CRADI — 多中心多机构胸部平片 25 征象弱监督标注数据集

INFOBOX — CRADI 一屏速览

维度	内容
本质	上海两所学术医院 + 8 家社区门诊的多中心胸片多标签数据集（真实世界临床流 + 筛查流混合）
团队	上海市第六人民医院、上海市第一人民医院、卫宁健康、格罗宁根大学；通讯 Xueqian Xie
论文	Communications Medicine 1:43 (2021)，doi:10.1038/s43856-021-00043-x
数据	84,012 例 PA 胸片：训练 74,082（六院）+ 测试 9,930（一院 8,126 + 社区 1,804）
标签	25 个异常征象（Fleischner 词汇表），BERT NLP 从中文报告抽取+医师校验
方法	Inception-v4（ImageNet 预训练）+ 加权 BCE + 每标签 5 模型集成
内部成绩	平均 AUC 0.958 ± 0.027（五折分层交叉验证）
外部成绩	有症状 0.866 / 筛查 0.891 / 社区门诊 0.796——社区门诊 6 个征象反超本地医师
最强/最弱	胸腔积液 0.988 vs 肺结节 0.698
获取	测试集+标签 Zenodo 公开直链（14.6 GB）｜训练集申请制（伦理批准）
许可	Zenodo 元数据 CC BY（限科学用途）｜训练数据闭门
库内互链	rsna-pneumonia / chexpert-plus / PadChest / Montgomery-TB / Shenzhen-TB / ChestX-Det10

CRADI（Chest Radiograph at Diverse Institutes）是一个回答「同一套胸片 AI 换个医院还能不能用」的数据集：它把上海市第六人民医院 74,082 张回顾性胸片作为训练域，把上海市第一人民医院的门诊、住院与筛查人群以及 8 家社区门诊的 9,930 张胸片作为三个性质迥异的外部测试域，每张片子配 25 个按 Fleischner 词汇表定义的异常征象标签。标签不是人工逐例盲审出来的，而是用 BERT 从原始中文诊断报告里自动抽取、再由放射科医师校验的弱监督产物——这使它成为「NLP 弱监督标注 + 多中心外部验证」组合的中文胸片代表样本。

它最有价值的发现不是模型分数，而是方向性反差：模型在学术医院比本地放射科医师略逊（21/25 征象无显著差异、4 个更差），但在社区门诊反而有 6 个征象显著优于本地医师（p<0.001）——基层阅片者的水平缺口，恰好是 AI 最能补的那一块。这个结论让 CRADI 超出了「又一个胸片数据集」的范畴，成为国内分级诊疗语境下讨论 AI 落地的常引证据。

导语读法三则：

1. 只想下数据：直奔 §6——Zenodo 测试集公开直链，但注意训练集 74,082 张图像不公开，拿到手的是 9,930 张测试图 + 84,012 行标签。
2. 关心多中心验证方法学：直奔 §5 三个外部队列的成绩与对照设计——这是全文最硬的部分。
3. 关心弱监督标注：直奔 §3 标注管线——BERT 抽取中文报告的流程与坑（结节 AUC 仅 0.698）都在那里。

§0 导读：这个数据集解决什么问题

胸片是全球检查量最大的影像项目，也是 AI 论文最密集的战场：NIH ChestX-ray14、CheXpert、MIMIC-CXR、PadChest 各自贡献了数万到数十万张的多标签标注。但这些名仓有一个共同盲区——它们几乎都来自单一大型学术中心。一个在 NIH 数据上 AUC 0.9 的气胸模型，到了设备不同、人群不同、技师摆位习惯不同的另一家医院，成绩可以掉出一大截，这叫域偏移（domain shift）；更麻烦的是，几乎没有公开数据集能告诉你「掉出来的那一截，在基层诊所里有多大」。

CRADI 的设计正面回应这两个缺口。第一，它刻意把「数据来源」做成了数据集的一个字段：训练集来自上海一家三甲医院的有症状患者流（阳性率 55.0%），测试集则横跨另一家三甲的有症状患者（44.8%）、同院健康筛查人群（9.7%）和 8 家社区门诊的老年患者（44.5%，平均年龄 69.1 岁）——四种 clinical context 天然构成了一个现成的域偏移实验台。第二，它的标签体系全部采用 Fleischner 词汇表（国际胸影像标准术语），25 个征象覆盖肺实质、纵隔主动脉、胸膜、胸壁四大解剖区，从气胸、胸腔积液这样的急症到 PICC 置管、起搏器这样的医源性征象都有，粒度比 ChestX-ray14 的 14 类更细。

方法上它押注了一条当时少有人走完全流程的路线：不做人工标注平台，而是让 BERT 读中文放射报告、抽实体建关系、再由医师把关，最后把 74,082 张片子的 25 维标签一次性产出。代价是结节类征象标签质量偏弱（外部 AUC 0.698，也是最容易被医师挑出差距的类别）；收益是标注成本近乎线性下降，且整条管线已在 Zenodo 开源（record 5335914）。

§0 读法三则：

1. 这个条目的核心矛盾是「规模换开放」：84,012 例的标签表全公开，但训练图像闭门——引用其规模数字与使用其公开部分时，务必区分「标签可得」与「图像可得」（§6）。
2. 全文硬数字以 PMC 论文（PMC9053275）与 Zenodo 记录页为双锚点；license 出现元数据（CC BY）与论文口径（科学用途）双表述，已在坑 2 存照。
3. 检索时注意 Zenodo 文件名拼作 CHARDI_test.zip——官方笔误，别当成另一个数据集（坑 4）。

§1 数据集速览：十问十答

Q1：CRADI 的「84,012 例」怎么拆？
四个 data_resource 桶：六院训练集 74,082（有症状患者，2014.02-2018.02 回顾性连续收集，阳性率 55.0%）；一院门诊+住院有症状 5,996（44.8%）；一院筛查人群 2,130（9.7%）；8 家社区门诊 1,804（44.5%）。后三桶共 9,930 例为外部测试。

Q2：每例包含什么？
一张后前位（PA）胸片 + 一行 25 列 0/1 标签。图像由 DCM 转 PNG、12-bit 灰度压到 8-bit、去除患者与机构标识；标签按 patientID 与图像关联，另带 data_resource 字段标来源桶。

Q3：25 个标签是什么？
按解剖分组：肺实质 12 个（实变/小实变/斑片状实变、结节、钙化、肿块、间质病变、空洞、肺门淋巴结肿大、肺气肿、肺水肿、支气管血管束增粗）；纵隔主动脉 4 个（心影增大、主动脉异常/纡曲/硬化）；胸膜 6 个（气胸、胸腔积液、胸膜增厚/粘连/钙化、胸膜异常）；胸壁 3 个（脊柱侧弯、PICC 置管、起搏器）。

Q4：标签谁标的、可靠吗？
三层：BERT 模型从中文诊断报告抽取语言实体与关系 → 知识图谱 + 规则/正则提取 25 征象 → 放射科医师校验。是弱监督（weak supervision），不是逐例双人盲审金标准；外部测试的参考标准另由两位资深医师（21 年、31 年经验）共识阅片承担。

Q5：模型考得怎样？
训练域内部五折平均 AUC 0.958 ± 0.027。外部三个队列分别 0.866（有症状）、0.891（筛查）、0.796（社区门诊）——社区门诊是明显短板。

Q6：和放射科医师比呢？
有症状队列 21/25 征象无显著差异（4 个更差：小实变、结节、钙化、PICC）；筛查队列 17/25 无差异；社区门诊 12/25 无差异、6 个显著更好（肺门淋巴结肿大、支气管血管束增粗、心影增大、主动脉异常、主动脉纡曲、胸膜异常，p<0.001）。

Q7：哪个征象最难？
肺结节：外部 AUC 0.698，是 25 类中唯一低于 0.7 的，也是医师对照中反复「输」的类别——弱监督标签对边界模糊的小结节最不友好。

Q8：训练数据我能拿到吗？
不能直接下。74,082 张训练图像不公开（含患者身份信息），需联系通讯作者并取得数据提供方伦理批准。公开直链的是 Zenodo 测试集（图像 14.6 GB + 标签 xlsx）。

Q9：Zenodo 上到底放了多少东西？
record 5493595：CHARDI_test.zip（14.6 GB）+ CHARDI_label.xlsx（7.2 MB，84,012 行 25 列标签）；record 5335914：CRADI_x-ray_classification-master.zip（2.0 GB，训练/推理代码与演示）。

Q10：为什么它对 AI-Ready 重要？
它是「标签表全开放、图像分级开放」的典型样本：84,012 行标签 CSV 意味着数据分布与标注体系可完整审计，而图像层的申请制门槛则把一部分可复现性押后到伦理流程——这种结构对评估一个医疗数据集的真实可用半径非常有教学意义。

§2 数据构成与规格

2.1 四桶规模与人口学全景

CRADI 的全部结构都写在一个字段里：data_resource。取值 0-3 对应四个采集桶，规模与人口学如下（论文 Table 1，三源互证一致）：

data_resource	来源	图像数	男/女	平均年龄	年龄范围	阳性率
0	上海市第六人民医院（训练）	74,082	34,828 (47.0%) / 39,254 (53.0%)	50.0 ± 17.1	18–102	55.0%
1	上海市第一人民医院门诊+住院（有症状）	5,996	49.4% / 50.6%	52.6 ± 16.7	18–102	44.8%
2	上海市第一人民医院筛查人群	2,130	38.3% / 61.7%	34.5 ± 13.6	18–92	9.7%
3	8 家社区门诊（有症状）	1,804	37.3% / 62.7%	69.1 ± 14.0	21–101	44.5%

