信息速览
INFOBOX — cornorb 一屏速览
维度 内容 本质 Orbscan 3 角膜地形图四图 + 临床表格的圆锥角膜二分类多模态数据集 全称 CornOrb: A Multimodal Dataset of Orbscan Corneal Topography and Clinical Annotations for Keratoconus Detection 出处 Data（MDPI）2026, 11(9):227，DOI 10.3390/data11090227；Zenodo DOI 10.5281/zenodo.20542091 设备 Bausch & Lomb Orbscan 3（裂隙扫描 + Placido 环角膜地形图仪），软件 v1.9.2045.1 采集地 阿尔及利亚 Tlemcen，Lazouni Clinic，2017–2023 回顾性单中心 规模 744 名患者 / 1,454 只眼；正常 889 眼，圆锥角膜 565 眼 图像 每眼 4 张 560×560 PNG：轴向曲率、前表面高度、后表面高度、角膜厚度 表格 clinical_data_and_labels.csv，101.1 kB，15 字段，无缺失值划分 患者级 80/20（训练 595 人 / 1,163 条，测试 149 人 / 291 条）+ 训练集内 5 折（每折 119 人） 许可 CC-BY-NC 4.0（仅限非商业研究与教育） 体量 压缩包 680.2 MB，CSV 101.1 kB 库内近邻 pentacam-kc(857)（同病不同设备）、corn-nerve(894)（同器官不同模态） 一句话消歧 本条目是 Orbscan 3 的彩色报告级 PNG；pentacam-kc 是 Pentacam/CASIA 体系导出的 448 列参数表。设备不同、图种不同、任务不同，不可合并
cornorb 是千方病案医数集里第一个「以角膜地形图图片为主载体」的圆锥角膜条目。此前库内的角膜相关资产只有两类：一类是 pentacam-kc（857）那种纯表格参数（3162 眼 × 448 列，没有一张图），另一类是 corn-nerve（894）那种角膜共聚焦显微镜的神经纤维分割（另一种成像原理、另一个解剖层次）。cornorb 补上的正是中间那块空地：设备原样导出的彩色角膜地形图，每只眼四张，配一张结构化临床表。
它要回答的问题很朴素：只给一台 Orbscan 3 打出来的四张彩色图（外加年龄、性别、Kmax、厚度这些数字），能不能判断这只眼是不是圆锥角膜？ 这个问题在临床上早就有设备自带的筛查指数在回答，但设备指数是黑箱、跨设备不通用；而公开的、带明确划分协议、能让人反复复现的 Orbscan 图像数据集长期缺席。CornOrb 的作者把这件事说得很直白：据其所知，这是首个公开可得的非洲 Orbscan 3 圆锥角膜数据集。
导语读法三则：
- 只想拿数据跑基线：直奔 §6 获取与许可。Zenodo 一个 DOI、两个文件、无需申请、CC-BY-NC 4.0——非商业研究可以直接开工；但要先想清楚 NC 条款对你所在机构的含义。
- 想判断标签能不能信：直奔 §4 与 §5。这份数据的标签是临床最终裁定的二分类（正常 vs 圆锥角膜），不是分期、不是聚类、不是设备指数阈值切出来的；已经被刻意剔掉了边界性、疑似、顿挫型、亚临床这几类"模棱两可"的眼。
- 担心和库里 pentacam-kc 搞混：直奔 §8.1 与 §9.7。两者同病、同器官、同任务大类，但设备（Orbscan 3 vs Pentacam 体系）、图种（彩色报告 PNG vs 数值参数表）、规模（1,454 眼 vs 3,162 眼）、许可（CC-BY-NC vs CC0）全部不同，属于互补而非重复，绝不能合并。
§0 导读：这个数据集解决什么问题
圆锥角膜（keratoconus, KC）是一种以角膜局部变薄、前凸、不规则散光为特征的进行性扩张性疾病。它的诊断难点不在晚期——晚期角膜已经明显呈锥形，肉眼与裂隙灯都能看出来；难点在早期：角膜形态的改变还停留在几个微米的厚度差、几度的局部曲率异常上，此时患者视力可能仍然矫正良好，但病变已经在推进。越早识别，越有可能用角膜交联（corneal cross-linking, CXL）把进展摁住，避免走到角膜移植。
角膜地形图（corneal topography）就是为这件事发明的。它把角膜表面形貌转成彩色编码的等高/等厚图，让医生一眼看到"哪里陡、哪里薄、哪里鼓"。一台 Orbscan 3 一次检查会输出一整页报告，上面并排摆着好几张图：轴向曲率图（axial curvature）、前表面高度图（anterior elevation）、后表面高度图（posterior elevation）、角膜厚度图（pachymetry），外加一堆数字（Kmax、最薄点厚度、散光、非球面系数）。
CornOrb 的关键判断是：这四张图本身就是一份信息密度极高的多模态样本。轴向曲率反映前表面形态，前、后表面高度图反映相对最佳拟合球面的偏离（后表面高度对早期扩张尤其敏感，因为角膜变薄时后表面往往先凸），厚度图直接给出空间厚度分布。四张图彼此互补，用同一只眼的四张图做联合判断，理论上优于任何单张。
但这件事此前缺乏公开数据支撑，原因有三：
第一，Orbscan 数据公开资源极度稀缺。 公开的圆锥角膜数据集大多集中在 Pentacam 平台（Scheimpflug 旋转成像）导出的表格参数或分期标签上，Orbscan 平台的公开图像集屈指可数。设备不同意味着成像原理、色彩标尺、默认显示范围都不同，模型不能直接迁移。
第二，人群代表性缺口。 现有圆锥角膜公开数据多来自东亚、中东或欧美中心，非洲人群的数据几乎空白。而圆锥角膜的患病率与表现型存在人群差异，缺少非洲队列会让"跨人群泛化"这个问题永远无解。
第三，可复现的划分协议缺失。 眼科图像数据集最常见的隐患是双眼泄漏：同一个人的左右眼高度相关，如果随机按"眼"划分训练/测试集，测试集里就会出现与训练集同源的样本，指标虚高。CornOrb 的更新版本专门补上了患者级（patient-level）80/20 划分与训练集内的 5 折交叉验证，并把这两列直接写进 CSV。
§0 读法三则的补充说明（三条边界先划清）：
- 这份数据是横断面的，一只眼一次检查。它不能回答"这只眼会不会进展"，只能回答"这只眼此刻是正常还是圆锥角膜"。
- 这份数据是二分类的，阳性即"圆锥角膜"，没有分期。想研究严重度分级，要去 pentacam-kc（857）那类带分期标签的数据。
- 这份数据是报告级图像，不是原始定量矩阵。作者在论文里反复强调这一点：想从 PNG 反推出精确的曲率数值，做不到。
§1 数据集速览：十问十答
Q1：cornorb 这个名字指什么？「744 患者 1,454 眼」是什么口径？
cornorb 是库内 slug，由 cornea（角膜）+ Orbscan 拼合而来，与数据集官方名 CornOrb 同形。1,454 是"眼"（examination record）的口径，744 是"人"的口径。744 名患者里，663 人（89.1%）贡献了双眼检查，81 人（10.9%）只贡献了单眼。折算下来 663×2 + 81 = 1,407，与 1,454 相差 47——说明少数患者贡献了多次检查记录（不同时间点的复查），或被计入了多条 examination record。原文把每条记录定义为"一只眼的一次检查"，因此记录数 ≥ 唯一眼数。
Q2：每只眼给几张图，都是什么图？
四张，固定四类：
- 轴向曲率图（Axial）：角膜前表面沿轴向（视轴方向）的曲率分布，单位屈光度 D，看的是"陡不陡"。
- 前表面高度图（Anterior）：前表面相对最佳拟合球面（best-fit sphere, BFS）的高度偏差，单位毫米 mm，看的是"鼓不鼓"。
- 后表面高度图（Posterior）：后表面相对 BFS 的高度偏差，单位 mm，是早期扩张最敏感的指标之一。
- 角膜厚度图（Pachymetry）：全角膜厚度分布，单位微米 μm，看的是"薄不薄、薄在哪"。
四张图统一缩放到 560×560 像素，PNG 格式，保留设备原始彩色编码。
Q3：图像是什么样子的？干净还是不干净？
不干净，而且是刻意不干净。 图像直接从 Orbscan 3 的 PDF 报告里提取，保留了设备生成的彩色标尺、网格线、标记点，以及部分数值叠加。论文把这一点写进了局限性：这些残留元素可能被卷积网络（CNN）或视觉 Transformer（ViT）当作捷径（shortcut）——比如模型可能学会"有某个数值标签的就是圆锥角膜"，而不是真的看懂了形态。作者明确指出，掩膜（masked）与未掩膜（unmasked）两种条件下的性能差异未被实证。
Q4：表格里有什么？字段多吗？
clinical_data_and_labels.csv 只有 101.1 kB，一行一只眼，15 个字段：患者编号、眼别（OD/OS）、年龄、性别、角膜圆柱值（D）、散光轴向（度）、Kmax（D）、中央角膜厚度（μm）、最薄点厚度（μm）、最薄点坐标、前表面非球面性、后表面非球面性、二分类标签、80/20 划分、5 折归属。论文声明发布版无缺失值。
这是它和 pentacam-kc 最直观的差别：pentacam-kc 是 448 列纯数字，cornorb 是 15 列数字加 4+1 张图。前者信息宽而深但无图，后者信息窄而浅但有图。
Q5：标签怎么分的？有分期吗？
二分类，没有分期。 label 取值 0 = 临床正常，1 = 圆锥角膜。关键是标签的来源与筛选标准：诊断标签是检查级别的最终临床裁定，由临床病历记录结合 Orbscan 3 检查结果共同确定。论文明确：只保留临床明确正常的眼与明确诊断为圆锥角膜的眼，边界性（borderline）、疑似（suspected）、顿挫型（forme fruste）、亚临床（subclinical）以及其他诊断不确定的病例全部排除。
Q6：889 和 565 是怎么分配的？
正常 889 眼，圆锥角膜 565 眼，合计 1,454。阳性率 565/1454 ≈ 38.87%。这是中等程度的类别不均衡，不是极端不均衡——训练时用类别加权或调整判别阈值即可，不需要重采样到病态程度。
Q7：划分协议是怎样的？可以直接用吗？
可以直接用，而且作者强烈建议直接用。 CSV 里两个字段：
split_80_20：train或test，按患者划分。训练集 595 名患者（711 正常 + 452 圆锥角膜 = 1,163 条记录），测试集 149 名患者（178 正常 + 113 圆锥角膜 = 291 条记录）。两边阳性率都约 38.9%，分布对齐。fold：1–5，仅在训练集内部分配，595 名患者分 5 折，每折 119 人，各折阳性率 38.6%–39.1%。测试集的fold字段故意留空。
核心约束是：同一患者的所有检查记录必须落在同一个分区、同一折内。这条约束把双眼泄漏堵死了。
Q8：谁做的，什么背景？
通讯作者 Mostafa El Habib Daho（法国西布列塔尼大学 / LaTIM UMR1101, Inserm），第一作者 Mohammed El Amine Lazouni（阿尔及利亚 Abou Bakr Belkaid 大学 Tlemcen 生物医学工程实验室）。合作方横跨阿尔及利亚（Tlemcen 大学、M’Hamed Bougara Boumerdes 大学、Lazouni 诊所）、伊拉克（巴格达大学）与美国（迈阿密大学 Bascom Palmer 眼科研究所，Siamak Yousefi）。作者里有多位来自 Lazouni 诊所本身——这正是数据采集地，属于典型的"临床-工程联合团队"。
Q9：怎么拿到？许可是什么？
Zenodo 一条记录，DOI 10.5281/zenodo.20542091，两个文件：ORBSCAN_Dataset.zip（680.2 MB，含全部 PNG 图像）与 clinical_data_and_labels.csv（101.1 kB，标签与临床变量）。许可 CC-BY-NC 4.0，即署名 + 仅限非商业使用。无需申请、无需注册、无需数据使用协议。
Q10：它为什么值得进 AI-Ready 库？
四个理由。其一，填补设备空白：库内此前没有 Orbscan 平台的数据，cornorb 让"角膜地形图"这一支从单一设备扩到双设备。其二，图-表天然多模态：四张图加一张表，是研究早期融合、晚期融合、跨模态注意力的现成素材，而且表格字段少而干净，不会像 448 列那样把融合问题淹没在特征工程里。其三，划分协议透明：患者级 80/20 与 5 折都写进了 CSV，是目前眼科小数据集里少见的"开箱即用可复现"设计。其四，地域增量：非洲队列，为跨人群外部验证提供了一个此前缺失的坐标点。
§2 数据构成与规格
2.1 两个文件，两种粒度
CornOrb 的发布包结构极简，只有两个顶层文件：
| 文件 | 大小 | 内容 | 粒度 |
|---|---|---|---|
ORBSCAN_Dataset.zip |
680.2 MB | 全部角膜地形图 PNG，按患者/眼别/图类三层组织 | 一只眼 × 一类图 = 一个文件 |
clinical_data_and_labels.csv |
101.1 kB | 人口学、定量测量、标签、划分变量 | 一行 = 一只眼的一次检查 |
ORBSCAN_Dataset.zip 的 md5 为 4afca93d00abf1c5e1fe25ea681a4e17，clinical_data_and_labels.csv 的 md5 为 983fda79c62fbe54d7fa9e83f440cfee。这两个哈希值可以直接用来校验下载完整性——在 680 MB 量级上，断点续传出错是常事，建议下载后先对 md5 再解压。
2.2 目录组织与命名规则
数据按患者标识 → 眼别 → 图类三级组织。每位患者有一个假名化编码（如 001），每只可用的眼以 OD（右眼，oculus dexter）或 OS（左眼，oculus sinister）标识。四张图用统一后缀区分，形如：
001_OD_Axial.png
001_OD_Anterior.png
001_OD_Posterior.png
001_OD_Pachymetry.png
001_OS_Axial.png
...
