信息速览

数据集名称cxr-phone — 手机翻拍胸片照片库 AI-Ready Wikipedia

数据类型图像,影像衍生,标签集

规模6,453 张屏幕照片（源图像来自 MIMIC-CXR 与 CheXpert 的去标识胸片）

接入方式MIMIC-CXR 与 CheXpert 的屏幕翻拍（JPEG 照片 + CheXpert 体系 14 类标签）

AI 就绪度

INFOBOX：cxr-phone 速览

字段	值
数据集	Smartphone-Captured Chest X-Ray Photographs v1.0.0
slug	cxr-phone
发布	2020-09-27｜PhysioNet（MIT LCP 框架）
DOI	10.13026/7b2j-nq93
访问	Credentialed（PhysioNet DUA）+ Stanford 侧三子集表单另发
规模	6,453 张 JPEG 照片｜四子集：MMC 1,759 / CXP 1,337 / MED 1,337 / DEV 2,020
标签	14 类 CheXpert 体系｜0=not mentioned / 1=negative / 2=uncertain / 3=positive
出身	2019 秋 Harvard-MIT HST.953 课堂项目
团队	7 人：Kuo/Tsai/Lopez/Karargyris/Pollard/Johnson/Celi（MIT/清华/哈佛/考卡大学/IBM）
论文	npj Digital Medicine 4:25（2021-02-15），DOI 10.1038/s41746-021-00393-9
关键结果	重校准后 AUC 0.79-0.90｜性能损失恢复率 53.2%-84.9%
一句话	把 MIMIC-CXR 与 CheXpert 拍进手机，让域偏移第一次有了可控的考卷

§0 摘要卡：当 AI 遇上"翻拍的现实"

§0.1 名称与口径声明

本条目记录 PhysioNet 数据集 Smartphone-Captured Chest X-Ray Photographs（slug：cxr-phone），v1.0.0，2020-09-27 发布，DOI 10.13026/7b2j-nq93，访问级别 Credentialed。它不是又一个胸片影像库——库里的 6,453 张图像全部是用手机拍下的屏幕上的胸片：源图像来自 MIMIC-CXR 与 CheXpert 这两个顶级公开胸片数据集，被显示在显示器上，再用手机摄像头拍成 JPEG 照片。这是一个"关于照片的照片"数据集，一个 meta 层的影像资产。

条目全部事实经三轮核查：PhysioNet 页面全量快照（含文件区匿名 403 Forbidden 实测与 metrics 页 Views 253 存照）、npj Digital Medicine 关联论文数据（WebSearch 定位 + 机构归属确认）、批次清单预判修正（“Restricted”→实测 Credentialed）。核查存照见 §10。

§0.2 读者收益清单

远程医疗系统开发者：直接获得"手机拍胸片"场景下六类异常检测的可复现 AUC 基线（0.79-0.90），以及"不做重校准会掉多少分"的量化答案——性能损失恢复率 53.2%-84.9% 的六条数据
鲁棒性研究者：Photo-DEV 子集的 202×10 重复拍摄设计（9 种设备组合+1 种更亮光照）天然支持测量不确定性、测试时增强与校准曲线研究，无需自己搭采集台
数据工程团队：3 拍摄者×8 手机×8 显示器的因子矩阵是教科书级的受控实验设计模板，可直接移植到任何"屏幕内容→照片"的采集管线
临床教育者：HST.953 课堂项目→npj Digital Medicine 的完整路径，是"数据科学课程作业可以走多远"的最佳案例
治理研究者：一个 DOI 名义下的四个子集拆在两个平台（PhysioNet Credentialed + Stanford 表单）两种条款后面，是"数据分发摩擦"的活标本

§0.3 本条目与其他条目的阅读组合

cxr-cardiomegaly（506）：同一母体 MIMIC-CXR 的两种相反降维——506 把影像提炼成 CTR/CPAR 两个数字（向上抽象），507 把影像退化成手机照片（向下仿真）；npj 论文的 cardiomegaly AUC 0.80 与 506 的 CTR 数值层构成"数字-影像-照片"三层互文
MIMIC-CXR 主条目与 CheXpert 系条目：本集是它们的第一份"退化拷贝"，源图像选择与标签体系全部继承自上游
heart-lung-segmentations-data（510）与 image-embeddings-mimic-cxr（511）：MIMIC-CXR 衍生家族的另两个成员，"母体+衍生层"阅读法见 §2

§0.4 身份卡：一条命令背下这个数据集

名称   Smartphone-Captured Chest X-Ray Photographs
版本   v1.0.0（2020-09-27，唯一版本）
DOI    10.13026/7b2j-nq93
访问   Credentialed（PhysioNet）+ Stanford Photo-CheXpert 表单（三子集）
规模   6,453 张 JPEG = 1,759 + 1,337 + 1,337 + 2,020
标签   14 类 CheXpert（0/1/2/3 四值编码）
出身   HST.953（Harvard-MIT，2019 秋）
论文   npj Digit Med 4:25 (2021)，引用 25（核查时点）
Views  253（unique registered users，2022-03 起计）

这条数据集的存在理由可以压缩成一个问句：在真实世界里，医生发给你同事看的胸片，往往不是 DICOM，而是屏幕上的一张手机照片——你的模型还认得吗？ 2019 年秋天，MIT 的一间教室里，七个作者决定把这个问题变成数据。

§1 出身与谱系：一间教室里长出来的数据集

§1.1 HST.953：不是实验室立项，而是课堂作业

Harvard-MIT Health Sciences and Technology 的 HST.953（Collaborative Data Science in Medicine） 是 Leo Anthony Celi 主讲的研究生课程，其教学模式是：课程团队设定临床问题，学生分组在真实公开数据集上完成分析，优秀项目在课程团队指导下发表。cxr-phone 就是 2019 秋季学期的产物——从课堂立项到 PhysioNet 挂牌（2020-09-27）约一年，到 npj Digital Medicine 论文（2021-02-15）约一年半。

这个出身决定了数据集的气质：它回答的问题不是"顶会热点"，而是课程团队长期关切的部署现实——MIMIC 生态（Celi 团队运营十余年）最清楚模型从 ICU 数字世界走向社区医院物理世界时会发生什么。拍屏范式正是这一关切的具象化。

§1.2 团队：七个人的三国拼图

作者	机构（论文署名）	在项目中的角色推断
Wenao Kuo（一作）	MIT Laboratory for Computational Physiology	项目主导与论文执笔；台湾背景（资助链佐证）
Chia-Hung Tsai	National Tsing Hua University（台湾清华大学）	拍摄组织与台湾医院协调（致谢网络吻合）
Christina Lopez	Harvard Medical School Biomedical Informatics	临床侧协调（Photo-MED 住院医生拍摄组织）
Alexandros Karargyris	University of Cauca, Colombia	影像 AI 方法（CheXpert 生态经验）
Thomas Pollard	IBM Research（时任）	MIMIC-CXR 方法学（CheXpert 标签管线原作者之一）
Alistair E.W. Johnson	MIT	MIMIC-CXR 架构者，数据工程
Leo Anthony Celi	MIT	PI，HST.953 主讲，PhysioNet 生态运营

七名作者横跨美国（MIT/哈佛/IBM）、中国台湾（清华大学）、哥伦比亚（考卡大学）三地。这是一张典型的 Celi 生态拼图：MIMIC 工程核心（Johnson/Pollard）+ 临床协调（Lopez）+ 方法学者（Karargyris）+ 课堂执行者（Kuo/Tsai）+ 生态 PI（Celi）。与 506 条目的牛津六人组（一个实验室的纵向纵深）不同，507 是一门课程的横向协作网。

§1.3 资助链：NIH、台湾科技部与 Fulbright

页面资助信息三项：NIH R01 EB017205（Celi 团队 LCP 的长期常规资助，MIMIC 生态多数论文同款）、台湾科技部（MOST） 计划、Fulbright 奖学金。三者分别覆盖了 MIT 侧的研究基建、台湾侧的人力与医院协调、跨国人员的往来成本。致谢段点名台湾多家医院的医生——他们是 Photo-MED"住院医生自由拍摄"协议的执行网络，也是"像发给你放射科同事那样拍"这条极简协议的临床可信度来源。

§1.4 与母体的关系：CheXpert 体系的全盘继承

数据集的标签不是重新标注的，而是继承源图像在 MIMIC-CXR/CheXpert 中的报告标签：14 类异常（atelectasis、cardiomegaly、consolidation、edema、enlarged cardio mediastinum、lung lesion、lung opacity、pleural effusion、pneumonia、pneumothorax、支持设备与骨折等 CheXpert 体系类目），编码 0=not mentioned、1=negative、2=uncertain、3=positive——即 CheXpert 原生五值体系去掉 NaN 后的四值呈现。

这个设计是双刃剑：优点是标签口径与母体完全一致，任何在 MIMIC-CXR/CheXpert 上训练的模型可以零转换地被这套照片测评；缺点是标签噪声继承自上游（报告提取标签的 90% 准确率上限原样带过来），照片层不做二次人工确认。正文 §4 会给出使用建议。

§1.5 发布时间线年表

2019 秋     HST.953 课程立项，四子集拍摄协议设计与执行
2020-09-27  PhysioNet v1.0.0 挂牌（Photo-MMC 子集）
2020        Stanford Photo-CheXpert 渠道开放另三子集表单
2021-02-15  npj Digital Medicine 4:25 发表（DOI 10.1038/s41746-021-00393-9）
2021-2026   Google Scholar 引用累计 25（核查时点）
2022-03     PhysioNet 开始统计 Views（存量访问未计入）
2026-09     核查时点：Views 253（Current/All 一致）

§1.6 用户画像：谁该用、谁不该用

该用：① 需要评估/校准远程胸片 AI 的产品团队（直接对号入座的测评集）；② 研究photograph-of-screen域偏移的学术团队（唯一公开受控库）；③ 做测试时增强、集成不确定性、校准曲线的方法学团队（Photo-DEV 的 10 次重复是现成素材）；④ 教学场景（数据小、结构清晰、故事完整）。

不该用：① 想从头训练大模型的团队——6,453 张照片撑不起主干网络训练，它的角色是校准/测试集；② 需要 DICOM 原始分辨率的定量影像组学研究——照片层的 JPEG 压缩与摩尔纹会污染纹理特征；③ 无法完成 PhysioNet Credentialed 流程或 Stanford 表单的团队——四个子集你最多拿到一个。