四个桶几乎是四个不同的人间：桶 0 是中年为主、男女均衡、过半有异常的专科医院就诊流；桶 2 是年轻女性偏多的健康筛查流（阳性率不足 10%）；桶 3 是平均 69 岁的老年社区患者。同一套模型在这四类人群上的表现差异，本身就是数据集最宝贵的「自带实验」。

2.2 图像规格与预处理

• 体位：全部为后前位（PA）胸片，每例一张
• 格式转换：DCM（DICOM）→ PNG；灰深 12-bit → 8-bit
• 去标识：所有患者与机构相关信息脱敏（具体脱敏方法论文未详述——遗留疑点）
• 分辨率：原始空间分辨率未在论文与 Zenodo 描述中给出统一数值，PNG 已统一尺寸处理（「transformed and resized」），精确像素规格需下载后实测——遗留疑点

2.3 标签表结构

标签以 xlsx/CSV 形式分发（CHARDI_label.xlsx，7.2 MB），每行结构：

| patientID | data_resource | label1 | label2 | ... | label25 |

• patientID 关联图像文件；data_resource 取值 0/1/2/3（对应 §2.1 四桶）
• 25 列顺序由 Zenodo 描述逐一定死（见 §3.1 完整清单）——复现时不要凭记忆排列，直接按官方顺序对齐
• 「阳性例」定义：25 征象中至少一项为 1（论文口径的 Positive case 55.0% 即由此而来）

2.4 采集时间窗

训练桶为 2014.02–2018.02 回顾性连续收集（连续收集意味着无选择性抽样，这一点在方法学上值钱）。外部三个桶的采集时间窗论文未逐条披露——遗留疑点。

2.5 与库内其他胸片集的规格对照

数据集	规模	中心数	标签方式	公开度
CRADI	84,012	2 学术医院 + 8 社区	NLP 弱监督 25 类	测试图公开 + 标签全开
ChestX-ray14	112,120	1	NLP 弱监督 14 类	全公开
CheXpert	224,316	1（斯坦福）	规则 NLP 14 类	申请制
PadChest	160,868	1（西班牙）	医师+AI 混合 174 类	申请制（BIMCV）
MIMIC-CXR	377,110	1（Beth Israel）	NLP 报告抽取	PhysioNet 认证制

CRADI 的差异化筹码不在规模，而在单数据集内的中心异质性：上表其余成员都是单中心仓，要做域偏移实验得跨数据集拼装（标签体系还不通用）；CRADI 把四个域装进了同一个标签体系。

§3 任务与标注体系

3.1 25 征象官方清单与顺序

Zenodo 记录页给出了 25 标签的官方排列顺序（复现时必须按此对齐列序）：

1. pneumothorax（气胸）
2. emphysema（肺气肿）
3. pulmonary parenchymal calcification（肺实质钙化）
4. PICC implant（PICC 置管）
5. aortic unfolding（主动脉纡曲）
6. aortic arteriosclerosis（主动脉硬化）
7. aortic abnormalities（主动脉异常）
8. small consolidation（小实变）
9. cardiomegaly（心影增大）
10. patchy consolidation（斑片状实变）
11. consolidation（实变）
12. cavity（空洞）
13. mass（肿块）
14. prominent bronchovascular marking（支气管血管束增粗）
15. pulmonary edema（肺水肿）
16. pulmonary nodule（肺结节）
17. hilar adenopathy（肺门淋巴结肿大）
18. pleural effusion（胸腔积液）
19. pleural thickening（胸膜增厚）
20. pleural adhesion（胸膜粘连）
21. pleural calcification（胸膜钙化）
22. pleural abnormalities（胸膜异常）
23. scoliosis（脊柱侧弯）
24. pacemaker implant（起搏器植入）
25. interstitial involvement（间质病变）

按解剖分区归组：肺实质 12 个、纵隔/主动脉 4 个、胸膜 6 个、胸壁/医源性 3 个。术语全部取自 Fleischner 词汇表（Fleischner Society Glossary of Terms for Thoracic Imaging）——这是国际胸影像学界通行的标准术语体系，使 CRADI 的标签可与英文文献体系直接映射。

3.2 标注管线：BERT + 知识图谱 + 医师校验

CRADI 的标注不是「放射科医师看片打勾」，而是「报告先行」的弱监督流水线：

原始中文诊断报告（74,082+ 份）
        │
        ▼
BERT 模型：抽取语言实体与关系
（征象术语、部位、程度、否定/疑似修饰）
        │
        ▼
知识图谱构建 + 规则/正则提取
（25 征象术语归一化到 Fleischner 词汇）
        │
        ▼
逐例 25 维 0/1 标签草稿
        │
        ▼
放射科医师校验（radiologist expertise）
        │
        ▼
最终标签表（patientID × 25 列）

方法学要点：

• 语言：原始报告为中文，BERT 在中文临床文本上抽取——这是该管线相对 CheXpert（英文规则模板）的主要技术差异
• 修饰语处理：否定、疑似、既往史等修饰关系由 BERT 关系抽取承担（论文正文未给出抽取精度/召回的定量报告——遗留疑点，见坑 3）
• 医师角色：校验而非重标，具体抽查比例与修正幅度论文未披露

3.3 外部测试的参考标准

外部验证不以 NLP 标签为真值，而是由两位资深放射科医师（21 年与 31 年经验）共识阅片（consensus reading）独立建立参考标准——这是论文外部结论可信度的支点。也就是说：训练标签的噪声水平由「NLP vs 报告」决定，而评测的分数由「模型 vs 医师共识」决定，两者解耦。

3.4 标签质量的间接证据

弱监督的成色可以直接从外部 AUC 的分项分布反推：

• 高置信征象（标签形态学特征明显、报告表述规范）：胸腔积液 0.988、肿块 0.977、气胸 0.963、实变 0.900
• 低置信征象（边界模糊、报告措辞分歧大）：肺结节 0.698、小实变（医师对照中显著更差的四类之一）
• 规律清晰：报告里写得越格式化的征象，标签越准——凡是用固定术语陈述的存在/缺失类发现都表现好；凡是依赖测量、形态细节或主观程度的发现（结节大小、小实变范围）都偏弱

3.5 任务定义

• 输入：一张 8-bit PNG PA 胸片
• 输出：25 维多标签向量（每维 0/1）
• 官方任务：multi-label classification；论文同时生成了热图（heatmap）作为可解释输出（Zenodo 代码包含 heatmap 生成模块）
• 注意：无分割、无定位框标注——需要检测框的任务应转向库内 ChestX-Det10 或 VinDr-CXR

§4 获取、许可与文件清单

4.1 Zenodo 两记录的分工

Zenodo 记录	DOI	内容	大小	公开度
record 5493595	10.5281/zenodo.5493595	CHARDI_test.zip（图像）+ CHARDI_label.xlsx（标签）	14.6 GB + 7.2 MB	公开直链
record 5335914	10.5281/zenodo.5335914	CRADI_x-ray_classification-master.zip（代码+演示）+ requirements.txt	2.0 GB	公开直链
训练数据	—	74,082 张原始训练图像	—	不公开，申请制

4.2 文件 md5（Zenodo 官方）

• CHARDI_test.zip：md5 d051b30f7f5e1ec3991f92d0f67011b9（14.6 GB）
• CHARDI_label.xlsx：md5 b9b3965faf0ce47101f09fa4512af501（7.2 MB）
• CRADI_x-ray_classification-master.zip：md5 0513962b87c72215872b0d1f7c125d07（2.0 GB）

4.3 许可结构

• 测试数据与代码：Zenodo/OpenAIRE 的 Datacite 元数据标注 CC BY；论文 Data availability 段的口径为「仅限科学用途」（scientific use only）。两种表述不矛盾（CC BY 兼容科学用途限定式阅读），但严格条款以 Zenodo 记录页实际展示为准——坑 2 存照
• 训练数据：不公开。论文原口径：因含患者身份信息，需联系通讯作者并取得数据提供方（数据出借机构）的伦理批准——「申请制」而非「请求即得」，审批周期与材料清单无公开说明
• 论文本体：Communications Medicine 为 Nature Portfolio 开放获取期刊

4.4 获取决策树

你要做什么？
├── 引用数据分布/做元分析
│   └── 只需 CHARDI_label.xlsx（7.2 MB，84,012 行 × 25 列）
├── 训练/评测多标签分类模型
│   ├── 1) 下载 CHARDI_test.zip（14.6 GB）
│   ├── 2) 用 data_resource 字段切分三个外部域
│   └── 3) 复现/对标论文 Inception-v4 基线（代码在 record 5335914）
├── 研究域偏移/中心异质性
│   └── 桶 0 vs 桶 1/2/3 对比设计（注意桶 0 无公开图像，见坑 1）
├── 需要 74,082 张训练图像
│   └── 邮件通讯作者（Xie Xueqian，上海一院）+ 伦理批准，先发使用方案
└── 只要热图可解释性演示
    └── record 5335914 代码包自带 heatmap 生成模块

4.5 版本链与维护状态

• Zenodo v1（2021-09-09）发布至今未见 v2 或更新记录
• 数据集方在描述页公开欢迎数据贡献（「We welcome more data into the CRADI dataset」），但 2021 年后无公开的扩容记录
• 代码包 requirements.txt 停留在发布时点的依赖版本，复现需自行适配新环境（TensorFlow 1.x 时代代码）

§5 评估、基准与多中心验证结果

5.1 模型与训练协议

论文的 CNN 管线（同时开源在 record 5335914）：

• 骨干：Inception-v4，ImageNet 预训练，末端改为 25 维 sigmoid 输出
• 损失：加权二元交叉熵（weighted binary cross-entropy），应对 25 类间的高度不平衡
• 集成：每个征象独立训练 5 个模型，预测概率取平均
• 阈值：每征象以最大 F1-score 点定阈值
• 内部验证：74,082 例五折分层交叉验证（80%/20% 切分）

