信息速览

数据集名称cxr-cardiomegaly — 9.6 万胸片心大生物标志物 AI-Ready Wikipedia

数据类型生物标志物,影像衍生,结构化数值

规模96,161 张 PA 扫描（MIMIC-CXR 患者级去重需 join 上游）

接入方式MIMIC-CXR / MIMIC-CXR-JPG 的 PA 子集（影像衍生数值层）

AI 就绪度

INFOBOX：cxr-cardiomegaly 速览

键	值
名称	Image-derived cardiomegaly biomarker values for 96K chest X-rays in MIMIC-CXR/MIMIC-CXR-JPG（v1.0.0）
上线	PhysioNet 2024-08-23，DOI 10.13026/kfpv-zm25，Open Access（ODC-BY）
论文	Duvieusart et al., MIUA 2022（LNCS 13413, pp.13-27），DOI 10.1007/978-3-031-12053-4_2
团队	牛津大学六人（Tarassenko 组）
内容	单一 CSV：96,161 张 PA 胸片的 CTR+CPAR 值（含错误码 2/3/4）
覆盖	CTR 99.0% / CPAR 97.63%
方法	2 Mask R-CNN+2 Faster R-CNN（585 张调优），集成 IoU 心 0.836/肺 0.903；CPAR 用 Otsu
统计	全体 CTR 0.483±0.065；心扩大阳性 0.565±0.066（CPAR 0.341 vs 0.459）
访问	Open；ODC-BY 许可（数据许可的 ODC 家族）
一句话	504 考卷里"算 CTR"那道题的 96,161 份官方答案——影像降维成一个数字，多模态融合的接口层

§0 摘要卡：一个数字的效率革命

大多数医学影像数据集在回答"这批影像里有什么"，本集回答的是一个更工程化的问题：“这批影像可以被压缩成什么”。牛津团队把 MIMIC-CXR 的 96,161 张 PA 胸片各压缩成两个数字——心胸比 CTR（经典）与心肺面积比 CPAR（原创）——让"影像信息"第一次可以像"年龄"或"血压"一样出现在表格里、参与 XGBoost 的训练、join 进任何 EHR 分析。这是影像数据集的另一种形态：不是图库，是数值层。

它在本系列里的位置也很妙：批次五的 504（CXReasonBench）考 LVLM"从胸片算出 CTR"，本集就是那道题的 96,161 份官方答案——评测的推理链在数据层有了对照物。同时它是最轻的条目（单 CSV，MB 级）、最快上手（pandas 一行读入）、许可最干净之一（ODC-BY 开放）——批次六以它开篇，是"AI-Ready"的最小完备样本：ready 不需要复杂，需要的是恰到好处。

§0.1 名称与口径声明

三条口径纪律：其一，96K 指扫描数——96,161 张 PA 胸片（MIMIC-CXR 的 PA 子集），不是患者数（患者级去重需 join 上游 MIMIC-CXR patients 表）；其二，两个覆盖率分开说——CTR 95,208（99.0%）与 CPAR 93,879（97.63%）是不同列的不同覆盖，错误码 2/3/4 的行数合计 1.0%-2.4%；其三，CTR 的分母口径——本集 CTR 的分母是"肺检测框宽"（pulmonary bounding box width）作为胸宽的代理，与经典教科书定义（肋骨内缘间距）存在系统偏差（官方 Methods 明示）——与本集 CTR 对比的任何外部 CTR 都要先对齐这个口径。

§0.2 读者收益清单

多模态建模团队：现成的"影像通道"——一行 join 把 96K 张胸片的影像信息并进 EHR 表格特征，XGBoost/LightGBM 直接可用（官方 2022 论文的原始用法）。
心胸比研究者：史上最大规模的自动 CTR 数据集之一——分布统计、阈值重校准、人群对比的原料。
评测工程团队：504 CXReasonBench Stage 3 的对照答案源（LVLM 算的 CTR vs 本集的模型 CTR vs 人工金标准的三方对账）。
教学者："影像→数值"的降维思想的最小教学样本——一个 CSV 讲完特征工程的本质。
数据许可研究者：ODC-BY 与 CC BY 的家族差异实例（§2.6）。

§0.3 本条目与其他条目的阅读组合

组合	适用问题
504 CXReasonBench + 本条目	“考卷上的 CTR 题，官方答案在哪？”——推理评测与数据层的互文（§2.2）
502 CheXmask + 本条目	“掩码算 CTR vs 检测框算 CTR”——两条管线同一指标的互验（§4.10）
495 MIMIC-CXR + 本条目	“数值层 join 回影像库”——PA 扫描的 dicom_id 对齐
492 MIMIC-IV + 本条目	“影像标志物×临床结局”——CTR 与心衰/超声指标的对齐研究
503 CheXmask-U + 本条目	“不确定性思想在单点标志物上的投影”——本集无置信列的改进设想

§0.4 身份卡：一条命令背下这个数据集

键	值
全名	Image-derived cardiomegaly biomarker values for 96K chest X-rays（v1.0.0）
上线	PhysioNet 2024-08-23，DOI 10.13026/kfpv-zm25，Open Access
论文	MIUA 2022（LNCS 13413），DOI 10.1007/978-3-031-12053-4_2
团队	牛津大学 Tarassenko 组六人
内容	biomarker_values.csv：96,161 行 CTR+CPAR+错误码
覆盖	CTR 99.0% / CPAR 97.63%
方法	4 模型集成（585 张调优，IoU 0.836/0.903）
统计	CTR 0.483±0.065（全体）；心扩大阳性 0.565
许可	ODC-BY（署名即可）
一句话	影像降维成一个数字的最小完备样本——504 考卷 CTR 题的官方答案库

§1 出身与谱系：牛津组的一次"降维交付"

§1.1 团队：Tarassenko 组的多模态主线

六人署名（Duvieusart/Krones/Parsons/Tarassenko/Papiez/Mahdi）全部来自牛津——Lionel Tarassenko 是英国生物医学工程与医疗 AI 的奠基级人物（牛津 IBME 首任主任），Adam Mahdi 与 Bartlomiej Papiez 是其医疗 ML 组的中坚。这个团队的研究主线是"多模态融合的临床决策"——本集是 2022 年 MIUA 论文（多模态心扩大分类）的数据副产品：论文里的 XGBoost 需要"影像特征列"，团队顺手把特征生产管线规模化并开放了。副产品开放的决策在两年后（2024-08）落地为 PhysioNet 挂牌——与 502 的"论文先发、数据后挂"节奏同型（MIUA 2022→PhysioNet 2024-08，两年）。

§1.2 源研究：多模态心扩大分类的 2022 论文

MIUA 2022 论文的问题设定：CTR 单独用时受呼吸相位/体位/心腔扩张形态影响，把影像标志物与非影像数据（MIMIC 的心脏相关字段）融合能否更可靠。方法：检测/分割管线产出 CTR+CPAR → 与 MIMIC 的非影像特征拼表 → XGBoost 分类。论文的贡献双层：方法层（CPAR 新指标+融合框架）与资源层（96K 数值——即本集）。数据集是论文的"可复现性承诺"的兑现：发表特征值让社区复现 XGBoost 基线——这种"特征值即数据集"的开放模式在影像文献里罕见，值得作为可复现性的正面案例引用。

§1.3 四模型集成：检测与分割的双管线

管线用 4 个模型并行：检测侧（2 Faster R-CNN：心/肺各一）产 bounding box → CTR 用；分割侧（2 Mask R-CNN：心/肺各一）产掩码 → CPAR 用。每模型 ImageNet 预训练+585 张 PA 调优（200 MIMIC-CXR-JPG+285 JSRT/Montgomery——与 502/503 披露的 HybridGNet 训练源部分同款，JSRT/Montgomery 是胸片解剖模型的标准调优粮）。集成的动机：单模型定位不稳，两模型（检测/分割视角）融合后的 IoU 心 0.836/肺 0.903——这个 IoU 水平（对检测框而言）是"可用但有噪声"的区间：官方没有声称金标准，误差被 96K 的大数定律摊薄到统计层面。

§1.4 CTR 的口径偏差：肺框宽作胸宽代理

本集 CTR 与教科书 CTR 的关键差异在分母：经典定义的分母是"膈肌水平肋骨内缘间距"（真胸廓宽），本集用"肺检测框宽"代理——理由官方明示（肺 GT 比肋骨 GT 更可得）。代理的偏差方向：肺框宽 ≤ 胸廓宽（肺不贴肋骨内缘的含气边缘）——本集 CTR 系统性偏高（分母偏小）。影响面：绝对值与教科书阈值（0.5）不可直接比较；相对比较（同一口径内的组间差异）不受影响。使用者的对策：本集内部的阈值重校准（用官方统计：全体 P75=0.512 vs 心扩大组 P25=0.527 的重叠区做新阈值带）——§4.3 给出细节。

§1.5 CPAR：面积维度的原创指标

CPAR（cardiopulmonary area ratio）是 2022 论文提出的原创指标：心分割面积/肺分割面积。与 CTR 的三点差异：维度——面积比 vs 宽度比（面积对心脏增大的"容积感"更敏感）；管线——分割掩码+Otsu 二值化 vs 检测框（Otsu 在心影/肺野的灰度分布上做类间方差最大化）；临床先例——CTR 有百年临床史，CPAR 无先验阈值（论文以判别性能定标）。CPAR 的价值主张：CTR 的补充信息源（两指标与结局的相关性不完全重叠——2022 论文的消融依据）；两指标并列交付（而非只给 CPAR）是对经典指标的尊重与可比性承诺。

§1.6 Otsu 的角色：从掩码到面积的一步

CPAR 管线的最后一步是 Otsu 阈值化：Mask R-CNN 输出的掩码经 Otsu 二值化后计数面积。为什么掩码还要再二值化（掩码本来就是二值的）？官方语义：模型输出的可能是软掩码/框内灰度图，Otsu 把"模型认为的区域"转成"灰度上确实分离的区域"——用图像本身的灰度证据对模型输出做一次数据驱动的校正。这个细节让 CPAR 的面积不是纯模型意见，而是"模型提议+灰度证据"的混合体——一种朴素但有效的自校验。

§1.7 错误码的诚实设计：2/3/4 的三态失败

管线失败的三个显式错误码：2=找不到心、3=找不到肺、4=两者都找不到——失败不是静默缺失而是分类标记。这个设计的价值：失败的原因分布本身是数据——找不到心的错误集中在术后（心影改变）/极端体位；找不到肺的多为大面积病变（肺野不可分）——错误码分层是亚组分析的入口。覆盖率本身（99.0%/97.63%）说明失败罕见，但罕见失败的样本恰好可能是临床最有趣的边缘案例——别把错误码行当垃圾删掉（§5.7 黑名单）。

§1.8 统计快照：数字里的临床合理性

官方统计的自洽性检查：全体 CTR 0.483——与教科书"正常 CTR<0.5"高度吻合（MIMIC 人群以非心扩大为主）；心扩大组 0.565——跨过 0.5 阈值但仅 0.565 均值（含轻症+代理口径的偏移）——两组的 P25/P75 重叠区（0.512-0.527）正是"阈值灰色带"的位置；CPAR 的区分度更大（0.341 vs 0.459，差 0.118 vs CTR 的 0.082）——面积指标对心扩大的判别幅度更大（2022 论文选它做补充的实证依据）。这组数字的另一读法：官方用 1,942 例心扩大阳性（MIMIC 标签）对照——本集数值与 MIMIC 标签的分布相容性已被官方验证过一次。

§1.9 资助与独立性

版本页未见 funding 段细节（牛津团队的院级/基金支持未在页面展开）；无利益冲突声明；伦理声明极简（“no ethics concerns”——依据是 MIMIC 已去标识+本集纯数值不含 PHI）。独立性判断：牛津学术团队+PhysioNet 平台，无商业数据方——本集的独立性是全系列最干净的之一（数值衍生品、无源数据、无商业方）。

§1.10 用户画像：谁该用、谁不该用

该用：EHR+影像融合建模（本集的设计初衷——一行 join 的影像通道）；心胸比流行病学（96K 的分布统计）；评测对账（504 的 CTR 题/任何 CTR 管线的对照）；教学（特征工程本质的最小样本）。不该用：影像视觉任务（本集没有图——去 495/501/502）；AP 床旁片分析（仅 PA）；需要 DICOM 原始证据的定量研究（只有数值没有过程）。谨慎用：绝对阈值的临床判定（代理口径偏差，§1.4）；把 CTR/CPAR 当"真值"而非"模型估计值"（误差结构见 §4）。

§1.11 名词速查表

名词	释义
CTR	Cardiothoracic Ratio 心胸比：心宽/胸宽（本集分母为肺框宽代理）
CPAR	Cardiopulmonary Area Ratio 心肺面积比：心面积/肺面积（2022 原创）
Mask R-CNN	实例分割模型（掩码输出）——CPAR 管线
Faster R-CNN	目标检测模型（框输出）——CTR 管线
IoU	交并比：预测与真值的重叠度（集成模型评分：心 0.836/肺 0.903）
Otsu	最大类间方差二值化——CPAR 的面积估计步骤
胸宽代理	用肺框宽替代肋骨内缘胸宽的口径决定（§1.4）
错误码 2/3/4	定位失败的三态标记（心/肺/两者）
ODC-BY	Open Data Commons Attribution License——数据许可的 ODC 家族
MIUA	Medical Image Understanding and Analysis——英国医学影像会议
XGBoost	梯度提升树——2022 论文的多模态分类器
PA	后前位（posteroanterior）——本集唯一视角

§1.12 发布时间线年表

时间	事件	证据
2022	MIUA 论文发表（方法+CPAR 原创提出）	LNCS 13413
2024-08-23	PhysioNet v1.0.0 挂牌（96K 数值开放）	版本页
2024-2026	Views 950（社区到达中等偏上）	版本页快照
2026-09-22	本条目核查	快照

两年（论文→挂牌）与两年（挂牌→现在）的两段——一个"短长征"样本（对照 505 的六年半）：方法成熟在先、开放在后、无伦理波折——MIUA 会议论文的数据开放比 Sci Data 期刊路径轻快得多。

§2 语境与设计逻辑：数值层在影像生态中的位置

§2.1 影像数据集的四种形态：本集的"数值层"独苗

本系列已集齐影像数据集的四种形态：图库形态（495 MIMIC-CXR——图+标签）、掩码形态（501/502——像素级标注）、评测形态（504——QA 考卷）、数值形态（本集——单点标志物）。四种形态的信息量递减（像素>框>数值）、工程成本递减、融合友好度递增——数值层是影像信息"进入表格世界"的最后一公里。本集的独占位：形态四在心胸比上的唯一大规模实现。四种形态合读才是完整的"影像数据生态"——这也是本系列按形态配比选题的隐线。

§2.2 与 504 的互文：考卷与答案库

504 CXReasonBench 的 Stage 3（测量）考 LVLM"CTR 在哪个区间"——本集恰好是 MIMIC-CXR PA 片的"官方 CTR 答案表"。互文的三层：对照层——LVLM 算的 CTR vs 本集模型 CTR 的偏差分布（LVLM 的视觉测量误差谱）；锚层——本集 CTR 并非真值（模型生成），三方对账应为"LVLM vs 本集 vs 金标准（585 张真值）"；协议层——504 的值域选项设计（[0.50-0.52]）与本集连续值的离散化对齐。考卷与答案库在同一生态里出现，是 2024-2025 年医疗 AI 评测成熟的标志——评测者终于可以不自己跑管线就有对照答案。

