信息速览

数据集名称Cancer Moonshot Biobank — Colorectal Cancer Collection — NCI 癌症登月计划的结直肠癌多模态影像生物样本库子集

数据类型影像数据,临床数据,基因组数据

规模约 102 例受试（集合页口径，含病理受试）；DOI 最新版拆分：放射 44 + 病理 100（版本链口径，见正文双口径存照）

接入方式TCIA 托管的 CMB-CRC 集合：放射影像 DICOM（CT/DX/MR/NM/PT/US/XA 七模态）+ H&E 全切片病理图像（SVS + JSON 元数据）；配套基因、表型与临床数据托管于 dbGaP 与 CTDC；版本链 V1→V9 详见正文附录

AI 就绪度

§0 导读：这个数据集解决什么问题

同一个癌症病人，在不同时间点会做 CT、做 MRI、做超声、做 X 线；肿瘤被切下来之后又会产生一张张病理切片。这些检查单张来看都只是"一次成像"，但把时间轴接起来，它们讲述的是一个肿瘤如何生长、如何对治疗产生反应、又如何逐渐耐药的过程。

**CMB-CRC（Cancer Moonshot Biobank – Colorectal Cancer Collection，癌症登月生物样本库结直肠癌集合）**就是这样一个把时间轴接起来的资源。它属于美国国家癌症研究所（NCI）的 **Cancer Moonshot Biobank（癌症登月生物样本库）**项目——一个目标是从至少 1000 名、覆盖至少 10 种癌症类型的患者身上，纵向采集生物样本与影像数据的国家级计划。CMB-CRC 是这个计划里"结直肠癌"这一支的影像集合，托管在美国癌症影像档案库 **TCIA（The Cancer Imaging Archive）**上。

它想解决的问题很具体：耐药性研究需要"同一病人、多个时间点、多种模态、且能与基因和临床对齐"的数据。散落的单次检查做不了这件事，去标识后的公开数据集又常常缺少时间锚点。CMB-CRC 的做法是：影像放在 TCIA 公开（部分受限），基因、表型和完整临床数据放在 dbGaP 受控托管，而每张扫描的 DICOM 里都嵌入了"距入组天数"，让影像与临床事件可以按时间对齐。

对检索者而言，这个条目要说清三件事：它是什么（NCI 生物样本库的结直肠癌影像子集，不是挑战赛、不是单一模态数据集）；量有多大（约 102 例受试，放射七模态 + H&E 病理，大小随版本滚动增长）；门怎么进（放射与病理公开部分 CC BY 4.0，头部放射受限，基因临床走 dbGaP 受控访问）。这三件事分别在 §2、§4、§6 展开。

需要特别提醒的是同名陷阱：本库内另有一条 cmb-cmexam（rid 180），那里的 “CMB” 指的是 Chinese Medical Benchmark（中文医疗评测基准），与本文的 NCI Cancer Moonshot Biobank 毫无关系，纯属缩写巧合。检索 CMB 时务必区分语境（详见 §10 坑点 1 与 §9 消歧）。

§1 数据集速览：十问十答

Q1：CMB-CRC 是什么？
答：美国 NCI **Cancer Moonshot Biobank（CMB，癌症登月生物样本库）项目中结直肠癌（Colorectal Cancer）**这一癌种的影像集合，托管于 TCIA（The Cancer Imaging Archive）。官方 DOI：10.7937/DJG7-GZ87。

Q2：谁做的？
答：美国国家癌症研究所（National Cancer Institute, NCI，隶属 NIH）发起；影像由 TCIA 托管；采集来自 **NCORP（NCI Community Oncology Research Program，NCI 社区肿瘤研究计划）**的多个点位。

Q3：有多少数据？
答：集合页与 CMB 汇总页口径为约 102 例受试；DOI 最新版本链拆分为放射 44 受试 + 病理 100 受试（双口径详见 §4 与 §9）。放射含 CT/DX/MR/NM/PT/US/XA 七类模态，病理为 H&E 全切片。大小随版本滚动：最新版放射约 109 GB、受限头部约 41 GB、病理约 173 GB。

Q4：数据在哪？
答：影像在 TCIA（https://www.cancerimagingarchive.net/collection/cmb-crc/）；基因、表型、完整临床在 dbGaP（study phs002192）；开放临床子集在 CTDC；还接入 CRDC / IDC 云基础设施。

Q5：怎么获取？
答：放射公开部分与病理 CC BY 4.0，可用 NBIA Data Retriever（放射）与 IBM Aspera Connect（病理）下载；放射头部专题受控（NIH Controlled Data Access Policy）；基因/临床需向 dbGaP 申请。

Q6：它是挑战赛吗？
答：不是。无数值排行榜、无提交窗口、无评估服务器。它是一座生物样本库影像资源，供二次研究使用。

Q7：核心用途是什么？
答：耐药性与敏感性研究、纵向肿瘤演变建模、多模态影像组学、影像-基因-临床对齐研究，是 CMB 项目"改善对癌症的理解与干预"目标的数据基座。

Q8：和普通 TCIA 集合有何不同？
答：普通 TCIA 集合多为回顾性单癌种队列；CMB-CRC 属于前瞻性、纵向、与生物样本采集同步的项目，且影像只是三块数据（影像 + 基因 + 临床）之一。

Q9：和库内 nct-crc-he-100k（rid 148）是什么关系？
答：都是结直肠癌相关，但对象不同：NCT-CRC-HE-100K 是10 万张组织病理图像块分类数据集，本数据集是受试级多模态影像 + 病理 WSI 队列。二者构成结直肠癌检索邻域，但不可混用（详见 §9）。

Q10：一句话记住它？
答：NCI 癌症登月计划里结直肠癌那一支的"多模态 + 纵向 + 可对齐"官方影像库，公开部分是 CC BY 4.0，但不是拿来打榜的。

§2 数据构成与规格

2.1 项目的三层数据架构

CMB-CRC 不是一个"单一数据集"，而是 **NCI Cancer Moonshot Biobank（CMB）**项目三层数据架构中的"影像层"之一。理解它的关键在于先看清三层：

层	内容	托管位置	访问方式
影像层	放射 DICOM（七模态）+ H&E 全切片病理	TCIA（The Cancer Imaging Archive）	公开部分 CC BY 4.0；头部受限
基因/表型/完整临床层	变体调用文件、报告、表型与临床	dbGaP（phs002192）	受控访问（需申请）
开放临床子集层	部分临床数据（去标识）	CTDC（Cancer Translational Data Commons）	开放

此外，项目数据还接入 CRDC（Cancer Research Data Commons，癌症研究数据联盟） 与 IDC（Imaging Data Commons，影像数据联盟），提供基于云的共享、整合、分析与可视化基础设施。检索者最需要建立的认知是：TCIA 上的影像与 dbGaP 上的临床/基因数据是"分家"的，需要分别获取后在设计层面做对齐。

2.2 放射影像：七类模态

CMB-CRC 的放射部分覆盖 七类成像模态（官方列举，见集合页与 CMB 汇总页）：

CT（Computed Tomography，计算机断层扫描）
DX（Digital Radiography，数字X线摄影）
MR（Magnetic Resonance，磁共振成像）
NM（Nuclear Medicine，核医学）
PT（PET，Positron Emission Tomography，正电子发射断层扫描）
US（Ultrasound，超声）
XA（X-ray Angiography，X线血管造影）

这七类覆盖了结直肠癌诊疗中从初诊分期、治疗评估到随访的常见影像路径。注意：并非每位受试都做齐全部七类——受试级模态分布需下载后按 DICOM 统计。

放射影像以 DICOM 格式分发，需 NBIA Data Retriever 下载（TCIA 的标准下载客户端）。官方提供两种入口：整包下载（Download，给出具体 GB 数）与查询过滤（Search，跳转 NBIA Search）。

2.3 病理影像：H&E 全切片 + 元数据

病理部分提供 H&E（Hematoxylin and Eosin，苏木精-伊红）组织学全切片图像（Whole Slide Image, WSI），格式为 SVS（Aperio 扫描仪格式），配套 JSON 病理元数据。下载需 IBM Aspera Connect 插件（大文件高速传输协议），TCIA 通过 Aspera 的 Faspex 分发。

病理部分最值得注意的特征是增长速度远超放射（详见 §2.5 版本链）：V1（2022）只有 10 例病理受试，到 V9 已达 100 例、204 张切片、约 173 GB。这说明 CMB 项目的病理影像采集在近年显著提速。

2.4 影像统计口径（版本链详情）

CMB-CRC 采用**分批发布（release schedule）**机制，与 CMB 项目的临床/基因数据发布节奏协调。官方 DOI 页（Datacite）保留了从 V1 到 V9 的版本链登记，每一版都给出分项统计。以下为可核的版本链数字：

版本	更新日期	放射 subjects	放射 studies	放射 GB	受限头部 subjects	受限头部 GB	病理 subjects	病理 slides	病理 GB
V1	2022-08-12	12*	74	28	—	—	10	31	13.8
V5	2024-03-04	—	—	—	—	—	—	—	—
V6	2024-08-04	29	152	65.5	11	27.68	49	131	108.4
V7	2024-08-28	32	237	97.93	20	39.73	54	136	112.8
V8	2025-05-09	40	254	106.49	21	39.97	74	167	135
V9	（最新）	44	263	109.26	23	41.05	100	204	173