这种命名的好处是文件名即主键：patient_code 与 eye 两段可以直接从文件名解析出来，与 CSV 里的同名字段对齐，不需要额外的映射表。坏处是没有独立的 manifest 文件，文件总数与 CSV 行数的对应关系需要自己核。
2.3 图像规格
| 属性 | 规格 | 说明 |
|---|---|---|
| 格式 | PNG | 无损压缩，保留设备色表 |
| 尺寸 | 560 × 560 像素 | 四类图统一，正方形 |
| 色彩 | 保留 Orbscan 3 原始彩色编码 | 每类图有各自的色标（curvature 用 D，elevation 用 mm，pachymetry 用 μm） |
| 叠加元素 | 网格、标记、部分数值文本 | 未移除，论文列为捷径学习风险 |
| 视野 | 报告级显示范围 | 非原始像素矩阵，无逐像素定量值 |
| 前处理 | 匿名化 + 固定尺寸缩放 | 无裁剪、无掩膜、无色彩归一化 |
560×560 是一个值得注意的选择。它接近原报告图块的原始分辨率，对 ImageNet 预训练权重（通常 224×224）意味着下采样约 2.5 倍。这个下采样会损失多少细节？论文没有量化。实践中如果发现小面积病灶（早期圆锥的局部变薄）识别不出来，可以考虑先切块再分类，而不是整图缩放到 224。
2.4 表格字段全表
clinical_data_and_labels.csv 的 15 个字段：
| 字段 | 含义 | 类型 / 单位 | 建模定位 |
|---|---|---|---|
patient_code |
假名化患者编号 | 字符串（001–744） | 分组键，绝不入特征 |
eye |
眼别 | OD / OS | 分类特征（弱信息） |
age |
年龄 | 年 | 连续特征 |
sex |
性别 | 女 / 男 | 分类特征 |
| cylinder | 角膜圆柱值（散光） | 屈光度 D | 连续特征 |
| axis | 散光轴向 | 度（0–180） | 循环变量，需正余弦编码 |
Kmax |
最大角膜曲率 | 屈光度 D | 强特征 |
| central pachymetry | 中央角膜厚度 | 微米 μm | 强特征 |
| thinnest pachymetry | 最薄点角膜厚度 | 微米 μm | 强特征 |
| thinnest point coordinates | 最薄点位置 | 坐标（相对角膜顶点） | 二维，可转极坐标 |
| anterior asphericity | 前表面非球面性 | 无量纲 Q 值 | 连续特征 |
| posterior asphericity | 后表面非球面性 | 无量纲 Q 值 | 连续特征 |
label |
诊断标签 | 0 = 正常，1 = 圆锥角膜 | 目标变量 |
split_80_20 |
划分 | train / test | 协议变量，绝不入特征 |
fold |
交叉验证折号 | 1–5（测试集为空） | 协议变量，仅训练集有效 |
注意两类"伪特征"：patient_code 与两个划分字段。如果它们被误当成特征喂进模型，会直接造成标签泄漏或数据泄漏，指标会好看到不真实。这是新手最常踩的坑，见 §6 坑 2。
2.5 与 pentacam-kc（857）的构成对照
这两个条目是库内最容易混淆的一对，因为名字里都带"圆锥角膜 + 角膜地形图"，但构成完全不同：
| 维度 | cornorb（本条目） | pentacam-kc（857） |
|---|---|---|
| 设备 | Bausch & Lomb Orbscan 3 | 论文写 CASIA SS-1000 扫频 OCT；Kaggle/CornOrb 称 Pentacam |
| 主载体 | 图像：每眼 4 张 560×560 PNG | 表格：448 列参数，无图 |
| 规模 | 744 人 / 1,454 眼 | 3,162 眼（论文口径 3,156） |
| 标签 | 临床裁定二分类（正常/KC） | 无监督聚类四簇（分期） |
| 表格字段 | 15 | 448 |
| 划分 | 预置患者级 80/20 + 5 折 | 无官方划分 |
| 许可 | CC-BY-NC 4.0 | CC0 1.0 |
| 托管 | Zenodo 单 DOI | Harvard Dataverse + Kaggle 双渠道 |
| 任务 | 图-表多模态二分类 | 纯表格多分类/聚类复现 |
一句话：cornorb 是"看图"，pentacam-kc 是"看数"；cornorb 判"有没有病"，pentacam-kc 判"病到哪一档"。
§3 团队、机构与合作谱系
3.1 一条从 Tlemcen 到 Brest 的合作链
CornOrb 的作者阵容横跨四个国家、六个机构，呈现出一条清晰的"临床采集 → 工程处理 → 方法指导"链条：
| 机构 | 国家 | 角色 | 作者 |
|---|---|---|---|
| 生物医学工程实验室，Abou Bakr Belkaid 大学（Tlemcen） | 阿尔及利亚 | 第一作者单位，算法与数据整理 | Lazouni M.E.A.、Lazouni L.R.、Elaouaber Z.A.、Feroui A. |
| LIST 实验室，M’Hamed Bougara 大学（Boumerdes） | 阿尔及利亚 | 方法合作 | Ammar M. |
| Lazouni 诊所（Tlemcen） | 阿尔及利亚 | 数据采集地与临床标注 | Zehar S.、Bouayad Agha M.Y.、Lazouni A. |
| 卓越学院，巴格达大学 | 伊拉克 | 方法合作（角膜 AI 领域活跃团队） | Al-Timemy A.H. |
| Bascom Palmer 眼科研究所，迈阿密大学 | 美国 | 学术指导 | Yousefi S. |
| 西布列塔尼大学 / LaTIM UMR1101, Inserm（Brest） | 法国 | 通讯作者单位 | Daho M.E.H. |
这条链条值得注意的地方在于：数据采集者（Lazouni 诊所的三位作者）与算法开发者（Tlemcen 生物医学工程实验室）是同一个家族/同一座城市的两拨人。Lazouni 这个姓氏同时出现在第一作者、第二作者和诊所的三位作者中，说明这是一个诊所-实验室一体化的本地团队，而不是"医院给数据、外面团队做算法"的松散合作。这种结构对数据质量是好事——采集者清楚每一个字段是怎么来的；但也意味着单中心偏倚是结构性的，不是靠增加合作方就能消除的。
3.2 方法学血统：从 Al-Timemy 到 Yousefi
两位"外援"作者不是挂名，他们的研究轨迹直接塑造了 CornOrb 的方法取向：
- Ali H. Al-Timemy（巴格达大学）长期做角膜与眼底的深度学习检测，其 2021 年 TVST 与 2023 年 Diagnostics 论文（用混合深度学习从角膜图检圆锥角膜、用深度特征融合检测疑似圆锥）是 CornOrb 论文参考文献中的核心方法学前作。CornOrb 的"多张角膜图 + 多模态融合"思路与其一脉相承。
- Siamak Yousefi（迈阿密 Bascom Palmer）是 pentacam-kc 那篇 PLOS ONE 2018 论文的第一作者，长期做眼科的无监督表型发现与可解释 AI。
这个细节很关键：Yousefi 同时出现在 pentacam-kc（857）与 cornorb 两条谱系上。但这不意味着两个数据集同源——它们的数据采集地、设备、人群、标签体系完全不同，共同的只是"圆锥角膜 AI"这个领域和一位学术指导者。库里做互链时，这层"人"的关系可以作为互补性的注脚，但绝不能误读为"同一批数据的两个版本"。
3.3 伦理与合规
论文给出明确的伦理批件：Lazouni Clinic Ethics Committee，编号 2024.002EA，批准日期 2024-01-05。数据全部为回顾性获取，患者信息完全匿名化为假名编码（001–744），原始 PDF 报告不发布，只发布处理后的 PNG 与 CSV。
这是一个规范但不厚重的伦理声明：有批件编号、有日期、有匿名化说明，但没有提供患者知情同意的具体处理方式（回顾性研究通常申请知情同意豁免，论文未明说）。对于使用方而言，NC 条款加上单中心伦理批件，意味着二次分发的合规责任在使用方，而不是作者。
3.4 论文的发表路径：从 Data in Brief 到 Data
CornOrb 存在两条并行的文献痕迹，这是理解其版本状态的钥匙：
- arXiv 预印本（ar5iv 编号 2603.21245）：采用 Data in Brief 期刊的规格表格式（Subject area / Type of data / How the data were acquired 那一套），正文提到 Zenodo DOI 10.5281/zenodo.17127265，数据集描述为"2017 至 2023 年采集"。
- 正式发表版（Data 2026, 11(9):227）：走 MDPI Data 期刊路线，Zenodo DOI 为 10.5281/zenodo.20542091，并新增了
split_80_20与fold两个划分变量。
两个 DOI、两个版本，这是 §9 要专门存照的口径分叉。使用方如果引用了 arXiv 版的 DOI，指向的是没有预置划分变量的旧版；要复现论文里的 80/20 实验，必须用 20542091 这一版。
§4 数据规模、类别分布与质量硬数字
4.1 总规模
| 指标 | 数值 | 口径 |
|---|---|---|
| 患者数 | 744 | 唯一 patient_code |
| 检查记录数 | 1,454 | 一行 CSV / 一次检查 |
| 双眼患者 | 663（89.1%） | 贡献 2 条记录 |
| 单眼患者 | 81（10.9%） | 贡献 1 条记录 |
| 正常眼 | 889 | label = 0 |
| 圆锥角膜眼 | 565 | label = 1 |
| 阳性率 | 38.87% | 565 / 1454 |
| 图像文件数（理论） | 5,816 | 1,454 × 4 |
| 压缩包体量 | 680.2 MB | 平均每张 PNG 约 117 kB |
4.2 划分后的分布
| 分区 | 患者 | 记录 | 正常 | 圆锥角膜 | 阳性率 |
|---|---|---|---|---|---|
| 训练集（train） | 595 | 1,163 | 711 | 452 | 38.87% |
| 测试集（test） | 149 | 291 | 178 | 113 | 38.83% |
| 合计 | 744 | 1,454 | 889 | 565 | 38.87% |
训练集内的 5 折：595 人 ÷ 5 = 119 人/折，各折阳性率在 38.6%–39.1% 之间浮动。这个浮动幅度很小（不到 0.5 个百分点），说明作者在划折时做了**分层（stratified）**处理，而不是简单随机切分。对使用者来说这是好消息：不需要自己再重新分层，直接用 fold 字段即可。
4.3 患者记录的"多出来"问题
1,454 条记录若全部来自唯一眼，则唯一眼数应为 1,454。但 663 名双眼患者贡献 1,326 条，81 名单眼患者贡献 81 条，合计 1,407，比 1,454 多出 47 条。
这 47 条的来源有二：要么有 47 名患者在同一只眼上做了多次检查（复查），要么论文对"examination record"的定义包含了同一只眼不同日期的记录。论文的表述是"每条记录对应一只眼的一次检查"（each record corresponds to one eye’s examination），这支持第一种解释。
