射侧的新版本。需强调：这些是从公开发布节奏反推的趋势推断，非项目官方预测。

4.4 受限子集的兴衰说明了什么

Restricted 子集"V3 出现—V4 扩大—V5 移除"的轨迹，是一段值得解读的数据治理案例。它至少说明三点：（1）项目曾认真尝试为敏感影像提供受控访问通道，走 NIH Controlled Data Access Policy；（2）该通道最终未被保留，V5 以"移除不可用的受限影像部分"为由删除——可能因受控发布的运维成本、或数据本身的可用性问题；（3）最终路径选择了"只保留可公开部分"的简洁策略。对使用者的启示是：不要把受限子集作为长期依赖，因为它已证明可能被撤回。这也从侧面印证了 CMB-BRCA 的定位取向——优先做"干净可开放"的数据，而非"多而杂"。

4.5 如何正确引用一个 Ongoing 数据集

对 Ongoing 数据集，规范的引用应包含"数据集 + 版本 + 日期 + DOI + 访问日期"。以 CMB-BRCA 为例，推荐写法：Cancer Moonshot Biobank. (2024). Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection (CMB-BRCA) (Version 6) [dataset]. The Cancer Imaging Archive. https://doi.org/10.7937/dx22-8j71 (accessed 2026-10-09). 关键点：（1）版本号必现（Version 6）；（2）访问日期必现（因数据可能更新）；（3）DOI 必现。不要在正文只写"CMB-BRCA 数据集"而不给版本与访问日期。这一规范同样适用于库内其他 Ongoing 数据集，是 AI-Ready 引用的通用纪律。

4.6 版本间增长指标速算

区间	放射受试增量	放射图像增量	病理受试增量	病理切片增量
V1→V2	+1	+7,552	0	0
V2→V3	+9	+13,766	+51	+63
V3→V4	+23	+44,480	+19	+27
V4→V5	0	0	0	0
V5→V6	+17	+73,375	+3	+11
累计（V1→V6）	+50	+139,173	+73	+101

注：病理切片 V1→V6 累计由 35 → 136 = +101（V2→V3 区间含病理大扩容）。上表帮助快速识别"哪一版变化最大"——V5→V6 的放射图像增量（+73,375）为全期之最。

§5 任务与标注：能做什么、不能做什么

5.1 能力清单：CMB-BRCA 适配的任务族

基于其多模态、纵向、生物样本库型属性，CMB-BRCA 的合理任务族包括：

自监督/多模态预训练：五种放射模态 + 病理 WSI 的多视角语料，适合掩码重建（masked image modeling）、对比学习（contrastive learning）等无标签预训练。得益于真实世界采集条件的多样性，预训练得到的表征对下游任务的外部效度通常优于单一中心数据。
跨模态对齐与迁移：MG↔MR↔US 之间的表征对齐；放射与病理的配对建模（radio-pathomics 的影像端）。这需要先按受试清点配对可用性（见坑 1）。
纵向建模：利用 (0012,0053) 入组天数，建模肿瘤随治疗的影像演化，服务耐药/敏感性预测与疗效评估。这是本集合相较其他乳腺癌数据集的差异化能力。
去标识化与质量控制方法学：真实 DICOM 数据的管线鲁棒性测试，包括格式合规、字段完整性、时间戳变换的可逆性验证等。
影像组学（radiomics）特征稳定性研究：多模态、多设备、多站点条件下的特征可复现性（reproducibility）评估。
域适应源域：社区肿瘤实践（NCORP）产生的影像作为贴近真实世界的源域，向学术中心数据或标注集合迁移。
数据治理与合规研究：作为"分级开放 + 保序去标识化"的案例，研究医学数据合规发布的方法论。

5.1.1 任务适配度的量化视角

用四个维度给上述任务定位，帮助快速筛选：

任务	需要标注？	需要纵向？	需要多模态？	CMB-BRCA 适配度
自监督预训练	否	否	是（加分）	★★★★★
跨模态对齐	否/弱	否	是（必须）	★★★★☆
纵向疗效建模	弱	是（必须）	是（加分）	★★★★★
放射-病理配对	否	否	是（必须）	★★★☆☆（配对粒度粗）
有监督分类	是	否	视任务	★☆☆☆☆（无标签）
有监督分割	是（掩码）	否	视任务	☆☆☆☆☆（无掩码）
影像组学稳定性	否	否	是（加分）	★★★★☆

5.2 能力边界：它明确不提供什么

无像素级/病灶级标注：集合页未声明任何病灶勾画、分割掩码或 ROI。
无分类标签：不直接提供"良性/恶性""分子亚型"等型号标签供有监督训练。
无分子/基因组字段：这些在 dbGaP 与 Clinical Commons，不在本集合内。
无显式放射-病理空间配准：配对仅到"同一受试"粒度。
非整洁基准：不存在划分好的 train/val/test，需使用者自建划分并防止受试泄漏（同一受试多研究多切片，划分必须以受试为单位，否则会因同一患者同时出现在训练与测试集而高估性能）。

边界背后的逻辑：这些"不提供"并非疏漏，而是生物样本库型数据的设计选择——它优先保证"真实、纵向、合规开放"，故不在生产阶段投入标注成本。把边界视为"排除项"而非"缺陷"，才能正确判断它是否适配。使用者的正确心态是：为任务找齐工具，而非要求一个工具做所有事。

5.3 标注体系的本体说明：元数据 ≠ 标注

必须区分两件事：CMB-BRCA 有元数据（metadata），但没有标注（annotation）。元数据是描述性字段——受试/研究/序列/图像的计数、模态类型、DICOM 采集参数、病理 JSON 中的切片信息、入组天数等；标注是为特定任务人为赋予的目标值——类别、边界框、掩码、分级。TCIA 集合页提供 “nbia-digest.xlsx” 一类的清单文件，其中是下载清单与元数据，不含任务标签。检索者若把元数据误当标注，会做出错误的可行性判断。这一区分也是 AI-Ready 评估中"数据可用性 ≠ 任务可用性"的核心。

元数据的十二类常见字段（便于规划解析）：（1）受试标识；（2）研究标识与日期；（3）序列标识与模态；（4）图像计数；（5）采集参数（如层厚、序列名）；（6）入组天数（0012,0053）；（7）切片标识（病理）；（8）染色类型（病理）；（9）机构/站点（可能去标识）；（10）设备信息（可能有限）；（11）文件格式与路径；（12）体积与校验信息。这些字段支撑检索、筛选、QC 与对齐，但都不构成任务标签。研究者可基于元数据构建"数据地图"，但仍需自行或经受控渠道获得任务标签。

5.4 与其他乳腺癌集合的互补矩阵

集合（库内 rid）	模态	标注	规模量级	与 CMB-BRCA 的关系
CMB-BRCA（本条）	多模态放射 + 病理	无任务标注	101 受试/203.94GB	真实纵向多模态语料
CBIS-DDSM (541)	MG	病灶 ROI + 病理金标准	数千例	有标签任务基准；CMB-BRCA 下游
BreakHis (126)	病理显微图	良恶性/亚型	数千图	有标签分类基准
BCNB (28)	病理 WSI	多指标标注	千例	早期乳腺癌标注集
Duke-Breast-MRI (440)	MRI	部分标注	数百例	单模态 MRI 对照
BUSI (539)	超声	分割标注	数百图	超声端有标签基准
VinDr-Mammo (543)	MG	BI-RADS 标注	数千例	筛查端有标签对照

矩阵传达的判断是：CMB-BRCA 在"标注"维度上是空白，但在"模态广度 + 纵向性 + 合规开放性"维度上是库内乳腺癌条目中最强的之一。二者互补——用 CMB-BRCA 做表征预训练，用 CBIS-DDSM/BreakHis/BCNB 做下游有监督任务，是一条顺理成章的技术路线。

5.5 "预训练语料 + 下游基准"的组合范式

上面矩阵指向一个可操作的研究范式，值得展开说明。核心思想：CMB-BRCA 提供大规模无标签真实影像用于自监督预训练，得到泛化表征；随后在有标签的小数据集（CBIS-DDSM/BreakHis/BCNB）上做微调与评估，衡量表征的任务价值。这一"预训练-微调"范式的优势在于两个数据集各司其职：CMB-BRCA 负责"广度与真实性"，标注集负责"正确性度量"。实施要点：（1）预训练时按受试划分，避免泄漏；（2）若下游任务模态与 CMB-BRCA 子集不一致（如仅用 MG），预训练只取对应模态以避免分布不匹配；（3）报告基线时要说明预训练语料的规模与版本，否则无法比较。这一范式也是当前医学影像基础模型研究的主流做法，CMB-BRCA 是其中少见的、许可宽松的多模态预训练料。