* V1 放射受试数在不同早期页面口径不一（wiki pageId=133071777 记 12 例 / pageId=93258430 记 32 例），存照见 §9。

读数提示：

表中"放射 GB"为公开部分下载量；"受限头部 GB"为 NIH Controlled Data Access Policy 单独登记的"Images of the head"专题，不属于公开下载；
"病理 GB"随版本从 13.8 GB 膨胀到 173 GB，是本集合规模增长的主力；
V9 的变更说明明确：“no additional data for existing Radiology patients. 26 new histopathology patients and 37 new histopathology slides added.”——即最新一轮几乎全是病理增量。

2.5 与集合页快照的口径差异

TCIA 的 Browse Collections 页面（2026-07-02 更新）以"集合级"口径登记：CMB-CRC，Subjects = 102，Data Types = Histopathology, Whole Slide Image, MR, CT, PT, US, NM, DX, XA，Access Status = Clinical, Public，Status = Ongoing。CMB 项目汇总页（research/cmb，2026-07-02）则分列 Radiology Subjects 63 / Pathology Subjects 102。

这与 DOI 版本链的"放射 44 + 病理 100"不完全一致，原因可能是：版本链停在 V9，而集合页可能已包含 V9 之后的增量；且"受试定义"（是否含仅临床、是否跨模态去重）在不同页面未必同构。本条目采用双口径并写策略（详见 §9 存照），核心锚点为"约 102 例受试"。

2.6 格式与互操作性

资产	格式	标准性	下载工具
放射影像	DICOM	医学影像通用标准	NBIA Data Retriever
病理 WSI	SVS + JSON	Aperio 私有格式 + JSON 元数据	IBM Aspera Connect
基因/临床	VCF 等 + 报告	dbGaP 规范	dbGaP 申请通道

互操作性评述：放射走 DICOM 标准，工具链成熟；病理 SVS 是主流但私有的 WSI 格式，需 OpenSlide / ASAP / QuPath 等专用读取器；DICOM 与 SVS 之间无原生桥接。跨模态整合（放射+病理+基因+临床）是本数据集最大的价值点，也是最大的工程负担点——它要求研究者在四种数据格式与三套访问通道之间自行搭桥。

2.7 纵向对齐机制（本数据集的隐藏价值）

CMB-CRC 最容易被忽略、却最实用的设计是它的时间对齐机制：每张放射扫描的 DICOM 文件中嵌入了 DICOM 标签 (0012,0053)，其值为"days from enrollment（距入组天数）"。这一字段让 TCIA 上的影像能与 Biobank Catalog 中的临床事件数据做时间轴对齐——这是普通回顾性影像数据集通常不具备的能力。

配套设计还有：为了让影像在 DICOM 阅读器中正常显示，放射数据的日期经过了去标识处理但保留扫描间时间序列关系（即删掉了真实日期，但保持了"扫描 A 在扫描 B 之前"的相对顺序）。研究者用这两点可以在不接触受保护健康信息的前提下重建病人的影像随访时间线。

§3 项目背景：CMB 是什么，为什么值得关注

3.1 NCI Cancer Moonshot Biobank 项目定位

**Cancer Moonshot Biobank（CMB）**是美国国家癌症研究所（NCI）发起的一项前瞻性生物样本库计划。官方对其目标的描述是：支持当前与未来关于"耐药性与敏感性（drug resistance and sensitivity）"的研究，以及其它 NCI 资助的癌症研究，终极目标是"改善研究者对癌症的理解以及如何干预癌症的发生与进展"。

项目的采集设计关键点：

纵向采集（longitudinally）：不是一次性快照，而是随病程多次采集
规模目标：至少 1000 名患者、至少 10 种癌症类型
多样性诉求：患者"代表美国的人口多样性（represent the demographic diversity of the U.S.）"
采集点位：**NCORP（NCI Community Oncology Research Program，NCI 社区肿瘤研究计划）**的多个站点——注意这是"社区肿瘤"网络，而非仅限大型学术癌症中心，设计上更贴近真实世界的癌症诊疗人群
采集对象：正在接受**标准治疗（standard of care）**的患者

3.2 生物样本 + 影像 + 组学：三合一

CMB 采集的不只是影像。项目采集三类核心资产：

生物样本（biospecimens）：血液与医疗操作中切除的组织
影像（imaging）：去标识化的放射影像与组织病理影像
配套数据：基因（genomic）、表型（phenotypic）、临床（clinical）

三者的分工与流向是：影像 → TCIA；基因/表型/完整临床 → dbGaP；开放临床子集 → CTDC。这种"影像公开、组学受控"的架构是精准肿瘤学数据治理的常见范式——影像泄露风险相对可控（去标识后难还原身份），而基因组数据的再识别风险更高，故走受控访问。

3.3 CMB 的多癌种集合家族

CMB 项目在 TCIA 上按癌种拆分为多个集合。官方 CMB Imaging 汇总页列出共 9 个集合（截至 2026-07-02 快照，“Showing 1 to 9 of 9”）：

集合	癌种	放射模态	放射 subjects	病理 subjects
CMB-AML	急性髓系白血病（Acute Myeloid Leukemia）	CT, MR, PT, XA	9	16
CMB-BRCA	浸润性乳腺癌（Invasive Breast Carcinoma）	CT, MG, MR, PT, US	50	99
CMB-CRC	结直肠癌（Colorectal Cancer）	CT, DX, MR, NM, PT, US, XA	63	102
CMB-GEC	胃食管癌（Gastroesophageal Cancer）	CT, MR, PT	12	26
CMB-LCA	肺癌（Lung Cancer）	CT, DX, MR, NM, PT, US	130	207
CMB-MEL	黑色素瘤（Melanoma）	CT, MR, PT, US	40	61
CMB-MML	多发性骨髓瘤（Multiple Myeloma）	CR, CT, DX, MR, PT, XA	111	177
CMB-OV	卵巢癌（Ovarian Carcinoma）	CT, PT	19	48
CMB-PCA	前列腺癌（Prostate Cancer）	CT, DX, MR, NM, PT, RF	26	76

从这张表能读出 CMB-CRC 的定位：它的放射模态数量（7 类）是九个集合里最多的之一，病理受试数（102）也是较大的，属于家族中数据较丰富的成员。

3.4 CMB-CRC 在结直肠癌研究中的位置

结直肠癌（Colorectal Cancer, CRC）是全球高发癌种，其诊疗高度依赖影像：初诊分期靠 CT/MRI，肝转移评估靠 CT/MRI/PET，随访靠 CT。同时 CRC 的治疗决策越来越依赖病理分子标志（MSI/MMR、RAS/BRAF 等），这就要求影像能与病理、基因对齐——正是 CMB 三层架构的用武之地。

CMB-CRC 的独特价值在于它是"纵向 + 多模态 + 可对齐 + 生物样本同步"的组合。单看每一维都不罕见，但四者叠加的前瞻性公开资源很少。这决定了它的目标用户不是"想找一张 CRC 图片打榜的人"，而是"想研究 CRC 在真实世界诊疗中如何演变、如何耐药的人"。

§4 数据规模：硬数字与读数纪律

4.1 三个口径的受试数

检索 CMB-CRC 的规模时，你会遇到三个不同的数字，它们各有出处：

口径	受试数	出处	时点
集合级总受试	102	Browse Collections / 集合页	2026-07-02
放射 / 病理拆分	放射 63 / 病理 102	CMB Imaging 汇总页	2026-07-02
DOI 版本链拆分	放射 44 / 病理 100	DOI Datacite 版本 V9	版本链

如何读数：

若引用"CMB-CRC 有多少受试"，安全表述是"约 102 例"（集合级口径）；
若要区分放射与病理，须同时注明两个口径不一致（63/102 vs 44/100），并说明版本链可能滞后于集合页；
任何精确单值都应带版本与时点，因为该集合状态为 Ongoing（持续更新中），数字会变。

4.2 大小数字：为什么没有单一"总大小"

CMB-CRC 的总大小不是单一数字，原因有三：

分项独立登记：放射（公开）、受限头部、病理三块分别给出 GB 数；
版本滚动：每版都变（V1 约 42 GB → V9 合计约 323 GB）；
公开/受限混装：受限头部影像"看起来"是同集合的一部分，但不在公开下载量里。

按 V9 口径核算：

公开放射：109.26 GB
受限头部放射：41.05 GB（非公开）
病理：173 GB
合计约 323.31 GB；仅公开部分约 282.26 GB

重要存照：任务派发时提供的候选事实称"约 400.75 GB"，但该数字未在任何一手来源（wiki / DOI 版本链 / browse 页 / CMB 汇总页）出现。本条目不采用 400.75 GB，改用可核的版本链数字，并在 §9 存照此冲突。检索者若在别处见到 400 GB 量级，应回溯其来源与版本。

4.3 病例数与影像数的关系

受试数 ≠ 影像数。以 V9 为例：

放射：44 受试 → 263 studies → 1,773 series → 179,953 images
受限头部：23 受试 → 75 studies → 421 series → 75,548 images
病理：100 受试 → 204 slides