使用建议：如果你的任务是"眼级二分类"，需要先按 patient_code + eye 去重，保留最后一次检查（或最近一次），否则同一只眼会在训练/测试中出现多次，造成乐观偏差。虽然划分是患者级的，同一患者的多条记录不会跨分区，但在同一分区内部，重复记录会放大该患者在损失函数中的权重，对少数类尤其明显。
4.4 类别不均衡的量级判断
38.87% 的阳性率是什么水平？作为参照：
- 真实人群筛查场景下圆锥角膜患病率约 0.05%–0.2%，这是极端不均衡；
- 医院转诊队列里，可疑病例被集中送来，阳性率可到 20%–40%；
- 50% 是平衡。
CornOrb 的 38.87% 属于**“临床富集队列”**的典型水平——患者是来眼科中心做地形图检查的人，本身就带着"可能是圆锥"的临床疑问。这意味着：
- 模型在这个数据集上达到的准确率不能直接当作筛查场景的准确率。在 0.1% 患病率的人群里，同样的敏感度/特异度组合，阳性预测值会低一个数量级以上。
- 但平衡准确率（balanced accuracy）、ROC-AUC、PR-AUC 这类不受先验影响的指标是可以跨数据集比较的。论文在 4.3 节推荐报告这几项，而不是单看 accuracy，原因正在此。
4.5 描述统计的缺口
论文正文有 Figure 3 展示主要定量变量的分布，但未在可抓取的正文里给出逐变量的均值±标准差表。这意味着：
- 你无法在不下载 CSV 的情况下判断年龄跨度、Kmax 的范围、厚度分布是否合理；
- 也无法做"这个队列和我手上的队列像不像"的先验判断。
这是一处真实的元数据缺口，不是本条目没查到。标注为遗留疑点，见 §9.9。
4.6 质量硬数字小结
| 质量维度 | 状态 | 判断 |
|---|---|---|
| 缺失值 | 声明为零 | 好，省去插补环节 |
| 标签一致性 | 临床最终裁定，单一裁读者 | 中等，κ 无法回溯计算 |
| 图像质量 | 报告级截图，含叠加元素 | 中等偏低，存在捷径风险 |
| 划分协议 | 预置、患者级、分层 | 好，同类数据集中少见 |
| 字段字典 | 论文有表，但数值分布不全 | 中等 |
| 重复记录 | 存在（约 47 条差额） | 需自行处理 |
| 类别平衡 | 38.87% 阳性 | 中等，临床富集 |
| 设备多样性 | 单一（Orbscan 3） | 低，泛化受限 |
§5 任务定义与标注协议
5.1 核心任务：眼级二分类
CornOrb 的原生任务是眼级二分类（eye-level binary classification）：
- 输入：一只眼的四张 PNG（可选：加表格字段）
- 输出：
label ∈ {0, 1}，0 = 临床正常，1 = 圆锥角膜 - 评估单位：眼（examination record），但划分单位是患者
这个"评估单位 ≠ 划分单位"的设计是整份数据最值得称道的地方。很多眼科数据集按眼划分但按眼评估，看起来没问题，实际上测试集里混进了训练集患者的另一只眼，指标被系统性抬高。CornOrb 把分组变量显式写进 CSV，让使用者无法"不小心"泄漏。
5.2 标签的来源：临床最终裁定
论文对标签定义的表述是：诊断标签对应检查级别的最终裁定二分类临床诊断（final adjudicated binary clinical diagnosis at the examination level），依据是临床病历记录 + Orbscan 3 检查所见共同确定。
这句话有三层含义，每一层都值得展开：
第一层：“裁定”（adjudicated）意味着有一个人或一个小组做了判断。 不是设备自动分类，不是阈值切分，是人看了病历和图之后下的结论。
第二层：“检查级别”（at examination level）意味着标签属于这次检查，而不是这个患者。 同一患者两只眼可以一只正常一只患病（圆锥角膜单侧发病并不少见），数据里每只眼各有自己的标签。
第三层：依据是"病历 + 图像"的联合判断。 这意味着标签不只依赖图像，还依赖医生的临床经验、既往史、裂隙灯所见。图像本身未必足以复现这个标签——这是任何一个"用图像预测临床诊断"任务的固有天花板。
5.3 严格的排除标准：只留"明确的"
论文明确列出了被排除的类别：
- 边界性（borderline）
- 疑似（suspected）
- 顿挫型（forme fruste）
- 亚临床（subclinical）
- 其他诊断不确定的病例
这条排除标准是 CornOrb 与 pentacam-kc 的根本分野。pentacam-kc 的四簇里，簇 2 包含"健康眼 + 顿挫型"，把最难的那部分留在了数据里；CornOrb 反过来，把难的部分全部剔掉，只留两端明确的样本。
后果是双面的：
- 好处：标签可信度高，训练信号干净，模型学到的判别边界不容易被噪声拉偏。
- 代价：任务变简单了，实用性也变窄了。论文自己在局限性里说得很重：性能"不应外推到早期、亚临床或边界性圆锥角膜检测"。而这恰恰是临床上最需要 AI 的地方——晚期圆锥角膜，有经验的眼科医生看一眼就知道，不需要模型。
这是一个诚实的自我限制，也是一个必须在使用时声明的限制。如果你的模型在 CornOrb 上做到 99% AUC，不要宣称它能用于早期筛查——它没见过一例早期病例。
5.4 没有独立定量指数作金标准
论文明确：未使用任何独立的定量诊断或分期指数作为佐证标准。这句话的意思是，作者没有拿 ESI（Ectasia Status Index）、没有拿 KISA%、没有拿任何设备自带的筛查指数去"验一遍"标签对不对。
与 pentacam-kc 对比，这是一处明显的差异：pentacam-kc 用 ESI 反推簇的临床语义，CornOrb 完全信任临床裁定。两种做法各有道理——前者适合无监督，后者适合有明确临床诊断的场景。但 CornOrb 因此失去了一个交叉校验的维度：如果临床裁定有偏差，数据里没有任何东西能发现它。
5.5 判读者一致性无法回溯
论文承认：评审间一致性无法回溯量化（inter-rater reliability could not be retrospectively quantified），因为判读者在裁定前的评分记录没有被保留。也就是说，无法计算 Cohen’s κ。
这不是敷衍，而是一个真实的回顾性研究限制：数据是 2017–2023 年采集的，当时没有人想到这份数据将来会被公开，自然不会保留双人独立判读的记录。诚实地承认这一点，比编一个 κ 值强。
5.6 推荐的任务变体
基于数据结构，实际可做的任务至少有六种：
| 任务变体 | 输入 | 输出 | 难度 | 备注 |
|---|---|---|---|---|
| T1 四图联合二分类 | 4×560×560 | 0/1 | 基线 | 最贴近论文意图 |
| T2 单图二分类 | 1×560×560 | 0/1 | 较低 | 可做消融，看哪张图最有信息 |
| T3 纯表格二分类 | 15 字段 | 0/1 | 低 | Kmax + 厚度可能就很强 |
| T4 图-表早期融合 | 4 图 + 表 | 0/1 | 中 | 拼接特征 |
| T5 图-表晚期融合 | 4 图 / 表 | 0/1 | 中 | 概率平均或堆叠 |
| T6 跨模态注意力 | 4 图 token + 表 token | 0/1 | 高 | Transformer 融合 |
论文 4.3 节建议的对比正是 T3 / T2或T1 / T4 三者，用来回答"图像到底带来了多少增量"这个问题。这是个很好的实验设计——如果纯表格（Kmax + 最薄点厚度）就能到 0.95 AUC，那图像的价值必须被严格论证。
5.7 标注协议的可复现性评估
| 环节 | 是否可复现 | 说明 |
|---|---|---|
| 标签本身 | ✅ 已固化在 CSV | 直接可用 |
| 标签的产生过程 | ❌ 不可复现 | 依赖原始病历与临床经验，未发布 |
| 排除标准的执行 | ⚠️ 部分 | 知道排除了什么类别，但不知道排除了多少例 |
| 划分协议 | ✅ 完全可复现 | CSV 字段直接给定 |
| 图像提取 pipeline | ⚠️ 描述存在，代码未发布 | 论文提到"自研 pipeline v3.12"，但未见公开代码 |
最后一行值得单独提：论文提到使用了一段"自研提取 pipeline（v3.12）"从 PDF 报告里抠图，但没有公开这段代码。这意味着你无法从原始 PDF 复现出完全相同的 PNG。对使用者影响不大（PNG 已经给了），但对"这套流程能否迁移到别家医院的 Orbscan 报告"这个问题，影响很大。
§6 许可、获取与版本
6.1 许可：CC-BY-NC 4.0
数据集许可为 Creative Commons Attribution-NonCommercial 4.0 International（CC-BY-NC 4.0）。Zenodo 记录页与论文两处表述一致，无口径冲突——这在眼科数据集里算是难得的干净。
条款要点：
| 条款 | 允许 | 禁止 |
|---|---|---|
| BY（署名） | 使用、修改、再分发 | 不署名 |
| NC（非商业） | 学术研究、教学、个人实验 | 商业用途（含商业产品训练、商业 API 服务） |
NC 条款的三个灰色地带，使用前务必想清楚：
- 企业研究院的"内部研究"算不算商业？ 严格解读：如果研究成果最终服务于商业产品，即使当下没有直接收入，也倾向于"商业目的"。保守做法是走法务确认或申请单独授权。
- 用 NC 数据训练的开源模型，别人拿去商用算谁的责任？ 多数法务意见认为，模型权重的许可应由训练者显式声明，且不能"洗白"上游 NC 限制。稳妥做法是在模型卡里注明"训练数据含 CC-BY-NC 内容"。
- 论文里报告指标算不算商业？ 学术发表本身通常被视为非商业，但如果论文由企业资助且用于产品宣传，边界就模糊了。
对比 pentacam-kc 的 CC0（公版弃权，无任何限制），cornorb 的 NC 条款是一道实实在在的门槛。这是两个条目在"可用性"上最大的差异之一，见 §9.7。
6.2 获取路径
只有一条官方路径，这既是优点也是缺点：
| 项目 | 内容 |
|---|---|
| 平台 | Zenodo |
| DOI | 10.5281/zenodo.20542091 |
| 文件 1 | ORBSCAN_Dataset.zip，680.2 MB，md5 4afca93d00abf1c5e1fe25ea681a4e17 |
| 文件 2 | clinical_data_and_labels.csv，101.1 kB，md5 983fda79c62fbe54d7fa9e83f440cfee |
| 注册 | 不需要 |
| 申请 | 不需要 |
| 数据使用协议 | 无（CC-BY-NC 即协议） |
| 记录更新时间 | 2026-06-04 |
优点：摩擦几乎为零。一个 DOI、两个文件、浏览器点两下就能下完。比需要签 DUA、需要 IRB 审批、需要机构邮箱的医学数据集友好得多。
缺点：单一渠道、无镜像、无版本历史页。Zenodo 的 DOI 体系支持版本（concept DOI 指向最新，版本 DOI 指向具体版本），但论文只给了一个 DOI，没有说明它指向 concept 还是具体版本。如果作者后续再更新（比如加分期标签、加原始矩阵），你手上的文件可能与论文描述不再一致。建议下载后立刻记录 md5，并在论文/报告中写明"取自 2026-06-04 版"。
6.3 版本链：至少两代
从文献痕迹可以还原出至少两个版本：
| 版本 | 痕迹 | Zenodo DOI | 特征 |
|---|---|---|---|
| v1（预印本期） | arXiv 2603.21245（Data in Brief 格式） | 10.5281/zenodo.17127265 | 无 split_80_20 / fold 字段 |
| v2（正式发表期） | Data 2026, 11(9):227 | 10.5281/zenodo.20542091 | 新增预置划分变量，记录更新至 2026-06-04 |