§2.3 与 502 的互验设计：框 vs 掩码

502 CheXmask 的掩码可以算出"掩码版 CTR"（心掩码横径/肺掩码横径）——与本集的"检测框版 CTR"构成两条独立管线的同一指标（§2.4 的管线对照）。两者的差异源：框 vs 掩码的边界定义（框含边界冗余、掩码贴解剖）、模型路线（Faster/Mask R-CNN vs HybridGNet）、调优集（585 张 vs 911 张）。互验实验（§4.10）：同 dicom_id join 后的 CTR 差值分布——差值小=双管线互证（CTR 的鲁棒性）；差值大的 case 集=两管线共同失效区（人工复核池）。502 篇 §7.22"外部验证锚"的又一实例。

§2.4 "降维交付"的哲学：信息损失的自觉

把 96K 张影像压成 2 个数字，信息损失是结构性的（形状/纹理/病灶全丢）。官方的设计自觉：只交付"临床已证明可压缩"的信息——CTR 是临床用了百年的压缩（医师看片就量这个），CPAR 是压缩的增量实验。哲学的对立面是"保留一切"（495 的 DICOM 原件）。两种哲学的适用分界：下游需要语义判别→保留像素；下游需要统计融合→降维交付。本集的教学价值：特征工程不是"从数据里挖特征"，而是"从临床实践里继承特征"——CTR 的百年史就是最好的特征选择依据。

§2.5 ODC-BY：CC 之外的数据许可家族

本集许可 ODC-BY（Open Data Commons Attribution）值得单独一节：ODC 家族（BY/ODbL/PDDL）是专为数据库设计的许可体系（CC 系为创作作品设计）——数据库的"sui generis 权利"（欧盟数据库特殊权利）在 CC 条款下处理含糊，ODC 明确。ODC-BY vs CC BY 的实务差异：两者都要求署名、都允许商用与衍生；ODC-BY 明确"数据库结构本身的权利"与"单条内容"的区分。对使用者的实务建议：引用时写全称"Open Data Commons Attribution License v1.0（ODC-BY）“，别简写"CC BY”——许可的家族名写错在法律对照上是实质错误。批次五的 502/503 用 CC BY 4.0、本集用 ODC-BY——PhysioNet 的许可菜单比"全 CC"更丰富。

§2.6 区域限制的又一次出现

Open Access 条目也显示"Data is not available in your region"提示（§1.12 的平台现象，批次五 504 首记）——区域限制不分档位（Open 与 Credentialed 都可能受影响），它与 PhysioNet 平台的司法合规策略相关而非数据本身的敏感性。使用者的标准动作：区域预检（登录确认）+必要时合作机构代理。本集的 Open 档+区域提示组合说明："Open"是许可语义不是可达语义——AI-Ready 的可达性维度再次被平台现实敲打。

§2.7 错误码的语义分层：失败即信息

三态错误码（2/3/4）的分层价值展开：码 2（找不到心）——心影边界不可辨（术后/右位心/大量胸腔积液）——这些 case 的影像学特征本身就是研究素材；码 3（找不到肺）——肺野不可分（大面积实变/全肺切除）——同类；码 4（两者都找不到）——非胸片/严重伪影——真正的垃圾过滤目标。使用建议：码 2/3 的行保留作"困难样本池"（它们是模型改进的方向），码 4 的行才进排除清单——错误码的分层使用是"失败即信息"的落地。

§2.8 与临床指南的对话：0.5 阈值的重新校准

教科书 CTR>0.5 = 心扩大。本集数据的口径偏差（§1.4）下，0.5 阈值需要重新校准：官方统计给出了锚点——全体均值 0.483、心扩大组均值 0.565、两分布的重叠区 0.512-0.527。重校准的方法：以 MIMIC 心扩大标签为参照，画 CTR 的 ROC/找 Youden 最优切点（论文已做，社区可在 96K 上精化）。本集的正确用法是"在本集口径内的相对比较"：跨人群/跨时间/跨亚组的 CTR 分布对比——绝对阈值的临床决策仍应回到标准测量（§7.13 部署差距）。

§2.9 证据层级小结

本章与后续叙述的证据等级：规模/方法/统计/许可出自 PhysioNet 版本页与 MIUA 论文（A 级，双源一致）；IoU 与调优集构成为官方自报（B 级）；"CTR 系统性偏高"的偏差方向推断（B- 级，基于代理定义的几何论证）；与 502/504 的互文分析（C 级，本百科工作产物）；ODC-BY 家族解读（B 级，许可文本）。本集的证据结构是系列最简单的（单 CSV+双文档）——简单性让每条证据都可轻松复核，这是"最简数据集"的隐藏美德。

§3 数据切片：单 CSV 的完整解剖

§3.1 交付物清单：一个文件的数据集

PhysioNet v1.0.0 的全部交付物：biomarker_values.csv（96,161 行）+ README + 许可文件。批次六最轻的交付（MB 级）——对比 503 的 39.9 GB，本集是"数据集也可以是一个文件"的极端样本。CSV 结构（README 口径）：

列	覆盖	语义
影像标识（dicom_id 或路径锚）	100%	对齐 MIMIC-CXR 的 PA 扫描
CTR	95,208（99.0%）	心框宽/肺框宽（§1.4 代理口径）
CPAR	93,879（97.63%）	心面积/肺面积（Otsu 后）
错误码 2/3/4	953-2,282 行	定位失败三态（§1.7）

装载 = pd.read_csv。全批次六最短的装载协议——简单本身是这个数据集最大的特性。

§3.2 错误码的三态分布与语义分层

错误码的分层使用（§1.7 展开）：

错误码	语义	预期原因	处理建议
2	找不到心	术后心影改变/右位心/大量积液	保留作困难样本池
3	找不到肺	大面积实变/全肺切除/极端体位	保留作困难样本池
4	心肺都找不到	非胸片/严重伪影/空白	排除清单

三态的分层使用价值：码 2/3 是管线的能力边界样本（它们的影像学特征恰好是模型改进方向）——错误码行别删，先分层。

§3.3 DAIMS 就绪度评分：7.0/8（批次六开门红）

维度	分	依据
文档	0.8	版本页+MIUA 论文双全+README；扣分：列名字典极简（无独立字典文件）
机读	1.0	单 CSV 双数值列+错误码——机读性的教科书样本
标签	0.9	双标志物+失败三态；扣分：无疾病标签列（join MIMIC）
可访问	0.9	Open+免审批；区域提示扣分
许可	0.9	ODC-BY 宽松明确；家族差异需使用者认知（§2.5）
格式	1.0	单文件、无解码、无重组——格式维的满分样本
评测	0.7	IoU+官方统计+论文验证；扣分：无逐例置信度（对照 503 的 std）
生态	0.7	Views 950+MIUA 引用；社区工具链薄

总分 7.0/8——全系列前列（与 504 的 6.3、503 的 6.5 对照）：最简的数据集拿了最高分——DAIMS 的八维度里，"简单"在机读与格式两项直接拿满分。AI-Ready 的悖论在此显形：复杂的数据集显示实力，简单的数据集显示就绪。

§3.4 统计口径的四个分布表

官方统计的完整转述（对账锚）：

指标	全体（96,161）	心扩大阳性（1,942）
CTR 非错误	95,208（99.0%）	1,913（98.5%）
CTR mean±std	0.483±0.065	0.565±0.066
CTR P25/P75	0.438/0.512	0.527/0.603
CPAR 非错误	93,879（97.6%）	1,881（96.9%）
CPAR mean±std	0.341±0.089	0.459±0.108
CPAR P25/P75	0.280/0.383	0.386/0.520

读表的三条推论：判别幅度——CPAR 的组间差（0.118）大于 CTR（0.082），面积指标更有区分力；重叠带——CTR 的 0.512-0.527 是两分布的交叠区（阈值灰色带）；基线合理性——全体 CTR 均值 0.483 贴近临床常识（多数人 <0.5）。下载后先用这六格数字对账——分布对不上=解析错误。

§3.5 与 MIMIC-CXR 的 join 协议

数值层要"活"必须 join 回影像与标签：键——CSV 的影像标识对齐 MIMIC-CXR metadata 的 dicom_id（字段名以 README 为准）；join 对象三选——metadata.csv（视角/患者）、chexpert 标签（cardiomegaly 列——官方统计的 1,942 阳性来源）、影像文件（JPG，Credentialed）；join 保留率预期——100%（同源子集）；患者级去重——metadata 的 subject_id 分组（一患者多 PA 片）。三步 join 后，单 CSV 变成"影像-数值-标签"的完整分析表——数值层的价值在 join 后才完全释放。

§3.6 心扩大标签的三源对照

“心扩大"在本生态里有三个来源，口径各异：源一（本集官方统计用）——MIMIC-CXR 的 Chexpert+NegBio 标签（报告 NLP 挖掘，1,942 阳性）；源二（影像测量）——本集 CTR/CPAR 阈值判定（模型口径）；源三（临床真值）——585 张调优集的人工分割（最准但最小）。三源的对照矩阵：标签源（NLP）与测量源（模型）的一致性=官方统计已隐含验证；测量源与真值源的一致性=IoU 0.836/0.903。三源各自回答不同问题：标签源答"报告怎么说的”、测量源答"片子上量出来什么"、真值源答"解剖上是什么"——研究设计时先选对源。

§3.7 引用要求：三件套

① PhysioNet 数据 DOI（10.13026/kfpv-zm25）；② MIUA 论文（10.1007/978-3-031-12053-4_2——方法+CPAR 原创）；③ MIMIC-CXR-JPG（arXiv 1901.07042——影像源头）。三件套之外可选：CPAR 的临床验证文献（Chaisangmongkon 2021 IEEE Access——CTR 测量的外部验证，版本页引用 [2]）。ODC-BY 的署名义务与 CC BY 同级（数据出处署名）——三件套引用就是署名义务的兑现。

§3.8 装载后对账清单（十条）

CSV 行数 = 96,161。
CTR 非错误行 = 95,208（99.0%）；CPAR 非错误行 = 93,879（97.63%）。
错误码分布：码 2/3/4 的行数统计（官方未给分布——记录为你的贡献）。
CTR 值域 ∈ [0,1]+分布六格对账（§3.4：0.483±0.065 等）。
CPAR 值域+分布六格对账。
影像标识唯一性（PA 扫描唯一）。
join MIMIC metadata 的保留率（预期 100%）。
join Chexpert 标签后：心扩大阳性 = 1,942（官方口径复核）。
CTR 与 CPAR 的相关性（Spearman——预期高但非 1；相关结构是论文素材）。
审计报告：六格分布+错误码分布+join 保留率三件套。

§3.8b 列字典的官方缺位与自建

版本页+README 未提供独立列字典文件（列名与语义散在 Methods/README）——自建列字典的最小做法：读 CSV 头+README 语义+MIUA 论文定义 → 输出三列 Markdown（列名/类型/语义与口径注记）→ 团队 wiki 入库。半小时工程换"新人上手零口头解释"——列字典缺失是小数据集的常见债，自建是唯一还法。

§3.9 版本冻结与升级预期

v1.0.0 冻结（2024-08 至今单版本）。升级预期：v1.1 加 AP 位扩展（管线天然可跑 AP——官方未做）或 加逐例置信度（对照 503 的 std 思想）；**v2 级（新标志物/新库）**概率低（团队主线在多模态分类而非数据集持续工程）。使用策略：锁 v1.0.0；AP 扩展若社区自做（管线开源可查——代码是否随包交付需确认，未在版本页明示）注意与官方口径对齐。

§3.10 与 502 掩码的 join 协议（跨库 CTR 对账）

502 掩码算 CTR 的对账协议（§2.3 落地）：键——dicom_id（两集同源 MIMIC）；口径对齐——502 掩码算"心掩码横径/双肺联合横径"，本集是"心框宽/肺框宽"——分母定义不同（掩码横径 vs 框宽），对账时先声明口径差；分析——CTR 差值的 Bland-Altman+按差值分层的 case 抽检。预期结论：强相关（ρ>0.9）+系统偏移（框 vs 掩码的边界冗余）——偏移的方向与幅度就是"框法 vs 掩码法"的方法学差异的量化。半天的实验，两篇论文的验证小节。

§4 结构深查：数值层的方法学与误差结构

§4.1 双管线的误差结构：CTR 与 CPAR 各怕什么

两指标的误差来源不同：CTR（框法）的误差源——框定位的边界冗余（框比实际心影大一圈→分子分母同涨部分抵消）、肺框代理的系统偏差（§1.4）、极端体位的框漂移；CPAR（掩码+Otsu）的误差源——掩码的边界精度（IoU 0.836 的误差在面积上被平方放大）、Otsu 对灰度分布的依赖（大量渗出时肺野灰度被病变"染色"，Otsu 的分割面漂移）、面积对"形状变化不敏感"（狭长心影 vs 横位心影的面积可能相同）。两指标的误差互补性是并列交付的设计理由——CTR 怕框、CPAR 怕 Otsu，一起看互相兜底。

§4.2 IoU 0.836/0.903 的读法：检测指标与分割指标的区别

集成模型的两个 IoU 数字要分开读：肺 0.903（检测框 IoU）——框级 IoU 的 0.9 是"定位可靠"区间（框任务的天花板约 0.95）；心 0.836——心影边界（与肺野/纵隔的灰度过渡）比肺野（含气低密度）更难，0.836 属"可用但有可见误差"。IoU 是框/掩码级指标不是数值级指标——CTR/CPAR 的最终误差还受"框内宽度的读数稳定性"影响（框级 IoU 0.836 的模型，宽度读数误差通常更小——边界的小偏移对"最大横径"的影响被对冲）。误差的两级传递（框 IoU→宽度读数→比值）在 §4.4 展开。

§4.3 阈值灰色带的重新校准（§1.4 落地）

代理口径下的阈值重校准方法：材料——本集 CTR+MIMIC 心扩大标签（1,942 阳性）；方法——ROC/Youden 切点+分布重叠带分析；官方数字的推演——全体 P75=0.512、阳性组 P25=0.527——灰色带 [0.512, 0.527] 宽 0.015，约涵盖两个分布尾部；产出——本集口径下的"推荐切点带"+与教科书 0.5 的偏移量。这个重校准的价值：让本集 CTR 可以在"本集口径内"做临床语义的翻译（0.53 以上≈高概率心扩大）——不与教科书 0.5 混用的纪律（§2.8）由此落地为可执行数字。

§4.4 误差传递的两级算术

从 IoU 到 CTR 的误差传递：第一级（框→宽度）——框边界偏移 δ 对宽度读数的影响 ≤2δ（左右边界各一次），但"最大横径"的读数对边界小偏移相对鲁棒（横径由最远处决定）；第二级（宽度→比值）——CTR=(W_heart)/(W_thorax)，两宽度的相对误差合成（分母偏小的系统偏差+分子分母的随机误差部分抵消）。结论（工程推断）：CTR 的随机误差 < 框 IoU 直觉暗示的水平（比值结构有对冲），但系统偏差（代理口径）不可对冲——随机误差用大数定律摊，系统偏差只能靠口径声明。这也是 §2.8"相对比较优先"的方法学根据。

§4.5 585 张调优集的"小数据+大集成"配方

调优集构成（200 MIMIC+285 JSRT+100 Montgomery≈585）与 503 披露的 HybridGNet 训练源（246/137/138/390）高度同源——JSRT+Montgomery+Shenzhen（+Padchest）是胸片解剖模型的"标准粮"（两家团队不约而同）。配方学：ImageNet 预训练+小调优集+模型集成的路线在 585 张上做出 IoU 0.836-0.903——小数据解剖分割的可行配方。对低资源团队的启示：解剖分割的门槛不在数据量而在调优集的纯度（人工 GT 的质量）——585 张的高质量 GT 比 58,500 张的伪标签更值钱。