§6 获取与许可：门在哪里、怎么进

6.1 三块资产、三种路径

CMB-BRCA 的获取要按资产类型分路。放射影像（公开 CC BY 4.0）：经 TCIA Data Retriever 下载，先在 NBIA Search 里把集合加入收藏车（saved cart），再取回。集合页为 V6 提供了专门的收藏车链接与 .tcia 下载描述文件（CMB-BRCA_v06_20260702.tcia）。组织病理（公开 CC BY 4.0）：经 IBM Aspera Connect 插件（高吞吐传输，适合 125 GB 级 WSI）下载 Faspex 包，或经 PathDB Eaglescope 检索与预览。关联临床/基因组：离开 TCIA，转赴 **dbGaP（phs002192）**与 Clinical Commons（NCT04314401）。

获取工具详解表：

工具	用途	目标资产	前置要求
NBIA Search	检索与建立收藏车	放射影像	浏览器
TCIA Data Retriever	下载 DICOM	放射影像	安装客户端 + .tcia 文件
IBM Aspera Connect	高吞吐文件传输	病理 WSI	安装浏览器/桌面插件
PathDB Eaglescope	病理检索与预览	病理 WSI	浏览器
IDC Portal	共享购物车检索	放射影像	浏览器

获取路径的常见误区：（1） 以为点开集合页链接就能下载——放射需先建收藏车并配合客户端；（2） 忽视 Aspera 插件——无插件时上百 GB 的 WSI 传输会极慢甚至失败；（3） 把 .tcia 当数据——它只是描述文件，体积很小；（4） 忘记先按 TCIA 政策登记用途。理清这些，下载环节能少走弯路。

6.2 许可结构：一个被简报写反的关键点

实抓结论：Version 6 的放射与病理两部分均为 CC BY 4.0。CC BY 4.0 是最宽松的开放许可之一，允许使用、复制、改编、再分发乃至商用，唯一实质条件为署名（attribution）。TCIA 在此基础上追加了 Data Citation Required——即在署名中必须包含官方 Data Citation，且必须包含 DOI 10.7937/dx22-8j71。

集合页同时给出所引用的完整官方引文（Version 6）：

Cancer Moonshot Biobank. (2024). Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection (CMB-BRCA) (Version 6) [dataset]. The Cancer Imaging Archive. https://doi.org/10.7937/dx22-8j71

须向主会话存照的口径冲突：主会话简报称"病理切片走 NIH Controlled Data Access Policy"。实抓显示：当前（V6）病理为 CC BY 4.0 公开； NIH Controlled Data Access Policy 仅适用于 V3-V4 期间存在的 Restricted 影像子集，该子集已在 V5 移除。全文按实抓为准（另见 §9 双口径存照）。此外使用还须遵守 TCIA Data Usage Policy and Restrictions，其核心是禁止任何重新识别受试者身份的尝试、禁止将数据用于重新识别或损害受试者权益的目的。

三种许可的横向对照（帮助判断自身场景是否可自由使用）：

许可/政策	适用数据（CMB-BRCA 内）	可否商用	可否再分发	实质条件
CC BY 4.0	放射（V6）+ 病理（V6）	可	可	署名 + Data Citation
NIH Controlled Data Access Policy	历史 Restricted 影像子集（V3-V4，已移除）	按批准用途	否	申请 + 获批 + 用途约束
TCIA Data Usage Policy	全部（叠加约束）	视上游	视上游	禁再识别、禁损害受试

CC BY 4.0 的署名五要素：使用 CMB-BRCA 时，署名条目应至少含（1）数据集标题、（2）即 “Cancer Moonshot Biobank” 的创作者、（3）版本号（如 Version 6）、（4）发布方 TCIA、（5）DOI 10.7937/dx22-8j71。缺任一项均属不完全合规。

6.2.1 “Data Citation Required” 与普通 CC BY 的区别

CC BY 4.0 只强制"署名（attribution）"，而 TCIA 追加的 “Data Citation Required” 把要求具体化为必须引用官方 Data Citation——这比泛泛署名更严格：它要求引用的是带有 DOI 的规范引文，而非"数据来自 TCIA"这类泛述。实践中，这意味着在论文参考文献或可用性声明（Data Availability Statement）中要完整照录前述引文，包含 DOI 与版本号。忽略这一点是最常见的合规瑕疵（见坑 9）。

6.3 实操要点与常见卡点

放射下载：.tcia 是描述文件而非数据本体，需配合 TCIA Data Retriever 客户端使用；直接点链接不会得到影像。
病理下载：需装 IBM Aspera Connect 浏览器插件，否则 125 GB 的 WSI 传输会非常低效；PathDB 适合先小样预览。
存储规划：完整公开部分约 203.94 GB，建议预留 ≥300 GB 余量（解压、中间产物、分片缓存）。
划分纪律：多切片/多研究的受试必须按受试切分训练/验证/测试，防患者级信息泄漏。
版本留痕：保存下载时的 .tcia/manifest 与版本号，确保可复现。

6.4 关联数据的申请门槛

若要打通"影像 + 临床 + 基因组"的完整链路，须了解：**Clinical Commons（NCT04314401）**提供开放访问的临床数据，以及受控访问的变异调用文件（VCF）与报告；dbGaP（phs002192）则是受控的基因组与临床数据，需通过 dbGaP 的标准数据访问申请（Data Access Request, DAR），说明研究用途并获数据访问委员会批准。这意味着CMB-BRCA 的完整价值链存在一个"公开影像 + 受控分子"的许可落差——影像侧 CC BY 4.0 几乎零门槛，分子侧却需要机构与研究用途双重把关。研究设计时应把这个落差纳入考虑，避免押注在未必获批的受控数据上。

三库对照表：

数据类型	托管库	访问政策	标识	获取方式
放射影像	TCIA	CC BY 4.0	doi:10.7937/dx22-8j71	Data Retriever
组织病理	TCIA	CC BY 4.0	同上	Aspera/PathDB
临床数据	Clinical Commons	开放	NCT04314401	在线访问
变异调用/报告	Clinical Commons	受控	NCT04314401	申请
基因组/临床	dbGaP	受控	phs002192	DAR 申请

6.5 DAIMS 数据资产成熟度评估

参照数据资产管理（Data Asset Maturity）框架，对 CMB-BRCA 打分（1-5 分制，5 为最佳）：

维度	评分	依据
可发现性（Discoverability）	5	TCIA 集合页 + DOI + Datacite 落地页，三处可检索
可获取性（Accessibility）	4	公开部分 CC BY 4.0 直下；病理需 Aspera 插件略增门槛
互操作性（Interoperability）	4	标准 DICOM + SVS；DICOM tag 0012,0053 支持纵向对齐；分子侧需跨库
可复用性（Reusability）	3	无任务标注、无显式训练划分，复用需自建标注与划分
许可清晰度（Licensing）	5	CC BY 4.0 明确；官方 Data Citation 规范
元数据完备度（Metadata）	4	计数、模态、病理 JSON 齐全；缺放大倍率/扫描仪型号
版本管理（Versioning）	5	V1-V6 版本链完整、变更摘要清晰、更新日期明确
长期保存（Persistence）	5	NCI/TCIA 机构背书，DOI 持久标识
综合	4.4 / 5	顶级开放影像语料；短板在任务级标注与受控分子侧

DAIMS 结论：CMB-BRCA 作为数据资产的成熟度极高（可发现、可获取、有版本、有 DOI），其评分短板（可复用性 3）并非质量问题，而是定位使然——它是语料库，不是任务基准。使用者应据其定位设计用途。

6.6 许可兼容性与下游发布注意

CC BY 4.0 的宽松性带来一个常见疑问：基于 CMB-BRCA 训练的模型或其产物能否再发布/商用？ 一般理解是：模型权重通常不视为数据集的派生作品（derivative），可自由发布（但仍应致谢并遵守 TCIA 使用政策的精神）；由原始影像直接衍生的数据（如裁剪、重采样的影像副本）则属派生作品，须以兼容方式署名再分发；直接再分发原始 DICOM/WSI 也须保留署名与引用。由于不同法域与机构对"派生作品"的界定可能有别，商业用途前建议咨询法务，尤其注意 TCIA 使用政策中关于不得再识别、不得损害受试权益的硬约束。CC BY 4.0 虽允许商用，但其前提是不违反这些保护性条款。