5.2 内部成绩

25 征象平均 AUC 0.958 ± 0.027——这是同域（训练=测试分布）成绩，与所有单中心数据集的「漂亮数字」同性质，参考意义有限，真正的考卷在下面。

5.3 三个外部队列的域偏移实验

外部队列	例数	平均 AUC	特异度区间	与本地医师对照
一院有症状患者（桶 1）	5,996	0.866 ± 0.110	—	21/25 无显著差异；4 个更差
一院筛查人群（桶 2）	2,130	0.891 ± 0.147	0.919–0.974	17/25 无显著差异；结节更差
8 家社区门诊（桶 3）	1,804	0.796 ± 0.157	0.919–0.974	12/25 无差异；6 个更好；钙化更差

三个递进结论：

1. 跨院掉分有限：同为学术医院的有症状流（桶 0 → 桶 1），平均 AUC 只从 0.958 掉到 0.866——换一家医院不是灾难。
2. 人群切换≠域偏移：筛查流（桶 2）成绩反而高于有症状流（0.891），因为阳性率低、正常片占比高，任务实际更容易——解读外部成绩必须同时看阳性率。
3. 基层是真正的挑战区：社区门诊（桶 3）AUC 0.796，下降最大；但分项对照揭示了反转——

5.4 反超的六个征象：AI vs 基层医师

社区门诊队列中模型显著优于本地放射科医师的 6 个征象（均 p<0.001）：

征象	解读
肺门淋巴结肿大 hilar adenopathy	需要丰富经验鉴别的征象，基层漏报多
支气管血管束增粗	主观程度高，报告口径不一致
心影增大 cardiomegaly	可量化（CTR），模型稳定
主动脉异常	形态学清晰，模型强项
主动脉纡曲 aortic unfolding	同上
胸膜异常	大面积征象，模型易捕获

同期模型只在钙化一项显著更差。这组对照的公共卫生含义直接：基层医师的能力缺口集中在需要经验积累的鉴别项上，而这恰恰是大数据模型最擅长搬运的知识。

5.5 与医师共识的一致性

以「≥22/25 标签一致」为宽松一致性口径，三个队列与医师共识阅片的一致比例为 85.8%（有症状）/ 95.3%（筛查）/ 90.7%（社区）。注意该口径对 25 类中的 3-4 类分歧完全宽容，只宜作粗粒度参考。

5.6 分征象代表成绩

征象	AUC	档位
胸腔积液	0.988	最强
肿块	0.977	强
气胸	0.963	强
实变	0.900	中上
肺结节	0.698	全场最弱

5.7 第三方基准（2026）

2026 年 Springer LNNS 会议论文（Ikhzmane 等，DOI 10.1007/978-3-032-30563-3_14）把 CRADI 作为多病理检测基准，在 Kaggle 上复现管线，用未训练的 ResNet-18 探针测得 micro-AUC 0.683——即未经学习的特征提取器已能产生非随机判别，说明数据集信号可分性良好；同时该工作确认了 25 征象间视觉可分性差异巨大，与论文的单项 AUC 分布互相印证。这是目前可查到的唯一系统性第三方基准。

5.8 复现基线的实操提示

• 代码包基于 TensorFlow 1.x 时代的依赖（requirements.txt 221 字节），新环境复现需适配
• 评测时务必按 data_resource 分桶报告——合并四桶算单一 AUC 会把人群难度差异平均掉，掩盖域偏移信息
• 结节类（#16）建议单独报告，并注明弱监督标签的噪声属性

§6 机构、人物与血缘

6.1 参与机构

机构	角色
上海市第六人民医院（Shanghai Sixth People’s Hospital）	训练数据来源（Hospital-1），影像与临床协作
上海市第一人民医院（Shanghai General Hospital）	外部测试数据来源（Hospital-2）；通讯作者单位
卫宁健康（Winning Health Technology Group Ltd.）	AI 方法开发；Liu Mingqian、Jun Lan、Xu Chen 三人为其员工
格罗宁根大学（University of Groningen）	Geertruida H de Bock；国际方法学合作
Rozemarijn Vliegenthart	胸影像专家（作者 8；单位文中未详列，通常关联格罗宁根大学医学中心——遗留疑点）

6.2 作者与分工

• 共同第一作者：Yaping Zhang、Mingqian Liu
• 通讯作者：Xueqian Xie（上海市第一人民医院）
• 其余作者：Shundong Hu、Yao Shen、Jun Lan、Beibei Jiang、Geertruida H de Bock、Rozemarijn Vliegenthart、Xu Chen
• 利益冲突设计：企业作者（卫宁健康）参与 AI 方法开发与技术写作，但不参与研究设计与测试数据分析——一个值得库内其他产研合作数据集参照的边界划分样板

6.3 资助

国家自然科学基金（82001809、81971612、81471662）；上海市浦东新区科技发展基金；科技部国家重点研发计划（2016YFE0103000）。

6.4 时间线

时点	事件
2014.02–2018.02	六院训练数据回顾性连续收集
2021-08	Zenodo record 5335914 发布（代码+演示，2.0 GB）
2021-09-09	Zenodo record 5493595 发布（测试数据 v1，14.6 GB）
2021-10-28	Communications Medicine 1:43 上线（doi:10.1038/s43856-021-00043-x）
2026	第三方 LNNS 基准发表（未训练 ResNet-18 探针）

6.5 论文与数据集的命名一致性

论文标题不含「CRADI」字样（正文以 chest radiograph at diverse institutes 小写指代），数据集名 CRADI 主要活在 Zenodo 记录名与 OpenAIRE 索引中——检索时两种关键词都要试。库内 slug 取 cradi。

§7 局限与批判性阅读

7.1 弱监督的天花板

NLP 标签的天花板由两个环节决定：报告质量与抽取精度。CRADI 的报告来自真实临床流（含大量简写、口语化表述），BERT 抽取精度未见定量报告；结节类 0.698 的外部 AUC 是这一天花板的直接显影。结论：把 CRADI 当训练/基准集用可以，把它当解剖金标准不行——需要像素级或框级真值的研究应转向库内 ChestX-Det10（框标注）或 chexmask 系列。

7.2 图像可得性的三六九等

84,012 例中图像公开的仅为外部测试子集（9,930 例量级，Zenodo 描述未逐桶确认包内构成——遗留疑点）。这意味着外部研究者无法做「在 CRADI 训练桶上从头复现」的完整复现实验，只能做「公开测试集上的迁移评测」。引用其规模数字时必须同时披露这一半径。

7.3 阳性率即难度

桶 2 筛查流 AUC 0.891 高于桶 1 的 0.866，主因是阳性率 9.7% vs 44.8%——正常片多，多数标签天然为 0，AUC 被抬高。跨队列比较时建议同时报告 PR-AUC 或分征象敏感度/特异度，论文报告了特异度（0.919–0.974）但未报 PR-AUC。

7.4 单一城市、单一国家

所有中心都在上海——「diverse institutes」的多样性是机构层级与医疗层级（三甲 vs 社区）的多样性，不是地理/人种/设备厂商层级的多样性。跨人群泛化结论不可过度外推。

7.5 人口学变量稀薄

标签表只有 patientID、data_resource 与 25 个 0/1 列，无年龄/性别字段；年龄与性别分布仅见于论文 Table 1 的群体统计。个体级公允性亚组分析（fairness subgroup analysis）无法开展——这是 AI-Ready 评分中元数据维度的明显失分项。

§8 生态位与库内互链

8.1 在胸片数据集谱系中的位置

CRADI 占据一个库内尚无他者占据的生态位：同一标签体系内的多中心（含基层）对照。库内已有胸片条目覆盖了别的维度——规模（chexpert-plus、mimic-cxr-jpg）、标注深度（ChestX-Det10）、单病种深挖（tbx11k、Shenzhen-TB、Montgomery-TB）、多模态报告（chest-imagenome、ct-chat 邻域）——但没有一个把「三甲 vs 筛查 vs 社区门诊」装进同一个 25 类标签表。

8.2 建议互链点（库内条目 + rid）

库内条目	互链理由
rsna-pneumonia	同为胸部平片多标签/多病灶判读任务；RSNA 竞赛口径 vs 临床弱监督口径的方法论对照
chexpert-plus	报告文本+NLP 抽取标签管线的英文平行样本（规则模板 vs BERT 中文抽取）
PadChest	欧洲单中心多标签大仓，174 类标签体系与 25 类 Fleischner 子集可映射
ChestX-Det10	框级人工标注与 CRADI 弱监督标签互补；结节/实变等征象可交叉验证
Montgomery-TB / Shenzhen-TB	多机构临床情境胸片采集的早期先例（马里兰×武汉双中心）
tbx11k / TBX11K	胸片多病变标注体系扩展参照
chest-imagenome	MIMIC-CXR 的解剖结构级标注，标签粒度上探方向
bimcv-covid	多中心胸部影像+文本配对，NLP 管线互链
radgraph	放射报告 NLP 抽取工具基准，CRADI 管线的方法学近亲
mimic-cxr-jpg	英文世界最大胸片+报告仓，弱监督标签分布对照

8.3 方法论辐射

CRADI 的可复制资产有三件：

1. BERT 中文报告→Fleischner 词汇的映射管线：任何持有中文放射报告库的机构可低成本复制（代码开源在 record 5335914）
2. 四桶 data_resource 设计：把「数据来源」升格为第一类字段，使域偏移实验成为数据集自带功能——这个设计模式可平移到任何多中心影像仓
3. 医师对照的外部验证设计：不只报 AUC，还逐征象与本地医师做显著性对照——这套「模型 vs 人类」的分项报告法适合作为基层 AI 评估模板