§1.7 名词速查表

术语	含义
拍屏范式（photograph-of-screen）	用手机摄像头拍摄显示器上显示的图像，模拟远程场景中"拍屏传图"的信息通路
域偏移（domain shift）	训练数据与部署数据的分布差异；本集中=高清 DICOM vs 手机 JPEG 的成像域差异
重校准（recalibration）	用少量目标域样本调整模型（常见为重训末层/温度缩放），弥补域偏移
Photo-MMC	MIMIC-CXR 屏幕翻拍子集，1,759 张，3 拍摄者×8 手机×8 显示器矩阵
Photo-CXP	CheXpert 图像翻拍子集，1,337 张
Photo-MED	住院医生 Office Lens 自由拍摄子集，1,337 张，9 名拍摄者
Photo-DEV	重复测量子集，202 图×10 次（9 设备组合+1 更亮光照），2,020 张
四值编码	0=not mentioned / 1=negative / 2=uncertain / 3=positive（CheXpert 体系）
双平台分发	Photo-MMC 在 PhysioNet；CXP/MED/DEV 经 Stanford Photo-CheXpert 表单

§1.8 发布平台与访问的实测存照

核查时实测三项：① /files/cxr-phone/1.0.0/ 匿名访问返回 403 Forbidden（Credentialed 实锤，批次清单预判的"Restricted"修正）；② 内容页 Project Views 卡片 253/253（Current/All 一致，口径=unique registered users）；③ metrics 页注明 “Views tracked since March 2022”。三项证据已存照于 §10。

§2 语境与设计逻辑：域偏移第一次被做成了商品

§2.1 医学影像 AI 的"最后十米"问题

2020 年前后的医学影像 AI 文献里，"模型在 MIMIC-CXR 上 AUC 0.90、在自家医院掉到 0.75"的叙述已成常态。学界为此发展出三套应对：① 域自适应（训练时把目标域分布拉进来）；② 强数据增强（训练时模拟退化）；③ 重校准（部署时用少量目标域样本修补）。第三套成本最低、临床最可行——但它的研究需要一类稀缺资产：带有源域标签的目标域样本。真实远程场景的手机拍片没有可靠标签，于是 Celi 团队把方向反过来：不去真实世界采样，而是在受控环境里制造域偏移——用母体数据集的高清图像拍出照片，标签随源图像自带。

§2.2 "拍屏"为什么是对的仿真

质疑者会问：手机拍屏幕≠手机拍胶片/手机拍灯箱，仿真保真吗？团队的设计给出了三层回答：

信息通路的同构性：远程会诊的真实通路是"图像→屏幕→手机传感器→JPEG→接收方"，拍屏复刻了其中每一环（摩尔纹、传感器噪声、白平衡漂移、JPEG 压缩、透视畸变），只是屏幕内容从 HIS 系统换成了 MIMIC-CXR 图像
可叠加更真实的退化：Photo-MED 子集让 9 名住院医生用 Office Lens 自由拍摄（“像发给放射科同事那样”），把人因变量注入——裁剪是否完整、角度是否端正、是否开了文档增强滤镜，全部保留原生态
Photo-DEV 的对照设计：202 张图固定不变、只动拍摄条件（9 种设备组合+1 种更亮光照），把"退化由采集条件解释"变成可分离的测量——10 次重复之间的差异就是纯采集噪声谱

§2.3 四个子集的分工矩阵

子集	回答的问题	变量控制	平台
Photo-MMC	设备矩阵×拍摄者：退化的主成分来自哪	高控（3×8×8 因子设计）	PhysioNet
Photo-CXP	跨源鲁棒性：CheXpert 风格图像同样退化吗	中控（源风格切换）	Stanford
Photo-MED	真人真实行为：让医生随便拍会怎样	低控（自由协议）	Stanford
Photo-DEV	重复测量：同一张图的条件敏感性	极高控（202×10 固定）	Stanford

这是一个从高控到低控的完整谱系：MMC 给因子方差分析，CXP 给跨源泛化，MED 给生态效度，DEV 给测量噪声谱。四个子集合起来覆盖了域偏移研究的四种标准姿势——单看任何一个都偏科，合起来才是完整的"域偏移考卷"。

§2.4 与 506 的镜像关系：同一个母体的两种降维

批次六的上一条（506 cxr-cardiomegaly）与本条构成一组罕见的镜像：两者都以 MIMIC-CXR 为母体，都做"降维"，但方向相反——

506 向上抽象：96,161 张 PA 影像 → 2 个数值（CTR/CPAR），信息损失换取极致的 AI-Ready（单 CSV、ODC-BY 开放、DAIMS 7.0）
507 向下仿真：高清影像 → 6,453 张手机照片，保真度损失换取部署真实性（域偏移的可控注入）

两者还是 npj 论文的一组互文：npj 论文的 cardiomegaly AUC 0.80 是在照片上测异常检测的分数，而 506 的 CTR 数值层是同一异常的连续型生物标志物——“照片上能不能检出心扩大"与"影像里心胸比是多少”，是同一临床问题的两个信息层。

§2.5 访问门槛的设计逻辑：为什么不是 Open Access

Credentialed 门槛常被批评为"反 AI-Ready"，但本集的门槛有具体的伦理理由：源图像来自 MIMIC-CXR（HIPAA 限制数据）与 CheXpert（斯坦福限制数据），虽然照片内容本身已过去标识清洗，但照片可能泄露屏幕显示环境的元信息（HIS 界面边角、序列号、工作列表片段——拍摄时的屏幕截图范围控制不可能绝对干净），PhysioNet 的 Credential Health Check + DUA 是合理的风险控制。门槛的代价（复现摩擦）与其收益（母体数据合规链的延续）在 §8 详算。

§2.6 双平台分发的治理样本

一个 DOI 名义下的四个子集，拆在两个平台：Photo-MMC 走 PhysioNet（DUA 框架），Photo-CXP/MED/DEV 走 Stanford Photo-CheXpert 表单（eepurl 短链入口，MailChimp 订阅式分发）。这个结构的成因是源图像的法域归属——CheXpert 图像的翻拍版不能由 PhysioNet 直接再分发，Stanford 侧的条款必须由 Stanford 自己的渠道承载。它是数据法域继承性的活标本：衍生数据的治理永远不能比母体更宽松。对使用者意味着：想集齐四子集，要过两道流程、签两套条款——这是本集 AI-Ready 评分的最大扣分项。

§2.7 证据层级小结

本集在"证据金字塔"中的位置：部署仿真层的测评资产——高于纯合成退化（GAN 造模糊/噪声，物理不真实），低于真实远程采集（有标签问题），正好卡在中间：合成与真实之间的受控中间带。这个位置决定了它的最佳用法是"校准与测评"，而非"训练与发现"。

§2.8 一句话语境总结

MIMIC-CXR 教会模型读懂高清 DICOM，CheXpert 教会模型理解不确定性标签，而 cxr-phone 教会研究者一个更朴素的事实：你的模型迟早要面对一张手机拍的照片——2019 年的这间教室，把这句话变成了 6,453 张可下载、可复现、可校准的 JPEG。

§2.9 常见误解七则

误解一：“手机拍的胸片=低质量医学数据。” 恰恰相反——低质量是被刻意制造的测量对象。6,453 张照片的每一张都带着可追溯的采集条件（哪部手机、哪台显示器、哪位拍摄者），这是大多数"高质量"数据集都不具备的设计密度。质量的意义取决于用途：当用途是"测量模型对退化的容忍度"，受控的低质量就是高价值数据。

误解二：“Credentialed 门槛说明数据不开放，价值有限。” 门槛保护的是母体合规链（MIMIC-CXR 是 HIPAA 限制数据），不是数据本身的价值判断。物理上，这套照片比多数 Open 数据集更"干净"——每张都溯源到已审计的公开母体。门槛的代价是复现摩擦（真实存在，§8.5 已算账），但"门槛=低价值"的推断不成立。

误解三：“6,453 张太少，做不了深度学习。” 取决于做什么。做训练：确实太少。做校准：npj 论文证明几百张就够挽回五到八成损失。做测评：6,453 张×14 类标签×条件元数据的信息密度，超过许多 10 万级无元数据图库。数据的"大小"应该按信息密度算，不按张数算。

误解四：“拍屏是伪需求，真实远程场景直接传 DICOM。” 这是数据中心视角的错觉。真实世界的远程胸片——基层诊所的会诊请求、家庭医生的紧急咨询、医疗资源短缺地区的转诊评估——大量经由手机照片完成，因为 DICOM 传输需要 PACS 对接与网络基础设施，而"拍一下发过去"只需要一部手机。npj 论文回应的正是这个真实存在且规模巨大的通路。

误解五：“标签是 NLP 提取的，噪声太大没法用。” 标签噪声是继承的（约 90% 准确率上限），但测评场景下它是特性而非缺陷：照片与高清基线共享同一套"真值"，AUC 下降可归因于退化本身而非标签口径漂移。若为照片重新标注，反而引入"照片标签 vs 母体标签"的第二套口径，破坏可比性。

误解六：“2026 年了，基础模型不需要这种校准数据。” 基础模型的预训练多样性确实吸收了部分域偏移（§7.3 已述），但"吸收多少、哪类异常吸收了多少"恰恰要用本集这类数据来测量——没有测量就没有结论。范式升级改变的是模型侧，不改变"部署域需要测评资产"的逻辑。

误解七：“Views 只有 253，说明社区已经验证过它不重要。” 低 Views 的成因有三：Credentialed 门槛挡住路过式访问、2022-03 起计的统计窗口、25 次引用者多数从论文取数不下数据。这与数据质量无关，与曝光结构有关。引用-访问比恰说明它"被引用得多、被开垦得少"——重分析空间（§5.5 路线 C）留给后来者。

§2.10 与同期数据集的范式坐标

2020 年前后的医学影像数据集范式可排成一条轴：原始采集（MIMIC-CXR/CheXpert）→ 结构化衍生（506 的数值层、510 的掩码层）→ 表示蒸馏（511 的嵌入层）→ 部署仿真（507 的照片层）。507 是这条轴上最靠"应用端"的一格——它不增加对疾病的知识，而增加对模型的知识。四类资产在"母体-衍生"谱系中互补而非竞争：训练用原始层，特征工程用结构层，预训练用蒸馏层，上线前用仿真层。本条目在这本百科中的角色，就是把"上线前"这一格的世界观与全部数字记录在案。

§2.11 一句话给三种读者

给工程团队：这是一份"部署前体检套餐"——模型、退化样本、参考答案、体检流程（npj 三段式）全部齐备，照 §7.2 管线跑即可。
给研究者：这是一块"已圈出矿脉的未开垦地"——分层报告、三向方差分析、光照效应、基础模型恢复率稳定性，四个矿位都在 §5.5 标了坐标。
给决策者：这是一组"上不上线的数字依据"——六类异常的恢复率区间（53-85%）直接翻译成远程分诊系统的类目优先级与阈值策略（附录 C 决策树）。