一位受试对应多个 study（纵向多次扫描），一个 study 对应多个 series（不同序列/重建），一个 series 对应多张 image——这正是"纵向"在数字上的体现。研究者做受试级分析时要先按 PatientID 聚合，不能按 image 或 series 计数。

4.4 模态数量的稀缺性

CMB-CRC 放射覆盖 7 类模态（CT/DX/MR/NM/PT/US/XA）。在公开 CRC 影像数据集中，同时提供 7 类模态的极少——多数数据集只有 CT 或 CT+MRI。这使 CMB-CRC 在多模态融合研究上具有稀缺价值，但也带来工程负担：不同模态的预处理、配准、归一化管线各不相同。

4.5 增长曲线：病理是主力

从版本链看，CMB-CRC 的增长呈现明显非对称：

放射：V1（12/28GB 口径）→ V9（44/109GB），约 3.7 倍受试增长
病理：V1（10 例/13.8GB）→ V9（100 例/173GB），约 10 倍受试增长、12.5 倍体积增长

解读：CMB 项目近年明显加速了病理 WSI 的采集与发布。对以病理为主要分析对象的研究者，这是利好；对依赖"放射-病理配对"的研究者，则需注意两者受试交集可能小于任一单独子集。

§5 访问与许可：三层异构的门怎么进

5.1 三块资产、三种门

CMB-CRC 的访问控制不是一把锁，而是三把锁：

资产	许可	访问方式	下载工具
放射影像（公开部分）	CC BY 4.0	公开下载	NBIA Data Retriever
放射影像（头部专题）	NIH Controlled Data Access Policy	受限	受控流程
病理 WSI + 元数据	CC BY 4.0	公开下载	IBM Aspera Connect
基因/表型/完整临床	dbGaP 受控访问	需申请	dbGaP 通道
开放临床子集	开放	直接取用	CTDC

注意"CC BY 4.0 但需专用工具"这一组合：许可是开放的，但技术上要求 NBIA Data Retriever（放射）与 Aspera Connect（病理）——这不是访问限制，而是大文件传输的工程要求。真正的"门"在受限头部与dbGaP两处。

5.2 CC BY 4.0 意味着什么

放射公开部分与病理均采用 Creative Commons Attribution 4.0 International（CC BY 4.0）。这意味着使用者可以：

共享：以任何媒介或格式复制、分发
改编：remix、转换、基于其构建

条件只有一个——署名（Attribution），且必须包含官方指定的 Data Citation：

Cancer Moonshot Biobank. (2022). Cancer Moonshot Biobank – Colorectal Cancer Collection (CMB-CRC) (Version N) [Dataset]. The Cancer Imaging Archive. https://doi.org/10.7937/DJG7-GZ87

此外，CMB 项目请求（requests，非强制但强烈建议）使用者在发表物中加入致谢语：

“Data used in this publication were generated by the National Cancer Institute’s Cancer Moonshot Biobank.”

实操提醒：署名时务必带上 版本号（你用的哪一版）与 DOI。因为集合持续更新，不带版本的署名无法复现。

5.3 受限头部是什么意思

"Images of the head（头部影像）"在 CMB-CRC 中被单独划出，采用 NIH Controlled Data Access Policy（NIH 受控数据访问政策）。这通常是因为头部影像包含面部/颅面结构，即使去标识也存在**面部重建再识别（face reconstruction re-identification）**风险——这是医学影像去标识领域公认的难点（面部的三维结构可从 CT/MRI 重建出可辨识的人脸）。

对使用者的影响：如果你的研究只需要腹盆腔影像（结直肠癌的主要分析区域），受限部分通常不影响你；但若研究涉及全身或含头部扫描的受试，则需额外走受控访问流程。V9 中受限头部为 23 subjects / 41.05 GB。

5.4 dbGaP：基因与临床的门

基因、表型与完整临床数据托管在 dbGaP（Database of Genotypes and Phenotypes），研究 accession 为 phs002192.v1.p1。dbGaP 的访问是受控的：研究者需提交数据访问申请（Data Access Request），经审批后获得访问权限。开放临床子集则通过 **CTDC（Cancer Translational Data Commons）**提供。

跨库对齐的实操难点：TCIA 的影像与 dbGaP 的临床/基因是两套受试标识体系。虽然 CMB 项目在 DICOM 中嵌入了"距入组天数"来辅助对齐，但跨库配对仍需研究者自行核对标识映射——这是使用 CMB-CRC 做整合研究时最主要的前期工作量。

5.5 与库内可获取性光谱的对照

把 CMB-CRC 放进千方库的可获取性光谱里看：

数据集类型	典型许可形态
完全公开（如多数 TCIA 集合）	CC BY 或 CC BY-NC，直接下载
CMB-CRC	公开（CC BY 4.0）+ 受限（头部）+ 受控（dbGaP）三层混装
请求制（如 PANDA-PLUS 掩码）	向作者申请
完全受控	需 IRB + DUA

CMB-CRC 落在"分层公开"这一档——主力数据公开可得，敏感部分与组学部分收紧。这种设计在生物样本库数据中相当典型，也是"AI-Ready"评估中既加又减分的形态：加在于公开部分足够大且标准；减在于整合研究必须跨库、跨流程。

§6 生态与影响：一张生物样本库网络里的节点

6.1 CMB-CRC 连接的数据基础设施

CMB-CRC 不是孤岛，它嵌在一张 NCI 数据基础设施网络里。理解这张网有助于找到它的使用路径：

TCIA（The Cancer Imaging Archive）：影像托管主站，CMB-CRC 的官方集合页与下载入口
dbGaP（Database of Genotypes and Phenotypes）：基因/表型/完整临床的受控托管，study phs002192
CTDC（Cancer Translational Data Commons）：开放临床子集
CRDC（Cancer Research Data Commons）：NCI 的数据共享与云计算框架
IDC（Imaging Data Commons）：影像数据在此可做云端分析
Biobank Catalog：CMB 项目的临床事件目录，与 DICOM 中的"距入组天数"配合做时间对齐
NCORP：采集点位网络（社区肿瘤研究计划）

检索者动线：影像去 TCIA → 临床/基因去 dbGaP（或先用 CTDC 看开放子集）→ 云端分析用 IDC → 对齐靠 DICOM (0012,0053) + Biobank Catalog。

6.2 与 TCIA 平台的从属关系

CMB-CRC 是 TCIA 托管的众多集合之一。TCIA 本身是 NCI 资助的公共影像仓库，其标志性地位由 Clark et al. (2013) 的论文确立（J Digit Imaging 26(6):1045-1057, doi 10.1007/s10278-013-9622-7）——这也是 TCIA 要求使用者一并引用的 TCIA Citation。

TCIA 的集合分为"按癌种"“按模态”"按研究焦点"三类。CMB-CRC 属于按癌种 + 研究项目的复合类型：它既是"结直肠癌"癌种集合，又是"CMB 项目"的组成部分。

库内互链：千方库已有 tcia（rid 547） 平台级条目，CMB-CRC 应作为其下游集合与它互链。

6.3 在结直肠癌数据生态中的位置

结直肠癌的数据集可分为几个圈层，CMB-CRC 落在"影像队列"圈层：

圈层	代表数据集	与 CMB-CRC 的关系
组织病理图像块分类	NCT-CRC-HE-100K（rid 148）	同为 CRC，但为图块分类，非受试队列
结肠镜内窥镜	CVC-ColonDB（rid 142）、Real-Colon（rid 778）	同为 CRC 检测，模态为内窥镜
影像队列（受试级）	CMB-CRC	本条目
肿瘤影像建模挑战赛	各类 challenge	有排行榜；CMB-CRC 无

评述：CMB-CRC 的差异化在于"纵向 + 多模态 + 与组学对齐"。如果研究者要的是"大量标注好的病理图块做分类"，应去 NCT-CRC-HE-100K；如果要的是"真实世界结直肠癌患者的纵向影像轨迹"，CMB-CRC 更合适。

6.4 生物样本库家族的横向对照

库内 biobank-japan（rid 195）、uk-biobank（rid 96/569）与 CMB-CRC 同属"国家级生物样本库"家族，但侧重不同：

UK Biobank：超大人群、多组学、影像为辅，侧重人群流行病学
BioBank Japan：疾病队列、基因组为主
CMB-CRC：癌种特异、影像为主、影像+组学三合一、纵向随访——更聚焦肿瘤诊疗过程

互链建议：三者可构成"国家级生物样本库"专题检索面。

6.5 影响与引用（受控主张）

CMB-CRC 的 DOI 页（stage 快照）显示约 3.9k views / 1 citation。这反映它作为较新且持续更新的资源，引用量尚在早期积累阶段。注意：这类生物样本库资源的引用增长通常滞后于数据发布——因为使用者需先完成跨库申请、对齐、分析的长周期。

检索者提醒：不要用引用数衡量这类基础设施型数据集的价值；它的意义在于"使能了多少研究"，而非"被引了多少次"。

§7 方法学与使用要点

7.1 使用 CMB-CRC 的正确姿势

CMB-CRC 不是"下载即用"的数据集。正确的工作流大致是：

明确研究问题：是影像组学？是多模态融合？是影像-基因关联？还是纵向演变建模？
确定所需资产：只公开影像够不够？需不需要 dbGaP 的组学/临床？
分别获取：TCIA 领取影像（NBIA/Aspera），dbGaP 走申请（如需要）
对齐标识：用 DICOM (0012,0053) + Biobank Catalog 建立时间轴；核对 TCIA 与 dbGaP 的受试标识映射
按受试聚合：把 studies/series/images 按 PatientID 汇总到受试级再分析
注版本：全程记录用的是哪一版（V1-V9），因为集合在更新