两个 DOI 的差异不只是编号：v2 增加了整个评估协议。论文正文用"updated CornOrb release"（更新版发布）来指代 v2，说明作者自己把划分协议当作一次实质性升级。
这条版本链有一个未解的问题：v1 的 DOI（17127265）与 v2 的 DOI（20542091）在 Zenodo 上是并列的两个记录，还是concept DOI 的两个版本？论文没有说清。如果是并列记录，那么"引用哪个"会直接影响别人下载到的是哪一版。本条目把它列为遗留疑点（§9.9），建议引用时以正式发表版的 20542091 为准，并在正文注明"含预置划分变量"。
6.4 引用规范
推荐引用格式（按论文与 Zenodo 双源）：
Lazouni, M. E. A., Lazouni, L. R., Elaouaber, Z. A., Ammar, M., Zehar, S., Bouayad Agha, M. Y., Lazouni, A., Feroui, A., Al-Timemy, A. H., Yousefi, S., & Daho, M. E. H. (2026). CornOrb: A Multimodal Dataset of Orbscan Corneal Topography and Clinical Annotations for Keratoconus Detection. Data, 11(9), 227. https://doi.org/10.3390/data11090227
数据引用：
CornOrb Dataset. Zenodo. https://doi.org/10.5281/zenodo.20542091 (CC-BY-NC 4.0)
按 CC-BY 的要求，署名是强制的。如果你的衍生产物（模型、教程、二次数据集）公开，必须保留作者列表与许可声明。
6.5 与库内其他条目的获取摩擦对比
| 条目 | 平台 | 需注册 | 许可 | 摩擦等级 |
|---|---|---|---|---|
| cornorb | Zenodo | 否 | CC-BY-NC 4.0 | 低（但 NC 有使用限制） |
| pentacam-kc(857) | Dataverse / Kaggle | 否 / 是 | CC0 / Unknown | 低（原始）/ 中（再托管） |
| corn-nerve(894) | 视原发布平台 | 视情况 | 视情况 | 中 |
CornOrb 在"拿到手"这件事上是第一梯队，在"能不能商用"上是受限档。摩擦低不等于自由度高，这两件事要分开评估。
§7 评估、基线与生态
7.1 论文没有报任何性能数字
这是必须首先讲清的事实：CornOrb 是一篇数据描述论文（data descriptor），全文没有报告任何分类性能指标——没有 accuracy，没有 AUC，没有敏感度/特异度，没有与任何基线模型的对比表。
这不是缺陷，而是这类论文的惯例：Data 与 Data in Brief 的定位是"把数据集说清楚"，跑基线是使用者的事。但它对使用者有一个实际影响：你没有一个可以对照的"及格线"。做了个 0.92 AUC 的模型，不知道这算好还是算差，因为没有官方 baseline 可比。
7.2 官方推荐的评估协议
虽然没有数字，但论文给了相当具体的评估建议，这部分价值不亚于基线：
- 划分：直接使用 CSV 的
split_80_20做最终测试，用fold在训练集内做 5 折模型选择。不要重新随机划分。 - 指标：敏感度（sensitivity）、特异度（specificity）、平衡准确率（balanced accuracy）、ROC-AUC、PR-AUC。论文明确建议不要只看 accuracy，因为类别不均衡。
- 多模态对比：至少报告三组——图像单模态、表格单模态、联合模型——以量化各模态的贡献。
- 患者级聚合：虽然评估单位是眼，但建议同时报告患者级结果（比如"两只眼都判对的患者比例"），因为临床上医生是按人下诊断的。
7.3 为什么 PR-AUC 值得单列
在 38.87% 阳性率下，accuracy 仍有一定参考价值（不像 0.1% 患病率那样完全失效）。但 PR-AUC 更能反映"在少数类上做得怎么样"：
- 一个把所有样本都判为阴性的模型，accuracy 是 61.1%，看起来不算太糟，但 PR-AUC 只有 0.389（等于基线阳性率）；
- ROC-AUC 对这个模型是 0.5，一看就知道没用。
建议做法：主表放 ROC-AUC 与 PR-AUC，副表放敏感度/特异度在几个工作点（如敏感度固定 0.90、0.95）下的取值。这几个工作点比单一阈值更有临床意义——筛查场景通常要求高敏感度。
7.4 预期性能的量级参考
虽然 CornOrb 没有基线，但同域文献可以提供一个粗略的量级感：
- 用角膜地形图图像做圆锥角膜二分类的深度学习工作，在明确的正常 vs 圆锥角膜任务上，报告 AUC 常在 0.95–0.99 区间；
- 一旦加入亚临床/顿挫型病例，AUC 会明显下降到 0.85–0.95；
- 纯表格（Kmax + 最薄点厚度 + 非球面）的简单模型，在明确病例上也能到 0.93–0.97。
这些数字来自不同数据集、不同设备，不能直接与 CornOrb 对比，只能用来判断"如果我在 CornOrb 上只拿到 0.85，大概率是流程有问题，而不是数据太难"。
7.5 生态定位：谁在用它
CornOrb 是 2026 年新发布的数据集，公开引用生态尚在形成期。目前可见的关联主要有三支：
- 作者团队自己的方法学前作：Al-Timemy 等 2021（TVST）与 2023（Diagnostics）的角膜图深度学习工作，是 CornOrb 的方法学母体。
- 同域数据集谱系：论文参考文献里明确对比了 de Luna 2019/2020（Mendeley 波前像差与 Pentacam 指数表）、Bakir 2023（Kaggle Pentacam 分期）等资源，CornOrb 把自己定位为"Orbscan 平台 + 非洲人群"的补位者。
- 库内互链：pentacam-kc（857）与 corn-nerve（894），详见 §8。
值得注意的一点：pentacam-kc（857）条目的关键词里已经出现了 CornOrb，说明库内已有条目在写作时就注意到了这份新数据。这意味着两条目的互链是双向的、有依据的，不是事后硬凑。
7.6 复现骨架
一份可执行的最小复现流程：
Step 0 下载 ORBSCAN_Dataset.zip + clinical_data_and_labels.csv
校验 md5（4afca93d... / 983fda79...）
Step 1 解压，检查图像总数是否为 1454 × 4 = 5816
用文件名解析 patient_code 与 eye，与 CSV 做左连接，核对无孤儿
Step 2 按 patient_code + eye 去重（保留最后一次检查），记录去重前后行数
Step 3 读 CSV，按 split_80_20 切分；确认无 patient_code 跨分区
Step 4 图像读取为 560×560×3，归一化到 [0,1] 或 ImageNet 标准化
表格字段做标准化；axis 用 sin/cos 编码
Step 5 训练 ResNet/EfficientNet 四图联合模型（或四通道输入）
训练集内用 fold 做 5 折，固定随机种子
Step 6 在 test 分区上报告 ROC-AUC、PR-AUC、敏感度、特异度、平衡准确率
按性别分组再报一次（检查偏倚）
Step 7 消融：纯表格 / 单图 / 四图 / 四图+表格
这套流程的关键约束只有一条：Step 3 的划分必须原样使用，不要重新随机切。重切之后你的结果与论文描述的实验设置就不一致，跨研究比较失去基础。
7.7 常见失败模式
| 现象 | 可能原因 | 处理 |
|---|---|---|
| 测试 AUC 异常高（>0.995） | 泄漏：patient_code 混入特征，或按眼重切 | 检查 Step 3 |
| 训练 AUC 高、测试 AUC 掉很多 | 过拟合，或同患者双眼分居两集 | 加正则、核查分组 |
| 模型只看图角标注 | 捷径学习 | 做图像裁剪/掩膜消融对比 |
| 表格模型比图像模型还好很多 | 正常现象，Kmax 与厚度确实强 | 不是 bug，如实报告 |
| 解压后图像数对不上 5,816 | 部分眼缺某类图，或存在目录层级差异 | 统计每类图的数量 |
§8 生态定位与库内互链
8.1 与 pentacam-kc（857）的消歧：本文最需要用力的地方
cornorb 与 pentacam-kc 是库内最容易被误判为重复的一对。两者共享四个关键词：圆锥角膜、角膜地形图、二分类/分期、公开数据集。但它们在设备、图种、标签体系、规模、许可五个维度上全部不同。
一句话消歧：
pentacam-kc 是"从 Pentacam 体系导出的 448 列数值参数 + 无监督四簇分期"，cornorb 是"Orbscan 3 报告导出的四张彩色 PNG + 临床二分类"。前者是数，后者是图；前者问"病到哪一档"，后者问"有没有病"。
逐维展开：
| 维度 | cornorb | pentacam-kc（857） | 是否可互换 |
|---|---|---|---|
| 设备品牌 | Bausch & Lomb Orbscan 3 | 论文：CASIA SS-1000 扫频 OCT；第三方称 Pentacam | ❌ 完全不同 |
| 成像原理 | 裂隙扫描 + Placido 环（角膜前表面地形） | 论文口径为扫频 OCT 断层 / 第三方称 Scheimpflug | ❌ 不同 |
| 设备输出 | 彩色编码报告图（含叠加） | 结构化数值参数序列 | ❌ 不同 |
| 数据类型 | PNG 图像 + 15 字段 CSV | 448 列 CSV + 4 簇标签 | ❌ 不同 |
| 标签体系 | 临床最终裁定二分类 | 无监督聚类四簇（分期） | ❌ 不同 |
| 规模 | 744 人 / 1,454 眼 | 3,162 眼（论文 3,156） | ❌ 不同 |
| 人群 | 阿尔及利亚（北非） | 日本多中心 | ❌ 不同 |
| 划分 | 预置患者级 80/20 + 5 折 | 无官方划分 | ❌ 不同 |
| 许可 | CC-BY-NC 4.0 | CC0 1.0 | ❌ 不同 |
| 共同点 | 圆锥角膜 AI、公开可得、同一领域 | 同左 | ✅ 仅此 |
一个容易误读的细节：Siamak Yousefi 同时是 pentacam-kc（PLOS ONE 2018）的第一作者与 cornorb 的合作者。这层"人"的重叠不代表数据重叠——两者的采集地、设备、人群、时间全部不同。库里做互链时，这层关系可以作为"学术谱系相连"的注脚，但绝不能当作"同一批数据的两个版本"。
另一个容易误读的细节：pentacam-kc 论文的参考文献里确实引用了 CornOrb（作为"Orbscan 平台的新资源"），但这只说明新数据集被同域老数据集注意到，不说明两者共享任何数据。
8.2 与 corn-nerve（894）的关系：同器官，不同层
corn-nerve（CORN，894）是角膜共聚焦显微镜（confocal microscopy）的角膜神经纤维分割与弯曲度分级数据集。与 cornorb 的关系是同一器官、完全不同的成像模态与解剖层次：
| 维度 | cornorb | corn-nerve（894） |
|---|---|---|
| 器官 | 角膜 | 角膜 |
| 成像 | 角膜地形图（表面形貌） | 共聚焦显微镜（细胞/神经层） |
| 解剖层次 | 宏观形貌 | 微观神经丛 |
| 任务 | 疾病二分类 | 分割 + 分级 |
| 疾病焦点 | 圆锥角膜（扩张性） | 神经病变（糖尿病、干眼等） |