§2.12 五个反直觉事实

最"野"的子集最有价值——Photo-MED 的自由拍摄协议最不受控，却是生态效度最高、离真实部署最近的一格；受控与价值在这里负相关。
恢复率最低的类目（实变 53.2%）论文里 AUC 不低（0.81）——绝对分掩盖了"校准也修不好"的信息损失；读论文只看 AUC 会漏掉全文最重要的数字。
数据集比论文早发表近 5 个月——与常见的"论文先发、数据后补"相反，这是资源型工作的典型顺序：先立题库，再发参考答案。
拍摄者越多，数据越"乱"也越值钱——Photo-MED 的 9 名医生没人按教科书取景，但真实远程传图本来就没人是教科书式的。
退化的"物理不真实"（拍屏≠拍胶片）不构成致命伤——因为目标场景（拍屏传图）本身就是拍屏；仿真保真度按"通路同构"评估，不按"媒介同构"评估。

§3 数据切片：四子集的完整解剖

§3.1 总账：6,453 张的四条腿

Photo-MMC   1,759 张   MIMIC-CXR 屏幕翻拍（受控矩阵）
Photo-CXP   1,337 张   CheXpert 图像翻拍
Photo-MED   1,337 张   住院医生 Office Lens 自由拍摄
Photo-DEV   2,020 张   202 图 × 10 次重复拍摄
──────────────────────────────────────────────
合计        6,453 张   页面口径（四数相加一致 ✓）

四条腿的数字在页面与论文间一致，无矛盾存照。规模对深度学习偏小，但注意角色定位：这是校准/测评集，配给下游百亿参数模型做"域偏移体检"绰绰有余。

§3.2 Photo-MMC：因子设计的教科书

Photo-MMC（MIMIC Monitor Captures）是全库设计密度最高的子集：

3 名拍摄者：人因变量（握持稳定性、对焦习惯、取景倾向）
8 部手机：传感器变量（不同品牌/价位/年代的相机模组与 JPEG 管线）
8 台显示器：显示变量（面板类型、色域、亮度、扫描线伪影）
全组合 3×8×8=48 种设备组合，产出 1,759 张（每组合约 36.6 张，具体分配页面未给明细）

这组因子结构允许下游做三向方差分析：退化的方差中有多少来自人、多少来自手机、多少来自屏幕。2020 年公开数据集里这样做因子设计的不多见——多数"鲁棒性数据集"只给一个退化轴，Photo-MMC 给了三个。

§3.3 Photo-CXP：跨源泛化的对照组

Photo-CXP 把源图像从 MIMIC-CXR 换成 CheXpert（斯坦福的 224K 张胸片数据集），拍摄协议与 MMC 同构。它的存在回答一个对照性问题：域偏移的效应是否依赖于源数据集的风格。MIMIC-CXR 是床旁+仰卧位为主的 ICU 影像，CheXpert 是常规门诊立位为主——两者的图像直方图、病理谱、伪影分布都不同。如果"照片退化"在某源上破坏更大，说明退化与源分布存在交互，这本身就是可发表的发现点。

§3.4 Photo-MED：生态效度的化身

全库最"野"的子集：9 名住院医生/受训医生，用 Microsoft Office Lens（真实临床环境中最常用的文档翻拍 App 之一）自由拍摄，协议只有一句话——“像发给你放射科同事那样拍”。没有三脚架、没有取景规范、没有后期标准；有人会开文档增强滤镜，有人会倾斜着拍，有人只截取肺部区域，有人把整张片子拍全。

这一子集的价值恰在其失控性：它 captures 了"医生-手机-屏幕"交互的真实行为分布。对策研究（远程胸片 AI 的上线前测评）应该把 Photo-MED 作为最终关卡——模型在 MMC/DEV 的受控退化下及格不算数，在 MED 的行为噪声下还站得住，才敢上线。

§3.5 Photo-DEV：测量噪声谱的 10 次采样

Photo-DEV 的设计最简洁也最方法学：202 张图，每张拍 10 次——前 9 次遍历 9 种设备组合，第 10 次回到某组合但调亮光照。产出 2,020 张。

**用途一：测试时增强（TTA）**的同图素材——同一张图的 10 个版本同时喂给模型，看预测方差
用途二：测量不确定性建模——10 次预测的分布直接给出"这张图在这个模型下的采集噪声"
用途三：光照敏感性——第 10 次（更亮）与前 9 次的预测差，量化一条最朴素的临床事实：病房窗帘开不开，都会改变 AI 的判断
用途四：校准曲线——以同图重复为样本，绘出预测置信度 vs 采集条件的响应面

§3.6 标签体系：14 类四值的完整语义

标签沿用源数据集报告标签，14 类 CheXpert 体系类目，四值编码：

编码	含义	使用注意
0	not mentioned（报告未提及）	不是"阴性"——证据缺失与阴性证据是两回事；CheXpert 官方建议该值可弃或视任务而定
1	negative（报告明确否定）	最干净的负样本
2	uncertain（报告含糊/疑似）	可作弃置、可作三分类中间类、可加权
3	positive（报告明确肯定）	最干净的正样本

六类主异常（cardiomegaly、edema、consolidation、atelectasis、pneumothorax、pleural effusion）在 npj 论文中作为主战场，AUC 见 §6。

§3.7 文件组织与格式

全库 JPEG 照片（手机原始输出或 Office Lens 导出，保留设备 JPEG 管线的压缩特征）
每张照片关联：源图像标识（可回溯至 MIMIC-CXR/CheXpert 的 image 标识）、14 类标签向量、子集归属、（MMC/DEV）拍摄条件元数据
拍摄条件元数据是 MMC 与 DEV 的隐藏资产：手机/显示器/拍摄者/光照的字段让重分析成为可能——拿不到元数据的照片库只能当"黑盒测试集"

§3.8 下载路径的两条腿

Photo-MMC：PhysioNet（DOI 10.13026/7b2j-nq93 指向此处）
  门槛：PhysioNet Credential Health Check（CITI GCP）+ 签 DUA
Photo-CXP / Photo-MED / Photo-DEV：Stanford Photo-CheXpert 表单
  门槛：Stanford 侧数据使用条款 + 表单提交（eepurl.com/hcIi0T 入口）

两道流程无法合并——这是源法域继承决定的（§2.6）。实测存照：PhysioNet 文件区匿名 403 Forbidden；Stanford 侧入口为 MailChimp 短链（稳定性存照 §10）。

§3.9 与母体数据的 join 用法

标准研究管线是三表 join：

照片（cxr-phone，Credentialed）
  ↕ 源图像标识
高清源图像（MIMIC-CXR / CheXpert，各自 Credentialed）
  ↕ image 标识
报告标签（MIMIC-CXR meta / CheXpert 标签 CSV，各自许可）

cxr-phone 的标签文件已经把 14 类四值随照片附上，多数测评可以不 join 源图像直接跑——这为只想复现 npj 论文结果的团队省了两道门槛。需要源图像的场景（对比实验：同一病例高清 vs 照片）则必须集齐三个数据集的许可。

§3.10 规模的清醒账

6,453 张，14 类标签——对 2020 年之后的主流视觉骨干是"小数据"。但三个杠杆放大它的实际效力：

它测的是已有模型，不是训练模型：校准只需要几百样本就能把 AUC 修上去（npj 论文实证，§6.4）
重复测量把有效样本翻倍：DEV 的 202×10 让不确定性估计有 2,020 个观测
因子矩阵把单张照片的信息密度放大：MMC 的 48 组合让每张照片携带条件元数据

把它当 ImageNet 用是错的；把它当"域偏移考卷"用，6,453 张刚刚好。

§4 结构深查：退化的物理学与统计结构

§4.1 拍屏退化的五个物理来源

来源	物理机制	对模型的影响
摩尔纹	传感器像元网格 × 显示器像素网格的拍频	高频纹理污染，分割类任务受害最深
反光/眩光	屏幕表面反射环境光	局部对比度塌陷，可能被误判为实变/积液
透视畸变	手机与屏幕不垂直	几何变形，心胸比等比值型测量失真
白平衡漂移	相机自动白平衡 × 显示器色温	灰度影像染上色偏，影响密度相关判断
JPEG 压缩	手机相机管线默认压缩	高频细节丢失 + 块效应，小病灶可能被抹掉

五个来源同时作用，且在 MMC 的 48 组合中各占不同权重——这正是因子设计的意义：不用人为分离它们，数据本身允许分离。

§4.2 Office Lens 的变量：软件退化的第三维

Photo-MED 引入了 MMC/DEV 没有的变量：图像处理软件本身。Office Lens 的文档增强模式会做透视校正、对比度拉伸、背景去色——这些操作对文档是增强，对医学影像是二次信息损失（例如对比度拉伸可能放大胸壁软组织纹理，被误读为肺纹理增粗）。MED 与 MMC/CXP 的性能差距里，有多少来自"软件处理"，是重分析可以量化的问题。

§4.3 标签噪声的继承与放大

两层噪声链：① 源标签来自报告的 NLP 提取（CheXpert 标签器公开评测准确率约 90%+），不是金标准；② 照片化后无人重新标注——即照片的"真值"是源图像的报告标签。这带来一个微妙的方法学后果：照片上的 AUC 测的是"模型能否从照片中恢复出源图像携带的报告级信息"，而非"能否诊断疾病"。对测评用途这反而更公平（与高清基线同一真值口径），对临床解释则要保守——条目 FAQ §9 专门设问。

§4.4 不确定性的三重结构

本集的不确定性可以拆成三层，分别有对应的子集去测量：

采集噪声（同一图同条件重拍的预测波动）→ DEV 的 9 次同组合
条件敏感性（跨设备/光照的预测漂移）→ DEV 的 9 组合 + 光照第 10 次；MMC 的 3×8×8
行为噪声（人自由操作引入的额外方差）→ MED 的 9 医生自由拍

三层结构在公开数据集里是稀缺配置。多数鲁棒性数据集只有第 2 层。

§4.5 类别分布的已知与未知

页面披露：6,453 张照片随附 14 类标签，源图像按子集选自 MIMIC-CXR/CheXpert。未披露：每类的阳性率分布、子集间类别配平、uncertain 值占比。这是文档的薄弱环节——使用者要么下载后自查，要么从 npj 论文的实验设置反推（论文给了六类主异常的样本量脉络）。正文 §6.8 按"已知边界"原则处理，不脑补分布数字。