§9 使用指南：从下载到出分

9.1 最短路径（评测复现）

1. 下载 CHARDI_label.xlsx（7.2 MB）→ 读 84,012 行分布
2. 下载 CHARDI_test.zip（14.6 GB）→ md5 校验 d051b30f...
3. 按 data_resource 切桶：只评桶 1/2/3（桶 0 无公开图像）
4. 载入你的模型（或 record 5335914 的 Inception-v4 演示权重）
5. 25 类逐类报告 AUC + 按 §5.3 三队列分列
6. 结节类（#16）单独注明弱监督噪声属性

9.2 标签列对齐清单

25 列顺序（§3.1）必须按 Zenodo 官方排列，尤其注意易错点：

• 第 4 列是 PICC（医源性），不是任何解剖征象
• 第 8 列小实变与第 11 列实变是两个独立标签（粒度不同，勿合并）
• 第 14 列支气管血管束增粗（prominent bronchovascular marking）是独立征象，不归入间质病变（第 25 列）
• 三个主动脉标签（5/6/7）互斥性未官方定义，重叠计数属正常

9.3 报告规范建议

引用 CRADI 成绩时建议的三行式：

CRADI 外部验证（Commun Med 2021;1:43）：
- 有症状队列 n=5,996，平均 AUC 0.866±0.110
- 筛查队列 n=2,130，平均 AUC 0.891±0.147
- 社区门诊 n=1,804，平均 AUC 0.796±0.157（6/25 征象优于本地医师）

§10 坑点清单

坑 1：把「84,012 例全量图像公开」写进你的论文/文档。
事实：图像公开的只有 Zenodo 测试包；74,082 张训练图像闭门申请制。标签表是全量的（84,012 行），图像不是。两句话要分着写。

坑 2：license 三种说法打架。
OpenAIRE/Datacite 元数据写 CC BY；论文正文说测试数据「仅限科学用途」；训练数据需伦理批准。成稿口径：元数据 CC BY + 科学用途限定 + 训练数据申请制，三句并存。别只抄 CC BY 了事。

坑 3：把弱监督标签当金标准。
25 标签由 BERT 从中文报告抽取+医师校验，无逐例盲审金标准，抽取精度未见定量报告。外部测试另有医师共识参考标准——评测可信，标签本体有噪声。结节 AUC 0.698 就是噪声的直接显影。

坑 4：检索/下载时被 CHARDI 拼写绊倒。
Zenodo 官方文件名是 CHARDI_test.zip、CHARDI_label.xlsx（数据集方笔误，应为 CRADI）。用「CHARDI」能搜到文件、用「CRADI」能搜到记录——两个拼写都要认识，且别误判成两个数据集。

坑 5：合并四桶算单一 AUC。
四个 data_resource 桶的人群与阳性率天差地别（55.0% vs 9.7%）。合并评测会把筛查流的「容易」平均进社区门诊的「难」，域偏移信息全部蒸发。评测必须分桶报告。

坑 6：把筛查队列高分读成「跨域鲁棒」。
桶 2 AUC 0.891 > 桶 1 的 0.866，主因是阳性率 9.7% 的任务更容易，不是模型更鲁棒。跨队列比较要同时报阳性率或 PR-AUC。

坑 7：标签列序自排。
25 列有官方固定顺序（Zenodo 描述明文给出）。第 4 列 PICC、第 8/11 列两种实变、第 14 列支气管血管束增粗——凭记忆重排必然错位，标签全错还不报错。

坑 8：直接跑 record 5335914 代码。
代码包是 TensorFlow 1.x 时代产物，requirements.txt 仅 221 字节。新环境直接 pip install 大概率依赖地狱，先做环境隔离与适配评估。

§11 FAQ（40 问精选）

Q1：CRADI 是缩写还是全称？
两者皆可：Chest Radiograph at Diverse Institutes 的缩写，Zenodo 记录名即用 CRADI；论文正文用小写全称。

Q2：数据是哪个国家的？
全部来自中国上海（两所三甲医院 + 8 家社区门诊）。

Q3：多少张图？
标签表 84,012 行（每例一张 PA 胸片）；图像公开部分为外部测试子集，训练图像闭门。

Q4：多少个标签？
25 个异常征象，0/1 多标签。

Q5：标签语言体系是什么？
Fleischner 学会胸影像标准术语的 25 项子集。

Q6：有 COVID 标签吗？
没有。数据采集止于 2018.02（训练桶），先于疫情；无新冠相关标注。

Q7：有儿科数据吗？
没有，年龄下限 18 岁。

Q8：图像分辨率是多少？
论文与 Zenodo 未给统一数值，仅说明 DCM→PNG、12-bit→8-bit、统一缩放；精确规格需下载实测。

Q9：是 DICOM 还是 PNG？
公开包内为 PNG（原始 DCM 不提供）。

Q10：有训练代码吗？
有，record 5335914（TensorFlow 1.x 时代，含 heatmap 生成）。

Q11：有预训练权重吗？
论文描述了每征象 5 模型集成，Zenodo 未单列权重文件；复现需自训或联系作者。

Q12：测试集有医师金标准吗？
外部测试的参考标准由两位资深医师（21/31 年）共识阅片建立，但共识标注本身未公开分发——公开包内只有 NLP 标签。

Q13：那公开标签和医师共识一致吗？
论文报告 ≥22/25 标签一致比例 85.8%/95.3%/90.7%（三队列），宽松口径下高度一致。

Q14：哪个征象最不可靠？
肺结节（外部 AUC 0.698，全场最低）。

Q15：哪个最可靠？
胸腔积液（0.988）。

Q16：训练数据怎么申请？
联系通讯作者 Xueqian Xie（上海市第一人民医院），附使用方案，并取得数据提供方伦理批准。无公开申请表格与承诺时限。

Q17：能用于商业项目吗？
测试数据口径为科学用途（元数据 CC BY 但有限定阅读），商业使用应先与作者确认。

Q18：citation 该引什么？
引 Communications Medicine 论文（doi:10.1038/s43856-021-00043-x）+ Zenodo DOI（10.5281/zenodo.5493595）双引。

Q19：CHARDI_test.zip 里的图对应哪几桶？
Zenodo 描述未逐桶明示（「Data will be released after anonymization」）；从命名（test）与体量推断以三个外部队列为主——精确构成需下载实测，属遗留疑点。

Q20：patientID 能跨数据集关联吗？
不能，仅为数据集内关联键，无外部映射。

Q21：有年龄性别列吗？
标签表没有；群体分布仅见于论文 Table 1。

Q22：能做分割或检测吗？
不能，无像素级/框级标注。相关需求转 ChestX-Det10、VinDr-CXR、chexmask 系列。

Q23：和 NIH ChestX-ray14 什么关系？
无血缘。CRADI 独立采集、独立标注；标签体系更细（25 vs 14）且多中心。

Q24：和 CheXpert 什么关系？
同为 NLP 弱监督多标签胸片集；CheXpert 英文规则模板、单中心申请制，CRADI 中文 BERT、多中心、测试集直链。

Q25：社区门诊是哪 8 家？
论文与 Zenodo 均未点名——遗留疑点。

Q26：数据集还在更新吗？
v1（2021-09）后无新版本；描述页声明欢迎数据贡献但无后续扩容公开记录。

Q27：有 leaderboard 吗？
无官方榜单；2026 年有第三方 LNNS 探针基线（micro-AUC 0.683）。

Q28：热图是什么？
论文用类激活热图可视化模型关注区，代码包含生成模块，属可解释输出而非标注。

Q29：BERT 用的是哪个版本？
论文未披露模型规格细节（中文 BERT 系）——遗留疑点。

Q30：报告是中文的吗？
是，原始诊断报告为中文，抽取管线面向中文临床文本。

Q31：可以只下标签不下图吗？
可以，CHARDI_label.xlsx 仅 7.2 MB，独立下载。

Q32：一个患者多张片吗？
官方口径每例一张 PA 位；同一 patientID 是否多次就诊论文未述——遗留疑点。

Q33：阳性率怎么算的？
25 征象至少一项为 1 的病例占比（55.0%/44.8%/9.7%/44.5%）。

Q34：五折交叉验证怎么切的？
训练桶内 80%/20% 五折分层交叉验证（按病例分层）。

Q35：为什么用 Inception-v4？
2020-2021 年论文时点的成熟选择；架构本身非贡献点，换成现代骨干应可提升。

Q36：能报参赛/比赛吗？
数据集方欢迎数据贡献与研究使用，无竞赛条款；商业竞赛需自行确认授权。

Q37：与 PadChest 怎么选？
要中心异质性与基层场景选 CRADI；要标签广度（174 类）与报告配对选 PadChest。

Q38：AI-Ready 评分大概什么水平？
可发现性好（论文 OA + Zenodo 索引）、可获取性中上（测试直链/训练申请制）、可互操作性好（PNG+CSV 标准格式）、元数据中等（缺个体人口学）、可持续性中（v1 后静默）。

Q39：引用规模时的规范句式？
「84,012 例 PA 胸片（标签全量公开），25 个 Fleischner 征象 NLP 弱监督标注，测试集 Zenodo 公开（doi:10.5281/zenodo.5493595）」。

Q40：这个数据集最大的独特价值一句话？
用一套标签表把「三甲—筛查—社区」四级医疗场景装进同一个数据集，使 AI 在分级诊疗体系中的落差与补偿第一次可以被直接测量。