6.7 与受控数据申请的衔接时间表建议

CMB-BRCA 的完整价值链含"公开影像 + 受控分子"两段，若研究需要后者，建议按以下节奏规划：（1）项目立项期即评估是否需要 dbGaP/Clinical Commons 数据，确定是否需要 DAR（Data Access Request）；（2）早期提交 DAR，因审批常有周期，避免中途卡壳；（3）先推进影像侧（公开、可立即下载），不被分子侧审批阻塞；（4）获批后按批准用途合并，遵守访问控制与不再识别条款；（5）成果发布时分别致谢公开与受控数据源。这一"并行推进、公开先行"的策略，能最大限度降低受控审批成为项目瓶颈的风险（呼应 §6.4 与 §3.7 的判断）。

§7 生态与影响：一个国家级倡议的影像端口

7.1 CMB 倡议的定位与规模承诺

CMB-BRCA 不能脱离其母项目单独理解。Cancer Moonshot Biobank 是 NCI 在"癌症登月计划"（Cancer Moonshot）框架下发起的生物样本库倡议，其公开承诺是：在至少 1000 名患者、至少 10 种癌症类型中，围绕标准治疗纵向采集血液与组织样本及关联数据，目标服务于药物耐药与药物敏感性研究。这一承诺的规模感是理解 CMB 系列数据量为何持续增长的关键：1000 名患者的影像化子集会随临床入组逐步释放，TCIA 上的九个癌种集合就是这一释放的切片。CMB-BRCA 作为乳腺癌支，其 101 名当前受试只是这条长曲线上的一个中间点。

为什么药物耐药如此重要？ 癌症治疗最大的挫败之一，是起初有效的方案随疗程推进而失效——肿瘤产生耐药。要理解耐药，必须观察同一患者随时间的变化：治疗前的肿瘤特征、治疗中的反应、治疗后的演变。这正好需要一个纵向、可关联分子与临床的影像队列，CMB 正是为此设计。因此 CMB-BRCA 的 101 名受试不是普通样本，而是被设计来回答"治疗如何演化"问题的纵向序列。理解这一点，就理解了它为何反复强调入组天数与多次采集——这些设计不是冗余，而是为耐药研究量身定做的。

7.2 三库分工：一个被有意设计的分布式架构

CMB 的数据架构值得单独点出，因为它是"同一队列、多种数据类型、多种访问政策"的教科书式案例。影像 → TCIA（公开，CC BY 4.0 为主）；临床数据 → Clinical Commons（开放临床 + 受控变异）；基因组与部分临床 → dbGaP（受控）。这种拆分不是技术限制，而是合规设计：影像经过充分去标识化后风险相对可控，可直接开放；而基因型数据具有内在可识别性（理论上可从基因型反推个体），必须走受控访问。理解这一"分而治之"的政策逻辑，对任何想使用多组学数据的研究者都是必修课——它预示了未来真实世界医学数据释放的常态：不是全开或全闭，而是按数据类型分级开放。

分级开放的三档模型：

档次	数据类别	典型政策	门槛
完全开放	去标识放射/病理影像	CC BY 4.0	署名即可
半开放	临床数据（无敏感标识）	注册访问	登记用途
受控	基因组、变异、敏感标识	NIH Controlled / DAR	申请获批

为什么这与 AI-Ready 相关？ 对模型开发者而言，分级开放决定了可用的训练信号上限——影像信号可全量获得，分子/结局信号则有条件。设计多模态模型时若不考虑这一点，可能做出"需要训练时拿不到的标签"的不可行方案。先摸清数据可得性，再定模型架构，是 AI-Ready 研究的重要纪律。

7.3 在乳腺癌影像数据集景观中的独特生态位

乳腺癌影像领域已有大量数据集，CMB-BRCA 的生态位相当独特。筛查/诊断方向有 CBIS-DDSM（MG + 病理金标准）、VinDr-Mammo（MG + BI-RADS）、InBreast、Swiss-Mammo；病理方向有 BreakHis、BCNB、BreastPathQ；MRI 方向有 Duke-Breast-MRI。这些集合的共同点是围绕单一模态、服务单一任务、配以人工标注。CMB-BRCA 恰好相反：多模态并存、服务纵向真实世界研究、无任务标注。它填的是"真实世界纵向多模态语料"这个此前稀薄的位置，与所有单模态标注基准形成互补而非替代关系。这种独特性的代价就是通用性下降——它无法直接回答"AUC 多少"，但能支撑"模型在真实数据上稳不稳"。

7.4 与 CMB 家族成员的互操作性

由于九个 CMB 集合共享同一采集协议、同一去标识化管线、同一时间对齐机制（(0012,0053)），它们之间存在天然的互操作性。研究者可跨癌种合并以扩大预训练语料，或进行跨癌种的迁移研究（例如"乳腺影像预训练的表示能否迁移到肺/前列腺"）。但合并前必须核对三点：模态交集（各集合模态不同）、术语一致性（癌种/器官的标注口径）、以及版本同步（不同集合更新节奏不同）。这一互操作性是 CMB 相比零散独立数据集的一大结构性优势，也是"一个倡议统一生产"带来的规模化红利。

7.5 对 AI-Ready 数据实践的启示

CMB-BRCA 在生产方式上提供了三条可迁移经验。第一，标准即资产：坚持用 DICOM、SVS 等临床标准格式，配合标准化的去标识化，使数据天然具备互操作性，避免了大量清洗成本。第二，时间维度是护城河：把入组天数嵌入 DICOM，使数据集从"横截面"升级为"时间序列"，这是很多数据集缺失的、无法事后补建的高价值维度。第三，分级开放是可持续方案：影像开放、分子受控的架构，既最大化数据流通，又守住隐私底线，为敏感医学数据的长期发布提供了可复制的模板。

7.6 真实世界数据（RWD）视角下的价值

CMB-BRCA 的数据来自 NCORP 的多站点社区肿瘤实践，这使其天然具备真实世界数据（Real-World Data, RWD）的属性。与临床试验数据相比，RWD 的优势在于贴近临床实际、样本异质性高、外推性好；劣势在于采集不规范、缺失多、混杂因素复杂。CMB-BRCA 在 RWD 的"优势侧"表现突出（多点、纵向、多模态、真实设备），而在"劣势侧"通过生物样本库的统一方案部分缓解了采集规范性问题。对追求模型临床落地的研究者，在 RWD 上评估鲁棒性比在清洗过的学术数据集上更有说服力——这也是 CMB-BRCA 常被用作"真实世界测试集"的原因之一。

7.7 与同类国家级影像倡议的横向定位

除 CMB 外，医学影像领域还有多个国家级/大型倡议（如 TCIA 内的其他集合、以及各类多中心队列）。CMB-BRCA 在其中定位的独特性可概括为"三个绑定"：绑定生物样本库（与血液/组织样本及后续分子数据挂钩）、绑定纵向设计（入组时间锚）、绑定开放许可（CC BY 4.0）。多数大型影像集合只具备其中一到两项。三者同时具备，使 CMB-BRCA 成为连接"影像 AI"与"转化医学"的少数桥梁型资产——它既能服务影像算法研究，又能被下游的分子/临床研究引用，这正是其生态价值的来源。

7.8 患者维度隐私保护的社会意义

CMB-BRCA 的开放不是"技术可行就开放"，而隐含一套伦理判断：在充分保护受试隐私的前提下，把生物医学数据的价值最大化地回馈社会。CMB 的受试是在标准治疗中同意贡献样本与数据的患者，他们的贡献通过"去标识化 + 开放许可"转化为可被全球研究者使用的公共资产。理解这一层，使用者就更能体会 Data Usage Policy 中"禁止再识别"条款的分量——它不是繁文缛节，而是维系"患者愿意贡献 → 数据得以开放 → 研究惠及更多人"这一良性循环的关键。违反再识别禁令，损害的不是一纸条文，而是整个开放数据生态的社会信任基础。

7.9 对数据库建设者的启示

对千方病案医数集这类医数集库的建设而言，CMB-BRCA 提供了几点可借鉴的产品思路：（1）区分"语料型"与"标注型"条目，并在条目页显式标注类型标签，帮助检索者预期管理；（2）记录版本与快照，对 Ongoing 数据集应保留"截至某版本的规模"字段，避免数字过期；（3）消歧字段，对有缩写冲突的条目（如 CMB）应设专门的消歧说明；（4）互链的粒度分级（强/中/弱），帮助用户按需跳转。这些设计能把"数据集百科"从静态索引升级为带判断与导航的研究基础设施。