§4.6 与合成退化的可比性

同期文献中制造域偏移的主流方法是合成退化：高斯模糊、JPEG 重压缩、对比度扰动。拍屏与合成退化的本质差异在耦合性——合成退化各因素独立可控，拍屏的五个物理来源天然耦合（畸变会改变摩尔纹频率，光照会改变白平衡基准）。npj 论文隐含的立场是：耦合退化下的校准行为与独立退化不同，所以需要真拍。这个立场可以从 DEV 的数据出发被检验（同一模型的合成退化 AUC vs 真拍 AUC 曲线形状对比）。

§4.7 结构小结：一张"退化-测量"二维地图

            受控（因子可分离）        自由（生态效度）
物理退化      Photo-MMC / DEV           Photo-MED（部分）
软件退化      ——                       Photo-MED（Office Lens）
重复测量      Photo-DEV（10×/图）        ——
跨源切换      Photo-CXP                 ——

四个子集在地图上各占一格，无一重叠——设计者清楚知道自己在补哪块拼图。

§5 使用协议：从注册到跑通第一条基线

§5.1 全流程地图

[第 0 步] PhysioNet 账号 + CITI GCP 培训证书（Credential Health Check）
[第 1 步] PhysioNet 上 cxr-phone 项目页 → 签 DUA → 下载 Photo-MMC
[第 2 步] Stanford Photo-CheXpert 表单（eepurl 入口）→ 提交机构信息
          → 获取 Photo-CXP / Photo-MED / Photo-DEV 下载
[第 3 步] 解包核对：张数（1,759/1,337/1,337/2,020）+ 标签文件 + 元数据
[第 4 步] 选定基线模型（如在 MIMIC-CXR 预训练的 DenseNet 系）
[第 5 步] 三条评测路线（§5.3-§5.5）择一或全跑

§5.2 两道门槛的实操细节

PhysioNet 侧：Credential Health Check 要求 CITI “Good Clinical Practice” 证书（免费在线课程，约 3-4 小时）+ 机构邮箱/雇主信息 + DUA 签署。个人研究者无机构也可申请但审核更慢。Stanford 侧：Photo-CheXpert 表单要求数据使用目的声明与机构信息，审批以邮件方式返回下载链接（历史流程，具体以表单页为准）。时间预算：PhysioNet 侧当天至数天；Stanford 侧历史反馈数天——赶 deadline 的团队把这两周余量算进项目计划。

§5.3 评测路线 A：复现 npj 论文的六类基线

目标：在照片上测六类异常检测 AUC，对比论文报告（cardiomegaly 0.80 / edema 0.88 / consolidation 0.81 / atelectasis 0.79 / pneumothorax 0.84 / pleural effusion 0.90）。

要点：① 用论文相同的模型家族与源数据集训练配置（或直接用其开源权重若有）；② 遵循论文的子集划分与 uncertain 处理（弃置或加权，论文方法节为准）；③ 报告 95% CI（论文给 cardiomegaly 的 0.78-0.82 区间，其余五类点估计）。这条路线的成本最低——不需要源图像，不需要训练大模型，一张 GPU 一天可完成。

§5.4 评测路线 B：重校准实验（论文核心方法）

目标：量化"少量目标域样本的重校准能挽回多少性能损失"。

设计（对齐论文结论框架）：① 在高清源域训练/加载模型；② 在照片上测"裸 AUC"（退化基线）；③ 用 Photo-MMC/MED 的一部分做重校准（重训末层或温度缩放）；④ 测校准后 AUC，计算恢复率（论文口径：六类分别恢复 84.9% / 83.5% / 53.2% / 57.8% / 69.9% / 83.0%）。关键实验纪律：重校准样本与测试样本严格不重叠——DEV 的重复结构要按"图"切分而非按"张"切分，否则同图 10 张跨训练/测试集，恢复率虚高。

§5.5 评测路线 C：因子分析与噪声谱（重分析机会）

目标：利用 MMC/DEV 的条件元数据，做论文未尽的分解——

退化方差的三向分解（拍摄者/手机/显示器，MMC 的 3×8×8）
光照敏感性定量（DEV 第 10 次 vs 前 9 次的预测差分布）
Office Lens 软件效应（MED vs MMC/CXP 的同源对照——若源图像可配平）
摩尔纹频率与模型误差的空间相关性（把退化物理与误差地图连起来）

这条路线是学术增量最大的：论文只报告了总体校准效果，结构化分解全部留给社区。数据小、模型现成、元数据齐——是教学级可行的研究题。

§5.6 常见踩坑清单

坑	后果	避法
坑点1：只拿到 Photo-MMC 就开工	三分之二的数据缺失，MED/DEV 实验做不了	先走完 Stanford 表单再规划实验
坑点2：DEV 按张切分训练/测试	同图泄漏，结果虚高	按"图"分组切分
坑点3：把 0（not mentioned）当阴性	类别污染，AUC 失真	用 0/1/2/3 四值原语义，uncertain 明确策略
坑点4：用照片做纹理特征影像组学	JPEG 压缩污染高频特征	影像组学请回高清源
坑点5：拿照片训练再在高清上测试	方向反了（论文是高清训练→照片测试）	对齐论文方向，或明确声明反向设定
坑点6：引用 Views 口径不当	"253 views"被误读为下载量	口径是 unique registered users，2022-03 起计
坑点7：发表漏引母体数据集	PhysioNet 生态合规违规	引用清单见附录 F（本集 DOI+母体必引）
坑点8：丢条件元数据	MMC/DEV 降级为黑盒图库	元数据字段随分析入库（§3.7）

§5.7 与源数据集许可的连带义务

照片的标签与图像源自 MIMIC-CXR/CheXpert，因此：① 发表时按 PhysioNet 要求同时引用母体数据集（MIMIC-CXR 引用 Johnson et al. 与 PhysioNet；CheXpert 引用 Irvin et al.）；② 不得尝试从照片逆向重建高清源图像用于规避母体许可；③ 再分发的红线按 DUA 原文——照片本体不可公开转发，指向官方渠道的链接可以。许可全文以下载包内 LICENSE/README 为准。

§5.8 算力与时间预算参考

路线	算力	墙钟时间（熟练团队）
A 复现基线	单卡（≥16GB）	1-2 天（含下载与许可等待另计）
B 重校准	单卡	2-4 天
C 因子分析	单卡-双卡	1-2 周（分析为主，训练为辅）

全部路线的瓶颈不在算力，在两道许可流程的等待时间——再次强调提前两周启动注册。

§6 实证图景：npj Digital Medicine 的全部数字

§6.1 论文与数据集：一体两面的资产

数据集（2020-09-27 挂牌）与论文（2021-02-15 发表）是同一项目的一体两面：数据集给素材，论文给结论。npj Digital Medicine 4:25（DOI 10.1038/s41746-021-00393-9，PMC7884693，Nature 系列开放获取）由同一团队发表，Google Scholar 引用 25（核查时点）。对使用者而言：论文是数据集的"使用说明书+参考答案"，数据集是论文的"开放题库"——只读论文不做实验是浪费了题库，只下数据不读论文会重复踩已知的坑。

§6.2 实验设计的三段式

第一段  高清源域训练：MIMIC-CXR/CheXpert 高清图像 + 报告标签 → 异常检测模型
第二段  裸照片测试：模型直接面对 cxr-phone 照片 → 性能下降（域偏移的代价）
第三段  重校准：用少量照片样本调整模型 → 性能恢复（恢复率即本集核心数字）

这个三段式是"部署仿真"的标准范式：先证明问题存在，再证明问题可修补，修补所需的素材就是数据集本身。论文的贡献不在模型创新（用的是当时标准的 CNN 检测架构），而在把"修补可行性"量化成了六条恢复率。

§6.3 核心结果总表：六类异常的重校准前后

异常类别	重校准后 AUC	性能损失恢复率
心脏扩大 cardiomegaly	0.80（95% CI 0.78-0.82）	84.9%
肺水肿 edema	0.88	83.5%
肺实变 consolidation	0.81	53.2%
肺不张 atelectasis	0.79	57.8%
气胸 pneumothorax	0.84	69.9%
胸腔积液 pleural effusion	0.90	83.0%

表内数字为论文报告口径（核查时点）；CI 仅 cardiomegaly 一类在核查材料中确认给出（0.78-0.82），其余五类正文按点估计处理、不脑补区间（存照 §10）。

§6.4 三个读表要点

要点一：恢复率 ≠ 最终分数。 84.9% 的恢复率意味着"域偏移造成的损失被修补了八成半"，不是"模型恢复到 84.9% 的 AUC"。两类数字经常被混引——引用时务必看清口径。

要点二：恢复率的离散性本身就是发现。 六类从 53.2%（实变）到 84.9%（心大）跨度 31.7 个百分点——域偏移的可修补性与异常类型强相关。一个合理的解释骨架：心大/胸腔积液/水肿依赖大尺度形态（心影轮廓、肋膈角、血管重分布），这些信息在照片退化下存活率高；实变依赖细微密度差，恰恰是被摩尔纹/JPEG 抹掉的那类信息。若此解释成立，它给远程胸片 AI 的类目优先级排了序：先上线形态类异常筛查，密度类异常留到采集质量可控的场景。

要点三：0.79-0.90 的绝对水平。 重校准后的 AUC 全部落在此区间——够做分诊/筛查辅助，不够做诊断替代。这个定位与 npj 论文的临床叙事一致：远程场景的第一职责是"别漏掉重症"，不是"给出诊断"。