7.2 常见误区

误区 1：把 image 数当样本量——应数受试（patient/subject）
误区 2：忽略公开/受限边界——受限头部不在公开下载里
误区 3：把"约 102 受试"当固定值——集合 Ongoing，数字会变
误区 4：以为放射与病理受试一一配对——两者数量不同、增长不同步
误区 5：签名不带版本——无法复现
误区 6：混淆 CMB-CRC 与库内 cmb-cmexam（"CMB"含义不同）

7.3 数据质量与去标识

CMB 项目对影像做了去标识处理：删除真实日期但保留扫描间相对顺序（保证 DICOM 显示与时间轴），影像与临床通过"距入组天数"对齐。但头部影像因再识别风险单独受限——这是去标识处理中"无法两全"的典型权衡：腹部影像去标识已足够，而颅面三维结构可从影像重建面部，故提高访问门槛。

7.4 与"AI-Ready"的关系

从 AI 就绪度看，CMB-CRC 具备 AI-Ready 的核心要素：标准化格式（DICOM）、去标识、纵向时间锚、配套组学/临床、稳定 DOI 与引文规范、持续维护。它的短板在于无内置任务定义与标注、无评测协议、整合成本高。它是"数据 ready"，但不是"任务 ready"——研究者需要自己把数据组装成 AI 任务。

§8 方法学启示：三条可迁移的经验

8.1 "分层公开"是生物样本库的可行范式

CMB-CRC 演示了一种成熟的数据治理分层：影像公开（CC BY 4.0）+ 敏感影像受限（头部）+ 组学受控（dbGaP）+ 临床分开放/受控（CTDC/dbGaP）。这种设计在"最大化科学价值"与"最小化再识别风险"之间取得平衡。可迁移经验：不是所有数据都需要同一把锁；按再识别风险分级，比"全公开"或"全受控"都更优。

8.2 "距入组天数"是纵向数据的关键锚

把时间信息以"距入组天数"嵌入 DICOM，同时删除真实日期、保留相对顺序，是纵向医学影像去标识的一个精巧设计。它解决了纵向数据的两难：既要能对齐临床事件，又不能泄露真实日期。可迁移经验：纵向数据集的去标识应保留"相对时间结构"，删除"绝对时间点"。

8.3 多中心真实世界采集的多样性价值

CMB 通过 NCORP（社区肿瘤研究计划）而非仅学术中心采集，使样本更贴近真实世界的癌症诊疗人群。这对 AI 模型的泛化性研究尤为重要——只在顶级学术中心数据上训练的模型，在社区医院场景下可能失效。可迁移经验：数据采集点位的地域/机构多样性，直接影响下游模型的临床可用性。

§9 与库内条目的关系

9.1 家族图谱

CMB-CRC 在千方库内可归入多个检索家族：

TCIA 家族：tcia（rid 547）为平台母节点
结直肠癌家族：nct-crc-he-100k（148）、cvc-colondb（142）、real-colon（778）
生物样本库家族：biobank-japan（195）、uk-biobank（96/569）
血液肿瘤/CMB 邻域：aml-cytomorphology（906，与 CMB-AML 邻域）
NCI 生态：aacr-genie、all-of-us

9.2 检索路径建议

想找"结直肠癌影像" → CMB-CRC + nct-crc-he-100k + cvc-colondb + real-colon
想找"生物样本库" → CMB-CRC + biobank-japan + uk-biobank
想找"TCIA 集合" → tcia(547) 为入口，CMB-CRC 为其下游
想找"纵向肿瘤影像" → CMB-CRC（本库内纵向影像资源较少，检索时注意）

9.3 消歧声明（重要）

CMB 在本库有两种完全不同的含义：

本条目（cmb-crc）：CMB = Cancer Moonshot Biobank（NCI 癌症登月生物样本库）
cmb-cmexam（rid 180）：CMB = Chinese Medical Benchmark（中文医疗评测基准）

二者无任何关系，仅缩写巧合。检索 CMB、CMB-CRC、cmb 等关键词时，务必按癌种/机构/数据模态区分语境。参见 §10 坑点 1。

§10 避坑清单：八个已踩过的坑

坑点 1（同名陷阱）：库内 cmb-cmexam（rid 180）的 “CMB” 是 Chinese Medical Benchmark（中文医疗评测基准），与本条目的 Cancer Moonshot Biobank 无关。检索 CMB 命中的可能是任意一方，必须先看语境（癌种/机构/数据模态）再判定。

坑点 2（大小数字无源）：任务候选事实曾给"约 400.75 GB"，但一手来源均无此数。实测各版合计最大约 323 GB（V9）。凡遇 ~400 GB 量级，须回溯版本与来源。本条目采用可核的版本链数字。

坑点 3（受试数三口径）：集合页写 102；CMB 汇总页拆 放射 63 / 病理 102；DOI 版本链拆 放射 44 / 病理 100。三者不一致，任何单值都须带出处与时点。

坑点 4（受试≠影像）：V9 放射 44 受试却对应 263 studies、1,773 series、179,953 images。按 image 或 series 计数会把样本量放大数千倍，必须按 PatientID 聚合到受试级。

坑点 5（公开/受限混装）：放射含"公开 CC BY 4.0"与"受限头部（NIH Controlled）"两部分。把 41 GB 受限头部算进公开下载量是错的——它不在公开入口。

坑点 6（放射病理不配对）：放射 44 受试、病理 100 受试，且增长不同步。不可默认每位受试都有配对病理，跨模态研究须自行核对交集。

坑点 7（签名缺版本）：集合状态为 Ongoing，持续更新。署名不带版本号（Version N）与 DOI，即无法复现。官方 Data Citation 明确要求带版本。

坑点 8（跨库对齐成本）：TCIA 影像与 dbGaP 临床/基因是两套标识体系，虽可用 DICOM (0012,0053)"距入组天数"辅助对齐，但配对仍需人工核对，且 dbGaP 需先通过申请。低估这个前期成本常导致项目延期。

§11 总结

11.1 三句话总结

CMB-CRC 是美国 NCI 癌症登月生物样本库（CMB）中结直肠癌那一支的多模态影像集合，托管 TCIA，含放射七模态 + H&E 全切片病理，约 102 例受试。
它的价值在"纵向 + 多模态 + 可对齐 + 与生物样本同步"，是耐药性与肿瘤演变研究的资源基座，而非打榜数据集。
门分三层：放射公开部分与病理 CC BY 4.0，头部放射受限，基因/临床走 dbGaP 受控访问；引用须带版本与 DOI。

11.2 适合谁

研究纵向肿瘤影像演变的团队
做多模态影像融合（CT/MRI/PET/病理）的研究者
需要影像-基因-临床对齐的精准肿瘤学研究
研究真实世界癌症诊疗（NCORP 社区点位人群）的流行病学与卫生服务研究者
构建生物样本库数据基础设施的工程团队

11.3 不适合谁

想找现成标注 + 评测协议打榜的人（CMB-CRC 无排行榜）
想找大量病理图块做分类的人（应去 NCT-CRC-HE-100K）
想找一次性静态数据集的人（CMB-CRC 持续更新）
只想下载即用、不愿处理跨库对齐的人

11.4 30 秒决策卡

你的需求	建议
纵向 CRC 影像演变	✅ CMB-CRC 正合适
多模态 CRC 影像融合	✅ 七模态稀缺
CRC 病理图块分类	➡️ 改用 nct-crc-he-100k(148)
结肠镜内窥镜	➡️ 改用 cvc-colondb(142)/real-colon(778)
只想拿数据打榜	❌ 无评测协议
要影像+基因配对	⚠️ 可行但需 dbGaP 申请 + 跨库对齐

FAQ（高频问答 24 问）

A. 基础认知

Q1：CMB-CRC 全称是什么？
答：Cancer Moonshot Biobank – Colorectal Cancer Collection，即"癌症登月生物样本库—结直肠癌集合"。

Q2：CMB 是什么意思？
答：在这里是 Cancer Moonshot Biobank（美国 NCI 的癌症登月生物样本库）。注意库内 cmb-cmexam(180) 的 CMB 是 Chinese Medical Benchmark，含义不同。

Q3：谁主办的？
答：美国国家癌症研究所（NCI，隶属 NIH）的 Cancer Moonshot Biobank 项目。

Q4：托管在哪？
答：影像托管于 TCIA（The Cancer Imaging Archive）；基因/表型/临床托管于 dbGaP。

Q5：它是挑战赛吗？
答：不是。无排行榜、无提交窗口、无评估服务器。

Q6：CMB 项目目标是什么？
答：从至少 1000 名、至少 10 种癌症类型的患者纵向采集生物样本与数据，支持耐药性与敏感性研究。

B. 数据与规模

Q7：有多少受试？
答：集合页口径约 102 例；DOI 版本链拆为放射 44 + 病理 100。详见 §4。

Q8：有多大？
答：随版本滚动。V9 口径：公开放射 109.26 GB + 受限头部 41.05 GB + 病理 173 GB，合计约 323 GB。无单一固定"总大小"。