7.10 一个反面思考：CMB-BRCA 不适合什么宏大叙事

最后做一个清醒的反面提醒。不要把 CMB-BRCA 包装成"乳腺癌 AI 的万能钥匙"——它没有标签，无法直接产出分类/分割指标；样本量（101 受试）远不足以支撑从零训练大型模型；模态齐全度参差，限制了规整的多模态实验。它真正的价值是"一块拼图"，而非"整幅图"：在预训练、表征对齐、纵向建模、真实世界鲁棒性评估这些环节，它很难被替代；但在端到端有监督任务上，它几乎无用武之地。诚实地界定它的边界，比夸大的叙事更能帮助研究者用它做成事。

7.11 全维度数据集对照

为便于横向比较，下表汇总 CMB-BRCA 与库内主要乳腺癌条目的关键维度：

数据集	rid	主模态	标注类型	纵向	许可	规模	定位
CMB-BRCA	本条	多模态放射+病理	无任务标注	是	CC BY 4.0	101 受试/203.94GB	真实纵向语料
CBIS-DDSM	541	MG	ROI+病理金标准	否	公开	数千例	有标签基准
BCNB	28	病理 WSI	多指标	否	公开	千例	标注集
BreakHis	126	病理显微	良恶性/亚型	否	公开	数千图	分类基准
Duke-Breast-MRI	440	MRI	部分	否	受限	数百例	单模态对照
BUSI	539	超声	分割	否	公开	数百图	分割基准
VinDr-Mammo	543	MG	BI-RADS	否	公开	数千例	筛查对照
Swiss-Mammo	627	MG	标注	否	公开	数千例	筛查对照
InBreast	542	MG	标注	否	公开	数百例	MG 对照
TN-Mammo-Density	628	MG	密度	否	公开	数千例	主题相关
3D-Mammogram	942	MG(3D)	标注	否	公开	千例	方法学相关
BreastPathQ	268	病理	质量评分	否	公开	千图	方法学相关

横切结论：在库内乳腺癌条目中，仅 CMB-BRCA 同时具备"多模态 + 纵向 + CC BY 4.0"三项。其余条目或有标注但纵向缺失，或未公开。这确立了它不可替代的生态位。

§8 方法学启示与最佳实践

8.1 使用 CMB-BRCA 的五条最佳实践

先清点再实验：下载后用脚本统计各受试的模态分布与切片数，明确哪些受试可用于多模态实验，避免在数据不对称的子集上做假设。
按受试切分：任何训练/验证/测试划分以受试为单位，防止同一患者的多研究/多切片跨集泄漏。
显式记版本：在方法与代码中固化版本号、更新日期与 manifest，确保可复现。
时序字段先行：做纵向分析前，先解析 DICOM (0012,0053) 入组天数，构建受试级时间轴，再谈建模。
合规转引：发表时使用官方 Data Citation（含 DOI），不要在署名中省略 TCIA 与 BioBank 的归属。

8.2 三条常见误用与纠正

误用一：当作有标签基准。纠正：它无任务标签，请把标注需求转投 CBIS-DDSM/BreakHis/BCNB。
误用二：把 101 当作 50+99。纠正：101 是集合级去重值，放射与病理受试高度重叠。
误用三：引用旧版数字当现状。纠正：受试/图像计数逐版变化（如放射受试 33→50），务必带版本。

8.3 去标识化设计的可迁移手法

CMB-BRCA 的"保序不保真"去标识化（平移日期但保留相对时序）值得单独提炼为方法学经验：在隐私与科学价值冲突时，不一定要牺牲其一，可通过"保留结构、扰动具体值"的方式兼得。这一思路可推广到时间戳、地理位置、机构标识等所有"结构性敏感"字段的处理。它提醒数据生产者：去标识化不等于简单删除，精心的变换能在合规前提下保留大量研究价值。

8.4 与"标注密集型"生产路线的成本对照

CMB 家族走的是规模化真实语料路线，成本主要花在合规、去标识化与工程发布上；PANDA-PLUS 之类走的是标注密集型路线，成本主要花在专家工时上。两条路线的经济学不同：前者单位样本成本低但样本价值密度低（无标签），后者单位样本价值密度高但样本量受限。成熟的数据生态需要两者共存——大型开放语料喂养基础模型，精细标注集合度量与微调下游能力。CMB-BRCA 属于前者，理解其成本结构与价值定位，才能正确把它放进研究设计。

8.5 存储与计算工程提醒

面对 203.94 GB 的多模态、多格式数据，工程上有几点须提前规划：WSI 的 I/O 是瓶颈（单张 SVS 约 GB 级，随机读取代价高，建议预处理成图块金字塔或 HDF5/zarr）；DICOM 建议转 NIfTI/NRRD 或缓存为张量以便训练；模态异构需统一重采样与强度归一化；元数据须入库（把 manifest 结构化为可查询表，支持按受试/模态/时间灵活筛选）。这些工程前置工作是"能用起来"与"下载了放着"的分水岭。

8.6 隐私合规的工程清单

在真实临床数据上做研究，合规与隐私不是事后补的手续，而是工程的一部分。使用 CMB-BRCA 时至少做到：（1）遵守 TCIA Data Usage Policy，不尝试任何再识别；（2）不自建受试身份映射，不把去标识数据与院外数据做身份链接；（3）报告时聚合，避免披露可威胁个体隐私的细粒度信息（如罕见组合的唯一识别性）；（4）受控数据单独管理，dbGaP 数据按其批准用途与访问控制使用，不与公开影像违规合并发布。这套清单的本质是把"尊重受试"落实为可操作的技术约束。

8.7 一个联想式的使用范式：预训练-对齐-纵向三段式

综合本集合的能力，一个充分利用 CMB-BRCA 的研究范式可概括为"预训练 → 对齐 → 纵向"三段式：第一段用其多模态海量影像做自监督预训练，获得泛化的影像表征；第二段做跨模态对齐（MG/MR/US 之间、放射与病理之间），构建统一表征空间；第三段引入入组天数做纵向建模，把表征用于治疗演化/疗效预测。这一范式充分调用了 CMB-BRCA 的三大独特资源（多模态、配对、时间），是其他单一数据集难以整体支撑的。研究者也可只取其中一段，与其他有标签集合组合使用。

8.8 数据质量控制的检查清单

拿到 CMB-BRCA 后，做研究前应完成一轮数据 QC，检查项包括：（1）完整性——受试/研究/序列/图像计数是否与官方口径吻合（50/157/1,074/139,173）；（2）模态齐备性——按受试统计各模态数量，识别缺模态的受试；（3）时间字段——(0012,0053) 是否可解析、是否有缺失；（4）图像质量——是否存在空序列、伪影严重的序列；（5）重复——检查是否有重复受试或异常重叠；（6）病理配对——哪些受试同时有放射与病理；（7）DICOM 一致性——模态、部位、参数是否符合预期。这套 QC 是"数据可用"到"实验可信"的必经步骤，也是把元数据真正用起来的实践。

QC 检查表（可勾选）：

检查项	方法	通过标准
受试计数	统计唯一 Patient ID	= 50（放射）
研究计数	统计唯一 Study UID	= 157
序列计数	统计唯一 Series UID	= 1,074
图像计数	统计 SOP Instance	= 139,173
病理受试	统计病理 JSON 唯一受试	= 99
病理切片	统计 WSI 文件数	= 136
时间字段	解析 0012,0053	可解析、缺失率低
模态分布	按模态聚合	与官方一致
配对受试	放射∩病理	记录数量
体积核算	文件总大小	≈ 203.94 GB

8.9 版本迁移时的迁移检查

当 CMB-BRCA 发布新版本（如未来 V7），若研究跨越版本，须做迁移检查：（1）规模变化——新增多少受试/图像；（2）受试增减——是否有受试被移除或状态变更（V6 曾有患者从受限转公开）；（3）模态变化——是否新增模态；（4）许可变化——许可是否仍然一致；（5）字段变化——元数据结构是否调整。建议把"数据集版本"视为实验的一个自变量，在跨版本比较时显式报告，避免把版本差异误读为数据或方法差异。

8.10 与影像组学（Radiomics）工作流的衔接

对影像组学研究，CMB-BRCA 提供的是原料而非特征。标准衔接流程是：（1） 从 DICOM 读取影像并做重采样/归一化；（2） 由于无 ROI 标注，需先确定感兴趣区策略（如全器官分割、或自行标注子集）；（3） 提取影像组学特征（形状、一阶、纹理等）；（4） 做特征稳定性分析（不同模态、不同扫描间的可复现性）；（5） 与临床/分子变量关联。关键提醒：无 ROI 是影像组学的前置障碍，若研究必须依赖病灶级特征，须先解决分割问题（可借外部模型或人工标注子集）。这也再次印证了 CMB-BRCA 的定位——它是真实世界原料池，而非即插即用的特征库。