§6.5 逐类画像：六类异常的临床-影像学定位

cardiomegaly（心大，AUC 0.80，恢复 84.9%）：影像学最"宽容"的类目——心胸比是连续几何量，照片畸变只轻微改变轮廓估计；npj 论文的 0.80 与 506 条目的 CTR 数值层（全体均值 0.483，阳性 0.565）构成数值-影像-照片三层互文：CTR>0.5 的影像学判定传到照片层还能保住 0.80 的 AUC，说明几何类信号是拍屏退化的"幸存者"。

edema（水肿，AUC 0.88，恢复 83.5%）：六类最高分。肺水肿的影像学主征（蝶翼影、血管蒂增宽、心影增大）多属中低频信息，对高频退化天然鲁棒；且 edema 常与心大共存（心源性），模型可借共现结构互相印证。

consolidation（实变，AUC 0.81，恢复 53.2%）：恢复率最低——印证了密度敏感性假说。实变与正常肝样密度的鉴别依赖细微灰阶差，JPEG 压缩的块效应与白平衡漂移直接攻击这一维度。给实践者的信号：远程照片上"没有实变"的证据强度远弱于"有实变"，阴性结果的临床使用要更保守。

atelectasis（肺不张，AUC 0.79，恢复 57.8%）：恢复率倒数第二。肺不张的影像学表现（叶间裂移位、膈肌抬高、密度增高）部分依赖空间关系的精确性——透视畸变恰好破坏几何关系。与实变同属"照片层证据折扣最大"组。

pneumothorax（气胸，AUC 0.84，恢复 69.9%）：中位表现。气胸的主征（胸膜线、无肺纹理带）是高频特征，按物理直觉本应更受伤；69.9% 的恢复率与 0.84 的绝对值说明纹理带的中频成分足够存活。但临床语境下气胸是最"输不起"的漏诊——远程筛查方案应给气胸单独留灵敏度余量。

pleural effusion（胸腔积液，AUC 0.90，恢复 83.0%）：绝对分最高。肋膈角变钝、半月形致密影都是大尺度形态信号，且与心大/水肿的共现网络密集——又一例"形态类信号幸存"的实证。

§6.6 方法学的骨架：重校准做了什么

论文方法节的要点（按公开材料口径）：在照片子集上用少量标注样本调整模型参数（重训分类头/末层级别），使模型的决策边界适配照片域的分布。没有使用复杂的域自适应（对抗/扩散生成），这恰恰是论文的实用主义立场：远程场景的落地单位是小医院，它们养不起域自适应的算力与专家，几百张照片+一次微调是它们负担得起的最小方案。恢复率数字因此可以直接翻译成落地成本：约几百张校准样本，六类异常挽回五到八成损失。

§6.7 25 次引用的接受度与脉络

Google Scholar 引用 25（核查时点），对一个"资源型+方法型"的混合工作属中等水平。引用脉络的典型用法：远程医疗 AI 评测、胸部影像域泛化综述、移动医疗（mHealth）系统设计。25 这个数字与 Views 253 构成一个耐人寻味的对比——每篇引用论文背后，平均只有约十个注册用户看过数据集页面；引用者多从论文直接取数字，真正下载数据做增量工作的团队可能不足两位数。对后来者这是机会：数据集的重分析空间（§5.5 路线 C）几乎未被开垦。

§6.8 证据边界：论文没说的

诚实清单：① 除 cardiomegaly 外五类的 95% CI 未在核查材料中确认；② Photo-CXP/MED/DEV 在论文实验中的具体配比未在页面披露（需读论文方法节/补充材料）；③ 恢复率的计算基准（"裸基线"是哪个架构）决定数字的跨论文可比性——不同论文的"裸基线"不同，恢复率数字不应直接横比；④ 论文未报告按拍摄条件分层的误差分析（这正是 §5.5 路线 C 的开垦空间）。正文引用本集数字时，以上边界随引用一并说明。

§6.9 与同期文献的坐标

2020-2021 年域泛化/域自适应文献的语境中，本论文的坐标是"最小干预派"：不做训练时对齐，只做部署时修补。同期的对抗域自适应、自监督预训练迁移等路线在绝对 AUC 上可能更高，但工程门槛也高一个数量级。三年后回望（2026 年核查时点），"少量目标域样本+轻量微调"恰是后来 foundation model 时代的标准操作（prompt/adapter 微调）——这篇论文的方法论立场提前踩中了行业走向。

§6.10 六类深查之一：心脏扩大 cardiomegaly（AUC 0.80，恢复 84.9%）

影像学基础：心胸比（CTR）= 心脏最大横径/胸廓最大内径，>0.5 为阳性。这一判定依赖两类信息：心脏轮廓（中频）与胸廓边界（中频）——都在拍屏退化下存活率高的频段。

照片层的三重威胁与实际表现：① 透视畸变改变几何比例——但 MMC 协议要求对屏拍摄，畸变角度有限；② 反光覆盖心缘——局部风险，非系统性；③ JPEG 压缩模糊心缘脂肪垫与肺交界面——轻微。三重威胁都未击穿 0.80 的 AUC 与 84.9% 的恢复率，与"几何类信号是幸存者"假说一致。

与 506 的定量呼应：506 条目的 CTR 数值层给出全体均值 0.483±0.065、阳性亚组 0.565±0.066——阳性与全体的 CTR 差约 0.08，落在照片层能分辨的几何变化范围内。这解释了为什么"用照片测心大"是六类中恢复率最高的：底层信号（比例差 0.08）远大于退化噪声（畸变引起的比例漂移）。

实践要点：远程筛查若只保留一类异常检测，心大是性价比首选——信号鲁棒 + 临床后果可等待（慢性过程）+ 随访路径成熟（超声确诊）。

§6.11 六类深查之二：肺水肿 edema（AUC 0.88，恢复 83.5%）

影像学基础：肺水肿的主征是血管蒂增宽、蝶翼状分布、Kerley 线、胸腔积液共存——前两者中低频，后两者中高频；心源性水肿还常伴心大，构成"共现验证"结构。

照片层表现：0.88 是六类最高 AUC，83.5% 恢复率次高。解释：① 主征（蝶翼影/血管重分布）的空间尺度大，JPEG 压缩影响小；② 共现网络（心大+积液+水肿）让模型有多通道证据，单通道退化不致命。

临床语境：水肿是"急性失代偿"的标志，远程场景中恰是最需要快速识别的类目之一。0.88 的照片层 AUC 意味着"分诊级可用"——但这正是需要谨慎的地方：水肿阳性的患者需要紧急处理，假阴性代价最高。部署建议：水肿通道的阈值设置偏向高灵敏度，宁可多转诊。

与 DEV 的联动：水肿对体位与光照敏感（立位/卧位分布改变是影像学常识）——DEV 的光照扰动实验恰好可以检验模型是否把"拍摄条件变化"误读为"容量状态变化"。这是 §5.5 路线 C 的一道好题。

§6.12 六类深查之三：肺实变 consolidation（AUC 0.81，恢复 53.2%）

影像学基础：实变=肺泡内气体被病理组织替代，主征是均匀密度增高 + 空气支气管征 + 无体积缩小。密度鉴别（实变 vs 肿块 vs 纤维化 vs 正常软组织重叠）依赖精确灰阶——正是高频/中频信息。

照片层表现：恢复率 53.2% 全场最低——退化把"灰阶的细微差别"系统性抹掉了。JPEG 压缩的块效应与白平衡漂移直接攻击密度信息；摩尔纹在中高密度区域引入伪纹理，可能被模型误读为支气管征或干扰其识别。

临床后果最重的一类：肺炎是远程会诊高频主诉。53.2% 的恢复率意味着"校准也修不好"——这不是校准能解决的（校准修补的是分布适配，不创造被压缩掉的信息）。实践含义必须直白：照片上"没有实变"的证据强度，显著弱于"有实变"——远程分诊系统对阴性实变结果的放行决策要有额外安全机制（症状驱动而非影像驱动的复诊建议）。

方法学提示：若要用本集研究实变，优先做"阴性证据的可靠性下界"分析，而非继续刷 AUC——后者天花板已现（0.81），前者临床价值更高且无人做过。

§6.13 六类深查之四：肺不张 atelectasis（AUC 0.79，恢复 57.8%）

影像学基础：肺不张的主征是叶间裂移位、膈肌抬高、纵隔向患侧移位、密度增高——一半是密度信息（同实变的弱点），一半是空间关系信息（透视畸变的直接靶点）。

照片层表现：AUC 0.79 全场最低、恢复率 57.8% 倒数第二——两类弱点叠加的结果。空间关系（叶间裂位置）对透视畸变敏感：手机与屏幕不垂直时，裂移位的判断基准本身就变形了。

与 ICU 语境的特殊关联：MIMIC-CXR 的不张多为床旁仰卧位的盘状/叶性不张——ICU 读者的先验与门诊影像不同。跨源子集（Photo-CXP）恰好能检验"不张的检测是否依赖 ICU 风格先验"——如果 CXP 上更差，说明模型学到的是"ICU 的不张"而非"不张"本身。

实践要点：不张在远程场景的常见性低于肺炎/积液，通常不是远程筛查的优先类目——0.79 的分数不构成上线障碍，因为使用频率低。

§6.14 六类深查之五：气胸 pneumothorax（AUC 0.84，恢复 69.9%）

影像学基础：气胸主征是胸膜线（脏层胸膜的细白线）与其外侧的无肺纹理带——极高频特征，按物理直觉应被 JPEG 压缩严重破坏。实际 0.84/69.9% 的表现好于直觉，可能的解释：① 危险性气胸（张力性/大范围）的无纹理带足够大，中频成分存活；② 胸膜线虽细但对比度高。

"输不起"的类目：气胸漏诊的后果最急（张力性气胸数小时内致命），且气胸在远程场景有真实出现场景（术后随访、外伤后远程初评、慢阻肺患者突发呼吸困难）。0.84 的 AUC 用于筛查可以，但部署的阈值必须重度偏灵敏度——假阳性的代价（多拍一张 X 光）远小于假阴性（漏掉气胸）。

Photo-DEV 的专项价值：气胸检测的置信度对图像质量的波动可能是六类中最敏感的——DEV 的 10 次重复恰好能画出"同一张片子的气胸概率如何随拍摄条件漂移"。若漂移跨越临床阈值，就是"远程气胸筛查需要强制采集规范"的定量证据。

§6.15 六类深查之六：胸腔积液 pleural effusion（AUC 0.90，恢复 83.0%）

影像学基础：积液主征是肋膈角变钝、半月形致密影、大面积时的"白肺"——大尺度形态信号，且常与心大/水肿共现（心衰三角）。

照片层表现：0.90 全场最高、83.0% 恢复率第三——"形态类信号幸存"假说的最强证据。肋膈角的钝化是大尺度几何变化，与心大同属拍屏退化的幸存频段。

量化的临床含义：积液量与肋膈角形态的对应关系成熟（侧位片 75ml 级别即可见钝化），照片层保住 0.90 意味着"中大量积液的远程检出"是可信的——这对心衰/肝硬化/术后患者的居家随访是实打实的能力。

三层数据结构的收束：本类目最能体现"母体-影像-照片"三层互文的价值——506 的 CTR/CPAR 是几何生物标志物（心大），积液是形态标志物，两者在照片层的幸存性共同勾勒出"远程胸片 AI 的能力边界地图"：几何与形态可远程，密度需现场。