Q9：有多少模态？
答：放射七类：CT、DX、MR、NM、PT、US、XA。

Q10：病理是什么格式？
答：H&E 全切片 WSI，SVS 格式 + JSON 元数据。

Q11：有多少张影像？
答：V9 放射 179,953 images（公开）+ 75,548 images（受限头部）；病理 204 slides。

Q12：为什么受试数有多个版本？
答：不同页面（集合页 vs DOI 版本链）口径与时点不同；集合状态为 Ongoing，数字持续变化。

C. 获取与许可

Q13：怎么下载？
答：放射用 NBIA Data Retriever，病理用 IBM Aspera Connect。均从 TCIA 集合页入口。

Q14：许可是什么？
答：放射公开部分与病理 CC BY 4.0；头部放射为 NIH Controlled Data Access Policy；基因/临床走 dbGaP 受控访问。

Q15：CC BY 4.0 能商用吗？
答：CC BY 4.0 允许共享与改编（含商用），条件是署名并附指定 Data Citation（含版本与 DOI）。

Q16：头部影像为什么不公开？
答：颅面结构可从三维影像重建面部，存在再识别风险，故适用 NIH 受控访问政策。

Q17：基因数据怎么拿？
答：向 dbGaP 提交数据访问申请，study phs002192.v1.p1，审批后访问。

Q18：开放临床子集在哪？
答：CTDC（Cancer Translational Data Commons）。

D. 使用与工程

Q19：怎么和临床数据对齐？
答：利用 DICOM 标签 (0012,0053)"距入组天数"与 Biobank Catalog 的临床事件做时间对齐。

Q20：放射和病理受试一一对应吗？
答：不完全。放射 44 / 病理 100，增长也不同步，跨模态研究须自行核对交集。

Q21：样本量应该按什么数？
答：按受试（subject/patient）聚合，不要按 image 或 series 计数。

Q22：能直接用于训练 AI 吗？
答：格式可（DICOM/SVS），但无内置任务与标注，需自建标注与评测管线。

E. 库内与检索

Q23：和 nct-crc-he-100k 什么关系？
答：同为结直肠癌但不同物：NCT-CRC-HE-100K 是病理图块分类数据集，CMB-CRC 是受试级多模态影像队列。

Q24：怎么检索 CMB 相关？
答：先按语境区分 Cancer Moonshot Biobank 与 Chinese Medical Benchmark，再看癌种/模态/机构。

事实清单（硬事实 30 条）

CMB-CRC 全称为 Cancer Moonshot Biobank – Colorectal Cancer Collection。
官方 DOI：10.7937/DJG7-GZ87。
由美国 NCI（国家癌症研究所）Cancer Moonshot Biobank 项目主办。
影像托管于 TCIA（The Cancer Imaging Archive）。
基因/表型/完整临床托管于 dbGaP，study accession phs002192.v1.p1。
开放临床子集托管于 CTDC。
采集来自 NCORP（NCI 社区肿瘤研究计划）多个点位。
CMB 项目目标：至少 1000 名患者、至少 10 种癌症类型。
CMB 项目采集：血液与组织生物样本 + 影像 + 基因/表型/临床。
集合页口径受试数约 102。
CMB 汇总页口径：放射 63 / 病理 102。
DOI 版本链 V9 口径：放射 44 / 病理 100。
放射覆盖七类模态：CT、DX、MR、NM、PT、US、XA。
病理为 H&E 全切片 WSI，SVS 格式。
V1（2022-08-12）：放射 28 GB + 病理 13.8 GB。
V6（2024-08-04）：放射 65.5 GB + 受限头部 27.68 GB + 病理 108.4 GB。
V7（2024-08-28）：放射 97.93 GB + 受限头部 39.73 GB + 病理 112.8 GB。
V8（2025-05-09）：放射 106.49 GB + 受限头部 39.97 GB + 病理 135 GB。
V9（最新）：放射 109.26 GB + 受限头部 41.05 GB + 病理 173 GB。
V9 放射统计：44 subjects / 263 studies / 1,773 series / 179,953 images。
V9 病理统计：100 subjects / 204 slides。
“400.75 GB” 未见任何一手来源。
放射公开部分许可为 CC BY 4.0。
病理许可为 CC BY 4.0。
受限头部适用 NIH Controlled Data Access Policy。
官方要求引用含版本号的 Data Citation。
官方致谢语：“Data used in this publication were generated by the National Cancer Institute’s Cancer Moonshot Biobank.”
DICOM 标签 (0012,0053) 存"距入组天数"，用于时间对齐。
放射日期去标识但保留扫描间相对顺序。
集合状态为 Ongoing（持续更新）。

术语表（26 条）

术语	英文	释义
癌症登月生物样本库	Cancer Moonshot Biobank (CMB)	NCI 发起的前瞻性生物样本库项目
结直肠癌	Colorectal Cancer (CRC)	结肠与直肠的恶性肿瘤
癌症影像档案库	The Cancer Imaging Archive (TCIA)	NCI 资助的公共医学影像仓库
基因型与表型数据库	dbGaP	NCBI 托管的基因-表型受控数据库
癌症转化数据共享平台	CTDC	开放临床数据子集平台
癌症研究数据联盟	CRDC	NCI 数据共享与云计算框架
影像数据联盟	IDC	影像云端分析平台
社区肿瘤研究计划	NCORP	NCI 的社区肿瘤临床试验网络
全切片图像	Whole Slide Image (WSI)	数字化病理切片
H&E 染色	Hematoxylin and Eosin	苏木精-伊红常规病理染色
SVS	Aperio ScanScope Virtual Slide	Aperio 扫描仪 WSI 格式
数字成像与通信	DICOM	医学影像通用标准格式
放射组学	Radiomics	从医学影像提取定量特征
计算机断层扫描	CT	Computed Tomography
数字X线摄影	DX	Digital Radiography
磁共振成像	MR / MRI	Magnetic Resonance Imaging
核医学	NM	Nuclear Medicine
正电子发射断层	PET / PT	Positron Emission Tomography
超声	US	Ultrasound
X线血管造影	XA	X-ray Angiography
去标识	De-identification	移除个人身份信息
受控访问	Controlled Access	需申请审批的访问模式
数据访问申请	DAR	Data Access Request
再识别风险	Re-identification Risk	从数据还原个人身份的风险
纵向队列	Longitudinal Cohort	随时间反复采集的队列
数据使用条款	DUA	Data Use Agreement

§12 深度解读：把 CMB-CRC 放回癌症数据基础设施的坐标里

12.1 为什么"生物样本库影像"是独特的品类

要理解 CMB-CRC，先要理解"生物样本库影像"与普通"医学影像数据集"的根本差异。普通影像数据集回答的是"图像长什么样"，生物样本库影像回答的是"这个病人经历了什么"。

维度	普通影像数据集	生物样本库影像（CMB-CRC）
采集动机	为研究而回头采集	随诊疗流程前瞻采集
时间结构	常为单点	纵向多次
与样本关系	无关	与血液/组织样本同步
与组学关系	通常无	配套 dbGaP 组学
患者代表性	常偏学术中心	含社区点位（NCORP）
用途	建模/标注	队列研究/演变建模/关联分析

结论：CMB-CRC 的价值不在图像本身的"质量"或"数量"，而在它与病人诊疗轨迹、生物样本、组学数据的绑定关系。放弃这一点去和纯图像数据集比"谁图多"，就完全错失了它的意义。

12.2 前瞻 vs 回顾：数据采集时机的深远影响

CMB 项目是**前瞻性（prospective）的：患者在入组时被纳入，之后随病程被反复采集。这与大多数 TCIA 集合的回顾性（retrospective）**采集有本质区别：

前瞻采集的优势：采样时间点由方案预设，减少了"只采到有检查记录的病人"这种选择偏倚；纵向随访更完整；样本新鲜度可控。
前瞻采集的代价：数据产生慢（要等病人真的回访）；初期数据量小；随访丢失（loss to follow-up）不可避免。
对使用者的含义：CMB-CRC 的受试数增长是**“活的”**——它反映的是项目进展，而非固定池子。引用时必须带时点，因为明年来看数字会变。

12.3 NCORP 采点的真实世界含义

CMB 通过 **NCORP（NCI Community Oncology Research Program）**采集，而非仅限 NCI 指定的综合癌症中心（Comprehensive Cancer Center）。这一选择有深刻的方法学含义：

学术中心数据：病人常经过筛选（转诊而来、经济条件较好、依从性高），数据"漂亮"但不代表整体人群。
社区点位数据：更接近美国癌症患者的真实分布（种族、社会经济、合并症、医疗可及性）。

对 AI 模型的意义：在社区点位数据上训练的模型，泛化到真实临床场景的潜力更大。CMB 官方明确强调患者"represent the demographic diversity of the U.S."——这是它的设计卖点，也是它与"精英医院数据集"的关键分野。

12.4 多层访问控制的风险-效用权衡

CMB-CRC 的分层访问（公开/受限/受控）背后是一套**风险-效用权衡（risk-utility trade-off）**逻辑：

数据	再识别风险	科学效用	治理选择
腹盆腔影像（去标识）	低	高	公开（CC BY 4.0）
头部影像	高（面部重建）	中	受限（NIH Controlled）
病理 WSI	低-中	高	公开（CC BY 4.0）
基因变异	高（基因指纹）	高	受控（dbGaP）
临床明细	中（准标识符组合）	高	分层（CTDC 开放 + dbGaP 受控）