8.11 常见失败模式与预防

失败模式	根因	预防
训练性能虚高	按图像划分致患者泄漏	按受试划分
结论无法复现	未记录版本	归档版本号+manifest
多模态实验搁浅	未先清点模态	先构建模态矩阵
I/O 成为瓶颈	直接用原始 WSI	预处理为图块/HDF5
无法获取标签	误判为有标注	先读 §5
合规风险	忽视禁再识别	遵守 TCIA 政策
引用不完整	漏 DOI/版本	用官方 Data Citation

8.12 与自监督学习的适配要点

自监督学习（SSL）是 CMB-BRCA 最自然的应用场景，但有几点须注意：（1）数据规模——SSL 通常受益于大数据量，CMB-BRCA 的 139,173 张放射图 + 136 张 WSI 对 SSL 而言属"中小规模"，建议结合更大语料或跨癌种合并；（2）模态特定编码器——不同模态的最佳增强策略不同（MG 的翻转有意义，CT 的强度扰动要谨慎），SSL 管线宜分模态定制；（3）评估协议——SSL 表征的价值要靠在独立有标签集合（如 CBIS-DDSM）上的线性探测/微调来体现，不能用 CMB-BRCA 自身评估（无标签）；（4）纵向增强——同一受试的多时点影像天然构成正样本对，可用于设计纵向对比学习目标。这些要点决定了 SSL 能否真正把 CMB-BRCA 的价值榨出来。

§9 与库内条目的关系：家族图谱与互链建议

9.1 直接血缘与消歧

库内与本集合名称最接近的是 cmb-cmexam（rid=180）。必须显式消歧：该条目是「CMB 与 CMExam 中文医疗评测双基准」，属于中文医疗 NLP 评测范畴，与 TCIA 的 CMB 影像集合不同源、不同模态、不同用途，二者仅因缩写 “CMB” 撞词。互链时应在正文注明这一差异，防止检索者把两个 “CMB” 混为一谈。这是数据库命名冲突的典型案例——同一缩写在不同领域指代不同资源。

9.2 库内可互链条目清单

条目	rid	互链理由
cmb-cmexam	180	名称撞词，需显式消歧（非同源）
cbis-ddsm	541	乳腺 MG 有标注基准，CMB-BRCA 的下游任务候选
bcnb	28	乳腺癌病理 WSI 标注集，病理端对照/下游
breakhis	126	乳腺癌组织病理分类基准，病理端对照
duke-breast-mri	440	乳腺 MRI 单模态对照，用于检验 CMB-BRCA MRI 子集
busi	539	乳腺超声分割标注集，US 端下游候选
vindr-mammo	543	乳腺 MG 筛查标注集，MG 端对照
swiss-mammo	627	乳腺 MG 数据集，MG 端对照
inbreast	542	乳腺 MG 数据集，MG 端对照
tn-mammo-breast-density	628	乳腺密度评估，MG 端主题相关
3d-mammogram	942	三维乳腺影像，MG 端方法学相关
breastpathq	268	乳腺病理图像质量评分，WSI 端方法学相关
aacr-genie	—	肿瘤临床基因组资源，可与 CMB 分子侧概念互链

9.3 互链的三种粒度建议

强互链（同家族/强烈互补）：cbis-ddsm、bcnb、breakhis、duke-breast-mri——它们与 CMB-BRCA 构成"预训练语料 ↔ 下游标注"的完整闭环，互链价值最高。中互链（同模态/同任务域）：busi、vindr-mammo、swiss-mammo、inbreast、tn-mammo-breast-density、3d-mammogram——同属乳腺影像，可按模态细分互链。弱互链（需消歧或跨域）：cmb-cmexam（消歧）、breastpathq（病理方法学）、aacr-genie（分子侧概念关联）。

9.4 检索路径建议

对想研究乳腺癌影像的使用者，建议的库内检索路径是：先经本条（cmb-brca）理解多模态真实语料与许可边界，再依目标模态转向对应的有标注集合——MG→cbis-ddsm/vindr-mammo，MRI→duke-breast-mri，US→busi，病理→bcnb/breakhis。对想研究 CMB 家族者，建议以本条为入口理解 CMB 的统一机制（时间对齐、分级开放），再横向查阅其余八个癌种集合。对做多模态/纵向建模者，本条几乎是无替代的库内起点。

9.5 按使用目标的反查表

你的目标	首选互链条目	理由
找乳腺 MG 有标注基准	cbis-ddsm(541)、vindr-mammo(543)	BI-RADS/病理金标准
找乳腺病理分类基准	breakhis(126)、bcnb(28)	良恶性/多指标标注
找乳腺 MRI 对照	duke-breast-mri(440)	单模态 MRI
找乳腺超声对照	busi(539)	分割标注
找乳腺密度主题	tn-mammo-breast-density(628)	密度评估
找三维乳腺影像	3d-mammogram(942)	方法学相关
找病理质量方法	breastpathq(268)	WSI 质量评分
找肿瘤分子资源	aacr-genie	临床基因组
消歧 “CMB” 缩写	cmb-cmexam(180)	明确非同源

9.6 消歧的深层理由：缩写撞词的系统性风险

“CMB” 的撞词并非孤例，而是医数集库里缩写冲突的普遍现象。在 CMB-BRCA 一例中，“CMB” 可以指 Cancer Moonshot Biobank（本项目）、也可指 Chinese Medical Benchmark（中文医学评测，即库内 cmb-cmexam 的语境）。这类冲突的危害在于：检索者据缩写联想，会误以为两个资源同源或可互换，从而做出错误的引用与使用。系统性的应对是：入库条目应以"官方全名 + DOI + 托管方"作为强标识，缩写只作辅助；互链时凡遇缩写在库内有歧义，一律在正文显式标注消歧说明（不写进 frontmatter，遵循 R012 教训）。本条对库内 cmb-cmexam 的处理即遵循此原则。

9.7 与 TCIA 家族其他条目的潜在互链

若后续库内入库其他 TCIA 托管集合（如各 CMB 癌种子集、或其他 TCIA 影像集合），它们与 CMB-BRCA 应建立同位互链——共享托管方、共享去标识化与许可框架，互链价值高。建议检索关键词：tcia、cancer imaging archive、nbia、cmb-。本次库内检索未发现其他 TCIA 同族条目（仅 cmb-cmexam 撞词），故 TCIA 家族互链暂为"预期但待补"状态，记入遗留关注点。

9.8 互链理由的强度分级说明

为规范互链实践，本条目对每条建议互链给出强度分级与理由，供库维护者参考：

强度	条目	核心理由	互链形式建议
★★★★★	cbis-ddsm(541)	预训练-下游闭环，MG 主模态对应	正文强互链 + 相关条目
★★★★★	bcnb(28)	病理端标注，与病理 99 受试配对完美	正文强互链
★★★★☆	breakhis(126)	病理分类基准，下游任务候选	正文互链
★★★★☆	duke-breast-mri(440)	MRI 单模态对照，检验 MRI 子集	正文互链
★★★☆☆	busi(539)	US 端下游，模态对应但样本小	正文互链
★★★☆☆	vindr-mammo(543)	MG 筛查对照	正文互链
★★★☆☆	swiss-mammo(627)	MG 对照	正文互链
★★☆☆☆	inbreast(542)	MG 对照，样本较小	相关条目
★★☆☆☆	tn-mammo-breast-density(628)	乳腺密度主题相关	相关条目
★★☆☆☆	3d-mammogram(942)	三维乳腺方法学相关	相关条目
★★☆☆☆	breastpathq(268)	病理质量方法学相关	相关条目
★☆☆☆☆	cmb-cmexam(180)	仅名称撞词，需消歧	消歧说明
★☆☆☆☆	aacr-genie	分子侧概念关联	概念互链

§10 避坑清单：十二个已见的坑

坑 1：把集合级受试数当成放射与病理之和。

现象：看到放射 50、病理 99，就写"共 149 名受试"。
后果：规模口径错误，被审稿人或同行质疑数据熟悉度。
对策：V6 受试数 101 是集合级去重值，因大量受试同时贡献两类数据。引用时须指明口径。

坑 2：误信"病理走 NIH 受控"。

现象：据简报认为病理需 NIH 受控申请。
后果：误判获取难度，可能放弃本可自由使用的数据。
对策：实抓 V6 显示放射与病理均为 CC BY 4.0 公开；NIH Controlled 政策仅属 V3-V4 的 Restricted 影像子集，V5 已移除。

坑 3：把 CMB 家族当成四个癌种。

现象：以为 CMB 只有 AML/BRCA/CRC/GEC。
后果：遗漏可合并/迁移的五个癌种集合，缩小了语料池。
对策：实抓 CMB Imaging 页共 9 个癌种集合（AML/BRCA/CRC/GEC/LCA/MEL/MML/OV/PCA）。