§6.16 实证小结：一张数字卡

npj Digital Medicine 4:25 (2021-02-15)，DOI 10.1038/s41746-021-00393-9
六类 AUC：0.80 / 0.88 / 0.81 / 0.79 / 0.84 / 0.90（心大/水肿/实变/不张/气胸/积液）
六类恢复率：84.9% / 83.5% / 53.2% / 57.8% / 69.9% / 83.0%
结论：域偏移可修补，修补成本 = 几百张校准样本 + 一次轻量微调
启示：可修补性与异常类型强相关；形态类信号是拍屏退化的幸存者

§7 AI 实践指南：把 6,453 张照片用对

§7.1 技术定位的三条铁律

它是测评集，不是训练集——从头训练会欠拟合到失去意义，正确用法是"预训练模型 + 本集校准/测试"
它是照片域的镜子——照出你的高清模型在远程场景的真实水平，而不是照出模型的上限
它的元数据是资产——丢弃条件元数据等于把 6,453 张照片降级成 6,453 张无信息量的 JPEG

§7.2 推荐管线（端到端参考实现）

[1] 载入预训练模型（MIMIC-CXR/CheXpert 高清预训练权重）
[2] 照片预处理：最小化预处理！保留原始 JPEG 特征
    （只做 resize 到模型输入尺寸；禁用一切"美化"滤镜）
[3] 裸基线评测：照片全库 → AUC/灵敏度/特异度（裸退化分数）
[4] 切分纪律：按"图"分组切分（DEV 同图 10 张不得跨集）
[5] 重校准：预留 20-30% 子集做校准（重训末层 or 温度缩放）
[6] 恢复率计算：对齐 npj 口径（校准后/裸基线的损失回收比）
[7] 分层报告：按子集（MMC/CXP/MED/DEV）分层报指标——这是论文未尽的增量
[8] 不确定性：DEV 同图 10 张的预测方差 → 采集噪声谱

§7.3 模型选型的时代注记

论文时代（2020）的标准骨干是 DenseNet-121 级 CNN。2026 年的实践者有三个升级选项：① 通用视觉基础模型（DINOv2/SAM 类）+ 线性探针；② 放射学预训练的视觉-语言模型（CheXzero/MEDSAM 类）；③ 保留 CNN 基线作参照——重校准的恢复率在不同骨干上的稳定性本身就是可发表的实验（若基础模型在照片上天然更稳，"域偏移已被预训练多样性吸收"即为新发现）。无论选哪个，npj 基线数字都是你的对照锚点。

§7.4 校准方法清单（按工程成本排序）

方法	成本	预期效果	适用
温度缩放	极低（一个参数）	改善置信度校准，AUC 不动	校准曲线研究
末层重训	低（几百样本）	npj 口径的主力，恢复率 53-85%	复现/部署
批归一化重估	低	只需前向统计，零标注	无标注场景的快速止血
TTA（DEV 同图 10 版本）	中	方差降低，需 10 次推理	有 DEV 子集时
风格迁移增强	中高	训练时模拟照片域	有源图像+算力时
完整域自适应	高	论文明确未走此路（实用主义）	研究用途

§7.5 报告规范：引用本集数字的格式

推荐三件套：① 数字+口径（“AUC 0.80（95% CI 0.78-0.82），npj Digit Med 4:25”）；② 恢复率的基准声明（“恢复率相对 [论文] 的裸照片基线”）；③ 子集声明（实验用了哪个子集——MMC/MED/DEV 的结果不可互相替代）。反面教材：“手机拍的照片会让 AI 掉分 30%”——无出处、无口径、无类别区分，三类信息全丢。

§7.6 反模式清单

❌ 用照片训练诊断模型再吹"轻量部署"——训练集只有 6,453 张，欠拟合的主
❌ 对照片做锐化/降噪/超分"提升画质"——改变了被测对象（照片域分布），测评失真
❌ 把 not mentioned（0）当阴性（1）——类别污染
❌ DEV 按"张"切分——同图泄漏，恢复率虚高
❌ 只报总 AUC 不分子集——丢掉了 MMC/MED 的生态效度差异（论文之外最大的增量信息）
❌ 拿 Views 253 论证"数据集无人用"——口径是注册用户浏览，且 2022-03 起计（存量未含）

§7.7 从照片到部署：三步桥

院内模拟：用 Photo-MED 协议在自家医院拍 50-100 张（让本院医生用自己手机拍本院屏幕），测你的模型——这一步不需要任何公开数据，是 npj 协议的院内复制
公开基准对照：把院内模拟分数与 cxr-phone 分数并排——若院内更差，说明你的部署环境比公开库更野（通常是屏幕质量/光照更差）
校准预算：按 npj 恢复率区间（53-85%）估算校准样本需求，留出标注预算——六类全上，几百张起步

§7.8 教学用法：一周实验课设计

HST.953 出身决定了它天生适合课堂。一周节奏：Day1 读论文+下数据（许可流程提前两周启动）；Day2 跑通裸基线；Day3 做重校准+复现恢复率量级；Day4 分层分析（子集/异常类）；Day5 组会报告。学生能在一周内经历"许可-基线-校准-分析-报告"全流程，且每一步都有论文数字作对照——这是"有参考答案的开放题"，教学稀缺品。

§7.9 端到端工作实例：一次完整的"照片域体检"

以下用伪代码走一遍 §5.4 路线 B（重校准实验）的完整骨架——目标：复现 npj 口径的恢复率量级，并给出一个论文没做的增量（分层报告）。

# ===== 阶段 0：数据加载与切分纪律 =====
photos = load_cxr_phone()          # 6,453 张 JPEG + 14 类标签(0-3) + 条件元数据
groups = photos.group_by("image")  # 按"图"分组——DEV 同图 10 张绝不跨集
train_cal, test = group_split(groups, test_size=0.3, stratify="dataset")

# ===== 阶段 1：裸基线（退化分数）=====
model = load_pretrained("mimic-cxr-densenet121")   # 高清预训练权重
bare = evaluate(model, test, preprocess=minimal)   # 只 resize，不做任何"美化"
# bare.auc 逐类 ≈ 显著低于高清基线 —— 这就是域偏移的代价

# ===== 阶段 2：重校准（npj 口径）=====
head_new = retrain_head(model, train_cal, epochs=5, freeze_backbone=True)
calibrated = evaluate(head_new, test, preprocess=minimal)
# 恢复率 = (calibrated.auc - bare.auc) / (hd_baseline.auc - bare.auc)
# 六类量级目标：53%-85%（对齐 npj 数字）

# ===== 阶段 3：增量分析（论文未做）=====
for subset in ["Photo-MMC", "Photo-CXP", "Photo-MED", "Photo-DEV"]:
    report(subset, calibrated.metrics_on(subset))   # 分层 AUC
anova = three_way_anova(Photo_MMC, factors=["shooter", "phone", "monitor"])
light_gap = compare(Photo_DEV.capture(10), Photo_DEV.capture(1..9))  # 光照效应

§7.10 输出物模板：一张合格的结果卡

════════ 照片域体检报告卡（模板）════════
模型      <名称/权重来源/预训练数据集>
测试集    cxr-phone v1.0.0，子集 <MMC/CXP/MED/DEV>，n=<张数>
切分      按"图"分组，校准/测试 = <70/30>
预处理    resize only（无锐化/降噪/超分）

裸基线 AUC（照片）      心大 <?> / 水肿 <?> / 实变 <?> / …
高清参考 AUC（文献）    心大 <0.9x> / …
重校准后 AUC            心大 <?> / …
恢复率                  心大 <?>% / …  ← 对标 npj：84.9%
                        实变 <?>%      ← 对标 npj：53.2%

分层报告（增量）        MMC <?> / MED <?> / DEV 噪声谱 <…>
光照效应                第10次 vs 前9次预测差 <分布描述>
† CI 与子集口径随报告注明；恢复率基准=裸照片基线

§7.11 质量自查清单（提交前 12 问）

[1] 训练/测试切分是否按"图"分组？（DEV 泄漏检查）
[2] not mentioned(0) 与 negative(1) 是否区分处理？
[3] uncertain(2) 的策略是否显式声明？
[4] 预处理是否最小化？有无偷偷"美化"？
[5] 恢复率的分母（裸基线）是否与本实验同架构重测？
[6] 高清参考数字是否注明出处（不可自产自销）？
[7] 分层报告是否覆盖四子集？
[8] DEV 光照第 10 次是否单独分析？
[9] 元数据（手机/显示器/拍摄者）是否入库分析而非丢弃？
[10] 阴性证据的折扣（实变/不张）是否在结论中提示？
[11] 引用是否含本集 DOI + 母体数据集？
[12] Views/访问数字的引用口径是否为 unique registered users？

§7.12 常见报错与排查对照

症状	最可能原因	处置
恢复率异常高（>95%）	DEV 同图跨集泄漏	检查切分是否按"图"分组
裸基线 AUC 与 npj 差距大	预处理管线不同（如做了 CLAHE）	对齐 minimal 预处理
实变恢复率显著高于 53.2%	校准集含测试集病例	分组泄漏复查
MED 分数远好于 MMC	源图像配平问题（MED 图像易/难不同）	报告中做源匹配子分析
全类 AUC 崩到 0.5x	标签编码读错（把 0 当阴性）	核对 0/1/2/3 语义
Stanford 子集无法解包	下载不完整/表单流程未完成	联系表单渠道补链
某类样本数为 0	该类阳性集中在未获取的子集	集齐四子集再跑
CI 极宽	类别阳性数不足	合并 uncertain 或扩展类别范围并声明

§8 伦理与合规：两套条款下的轻与重

§8.1 为什么 Credentialed 是合理门槛

照片的隐私链路是"已去标识的医学影像→屏幕→照片"。有人会问：既然源图像已去标识，照片为何不 Open？三层理由：① 屏幕环境的元信息风险——拍摄时的截图范围可能含 HIS 界面边角、序列号、工作列表片段，系统化排查成本高于设门槛；② 母体合规链的延续——MIMIC-CXR（HIPAA 限制数据）与 CheXpert 的许可都要求衍生品不比母体更宽松，这是数据法域继承性；③ DUA 的行为约束——禁止重识别、禁止再分发、禁止逆向重建，这些义务需要签约主体承载。门槛的代价与收益在 §8.5 总账。

§8.2 两套条款的并行义务

事项	PhysioNet 侧（Photo-MMC）	Stanford 侧（CXP/MED/DEV）
准入	Credential Health Check + DUA	Photo-CheXpert 表单 + 条款
身份	注册用户实名 + 机构信息	表单申报
再分发	禁止（指向官方链接可以）	按 Stanford 条款（历史口径为禁止）
引用义务	引本集 DOI + PhysioNet + MIMIC-CXR	另加 CheXpert（Irvin et al.）