这张表解释了为什么"同一个数据集"会有三把不同的锁——不是随意设卡，而是按每类数据的再识别风险对症下药。可迁移到其它数据集的治理设计经验。

12.5 与"开放科学"张力的存照

CMB-CRC 代表了一种务实的开放科学：不是"全开放"，也不是"全封闭"，而是"能开放的尽量开放，敏感的收紧"。这种模式在生物医学数据领域日益成为主流。但它也带来一个问题："看起来开放"的数据集，实际上整合使用的门槛很高——研究者以为下载就完事，真做起来才发现影像在 TCIA、临床在 dbGaP、对齐靠自己。

对检索者的忠告：评估一个数据集是否"AI-Ready"，不能只看"能不能下载"，还要看"整合成本有多高"。CMB-CRC 的整合成本明确偏高，这是它的固有属性，也是使用者必须预算的成本。

12.6 结直肠癌影像研究的特殊挑战

结直肠癌的影像研究有几个领域特有的难点，CMB-CRC 的使用者需要了解：

解剖异质性：结肠走行迂曲（升、横、降、乙状、直肠），不同肠段的肿瘤影像表现差异大，模型需处理极大的解剖变异。
转移评估：CRC 最关键的临床决策在肝转移与肺转移评估，故 CMB-CRC 的 CT/PET/MR 数据在这些区域的判读价值最高。
治疗响应：新辅助治疗后的影像改变（如直肠癌的 watch-and-wait 策略）需要纵向影像才可评估——正是 CMB-CRC 纵向设计的用武之地。
病理分子分型：MSI/MMR 状态直接影响免疫治疗决策，而它与影像的关联（radiogenomics）是 CMB-CRC 三层架构能支持的前沿方向。

12.7 CMB-CRC 可能支撑的研究类型清单

研究类型	所需资产	可行性
纵向肿瘤体积/负荷变化建模	公开放射	✅ 公开可得
多模态影像融合（CT+MRI+PET）	公开放射	✅ 公开可得
影像组学特征与预后关联	公开放射 + dbGaP 临床	⚠️ 需 dbGaP
影像-基因组关联（radiogenomics）	公开放射 + dbGaP 基因	⚠️ 需 dbGaP
放射-病理配对分析	公开放射 + 公开病理	⚠️ 需核对受试交集
真实世界诊疗模式研究	开放临床子集（CTDC）	✅ 开放可得
多癌种泛化研究	CMB 多集合	✅ 公开部分可得

12.8 一份给数据工程师的整合路线图

若你的团队要用 CMB-CRC 建管线，建议如下路线：

元数据先行：先拉全集合的 DICOM 元数据（不动图像），统计每受试的模态、study 数、时间分布。
受试目录去重：建立统一的受试主键，核对 V6 前后的 PatientID 命名变化（去前缀）。
分层下载：公开放射 + 病理优先；头部影像与组学按需另行申请，避免过早阻塞。
时间轴重建：用 (0012,0053) 距入组天数 + 保留的相对顺序，重建每受试的影像时间线。
模态归一化：不同模态分别做（CT 的窗宽窗位、MRI 的强度归一化、PET 的 SUV 单位各不相同）。
配对检查：核对放射-病理受试交集，明确哪些受试两端齐全。
版本冻结：项目推进期间锁定一个版本（如 V9），记录在实验元数据中。
引用合规：所有产物带上官方 Data Citation（含版本）与致谢语。

这份路线图的核心思想：CMB-CRC 的工程量不在"下载"，而在"对齐"。把对齐做在前面，后续分析才顺。

12.9 与其它 NCI 数据资源的协同

CMB-CRC 不是孤立使用的。它与 NCI 生态里其它资源可以协同：

与 IDC 协同：影像可在 IDC 云端做分析，避免本地搬大文件。
与 CTDC 协同：先用 CTDC 的开放临床子集做探索性队列描述，再决定是否申请 dbGaP。
与 Biobank Catalog 协同：临床事件时间线从这里对齐到影像。
与库内 TCIA 其它集合协同：做跨集合的转移学习或外部验证。

检索者视角：把 CMB-CRC 看成"一个节点"，而非"一个孤岛"，才能最大化它的价值。

12.10 关于"AI-Ready"的冷静评估

最后，给 CMB-CRC 的"AI-Ready"下一个诚实的判断：

它 AI-Ready 的部分：格式标准（DICOM/SVS）、有去标识、有时间锚、有配套组学临床、有稳定 DOI、有持续维护、有清晰许可。这些是很多数据集欠缺的基础设施。

它不 AI-Ready 的部分：无任务定义、无标注、无评测协议、无基线模型、无数据字典（label schema）。这些"上层建筑"需要使用者自建。

综合：CMB-CRC 是优秀的"数据原料"，但不是"即用型 AI 数据集"。把它用好的团队，往往是那些愿意投入前期整合工作、且真正懂临床问题边界的团队。它奖励"耐心"，惩罚"图快"。

FAQ（补充 20 问）

F. CMB 项目与治理

Q25：CMB 项目为什么叫"登月"？
答：“Cancer Moonshot”（癌症登月）是美国的一项国家级抗癌计划命名，借"登月"喻指攻克癌症的宏大目标。CMB 是该计划下的生物样本库子项目。

Q26：CMB 会一直更新吗？
答：会。CMB 按发布计划分批释放数据（coordinated release schedule），与临床/基因数据发布同步。集合状态标为 Ongoing。

Q27：CMB 的临床数据在哪一层？
答：分两层——开放子集在 CTDC，完整临床 + 表型 + 基因在 dbGaP（受控）。

Q28：为什么影像和组学分家？
答：影像去标识后再识别风险相对低，可公开；基因组数据再识别风险高，需受控。分家是风险分级的产物。

Q29：dbGaP 是什么？
答：Database of Genotypes and Phenotypes，美国 NCBI 托管的基因-表型数据库，敏感数据走受控访问。

Q30：CTDC 是什么？
答：Cancer Translational Data Commons，提供部分开放的癌症临床数据。

Q31：CRDC 和 IDC 又是干嘛的？
答：CRDC（Cancer Research Data Commons）是 NCI 的数据共享框架；IDC（Imaging Data Commons）是其影像云端分析平台。

Q32：NCORP 是什么？
答：NCI Community Oncology Research Program，NCI 的社区肿瘤研究网络，CMB 的采集点位来源。

G. 技术细节

Q33：DICOM (0012,0053) 是什么？
答：一个 DICOM 标签，CMB-CRC 中存储"距入组天数（days from enrollment）"，用于影像与临床事件的时间对齐。

Q34：为什么用"距入组天数"而不是日期？
答：日期会泄露真实时间（隐私风险），而相对天数既能对齐临床事件，又不暴露绝对时间点。

Q35：什么是 NBIA Data Retriever？
答：TCIA 官方的影像下载客户端，用于批量拉取 DICOM。

Q36：为什么病理要用 Aspera？
答：WSI 文件极大（GB 级），Aspera 是高速大文件传输协议，比普通 HTTP 下载更稳定。

Q37：SVS 格式怎么读？
答：用 OpenSlide、ASAP、QuPath 等专用 WSI 读取器。

Q38：受试标识是什么格式？
答：类似 MSB-##### ；V6 之前带集合前缀（CMB-CRC-MSB-#####），V6 起去前缀。

Q39：如何统计一位受试做了哪些检查？
答：按 PatientID 聚合 DICOM 元数据，按 Modality 分组，按 study/series 展开。

Q40：能重建单个病人的完整影像时间线吗？
答：能，用 (0012,0053) 距入组天数 + 保留的相对顺序。

H. 合规与伦理

Q41：CC BY 4.0 标注的要求有多严？
答：必须署名并给出官方 Data Citation（含版本与 DOI）；这是许可的法定条件，不是可选项。

Q42：致谢语是强制的吗？
答：官方"requests"（请求）使用者加入，措辞非强制但强烈建议——实际发表中应遵守。

Q43：能二次分发数据吗？
答：CC BY 4.0 允许共享（复制、分发），但需保留署名与引文。受限/受控部分不得二次分发。

Q44：做研究需要 IRB 吗？
答：数据已去标识，通常用于二次研究不再需要面向受试的知情同意；但受控部分（dbGaP）有自己的 DUA 与机构审查要求，须遵守其协议。

I. 库内检索与差异

Q45：CMB-CRC 和 cmb-cmexam 怎么区分？
答：看语境——cmb-crc 的 CMB 是 Cancer Moonshot Biobank（NCI 生物样本库，癌种影像）；cmb-cmexam(180) 的 CMB 是 Chinese Medical Benchmark（中文医疗考试基准）。

Q46：CMB-CRC 和 tcia(547) 什么关系？
答：tcia 是平台母条目，CMB-CRC 是 TCIA 托管的集合之一，属下游互链。

Q47：和 uk-biobank 比呢？
答：UK Biobank 是超大人口队列、多组学、影像为辅；CMB-CRC 是癌种特异、影像为主、纵向随访。

Q48：这条目和 PANDA-PLUS 有可比性吗？
答：都属于"医学影像数据集"大类，但 PANDA-PLUS 是前列腺病理分割标注集，CMB-CRC 是结直肠癌多模态影像队列，对象与任务均不同。