坑 4：引用旧版数字当现状。

现象：沿用旧文献里的"33 受试"。
后果：规模严重低估（V6 已 50），结论外部效度受损。
对策：放射受试从 V3 的 10、V4-V5 的 33 到 V6 的 50；图像从 21,318 到 139,173。任何数字必须带版本号。

坑 5：期待像素级标注。

现象：以为下载后即可做分割/分类训练。
后果：发现无标签，项目受阻。
对策：集合页无任何病灶勾画/分割掩码/分类标签。这是 biobank 型语料，不是标注基准；有标注需求应转向 CBIS-DDSM/BreakHis 等。

坑 6：混淆 CMB-BRCA 与库内 cmb-cmexam。

现象：把两个 “CMB” 当同源资源。
后果：互链错误、引用混乱。
对策：库内 cmb-cmexam（rid=180）是中文医疗 NLP 评测双基准，与 TCIA 影像集合不同源，仅缩写撞词。互链须消歧。

坑 7：忽略 DICOM 入组天数字段。

现象：只取影像像素，不解析元数据。
后果：丢掉本集合最独特的纵向能力。
对策：tag (0012,0053)（days from enrollment）是 CMB 系列的核心价值，也是影像与临床对齐的唯一钥匙，弃之可惜。

坑 8：按图像而非按受试划分数据集。

现象：把所有图像随机切分 train/test。
后果：同一受试的多研究/多切片跨集，患者级泄漏，性能虚高。
对策：必须按受试切分 train/val/test。

坑 9：忘记 Data Citation 条款。

现象：只署"数据来自 TCIA"。
后果：不完全合规，可能被要求更正。
对策：CC BY 4.0 只要求署名，但 TCIA 追加 Data Citation Required，需引用含 DOI 10.7937/dx22-8j71 的官方 Data Citation。

坑 10：低估 WSI 的工程成本。

现象：直接以 SVS 原始格式训练。
后果：I/O 拖垮训练，实验无法推进。
对策：125 GB / 136 张切片意味着单张约 0.92 GB，随机读写慢。应预处理为图块金字塔/HDF5；放射部分需转格式与统一重采样。

坑 11：把 Ongoing 当作"数字已定型"。

现象：认为数据集数量固定，不再更新。
后果：复现时对不上，版本混乱。
对策：状态为 Ongoing，数字随版本演化。把下载时的版本号、日期与 manifest 一并归档。

坑 12：用受限子集做研究却未留档。

现象：依赖 V3-V4 的 Restricted 影像做分析。
后果：V5 移除后无法复现。
对策：受限数据单独管理、显式记录获取途径与批准用途；对公开分析尽量只用 CC BY 4.0 部分。

§11 总结

11.1 三句话总结

第一，CMB-BRCA 是 NCI 癌症登月生物样本库浸润性乳腺癌队列的多模态影像集合，V6（2026/07/02）为 101 受试 / 203.94 GB——放射 50 受试/139,173 图（MR/CT/MG/US/PT）、病理 99 受试/136 切片，公开部分 CC BY 4.0。

第二，它的独特价值在于真实世界 + 多模态 + 纵向 + 合规开放四者的结合：DICOM 内嵌入组天数（0012,0053）支撑与临床事件的时间对齐，使其成为罕见的可做"治疗演化"研究的公开影像语料。

第三，它是语料而非基准：无任务标注，适合预训练、表征学习、跨模态对齐与域适应；有监督任务应转投 CBIS-DDSM/BreakHis/BCNB 等标注集合。

11.2 适合谁

多模态/自监督预训练研究者：五种模态 + 病理 WSI 的广谱语料。
纵向肿瘤建模团队：入组天数字段支撑治疗演化研究。
影像组学与跨模态对齐研究者：多设备、多模态的真实数据。
去标识化与数据工程研究者：学习"保序不保真"的合规设计。
乳腺癌多模态综合研究者：库内几乎无替代的多模态真实语料。

11.3 不适合谁

需要任务标签做有监督分类/分割者：本集合无标注。
需要分子/基因组字段者：须另赴 dbGaP（受控），不在本集合内。
需要整洁 train/val/test 划分者：需自建且必须按受试切分。
追求小体积快速实验者：203.94 GB 与 GB 级 WSI 有存储与 I/O 门槛。

11.4 30 秒决策卡

你的需求	结论
多模态预训练语料	✅ 强烈推荐
纵向治疗演化研究	✅ 强烈推荐（0012,0053）
乳腺癌影像有监督分类	❌ 改用 CBIS-DDSM/BreakHis/BCNB
分子亚型/基因组建模	⚠️ 影像在本集合，分子需去 dbGaP
快速小样本实验	❌ 体积过大
放射-病理配对研究	✅ 推荐（配对到受试粒度）
商用产品语料	✅ 可以（CC BY 4.0，署名即可）
需要病灶级标注	❌ 无标注

11.5 五个必记数字

101 —— 集合级受试数（V6）。
203.94 GB —— 总规模。
139,173 —— 放射图像数（V6）。
10.7937/dx22-8j71 —— 数据 DOI。
0012,0053 —— DICOM 入组天数标签。

11.6 三条必守纪律

带版本引用：任何数字都注明版本（当前 V6, 2026/07/02）。
按受试划分：训练/验证/测试以受试为单位，防泄漏。
合规署名：使用官方 Data Citation，含 DOI，禁再识别。

11.7 结语

CMB-BRCA 是千方病案医数集"语料型数据资产"谱系中的重要一员。它不提供即刻可用的任务标签，却提供了真实世界、多模态、可纵向对齐、且许可宽松的影像底座。对它的正确使用，建立在对其定位的清醒认识上：它是一块高价值的拼图，而非整幅图；是原料，不是成品；是起点，不是终点。 使用者在拥抱它带来的广度与开放性的同时，也应正视其无标注、口径随版本漂移、分子数据分散在受控库的边界。把合适的问题交给合适的资产，正是 AI-Ready 数据实践的精髓。

§12 深度场景问答：十个真实研究情境

情境一：我要做一个乳腺 MG 的良恶性分类器，CMB-BRCA 能直接用吗？
不能直接用作监督训练集（无良恶性标签）。可行路径有二：（a） 用 CMB-BRCA 的 MG 子集做自监督预训练，再在 CBIS-DDSM/VinDr-Mammo 上微调；（b） 完全改用有标签集合。若只想快速出结果，选（b）；若追求泛化与期刊贡献，选（a）。

情境二：我想研究新辅助化疗的反应，缺 pCR 标签怎么办？
CMB-BRCA 提供治疗前后影像与时间锚，但 pCR（病理完全缓解）属结局标签。需评估：病理 JSON 是否含足够信息、或是否需经 Clinical Commons(dbGaP) 受控渠道获取结局。建议先以"影像变化量"为替代终点开展探索性研究，同时推进受控数据申请。

情境三：我想从影像预测分子亚型（如三阴性），可行吗？
影像在 CMB-BRCA 可得，分子亚型不在集合内。可行方案：以影像为输入、以受控渠道获得的分子标签为目标训练（需先获批）；或先在公开的有分子标注乳腺癌集合上建立方法，再用 CMB-BRCA 评估鲁棒性。

情境四：我要做放射-病理的多模态融合，配对够吗？
配对到"同一受试"粒度，99 名病理受试中有相当一部分同时有放射，配对样本量在百例量级。够做方法学探索与概念验证，但样本量有限，统计功效需谨慎评估。且无空间配准，融合只能到语义层面。

情境五：我想用它做无监督异常检测，合适吗？
合适。真实世界、多模态、无标签的影像集合，正是异常检测/自监督方法的良好测试床。可把"偏离正常表现"定义为异常，但需注意缺乏金标准，评估需自设代理指标。

情境六：我要训练一个 3D 影像模型，数据够吗？
CT/MR/PET 为 3D，但受试量（50 放射）偏小。建议：以预训练或迁移为主，而非从零训练大型 3D 网络；或跨 CMB 癌种合并以扩大 3D 语料（需核对模态）。

情境七：我担心数据泄漏，怎么划分最安全？
按受试划分（patient-level split）。同一受试的多研究、多序列、多切片必须整体归入同一集合。若做交叉验证，按受试分组做 GroupKFold。切勿按随机图像划分。

情境八：我要发表，引用怎么写？
用官方 Data Citation（含 DOI 10.7937/dx22-8j71 与 Version 6），并在 Data Availability 声明中给出访问链接与访问日期。致谢中说明数据的项目归属（Cancer Moonshot Biobank / NCI）。