两套条款互不替代：只用 MMC 履行 PhysioNet 义务即可；碰另三子集，Stanford 条款叠加生效。条款全文以下载包与表单页为准。

§8.3 隐私的三道防线与本集的位置

第一道：源级去标识（MIMIC-CXR/CheXpert 的 PHI 清洗，DICOM 元数据与烧录文字清理）——上游完成；第二道：照片层的信息控制（拍摄范围、屏幕内容选择）——本集的采集协议完成，残留风险由 Credentialed 门槛兜底；第三道：使用端义务（DUA 禁止重识别/再分发）——签约用户承担。三道防线中，本集的独特贡献是把第二道做成了可审计的采集协议（四子集设计全部留档）。

§8.4 临床伦理：远程胸片 AI 的公平性暗面

npj 论文 AUC 0.79-0.90 的数字之外，部署伦理有三条暗线：① 设备公平性——远程场景的用户设备谱系远比 8 部手机宽（低端机/旧屏幕），MMC 的 8×8 矩阵只是采样不是覆盖，模型对矩阵外设备的表现在公开数据中无答案；② 阴性折扣的临床传导——实变/不张恢复率 53-58%，意味着照片上的阴性证据折扣大，若远程分诊系统据此放行患者，漏诊风险向弱势人群（依赖远程者）转嫁；③ 光照即偏见——DEV 第 10 次（更亮光照）的预测漂移提示：采光差的基层诊室可能承受更高的 AI 误差率。这些不是数据集的缺陷，而是数据集让我们能看见的部署伦理问题。

§8.5 门槛的总账：AI-Ready 视角

维度	得	失
可获取	合规链完整、行为约束明确	两道流程、两类条款、数天等待
可复现	npj 论文数字齐、标签口径统一	双平台拆分增加工程摩擦
可持续	PhysioNet 长期托管（MIT LCP）	Stanford 侧入口为短链（存照 §10）
可审计	四子集设计留档、元数据齐	类别分布明细未披露

总评：AI-Ready 的"治理"维度接近满分，"获取"维度扣分显著——这是本集 DAIMS 评分的主要争议点（§10.6 给论证过程）。

§9 FAQ：90 问快答

出身与身份（10 问）

这个数据集是什么？ 6,453 张用手机拍摄"显示器上胸片"的照片，源自 MIMIC-CXR 与 CheXpert，附 14 类 CheXpert 标签。
谁做的？ MIT HST.953 课程（2019 秋）项目，7 名作者：Kuo/Tsai/Lopez/Karargyris/Pollard/Johnson/Celi。
何时发布？ 2020-09-27，v1.0.0，唯一版本。
DOI 是什么？ 10.13026/7b2j-nq93。
访问级别？ Credentialed（实测文件区匿名 403 Forbidden；批次清单预判 Restricted 已修正）。
论文是哪篇？ npj Digital Medicine 4:25（2021-02-15），DOI 10.1038/s41746-021-00393-9。
为什么叫 cxr-phone？ slug 直译：手机胸片（CXR via phone）。
它解决什么问题？ 高清训练的胸片模型，遇到远程场景"拍屏传图"时的性能下降，如何量化与修补。
HST.953 是什么？ Harvard-MIT Health Sciences and Technology 的医学数据科学课程，Celi 主讲，MIMIC 生态的人才输送带。
数据集与论文谁先谁后？ 数据集先挂牌（2020-09），论文后发表（2021-02），间隔不到 5 个月。

内容与规模（10 问）

总共多少张？ 6,453 张 JPEG。
四个子集各多少？ Photo-MMC 1,759 / Photo-CXP 1,337 / Photo-MED 1,337 / Photo-DEV 2,020。
Photo-MMC 的设计？ 3 拍摄者 × 8 手机 × 8 显示器的因子矩阵，48 种设备组合。
Photo-MED 的协议？ 9 名住院医生用 Office Lens 自由拍摄，“像发给你放射科同事那样拍”。
Photo-DEV 的设计？ 202 张图各拍 10 次：9 种设备组合 + 1 次更亮光照。
标签几类？ 14 类 CheXpert 体系异常。
标签怎么编码？ 0=not mentioned / 1=negative / 2=uncertain / 3=positive。
标签是谁标的？ 继承源图像的报告标签（NLP 提取），照片层未重新标注。
有没有 DICOM？ 没有，全部是手机 JPEG——退化本身是研究对象。
图像分辨率多少？ 随设备而异（这是设计特性不是缺陷），具体规格以文件包为准。

访问与获取（10 问）

怎么下载？ Photo-MMC 走 PhysioNet；另三子集走 Stanford Photo-CheXpert 表单。
需要什么资质？ PhysioNet 侧 CITI GCP 证书 + DUA；Stanford 侧表单申报。
个人研究者能下吗？ 可以，PhysioNet 支持个人申请（审核更慢）。
要等多久？ PhysioNet 当天至数天；Stanford 历史数天；预算两周余量。
能只下三分子集吗？ 能，但 MED/DEV 实验将不可做——建议集齐。
ee开头那个短链是什么？ Stanford Photo-CheXpert 表单入口（eepurl.com/hcIi0T，MailChimp 短链）。
下不了 Stanford 侧怎么办？ 只能用 MMC 做受控退化研究；MED/DEV 相关工作无法开展。
许可费多少？ 免费（两道流程均无费用）。
能再分发吗？ 不能；可以指向官方渠道。
商用可以吗？ 按 DUA/Stanford 条款原文界定，研究用途明确许可，商用需另行确认。

方法与统计（10 问）

核心结果是什么？ 重校准后六类 AUC 0.79-0.90；性能损失恢复率 53.2%-84.9%。
哪类异常恢复最好？ 心大 84.9%（AUC 0.80）。
哪类恢复最差？ 实变 53.2%——密度敏感型异常受伤最深。
胸腔积液表现？ AUC 0.90，恢复 83.0%，绝对分最高。
恢复率怎么理解？ 域偏移造成的性能损失中，重校准挽回了百分之多少。
95% CI 有吗？ 心大确认给了（0.78-0.82）；其余五类在核查材料中未确认，勿引用虚构区间。
训练测试怎么切？ 按"图"分组切分（DEV 同图 10 张不得跨集）。
uncertain 标签怎么处理？ 论文方法节口径为准；常见做法是弃置或三分类中间类。
照片 AUC 测的是什么？ 模型从照片恢复"源图像报告级信息"的能力，非疾病诊断金标准。
和合成退化比有什么优势？ 物理退化的耦合性（畸变×摩尔纹×光照互相作用）是合成退化模拟不了的。

与母体数据集的关系（10 问）

和 MIMIC-CXR 什么关系？ 源图像提供方之一；Photo-MMC/MED 的图像来自它。
和 CheXpert 什么关系？ 另一源图像提供方；Photo-CXP 的图像来自它。
需要下载母体吗？ 只做照片测评不需要；要做高清-照片对比实验需要。
标签和母体一致吗？ 完全继承——这让任何母体预训练模型零转换地被测评。
和 cxr-cardiomegaly（506）什么关系？ 同一母体的两种相反降维：506 提炼数值，507 退化成照片。
为什么说 506 和 507 互为镜像？ 一个向上抽象（影像→数字），一个向下仿真（影像→照片）。
npj 论文的 AUC 0.80 和 506 的 CTR 有什么联系？ CTR 是心大的连续型生物标志物，0.80 是照片层检出能力——同一临床问题的两个信息层。
母体许可对本集有约束吗？ 有——衍生品不比母体宽松（数据法域继承）。
能从照片还原高清图吗？ DUA 明确禁止逆向重建规避母体许可。
引用时要引哪些？ 本集 DOI + PhysioNet + MIMIC-CXR（Johnson et al.）+ CheXpert（Irvin et al.，若涉及其子集）。

使用与实操（10 问）

用什么模型跑？ 任何 MIMIC-CXR/CheXpert 预训练模型即可起步；基础模型+线性探针是 2026 年的升级选项。
照片要预处理吗？ 最小化预处理——只 resize；禁用锐化/降噪/超分。
GPU 要多强？ 单卡 16GB 起步足够（6,453 张的小体量）。
多久能复现 npj 结果？ 熟练团队 1-2 天（不含许可等待）。
最大的实操坑是什么？ Stanford 侧没提前申请，三分之二数据缺席。
元数据在哪？ MMC 的拍摄条件（手机/显示器/拍摄者）与 DEV 的条件记录随包附上——丢弃它等于丢资产。
能做 TTA 吗？ 能，DEV 的 202×10 就是现成的同图多版本素材。
能做因子分析吗？ 能，MMC 的 3×8×8 支持三向方差分析——论文未做的开垦地。
Office Lens 效应能量化吗？ 可以设计 MED vs MMC/CXP 的对照——软件退化研究的好题。
光照敏感性怎么测？ DEV 第 10 次（更亮）与前 9 次的预测差分布。

评分与定位（10 问）

AI-Ready 程度如何？ 中上——文档/标签口径/元数据优秀，双平台分发与 Credentialed 门槛扣分。
DAIMS 打多少分？ 正文论证区间 6.5-7.0：治理维度近满分，获取维度显著扣分。
和 506 比谁更 AI-Ready？ 506（单 CSV+ODC-BY 开放，7.0）更纯；507 换取了部署真实性。
它的不可替代性是什么？ 唯一公开的"受控拍屏胸片"库——因子矩阵与重复测量设计独一份。
它适合做什么？ 校准/测评/域偏移研究/教学；不适合训练/影像组学。
它不适合做什么？ 从头训练、DICOM 级定量分析、流行病学统计。
Views 253 说明什么？ 低曝光（注册用户口径，2022-03 起计）——引用 25 次与访问 253 的对比是"论文热数据冷"的样本。
重分析空间大吗？ 大——分层分析/因子分解/光照效应在论文中均未做。
五年后它还相关吗？ 相关性上升——远程医疗越普及，拍屏域偏移的测评价值越高。
如果只能记住一件事？ 域偏移可修补：几百张照片+一次微调，挽回五到八成损失。