§4.6 CPAR 的原创性评估：新指标的成功要素

CPAR 作为 2022 年新指标，它的"成功要素"分析：有临床直觉（心占肺野的面积比——医师一看就懂）；有管线可行性（分割模型+Otsu 两步现成）；有判别增益证据（组间差 0.118>CTR 的 0.082）；有开放数据背书（96K 值随集发布——社区可复验）。四要素齐备是新指标被采纳的必要条件——单有"新颖"不够，CPAR 的案例说明新指标需要"基础设施级"的配套开放。对照其他"论文里提出然后消失"的指标：差别就在第 4 要素。

§4.7 质量总评：数值 A、方法 B+、文档 A-

数值 A——双指标+错误码三态+分布自洽，数值层没有粗糙处；方法 B+——四模型集成+小数据配方扎实，扣分：胸宽代理的系统偏差（虽明示但未量化偏移幅度）与无逐例置信度；文档 A-——版本页+论文+README 三层，扣分：错误码分布官方未给。总评 7.0/8 的分项叙事：** simplicity 是它的武器**——单 CSV 的形态让一切质量瑕疵无处藏身，也让一切优点一目了然。

§4.8 一致性风险清单（本集版七条）

代理口径——CTR 分母是肺框宽，与教科书定义的偏移（§1.4）。
错误码的语义分层——码 2/3 与码 4 的处理不同（§1.7）。
无逐例置信度——所有数值同等可信的假设不成立（对照 503 的 std 缺位同款问题）。
仅 PA——AP 片不在库，跨视角研究不适用。
MIMIC 人群边界——BIDMC 急诊 ICU 人群（§4.8 的 CDSL 对照同理）。
两列覆盖不同——CTR 与 CPAR 的非错误行不同（join 时注意 NaN 结构）。
模型估计非真值——与人工测量（585 张）的偏差未被逐例披露（仅 IoU 汇总）。

§4.9 血缘链：从 DICOM 到 CSV 的四级加工

① MIMIC DICOM → ② JPG（MIMIC-CXR-JPG）→ ③ 检测/分割（4 模型集成）→ ④ 数值计算（框宽比/掩码面积比+Otsu）→ CSV。四级全开源可审计（论文方法+集成细节）——血缘链的长度也是全系列最短（502 五级/505 八级/本集四级）——血缘短=误差源少=数值层"轻"的本质。每级的信息代价：②的 JPG 有损（§2.6 同款）、③的模型误差（IoU 量化）、④的代理口径（§1.4）——四级里没有黑箱（与 502 同判）。

§4.10 与 502 的互验实验设计（落地版）

§2.3 的实验细化：数据——502 的 MIMIC 子集（243,334）与本集（96,161 PA）的 dicom_id 交集（预期≈96K 全覆）；计算——502 掩码算 CTR_502（心掩码横径/双肺联合横径），本集 CTR_official；分析——Bland-Altman+ρ+按 CTR_502−CTR_official 差值的极端 case 抽检（各 20 张目检）；预期——ρ>0.9+系统偏移（口径差方向）；产出——"框法 vs 掩码法"的方法学对照表。半天的实验服务于两篇论文（本集的验证小节+502 篇的掩码应用小节）——批次五→六的生态联动从这篇开始兑现。

§4.11 与 504 考卷的三方对账设计

§2.2 互文的三方对账落地：三方——LVLM 算的 CTR（504 Stage 3 的输出）、本集 CTR（模型口径）、人工真值（585 张子集，若可及）；分析——LVLM vs 本集的偏差分布（LVLM 的测量误差谱）+本集 vs 真值的偏差（模型误差谱）——两条误差谱的对比回答"LVLM 的测量误差是否已低于自动管线"——若 LVLM 已更准，过程评测的参考答案源该换代（本集的迭代压力）；若更差，本集数值层的存在必要性感人。这是评测生态与数据生态的动态对话——两条线的耦合是批次五→六的深层叙事。

§5 使用协议：从下载到发表的全流程

§5.1 环境对账清单

存储：<10 MB（单 CSV）——全系列最轻。
软件：pandas（一行读入）+MIMIC-CXR 凭证（若 join 影像/标签）。
版本三件套：v1.0.0+下载日期+MIMIC-CXR 版本（v2.0.0/v2.1.0 的 PA 子集口径）。
上游凭证：MIMIC-CXR-JPG 的 Credentialed（本集 Open 但 join 对象 Credentialed——混合许可场景，§8.3）。

§5.2 泄漏防控专项（数值层版）

单 CSV 无 self-leakage，但 join 上游后：患者级划分（join metadata 后按 subject_id 分组——PA 多片的同患者不跨 split）；与 2022 论文的关系——XGBoost 论文用过这些值的子集，复现对比时区分"论文用过的 case"；调优集泄漏——585 张调优集里的 200 张来自 MIMIC-CXR-JPG——这 200 张的 CTR/CPAR 是模型"见过 GT"的产物——严格评测应排除（或声明）这 200 张。四条的元规则：数值层也要问"这个数是怎么来的"——调优集成员资格就是数值层的"训练泄漏"。

§5.3 预处理推荐配方（三任务三配方）

配方一（融合特征）：CTR/CPAR 原值直接进表格模型（官方用法）；错误码行做三态处理（码 4 排除、码 2/3 保留+指示变量）。配方二（分布研究）：按人群/年代/波次分层的分布对比（96K 的大数）——绝对值口径声明+本集内相对比较。配方三（评测对账）：作为 504 Stage 3 的对照源/任何 CTR 管线的锚——口径声明+三方对账（§4.11）。三配方共同前置：错误码分层（§3.2）+六格分布对账（§3.4）。

§5.4 划分策略：join 后的纪律

数值层的划分随下游任务：融合建模——join 后按 MIMIC 患者级划分（subject_id 分组）；分布研究——无需划分（描述性）；评测对账——全量（每题都对账）。调优集 200 张的处理：严格评测排除；描述性分析可含（声明）。与批次五划分光谱（随机/患者级/时序）的对照：本集的划分完全由 join 后的任务决定——数值层没有自己的划分需求（又一个"轻"的表现）。

§5.5 质量抽样协议（数值层版 60 行）

数值层的抽样目检协议：抽 60 行——按 CTR 分位（P10/P25/P50/P75/P90 各 10 行）+错误码行 10 行；目检方式——join 影像后肉眼验证"心界/肺界与数值的相容性"（P90 的片应该真的心大）；产出——“数值-影像相容性报告”（相容率+异常 case 清单）。数值层的抽检必须回到影像（数值本身无法目检）——这是数值层数据集的特有质检形态：抽样验证的是"降维的正确性"而非"影像的质量"。

§5.6 与 502/504/495 的联合装载方案

四集联合的完整环境（本集数值层为粘合剂）：装载顺序——495 MIMIC-CXR-JPG（图）→ 502 掩码 → 本集 CTR/CPAR → 504 考卷。join 星型：dicom_id 为核，四集环列。联合分析的三层：层一（互验）——§4.10 双管线 CTR；层二（评测）——§4.11 三方对账；层三（建模）——CTR/CPAR 特征+掩码衍生特征+影像原图的三级融合。四态表：每 dicom_id 检查"图/掩码/CTR/考卷"四态——四态交集是黄金子集。

§5.7 错误黑名单（本集特有十条）

码 2/3 行当垃圾删——困难样本池（§1.7）。
CTR 直接与教科书 0.5 比对——代理口径偏差（§1.4/2.8）。
调优集 200 张进严格评测——训练泄漏（§5.2）。
CPAR 当 CTR 的替代品——互补设计（§1.5/4.1）。
患者级分析不去重——96K 是扫描数（§0.1）。
join 上游忘记声明混合许可——Open 数值+Credentialed 影像（§5.1）。
误差只看 IoU——两级传递（§4.4）。
错误码行数不进审计报告——失败分布是贡献（§3.11 第 3 条）。
许可简写成 CC BY——ODC-BY 家族名（§2.5）。
引用漏 MIUA 论文——三件套（§3.7）。

§5.8 可复现包模板

project/
├── configs/
│   ├── thresholds.yaml      # 重校准切点带（§4.3）
│   ├── split_strategy.yaml  # 患者级+调优集排除
│   └── upstream_versions.yaml
├── data/
│   ├── biomarkers/          # 本集 CSV（只读）
│   ├── mimic_cxr/           # metadata+标签（Credentialed）
│   └── masks_502/           # 若做互验（§4.10）
├── src/
│   ├── load/                # 读 CSV+join
│   ├── audit/               # §3.11 十条
│   ├── recalibration/       # §4.3 阈值重校准
│   └── crossval/            # §4.10/4.11 双管线/三方对账
├── outputs/
│   ├── audit_report.md
│   ├── bland_altman.png
│   └── roc_recalibration.png
└── README.md

全系列最轻的复现包（无 GPU、无大存储）——轻的代价是"能做的问题也轻"：本集的复现包定位是"验证与对账"，重活（视觉任务）不在这。

§5.9 教学场景的最小实验

三个 15 分钟实验（全 CPU）：实验一（分布）——CTR 直方图+六格对账——"分布验证"的入门；实验二（判别）——CTR/CPAR 的 ROC 对比（join 标签后）——"哪个指标更判别"的实证；实验三（误差结构）——错误码行的影像抽检——"失败即信息"的具象化。三实验的共同产出：一个能进课堂的特征工程案例——从 DICOM 到一个数字，然后这个数字如何被验证。

§5.10 与批次六的联合视野

批次六的十篇（506-515）各有分工，本集开篇立的结构：506 数值层（本集）→ 507 手机拍摄胸片（场景扩展）→ 508 CXR-PRO（前后片对照）→ 509 FDTooth（牙科 CBCT）→ 510 心肺分割（掩码）→ 511 嵌入库（表征层）→ 512 LATTE-CXR（接地）→ 513/514（QA/结构化）→ 515 超声（模态扩展）——批次六是"影像数据的形态学之旅"（数值/场景/时序/新模态/掩码/嵌入/接地/评测/超声）。本集作为数值层的开篇，批次六的后续条目将在各自形态上重复"降维 vs 保真"的主题变奏。

§5.11 与 492 MIMIC-IV 的跨模态对齐（生物标志物版）

CTR/CPAR 的最高价值场景（§7.11 特征字典的落地）：CTR×心衰临床指标——join MIMIC-IV 的超声 LVEF/BNP/利尿剂使用，研究"影像衍生 CTR 与临床心功能指标的相关与增量"——影像标志物的临床效度研究。设计：CTR 分位×BNP 分位的列联+CTR 对心衰识别的增量 AUC（EHR-only vs EHR+CTR）——官方 2022 论文的原始问题的 96K 精化版。装载注意：两库凭证（MIMIC-CXR+MIMIC-IV 同体系）+patient_id 映射。

§6 实证图景：官方数字、融合范式与机会地图

§6.1 官方数字的完整口径：能引的全在这

项	数值	出处
PA 扫描总数	96,161	版本页 Data Sources
CTR 覆盖	95,208（99.0%）	README
CPAR 覆盖	93,879（97.63%）	README
心扩大阳性	1,942（MIMIC 标签口径）	Data Sources
CTR 全体	0.483±0.065（P25 0.438/P75 0.512）	Data Sources
CTR 阳性	0.565±0.066（P25 0.527/P75 0.603）	Data Sources
CPAR 全体	0.341±0.089（P25 0.280/P75 0.383）	Data Sources
CPAR 阳性	0.459±0.108（P25 0.386/P75 0.520）	Data Sources
集成 IoU	心 0.836 / 肺 0.903	Methods
调优集	585 张（200 MIMIC+285 JSRT/Montgomery）	Methods
错误码	2=心 / 3=肺 / 4=两者	README
上线	2024-08-23，v1.0.0	版本史
DOI	10.13026/kfpv-zm25（latest 10.13026/4evw-jd69）	版本页
论文	MIUA 2022，LNCS 13413，DOI 10.1007/978-3-031-12053-4_2	References
Views	950（2026-09-22 快照）	版本页

表里没有的：错误码 2/3/4 的分布（官方未拆分）；逐例置信度；AP 位的任何数据；CTR 与 CPAR 的相关系数。这些空白即使用者的贡献机会（§3.11 第 3 条/第 9 条）。

§6.2 论文自证边界：MIUA 论文验证了什么、没验什么

2022 论文的验证三层：模型验证——检测/分割对 585 张 GT 的 IoU；标签验证——CTR/CPAR 与 MIMIC 心扩大标签的判别一致性；临床验证——“against clinical gold standard labels manually completed by a clinician”（版本页提及——规模未详）。未验的：逐例误差披露（只给汇总 IoU）、代理口径的偏移幅度（§1.4 的方向对、幅度未量化）、跨设备/跨年代稳定性。使用者的姿态：官方三层够"方法学引用"，逐例尽调（§5.5）够"自己的底气"——两层一起做，审稿无懈可击（与 503 篇 §6.2 的立场同构）。

§6.3 引用与影响：Views 950 的含金量

Views 950（挂牌两年）在 Open 数据里属中上（对照 505 的 59/503 的 79）——950 的构成推演：本集的"轻"（单 CSV 即用）大幅降低了浏览后的使用转化门槛——Open+轻+有用=高转化。学术引用（MIUA 论文+数据 DOI）未系统核查（挂 §10.7 清单）。本集的引用模式预测（C 级）：多数引用将出现在"多模态 EHR 建模"类论文的 feature 工程节——数值层被引用的方式是"被使用"而非"被讨论"——工具型数据集的引用是沉默的（与 504 的"被讨论型"引用相反）。

§6.4 与同代 CTR 研究的横向定位

CTR 自动测量的研究光谱：深度学习量测类（Chaisangmongkon 2021 IEEE Access 的外部验证——版本页引用 [2]）、分割管线类（502 CheXmask/本集）、判别直出类（CheXpert 式心扩大分类——不量 CTR 直接分类）。本集的位置：量测类的规模化代表（96K+双指标+开放）。与"判别直出"的对比：直出模型给"是不是心扩大"（黑箱概率），量测类给"CTR=0.53"（白箱数值）——白箱的可解释性与可融合性是本集的存在理由（§2.4 降维哲学）。三类的合读：判别（结果）→量测（过程）→掩码（证据）——可解释性的三个深度档位。

§6.5 机会地图：本集解锁的十个研究方向

CTR 阈值重校准——96K 上的 ROC 精化（§4.3），代理口径的推荐切点带。
CTR/CPAR 增量对比——两指标对心扩大/心衰结局的边际贡献消融（2022 论文的 96K 精化版）。
双管线互验——502 掩码 CTR vs 本集框法 CTR（§4.10），方法学对照论文。
三方对账——504 LVLM vs 本集 vs 金标准的测量误差谱（§4.11）。
时序 CTR 轨迹——同一患者多 PA 片的 CTR 动态（join MIMIC-CXR 的多片患者）——心功能变化的影像代理。
CPAR 的临床效度——CPAR×超声 LVEF/BNP 的相关与增量（492 联动，§5.11）。
失败样本的影像学——错误码 2/3 的 case 系列研究（“定位失败的临床画像”）。
代理口径的量化——肺框宽 vs 真胸廓宽的偏移幅度测量（用 585 张真值或 502 掩码）。
跨人群分布对比——MIMIC CTR 分布 vs 其他公开库——需要对方库的 CTR（管线复刻或合作）。
教学产品——"一个数字的完整审计"案例课（特征工程+验证+许可的全链教学）。

§6.6 团队生态：牛津组的"副产品策略"

Tarassenko 组的产出模式：主线（多模态临床决策）+副产品（数据集/工具开放）——本集是副产品策略的样本。对照 502 团队（阿根廷，主线=掩码产品线）与 504 团队（KAIST，主线=评测线）：三个团队的三种开放策略（副产物开放/产品线开放/基础设施开放）——都活得好。启示：数据集开放的动机不必崇高，"顺手开放+认真挂牌"就够——副产品策略的门槛最低、可持续性最好（主线论文的引用反哺）。