情境九：我想把它和自家医院数据合训，合规上要注意什么？
CMB-BRCA 为 CC BY 4.0，可与自研数据合训（模型层面）。但不得把 CMB-BRCA 的受试身份与院内数据做身份链接；发布时分别致谢；若涉及受控 CMB 分子数据，须遵守其访问控制，不得违规与公开影像合并发布。

情境十：未来 CMB-BRCA 会更大吗？数据会一直可用吗？
项目状态 Ongoing，规模预计继续增长（放射侧尤甚）。可用性方面，公开部分（CC BY 4.0）由 NCI/TCIA 长期保存并有 DOI，稳定性高；但历史受限子集已被移除，说明许可状态可能变化。因此建议归档所依赖版本的清单，以保复现。

FAQ（高频问答 40 问）

A. 基础认知

F1：CMB-BRCA 的全称是什么？
Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection。

F2：缩写 CMB 代表什么？
Cancer Moonshot Biobank（癌症登月生物样本库）。

F3：谁发布的？
NCI 的 CMB 倡议采集，TCIA 托管发布。

F4：它是数据集还是论文？
是 TCIA 发布的公开数据集（Image Collection），无专属论文。

F5：属于哪类数据？
生物样本库（biobank）型多模态影像语料，非标注基准。

F6：癌种是什么？
Breast Invasive Carcinoma（浸润性乳腺癌）。

F7：状态如何？
Ongoing（持续更新），最后更新 2026/07/02。

F8：DOI 是什么？
10.7937/dx22-8j71。

B. 数据与获取

F9：总规模多大？
V6：101 受试 / 203.94 GB。

F10：放射部分多少？
50 受试 / 157 研究 / 1,074 序列 / 139,173 图 / 78.94 GB。

F11：病理部分多少？
99 受试 / 136 切片 / 125 GB，SVS + JSON。

F12：有哪些模态？
MR, CT, MG, US, PT（放射）+ 组织病理 WSI。

F13：每个人都有所有模态吗？
不是，模态是"或"关系，须按受试清点。

F14：怎么下载放射？
TCIA Data Retriever + NBIA Search 收藏车。

F15：怎么下载病理？
IBM Aspera Connect 插件经 Faspex，或 PathDB 检索。

F16：许可是什么？
公开部分 CC BY 4.0（放射 + 病理均开放）。

F17：有受控部分吗？
历史上 V3-V4 有 Restricted 影像子集（NIH 受控），V5 已移除。

F18：临床/基因组在哪？
dbGaP（phs002192，受控）与 Clinical Commons（NCT04314401）。

C. 技术与方法

F19：怎么做纵向对齐？
用 DICOM tag (0012,0053) 的 days from enrollment。

F20：去标识化怎么处理时间？
平移日期但保留相对时序（保序不保真）。

F21：有标注吗？
无任务标注，仅有元数据。

F22：能做分割吗？
无掩码，无法直接做有监督分割。

F23：怎么做训练划分？
必须按受试切分，防患者级泄漏。

F24：WSI 多大？
平均约 0.92 GB/张，需预处理降 I/O。

F25：放射格式？
DICOM，建议转 NIfTI/NRRD 或缓存张量。

F31：人均多少研究？
放射 157 研究 / 50 受试 ≈ 3.14 研究/人，暗示多次纵向采集。

F32：图像与研究之比？
1,074 序列 → 139,173 图，约 1:130，典型断层成像为主的分布。

F33：病理人均切片？
136 切片 / 99 受试 ≈ 1.37 张/人，部分受试有多张切片。

F34：如何核算总规模？
放射 78.94 GB + 病理 125 GB ≈ 203.94 GB，与页头聚合值吻合。

F35：去标识化能逆向吗？
不能，日期被平移；但保留了相对时序，故不是简单删除。

F36：DICOM 阅读器能直接显示吗？
能，集合说明保留了去标识化日期以确保显示正确。

F37：可以合并 CMB 其他癌种吗？
可以，但须先核对模态交集、术语一致性与版本同步。

F38：预训练要注意什么？
按受试划分、统一强度归一化与重采样、把 WSI 预处理为图块。

D. 生态与库内

F26：和 cmb-cmexam 是一回事吗？
不是，库内 cmb-cmexam（rid=180）是中文医疗 NLP 评测，仅缩写撞词。

F27：CMB 有几个癌种集合？
TCIA 页实抓为 9 个（BRCA 为其中之一）。

F28：库内有哪些乳腺癌集合可互链？
cbis-ddsm(541)、bcnb(28)、breakhis(126)、duke-breast-mri(440) 等。

F29：BRCA 在家族里排第几？
放射受试数第二（仅次于 LCA 130）。

F30：怎么引用？
用官方 Data Citation（含 DOI 10.7937/dx22-8j71，注明 Version 6）。

F39：库内有同族 TCIA 条目吗？
库内检索到的 cmb-cmexam 非同源；其余 CMB 癌种集合若入库可强互链。

F40：能商用吗？
CC BY 4.0 允许商用，但须署名与引用；病理与放射均适用。

附录 A：CMB 家族九集合完整清单

集合	癌种	放射模态	放射受试	病理受试	DOI
CMB-AML	急性髓系白血病	CT, MR, PT, XA	9	16	10.7937/PCTE-6M66
CMB-BRCA	浸润性乳腺癌	CT, MG, MR, PT, US	50	99	10.7937/dx22-8j71
CMB-CRC	结直肠癌	CT, DX, MR, NM, PT, US, XA	63	102	10.7937/DJG7-GZ87
CMB-GEC	胃食管癌	CT, MR, PT	12	26	10.7937/E7KH-R486
CMB-LCA	肺癌	CT, DX, MR, NM, PT, US	130	207	10.7937/3CX3-S132
CMB-MEL	黑色素瘤	CT, MR, PT, US	40	61	10.7937/GWSP-WH72
CMB-MML	多发性骨髓瘤	CR, CT, DX, MR, PT, XA	111	177	10.7937/SZKB-SW39
CMB-OV	卵巢癌	CT, PT	19	48	10.7937/4nx6-e061
CMB-PCA	前列腺癌	CT, DX, MR, NM, PT, RF	26	76	10.7937/25T7-6Y12

注：上表为 TCIA CMB Imaging 页实抓口径（2026-07），各集合持续更新，引用须核对最新版本。

附录 B：CMB-BRCA Version 6 关键数字速查

字段	值
官方全名	Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection
slug	cmb-brca
DOI	10.7937/dx22-8j71
版本	Version 6
更新日期	2026/07/02
状态	Ongoing
集合级受试	101
总规模	203.94 GB
放射	50 受试 / 157 研究 / 1,074 序列 / 139,173 图 / 78.94 GB
放射模态	MR, CT, MG, US, PT
病理	99 受试 / 136 切片 / 125 GB
病理格式	SVS + JSON
公开许可	CC BY 4.0（放射 + 病理）
时间对齐字段	DICOM tag (0012,0053)
关联基因组库	dbGaP phs002192
关联临床库	Clinical Commons NCT04314401

附录 I：风险登记与缓解

风险	可能性	影响	缓解措施
版本更新致数字失效	高	中	归档版本号与 manifest
受控分子数据未获批	中	高	早期提交 DAR，并行推进影像侧
数据泄漏致性能虚高	中	高	严格按受试划分
WSI I/O 瓶颈	高	中	预处理为图块/HDF5，用 NVMe
模态不全致实验受限	高	中	先构建模态矩阵，选可行子集
引用不合规被要求更正	中	低	用官方 Data Citation
误判为有标注数据集	中	中	研读 §5 边界

附录 J：关键来源链接

TCIA 集合页：https://www.cancerimagingarchive.net/collection/cmb-brca/
CMB 影像倡议页：https://www.cancerimagingarchive.net/research/cmb/
数据集 DOI：https://doi.org/10.7937/dx22-8j71
项目主页：https://moonshotbiobank.cancer.gov/
dbGaP：https://www.ncbi.nlm.nih.gov/projects/gap/cgi-bin/study.cgi?study_id=phs002192
Clinical Commons：https://clinical.datacommons.cancer.gov/#/study/NCT04314401
TCIA 使用政策：https://www.cancerimagingarchive.net/data-usage-policies-and-restrictions/
NIH 受控访问政策：https://www.cancerimagingarchive.net/nih-controlled-data-access-policy/
CC BY 4.0：https://creativecommons.org/licenses/by/4.0/