附录 AA：结直肠癌影像研究术语补充

术语	释义
新辅助治疗	Neoadjuvant therapy，术前进行的治疗
watch-and-wait	直肠癌新辅助后达临床完全缓解时暂不手术的观察策略
肝转移	Liver metastasis，结直肠癌最常见的远处转移部位
MSI/MMR	微卫星不稳定/错配修复，结直肠癌关键分子标志
影像基因组学	Radiogenomics，影像特征与基因特征的关联研究
肿瘤负荷	Tumor burden，体内肿瘤总量的度量
分期	Staging，如 TNM 分期系统
随访	Follow-up，治疗后的持续监测

附录 AB：版本发布节奏存照

版本	日期	发布内容要点
V1	2022-08-12	首发：放射 28 GB + 病理 13.8 GB
V5	2024-03-04	新老患者增量
V6	2024-08-04	PatientID 去前缀（CMB-CRC-MSB-##### → MSB-#####），UID 哈希
V7	2024-08-28	追加数据，放射 97.93 GB，病理 112.8 GB
V8	2025-05-09	9 新放射患者；20 新病理患者 & 26 新 slides
V9	最新	无新放射患者；26 新病理患者 & 37 新 slides；病理达 100 受试 / 204 slides

附录 AC：与其它 CMB 集合的互链建议

建议互链集合	癌种	理由
CMB-AML	急性髓系白血病	同项目家族，血液肿瘤
CMB-BRCA	乳腺癌	同项目家族，病理受试量大
CMB-GEC	胃食管癌	同项目家族，消化道肿瘤
CMB-LCA	肺癌	同项目家族，规模最大
CMB-MML	多发性骨髓瘤	同项目家族
CMB-OV	卵巢癌	同项目家族
CMB-PCA	前列腺癌	同项目家族

说明：上述 CMB 家族集合在千方库内若尚未建档，可作为后续增补候选；本条仅登记建议互链关系，实际链接以库内 rid 为准。

附录 AD：双口径冲突全文存照

冲突一（受试数）：

来源 A（TCIA Browse Collections，2026-07-02）：CMB-CRC Subjects = 102
来源 B（CMB Imaging 汇总页，2026-07-02）：Radiology Subjects = 63，Pathology Subjects = 102
来源 C（DOI Datacite 版本链 V9）：放射 44 受试 + 病理 100 受试
采信：主锚"约 102 例"（集合级），其余口径注来源与时点

冲突二（总大小）：

来源 A（主会话候选事实）：400.75 GB
来源 B（DOI 版本链 V9 核算）：公开 109.26 + 受限 41.05 + 病理 173 = 323.31 GB（含受限）；仅公开约 282.26 GB
采信：采用版本链核算值；400.75 GB 因无一手来源而弃用并存照

冲突三（V1 放射受试数）：

来源 A（wiki pageId=133071777）：V1 放射 12 患者
来源 B（wiki pageId=93258430）：32 患者 / 52.9 GB（草稿页，含占位符）
采信：采信版本链 V1 = 12；草稿页数字仅存照

附录 AE：检索卫生守则（6 条）

引用受试数必带口径（集合页/汇总页/版本链）。
引用大小必带版本与时点。
区分公开/受限/受控三类资产，勿混算。
样本量按受试聚合，不按 image/series。
跨库研究预算好 dbGaP 申请与对齐工时。
署名带版本号与 DOI，遵守官方引文与致谢要求。

附录 AF：本条目生产档案

项	值
生产代理	agent-c-cmbcrc
生产日期	2026-10-09
网络用量	WebSearch ×2、WebFetch ×5（失败 4 / 成功 1）
主要来源	TCIA Browse Collections、CMB 汇总页、wiki 页、DOI Datacite 版本链
沙箱限制	cancerimagingarchive.net curl 不可达；集合页 WebFetch 正文提取失败
双口径存照	受试数 3 口径、大小 2 口径、V1 受试数 2 口径
遗留疑点	最新集合页精确数字、独立方法学论文、dbGaP 变体文件规模

附录 AG：CMB-CRC 相关官方链接汇总

资源	链接
TCIA 集合页	https://www.cancerimagingarchive.net/collection/cmb-crc/
Browse Collections	https://www.cancerimagingarchive.net/browse-collections/
CMB Imaging 汇总	https://www.cancerimagingarchive.net/research/cmb
TCIA wiki 页	https://wiki.cancerimagingarchive.net/pages/viewpage.action?pageId=133071777
DOI	https://doi.org/10.7937/DJG7-GZ87
CMB 项目主页	https://moonshotbiobank.cancer.gov/
dbGaP study	https://www.ncbi.nlm.nih.gov/projects/gap/cgi-bin/study.cgi?study_id=phs002192.v1.p1

附录 AH：CMB-CRC 与"理想 AI-Ready 数据集"的差距清单

理想要素	CMB-CRC 现状	差距
标准格式	DICOM/SVS ✅	基本满足
去标识	已去标识 ✅	满足
任务定义	无	❌ 需自建
标注标签	无	❌ 需自建
评测协议	无	❌ 需自建
基线模型	无	❌ 需自建
数据字典	部分（DICOM 元数据）	⚠️ 不完整
时间锚	(0012,0053) ✅	满足
组学配套	dbGaP ✅	满足（受控）
临床配套	dbGaP/CTDC ✅	满足
稳定 DOI	有 ✅	满足
持续维护	Ongoing ✅	满足
许可清晰	CC BY 4.0 + 受控 ✅	满足
多中心代表性	NCORP 社区点位 ✅	满足

附录 AI：CMB-CRC 检索的五个反直觉点

“公开数据集"不等于"一次下载搞定”——CMB-CRC 是分层的，且需要跨平台整合。
“受试数"不等于"影像数”——两者差数千倍，混淆会严重误导样本量。
“CC BY 4.0"不等于"无需注册”——下载仍需 NCIA/Aspera 工具，且署名是强制的。
“结直肠癌数据集"不等于"能互用”——CMB-CRC、NCT-CRC-HE-100K、CVC-ColonDB 对象各异。
“数据越多越新"不等于"引用越稳”——版本滚动意味着引用不带版本就会失效。

附录 AJ：给三类读者的行动建议

给研究者：

先明确研究问题是"影像"还是"影像+组学"，后者预算好 dbGaP 申请周期。
锁定一个版本（如 V9），记录在实验元数据。
遵守官方引文与致谢规范。

给数据工程师：

元数据先行，受试目录去重，分层下载。
用 (0012,0053) 重建时间轴。
各模态分别归一化。

给数据集维护者/编目者：

引用时保留多口径存照。
区分本 CMB 与 Chinese Medical Benchmark。
关注 V10+ 发布与 dbGaP accession 变更。

附录 AK：本条目与金标准结构对照

部分	本条目	金标准（panda-plus）
frontmatter	完整（含 schema_org 五节点）	完整
§0-§11	齐备	齐备
§12 深度解读	有	无（以 §8 方法学启示代替）
FAQ	主 24 问 + 补充 20 问	32 问
事实清单	30 条	36 条
术语表	26 条	30 条
附录	A-AK（37 项）	A-AC（29 项）
DAIMS 表	有（综合 7.8/10）	有（综合 6.6/10）
坑点	8 个	8 个

附录 AL：数据引文与致谢标准文本（可直接复制）

Data Citation（必引）：

Cancer Moonshot Biobank. (2022). Cancer Moonshot Biobank – Colorectal Cancer Collection (CMB-CRC) (Version 7) [Dataset]. The Cancer Imaging Archive. https://doi.org/10.7937/DJG7-GZ87

使用前请将 “Version 7” 替换为你实际使用的版本号。

Acknowledgement（强烈建议）：

“Data used in this publication were generated by the National Cancer Institute’s Cancer Moonshot Biobank.”