两者属于"角膜"这个大类的两个分支，互链的目的是构建家族导航，而不是因为它们可以合并或对比。在 §8.5 的家族导航里，它们分居"宏观形貌"与"微观结构"两栏。
8.3 库内定位：第三个角膜条目
cornorb 是千方库内第三个与角膜直接相关的条目（前两个是 pentacam-kc 857 与 corn-nerve 894）。三个条目的组合第一次让"角膜"这一支在库里有了初步的形状：
角膜
├── 宏观形貌（地形图）
│ ├── pentacam-kc (857) —— 数值参数，分期，CC0
│ └── cornorb —— 彩色报告图，二分类，CC-BY-NC
└── 微观结构（共聚焦）
└── corn-nerve (894) —— 神经纤维分割与分级
这个结构的意义在于：角膜地形图这一格，现在有了"数"（857）和"图"（cornorb）两种形态。做表格模型的用 857，做图像/多模态模型的用 cornorb，需要做跨模态的可以用两者组合（但要注意人群与设备都不同，不能当同一队列）。
8.4 与眼科影像大盘的关系
库里眼科条目的主体仍在视网膜一侧：眼底照相（DR 分级、青光眼视盘）、OCT（视网膜分层、黄斑）。角膜这一支体量很小，但 cornorb 的加入让"眼科影像"这个 tag 下的解剖部位覆盖从"后节为主"向"前后节兼顾"推了一步。
与视网膜数据集相比，角膜数据有一个结构性差异：视网膜图像是"拍下来就有"的，角膜地形图是"设备算出来的"。前者是真实光学成像，后者是把测量结果渲染成伪彩色图。这带来一个方法论上的差别——视网膜图像的纹理有物理意义，角膜地形图的颜色是查表映射的结果，同一个颜色在不同设备上可能代表不同的数值区间。这也是 cornorb 不能与 pentacam 数据直接混用的根本原因。
8.5 建议的互链结构
本条目在 relatedLink 里给出两条纯 URL（按 R012 教训，不得写任何中文说明）：
- pentacam-kc：https://www.qianfanghub.com/ai-ready-dataset/pentacam-kc/0
- corn-nerve：https://www.qianfanghub.com/ai-ready-dataset/corn-nerve/0
两条的理由分别是"同病不同设备"与"同器官不同模态"。不建议把 cornorb 与其他视网膜、OCT 条目大量互链——那些是"眼科"这个大 tag 下的远亲，硬链会稀释相关性。库内眼科条目众多，真正的近邻只有这两个。
8.6 家族导航的落地建议
如果主会话要建"眼科结构影像"家族页，cornorb 的位置建议如下：
| 层级 | 条目 | 定位 |
|---|---|---|
| 前节 · 形貌 · 数值 | pentacam-kc(857) | 分期基准 |
| 前节 · 形貌 · 图像 | cornorb | 二分类 + 多模态融合 |
| 前节 · 微观 | corn-nerve(894) | 神经分割 |
| 后节 · 眼底 | DR/青光眼族 | 筛查主体 |
| 后节 · 断层 | OCT 族 | 分层与病灶 |
8.7 与库外生态的关系
库外最直接的可比对象是论文自己列出的那些：de Luna 的 Pentacam 指数表（Mendeley）、Bakir 的 Kaggle Pentacam 分期数据、Al-Timemy 的角膜图深度学习系列。CornOrb 与它们的关系是平台互补（Orbscan vs Pentacam）+ 人群互补（北非 vs 东亚/中东），理想的用法是拿 CornOrb 训练、拿外部 Pentacam 数据做外部验证，或反过来。这正是论文在局限性里点明的"跨设备/跨人群评估"路径。
§9 局限、风险与合规
9.1 只留明确病例，早期检测无解
这是最重的一条，论文自己反复强调。排除边界性、疑似、顿挫型、亚临床之后，数据里的负类是"明确正常"，正类是"明确圆锥"。模型学到的是两端之间的宽间隔判别边界。
一旦部署到真实筛查场景，绝大多数待判样本落在中间地带——模型没见过这类样本，输出会不可靠。使用声明里必须写：“本模型在 CornOrb 上训练，不适用于早期、亚临床或边界性圆锥角膜的检测。”
9.2 报告级图像，不是定量矩阵
PNG 是从 PDF 报告里抠出来的渲染图，不是设备的原始像素矩阵。后果有三：
- 无法反解数值：从颜色反推曲率，需要知道确切的色表与数值映射，而色表是设备私有的。
- 无法做定量分析：角膜面重建、曲率梯度计算、厚度变化的物理建模，都需要原始矩阵。
- 色彩信息有损：PNG 无损压缩保住了像素值，但报告渲染过程本身可能已经做过色阶压缩或插值。
论文在摘要里就写了"native pixel-wise quantitative matrices are not available in the current release"（当前发布版不含原生逐像素定量矩阵）——这是一句非常重要的限制声明，"current release"三个字暗示未来版本可能补上。
9.3 单设备、单中心、单人群
三个"单"叠加，泛化能力受限：
- 单设备：只有 Orbscan 3。Orbscan 的色彩编码、默认显示范围、BFS 拟合方式都有厂商特异性。换一台 Pentacam，图的颜色代表的意义都变了。
- 单中心：只有 Lazouni 诊所。采集流程、操作者习惯、患者构成都绑定在这一家。
- 单人群：阿尔及利亚 Tlemcen 地区。圆锥角膜在不同族群（如中东、南亚、欧洲）的患病率与表现型有差异，跨人群外推未经检验。
论文的建议是"与来自其他人群、中心或成像平台的独立数据集联合评估"，也就是把 CornOrb 当作一个坐标点，而不是一个代表。
9.4 性别构成偏斜
正常组女性 63.2%，圆锥角膜组女性 65.1%。两个组的性别比例接近，所以不会造成组间的性别混杂（这是个好消息），但整体队列偏女性。
影响在于：如果模型学到了性别相关的图像特征（比如角膜直径的性别差异），在男性为主的队列上可能表现下降。建议做性别分层评估，论文也提了这一点。
9.5 捷径学习风险
报告图里保留了数值叠加、网格线、标记点。这些元素在正常眼与圆锥眼之间可能存在系统性差异——比如圆锥眼的报告可能因为角膜太陡而触发设备的某个告警标记，或者在特定位置显示 Kmax 数值。
如果模型学会了"看到某个位置的数字就是圆锥"，它在真实场景会失效（因为真实场景的这些元素未必一样）。风险大小未知，因为论文明确说掩膜与未掩膜的对比没有被做。
使用建议：自己做一次消融——用图像处理把图中央的数值区裁掉或涂白，比较前后性能。如果性能大幅下降，说明模型严重依赖叠加元素。
9.6 横断面，无纵向
一只眼一次检查，没有随访。因此：
- 不能做进展预测（哪只眼会恶化）；
- 不能做 CXL 疗效评估；
- 不能做时间序列建模。
如果要做进展研究，需要另找纵向队列。库内目前也没有角膜纵向数据。
9.7 口径存照：与 pentacam-kc 的五处差异
按纪律"双口径冲突逐条存照"，把容易混淆的差异集中列出：
| # | 维度 | cornorb | pentacam-kc(857) | 冲突性质 |
|---|---|---|---|---|
| 1 | 设备 | Orbscan 3 | CASIA OCT（论文）/ Pentacam（第三方） | 真实差异，非冲突 |
| 2 | 数据形态 | PNG 图像 | 数值表格 | 真实差异 |
| 3 | 标签 | 临床二分类 | 无监督四簇 | 真实差异 |
| 4 | 许可 | CC-BY-NC 4.0 | CC0 1.0 | 真实差异，影响商用 |
| 5 | 人群 | 阿尔及利亚 | 日本 | 真实差异 |
结论：五处全部是真实差异，不存在"同一数据两处记载不一致"的冲突。两条目必须并存，不可合并。这是本条目最重要的一条存照。
9.8 内部口径存照：两个 Zenodo DOI
| 来源 | DOI | 是否含划分变量 |
|---|---|---|
| arXiv 预印本（2603.21245） | 10.5281/zenodo.17127265 | 否 |
| Data 正式版 | 10.5281/zenodo.20542091 | 是 |
这是同一数据集的版本差异，不是两批不同数据。引用时应以正式版为准，并在方法里写明版本。
9.9 遗留疑点清单
| # | 疑点 | 影响 | 处理建议 |
|---|---|---|---|
| 1 | 1,454 与 1,407（663×2+81）差 47 条的成因未明 | 影响去重策略 | 下载后按 patient_code + eye 统计 |
| 2 | 两个 Zenodo DOI 是并列记录还是版本关系未明 | 影响引用与复现 | 以 20542091 为准 |
| 3 | 各临床变量的均值/标准差未在正文给出 | 无法做队列可比性判断 | 下载 CSV 自行统计 |
| 4 | 被排除的病例数量未公布 | 无法评估筛选的严苛程度 | 论文未提，暂无法解决 |
| 5 | 图像提取 pipeline（v3.12）代码未公开 | 无法迁移到别家报告 | 视为固有限制 |
| 6 | 掩膜前后的性能差异未实证 | 捷径风险大小未知 | 使用者自行消融 |
9.10 合规提示
- 署名：任何使用、衍生、再分发都必须保留作者列表与 CC-BY-NC 4.0 声明。
- 非商业：商业产品训练、商业 API 服务明确禁止。企业内部研究建议法务确认。
- 不是医疗器械：本数据集及其训练的模型不得作为临床诊断依据，仅限研究。
- 不可再识别：虽然已匿名化，但应遵守不再试图重新识别患者的基本伦理。
§10 方法论评注与 AI-Ready 启示
10.1 一份"协议优先"的数据集
CornOrb 最值得称道的不是规模，不是图像质量，而是它把评估协议当成数据的一部分发布。split_80_20 与 fold 两列不是附加服务，而是把"怎么划才算公平"这件事固化成字段，让使用者即便偷懒也不会划错。
这在医学影像数据集里并不常见。多数数据集给一堆图和一张标签表，划分靠自己；一旦自己按眼随机切，双眼泄漏就悄悄发生，指标虚高 3–5 个百分点是常事，而且没人会发现——因为论文里也没有官方数字可供对照。
CornOrb 没给基线数字，但给了协议。这是一个有意思的取舍：数字会过时，协议不会。三年后有人做出更好的模型，仍然用同一套划分，结果仍然可比。
10.2 "只留明确病例"的取舍
排除边界性、疑似、顿挫型、亚临床，是一个重质量轻覆盖的选择。
- 支持的理由：标签可信是数据集的立身之本。标签不干净的图像数据集，是所有下游研究的污染源。
- 反对的理由：AI 在圆锥角膜上真正的价值就在早期。只留明确病例，等于把最难也最有价值的部分排除在训练集之外。
CornOrb 的立场是：先有一份干净的、可复现的两端数据，再谈难的那部分。这在数据集建设的次序上是合理的——先立基准，再攻难点。但它也意味着，这份数据本身不能作为"AI 能早期诊断圆锥角膜"的证据。
10.3 图与表的融合，是小数据集的正确姿势
1,454 只眼，对深度学习来说是小数据。在 ImageNet 上预训练的 ResNet 直接微调，很容易过拟合。
CornOrb 的结构恰好提供了一个缓解方案：表格里有 Kmax、最薄点厚度、前/后表面非球面——这些是临床上判断圆锥角膜的核心指标，信息密度极高。把它们作为辅助输入（早期融合或作为先验引导注意力），相当于给模型注入了强先验，可以减少对图像纹理的依赖。
一个值得做的实验：先用表格训练一个逻辑回归，看能到多少 AUC；再把它的预测概率作为特征拼接到图像模型上。如果提升明显，说明两者捕捉了互补信息；如果没提升，说明图像模型已经学到了表格里的东西（或者反过来）。
10.4 报告级图像的普遍性问题
CornOrb 不是唯一一个"从设备报告截图做数据集"的例子。这类数据集的共同特点是：好看、好懂、好拿，但不可定量。
对 AI-Ready 而言，这是一个层次的差别：
| 层次 | 数据形态 | 可做的任务 | 代表 |
|---|---|---|---|