附录 C：术语表（中英对照）

中文	英文	说明
癌症登月生物样本库	Cancer Moonshot Biobank (CMB)	NCI 发起的纵向生物样本库倡议
浸润性乳腺癌	Invasive Breast Carcinoma	本集合癌种
整片图像	Whole Slide Image (WSI)	病理切片的高分辨率全片数字化
乳腺 X 线摄影	Mammography (MG)	乳腺癌核心影像模态
磁共振	Magnetic Resonance (MR)	软组织对比强的影像模态
入组天数	days from enrollment	DICOM 内嵌的纵向时间锚
去标识化	de-identification	移除受试可识别信息
保序不保真	order-preserving obfuscation	平移日期但保留相对时序
数据访问申请	Data Access Request (DAR)	dbGaP 受控数据的申请流程
社区肿瘤研究计划	NCORP	NCI 社区肿瘤研究网络
新辅助化疗	Neoadjuvant Chemotherapy	术前给药，涉及药物敏感性
病理完全缓解	Pathologic Complete Response	新辅助治疗后的理想结局
影像组学	Radiomics	从影像中提取定量特征
域适应	Domain Adaptation	跨数据域的模型迁移

附录 D：使用 CMB-BRCA 的最小可行工作流

登记与准备：阅读 TCIA Data Usage Policy；准备 ≥300 GB 存储；安装 TCIA Data Retriever 与 IBM Aspera Connect。
下载放射：在 NBIA Search 把 CMB-BRCA 加入收藏车 → 用 Data Retriever 取回 78.94 GB DICOM。
下载病理：经 Aspera 取回 125 GB SVS + JSON（或先用 PathDB 抽样预览）。
解析时间轴：从 DICOM tag (0012,0053) 抽取入组天数，构建受试级时间序列。
清点模态：统计每名受试的可用模态，确定多模态实验的可行子集。
按受试划分：以受试为单位切分训练/验证/测试（防泄漏）。
预处理：WSI → 图块金字塔/HDF5；DICOM → NIfTI/张量缓存；统一强度归一化与重采样。
建模与引用：执行预训练/对齐/纵向建模；发表时使用官方 Data Citation（含 DOI）。

附录 E：常见检索词与同义表述

检索 CMB-BRCA 时可能遇到的同义/相关表述：Cancer Moonshot Biobank Breast；CMB Breast；CMB-BRCA；Moonshot Biobank Invasive Breast Carcinoma；NCI Biobank Breast Imaging；TCIA CMB-BRCA。注意 “CMB” 在中文医疗 NLP 语境下另指"中国医学考试"（CMExam），与本题影像集合无关，检索时须加限定词（如 TCIA / Biomarker / Breast）以消歧。

事实清单（硬事实 50 条）

官方全名：Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection。
缩写：CMB-BRCA。
托管方：The Cancer Imaging Archive（TCIA）。
DOI：10.7937/dx22-8j71。
当前版本：Version 6。
更新日期：2026/07/02。
状态：Ongoing。
集合级受试数：101。
总规模：203.94 GB。
放射受试：50。
放射研究数：157。
放射序列数：1,074。
放射图像数：139,173。
放射体积：78.94 GB。
放射模态：MR, CT, MG, US, PT。
病理受试：99。
病理切片：136。
病理体积：125 GB。
病理格式：SVS + JSON。
放射许可：CC BY 4.0。
病理许可：CC BY 4.0（当前）。
历史受限：Restricted 影像子集，V3-V4 出现，V5 移除。
受控数据政策：NIH Controlled Data Access Policy（仅历史受限子集）。
时间对齐字段：DICOM tag (0012,0053)。
关联基因组库：dbGaP phs002192。
关联临床库：Clinical Commons NCT04314401。
采集网络：NCORP 多点。
CMB 项目规模承诺：≥1000 患者、≥10 癌种。
CMB 家族集合数：9（实抓 TCIA CMB Imaging 页）。
V1 发布日期：2024/08/28（病理 26 受试）。
V4 放射：33/75/528/65,798（公开）。
引用要求：Data Citation Required，须含 DOI。
V2 发布日期：2024/12/17（放射 1 受试首次出现）。
V3 发布日期：2025/05/09（放射 10 受试；Restricted 子集首次出现）。
V5 发布日期：2026/05/29（移除受限影像）。
受限子集 V3：6/7/28/8,065（NIH 受控）。
受限子集 V4：23/43/151/42,261（NIH 受控）。
放射人均研究数：157/50 ≈ 3.14。
病理人均切片：136/99 ≈ 1.37。
病理单张均体积：125GB/136 ≈ 0.92GB。
放射序列-图像比：1,074 → 139,173 ≈ 1:130。
数据引用作者：Cancer Moonshot Biobank（机构级）。
引用年份：（2024）[数据集首发年]。
数据集类型：Image Collection。
集合页无 Analysis Results。
集合页无 related Collections。
Datacite views：约 12k。
官方引文须标注 Version 6。
CMB 家族模态各不相同（如 AML 无 MG/US）。
CMB 家族病理受试普遍多于放射受试（BRCA 99>50）。

附录 F：CMB-BRCA 版本规模对照全表

版本	日期	放射受试	放射研究	放射序列	放射图像	病理受试	病理切片	备注
V1	2024/08/28	—	—	—	—	26	35	仅病理
V2	2024/12/17	1	6	59	7,552	26	35	放射首现
V3	2025/05/09	10	22	148	21,318	77	98	受限子集首现
V4	2025/10/10	33	75	528	65,798	96	125	受限扩大
V5	2026/05/29	33	75	528	65,798	96	125	受限移除
V6	2026/07/02	50	157	1,074	139,173	99	136	当前版本

附：受限子集历史计数——V3 受限 6/7/28/8,065；V4 受限 23/43/151/42,261；V5 起移除。

附录 G：常见术语误用对照

易误用表述	正确表述	说明
“CMB 就是乳腺癌数据集”	“CMB 是含九个癌种的一族集合，BRCA 是其一支”	CMB 非单一集合
“CMB-BRCA 有 149 名受试”	“集合级 101 名受试（放射 50 + 病理 99 去重）”	避免直接相加
“病理需 NIH 受控申请”	“病理为 CC BY 4.0；受控政策仅属历史受限影像子集”	许可口径修正
“CMB-BRCA 是标注数据集”	“是生物样本库型语料，无任务标注”	类型误判
“数据集数量固定”	“状态 Ongoing，数字随版本变化”	版本敏感性
“和 cmb-cmexam 同源”	“仅缩写撞词，实为不同资源”	消歧
“可以按图像划分训练测试”	“必须按受试划分”	防泄漏
“引用致谢 TCIA 即可”	“须用官方 Data Citation（含 DOI）”	引用合规

附录 H：面向不同角色的快速指引

给临床研究者：CMB-BRCA 适合探索治疗演化与影像-结局关联，但结局标签需另循受控渠道；先读 §3.10、§6.4。给算法工程师：它是预训练/对齐的优质原料，注意按受试划分与 WSI I/O 优化；先读 §8.7、§10。给数据科学家：关注其去标识化与版本机制作为数据治理案例；先读 §2.9、§4。给产品/法务：CC BY 4.0 允许商用但须署名与禁再识别，发布前评估派生作品界定；先读 §6.2、§6.6。给库维护者：它展示了语料型条目的建档方式与互链分级；先读 §9、§7.9。

维度	内容
本质	NCI 癌症登月生物样本库（Cancer Moonshot Biobank）浸润性乳腺癌队列的多模态影像集合（非新算法、非标注基准）
官方全名	Cancer Moonshot Biobank – Invasive Breast Carcinoma Cancer Collection
缩写	CMB-BRCA
托管	The Cancer Imaging Archive（TCIA）
DOI	10.7937/dx22-8j71（Data Citation Required）
当前版本	Version 6（2026/07/02），状态 Ongoing
总规模	101 受试 / 203.94 GB
放射部分	50 受试 / 157 研究 / 1,074 序列 / 139,173 图 / 78.94 GB；模态 MR, CT, MG, US, PT
病理部分	99 受试 / 136 切片 / 125 GB；SVS + JSON
数据类型	Histopathology, Whole Slide Image, MR, CT, MG, US, PT
癌种	Breast Invasive Carcinoma（浸润性乳腺癌）
公开许可	CC BY 4.0（放射 + 病理均开放）
历史受限	Restricted 影像子集（V3-V4）走 NIH Controlled Data Access Policy，V5 已移除
关联数据	dbGaP phs002192（受控）；Clinical Commons NCT04314401（开放临床 + 受控变异）
时间对齐	DICOM 内嵌 days from enrollment（tag 0012,0053）
采集网络	NCI Community Oncology Research Program (NCORP) 多点
获取工具	TCIA Data Retriever（放射）/ IBM Aspera Connect（病理）/ NBIA Search / PathDB