§12 事实清单（全数字自证）

数字	值	来源
总例数	84,012	PMC Table 1 各桶加和 + Zenodo 描述
训练桶	74,082（阳性率 55.0%）	PMC Table 1 + Zenodo 描述
外部桶 1/2/3	5,996 / 2,130 / 1,804	PMC Table 1 + Zenodo 描述
外部合计	9,930	加和
标签数	25（Fleischner 词汇）	Zenodo 描述 + 论文
内部平均 AUC	0.958 ± 0.027	PMC 论文结果节
外部 AUC（三队列）	0.866 / 0.891 / 0.796	PMC 论文结果节
最强/最弱征象	胸腔积液 0.988 / 肺结节 0.698	PMC 论文结果节
社区门诊反超数	6/25（p<0.001）	PMC 论文结果节
特异度	0.919–0.974	PMC 论文结果节
≥22/25 一致比例	85.8% / 95.3% / 90.7%	PMC 论文结果节
训练桶年龄	50.0 ± 17.1（18–102）	PMC Table 1
社区桶年龄	69.1 ± 14.0（21–101）	PMC Table 1
筛查桶年龄	34.5 ± 13.6（18–92）	PMC Table 1
CHARDI_test.zip	14.6 GB，md5 d051b30f7f5e1ec3991f92d0f67011b9	Zenodo 记录页
CHARDI_label.xlsx	7.2 MB，md5 b9b3965faf0ce47101f09fa4512af501	Zenodo 记录页
代码包	2.0 GB，md5 0513962b87c72215872b0d1f7c125d07	Zenodo 记录页 5335914
Zenodo v1 发布	2021-09-09	Zenodo 记录页
论文发表	Communications Medicine 1:43，2021-10（PMCID PMC9053275）	PMC + OpenAIRE
第三方基线	未训练 ResNet-18，micro-AUC 0.683	Springer LNNS 2026
资助	NSFC 82001809/81971612/81471662 等	PMC 论文资助声明
抓取时点	2026-10-13	本条目

§13 25 征象逐项释义与判读要点

下表按官方列序逐项给出 Fleischner 语境释义与判读要点，供评测分项分析与标签使用时对照。

#	官方英文	中文	解剖区	判读要点
1	pneumothorax	气胸	胸膜	脏层胸膜线+无血管带；大量时需评估张力征象；模型 AUC 0.963 属强项
2	emphysema	肺气肿	肺实质	肺野透过度增高、膈低平、血管稀疏；平片敏感度有限
3	pulmonary parenchymal calcification	肺实质钙化	肺实质	高密度边界锐利；肉芽肿常见；模型外部对照中偏弱
4	PICC implant	PICC 置管	胸壁/医源性	高密度导管影沿上腔静脉走行；尖端位置需评估
5	aortic unfolding	主动脉纡曲	纵隔	主动脉弓延长迂曲；老年与高血压常见；社区队列模型反超项
6	aortic arteriosclerosis	主动脉硬化	纵隔	壁内钙化；与 5 常共存
7	aortic abnormalities	主动脉异常	纵隔	桶 7 为兜底类，涵盖 5/6 之外的形态异常
8	small consolidation	小实变	肺实质	限于小叶/亚段的局部密度增高；模型外部对照中显著弱于医师
9	cardiomegaly	心影增大	纵隔	心胸比 CTR>0.5（PA 位）；可量化、模型稳定、社区反超项
10	patchy consolidation	斑片状实变	肺实质	多发斑片分布；与 8/11 为粒度三分，勿合并
11	consolidation	实变	肺实质	肺段/肺叶级均匀密度增高伴支气管气像；AUC 0.900
12	cavity	空洞	肺实质	实变/肿块内含气空腔；结核、脓肿、肿瘤均可
13	mass	肿块	肺实质	>3cm 边界清楚占位；AUC 0.977 强项
14	prominent bronchovascular marking	支气管血管束增粗	肺实质	主观性强的充血/炎症征象；报告口径分歧大；社区反超项
15	pulmonary edema	肺水肿	肺实质	蝶翼征、Kerley 线；心源性为主
16	pulmonary nodule	肺结节	肺实质	≤3cm 圆形影；全场最弱（0.698），弱监督标签噪声主要落点
17	hilar adenopathy	肺门淋巴结肿大	纵隔/肺门	肺门影增大分叶；经验依赖；社区反超项
18	pleural effusion	胸腔积液	胸膜	肋膈角变钝-大范围致密；AUC 0.988 全场最强
19	pleural thickening	胸膜增厚	胸膜	局部/弥漫胸膜影增厚
20	pleural adhesion	胸膜粘连	胸膜	胸膜幕状/条索影
21	pleural calcification	胸膜钙化	胸膜	沿胸壁的钙化斑；石棉暴露史提示
22	pleural abnormalities	胸膜异常	胸膜	桶 22 为兜底类，涵盖 18-21 之外的胸膜异常
23	scoliosis	脊柱侧弯	胸壁	脊柱侧向弯曲；骨性结构易判
24	pacemaker implant	起搏器植入	胸壁/医源性	心脏起搏导线与脉冲发生器影
25	interstitial involvement	间质病变	肺实质	网状/网格结节影；平片对早期间质病敏感度有限

判读要点提示：三个「桶类」（7/22）与医源性两项（4/24）说明标签体系兼顾了「兜底完整性」与「临床实操」——这在纯科研标签体系中少见，是从临床报告语料里长出来的标签体系的典型指纹。

§14 与同类弱监督胸片管线的横向对照

管线	报告语言	抽取方法	标签数	医师校验	报告精度
CRADI	中文	BERT 实体关系+知识图谱+正则	25	有（未报幅度）	未定量
CheXpert	英文	规则模板（NegBio 类）	14	无（不确定性类）	提供抽取器与不确定性标签
NIH ChestX-ray14	英文	规则 NLP（NVIDIA/Stanford 复核）	14	抽样人工复核	论文报告抽取精度
MIMIC-CXR	英文	CheXpert 标注器	14	无	提供逐标签精度
PadChest	西班牙语	医师+规则+AI 混合	174	有	论文报告

横向结论：CRADI 是表中唯一面向中文报告的 BERT 抽取管线，也是唯一把「医师对照式外部验证」内建到数据集发布里的样本。它的抽取精度未定量是明显短板；但它用三个外部队列的医师共识参考标准补上了「标签最终质量」的间接度量——这是别家没有的闭环。

§15 方法学启示：三件可以带走的资产

15.1 「data_resource 作为第一类字段」

大多数数据集把多中心性写成 README 里的一段话；CRADI 把它写进了每行的 data_resource 字段。带来的直接能力：任何使用者一行代码即可做分域评测、分域抽样、域适应实验。多中心数据集的建设者可直接复制这个模式。

15.2 「报告先行的标注经济学」

74,082 例人工逐例标注在传统流程下是数十万人年级别的医师工时；CRADI 用 BERT+校验把它压到可承受的规模，且管线开源。代价（标签噪声、结节失准）是透明的、可从外部 AUC 反推的。这组「成本-噪声」账本本身就是数据集工程的重要参考。

15.3 「模型 vs 本地医师」的分项对照法

论文最有传播力的图表不是 AUC 排行，而是逐征象的医师对照表：它把「AI 能替代谁」这种宏大问题拆成了 25 个可检验的命题。任何做多中心医疗 AI 评估的团队都值得复制这套报告格式。

附录 A：来源 URL 全录

来源	URL	用途
论文全文（PMC）	https://pmc.ncbi.nlm.nih.gov/articles/PMC9053275/	核心数字主源
论文 DOI	https://doi.org/10.1038/s43856-021-00043-x	引用
Zenodo 测试数据	https://zenodo.org/records/5493595	文件/标签顺序/license
Zenodo 代码	https://zenodo.org/record/5335914	代码包
OpenAIRE 索引	https://explore.openaire.eu/search/result?pid=10.5281/zenodo.5493595	CC BY 元数据口径
第三方基线	https://link-hkg.springer.com/chapter/10.1007/978-3-032-30563-3_14	2026 探针基准
PMC Table 1	https://pmc.ncbi.nlm.nih.gov/articles/PMC9053275/table/Tab1/	人口学表

抓取时点：2026-10-13（agent-a-cradi）。

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	论文开放获取（Nature Portfolio）+ Zenodo/OpenAIRE 双索引；但论文标题不含 CRADI 字样，双名检索有摩擦
A 可获取性	5	测试图像+标签公开直链、代码公开直链；训练图像（85% 体量）申请制且需伦理批准——最大失分项
I 可互操作	8	PNG+CSV/xlsx 标准格式、25 列顺序官方定死、data_resource 字段即插即用；无 DICOM 原始层微降分
M 元数据质量	6	论文 Table 1 群体统计完备；但标签表缺个体人口学列、抽取精度未定量、公开包构成未逐桶明示
S 可持续性	6	Zenodo 平台稳定 + md5 齐全；v1 后静默、代码依赖 TF 1.x 时代、机构依赖个人邮箱
综合评级	6.4/10（中上）	多中心设计与分域字段是亮点；图像可得性与个体级元数据是双重短板