| L1 | 报告截图（PNG/JPG） | 分类、检测 | cornorb |
| L2 | 设备导出的结构化参数 | 表格分类、特征分析 | pentacam-kc(857) |
| L3 | 原始像素矩阵/体数据 | 定量重建、物理建模 | 少见 |
大多数公开数据集停在 L1，少数到 L2，L3 几乎不公开。CornOrb 的"current release"措辞暗示作者知道这一点，可能在后续版本补 L3。对于要建定量模型的研究者，L1 是起点不是终点。
10.5 单一渠道发布的可持续性
Zenodo 是 CERN 运营的长期存档平台，DOI 稳定性有保障，比"作者个人网站挂个 zip"强得多。但单一渠道、单一版本页、无镜像仍然是风险点：
- 如果作者不上传新版本，数据就冻结在 2026-06-04 版；
- 如果 Zenodo 政策变化（历史上极少，但非零），没有备选；
- 如果文件损坏，只能指望 Zenodo 的完整性校验（md5 已公布，这是好事）。
对比 pentacam-kc 的"Dataverse + Kaggle 双渠道"，cornorb 在冗余度上略逊，但在权威性上更干净（只有一个源，不存在两处描述不一致的问题）。
10.6 对照 AI-Ready 五要素
| 要素 | 评分 | 依据 |
|---|---|---|
| 可发现 | 高 | Zenodo DOI + 期刊 DOI + arXiv 预印本三重可检索；数据集名称唯一，无别名混淆 |
| 可获取 | 高 | 匿名直下，两个文件，无需注册；但 680 MB 需要稳定网络 |
| 可理解 | 中高 | 论文有字段表、图类说明、命名规则；缺口是数值分布与被排除病例数 |
| 可互操作 | 中 | PNG + CSV 均为通用格式；缺口是无 schema.org 标注、无 COCO/其他标准封装 |
| 可复用 | 中高 | 预置划分是加分项；NC 许可与单设备是减分项 |
10.7 DAIMS 评估
| 维度 | 评分（1–10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | Zenodo DOI、期刊 DOI、arXiv 三处可检索；名称唯一；扣分：无独立项目主页，无 GitHub |
| A 可获取性 | 8 | 匿名直下、无需协议、CC-BY-NC；扣分：680 MB 单包，无分卷、无云盘镜像 |
| I 可互操作 | 6 | PNG/CSV 通用格式；扣分：无标准标注格式（如 COCO/JSON）、无 schema.org、色表未说明 |
| M 元数据质量 | 7 | 论文有字段表、划分说明、伦理批件号；扣分：无逐变量描述统计、无被排除病例数、pipeline 代码未公开 |
| S 可持续性 | 7 | Zenodo 长期存档 + DOI；扣分：单渠道、版本关系未明、无机构级备份承诺 |
| 综合 | 7.2 / 10（良好） | 协议透明与获取便利是最大亮点；图像不可定量与单设备是主要短板 |
评级说明：7.2 分在千方库的眼科条目里属于中上。它比 pentacam-kc（6.4）高，主要高在协议透明度与元数据完整性上；但它的可复用性受 NC 条款与"报告级图像"双重限制，实际可用范围窄于 CC0 的纯表格数据。
§11 全篇总结
cornorb 是一份**"把协议当资产"的角膜地形图数据集**。744 名患者、1,454 只眼、每眼四张 560×560 的彩色 PNG，加一张 15 字段的临床表，889 正常对 565 圆锥角膜，患者级 80/20 与训练集内 5 折都写死在 CSV 里。
它的核心价值：
- 设备补位：库内第一个 Orbscan 平台数据，与 Pentacam 体系的 pentacam-kc（857）形成"双设备"格局。
- 形态补位：库内第一个"以角膜图为主载体"的条目，让角膜这一支从"只有数值"变成"图数兼备"。
- 协议示范：把患者级划分与交叉验证折固化进数据，是眼科小数据集合规化的一个可复制样板。
- 地域增量：非洲队列，为跨人群研究补上一个此前缺失的坐标。
它的核心限制：
- 只留明确病例：早期、亚临床、边界性全部排除，任务比临床现实简单得多。
- 报告级图像：无原始定量矩阵，不能做定量重建。
- 单设备单中心：跨设备、跨人群外推未经检验。
- NC 许可：商业使用受限。
- 无官方基线：没有可对照的性能及格线。
给使用者的三句话：
- 做多模态融合方法研究——这份数据是小而干净的试验场：四张图 + 15 个强特征，足以验证融合策略，又不会把问题淹没在特征工程里。
- 做跨设备/跨人群外部验证——用它作为北非 Orbscan 队列，与 Pentacam 数据（如 857）做域偏移对照，这是它最不可替代的用法。
- 做临床筛查宣称——务必谨慎。它只有明确病例，指标不能外推到早期检测；NC 条款也限制了商业化路径。
在千方病案医数集体系内，cornorb 与 pentacam-kc(857) 构成"角膜形貌"的双设备双形态组合，与 corn-nerve(894) 构成"角膜宏观 vs 微观"的层次组合。三者合起来，第一次让库里"角膜"这一支有了可导航的结构。
附录 A：字段速查卡
| 字段 | 取值/单位 | 一句话 |
|---|---|---|
patient_code |
001–744 | 分组键，不入特征 |
eye |
OD / OS | 右眼 / 左眼 |
age |
年 | 连续 |
sex |
女 / 男 | 分类 |
| cylinder | D | 散光量 |
| axis | 度 | 散光方向，做 sin/cos |
Kmax |
D | 最强单特征之一 |
| central pachymetry | μm | 中央厚度 |
| thinnest pachymetry | μm | 最薄点厚度，强特征 |
| thinnest point coordinates | 坐标 | 位置信息 |
| anterior asphericity | Q 值 | 前表面形态 |
| posterior asphericity | Q 值 | 后表面形态，早期敏感 |
label |
0 / 1 | 目标变量 |
split_80_20 |
train / test | 协议变量 |
fold |
1–5 / 空 | 协议变量，仅 train 有值 |
附录 B：四类图判读要点
| 图类 | 英文 | 单位 | 正常表现 | 圆锥角膜表现 |
|---|---|---|---|---|
| 轴向曲率 | Axial | D | 中央较平、周边渐陡，对称 | 下方或中央局部陡峭，不对称领结 |
| 前表面高度 | Anterior | mm | 相对 BFS 偏差小 | 局部明显前凸 |
| 后表面高度 | Posterior | mm | 偏差更小 | 最早出现异常，局部后凸 |
| 角膜厚度 | Pachymetry | μm | 中央约 520–560，向周边增厚 | 局部变薄，最薄点偏移 |
判读提示：后表面高度图与厚度图对早期扩张最敏感。如果只选一张图做单图基线，建议从 Posterior 或 Pachymetry 开始。
附录 C：坑点档案（坑 N 编号制）
| 编号 | 坑点 | 影响面 |
|---|---|---|
| 坑 1 | 与 pentacam-kc 混淆：同病同器官，但设备、图种、规模、许可全不同，误当重复会做出错误的合并或替代决策 | 库内治理、选型 |
| 坑 2 | patient_code / split_80_20 / fold 误入特征：直接造成泄漏，指标虚高且难以察觉 |
特征工程 |
| 坑 3 | 按眼重新随机划分：破坏患者级分组，同患者双眼跨集，测试指标系统性偏高 | 实验设计 |
| 坑 4 | 同一只眼的重复记录未去重：约 47 条差额，重复记录会放大权重 | 数据清洗 |
| 坑 5 | 报告图叠加元素导致捷径学习：模型可能依赖数值/网格而非形态，掩膜前后差异未实证 | 模型可信度 |
| 坑 6 | 把 PNG 当定量矩阵用：无法反解曲率/厚度数值，任何"从图算 Kmax"的尝试都不可靠 | 任务可行性 |
| 坑 7 | 把 1,454 当唯一眼数：实际唯一眼约 1,407，患者数 744；口径混淆影响样本量陈述 | 规模描述 |
| 坑 8 | 忽略 NC 许可：将数据用于商业产品或商业 API，属违约 | 合规 |
| 坑 9 | 两个 Zenodo DOI 混用：旧版无划分变量，复现 80/20 实验必须用新版 | 复现 |
| 坑 10 | 把 CornOrb 指标当早期筛查能力：只含明确病例，外推到亚临床场景会严重高估 | 临床宣称 |
| 坑 11 | 直接缩放到 224×224：从 560 下采样约 2.5 倍，小面积病变细节可能丢失，未经验证 | 预处理 |
| 坑 12 | axis 当连续数值：0° 与 180° 实际相邻，线性处理会引入错误 |
特征编码 |
编号说明：坑 1–坑 12 均为本条目核实过程中记录的实际陷阱。其中坑 1、坑 7、坑 9 属于跨来源/跨版本口径问题，转引时务必回查 Zenodo 记录页与 Data 论文原表。
附录 D：DAIMS 全表与证据链
DAIMS（Data Asset Interoperability Maturity Score）五个维度的打分依据已在 §10.7 给出，此处补充逐项证据：
| 维度 | 分 | 证据 |
|---|---|---|
| D 可发现性 | 8 | Zenodo DOI 10.5281/zenodo.20542091；期刊 DOI 10.3390/data11090227；arXiv 2603.21245 |
| A 可获取性 | 8 | Zenodo 匿名直下；两文件 md5 已公布；CC-BY-NC 4.0 |
| I 可互操作 | 6 | PNG + CSV；固定命名规则 patientID_eye_maptype.png；无标准标注封装 |
| M 元数据质量 | 7 | 论文 Table 2 字段表；伦理批件 2024.002EA；划分说明；缺逐变量统计 |
| S 可持续性 | 7 | Zenodo 长期存档；2026-06-04 更新；单渠道 |
综合 7.2/10。
附录 E：与其他角膜数据集的能力对照
| 数据集/资源 | 平台 | 形态 | 任务 | 规模 | 许可 | 预置划分 | 原始矩阵 | 人群 |
|---|---|---|---|---|---|---|---|---|
| cornorb | Orbscan 3 | 4 图 + 15 字段 | 二分类 | 1,454 眼 | CC-BY-NC 4.0 | 有 | 无 | 北非 |
| pentacam-kc(857) | CASIA OCT / Pentacam（口径存照） | 448 列 | 四簇分期 | 3,162 眼 | CC0 | 无 | 无 | 东亚 |
| de Luna 2020 | Pentacam | 指数表 | KC vs 正常 | 中等 | 视 Mendeley 页 | 无 | 无 | 西班牙语区 |
| Bakir 2023 | Pentacam | Kaggle 分期 | 分期 | 中等 | 视 Kaggle 页 | 无 | 无 | 未明 |
| Al-Timemy 系列 | 角膜图 | 图像 | KC 检测 | 中等 | 视原文 | 无 | 无 | 西亚 |
| corn-nerve(894) | 共聚焦 | 图像 | 神经分割 | 中等 | 视原页面 | 视情况 | 无 | 视原页面 |
这张表的用法是找互补而不是找替代：做图-表融合用 cornorb，做参数-分期用 857，做跨平台验证用两者组合。
怎么读这张表：
- 「预置划分」一列只有 cornorb 明确为"有"。这正是它的差异化优势——它不是"又一个圆锥角膜数据集"，而是"又一个可以立刻做公平比较的圆锥角膜数据集"。