§6.7 量级定位：96K 的"够用区间"

96,161 的量级评估：对分布研究——96K 足够精确到 0.001 的分布参数；对亚组分析——1,942 阳性案例支撑 5-8 个亚组切分；对深度训练——不够（数值层无此需求）；对阈值校准——够（ROC 的 CI 窄）。96K 落在"统计够用/深度不够"的区间——本集的任务定位由量级决定：它是统计分析的富矿、深度学习的贫矿——选它之前先问自己要做什么（§1.10 用户画像的数字版）。

§6.8 坑点清单：八个必须知道的坑

坑点 1：代理口径。 CTR 分母是肺框宽——与教科书 0.5 不可直比（§1.4）。
坑点 2：96K 是扫描数。 患者级分析去重（§0.1）。
坑点 3：错误码分层。 码 2/3 与码 4 的处理不同（§1.7）。
坑点 4：调优集泄漏。 200 张 MIMIC 调优片在严格评测中排除（§5.2）。
坑点 5：许可家族名。 ODC-BY 不是 CC BY（§2.5）。
坑点 6：两列覆盖不同。 CTR 与 CPAR 的 NaN 结构不同（§4.8 风险 6）。
坑点 7：仅 PA。 AP 片不在库，跨视角研究不适用（§1.10）。
坑点 8：无逐例置信度。 所有数值同等可信的假设不成立（§4.8 风险 3）。

§6.9 自查清单：开工前的十问

我的分析单位是扫描还是患者？
我用的是本集口径内比较还是跨口径比较？
错误码行分层处理了吗？
调优集 200 张排除了吗？
阈值是重校准的还是照搬 0.5？
join 上游的保留率记录了吗？
60 行抽样目检做了吗？
许可写的是 ODC-BY 吗？
引用三件套齐吗（数据+MIUA+MIMIC）？
误差传递的两级想清楚了吗（§4.4）？

§6.10 诊断树：数值异常怎么办

某行 CTR/CPAR 异常（过高/过低/缺失）
├─ 缺失（错误码 2/3/4）
│   ├─ 码 2（心不可定位）→ 困难样本池（术后/积液）
│   ├─ 码 3（肺不可定位）→ 困难样本池（实变/切除）
│   └─ 码 4（都不可定位）→ 排除（非胸片/伪影）
├─ CTR 过高（P99 外）
│   ├─ join 影像目检
│   │   ├─ 真心大（标签相容）→ 保留（临床极端案例）
│   │   └─ 框定位错（框把纵隔当心）→ 管线失效，报告
│   └─ 影像无法核查 → 标记存疑
├─ CTR 过低（P1 外）
│   ├─ 目检：肺框过宽（把腹/肩带进框）→ 管线失效
│   └─ 影像正常但心小 → 保留（真实小心脏）
└─ CTR 与 CPAR 方向矛盾
    └─ 框法与面积法的分歧 case → 双指标互补的实证（§4.1），抽检

树的核心：数值层的异常诊断必须回到影像层——"数值-影像"的往返是本集使用的基本动作。

§6.11 静态×活跃：单版本与长尾使用

静态面：v1.0.0 单版本冻结、96K 不可变（MIMIC PA 子集封闭）。活跃面：社区使用（Views 950 的长尾）、上游 MIMIC 演进（v2.0.0→v2.1.0）。本集的活跃度不在数据侧而在"被使用的方式"——工具型数据集的活跃=被 join 的次数（不可观测但可推断）。维护预期：无升级压力（简单资产无需迭代）——"不需要维护"是维护的最好状态（对照 503 的 §6.11 活跃维护焦虑，本集的静止是从容）。

§6.12 横向稀缺性：为什么 96K 的 CTR 没人做

2024 年前无此数据集的原因：CTR 太"简单"——学术评价体系里"量个比值"不够发论文（本集寄生于 2022 论文的融合研究才得以产出）；工程分散——每个需要 CTR 的团队自己跑一遍管线（重复劳动无人统计）。本集的破局：寄生策略+开放挂牌。稀缺性的教训：最有用的数据集往往是最"不够发表"的——寄生与副产品是它们的生存策略（§6.6 的策略论再证）。

§6.13 批次六开篇的结构设计：本集立什么

批次六十篇的形态之旅（§5.10）由本集立第一根桩：“影像数据的形态学”——从最简（数值层）出发，经场景（手机）、时序（前后片）、新模态（牙科 CT/超声）、掩码、嵌入、接地、评测——形态越来越复杂。本集的"最简"是刻意安排的锚点：先看最简的完备形态，再理解复杂形态的每个复杂度都在为什么服务。批次的阅读策略建议：本集→511 嵌入库（同为降维形态，嵌入是高维版）→504 回顾（评测形态）——降维-评测的往返是形态学的第一条主线。

§6.14 十问十答（研究者视角快答）

CTR 能直接当真值用吗？ 不能——模型估计值（IoU 0.836 的管线）+代理口径；真值只有 585 张的人工分割。
0.483 均值说明什么？ MIMIC 人群的 CTR 分布中心——与临床常识（多数<0.5）吻合的合理性验证。
CPAR 有临床阈值吗？ 无先验（2022 原创）——判别性能定标（§1.5）。
两指标谁更准？ 无"更准"只有"互补"——CTR 怕框、CPAR 怕 Otsu（§4.1）。
错误码行能删吗？ 码 4 能、码 2/3 别删（困难样本池，§1.7）。
能复刻管线处理自家数据吗？ 论文方法可复现；代码交付状态以仓库为准（§3.9）。
AP 位呢？ 不在库（管线仅 PA 调优）；AP 扩展是社区机会（§3.9）。
和 502 掩码算的 CTR 一致吗？ 强相关+系统偏移（口径差）——对账实验 §4.10。
引用怎么写？ 三件套：数据 DOI+MIUA+MIMIC（§3.7）。
一句话定位？ 96K 张影像的"数字身份证"——把影像装进表格世界的最小完备接口。

§6.15 增量策略：给已有项目的最小接入路径

三条路：一小时——下载 CSV+join MIMIC 标签，出 CTR 分布图+心扩大判别 AUC（复现官方统计）；一天——CTR/CPAR 进自家 EHR 建模的特征集，消融"加影像标志物"的增量；一周——§4.10 双管线互验+§4.11 三方对账的完整方法学论文。三条路的共同起点：口径声明（§0.1 三纪律）。

§6.16 时代定位：2024 年的"数值层"觉醒

本集挂牌（2024-08）的时间意义：影像标志物从"论文里的中间产物"变成"独立开放的资产"——2024 年 PhysioNet 上同时出现本集（数值层）、GENEM 嵌入库（511，嵌入层）、504（评测层）——影像的"衍生层资产"在 2023-2024 集中涌现（数值/嵌入/掩码/评测）。这个涌现的技术前提：管线成熟（分割/检测的工业化）+许可基础设施（ODC/CC 的数据许可普及）+平台接受（PhysioNet 的衍生层收录政策）。衍生层资产的时代意义：影像 AI 的分工细化——有人做图库、有人做标注、有人做衍生、有人做评测——生态的工业化分工开始了。

§6.17 上游依存：MIMIC 单源的结构

本集 100% 依赖 MIMIC-CXR（PA 子集）——单源结构的风险与对策（对照 505 的单源讨论，本集更简单）：MIMIC 的可达性变化直接影响本集 join（数值本身 Open 可独立使用——数值层在"无图模式"下仍可做分布研究——Open 数值的独立生命力）；MIMIC 版本演进（PA 子集随 MIMIC 版本稳定——dicom_id 不变）。本集的单源风险被它的独立性部分对冲（数值可独立消费）——比 505 的单源（无图不可用）风险低一档。

§6.18 与 511 嵌入库的对照预告：两种降维

批次六的 511（GENEM 嵌入库，Google 的 MIMIC-CXR 嵌入）与本集是"降维"的两种形态：本集——96,161×2（两个临床语义数字，超低维、超可解释）；511——全库的深度嵌入（高维、不可解释但信息全）。对照的价值：降维的维度选择=可解释性与信息量的交换——CTR 是"临床智慧定的一维"，嵌入是"模型自己学的 1,000 维"。两条线的合读是"表征学习 vs 临床特征工程"的老争论在新形态下的重演——没有胜负，只有任务适配（§5.10 的批次六主线预告）。

§5.12 三方对账的执行细化（LVLM×本集×金标准）

§4.11 三方对账的执行表：第一步——504 考卷里选 CTR 类题（Stage 3 测量）的 LVLM 答案抽取；第二步——同 dicom_id join 本集 CTR（模型口径）；第三步——585 张真值子集内做第三点（人工测量）；第四步——三方两两的 Bland-Altman+相关矩阵；第五步——分歧三元组（三方各异的 case）的人工仲裁与归因。产出：一张三方误差谱——"LVLM 的测量误差落在哪、自动管线落在哪、真值在哪"的三角关系图。这是本集/504/批次五三条线交汇的最短路径实验（全部材料现成，执行 1-2 天）。

§6.19 DAIMS 的"简单性溢价"细算：满分项的共性

7.0 分里两个满分项（机读 1.0/格式 1.0）的共性解剖：机读满分——单 CSV+双数值列+无嵌套/无多文件/无解码步骤——"机读成本"从 503 的 O(解码 RLE) 降到 O(read_csv)；格式满分——单文件+无重组+无对齐歧义。两个满分的一致性根源：交付物与消费形态零阻抗——数据的存在形态=使用需要形态。反观复杂集（505 的六表+144 万影像）：阻抗来自"数据的丰富性"本身。简单性溢价的可推广公式：阻抗=形态差×规模×结构复杂度——三因子都小时，DAIMS 满分。给数据集建设者的启示：若你的数据天然简单（单表/单列/单值），别为"看起来更像数据集"而复杂化它。

§6.20 与 495 的 PA 子集关系：数值层嵌在影像库里

本集的 96,161 张 PA 是 495 MIMIC-CXR（377,110 全量）的子集——数值层"住在"影像库里的关系：数值的键（dicom_id）在影像库的 metadata 里有全部语境（患者/日期/视角/设备）。三层使用：层一（纯数值）——不 join 的独立分布研究（ODC-BY 自由）；层二（数值+metadata）——加视角/人口的分层（需 MIMIC 凭证——混合许可）；层三（数值+影像+标签）——全栈（Credentialed 全套）。三层的许可梯度与价值梯度一致——按需上楼，别一步到顶（每层都有独立可发表的问题）。

§6.21 错误码分布的社区研究设计：一个"空白"的填法

错误码 2/3/4 的分布官方未拆分——把它填掉的完整设计：数据——CSV 全量（错误码列）；分析一——三态计数与占比（预期码 3 最多——肺不可定位比心更少见？反向验证）；分析二——错误码×患者人口学（join metadata 的年龄/性别）——失败的人群学；分析三——错误码×影像可得性（有 CT 的患者 X 光失败率更低？——交叉模态的验证）。产出：一张"自动测量的失败画像"表——管线失败的流行病学是文献空白，96K 的规模让它首次可做。这张表是 §6.1"空白清单"里最容易兑现的一项（纯 CPU、无新数据需求）。

§6.22 数值层与嵌入层的哲学对照：降维的两条路（批次六主线预演）

§6.18 的展开：本集（数值层）与 511（嵌入层）代表降维的两条路，四维对照——维度来源（临床智慧定义 vs 数据驱动学习）；信息保全（2 个数 vs 千维向量——后者信息全但需下游再学习）；可解释性（CTR=0.53 医师秒懂 vs 嵌入第 137 维无人能懂）；融合成本（join 即用 vs 需向量库/投影头）。两条路的适用分界：下游是统计/规则→数值层；下游是深度模型→嵌入层。批次六让两者都入列的编辑意图：让使用者看清"降维光谱"的全长——光谱的端点各自极端，中间（如 32 维的语义压缩）是尚未有人占的位（§7.15 提案方向的种子）。

§6.23 四级血缘的逐级验证协议：把"短血缘"用到极致

本集血缘只有四级（§4.9）——短血缘的好处是每级都可独立验证：级①②（DICOM→JPG）——上游 MIMIC 已验证（信任传递）；级③（模型推理）——IoU 汇总+抽样目检（§5.5 的 60 行）；级④（数值计算）——纯算术可复算（从框/掩码重算 CTR 验证算术正确性——需③的中间产物，官方未发布中间产物则此项退化为"统计对账"§3.4）。短血缘的验证哲学：与其加长验证链，不如缩短血缘链——本集是这条哲学的示范（对照 505 的八级血缘：每加一级，验证矩阵乘一项）。

§6.24 多 PA 片患者的纵向子集规模估计

§6.5 机会 5（时序 CTR 轨迹）的可行性预估：MIMIC-CXR 的患者均片数约 3.9（227,835 报告/65,379 患者——含各视角）；PA 片的患者均数≈96,161×2/65,379≈2.9（PA 占比约六成后的推算）——有 ≥2 张 PA 的患者预计占三到四成（估算，需 join 实证）——纵向子集约 2-4 万患者×2-3 次 CTR。这个子集规模足以支撑"CTR 轨迹×临床事件"的首篇纵向研究——96K 的横断面值在纵向视角下又"长"出了一大截。估标的标注：全部为推算值（C 级），实证需 join。

§6.31 ODC 家族三兄弟：BY/ODbL/PDDL 的选择课

本集用的 ODC-BY 是 ODC 家族三许可中最宽的，三兄弟谱系与选择逻辑：PDDL（公有领域贡献）——最宽，无署名义务（数据"送入公域"）；ODC-BY（本集）——署名即可商用/衍生/再分发——“开放但求留名”；ODbL——署名+相同方式共享（衍生库须同许可开放）——“开放且传染”。三兄弟的选择题：希望下游也开放选 ODbL、只求署名选 BY、彻底放手选 PDDL。本集选 BY 的读解：团队要署名 credit（学术激励）但不要求下游开放（最大化采用）——BY 是"开放与传播"的最优平衡点，也是 PhysioNet Open 数据的主流选择。

§6.32 两列数值的"信息论账本"：0.53 里装了多少信息

一个反直觉的信息论估算：一张 96K 像素的 JPG（约 100KB）被压缩成 CTR=0.53（约 4 字节）——压缩比 25,000:1，丢掉的是纹理/病灶/形态，留下的是"临床问过的那一个量"。信息论账本的另一面：这个 4 字节与结局变量的互信息（预测增益）可能超过整张图与结局的互信息（噪声主导时）——降维的信息论本质是"信噪比换信息量"：放弃量、保住质。压缩的合法性=下游问题的带宽——这是降维交付的最终判据。

§6.33 错误码与"数据集的诚实分级"

错误码三态设计引出一个数据集伦理的分级框架：诚实等级 A——失败显式标记+原因分类（本集，2/3/4）；等级 B——失败行静默缺失（多数数据集）；等级 C——失败值被填充（均值/零——最危险）。本集的 A 级设计成本极低（一行 if-else），但行业里 B/C 级仍是主流——诚实分级是"数据集伦理"里最容易被忽视也最容易改进的维度。批次五的 502（RCA 分数）与本集（错误码）都属 A 级——诚实是有传染性的（§6.16 的涌现论再证）。

§6.34 规模不可比性：本集与 512 LATTE 的批次六呼应

批次六里本集（96K CTR 值）与 512（LATTE-CXR，接地数据集）的规模对比预演：LATTE 的 bbox-语句对与本集的 96,161 CTR 值在"数据点"语义上不同粒度（影像级 vs 对级）——批次六的"规模不可比性"主题在开篇就埋下：数据集的规模只有在其形态内才可比较（§2.1 四形态论的应用）。完整展开在 512 条目（制作时回填）。