附录 C：逐项证据链自证

关键数字	来源	位置
74,082 / 5,996 / 2,130 / 1,804	Zenodo 描述 + PMC Table 1 双源一致	PMC + Zenodo
阳性率 55.0/44.8/9.7/44.5%	PMC Table 1	PMC 全文
训练桶 2014.02–2018.02	PMC 方法节	PMC 全文
25 标签官方顺序	Zenodo 记录页描述	Zenodo 5493595
内部 AUC 0.958±0.027	PMC 结果节	PMC 全文
外部 AUC 0.866/0.891/0.796	PMC 结果节	PMC 全文
结节 0.698 / 积液 0.988	PMC 结果节	PMC 全文
社区反超 6 项 p<0.001	PMC 结果节	PMC 全文
医师 21/31 年共识	PMC 方法节	PMC 全文
CHARDI_test.zip 14.6 GB + md5	Zenodo 记录页	Zenodo 5493595
代码包 2.0 GB + md5	Zenodo 记录页	Zenodo 5335914
CC BY（元数据口径）	OpenAIRE/Datacite	OpenAIRE 页
训练数据申请制原文	PMC Data availability 节	PMC 全文
NSFC 三项资助号	PMC 资助声明	PMC 全文
探针 micro-AUC 0.683	LNNS 2026 摘要	Springer 页

附录 D：胸片数据集选型速查（含 CRADI）

需求	首选	备选	理由
中文临床语境多标签训练	CRADI（申请训练桶）	tbx11k	唯一中文报告弱监督大仓
分域/域偏移实验	CRADI	—	库内唯一自带四桶域字段的胸片集
框级/定位标注	ChestX-Det10	VinDr-CXR	CRADI 无空间标注
大规模单中心预训练	chexpert-plus / mimic-cxr-jpg	—	体量优先
标签广度（>100 类）	PadChest	—	174 类
单病种深挖（TB）	Shenzhen-TB / Montgomery-TB / tbx11k	—	结核专仓
报告结构化研究	chexpert-plus / chest-imagenome / radgraph	—	报告配对
快速评测可复现性	CRADI 测试集（直链+md5）	—	免注册直链

附录 E：术语表（中英对照）

术语	英文	释义
弱监督	weak supervision	标签由自动管线（NLP 抽取等）产出而非逐例人工盲审
多标签分类	multi-label classification	单样本同时预测多个独立二元标签
域偏移	domain shift	训练与部署数据分布不一致导致的性能衰减
外部验证	external validation	在与训练集独立的机构/人群上评测
后前位	posteroanterior (PA)	X 线从背到腹的标准胸片投照体位
Fleischner 词汇表	Fleischner Society Glossary	胸部影像国际标准术语体系
心胸比	cardiothoracic ratio (CTR)	心影最大横径/胸廓最大横径，>0.5 提示心影增大
肋膈角	costophrenic angle	膈与胸壁夹角，变钝提示胸腔积液
共识阅片	consensus reading	两名以上医师协商一致的参考标准建立方式
数据提供方	data provider	出借数据并行使伦理审批权的原始机构
基层医疗	primary care	社区门诊等一线医疗机构
分级诊疗	tiered healthcare delivery	按机构层级分流患者的医疗体系
知识图谱	knowledge graph	实体-关系结构化表示，此处用于报告语义归一
探针	probing	用未训练/冻结编码器测数据可分性的评测法
micro-AUC	micro-averaged AUC	全部样本合并计算的 AUC，不加权平均各类

附录 F：版本与维护记录

日期	事件
2021-08	Zenodo record 5335914（代码）发布
2021-09-09	Zenodo record 5493595（数据 v1）发布
2021-10-28	论文 Communications Medicine 1:43 上线
2026	第三方 LNNS 探针基线发表
2026-10-13	本条目成稿（agent-a-cradi，三源互证：PMC + Zenodo + OpenAIRE/LNNS）

附录 G：遗留疑点登记（交主会话存照）

1. CHARDI_test.zip 精确构成：包内图像对应哪几桶、与 9,930 例测试标签是否一一对应，Zenodo 元数据未明示；未下载 14.6 GB 实测。
2. BERT 抽取精度：论文未报告 NLP 管线的 precision/recall，标签噪声水平只能间接推断。
3. 8 家社区门诊身份：未点名。
4. Vliegenthart 单位：文中未详列，惯常关联格罗宁根大学医学中心，未逐字确证。
5. 图像统一分辨率：未公开统一数值，需下载实测。
6. 外部队列采集时间窗：论文未逐桶披露。
7. 同一 patientID 是否多次就诊：官方口径每例一张 PA，纵向性未说明。

附录 H：库内互链清单（发布侧取用）

slug	建议互链文案
rsna-pneumonia	竞赛口径胸片多标签任务的平行参照
chexpert-plus	英文规则 NLP 弱监督的对照管线
PadChest	欧洲单中心 174 类标签广度对照
ChestX-Det10	框级人工标注，弥补 CRADI 无空间标注的短板
Montgomery-TB	多机构胸片采集早期先例
Shenzhen-TB	中国临床情境结核专仓
tbx11k / TBX11K	胸片多病变标注扩展
chest-imagenome	解剖结构级标注上探方向
bimcv-covid	多中心影像+文本配对
radgraph	放射报告 NLP 工具基准
mimic-cxr-jpg	最大胸片+报告仓，弱监督分布对照
VinDr-CXR	越南多中心放射医师逐片标注，人工标注路线对照

（正文完）

§16 数据伦理与合规专章

16.1 脱敏与隐私层级

CRADI 把 84,012 例分成两个隐私层级处理，这个分层本身就是合规设计的教学样本：

层级	内容	处置	理由
可公开层	外部测试图像（PNG 去标识）+ 全量标签表	Zenodo 公开	图像内不再含患者与机构信息，重标识风险经评估可接受
闭门层	74,082 张训练图像	申请制 + 数据提供方伦理批准	原始层面仍可能含身份信息（DICOM 头、图像烙印、罕见病可识别性）

值得注意：标签表全量公开（84,012 行）而训练图像闭门，意味着外部研究者可以在「只读分布、不见图」的层面做完整的元分析——这是把「数据可用性」与「隐私风险」解耦的典型做法。

16.2 伦理审批与知情同意

• 训练数据为 2014-2018 回顾性收集，中国语境下回顾性影像研究的知情同意豁免由各中心伦理委员会裁定，论文未逐中心披露审批号——遗留疑点
• 外部测试的医师共识阅片属二次使用，论文未单独披露其审批路径
• 企业作者（卫宁健康）参与开发的利益冲突已做边界声明（不参与研究设计与测试数据分析），见 §6.2

16.3 商业主体参与公共数据集的边界

CRADI 是库内少见的「企业深度参与标注管线、公共机构持有与发布」结构。其对库内其他条目的可复制经验：

1. 企业的 AI 开发劳动以「方法贡献者」身份进入论文作者列，数据主权留在医院
2. 数据集发布走公共平台（Zenodo）而非企业渠道，避免商业绑定
3. 利益冲突声明采用「参与什么、不参与什么」的正面清单式写法，比笼统声明更可审计

16.4 二次使用合规清单

使用 CRADI 前自查：

[ ] 用途是否在「科学用途」限定内（论文口径）
[ ] 是否需要商业授权（如需要 → 先联系作者）
[ ] 训练图像申请：是否备妥使用方案 + 本机构伦理批件
[ ] 引用是否双引（论文 DOI + Zenodo DOI）
[ ] 报告成绩是否分 data_resource 桶
[ ] 是否注明标签为 NLP 弱监督而非人工金标准

§17 阳性率与标签分布的深度分析

17.1 阳性率作为难度变量

四个桶的阳性率（至少一项征象为 1 的比例）：

桶	阳性率	人群性质	对 AUC 的效应
0（训练）	55.0%	专科医院就诊流	—
1（外测）	44.8%	同级医院就诊流	与训练桶最接近，掉分最小
2（外测）	9.7%	健康筛查流	正例稀疏，AUC 抬高
3（外测）	44.5%	老年社区患者流	阳性率接近但年龄结构剧变，掉分最大

桶 2 与桶 3 的对比是最有教益的一组：阳性率 9.7% 的桶 2 成绩（0.891）反而好于阳性率 44.5% 的桶 3（0.796）——因为桶 2 的难度主要在「极少数真阳性里别漏」，而桶 3 的难度在「每个分布都变了」（年龄 +19 岁、设备与摆位习惯、共病谱）。阳性率相近但人群不同时，性能差异完全暴露，这正是桶 3 的价值。

17.2 年龄结构的三个世界

• 训练桶 50.0±17.1 岁——中年为主
• 筛查桶 34.5±13.6 岁——青年女性偏多（女 61.7%）
• 社区桶 69.1±14.0 岁——老年为主（女 62.7%）

同一模型面对的三套年龄分布几乎互不重叠。主动脉纡曲、主动脉硬化这类年龄强相关征象在社区桶必然高发，而筛查桶近乎空白——分桶评测时这些征象在桶 2 的样本量可能不足以支撑稳定估计，解读分项数字需谨慎。

17.3 性别构成

训练桶男女接近均衡（47.0%/53.0%），两个外测临床桶女性偏多（61-63%）。论文未做性别分层的性能分析——公平性评估是公开数据可做但原论文未做的延伸课题（标签表缺个体性别列，做不了个体级分析，只能群体级）。

17.4 标签共现的推测性说明

官方未公开逐标签边际分布（公开 xlsx 可自行统计，属使用者可复算项）。可从临床常识预判的高共现对：主动脉纡曲×主动脉硬化（5×6）、胸膜增厚×胸膜钙化（19×21）、肺气肿×间质病变（2×25）。这些均为推断而非实测，引用前请自行跑 xlsx 统计——本条目不作未经计算的断言。

§18 复现与延伸实验路线图

18.1 论文基线的忠实复现（难度：中）

1. 环境：Python 3.7 + TensorFlow 1.15（代码包原口径），或适配 TF2
2. 下载 record 5335914 代码包，读 requirements.txt（221 字节）
3. 数据：公开测试桶 1/2/3 + 演示数据
4. 训练桶图像缺失 → 用公开桶做迁移评测而非从头复现
5. 对标数字：外部 AUC 0.866 / 0.891 / 0.796