- 「原始矩阵」一列全部为"无"。这不是 cornorb 独有的缺陷，而是整个角膜公开数据生态的共同短板。想做到定量重建与物理建模这一层，公开资源里基本没有路，除非走设备厂商的合作渠道。
- 「人群」一列没有重复。北非、东亚、南欧、西亚各占一格，这恰好说明：想做跨人群研究，必须把这些数据集拼起来用，而拼接的前提就是 cornorb 这种把设备与人群写清楚的元数据。
E.1 选型决策树
需要分期标签？
├── 是 → pentacam-kc(857)（四簇）或 Bakir 2023
└── 否 → 需要图像？
├── 是 → 需要 Orbscan 平台？
│ ├── 是 → cornorb
│ └── 否 → Al-Timemy 系列 / 其他图像集
└── 否 → 需要可商用许可？
├── 是 → pentacam-kc(857)（CC0）
└── 否 → cornorb（CC-BY-NC）
这棵树没有"最优解"，只有"约束匹配"。先明确自己的约束（要不要分期、要不要图、能不能商用），再找匹配的数据，比"先找最大的数据集"更省时间。注意决策树第三层的分叉：如果既不要分期又不要图，那 cornorb 其实不是优选——它的价值恰恰在图上。
E.2 两个数据集的组合用法
cornorb 与 pentacam-kc(857) 的组合有一个具体的、可执行的用法——跨设备域偏移基准：
- 在 cornorb 上训练一个二分类模型（图像 + 表格），在 cornorb 测试集上报 AUC；
- 把这个模型直接搬到 857 的表格侧，只保留共用字段（Kmax、中央厚度、最薄点厚度、散光、非球面），重训一个"表格对齐"版本；
- 比较"同设备"与"跨设备"的 AUC 差值；
- 这个差值就是设备与人群差异共同造成的性能衰减的上界估计。
这个实验的价值不在于得到多高的数字，而在于量化"公开数据集之间的可迁移性到底有多差"——这是目前眼科 AI 领域最欠缺的一类实证。如果衰减只有 2–3 个百分点，说明形态特征有跨设备的共性；如果衰减超过 15 个百分点，说明多数公开数据集上的高指标本质是"设备指纹识别"。
E.3 组合使用时必须声明的三件事
在论文里同时使用 cornorb 与 857 时，方法部分必须写清：
- 两批数据不是同一队列，患者无重叠、人群不同、采集年份不同；
- 设备不同，图像（若有）与参数不可直接拼接，只能做"表格字段对齐"；
- 标签体系不同（二分类 vs 四簇），不能把四簇简单折成二分类来"扩大样本量"——那样会把"顿挫型"混进正类或负类，破坏两边的标签语义。
第三条是最容易被忽略的。技术上"簇 3 + 簇 4 = 圆锥"看起来合理，但 857 的簇 1/2 里含有"健康 + 顿挫型"，折成二分类后负类不再纯净，与 cornorb 的"明确正常"负类不可比。
FAQ 常见问题
A. cornorb 和 pentacam-kc（857）是同一份数据的两个版本吗？
不是，完全不是。 两者除了"都是圆锥角膜 + 角膜地形图"这一点外，没有任何共享：设备不同（Orbscan 3 vs CASIA OCT/Pentacam）、数据形态不同（PNG 图 vs 数值表）、人群不同（阿尔及利亚 vs 日本）、标签体系不同（临床二分类 vs 无监督四簇）、规模不同（1,454 眼 vs 3,162 眼）、许可不同（CC-BY-NC vs CC0）。
唯一的重叠是学术人物：Siamak Yousefi 参与了 pentacam-kc 那篇 PLOS ONE 2018，也是 cornorb 的合作者。这是"人的谱系"，不是"数据的谱系"。
B. 为什么只有二分类，没有分期？
因为作者选择只保留临床明确的正常眼与圆锥角膜眼，排除了边界性、疑似、顿挫型、亚临床。留下的两端样本，天然只能做二分类。想做分期请用 pentacam-kc（857）那类带四簇标签的数据。
C. 能不能从 PNG 反推出 Kmax 等数值？
不可靠。 PNG 是报告渲染图，颜色到数值的映射是设备私有的，而且渲染过程可能经过色阶压缩。论文明确说当前版本不含原生定量矩阵。要数值，直接读 CSV 里的 Kmax 与厚度字段。
D. 80/20 划分可以自己改吗？
技术上可以，但不建议。官方划分是患者级的、分层的，且是跨研究可比的基准。如果你为了做 5×2 交叉验证之类的实验必须重划，请在报告中明确说明"未使用官方划分，结果不可与使用官方划分的研究直接比较"。
E. 那个 47 条差额是怎么回事？
663 名双眼患者贡献 1,326 条 + 81 名单眼患者贡献 81 条 = 1,407，比 1,454 少 47。最可能的解释是部分患者在同一只眼上做了多次检查（复查），被计为多条 examination record。论文未明说。使用前请按 patient_code + eye 去重，并记录去重前后的行数。
F. CC-BY-NC 到底能不能用于我的研究？
- 高校/公立研究机构的学术研究：可以。
- 企业研究院的内部探索：建议先过法务，NC 的解释在各国不一。
- 训练商业产品/提供商业 API：不可以。
- 发表的论文中报告指标：通常可以，但需署名。
G. 图像里有数字和网格，会不会影响模型？
有可能。论文承认这是捷径学习风险，但没有量化。建议自己做一个消融：把图像中央的数值区裁掉或涂白，比较前后性能。如果性能掉很多，说明模型严重依赖叠加元素，需要重新设计预处理。
H. 为什么没有官方基线数字？
因为这是数据描述论文（data descriptor），Data 与 Data in Brief 的惯例是不跑基线。论文只给评估协议与建议指标（敏感度、特异度、平衡准确率、ROC-AUC、PR-AUC），不给具体数字。
I. 这份数据能用于临床吗？
不能。 它明确限定为非商业研究用途，且只含明确病例，不能代表真实筛查场景的分布。任何基于它的模型都不得作为临床诊断依据。
为什么这条要说得这么绝对：因为临床误用的后果不对称。一个模型在研究中虚高 5 个百分点，损失的是论文可信度；被装进筛查流程虚高 5 个百分点，损失的是真实的漏诊与过度转诊。CornOrb 的病例构成（两端明确样本）与真实门诊人群（大量中间地带）之间的分布差异是结构性的，不是靠调阈值能弥合的。任何把 CornOrb 指标直接写进器械申报材料的做法，都会在审评阶段被"训练集不代表预期使用人群"这一条直接否决。
J. 后续版本会加原始矩阵吗？
论文的措辞是"native pixel-wise quantitative matrices are not available in the current release"，“current” 暗示未来可能补。但目前没有公开的路线图。关注 Zenodo 记录页的版本更新即可。
如果真要补，难点在哪：原始矩阵不是"再导出一遍"那么简单。它需要设备厂商提供导出接口、需要处理每个患者检查时的校准参数、需要保证导出的矩阵与 PNG 版本一一对应（同一个 patient_code + eye + 检查日期），还需要重新走一遍伦理与匿名化审查。这四件事里任何一件卡住，都可能让"未来版本"无限期推迟。所以实务上应当假设当前版本就是最终版本，而不是把研究计划建立在"等他们补"的假设上。
K. 我能不能只用其中一张图？
可以，而且建议先做单图基线。四张图的信息量并不均等：后表面高度与厚度图通常最有判别力，轴向曲率次之，前表面高度最弱（因为前表面异常在早期不明显）。先跑四个单图模型，再决定联合模型的架构——如果单张 Posterior 就能到 0.94，四图融合的价值就需要被严格论证，而不是默认"图越多越好"。
L. 表格里没有角膜直径、没有眼压，会不会不够？
对圆锥角膜二分类来说，够用。Kmax、最薄点厚度、前/后表面非球面、散光这四组变量已经覆盖了临床上最主要的判别依据。角膜直径与眼压属于另一条诊断线索（如青光眼），对圆锥角膜的增量有限。如果确实需要，只能回到原始报告找，CSV 里没有。
M. 数据里有图像质量差的样本吗？
论文没有报告图像质量控制流程。发布版声明"无缺失值"指的是表格字段，不是图像。理论上存在个别图因拍摄时患者配合不佳、泪膜不稳定、镜片干扰而质量偏低的情况，但没有任何质量评分字段可供筛选。
实操建议：自己做一个粗筛——检查是否存在大面积纯色（拍摄失败）、中央区是否有明显模糊、色标是否完整。把这些样本标记出来，在报告中说明"未做质量筛选"或"剔除了 N 例低质量图"，两种做法都比默默忽略更诚实。
附录 F：Orbscan 3 与 Pentacam 的设备学对照
要真正理解 cornorb 为什么不能和 pentacam-kc（857）混用，需要回到两台设备是怎么"看见"角膜的。本附录把这条技术线索单独拆出来，作为 §8.1 与 §9.7 的设备学补注。
F.1 两条不同的成像路线
| 项目 | Orbscan 3（Bausch & Lomb） | Pentacam（Oculus） |
|---|---|---|
| 核心原理 | 裂隙扫描（slit-scan） + Placido 环双系统融合 | 旋转 Scheimpflug 相机单系统 |
| 光源 | 裂隙投射白光 + Placido 盘环形靶 | 蓝色 LED 狭缝光 |
| 拍摄方式 | 裂隙光带横向扫过角膜，逐条记录散射剖面 | 相机绕视轴旋转，连续拍摄角膜光学切面 |
| 输出本质 | 前表面地形 + 部分前节结构 | 全角膜三维断层（前表面、后表面、厚度、前房） |
| 后表面测量 | 早期 Orbscan 版本依赖扫描数据外推，公认较弱 | 原生三维重建，后表面与厚度是强项 |
| 典型图页 | 曲率图、高度图、厚度图、前房深度等 | 4-map / 8-map 折射界面，含 BAD-D、KI、ISV 等指数 |
| 代表指数 | 厂商筛查软件输出的地形综合参数 | ISV / IVA / KI / RMin / BAD-D 等 Scheimpflug 断层指数 |
这张表里最关键的一行是后表面测量。后表面高度对早期圆锥角膜最敏感，而 Orbscan 的后表面数据长期被质疑精度不足；Pentacam 用旋转 Scheimpflug 原生拍出后表面，因此其 BAD-D、后表面高度类指标在临床上被广泛接受。这意味着同样是"后表面高度图"，Orbscan 与 Pentacam 导出的图在数值尺度与可靠度上不是一回事，把两边的 PNG 混在一个训练集里，模型会同时学到"设备差异"与"疾病差异"，而这两者在像素层面无法分离。
F.2 为什么色彩不能直接比
两台设备的地形图都是伪彩色：数值 → 色表查表 → 像素颜色。但色表是厂商私有的，而且同一台设备的不同模式（绝对刻度 / 相对刻度 / 归一化刻度）会给出不同的颜色-数值映射。
后果是：同一个红色，在两台设备上可能对应完全不同的屈光度。用 cornorb 训练的 CNN 学到的是"Orbscan 3 的色表 + 圆锥角膜形态"的联合分布，换到 Pentacam 图上，仅色表差异就足以让性能崩塌。这就是论文强调"设备特异性"的实质含义，也是它把"与来自其他平台的数据集联合评估"写成建议而非结论的原因。
F.3 对建模的具体建议
| 场景 | 建议做法 |
|---|---|
| 只用 cornorb | 把它当独立队列，不外推 |
| cornorb 训练 + Pentacam 验证 | 先做色彩归一化（按图例区间映射回近似数值再重着色），再评估域偏移 |
| 两边混合训练 | 加入设备标签作为域标记，用 DANN/IRM 一类的域适应方法 |
| 报告结果 | 必须按设备分层报告，禁止只报混合均值 |
F.4 与 pentacam-kc（857）的口径再确认
pentacam-kc 的实测证据（448 列里没有 Pentacam 专属的 ISV/IVA/RMin，反而有 OSI/CSI/DSI/BFS 这类更贴近断层/像差体系的参数）提示：它自称 “Pentacam” 的标签本身就有疑问。这进一步说明，"Pentacam 数据集"这个说法在公开资源里被过度使用，不能仅凭名字判断设备。