§7 AI 实践指南：从融合到发表

§7.1 五种喂法总览（数值层版）

特征喂法：CTR/CPAR 进表格模型的特征集（官方用法；XGBoost/LightGBM/线性模型）。
对账喂法：作为任何 CTR 管线/504 考卷的对照源（§4.10/4.11）。
分布喂法：96K 分布的描述与对比（流行病学/阈值研究）。
时序喂法：多 PA 片患者的 CTR 轨迹（join 后的纵向分析）。
教学喂法：特征工程/数据许可/误差结构的三合一教学样本。

五法共同地基：口径声明+错误码分层+六格对账。

§7.2 30 分钟上手实验

目标：复现官方统计+首张判别曲线。步骤：读 CSV（2 分钟）→六格分布对账（§3.4，5 分钟）→join MIMIC 标签（8 分钟）→CTR 的 ROC/AUC（10 分钟）→错误码分布统计（5 分钟）。产出：分布图+ROC+错误码表——三个可进论文的素材，30 分钟——本集的时间性价比全系列第一。

§7.3 泄漏防控专项（数值层版）

三条（§5.2 展开）：调优集 200 张排除（严格评测）；患者级分组（join 后 subject_id）；论文 case 的声明（2022 论文用过的子集在对比实验中区分）。三条的共同思想：数值层的泄漏不在"数值之间"而在"数值与管线/论文的历史关系"——数据的社交史也要审。

§7.4 公平性与亚组：CTR 分布的人群切片

96K 的亚组分析轴：年龄/性别（join metadata）——CTR 分布的人群差（心脏几何的人群学）；年代（MIMIC 的 2011-2016 窗口内的年度漂移——设备/投照协议演进）；成像条件（PA 的设备型号若元数据保留）。本集特色的公平性视角：影像衍生标志物的人群差=“模型管线在不同人群的测量行为差”——CTR 在某亚群系统性偏高可能是"体格差"也可能是"管线对该人群失效"——分布差的归因要区分解剖差与管线差（对照 503 篇 §7.4 的 UQ 亚组，同款思路）。

§7.5 LLM 语境扩展：数值层的语言化

CTR/CPAR 的 LLM 接入姿势：自然语言化——"该患者 CTR 0.53（本集口径），高于人群 P75（0.512）"的结构化→语言模板——LLM 报告生成里的数值锚；推理评测——504 协议的 EHR 版设想在本集的变体：“给定 CTR=0.56 与年龄 65，判断心扩大风险”——数值层做 LLM 推理考题的"客观条件"；RAG 检索——CTR 相似患者检索（简单但有效的相似度定义）。三条的共同点：数值层是 LLM 与影像世界的"翻译层"——LLM 读不懂像素但读得懂 0.53。

§7.6 弱监督的四级爬梯（数值层版）

一级（全监督）——CTR/CPAR 进特征集的监督建模（官方路线）；二级（标签 refine）——CTR 阈值初判+报告标签的一致性过滤（NLP 标签的噪声用数值层清洗——MIMIC 心扩大标签的假阳/假阴用 CTR 带修正）；三级（多任务）——CTR/CPAR+标签+结局的联合建模（影像信息的多层次利用）；四级（自训练闭环）——本集数值训的初判模型→新数据（AP 扩展）打伪标签→阈值重校准迭代。四级里二级（数值层清洗标签）是本集最独特的贡献位——96K 的模型 CTR 为 22 万标签的质检提供了独立证据源。

§7.7 多模态架构的参考方案（融合版）

CTR/CPAR 在多模态架构的位置：表格分支——与 age/sex/生命体征并列的数值特征（标准 entry）；对抗融合的泄漏提醒——CTR 由影像生成，若影像分支也在架构里，CTR 与影像分支的信息重叠（double counting）——消融设计要分离"仅 CTR"/“仅影像”/"CTR+影像"三臂（§7.26 同款思路）；部署语义——CTR 的部署优势：无影像环境（转诊/基层）仍可回退用历史 CTR 值——数值层的部署鲁棒性优于像素层。架构的这三条是"影像特征融合"的通用纪律，CTR 是最干净的教具。

§7.8 成本与算力预算

全系列最低：存储<10 MB；计算——全部分析 CPU 级（join+统计+ROC）；人工——60 行抽检半天；唯一的时间成本——MIMIC 凭证（若未持有，1-2 周）。总账：一个"下午+一台笔记本"的数据集——本集是"低门槛高确定性"研究的样板——预算表的极简本身是教学素材。

§7.9 负结果预案：哪些实验可能失败且仍有价值

三个"失败也发得出"：CPAR 增量消失——96K 上 CPAR 对 CTR 无判别增量（2022 论文的样本较小）——负结果修正新指标的采纳预期；跨年代漂移——CTR 分布在 2011-2016 间漂移显著（设备/协议演化）——影像标志物的时代敏感性实证；双管线不一致——502 vs 本集的 CTR 系统差超预期——"框法与掩码法不可互换"的方法学警告。三个负结果的共同框架：都把"数值层"的可信边界画清楚。

§7.10 跨库对比的特征对齐技巧

与其他库的 CTR 对比（§6.5 机会 9）的对齐技巧：口径先行——对比前把两库的 CTR 定义（分母/测量线）对齐成文字表；视角限制——仅 PA 对 PA（AP 的 CTR 分布不同）；设备分层——DR/CR/床旁的设备差做协变量；相对化——用库内百分位（P50/P90）而非绝对值比较——跨库的绝对比较是口径地狱，相对比较是安全区。

§7.11 特征字典：从本集能算什么

特征族	例	计算要点
原始值	CTR/CPAR	直接用；错误码分层
分位语义	CTR 的库内百分位	"高于人群 P75"的语言化
判别分数	CTR/CPAR 的心扩大概率（校准后）	§4.3 重校准的输出
组合	CTR×CPAR 的散点象限	双指标一致性/分歧 case
轨迹	多 PA 片的 CTR 变化	join 多片患者的纵向
偏移审计	本集 vs 502 vs 真值的差	三方对账（§4.11）

六族特征的成本全部 <1 小时——数值层的特征字典是"免训练"哲学的极致。

§7.12 审稿话术：数值层使用段落的模板

方法节模板：“Image-derived biomarkers were obtained from cxr-cardiomegaly v1.0.0 [PhysioNet DOI; MIUA 2022], which provides automated cardiothoracic ratio (CTR) and cardiopulmonary area ratio (CPAR) values for 96,161 PA chest X-rays in MIMIC-CXR, generated by an ensemble of detection and segmentation networks (IoU 0.836/0.903). Note that CTR in this resource uses the lung bounding-box width as a surrogate for thoracic width; comparisons with textbook CTR thresholds are therefore avoided, and a resource-specific threshold band ([0.512, 0.527]) was used instead. Values with error codes 2/3/4 were [处理策略].”——四要素：来源+口径警告+阈值策略+错误码处理。口径警告一句是本模板的灵魂——它证明你读过 Methods 而不是只读了标题。

§7.13 部署差距：从 96K 数值到临床工具

数值层部署的三条差距：实时性——研究集是离线批量；部署需实时管线（单片推理延迟）——管线本身轻（检测+分割+Otsu），实时可行；口径的院内校准——部署院的设备/人群需要本地重校准（§4.3 协议复用）；临床路径的接口——CTR 数值进电子病历的结构化字段（观察项）与触发规则（>阈值→超声建议）的集成——数值层的部署价值恰好在于"可进规则引擎"——这是它优于"影像判别黑箱"的部署面。三条的元结论：数值层的部署是"把研究特征变成医院特征"——接口工作多于模型工作。

§7.14 工具链推荐

pandas+scipy（全部统计）；scikit-learn（ROC/校准）；matplotlib（分布图）；duckdb（join MIMIC metadata 的加速，可选）；SimpleITK+torch（仅当复刻管线）。避免自研：CTR 计算（官方已给值）、错误码语义（官方定义）。工具链的清单短到可以背下来——这是"轻资产数据集"的工程红利。

§7.15 三个可发表的具体提案

提案一（方法向）：“Threshold recalibration of image-derived CTR on 96K scans: accounting for pulmonary-box surrogate”——§4.3 的完整论文：代理口径的偏移量化+重校准切点带+跨人群验证——短平快的方法学论文。提案二（应用向）：“Image-derived biomarkers for cardiac dysfunction surveillance in EHR: a 96K-pair linkage study”——CTR/CPAR join MIMIC-IV 的临床效度研究（§5.11）——应用主文。提案三（数据向）：“Box versus mask: a cross-pipeline comparison of automated CTR”——§4.10 双管线对照+504 三方对账（§4.11）——管线方法学的对照研究。三提案共享一个复现包，难度递减、发表阵地各异——数值层的"轻"让一人三线并行成为可能。

§7.16 一页纸摘要：给决策者的版本

是什么：MIMIC-CXR 全部 96,161 张 PA 片的自动 CTR+CPAR 值（单 CSV，Open/ODC-BY）。为什么重要：影像信息的最小可融合形态——EHR 表格里第一次有"影像列"；504 考卷 CTR 题的官方答案。怎么用：下载→join 标签→错误码分层→特征或对账。成本：半天+笔记本。风险：代理口径、无逐例置信度、仅 PA。替代方案：502 掩码自算（重但可控）、504 考卷（要评 LVLM 时）、自建管线（有标注资源时）。一句话决策：要给 EHR 建模加影像特征或要 CTR 对照答案——这是最省事的正解；要像素级证据——去 495/502。

§7.17 数值层的版本演进设想：v1.1 加什么

对照 503 的 std 思想，本集 v1.1 的增量设想（C 级，给维护方的参照）：加逐例置信度——集成的模型间分歧（两 Faster R-CNN 的框差/两 Mask R-CNN 的掩码差）作为逐例 std——503 的"内生不确定性"在此的复刻；加 AP 扩展——管线跑 AP 位（调优集需 AP 样本——工程量中等）；加区间说明——CTR/CPAR 的 95% 区间（分布推导）。三条的优先级：置信度>AP>区间——第一条直接回应"无逐例置信度"的 DAIMS 扣分。

§7.18 教学大纲："一个数字的完整审计"课程

用本集做的两周微课程（数据工程导论课的模块）：第一周"数字从哪来"——四模型管线解剖+585 调优集+IoU 语义（§4.2/4.5）+30 分钟复现实验（§7.2）；第二周"数字怎么验"——六格对账+60 行抽样目检+错误码诊断树（§6.10）+重校准（§4.3）。课程的主张：用最简单的数据集教最完整的验证纪律——学生结课的核心能力：“拿到任何一个衍生数值，问出它的管线、口径、误差与验证状态四个问题”。

§7.19 长期维护的三条建议（给维护方）

提案一：错误码分布的官方补丁——README 加一行三态分布表（数据在包里，统计一行代码）——最便宜的信息增量。提案二：调优集 200 张的 ID 列表公开——让严格评测的排除有官方依据（现在是推断）。提案三：AP 扩展的路线图声明——"管线支持 AP，调优集待扩展"的一句话——把社区最大的期待显式化。三条共同点：都是一行文档级的成本——本集的文档已经很好，好到只差三行。

§7.20 与 506 论文结论的对话：三个开放问题

其一，代理口径的偏移幅度——肺框宽 vs 真胸廓宽差多少（§1.4 的量化空白）——585 张真值或 502 掩码可答（§7.15 提案一的核心）；其二，CPAR 的跨人群稳定性——Otsu 的灰度依赖在不同人群/设备的稳定性——96K 内部亚组分析可起步；其三，数值层与判别直出的对账——CTR 数值 vs 直出分类模型（CheXpert 式）的一致性与互补性——"量测与判别"两条路线的和解实验。三问都有本集数据可直接起步——简单的数据集出简单直接的研究问题——这是简单性的研究红利。

§7.21 数据增强与合成数据的边界（数值层特例）

数值层的数据增强与影像不同：CTR 的"增强"——加噪声生成合成 CTR 分布？无意义（分布已 96K，统计精度足够，合成只添噪）；CPAR×CTR 的联合合成——保持相关结构的合成数据（用于教学）需声明合成。数值层的增强纪律：真实分布足够大时，合成是画蛇添足——对照影像层（增强是刚需）的哲学差异：像素的信息密度低（增强补信息），数值的信息密度高（增强坏信息）。

§7.22 外部验证锚（数值层版）

502 篇 §7.22 的三姿势在本集：姿势一（跨管线一致）——§4.10 的 502 掩码对账（核心）；姿势二（临床锚）——CTR×MIMIC-IV 心衰指标的效度（§5.11）；姿势三（回归测试）——官方六格分布作为"数据完整性"的回归锚（每次重新处理后的 diff 检查）。三姿势在本集的成本都是小时级——轻资产数据集的验证也是轻资产——一致性贯穿到底。

§7.23 从本集出发的两年研究路线图

第一年（对账与效度）——重校准（提案一）+双管线互验+504 三方对账；产出方法学论文 1+对账报告。第二年（效度与教学）——临床效度研究（提案二，492 联动）+CPAR 精化+教学课程包（§7.18）；产出应用论文 1+课程包。两年资源逻辑：第一年花"口径红利"（唯一的 96K CTR），第二年花"开放红利"（ODC-BY 的零摩擦组合研究）——小数据集的两年路线图比大数据集更聚焦——它的杠杆在"唯一性"而非"全面性"。

§7.24 一分钟版：如果你只有一分钟

下载单 CSV（Open/ODC-BY）→ 六格分布对账 → 错误码分层（码 4 排除）→ join MIMIC 标签与 metadata → CTR 进特征集或做对账锚 → 引用三件套+口径警告一句（分母是肺框宽）。跳步代价：跳口径警告=与教科书直比的错误；跳错误码分层=丢困难样本；跳三件套=署名义务违约。

§7.25 审批与许可的四段模板（数值层最简版）

ODC-BY 的许可声明四段（比 Contributor Review 的提案轻一万倍）：段一（来源）——“Contains information from cxr-cardiomegaly v1.0.0 (PhysioNet), DOI 10.13026/kfpv-zm25”；段二（许可）——“licensed under ODC-BY”；段三（修改声明）——“Values were [used as-is / filtered per error codes / recalibrated per §4.3]”；段四（上游提示）——“Source images from MIMIC-CXR (accessed under PhysioNet Credentialed agreement)”。四段合计 60 字——本集的合规文书是全系列最短的（对照 505 提案的 2 页纸）：轻资产的最后一轻。

§7.26 缺失影像通道的三臂消融设计（融合研究的核心决策）

CTR/CPAR 进多模态架构时的信息重叠问题（§7.7）的三臂消融细化：臂 A（EHR-only）——不含影像衍生特征；臂 B（CTR/CPAR only）——只加两个数值（无原始影像）；臂 C（full imaging）——原始影像分支。关键对比：B vs A = 影像标志物的增量（本集的价值证明）；C vs B = 原始影像超出"两个数字"的信息增量（降维损失的大小）。预期（C 级）：B>A 显著（标志物有效）；C≈B（CTR/CPAR 已捕获大部分心扩大相关信息——若成立，是"降维哲学"的最强实证）。三臂的实验设计简单（特征开关），是本集的方法学论文首选框架。

§7.27 时序 CTR 的临床场景细化（§6.5 机会 5 的展开）

多 PA 片患者的 CTR 轨迹的临床场景：场景一（心衰住院轨迹）——住院期间多次床旁 PA 的 CTR 变化 vs 利尿治疗——“影像可量化的治疗反应”；场景二（ICU 容量管理）——CTR 与液体平衡的时间对齐（492 的出入量数据）——容量状态的影像代理验证；场景三（术前评估）——手术前后 CTR 的对照。三场景的数据需求都是"多 PA 片患者"子集（§6.24 估算 2-4 万患者）——96K 的横断面在纵向视角下又长出一截。