18.2 现代骨干替换实验（难度：低）

公开测试桶足以做「换骨干重评」：DenseNet-121、EfficientNet、ViT 等现代骨干在三个外测桶上的分项 AUC 与论文 Inception-v4 对照——这是公开数据就能产出的增量贡献点。

18.3 域适应实验设计（难度：中高）

源域：可用桶 1（与训练桶同为学术医院就诊流）
目标域：桶 3（社区门诊）
基线：直接迁移（预期平均 AUC ≈0.796）
方法：TENT/T3A 测试时自适应、CORAL 特征对齐、
      DANN 对抗域适应——逐方法报告 25 类分项提升
注意：桶 2 阳性率过稀，不适合做目标域

18.4 标签噪声研究（难度：高）

如果拿到训练桶图像，最有价值的延伸是「弱监督标签噪声量化」：抽样 n 例做双人盲审，与 NLP 标签对比逐类混淆矩阵，产出 25 类噪声率表——直接补上论文缺失的抽取精度定量，也是对整个弱监督胸片文献家族（CheXpert/MIMIC-CXR 同病）的贡献。

18.5 与 LLM 报告生成的衔接

CRADI 的 25 征象可视为报告的结构化投影：反向任务（结构化标签→生成中文报告）与正向任务（报告→标签，即原管线）构成闭环。做中文放射报告 LLM 的团队可用 CRADI 标签表作为评测锚点之一。

附录 I：分桶评测骨架（Python）

import pandas as pd
import numpy as np
from sklearn.metrics import roc_auc_score

LABELS = [
    "pneumothorax", "emphysema", "parenchymal_calcification", "picc",
    "aortic_unfolding", "aortic_arteriosclerosis", "aortic_abnormalities",
    "small_consolidation", "cardiomegaly", "patchy_consolidation",
    "consolidation", "cavity", "mass", "prominent_bronchovascular",
    "pulmonary_edema", "pulmonary_nodule", "hilar_adenopathy",
    "pleural_effusion", "pleural_thickening", "pleural_adhesion",
    "pleural_calcification", "pleural_abnormalities", "scoliosis",
    "pacemaker", "interstitial_involvement",
]

BUCKETS = {1: "hosp2_symptomatic", 2: "hosp2_screening", 3: "community"}

def per_bucket_auc(label_df, pred_df):
    """label_df: patientID, data_resource, label1..label25
       pred_df:   patientID, prob1..prob25（列序与 LABELS 对齐）"""
    assert list(pred_df.columns[1:]) == [f"prob{i+1}" for i in range(25)]
    merged = label_df.merge(pred_df, on="patientID", validate="one_to_one")
    out = {}
    for b, name in BUCKETS.items():
        sub = merged[merged["data_resource"] == b]
        aucs = {}
        for i, lab in enumerate(LABELS, start=1):
            y = sub[f"label{i}"].values
            p = sub[f"prob{i}"].values
            if 0 < y.sum() < len(y):          # 单类退化时跳过
                aucs[lab] = roc_auc_score(y, p)
        out[name] = {
            "n": len(sub),
            "positive_rate": float((sub[[f"label{i}" for i in range(1, 26)]].sum(1) > 0).mean()),
            "mean_auc": float(np.mean(list(aucs.values()))),
            "aucs": aucs,
        }
    return out

复现要点：

1. 列序必须与 §3.1 官方顺序一致——LABELS 表即官方序的 snake_case 版
2. 筛查桶部分征象正例极少，roc_auc_score 前先查 y.sum()
3. 汇报时按 §9.3 三行式输出，勿合并四桶

附录 J：数据质量审计清单（拿到 xlsx 后 10 分钟可完成）

[ ] 行数 = 84,012
[ ] patientID 无重复（或重复即纵向线索，报告之）
[ ] data_resource 取值域 = {0,1,2,3}，计数 74082/5996/2130/1804
[ ] 25 列取值域 = {0,1}，无 NaN/字符串
[ ] 全零行（25 项全 0）比例 与「阳性率 45%」口径互核
[ ] 全一行（25 项全 1）存在性检查（异常值哨兵）
[ ] 逐列边际分布与临床常识相容性（PICC/起搏器应远低于积液/结节）
[ ] xlsx md5 = b9b3965faf0ce47101f09fa4512af501

附录 K：域适应方法选型速查

方法	类型	适配 CRADI 的注意点
CORAL	特征对齐（免训练）	桶间图像尺寸已统一，直接对齐骨干特征
DANN	对抗域适应	桶 3 仅 1,804 例，需强正则防过拟合域判别器
TENT	测试时熵最小化	免源数据，适合训练桶闭门的现实约束
T3A	测试时原型自适应	同上，且对小目标域更稳
MixStyle	特征风格混合	训练期即可注入桶 1→桶 3 的风格扰动
影像特异：直方图匹配	前处理	12→8-bit 转换已抹平部分灰度差异，收益可能有限

现实约束提醒：训练桶闭门使得「需要源数据」的方法（DANN、MixStyle）在公开数据上不可行——TENT/T3A 这类 test-time 方法反而是与 CRADI 公开状态最匹配的路线。

§19 深入问答（Q41–Q70）

Q41：为什么训练桶选六院而不是一院？
论文未说明选择理由。可观察到的事实是：训练桶与一院外测桶的性别年龄结构接近，而六院与一院为不同的独立法人机构，保证了「外部验证」的独立性定义成立。

Q42：BERT 抽取中文报告的错误类型可能有哪些？
基于同类管线的已知风险面：否定/疑似修饰漏判（把「未见结节」判为结节）、既往史与现病史混淆、简写与口语化术语漏抽（如「结节影」vs「小结节灶」）。CRADI 未公开错误分析——以上为管线通用风险面，非对该数据集的实测断言。

Q43：公开标签表能否反推 25 类的患病率？
能。xlsx 含 84,012 行全量 0/1 值，逐列求和即边际患病率（按 data_resource 分层更佳）——这是公开数据即可完成且原论文未公布的分析，属低成本增量贡献。

Q44：桶 0 标签与桶 1/2/3 标签的生成方式一致吗？
一致：全量 84,012 行标签均由同一 NLP 管线产出。桶 1/2/3 另有医师共识参考标准用于评测，但公开包内分发的仍是 NLP 标签。

Q45：医师共识标注为什么不公开？
论文未解释。可能原因：共识标注本身未数字化为结构化表、或涉及二次授权问题。这是公开生态的一个真实缺口——外部研究无法用医师金标准直接校准标签。

Q46：2026 年第三方基线为何用「未训练」ResNet-18？
该工作的定位是「数据集可分性探针」而非榜单竞争：零训练特征器的 micro-AUC 0.683 证明信号非随机，同时避免了「训练算力差异」这一混淆变量。这是一种低成本的数据集体检方法，值得库内其他条目借鉴。

Q47：CRADI 图像能直接喂现代模型吗？
可以。8-bit PNG 是一切视觉管线的标准输入；仅需注意统一缩放后的实际尺寸需实测，以及 PA 位假设（无侧位片）。

Q48：能和文本模态联合训练吗？
不能直接做「影像-报告配对」——原始报告文本未公开，公开的只有抽取后的 25 维标签。报告级多模态需求应转向 chexpert-plus、mimic-cxr-jpg 或 bimcv-covid。

Q49：数据集有 train/val/test 官方切分吗？
训练桶内部为五折交叉验证（无固定切分）；桶 1/2/3 天然是外测集。无官方 val/test 文件级清单，需按 data_resource 自切。

Q50：多标签训练的类别不平衡怎么处理最合适？
论文用加权 BCE + 每类独立阈值（最大 F1 点）。现代做法可叠加 focal loss 或逐类采样策略；但评测口径应保持与论文可比（逐类 AUC + 分桶平均）。

Q51：为什么外部 AUC 的标准差（±0.110-0.157）这么大？
± 是 25 类间 AUC 的标准差，不是样本间方差——它反映的是「征象间难度差异」（0.698 的结节到 0.988 的积液），这正是弱监督标签噪声与征象形态学难度共同作用的结果。

Q52：能说 CRADI 证明了 AI 在基层「可用」吗？
论文的证据支持更窄的结论：在 8 家上海社区门诊的回顾性胸片上，模型 6 个征象优于本地医师、12 个无显著差异。前瞻性部署、真实工作流集成与不同地区泛化仍是未验证问题。

Q53：模型的热图输出质量如何评估？
论文展示热图但未做定位精度定量（无框标注无法算定位指标）。热图应视为定性可解释性材料。

Q54：Zenodo 记录有没有 embargo 或访问控制？
无。公开记录免注册直链下载，md5 齐全。

Q55：数据集的 license 会不会变？
v1 发布以来无变更记录。Zenodo 平台惯例是版本化——若未来出 v2 并改 license，旧 v1 条款对已下载副本通常不变（以记录页条款原文为准）。

Q56：引用时「84,012」和「74,082」哪个对？
都对但含义不同：84,012 = 全量例数（标签可得）；74,082 = 训练桶例数（图像不可得）。混用是常见错误。

Q57：能做时间外推（2018 年后）研究吗？
不能从数据集内部做——采集止于 2018.02，且无日期列。时间漂移研究需外部新数据。

Q58：有没有数据集论文的补充材料？
PMC 页含论文表格；补充材料（若有）随论文页面分发。Zenodo 两记录即数据与代码的官方补充渠道。

Q59：标签表是 xlsx 还是 csv？好解析吗？
官方为 xlsx（7.2 MB，pandas 一行读取）；无官方 csv 版。7.2 MB 的体量也暗示行数与宽表结构符合 84,012×27 的预期。