cornorb 的好处是设备在论文、Zenodo 记录页、字段说明里三处一致写明为 Orbscan 3，不存在这类口径分叉。这也是它在"元数据可信度"上优于 857 的地方之一。
附录 G：一页速查卡
| 问题 | 答案 |
|---|---|
| 多少人？多少眼？ | 744 人 / 1,454 只眼 |
| 正常多少？圆锥多少？ | 889 / 565（阳性率 38.87%） |
| 每眼几张图？ | 4 张：Axial、Anterior、Posterior、Pachymetry |
| 图多大？什么格式？ | 560×560，PNG，保留原始彩色编码与叠加 |
| 表格几个字段？ | 15 |
| 有无缺失值？ | 声明无 |
| 有无划分？ | 有：患者级 80/20 + 训练集内 5 折 |
| 什么设备？ | Bausch & Lomb Orbscan 3 |
| 哪个国家？ | 阿尔及利亚 Tlemcen |
| 什么年份？ | 2017–2023 回顾性 |
| 什么许可？ | CC-BY-NC 4.0 |
| 哪里下？ | Zenodo 10.5281/zenodo.20542091 |
| 包多大？ | 680.2 MB + 101.1 kB |
| 有官方基线吗？ | 没有 |
| 能商用吗？ | 不能 |
| 能做早期筛查吗？ | 不能（只含明确病例） |
| 和 857 是一回事吗？ | 不是，设备与图种全不同 |
附录 H：不同角色的阅读路径
如果你是三小时内要出结果的算法工程师：读 §1 的 Q1–Q7 → §5.6 任务变体 → §7.6 复现骨架 → 附录 G 速查卡。跳过 §3 与 §10，直接开工。
如果你在做数据集选型：读 §2.5 对照表 → §8.1 消歧 → §10.7 DAIMS → §9.7 口径存照。这四节决定"要不要选它"。
如果你在做临床研究设计：读 §5.2–5.5 标签来源 → §9.1 早期检测无解 → 附录 B 四类图判读。重点判断"这份数据的病例构成是否匹配你的临床问题"。
如果你在做数据集治理/引用：读 §6 许可与版本 → §9.8 双 DOI 存照 → §9.9 遗留疑点 → 维护与责任。重点是把版本与许可写死。
如果你是刚接触角膜地形图的读者：读 §0 导读 → 附录 B → 附录 F.1 设备原理。不需要读代码与指标部分。
附录 I：常见误解澄清
误解 1：CornOrb 是"非洲版的 Pentacam 数据集"。
不对。它不是 Pentacam 数据的非洲版本，而是另一台设备（Orbscan 3）在非洲采集的数据。设备与人群同时不同，不是单一变量的替换。
误解 2：既然标注了分割，就可以直接做像素级病变定位。
cornorb 没有分割标注。每只眼只有一张图的分类标签（label），以及四张整图。任何"病灶掩膜"都不存在，需要自己做弱监督定位。
误解 3：图像是 560×560，比 224×224 大，所以信息更丰富。
尺寸大不代表信息多。它保留了报告图的版式与叠加元素，这些是"干扰信息"而非"诊断信息"。真正的诊断信息集中在中央的圆形地形区域，四角的大片背景反而是噪声。
误解 4：CC-BY-NC 只是"最好别商用"，用了也没事。
NC 是许可的核心限制条款，违约使用在多数司法辖区构成侵权。企业使用务必先法务确认。
误解 5：1,454 只眼比 3,162 眼小，所以 cornorb 不如 pentacam-kc。
规模不是唯一维度。cornorb 有图、有协议、有模态组合；857 有参数深度、有分期标签、有 CC0。两者是不同工具，不是大小关系。
误解 6：数据是 2026 年发布的，所以很新很稳定。
新发布意味着引用生态尚未成熟、版本可能变动、第三方复现很少。用新数据集做研究，要做好"自己是第一批验证者"的准备，也要在论文里写明版本与日期。
附录 J：二次开发路线图（非官方建议）
这一节是给打算在 cornorb 上做长期工作的团队的一份粗略路线，不构成任何官方推荐。
阶段一（1–2 周）：建立可信基准
- 完成 §7.6 的七步骨架，拿到纯表格、单图、四图三个基准数字；
- 做一次去重与口径核查，确认 1,454 / 1,407 的差额；
- 报告四图各自的单图性能，判断哪张图贡献最大。
阶段二（2–4 周）：多模态融合
- 比较早期融合、晚期融合、跨模态注意力三种策略；
- 做图像掩膜消融（裁掉数值叠加区），量化捷径风险；
- 按性别分层报告，检查偏倚。
阶段三（1–2 月）：外部验证
- 找一份 Pentacam 平台的数据（857 的 CC0 版本可作候选，但要注意其设备口径疑问）；
- 做色彩归一化 + 域适应，量化跨设备性能衰减；
- 若衰减过大，说明模型学到的是设备指纹而非形态。
阶段四（长期）：从"检测"到"早期筛查"
- 这一步需要新的数据：含顿挫型、亚临床、边界性病例的队列；
- cornorb 在这个过程中扮演的是"干净负类与明确正类的锚点"，而不是全部训练数据。
一句提醒：路线图里最容易被跳过、也最不该跳过的是阶段二的掩膜消融。如果模型真的在偷看报告上的数字，后面所有结论都建立在沙子上。
附录 K：术语表
| 术语 | 英文 | 释义 |
|---|---|---|
| 圆锥角膜 | keratoconus, KC | 角膜局部变薄前凸的进行性扩张性疾病 |
| 角膜地形图 | corneal topography | 测量角膜表面形貌的成像技术 |
| 角膜断层 | corneal tomography | 测量角膜三维结构的成像技术（含后表面与厚度） |
| 轴向曲率 | axial curvature | 沿视轴方向的角膜曲率，单位 D |
| 高度图 | elevation map | 相对最佳拟合球面的高度偏差，单位 mm |
| 最佳拟合球 | best-fit sphere, BFS | 与角膜前表面最贴合的参考球面 |
| 角膜厚度 | pachymetry | 角膜前后表面间距，单位 μm |
| 非球面性 | asphericity, Q | 角膜表面偏离球面的程度，无量纲 |
| 顿挫型 | forme fruste KC | 亚临床、形态学异常但未达诊断标准 |
| 亚临床 | subclinical KC | 影像已异常但常规检查未诊断 |
| 角膜交联 | corneal cross-linking, CXL | 用核黄素 + 紫外光增强角膜强度的治疗 |
| 患者级划分 | patient-level split | 同一患者的所有样本只落在一个分区 |
| 捷径学习 | shortcut learning | 模型利用与任务无关的伪相关特征 |
| 域偏移 | domain shift | 训练与部署数据分布不一致 |
| 平衡准确率 | balanced accuracy | 各类召回率的平均，抗不均衡 |
附录 L：版本与勘误记录
| 日期 | 事项 | 说明 |
|---|---|---|
| 2026-06-04 | Zenodo 记录更新 | 引入 split_80_20 与 fold，对应论文的 updated release |
| 2026（具体日期未标注） | Data 11(9):227 正式发表 | MDPI 开放获取，DOI 10.3390/data11090227 |
| 2026-10-17 | 本条目初稿 | 代理 agent-d-cornorb 依据 Zenodo 记录页与 Data 论文撰写 |
勘误渠道：本条目若有事实错误，以 Zenodo 记录页与论文原文为准进行更正。凡涉及数字的修改，须在 §9.9 遗留疑点表中同步更新状态。
附录 M：给审稿人与读者的数据核验清单
如果你要在稿件里引用 cornorb，下列事实建议逐项核对后再写：
- [ ] 规模写"744 名患者，1,454 只眼"，不要写成"1,454 名患者"
- [ ] 类别写"889 正常 / 565 圆锥角膜"，不要写成"1,454 例中约半数"
- [ ] 图像写"每眼四张 560×560 PNG"，不要写成"每眼一张地形图"
- [ ] 设备写"Bausch & Lomb Orbscan 3"，不要简写为"角膜地形图仪"
- [ ] 划分写"患者级 80/20 + 训练集内 5 折"，不要写成"随机划分"
- [ ] 许可写"CC-BY-NC 4.0"，不要写成"开放许可"或"CC0"
- [ ] 版本写"Zenodo 10.5281/zenodo.20542091"，不要引用预印本 DOI
- [ ] 任务写"明确病例二分类"，不要写成"圆锥角膜筛查"
- [ ] 局限至少写一条：“不含亚临床/顿挫型病例”
- [ ] 若与 pentacam-kc 并列提及，必须说明设备与图种不同
这份清单不是形式主义。医学影像数据集在论文里被误述的案例里，绝大多数不是造假，而是口径漂移——第一篇文章写"1,454 例"，第二篇抄成"1,454 人"，第三篇变成"1,454 名患者的筛查研究"。清单的作用是把漂移摁在源头。
- 维护触发点：① Zenodo 若发布新版本（补原始矩阵或分期标签）→ 修订 §6.3、§9.2、§10.4；② 论文若在期刊页更新作者列表或勘误 → 修订 §3.1；③ 若出现公开的官方基线或 benchmark → 补写 §7.1 与 §7.4；④ 若库内新增其他 Orbscan 平台条目 → 回填 §8 家族导航与 relatedLink；⑤ 若 pentacam-kc（857）的互链变更 → 同步复核本条目的 two-way 链接。
- 取证方法：以 Zenodo 记录页（DOI 10.5281/zenodo.20542091）为数据事实权威源，以 Data 2026, 11(9):227 为技术细节权威源，arXiv 2603.21245 仅作版本痕迹佐证。所有数值均可在这三处或 CSV 本身复核。
- 并发与锁存照：本条目由代理
agent-d-cornorb执行。开工三查：.lock不存在，由本代理创建（agent-d-cornorb 2026-10-17T11:05）；私有分片区为writing/cornorb/.parts_agent-d-cornorb_1792206320_1382395/（含时间戳与 PID 唯一标识，符合 R008）；开工时ps aux | grep -c "[c]odebuddy"计数为 6；私有区 10 秒 md5 稳定性采样无变动。slug 查重：DB 无cornorb，writing/无同名目录，dedup_gate 命中的两条分别是"writing/ 已有成稿目录"（本代理自建）。库内近邻corn-nerve(894) 与pentacam-kc(857) 均非同一数据集，不构成撞库。 - 条目责任：本条目为千方病案医数集（qianfanghub.com）AI-Ready Wikipedia 条目，代理
agent-d-cornorb，slugcornorb。所有事实以 Zenodo 记录页与 Data 论文为权威口径，arXiv 预印本与第三方引用仅作版本与生态佐证。
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：
- rfmid — 共享标签：眼科影像 / 图像分类
- oct2017 — 共享标签：眼科影像 / 图像分类
- brset — 共享标签：眼科影像 / 图像分类
- octdl — 共享标签：眼科影像 / 图像分类
- pentacam-kc — 共享标签：眼科影像 / 图像分类
- harvard-gdp — 共享标签：眼科影像 / 图像分类 / 多模态
- neh-ut-oct — 共享标签：眼科影像 / 图像分类
- rop-vl — 共享标签：眼科影像 / 图像分类 / 多模态
- odir — 共享标签：眼科影像 / 图像分类
- padchest — 共享标签：图像分类 / 多模态
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。