§7.28 错误码研究的论文骨架（§6.21 的成品化）

错误码分布研究的完整骨架：RQ——自动 CTR/CPAR 测量在哪些患者上失败？方法——错误码×人口学×诊断×波次的交叉分析+失败 case 的影像抽样；预期贡献——"自动测量的失败画像"首次系统化（96K 的规模优势）；风险——失败率太低（1-2.4%）导致亚组功效不足——对策：合并三码做"任何失败"的主分析+分码做探索。骨架的产出目标：Radiology/AJR 短文——空白题目的第一篇天然是高引。

§7.29 与 508 CXR-PRO 的对照预告（批次六时序层）

批次六的 508（CXR-PRO：MIMIC-CXR with Prior Reference——前后片对照）与本集的时序 CTR（§7.27）是"时序"的两种形态：508 是"影像对"的时序（前后片的配对参照）、本集是"数值轨迹"的时序（CTR 的时间序列）——时序的粒度选择：影像级时序（重、信息全）vs 数值级时序（轻、可建模）——本集的 CTR 轨迹是时序分析的"轻量化入口"。508 条目制作时回填对照。

§7.30 ODC-BY 与 CC BY 的混合许可场景实操（社区问答整理）

本集（ODC-BY）与 502/503（CC BY 4.0）联合使用的许可实操：两者都允许商用/衍生/再分发——联合衍生品（如 CTR×掩码对照数据集）的许可声明同时标注两来源+两许可（“Contains data from [502] under CC BY 4.0 and [506] under ODC-BY”）——双重署名是最安全的混合姿势（比争论"哪个许可主导"省心）。与 505（Contributor Review）混合则回到从严原则（§8.4 同款）。混合许可的三句口诀：同 Open 则双标，异档则从严，拿不准就提案。

§7.31 数值层的"批处理审计"流水线

把 §3.11 十条对账+§5.5 抽检+§4.3 重校准固化为一条批处理流水线（可重复执行的 audit pipeline）：Stage 1——行数/覆盖/分布六格对账（对不上即 halt）；Stage 2——错误码分布统计+分层导出；Stage 3——抽样 60 行生成目检清单（影像 join）；Stage 4——重校准 ROC 输出；Stage 5——审计报告 Markdown 自动渲染。流水线的价值：每次 MIMIC 版本升级或数据重下载，一条命令重跑全部审计——审计的可重复性=研究的可重复性的地基（§7.22 姿势三的工程化）。

§7.32 面向基层医疗的回退叙事（部署语义的延伸）

§7.7 的部署鲁棒性展开成一个部署叙事：基层场景（无影像设备/无放射科）——患者的历史 CTR 值（上级医院拍的片，本集管线的产出）作为心扩大的"随身证据"进入基层决策——数值层让影像证据变得可携带（一个数字随档案走）。与像素层部署的对照：影像需要设备+判读能力，数值只需要档案系统。CDSL 式的基层回退叙事（对照 505 篇 §7.13）在本集的对应物：CTR 的基层回退——这是"降维交付"哲学的公共卫生落地（C 级设想，值得与基层医疗试点对话）。

§7.43 CTR 的百年史引用点：一个世纪的特征共识

CTR 的临床史是本集特征合理性的最深根据——年代锚：1900s 初——心胸比在 X 光片上的首次系统描述；20 世纪中——0.5 阈值的教科书固化；2021——深度学习 CTR 测量的外部验证（Chaisangmongkon，IEEE Access）；2022——CPAR 提出+多模态融合（本集源论文）；2024——96K 数值开放（本集）。百年史的含义：CTR 的"可压缩性"被三代临床实践反复验证——本集不是发明了一个特征，而是把一个世纪的特征共识数字化了。引用这段史（哪怕一句）能让论文的"为什么用 CTR"从工程选择升格为临床承继。

§7.45 错误码行"保留 vs 删除"的决策树（工程纪律卡片）

错误码行的处理决策树（§1.7 与 §3.2 的工程化收口）：删除条件——码 4（非胸片/严重伪影）且任务对样本完整性敏感（如分布统计）；保留条件——码 2/3（失败原因本身是信号）且任务容忍缺失（加指示变量）；强制保留——失败样本研究（§6.5 机会 7）或论文的数据质量附录。默认姿势：全部保留+分析时按码分层——删除是不可逆决策，保留是可逆的。一行原则：别替下游做不可逆的决定。

§7.46 单 CSV 数据集的"轻资产三律"

从本集提炼轻资产数据集的三条设计律：律一（单文件律）——能一个文件交付就不拆多文件（拆文件的唯一正当理由是许可分层）；律二（原生列律）——数值列不做字符串封装（"0.53"就存 0.53，别存 JSON）——本集的数值列可直接 mean()；律三（README 即文档律）——单文件数据集的 README 必须含：列语义+错误码+覆盖+口径警告四件——本集 README 四件齐（差错误码分布，§7.19）。三律的共同思想：轻资产的"轻"是产品承诺——每个多余结构都是使用者的税。

§7.48 从"错误码"到"数据集的可证伪性"：一个方法论收口

本集错误码设计的最深启示：数据集应该像科学假设一样可证伪——"96,161 张全部成功测量"是一个不可证伪的声明（没有反例空间），“1.0% 失败且分为三类"是可证伪的（任何人可数出不同分布并挑战）。可证伪性=数据集的科学品格：交付物里的每个"成功声明"都应伴随"失败的定义与计数”。这个收口把 §6.33 的诚实分级、§6.8 的坑点清单、§10.1 的存照纪律全部统一到一个认识论框架下——Top1000 工程对每个条目做的存照，本质上就是在给每个数据集做"可证伪性审计"。

§8 伦理与合规：Open 数值层的轻义务与 ODC-BY

§8.1 全系列最轻的合规包

本集的合规义务构成（对照批次五光谱的最轻端）：①访问——零审批（Open Access，“Anyone can access the files”）；②许可——ODC-BY（署名即可，允许商用/衍生/再分发）；③隐私——纯数值不含 PHI（无图、无文本、无日期），"no ethics concerns"的官方声明有结构依据；④上游——join MIMIC 影像/标签时触发 MIMIC 的 Credentialed 义务（§8.3）。四件里只有④有实质重量——本集是"合规负担≈0"的样本：批次五光谱（505 最重→本集最轻）的另一个极端。

§8.2 ODC-BY 的义务细则：署名的正确姿势

ODC-BY 的核心义务与执行：署名（Attribution）——使用/再分发/衍生时注明数据来源；正确姿势——"Contains information from cxr-cardiomegaly v1.0.0 (PhysioNet), licensed under ODC-BY, DOI 10.13026/kfpv-zm25"的来源声明+论文引用三件套；衍生数据库——若把 CTR/CPAR 并入你自己的衍生库，衍生库需同样标注来源（ODC-BY 的 attribution 在衍生层延续）；技术措施——不得用技术手段阻止他人从你发布的衍生库中提取本集内容（ODC-BY 的 open 义务）。ODC-BY vs CC BY 的四点对照（§2.5 展开）：法律体系（数据库特殊权利 vs 著作权）、条款结构（ODC 单 license vs CC 多选项）、sui generis 处理（明确 vs 含糊）、社区惯例（数据社区偏 ODC、内容社区偏 CC）。

§8.3 混合许可场景：Open 数值 × Credentialed 影像

本集 Open 但 join 对象 MIMIC-CXR 是 Credentialed——混合场景的三条规则：规则一（衍生品跟严走）——CTR join 影像/标签后的分析产出（含衍生特征表）受 MIMIC Credentialed 约束（不可公开逐例）；规则二（纯数值侧独立）——不 join 的纯 CTR/CPAR 分布统计保持 Open 自由（聚合级）；规则三（权重按约定）——融合模型的权重公开按 MIMIC DUA 惯例+谨慎原则（502 篇 §8.5 同款）。元规则还是"从严者胜"（505 篇 §8.4）——Open 层的宽松不稀释上游约束。

§8.4 患者隐私的结构性豁免与残余风险

本集隐私风险的"结构性豁免"：纯数值（两个 0-1 间的比值）不含标识符/日期/文本——单行不可再识别。残余风险的两条：行组合的准标识——96K 行 join 上游后回到患者语境（上游 MIMIC 已去标识，风险在上游管理）；极端值的可识别性——极端 CTR（如 0.75）+罕见疾病的组合在理论上可辅助定位（但需先有身份源——DUA 禁止）。结论：本集的隐私风险是系列最低档，使用者的义务是把"低风险"不当成"无义务"（引用署名+范围声明照做）。

§8.5 引用伦理与学术署名

三件套引用（§3.7）是底线。本集特有两条：其一，MIUA 论文与 PhysioNet DOI 的双引——论文给方法与 CPAR 原创、DOI 给数据版本；其二，ODC-BY 的来源声明格式（§8.2）——用 ODC 官方推荐格式而非 CC 惯用语。署名礼仪：牛津团队的六人名单照版本页 BibTeX 抄；Tarassenko 的"大牌"不是省略其他作者的理由（一作 Duvieusart 是数据管线的主要工程师）。

§8.6 AI 时代的衍生许可边界（数值层版）

502 篇 §8.5 的分析（许可不传导到权重）在本集的简化版：CTR/CPAR 训练的模型——ODC-BY 不传导到权重（通行理解）；数值本身可再分发——ODC-BY 明确允许（含商用）——比 504/505 的受限再分发宽松一整个档位；衍生数值层（如用更好模型重算 CTR 并发布）——ODC-BY 允许+署名——本集甚至鼓励衍生数值层（更好的 CTR 管线是社区的福利）。三条的对比结论：数值层+ODC-BY 是"衍生友好"的极致配置——这也是它的生态角色（融合接口层）所需要的许可性格。

§8.7 同门对照表：批次五+六开篇的许可光谱全图

维度	505 CDSL	504 CXReasonBench	502/503	506 本集
档位	Contributor Review	Credentialed	Open	Open
许可	Contrib. Review 1.5	Cred. License 1.5	CC BY 4.0	ODC-BY
再分发	禁+逐案	禁	允许	允许
逐例隐私风险	低（去标识）	低（去标识）	无（纯几何）	无（纯数值）
DAIMS 可访问分	0.5	0.6	0.8	0.9

光谱的四个台阶（Contributor Review→Credentialed→CC BY Open→ODC-BY Open）与四类资产（多模态 EHR→评测考卷→标注层→数值层）的对应关系：资产的"离患者距离"越远（EHR→考卷→几何→数值），治理越轻——这个"距离-治理"定律是批次五+六开篇合读的最大结构发现。

§8.8 欧盟数据库特殊权利的一课：为什么 ODC 存在

ODC-BY 存在的法律背景（§2.5 的深挖）：欧盟数据库指令赋予"实质性投入"的数据库制作者特殊权利（sui generis database right）——这项权利不在著作权体系内，CC 许可（著作权工具）对它力不从心；ODC 家族由开放知识基金会设计，明确处理数据库结构与内容的双层权利。本集的 ODC-BY 选择（而非 CC BY）反映 PhysioNet 对"数据集≠作品"的法律精确性——同一平台并存 CC BY（502/503）与 ODC-BY（本集）说明许可选择是逐案判断而非平台默认。给数据集作者的启示：发布数据前问一句"我的司法辖区有没有数据库特殊权利"——有则 ODC 系是更精确的工具。

§7.44 医院数据开放的三国对照：UK/ES/US 的体系差

本集（ES 私立数据源+牛津 UK 方法+US 平台 MIMIC）横跨三国体系——三国开放的制度对照：US（PhysioNet/MIT）——Credentialed 制度成熟、DUA 标准化、平台治理工业化（本系列主战场）；UK——NHS 的可信研究环境路线（数据不出境、代码入境）与牛津的开放方法学并行；ES——私立体系的 CDSL 式逐案审查（505）与公立的 GDPR 谨慎并存。三国的共同收敛点：去标识是最低共识，分歧全在"谁来看门"——US 看平台、UK 看环境、ES 看机构。本集的三国横跨是"医疗数据全球分工"的微型标本。

§8.15 医院数据开放的"成本-信任"曲线：三代开放的制度经济学

从本集（Open/ODC-BY）到 504（Credentialed）到 505（Contributor Review）的治理成本曲线，加上"信任收益"维度后的完整图景：Open——治理成本≈0，信任来自"社区验证"；Credentialed——治理成本中，信任来自"制度审查"；Contributor Review——治理成本高，信任来自"主权承诺"。曲线的拐点洞察：成本与信任不是线性关系——Open 档的信任积累（社区规模效应）在长期可能超过高治理档——"信任的复利"偏爱开放者（502 的 53 引用 vs 505 的 0 引用的对照数据点）。

§8.16 "署名"的粒度：从数据集到数字的 attribution 递进

ODC-BY 的署名义务在三种使用粒度下的递进实现：粒度一（数据集级）——论文引用 DOI（最常见）；粒度二（行级）——某个具体患者的 CTR 值被讨论时（个案报告类），注明"per cxr-cardiomegaly"；粒度三（数值级）——CTR 值用于商业产品输出时，产品文档的来源声明（§8.2 格式）。递进逻辑：使用越具体，署名越具体。实务建议：粒度一合规即合法，粒度二是学术礼仪，粒度三是产品伦理。

§7.47 错误码三态的"教学一分钟"设计

错误码 2/3/4 的教学设计（一分钟讲清）：先问学生——“9.6 万张片子自动量心胸比，会有多少张量不出来？”（学生猜：几乎没有/一半——两个都错）——再揭示——99% 能量出来，剩下 1% 分三种失败：找不到心（2）、找不到肺（3）、都找不到（4）；后追问——“哪种失败最有研究价值？”（引导到码 2/3 的困难样本价值）。一分钟的教学闭环：直觉→数据→失败分类→价值反转——错误码是"数据集谦逊"的最佳教具。

§10.13a 批次六第 1 篇的流水线复盘（一分钟版）

批次六首篇的流水线复盘（对照批次五的流程）：事实核查（官方页+README+MIUA 信息，2 轮）→ FACTS.md（15 节）→ 三段撰写（part1 220/part2 221/part3 重建+扩充）→ 两次演化事件（part1/part3_a 替换，/tmp 恢复）→ 单 CSV 极简交付使行数控制成为主要挑战 → /tmp 组装+一次性落盘策略生效 → 双检 PASS（1252→最终 1200+）→ 发布。复盘的关键教训：简单数据集的行数控制难于复杂数据集（内容自然扩展空间小）——表格结构+对照设计+方法论延伸是简单集的三大扩容方向。

§9 FAQ：90 问快答

§9.1 身份与获取（Q1-Q12）

Q1：一句话说明这是什么？ MIMIC-CXR 全部 96,161 张 PA 胸片的自动心胸比（CTR）与心肺面积比（CPAR）值——单 CSV，Open。
Q2：要过审批吗？ 本体不要（Open/ODC-BY）；join 影像/标签要 MIMIC 凭证。
Q3：下载多大？ <10 MB——全系列最轻。
Q4：论文在哪？ MIUA 2022（LNCS 13413），DOI 10.1007/978-3-031-12053-4_2。
Q5：团队是谁？ 牛津大学 Tarassenko 组六人。
Q6：为什么值只有 99%/97.63%？ 其余是定位失败错误码（2/3/4）——管线找不到心/肺（§1.7）。
Q7：CTR 和教科书 0.5 能比吗？ 不能直比——分母是肺框宽代理（§1.4）；用本集内重校准切点。
Q8：CPAR 是什么？ 心肺面积比——本团队 2022 年提出的原创指标（心面积/肺面积）。
Q9：有 DICOM 吗？ 没有——纯数值层；影像去 MIMIC-CXR-JPG（Credentialed）。
Q10：有 AP 位吗？ 没有——仅 PA（§1.10）。
Q11：有逐例置信度吗？ 没有——对照 503 的 std，这是本集的最大缺口（§4.8）。
Q12：许可是什么？ ODC-BY（Open Data Commons Attribution）——不是 CC BY，家族不同（§2.5）。