TCIA Citation（一并引用）：

Clark K, Vendt B, Smith K, Freymann J, Kirby J, Koppel P, Moore S, Phillips S, Maffitt D, Pringle M, Tarbox L, Prior F. The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository, Journal of Digital Imaging, Volume 26, Number 6, December, 2013, pp 1045-1057. DOI: 10.1007/s10278-013-9622-7

附录

附录 A：条目信息速查卡

字段	值
slug	cmb-crc
官方名	Cancer Moonshot Biobank – Colorectal Cancer Collection
DOI	10.7937/DJG7-GZ87
主办	National Cancer Institute (NCI), Cancer Moonshot Biobank
托管	TCIA（影像）+ dbGaP（组学/临床）+ CTDC（开放临床）
受试	约 102（集合页口径）
模态	CT/DX/MR/NM/PT/US/XA（放射）+ H&E WSI（病理）
大小	约 323 GB 合计（V9 口径）；公开放射 109.26 GB + 病理 173 GB
许可	CC BY 4.0（放射公开 + 病理）；NIH Controlled（头部）；dbGaP 受控
状态	Ongoing（持续更新）
抓取时点	2026-10-09
category_tags	医学影像、病理图像、CT、多模态、肿瘤学、结直肠癌

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	TCIA、dbGaP、CTDC 多平台登记，官方 DOI 稳定；但集合名 “CMB-CRC” 与癌种缩写 CRC 易与其它 CRC 数据集混淆，且部分侧页入口分散
A 可获取性	7	放射公开部分与病理 CC BY 4.0 直下（含专用工具）；可获取性被头部受限（23 受试）与 dbGaP 受控访问两级收紧，整合研究门槛高
I 可互操作	7	放射 DICOM 标准、病理 SVS 主流但私有、组学走 dbGaP 规范；跨模态无原生桥接，需自建对齐管线
M 元数据质量	8	版本链登记完备（V1-V9 分项统计）、DICOM 内嵌距入组天数、官方引文与致谢规范清晰；但受试数多口径不一致（102/63/44）微降分
S 可持续性	9	NCI 国家级项目、TCIA/dbGaP 长期托管、持续版本发布（Ongoing）；基础设施型资源可持续性高
综合评级	7.8/10（良好）	作为国家级生物样本库影像资源，可持续性与元数据质量突出；可获取性与互操作性受"分层访问 + 跨库整合"拖累，但公开部分体量足、标准佳

附录 C：逐项证据链自证

事实	来源	说明
全称与 DOI	TCIA 集合页 / DOI 页	官方命名与 Datacite 登记
约 102 受试	Browse Collections 快照（2026-07-02）	集合级口径
放射 63 / 病理 102	CMB Imaging 汇总页（2026-07-02）	分列口径
放射 44 / 病理 100	DOI Datacite 版本链 V9	版本链口径
七类模态	集合页 / 汇总页	CT/DX/MR/NM/PT/US/XA
版本链 GB 数字	DOI Datacite 版本登记	V1-V9 逐版
CC BY 4.0	TCIA 集合页 License 栏	放射公开 + 病理
NIH Controlled（头部）	DOI 版本链受限行	“Images of the head”
dbGaP phs002192	TCIA 附加资源 + dbGaP 页	组学/临床托管
DICOM (0012,0053)	集合页 Detailed Description	距入组天数
NCORP 采集	CMB 项目描述	社区肿瘤点位

附录 D：数据获取决策树

你要做什么研究？
├─ 只用放射公开影像 → TCIA 集合页 → NBIA Data Retriever 下载（CC BY 4.0）
├─ 需要病理 WSI → TCIA 集合页 → IBM Aspera Connect 下载（CC BY 4.0）
├─ 需要头部影像 → 适用 NIH Controlled Data Access Policy → 走受控申请
├─ 需要基因/表型/完整临床 → dbGaP phs002192 → 提交 DAR → 审批
├─ 只需要开放临床子集 → CTDC 直接取用
└─ 需要影像+组学对齐 → 分别获取后按标识 + DICOM(0012,0053) 对齐

附录 E：版本链分项数据总表

版本	更新日期	放射 subjects	放射 studies	放射 series	放射 images	放射 GB	受限 subjects	受限 GB	病理 subjects	病理 slides	病理 GB
V1	2022-08-12	12	74	443	34,870	28	—	—	10	31	13.8
V6	2024-08-04	29	152	956	98,670	65.5	11	27.68	49	131	108.4
V7	2024-08-28	32	237	1,554	158,382	97.93	20	39.73	54	136	112.8
V8	2025-05-09	40	254	1,707	173,820	106.49	21	39.97	74	167	135
V9	最新	44	263	1,773	179,953	109.26	23	41.05	100	204	173

附录 F：CMB 九癌种集合总表

集合	癌种	放射模态	放射 subjects	病理 subjects
CMB-AML	急性髓系白血病	CT, MR, PT, XA	9	16
CMB-BRCA	浸润性乳腺癌	CT, MG, MR, PT, US	50	99
CMB-CRC	结直肠癌	CT, DX, MR, NM, PT, US, XA	63	102
CMB-GEC	胃食管癌	CT, MR, PT	12	26
CMB-LCA	肺癌	CT, DX, MR, NM, PT, US	130	207
CMB-MEL	黑色素瘤	CT, MR, PT, US	40	61
CMB-MML	多发性骨髓瘤	CR, CT, DX, MR, PT, XA	111	177
CMB-OV	卵巢癌	CT, PT	19	48
CMB-PCA	前列腺癌	CT, DX, MR, NM, PT, RF	26	76

附录 G：与库内结直肠癌条目对照

条目	rid	模态	对象	与 CMB-CRC 关系
cmb-crc	本条目	多模态影像 + 病理 WSI	受试级队列	本条目
nct-crc-he-100k	148	组织病理图块	图像块分类	同为 CRC，非受试队列
cvc-colondb	142	结肠镜内窥镜	息肉检测	同为 CRC，模态为内窥镜
real-colon	778	结肠镜内窥镜	息肉检测	同为 CRC，模态为内窥镜

附录 H：与库内生物样本库条目对照

条目	rid	侧重	与 CMB-CRC 关系
cmb-crc	本条目	癌种特异影像 + 组学	本条目
biobank-japan	195	基因组队列	同属国家级生物样本库
uk-biobank	96/569	超大人群多组学	同属国家级生物样本库
tcia	547	影像平台	CMB-CRC 的平台母节点

附录 I：许可条款细读

资产	许可	可商用	需署名	需受控申请	下载工具
放射（公开）	CC BY 4.0	是	是	否	NBIA Data Retriever
放射（头部）	NIH Controlled	依协议	是	是	受控流程
病理 WSI	CC BY 4.0	是	是	否	IBM Aspera Connect
基因/临床	dbGaP	依 DUA	是	是	dbGaP 通道
开放临床	开放	是	是	否	CTDC

附录 J：检索关键词组合建议

目标	关键词组合
找到本集合	“CMB-CRC” OR “Cancer Moonshot Biobank colorectal” site:cancerimagingarchive.net
找组学	“Cancer Moonshot Biobank” dbGaP phs002192
找开放临床	“Cancer Moonshot Biobank” CTDC
避坑（勿混）	“CMB” 需区分 Cancer Moonshot Biobank vs Chinese Medical Benchmark
邻域检索	colorectal cancer imaging TCIA longitudinal cohort

附录 K：双口径登记表

项	口径 A	口径 B	口径 C	采信策略
受试数	102（集合页）	放射 63/病理 102（汇总页）	放射 44/病理 100（版本链）	主锚"约 102"，余注来源
大小	282.26 GB 公开（V9 核算）	323.31 GB 含受限（V9 核算）	“400.75 GB”（brief，无源）	采用 V9 核算，400.75 存照弃用
V1 放射受试	12（wiki 133071777）	32（wiki 93258430）	—	存照，采信版本链 V1=12

附录 L：检索者检查清单（10 项）

确认你引用的受试数出自哪个口径（102 / 63 / 44）。
确认你引用的大小出自哪个版本（V1-V9）。
确认你要的资产是公开、受限还是受控。
确认署名带版本号与 DOI。
确认按受试（非 image/series）聚合。
确认放射与病理的受试交集是否满足你的设计。
确认 dbGaP 申请是否已获批（如需组学）。
确认头部影像是否涉及你的分析区域。
确认是否用了 DICOM (0012,0053) 做时间对齐。
确认采集时点与集合状态（Ongoing，可能已更新）。

附录 M：维护计划与触发点

触发点	行动
TCIA 发布 V10+	更新附录 E 版本链、§4 规模数字
dbGaP accession 变更	更新 §5.4、附录 A
集合状态由 Ongoing 转 Complete	更新 §4 读数提示
新增独立方法学论文	更新 §2、§6 引用
库内新增 CMB 家族条目	更新 §9 互链

附录 N：缩写速查

CMB=Cancer Moonshot Biobank｜CRC=Colorectal Cancer｜TCIA=The Cancer Imaging Archive｜NCI=National Cancer Institute｜NIH=National Institutes of Health｜dbGaP=Database of Genotypes and Phenotypes｜CTDC=Cancer Translational Data Commons｜CRDC=Cancer Research Data Commons｜IDC=Imaging Data Commons｜NCORP=NCI Community Oncology Research Program｜WSI=Whole Slide Image｜H&E=Hematoxylin and Eosin｜DICOM=Digital Imaging and Communications in Medicine｜DAR=Data Access Request｜DUA=Data Use Agreement

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-09，抓取与核验时点见附录 A。事实陈述以 TCIA 集合页（官方 DOI 10.7937/DJG7-GZ87）、TCIA Browse Collections 与 CMB Imaging 汇总页（2026-07-02 快照）、TCIA wiki 页面与 DOI Datacite 版本链为源。沙箱环境对 cancerimagingarchive.net 主站 curl 不可达（HTTP 000/超时），官方集合页正文经 WebFetch 亦无法提取（JS 渲染），故最新集合页精确数字以 DOI 版本链与 Browse 快照替代，差异已在 §4 与附录 K 存照。受试数多口径（102/63/44）与大小候选值"400.75 GB"（无源，已弃用）均在坑点与附录 K 登记。条目与库内 TCIA（rid 547）、NCT-CRC-HE-100K（rid 148）、CVC-ColonDB（rid 142）、Real-Colon（rid 778）、BioBank Japan（rid 195）、UK Biobank（rid 96）等条目互链，构成结直肠癌影像、生物样本库与 TCIA 家族的完整检索面。后续维护触发点见附录 M。