Q60：imagecas-x、chestx-det 这些库内条目和 CRADI 重叠吗？
不重叠。库内胸片条目各有独立定位（检测、分割、单病种）；CRADI 的 uniqueness 在分域字段与基层队列，查重已确认无别名冲突。

Q61：模型对医源性征象（PICC/起搏器）的表现？
PICC 属于有症状队列对照中模型显著更差的 4 类之一；起搏器因形态独特（高密度金属线）通常弱监督也能抓准——论文未给单项数字，上述对照仅限 PICC 有明确披露。

Q62：能否把 CRADI 用作分割模型的弱标签（Class Activation Map 蒸馏）？
技术上可行（多标签 + 热图蒸馏是成熟套路），但标签噪声会传导入掩码；适合做方法学研究，不适合产出临床级分割模型。

Q63：论文的统计检验怎么做的？
医师对照采用逐征象显著性检验（报告了 p 值阈值如 p<0.001、p=0.013、p=0.002）；AUC 区间的具体检验方法论文未详述——引用 p 值时保持原文表述。

Q64：有没有中文数据集卡的镜像（hf-mirror 等）？
CRADI 未发布 HuggingFace 版本；官方渠道仅 Zenodo。第三方 Kaggle 处理版（LNNS 论文所用）非官方，使用需自行核验 md5 与完整性。

Q65：84,012 例中有多少来自住院 vs 门诊？
仅知桶 1 混合门诊与住院（5,996），比例未拆分；其余桶的就诊类型如 §2.1 表述。患者流粒度的进一步拆分无公开数据。

Q66：可以做 meta 分析的效应量吗？
可以且公开数据足够：三个外测队列 × 25 征象的 AUC 矩阵可从论文表格数字化，做「征象类型 × 队列类型」的元回归（如急症征象 vs 慢病征象的域衰减差异）。

Q67：数据集对多标签评测的「标签相关性」处理？
无特殊处理：sigmoid 独立输出 + 独立阈值，25 类间的解剖相关性未被建模。这是 2020 年代的通行做法，也是可改进点。

Q68：如果训练数据申请被拒，最大损失是什么？
损失的是「从头复现 0.958 内部成绩」的能力；公开测试桶上的迁移评测、分域分析、骨干替换实验均不受影响。申请前先用公开部分跑通管线是理性顺序。

Q69：数据集贡献者在后续文献中如何被引用惯例对待？
引论文 + Zenodo DOI 双引是规范；数据贡献（尤其社区门诊的采集）在仅引论文时容易被忽略——涉及基层场景论述时建议同时引数据集 DOI。

Q70：这个条目最容易被审稿人挑战的点？
「弱监督标签+闭门训练集」组合：审稿人可质疑标签质量与可复现半径。防御姿势：引用外部医师共识参考标准（评测可信性）与 Zenodo 开源代码（管线可复现性），并如实标注标签噪声属性。

§20 检索与引用指南

20.1 检索关键词矩阵

意图	推荐关键词
找数据	CRADI、Chest Radiograph at Diverse Institutes、CHARDI_test、zenodo 5493595
找论文	10.1038/s43856-021-00043-x、PMC9053275、multicenter chest X-ray NLP Shanghai
找代码	CRADI_x-ray_classification、zenodo 5335914
找第三方评测	CRADI baseline、multi-pathology chest X-ray LNNS 2026

20.2 BibTeX 骨架

@article{zhang2021cradi,
  title   = {Development and multicenter validation of chest X-ray
             radiography interpretations based on natural language processing},
  author  = {Zhang, Yaping and Liu, Mingqian and Hu, Shundong and
             Shen, Yao and Lan, Jun and Jiang, Beibei and
             de Bock, Geertruida H and Vliegenthart, Rozemarijn and
             Chen, Xu and Xie, Xueqian},
  journal = {Communications Medicine},
  volume  = {1},
  pages   = {43},
  year    = {2021},
  doi     = {10.1038/s43856-021-00043-x}
}
@dataset{liu2021cradi_data,
  title  = {Chest Radiograph at Diverse Institutes (CRADI) dataset},
  author = {Liu, Mingqian and Xie, Xueqian},
  year   = {2021},
  doi    = {10.5281/zenodo.5493595},
  note   = {Version v1}
}

20.3 引用红线自查

• [ ] 没有把「84,012 例图像公开」写成事实（图像公开的是测试子集）
• [ ] 没有把 NLP 标签称为 gold standard（用 weakly-supervised labels）
• [ ] 外部成绩三队列分列，未合并
• [ ] 结节成绩（0.698）未被隐藏或平均掉
• [ ] license 表述含「科学用途」限定，非裸 CC BY

§21 条目撰写方法附记（存照）

本条目成稿过程按任务纪律包执行，以下事实与决策存照：

1. 三源互证：PMC 论文全文（PMC9053275）、Zenodo 记录页（5493595/5335914）、OpenAIRE 元数据 + Springer 2026 第三方基准——核心数字（四桶规模、AUC、文件大小与 md5）至少双源一致。
2. 双口径存照：license（CC BY 元数据 vs 科学用途论文口径）、发布时间（数据 2021-09 vs 论文 2021-10）、文件名拼写（CHARDI vs CRADI）三组冲突均在 FACTS.md §9 与本稿坑 2/坑 4 处理。
3. slug 查重：DB url_name ILIKE '%cradi%' OR '%chest radiograph%' 0 行；writing/ 无同名目录。非 R002 伪新条目模式。
4. 不作未实测断言：标签共现（§17.4）、BERT 错误类型（Q42）等推测性内容均显式标注推断属性。
5. 遗留疑点：7 项登记于附录 G，交主会话与后续接管代理。

（全文完）

附录 M：常见误用与纠正速查（Q71–Q80）

Q71：把 CRADI 的 25 标签直接映射到 CheXpert 14 类做联合训练？
不建议裸映射。粒度不对齐：CRADI 的三种实变（8/10/11）对应 CheXpert 的单一 Consolidation；主动脉三桶（5/6/7）在 CheXpert 无对应。映射需自定义聚合表并注明有损。

Q72：把筛查桶当负样本池（全 0）用？
错误。桶 2 阳性率 9.7%，仍有约 206 例真阳性；当全负池用会把系统性假阴性注入训练。

Q73：用 ImageNet 归一化直接处理 8-bit PNG？
可行（PNG 已是标准 8-bit），但注意 DCM→PNG 转换可能做了窗宽窗位裁剪——超出 8-bit 动态范围的信息在源端已丢失，重调窗无益。

Q74：认为 PA 位假设可以放宽到 AP 位片？
不可。数据集口径明确为每例一张 PA 位；AP 位（床旁片）的心影放大与肩胛投影差异会系统性污染标签对应关系。

Q75：在测试桶上做模型选择？
禁止。桶 1/2/3 是外测集，任何在其上的超参选择都会把「外部验证」降级为「内插」。模型选择应基于训练桶内验证（若拿到训练数据）或完全冻结配置。

Q76：把社区门诊 AUC 0.796 直接与 CheXpert 榜单对比？
不可比。任务定义、标签体系、参考标准（医师共识 vs NLP 标签）、人群全不同。跨数据集比较只能做方向性陈述。

Q77：默认标签表行序与图像文件序一致？
危险假设。图像按 patientID 关联，勿按文件列表顺序对齐标签；以 xlsx 的 patientID 列为唯一关联键。

Q78：把「8 家社区门诊」当 8 个独立域做 leave-one-clinic-out？
无法实施——xlsx 的 data_resource 只有桶级（=3）标记，无门诊级 ID。门诊级交叉验证需要作者侧数据。

Q79：引用「AUC 0.958」作为 CRADI 成绩？
误导性引用。0.958 是训练域内部交叉验证成绩；对外宣称应引三个外部数字（0.866/0.891/0.796）。

Q80：认为 v1 后静默 = 数据集失效？
不是。Zenodo 的 DOI 永久解析与 md5 保证可复现获取；静默只意味着无新版本与官方支持，2026 年第三方基准仍在用其做实验。

附录 N：正文-论文数字漂移哨兵表

数字	本稿口径	若发现异源数字
总例数	84,012	代码包描述的「70000+」为发布前口径，以 84,012 为准
训练桶时间窗	2014.02–2018.02	只此一源（PMC），无冲突版本
外部 AUC	0.866/0.891/0.796	若遇「0.86/0.89/0.80」为四舍五入变体
结节 AUC	0.698	论文唯一披露的结节外部值
文件大小	14.6 GB / 7.2 MB / 2.0 GB	Zenodo 页面为唯一权威
发布日期	2021-09-09	OpenAIRE 同值；论文页可能显示 2021-10-28（论文日期，勿混）
license	CC BY（元数据）+ 科学用途（论文）	以 Zenodo 记录页实时展示为准

（附记完）

---

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：

• rexerr — 共享标签：X光影像 / 医疗NLP / 临床文本 / 评测基准
• rexgradient-160k — 共享标签：医学影像 / X光影像 / 临床文本 / 评测基准
• chexpert-plus — 共享标签：医学影像 / X光影像 / 医疗NLP / 临床文本
• mimic-iv-note — 共享标签：医学影像 / X光影像 / 医疗NLP
• swiss-mammo — 共享标签：医学影像 / 医疗NLP / 临床文本
• dental-opg-xray — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• chexpert — 共享标签：医学影像 / X光影像 / 图像分类
• nih-chestx-ray14 — 共享标签：医学影像 / X光影像 / 图像分类
• covidx-cxr — 共享标签：医学影像 / X光影像 / 图像分类 / 评测基准
• cxr-pro — 共享标签：医学影像 / 医疗NLP / 临床文本

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。