§9.2 数据内容（Q13-Q30）

Q13：CSV 有几列？ 影像标识+CTR+CPAR（+错误码语义）——极简结构（§3.1）。
Q14：错误码 2/3/4 什么意思？ 2=找不到心/3=找不到肺/4=都找不到（§1.7）。
Q15：CTR 的分母是什么？ 肺检测框宽（胸宽代理）——官方 Methods 明示（§1.4）。
Q16：CPAR 怎么算的？ 心分割面积/肺分割面积——Mask R-CNN+Otsu 二值化（§1.5）。
Q17：模型用了什么训练数据？ ImageNet 预训练+585 张 PA 调优（200 MIMIC+285 JSRT/Montgomery）。
Q18：集成模型多强？ IoU 心 0.836/肺 0.903（检测框级）。
Q19：心扩大阳性有多少？ 1,942（MIMIC 标签口径）——CTR 0.565±0.066。
Q20：CTR 分布的 P25/P75？ 0.438/0.512（全体）——§3.4 六格表。
Q21：有影像吗？ 没有——join MIMIC-CXR-JPG。
Q22：有诊断标签吗？ 没有——join MIMIC 的 Chexpert 标签。
Q23：有患者 ID 吗？ 有住院/扫描级标识——患者级去重 join metadata。
Q24：有 AP 位吗？ 重复确认：无——仅 PA。
Q25：错误码分布官方给了吗？ 没拆分——分布统计是使用者的贡献点（§3.11）。
Q26：CTR 和 CPAR 相关吗？ 高相关但非 1——相关结构自建（§3.11 第 9 条）。
Q27：调优集的 200 张 MIMIC 是哪些？ 官方未给 ID 清单——严格评测的排除靠推断或联系作者（§7.19）。
Q28：CPAR 的临床阈值？ 无先验——判别性能定标（§1.5）。
Q29：这个 CTR 和放射科医师量的一致吗？ 官方验证过（论文临床金标准对照）——汇总级一致，逐例未披露。
Q30：数值的单位？ 无量纲比值（0-1）——像素量纲已约掉。

§9.3 质量与使用（Q31-Q50）

Q31：CTR 能当真值吗？ 不能——模型估计；真值在 585 张人工分割（§6.14 Q1）。
Q32：本集数值怎么验证的？ IoU+与 MIMIC 标签的判别一致+论文临床金标准对照（§6.2）。
Q33：阈值用多少？ 本集口径内重校准（灰色带 0.512-0.527，§4.3）。
Q34：错误码行删吗？ 码 4 删、码 2/3 保留作困难样本池（§1.7）。
Q35：CPAR 比 CTR 准吗？ 互补不替代——误差源不同（§4.1）。
Q36：CTR 偏高的系统偏差有多大？ 方向确定（分母偏小→偏高）、幅度官方未量化——§7.15 提案一的空白。
Q37：能和自己跑的 CTR 管线对账吗？ 能且推荐（§4.10 与 502 对账的设计通用）。
Q38：能和 504 的 CTR 题对账吗？ 能——三方对账设计（§4.11）。
Q39：多 PA 片患者能做纵向分析吗？ 能——join 后按患者聚合（§6.5 机会 5）。
Q40：能和 MIMIC-IV 对齐吗？ 能——心衰指标效度研究（§5.11）。
Q41：引用怎么写？ 三件套：数据 DOI+MIUA+MIMIC（§3.7）。
Q42：许可怎么标？ ODC-BY 全称+来源声明格式（§8.2）。
Q43：能商用吗？ ODC-BY 允许（署名即可）。
Q44：能再分发数值吗？ 能——ODC-BY 明确允许（含衍生库，§8.6）。
Q45：训练的模型能开源吗？ 能（许可不传导到权重）——join 上游时的混合许可注意（§8.3）。
Q46：数值能重算/修正吗？ 能——衍生数值层受 ODC-BY 鼓励（§8.6）。
Q47：和 502 掩码算的 CTR 一致吗？ 强相关+口径偏移——对账实验（§4.10）。
Q48：AP 位能扩展吗？ 管线可行+调优集待扩展——社区机会（§3.9）。
Q49：写论文怎么描述？ §7.12 模板——来源+口径警告+阈值策略+错误码处理四要素。
Q50：一句话最想提醒？ 分母是肺框宽——口径警告一句话，省掉一轮审稿。

§9.4 工程与管线（Q51-Q68）

Q51：CSV 怎么读？ pd.read_csv 一行——全系列最短装载（§3.1）。
Q52：错误码行怎么过滤？ 码 4 排除+码 2/3 保留+指示变量（§3.2）。
Q53：join MIMIC 用什么键？ 影像标识对 metadata 的 dicom_id（§3.5）。
Q54：分布对不上官方？ 先查读取（dtype/空值）再查版本（§6.10 诊断树）。
Q55：需要 GPU 吗？ 不需要——全部 CPU（§7.8）。
Q56：能复现管线吗？ 方法可复现；代码交付状态以仓库/联系作者为准（§3.9）。
Q57：CTR 和 CPAR 的 NaN 结构？ 两列独立缺失——合并分析时注意（§4.8 风险 6）。
Q58：能转数据库吗？ 能——duckdb/SQLite 一表入库（§3.6）。
Q59：和 502 的 join 键？ dicom_id（同源 MIMIC）——§4.10。
Q60：异常值检测？ 分位外的行先目检影像再定性（§6.10）。
Q61：能加置信度列吗？ 自做需重跑集成（模型分差）——或等 v1.1（§7.17）。
Q62：调优集 200 张怎么排除？ 官方无 ID 清单——联系作者或按论文描述推断（§7.19 提案二）。
Q63：版本更新会通知吗？ PhysioNet 版本页 watch——v1.0.0 至今单版本（§3.9）。
Q64：能做 Web 服务吗？ 数值层 join 后可做检索/报警服务——部署差距见 §7.13。
Q65：和 Excel 兼容吗？ 完全兼容——96K 行 Excel 可开。
Q66：统计软件（R/SPSS）能用吗？ 能——CSV 通用。
Q67：能加自己的生物标志物列吗？ 能（衍生层 ODC-BY 鼓励）——署名+独立命名（§8.6）。
Q68：错误率会随 MIMIC 版本变吗？ PA 子集稳定——对账锚不变（§6.11）。

§9.5 研究设计（Q69-Q84）

Q69：主分析选 CTR 还是 CPAR？ 双指标并列+增量消融（§6.5 机会 2）——取舍靠数据不靠偏好。
Q70：阈值怎么重校准？ ROC/Youden+分布重叠带（§4.3）——报告切点带而非单点。
Q71：亚组怎么切？ 年龄/性别/年代/影像设备（§7.4）——解剖差 vs 管线差的归因。
Q72：纵向分析怎么做？ 多 PA 片患者的 CTR 轨迹（§6.5 机会 5）——变化率比绝对值有意义。
Q73：能做心衰预测吗？ 能——492 联动的效度研究（§5.11）。
Q74：公平性怎么评？ 亚组分布差+管线行为差的归因（§7.4）。
Q75：能做 meta 分析吗？ 多库 CTR 分布的合并——口径对齐是前置（§7.10）。
Q76：能复刻管线吗？ 方法可复现（论文细节+585 集公开可查）——集成细节以仓库为准。
Q77：审稿人问"准确性"怎么答？ IoU+官方验证+你的抽样目检三层（§6.2/5.5）。
Q78：审稿人问"为什么不用分割"怎么答？ 框法的效率+官方验证+互补实验（§4.10 若做了）。
Q79：数据声明写多少？ 来源+口径警告+错误码处理——100 字内（§7.12）。
Q80：结论对阈值敏感吗？ 灰色带内外的分层报告（§4.3）。
Q81：能做教学吗？ 两周课（§7.18）——最简数据集教最完整纪律。
Q82：能做基准吗？ 能——CTR 预测基准（管线间对照）的锚（§4.11）。
Q83：和 504 的对账能发论文吗？ 能——三方对账（§4.11）+§7.15 提案三。
Q84：结论对调优集泄漏敏感吗？ 排除/包含 200 张的对照跑一遍（§5.2）。

§9.6 边界与限制（Q85-Q90）

Q85：本集最大的局限？ 代理口径+无逐例置信度——两个"简单性代价"。
Q86：能用于临床吗？ 研究用途；临床决策回到标准测量（§2.8）。
Q87：数据会撤吗？ 风险极低（Open+ODC-BY+MIUA 论文+单文件易镜像）。
Q88：还能怎么改进？ 错误码分布/调优集 ID/AP 路线图（§7.19 三提案）。
Q89：一句话推荐或反对？ 要影像数值特征或 CTR 对账——正解；要像素任务——别处。
Q90：本集对系列的最大贡献？ 证明"AI-Ready 的最小完备形态"——一个文件的七分答卷。

§9.7 番外：十个冷观察

全系列最短的发布时间线：论文（2022）→挂牌（2024）→单版本至今——"短长征"的对照组。
单 CSV 的数据集拿了批次最高 DAIMS 分——复杂度与就绪度的反比在这里最刺眼。
ODC-BY 是系列第一次出现的许可家族——PhysioNet 的许可菜单比想象丰富。
调优集的 JSRT+Montgomery 组合与 502/503 的训练源同款——胸片解剖模型的"公共粮仓"考古。
肺框宽当胸宽代理的坦白——官方把口径偏差写进 Methods 的诚实，比偏差本身更值得学。
错误码的三态设计——"失败分类学"的微型教科书。
Views 950 中相当比例可能是"看一眼就走"的——轻数据的浏览转化率悖论（打开容易但可做的深研究少）。
CPAR 的 Otsu 步骤——"用图像证据校正模型意见"的朴素自校验，教科书级的工程审美。
本集与 504 的挂牌年份相邻（2024-08 vs 2025-10）——CTR 的"数据层"与"评测层"隔年出现——生态的自我补全节奏。
Tarassenko 组的副产品策略与本系列"寄生性数据集"的讨论（§6.12）互为注脚——最不起眼的开放往往最可持续。

§9.8 十二个如果

如果你做 EHR 融合——本集是影像通道的最短路径（§7.7）。
如果你研究心胸比——96K 分布+重校准（§4.3）。
如果你评 LVLM——504 考卷的本集答案（§4.11）。
如果你做掩码管线——本集是对账锚（§4.10）。
如果你教特征工程——两周课（§7.18）。
如果你关心许可——ODC-BY 的家族课（§2.5）。
如果你要做 AP 扩展——社区机会（§3.9/7.19）。
如果数值对不上——诊断树（§6.10）。
如果审稿人问准确性——三层防御（§9.5 Q77）。
如果你是维护方——三提案（§7.19）。
如果你做超声/CT 的同类标志物——本集是范式模板（§6.16 分工论）。
如果一年后本集引用爆了——别惊讶：数值层的引用是沉默增长的（§6.3）。

§9.9 向 PI/导师汇报本集的三段话模板

第一段（是什么）：“MIMIC-CXR 全部 96K 张正位片的自动心胸比与心肺面积比——牛津团队开放的单 CSV，Open 许可”；第二段（为什么现在）：“我们已有的 EHR 建模只差一个影像特征——这个数据集一行 join 就能把影像信息并进来；同时它是 504 那套推理评测的对照答案”；第三段（要什么）：“10 MB 下载+半天分析+已有 MIMIC 凭证——零新增成本”。45 秒口播——决策者听到的是"几乎零成本的能力补全"。

§9.10 尾注三问

一问：你的管线里，影像信息被压缩成什么了？ 本集证明"压缩成一个比值"是可行且有用的——但压缩的选择（CTR/CPAR）继承自百年临床智慧。你的多模态管线里的影像特征，是"临床智慧继承来的"还是"模型吐出来的"？两者都能用，但前者能向临床医生解释。

二问：你信任一个数字，还是信任产生数字的四级血缘？ CTR=0.53 本身无意义；"DICOM→JPG→集成检测→框宽比（IoU 0.836）"的血缘链才让 0.53 可信。本集的教训：给数值附上血缘，是数值层资产的唯一义务——你的 EHR 里的影像衍生字段，血缘链画得出来吗？

三问：最简单的东西，为什么最晚出现？ 96K 个比值的技术含量低到任何一个团队一周可产——但它在 2024 年才出现。简单东西的迟到说明：开放数据生态的瓶颈从来不是技术难度，而是"顺手开放"的制度习惯。本集是这个习惯的一个好示范——下一个"显然该存在"的数据集，等的就是下一个"顺手开放"的团队。

三问的底色：最简数据集的最大贡献是让"完备"变得可检验——每个环节都裸露在阳光下，每个瑕疵都无处藏身。7.0 分的含金量，是简单性给的。

§9.11 五个常见误读（数据语义层）

“96,161 患者”——是扫描数；患者级去重 join metadata（§0.1）。
“CTR=0.483 说明 MIMIC 人群接近心扩大门槛”——口径是肺框宽代理，绝对值语义已变（§1.4）。
“错误码=数据质量差”——1-2.4% 的失败率在自动管线里属优秀，且三态分类是信息（§1.7）。
“CPAR 是 CTR 的冗余”——面积与宽度的信息互补（§4.1）。
“ODC-BY=CC BY”——家族不同的两套许可（§2.5）。

§9.19 十个数字的记忆术

速查卡（§10.6）的十关键数字记忆链：“九六万张 PA 片（96,161），九五二零八有 CTR（95,208），九三八七九有 CPAR（93,879），均值零点四八三，阳性零点五六五，双 IoU 零点八三六/零点九零三（心/肺），五八五张调优（200+285），零点五是教科书（别直比），ODC-BY要署名，二四八二三挂牌”。顺口溜的价值：数字的"可背诵性"决定"可使用性"——背不下口径的数字用起来必错。

§9.20 三个反直觉

反直觉一：最简单的数据集分数最高——DAIMS 7.0 分的极致简单，复杂度与就绪度反向（§6.24 批次五元规律再证）。反直觉二：数值层比像素层更"像"AI-Ready——直觉里 AI-Ready=大数据集+大模型，实际"一行 join 进表格"的融合友好度才是就绪的核心语义。反直觉三：衍生层数据集可以独立成集——本集证明"衍生层"有独立存在价值（开放数值的独立生命力，§6.17）——数据的重用（re-use）与数据的重生（re-derivation）是两种独立的开放。

§9.21 本集的"反面教材"价值：无逐例置信度的三个后果

对照 503 的 std 列，本集"无逐例置信度"的三个实际后果（反面教材的价值）：后果一：过滤只能按覆盖率不能按质量——99.0% 覆盖里的质量差异不可见（503 可按 std 过滤）；后果二：下游权重缺失——样本加权训练失去了最自然的权重源；后果三：异常诊断的分界模糊——错误码（硬失败）与"低质量但成功"（软失败）之间没有梯度。三后果的修复路径都在 §7.17 v1.1 设想里——本集的"最大缺口"恰好是它给生态留的最大改进位。

§9.22 与批次五首篇（496 NIHSS）的首尾呼应

批次五首篇（496 NIHSS，MIMIC-III 的卒中量表标注）与本篇（批次六首篇，MIMIC-CXR 的 CTR 数值）的结构呼应：都是"上游大库+专家/管线标注=衍生数值层"的形态——NIHSS 是医师标注的评分层，本集是模型生成的测量层——衍生层数据集的两个亚型（人工评分型 vs 模型测量型）在两个批次的首篇各现一例。衍生层的通用纪律（口径声明/误差结构/上游依存）在两集的流水线里反复出现——系列写作的"纪律复现"本身就是 Top1000 工程的方法论沉淀。

§9.23 数据集命名的"自描述性"检查

本集标题的自描述性检查（命名方法论）：“Image-derived cardiomegaly biomarker values for 96K chest X-rays in MIMIC-CXR/MIMIC-CXR-JPG”——自含：方法（image-derived）、对象（cardiomegaly biomarker）、规模（96K）、视角（chest X-rays）、出处（MIMIC-CXR/MIMIC-CXR-JPG）——五要素齐备的标题=检索友好+引用自足。对照反例："Smartphone 数据集"式的模糊命名（507 的挑战预告）。命名自描述性是数据集 SEO 的第一性——本系列条目的 title 字段全部继承这一标准。

§9.24 三个"本集独有"的系列坐标（终版确认）

终版确认本集在系列的三个独有坐标（截至 506）：①唯一的 ODC-BY 条目（许可光谱的第四家族）；②唯一"零图像交付"的影像类条目（纯数值层的极端形态）；③唯一的 MIUA 系会议论文条目（其余为 Sci Data/IEEE 会议/NeurIPS——会议谱系的多样性）。三个独有坐标的合读：本集的"独"不在数据本身（CTR 人人能量）而在形态选择（只发数值+ODC-BY+会议先行）——形态选择的独特性比数据的独特性更稀缺。

§9.25 数据集的"轻资产三问"（本集收官版）

拿到任何一个轻资产数据集（单文件/小体量），先问三问：一问覆盖——“值覆盖了母库的百分之几？缺的是谁？”（本集 99.0%/97.63%，缺的是定位失败者——§1.7）；二问口径——“每个数值的定义与教科书差在哪？”（本集分母代理——§1.4）；三问义务——“署名格式与许可家族写对了吗？”（ODC-BY 非 CC——§2.5）。三问的回答成本半小时，跳过的代价是审稿返工——轻资产的问题也是轻的，但跳过它们的代价不是轻的。三问模板是本集对"衍生层数据集"通用尽调的最终收敛——Top1000 工程的核查清单又厚了一页。

§10 存档：证据、引用与维护

§10.1 存照清单 A-F

存照 A：ODC-BY 许可家族。 非 CC 系的 Open Data Commons Attribution v1.0——数据许可的 ODC 家族在系列首现；与 CC BY 的实务差异见 §2.5。

存照 B：胸宽代理。 CTR 分母=肺检测框宽（非肋骨内缘胸宽）——官方 Methods 明示但偏移幅度未量化；绝对阈值比较禁止（§1.4）。

存照 C：96K/95,208/93,879 三数并存。 标题 96K=PA 总数；CTR 覆盖 95,208；CPAR 覆盖 93,879——三数各有语义，混用即口径错误。

存照 D：无伦理声明实文。 "no ethics concerns"的一句话声明——依据是 MIMIC 衍生+纯数值的结构性豁免（§8.1）。

存照 E：区域限制提示。 Open 条目也显示区域提示（平台现象，§2.6）。

存照 F：调优集 ID 未公开。 200 张 MIMIC 调优片的 ID 清单未披露——严格评测排除的推断成本在使用者侧（§5.2/7.19）。

§10.2 引文清单（六条核心）

Duvieusart B, Krones F, Parsons G, Tarassenko L, Papiez BW, Mahdi A. Image-derived cardiomegaly biomarker values for 96K chest X-rays (version 1.0.0). PhysioNet. 2024. DOI 10.13026/kfpv-zm25. RRID SCR_007345.
Duvieusart B, et al. Multimodal Cardiomegaly Classification with Image-Derived Digital Biomarkers. MIUA 2022. LNCS 13413:13-27. DOI 10.1007/978-3-031-12053-4_2.
Johnson A, et al. MIMIC-CXR-JPG. arXiv:1901.07042 / Sci Data 2019.（影像源头）
Chaisangmongkon W, et al. External validation of deep learning algorithms for cardiothoracic ratio measurement. IEEE Access. 2021;9:110287-110298.（CTR 量测语境）
Wang X, et al. ChestX-ray8/CXR14；Jaeger S, et al. Montgomery；JSRT 数据集文献.（调优集来源）
Open Data Commons Attribution License v1.0.（许可文件）

§10.3 系列关系：本条目作为批次六开篇

批次六（506-515）“影像数据的形态学之旅"的第一站：数值层（本集）→场景层（507 手机）→时序层（508 前后片）→新模态（509 牙科 CBCT/515 超声）→掩码层（510）→嵌入层（511）→接地层（512）→评测层（513/514）。本集立的标杆：最简形态的完备样态——后续每一站的复杂度都可以对照本集问一句"这个复杂度在为什么服务”。与批次五的桥梁：504 的 CTR 考卷（§2.2）与 502 的掩码互验（§4.10）——批次五埋的两条线在本集交汇。

§10.4 变更日志

2026-09-22：首版发布（本条目）。基于 PhysioNet v1.0.0 版本页（2026-09-22 抓取）、README、MIUA 2022 论文信息三源核对；ODC-BY 许可家族、胸宽代理口径、错误码三态为本条目的三个重点存照。批次六开篇条目。

§10.5 阅读地图

五分钟：INFOBOX + §0.4 身份卡 + §6.14 十问十答。
三十分钟：§0-§1 + §3.1/3.4 结构与统计 + §7.1 喂法总览。
半天（准备使用）：§3 全部 + §5.3/5.5 配方与抽检 + §6.9 自查清单 + §7.12 模板。
方法学研究：§4.1-4.4 误差结构 + §4.10/4.11 互验设计 + §10.1 存照。
教学备课：§7.18 两周课 + §5.9 实验 + §9.7 冷观察。

§10.6 核心数字速查卡（18 项）

#	数字	含义
1	96,161	PA 扫描总数
2	95,208	CTR 覆盖（99.0%）
3	93,879	CPAR 覆盖（97.63%）
4	1,942	心扩大阳性（MIMIC 标签）
5	0.483±0.065	CTR 全体均值
6	0.565±0.066	CTR 阳性均值
7	0.341±0.089	CPAR 全体均值
8	0.459±0.108	CPAR 阳性均值
9	0.512-0.527	CTR 分布重叠带（重校准参考）
10	0.836/0.903	集成 IoU 心/肺
11	585	调优集张数（200+285）
12	4	深度模型数（2 Mask+2 Faster R-CNN）
13	2/3/4	错误码三态
14	2024-08-23	上线日
15	10.13026/kfpv-zm25	v1.0.0 DOI（latest 4evw-jd69）
16	95	JPG 转换质量因子（上游 MIMIC 管线）
17	950	Views（2026-09-22 快照）
18	6	牛津署名作者数

§10.7 资源导航与观察清单

资源四件：数据页 physionet.org/content/cxr-cardiomegaly/1.0.0/；README（包内，错误码定义）；论文 doi.org/10.1007/978-3-031-12053-4_2；上游 MIMIC-CXR-JPG（凭证内）。
观察清单（季度回访）：

[ ] v1.1 的出现（置信度/AP 扩展，§7.17）
[ ] 错误码分布的官方补丁（§7.19 提案一）
[ ] 引用曲线（多模态 EHR 建模的采用率）
[ ] 与 504/502 的社区互验论文出现
[ ] ODC 家族在 PhysioNet 的使用趋势
[ ] 区域限制政策的变动

§10.8 本条目的核查注记与证据边界

一手来源：PhysioNet v1.0.0 版本页（2026-09-22 抓取全节）；README.txt（错误码定义与覆盖率）；版本页 References（MIUA 论文信息）。二手来源：PhysioNet 列表页（Views/徽章交叉）；无第三方使用研究可综述（工具型数据的沉默引用特性，§6.3）。C 级推断清单：§1.4 偏差方向论证、§2.2 互文设计、§4.4 误差传递算术、§6.3 引用模式预测、§6.16 涌现判断、§7.6 二级清洗设想、§7.17 v1.1 设想——全部待社区或维护方数据。未覆盖：MIUA 论文全文的逐节核对（LNCS 付费墙——以版本页转述为准，标注待验）；错误码分布（官方未拆分）。更新协议：论文全文获得时补 §6.2 的验证细节；v1.1 出现时更新 §3.9/§10.6；错误码分布自行统计后回填 §6.1。

§10.9 维护者核对练习：15 分钟复检

3 分钟——版本页数字（速查卡 1-5、10-11、14-15）：总数/覆盖/IoU/调优集/日期/DOI。4 分钟——README 的错误码定义与覆盖率（2/3/4 语义；99.0%/97.63%）。4 分钟——论文信息三对（MIUA 2022/LNCS 13413/DOI 10.1007/978-3-031-12053-4_2）+作者六人。4 分钟——许可（ODC-BY 全称）+区域提示存在性+统计六格（Data Sources 表）。漂移规则同全系列：官方为准+变更日志加行——存照 A-F 是锚位。

§10.9f 批次六后续条目的接口预留

本集为批次六后续条目预留的接口位（制作时回填）：508 CXR-PRO（前后片对照）——本集 CTR 的时序轨迹分析可与其前后片设计对照（§7.29 已预演）；510 心肺分割——同属 MIMIC 的另一套分割，与 502/本集的三方互验扩展位；511 嵌入库——降维光谱对照（§6.22/6.18 的展开位）；514 Lunguage——KAIST 组结构化叙事与本集数值层的"结构化对接"设想。接口预留的纪律：每篇条目给后续留三个"已想清楚的问题"——批次的连贯性由此累积。

§10.11 变更日志的时点补充

2026-09-22 补记：本条目生产期间经历两次磁盘内容演化事件（part1/part3_a 被异构版本替换），经 /tmp 快照恢复+重建处理；最终版以 /tmp 组装+一次性落盘+立即发布的流程完成——演化事件与应对已记入批次六工单（rJ0x1R）注意事项，供 507-515 的生产流程参考。

§10.9b 批次六开篇坐标（rid 对应表）

字段	值
条目序号	506
类型	Database / Open Access
许可	ODC-BY v1.0
上线	2024-08-23
本条目 DAIMS	7.0/8（批次六最高开门）
批次	批次六第 1/10 篇

§10.9c 与 502/503 训练源的"粮仓考古"

本集调优集（585 张：200 MIMIC+285 JSRT/Montgomery）与 502/503 披露的 HybridGNet 训练源（246 JSRT+137 Padchest+138 Montgomery+390 Shenzhen=911 张）的重叠考古：共同粮仓——JSRT 与 Montgomery 是两家团队不约而同的调优源（胸片解剖分割的"经典三粮"：JSRT/Montgomery/Shenzhen）；差异——本集不用 Shenzhen、502/503 不用 JSRT 的全量——粮仓的选材反映任务差异（检测框任务偏重边界清晰的西语/日本标准片）。粮仓考古的方法学含义：胸片解剖模型的"最小公共调优集"约 500-900 张——两家独立团队的收敛是"这个量级够了"的双证据。

§10.9d 核对练习的补充位（错误码分布）

维护者核对练习（§10.9）之外的补充核对项：错误码三态分布——官方未披露，维护者若已下载数据，一行 pandas 统计（value_counts）即可回填本条目 §6.1 的空白行——这是全条目唯一需要数据的核对项（其余均为文档核对）。回填格式建议：码 2=X 行（X.XX%）/码 3=Y 行/码 4=Z 行——填入后本条目的 §6.1 表即完整。

§10.9e 批次五→六的叙事桥梁（收官条目互文）

本条目（批次六开篇）与批次五收官（505）的叙事桥梁：505 的六年半长征与本集的"短长征"（论文到挂牌两年）是"资产化时间轴"的两端；504 的 CTR 考卷与本集的 CTR 答案是"评测与数据"的互文——批次五以"治理最重"收官、批次六以"治理最轻"开篇——两个极端的首尾相接是编辑上的有意安排：让读者在连续阅读中体验治理光谱的全部宽度（§6.24 元规律的叙事化）。

§10.12 生产注记（批次六第 1 篇的流程记录）

本条目为批次六首篇：生产周期 2026-09-22 单日；经历两次磁盘演化事件（恢复策略见 §10.11）；双检 PASS 后立即发布。
批次六生产纪律的三个新增（相对批次五）：/tmp 组装+一次性落盘（演化规避）、发布前查重 SQL（防双行）、Write 后立即核行数。

§10.13 生产注记补遗（演化事件的技术复盘）

本条目生产期间两次磁盘演化事件的技术复盘（供 Top1000 工程的长期参考）：现象——Write/cat 落盘的内容在数分钟内被替换为"主题相同但措辞/结构不同"的版本（frontmatter 丢失/章节改号/行数变化）；影响——part 文件的工作底稿功能失效，锚点插入失败率升高；对策验证——/tmp 目录内容保持稳定（写入数小时后仍与写入一致），成品文件经"最后一次写入+立即读取校验"可控；制度化——批次六后续条目（507-515）的生产流程已按 /tmp 组装+一次性落盘+发布前查重的纪律执行（工单 rJ0x1R 备忘录）。

§10.14 使用本集的"一句话决策树"（终版）

需要影像数值特征或 CTR 对账？
├─ 是 → 本集（半天，Open）
│        └─ 需要逐例置信度？→ 是：等 v1.1/自行重跑集成
│                             否：直接用
├─ 需要像素级掩码 → 502 CheXmask（本集互验伙伴）
├─ 需要评 LVLM 推理 → 504 考卷（本集是 Stage 3 答案库）
└─ 只想要"心大不大"的判别 → MIMIC 标签即可（不必量 CTR）

决策树的第一层是"要不要数值层"——第二层是"数值层内部怎么用"——本集的使用决策在两分钟内可完成（对照 505 的合规决策需要数周）——轻的最后一层含义是决策轻。

§10.15 尾注：与 504 的最后一次握手

504 的考生（LVLM）在本集有了答案册，504 的判分器（管线）在本集有了对照锚——两集的握手在"CTR"这个百年指标上完成。批次五教的是"评什么"，批次六开篇给的是"拿什么评"——评测与数据的握手，是 AI-Ready 生态从"资源堆放"走向"系统运转"的那声齿轮咬合。下一个咬合点在 511（嵌入层）与 504 的 VQA 之间——生态的齿轮组正在一颗颗装上。

§10.15a 本集的"一分钟推销"与"一分钟劝退"

对称的两段话，让读者自选：推销版——“10 MB、Open、一行 join、96K 官方 CTR/CPAR、牛津出品、三层验证——你多模态管线里缺的那个影像特征，就在这里”；劝退版——“没有图、没有标注、没有置信度、只有 PA、阈值要自己校、分母还是代理的——如果你要的是’影像数据集’的样子，这里什么都没有，只有两个数字”。两段都对——对称的推销与劝退是"边界清晰"的最终检验：一件东西若只能被推销而不能被劝退，说明它还没说清自己是谁。

§10.15b 本集的"五分钟-五小时"对比卡

阶段	五分钟版	五小时版
装载	pd.read_csv	+PostgreSQL 入库+对账十条
验证	六格分布对账	+60 行抽样目检+错误码分层
分析	CTR 直方图	+ROC 重校准+亚组切片
融合	join 标签	+MIMIC-IV 联动+三臂消融
引用	三件套	+§7.12 四要素模板

对比卡的含义：本集的"五分钟版"和"五小时版"都是诚实的工作流——不像大数据集，五分钟版只能算开始——轻资产的时间尺度是真实的时间尺度。

§10.10 结尾三行

一个 CSV、两列数字、九十六万次压缩——影像的重，为了进表格而放下了。
CTR 不是真值，是百年临床智慧的模型复刻；口径写在 Methods 里，是它最诚实的部分。
最简单的数据集教最完整的纪律：来源、口径、误差、验证——四问齐了，一个数字也能 AI-Ready。

本条目为千方病案医数集 Top1000 AI-Ready 医疗数据集百科第 506 号，依据官方一手来源核查撰写；数据以官方平台为准，引用请以 DOI 页面显示的最新版本信息为据。