伦理与合规（10 问）

为什么不 Open Access？ 源图像合规链要求衍生品同门槛；屏幕环境元信息风险的兜底。
照片里有病人隐私吗？ 源图像已去标识；残留风险由门槛+DUA 双重控制。
DUA 核心义务？ 禁重识别、禁再分发、禁逆向重建、按学术用途使用。
违反 DUA 的后果？ PhysioNet/Stanford 侧的访问撤销与机构通报（以条款原文为准）。
教学场景能用吗？ 能（学生集体走注册流程或教师统一申请，按条款确认）。
发表时要引什么？ 见 50 问；漏引母体是 PhysioNet 生态的高频违规。
能发 Twitter/朋友圈展示样本图吗？ 不建议——再分发红线的社交场景边界模糊，用官方预览图替代。
设备公平性问题是什么？ 8×8 矩阵外的低端设备表现无公开数据——部署伦理的开放问题。
远程分诊的伦理底线？ 阴性证据折扣（实变/不张）向依赖远程的人群转嫁漏诊风险——上线前必须按类目分灵敏度预算。
这数据集有伦理缺陷吗？ 无原则性缺陷；"标签继承未重标"与"分布明细未披露"是两点文档性不足。

比较与延伸（10 问）

同类数据集有吗？ 拍屏范式的胸片库中它是首个公开受控库；通用拍屏数据集（文档/自然图像）另有其库但无医学标签。
和 Chest ImaGenome 等衍生库的关系？ 同属"MIMIC/CheXpert 生态衍生层"，方向不同（结构场景图 vs 拍屏照片）。
和 506（cxr-cardiomegaly）选哪个用？ 测几何生物标志物选 506；测照片域鲁棒性选 507；做三层互文研究用两个。
和 510/511 的家族关系？ heart-lung-segmentations（分割掩码层）与 image-embeddings（嵌入层）+ 本集（照片层）= MIMIC-CXR 衍生家族的三种形态。
能扩展到其他模态吗？ 方法论可以（拍屏范式与模态无关）——CT/超声的拍屏库至今缺位，是明显的开垦机会。
低资源地区怎么用它？ 它本身就是低资源场景的仿真器——用 MMC/MED 做上线前测评，用恢复率算校准预算。
未来版本会更新吗？ v1.0.0 至今无更新记录；设备矩阵的扩容（新手机/新屏幕）是社区期待的 v2 方向。
能贡献数据吗？ 官方渠道未开放贡献；npj 论文通讯作者联系是最接近的路径。
哪里找社区经验？ npj 论文的 PMC 讨论区、PhysioNet 论坛、引用论文的方法节（25 篇里筛实证复现）。
三分钟了解全库读哪节？ §0 摘要卡 + §6.16 数字卡 + 本 FAQ——共十分钟，三分钟是夸张修辞。

§10 存档：证据、引用与维护

§10.1 核查证据清单（三轮）

第 1 轮  PhysioNet 内容页全量快照（/tmp/507_page.html，48,538 B）
         → 身份/团队/四子集/标签编码/双平台/HST.953/资助/致谢 全量
第 2 轮  WebSearch 论文定位 + 机构归属
         → npj Digit Med 4:25、DOI 10.1038/s41746-021-00393-9、PMC7884693
         → 六类 AUC 与恢复率全表、7 作者机构（MIT LCP/清华/哈佛 BMI/考卡/IBM）
第 3 轮  实测补充
         → /files/ 匿名 403 Forbidden（Credentialed 实锤）
         → metrics 页 + 内容页 Views 卡片（253/253，2022-03 起计）

§10.2 批次清单预判修正记录

项	预判	实测	处置
访问级别	Restricted	Credentialed	正文与 INFOBOX 按 Credentialed 写，本表存照修正
scale	待核	6,453 张/四子集	已核

§10.3 引用格式

数据集：Kuo W, Tsai CH, Lopez C, Karargyris A, Pollard T, Johnson AEW, Celi LAG. Smartphone-Captured Chest X-Ray Photographs (version 1.0.0). PhysioNet, 2020. DOI 10.13026/7b2j-nq93.

论文：Kuo W, et al. Recalibration of deep learning models for abnormality detection in smartphone-captured chest radiograph. npj Digital Medicine 4:25 (2021). DOI 10.1038/s41746-021-00393-9.

§10.4 页面事实的待查与存照边界

Photo-MMC 每组合的张数分配（1,759/48≈36.6）页面未给明细——正文只写矩阵不写人均分配
Photo-MED 的 9 名拍摄者人均张数（1,337/9≈148.6）同理——不脑补
各类阳性率分布未披露——正文 §4.5 按"已知边界"处理
除心大外五类的 CI 未确认——正文按点估计
Stanford 侧入口为 MailChimp 短链——稳定性存照，失效时以 PhysioNet 页面指引为准
Views 253 的口径与起始时间已核（unique registered users / 2022-03）

§10.5 slug 互链登记

目标 slug	互文点
cxr-cardiomegaly（506）	同一母体两种降维的镜像；AUC 0.80 与 CTR 数值层的互文
heart-lung-segmentations-data（510）	MIMIC-CXR 衍生家族（分割掩码层）
image-embeddings-mimic-cxr（511）	MIMIC-CXR 衍生家族（嵌入层）
MIMIC-CXR 主条目	源图像母体
CheXpert 系条目	源图像母体与标签体系

§10.6 DAIMS 评分论证（区间制）

文档完整性    高（页面+论文双源，四值编码全文统一）        +1.5
标签与口径    高（与母体零转换兼容；但未重标注）           +1.0
元数据与设计  极高（因子矩阵+重复测量留档）               +1.5
可获取性      中下（Credentialed+双平台+两套条款）         -1.0
可持续性      高（PhysioNet 长期托管；Stanford 短链存照）  +0.5
实证基线      高（npj 六类 AUC+恢复率可复现）             +1.0
重分析空间    高（分层/因子/光照均未开垦）                +1.0
────────────────────────────────────────────────────────
区间评定      6.5-7.0（治理近满分，获取摩擦是唯一重大扣分）

§10.7 发布验收单

[ ] frontmatter 双检（category_tags 在 92 词条 VOCAB 内）
[ ] check_md ≥1200 行
[ ] preflight_check PASS
[ ] 发布前 DB 查重（url_name LIKE '%cxr-phone%' / content LIKE '%7b2j-nq93%' 均应为 0 行）
[ ] publish.sh PASS → 新 rid 验证（status=1）
[ ] 封面生成 + cover_url 挂载
[ ] link_builder 内链 + 导航重建 + json_ld
[ ] 线上 HTTP 200 + 内容抽查（四子集数字/DOI/AUC 表）
[ ] tracker 追加 507 行
[ ] 工单评论（r3i2Os）

§10.8 维护记录

2026-09-23  初版核查三轮完成，FACTS.md 落档（98 行）
2026-09-23  三段组装（/tmp 安全区），本文发布

§10.9 给下一位核查者的信

如果你在维护这本百科并复核本条目：优先验证四件事——① DOI 10.13026/7b2j-nq93 仍解析；② npj 论文数字未被勘误（六类 AUC/恢复率）；③ Stanford 侧入口是否从短链迁移到正式页面（短链失效即需更新 §3.8 与 §5.2）；④ Views 数字的变化只说明曝光变化，不说明数据质量变化。若 PhysioNet 页面新增 v2.0.0（设备矩阵扩容），本条目 §3.2 的"48 组合"表述需同步修订。

§10.10 收束

6,453 张照片，两套条款，一门课程，一篇论文，六个 AUC，一条朴素的行业预言：当医疗 AI 走出数据中心，它遇到的第一个敌人不是罕见的疾病，而是日常的手机镜头。 2019 年秋天那间教室的答案，到今天仍然是这个领域最实用的部署指南之一——而这本百科把它的全部数字与全部边界，交给了下一个需要它的人。

附录：对照表与工具卡

附录 A：全库速查总表

维度	值
数据集名	Smartphone-Captured Chest X-Ray Photographs
slug / 批次序号	cxr-phone / 507
版本	v1.0.0（2020-09-27，唯一）
DOI	10.13026/7b2j-nq93
平台	PhysioNet（Photo-MMC）+ Stanford Photo-CheXpert（另三子集）
访问	Credentialed（PhysioNet 侧实测 403 存照）
规模	6,453 JPEG = 1,759+1,337+1,337+2,020
标签	14 类 CheXpert，四值 0/1/2/3
出身	HST.953（Harvard-MIT，2019 秋）
团队	7 人：Kuo/Tsai/Lopez/Karargyris/Pollard/Johnson/Celi
资助	NIH R01 EB017205 + 台湾科技部 + Fulbright
论文	npj Digit Med 4:25 (2021)，DOI 10.1038/s41746-021-00393-9，引用 25
核心数字	AUC 0.79-0.90；恢复率 53.2%-84.9%
Views	253（unique registered users，2022-03 起计）
DAIMS（本条目评定）	6.5-7.0

附录 B：四子集拍摄协议对照卡

协议要素	Photo-MMC	Photo-CXP	Photo-MED	Photo-DEV
源图像	MIMIC-CXR	CheXpert	MIMIC-CXR 等	固定 202 图
拍摄者	3 人（固定）	协议内	9 名住院医生	协议内
设备	8 手机×8 显示器	协议内	个人手机（自备）	9 组合遍历
App/方式	相机对屏拍摄	同 MMC	Office Lens 自由拍	相机对屏拍摄
光照	协议内	协议内	未约束	第 10 次调亮
自由度	低（受控矩阵）	中	高（行为仿真）	极低（重复测量）
张数	1,759	1,337	1,337	2,020
分发平台	PhysioNet	Stanford	Stanford	Stanford
最佳用途	因子方差分析	跨源泛化	生态效度测评	噪声谱/TTA

附录 C：远程胸片 AI 的类目决策树

问：要在远程场景上线哪类异常检测？
├─ 心大 / 胸腔积液 / 水肿（形态类）
│    ├ 照片层证据：AUC 0.80-0.90，恢复率 83-85% → 幸存者组
│    ├ 上线策略：标准阈值 + 常规灵敏度预算
│    └ 注意：水肿阈值偏高灵敏度（急性失代偿后果重）
├─ 气胸（高频形态类，"输不起"）
│    ├ 照片层证据：AUC 0.84，恢复率 69.9%
│    ├ 上线策略：重度偏灵敏度（假阴性代价最大）
│    └ 注意：用 DEV 数据先测置信度对采集条件的漂移
└─ 实变 / 肺不张（密度敏感类）
     ├ 照片层证据：AUC 0.79-0.81，恢复率 53-58% → 折扣组
     ├ 上线策略：仅作提示不作放行；阴性结果强制症状驱动复诊
     └ 注意：这是"校准也修不好"的信息损失，不是阈值问题

附录 D：完整时间线总表

日期	事件	证据来源
2019 秋	HST.953 课程立项，四子集协议设计与拍摄	PhysioNet 页面 Background
2020-09-27	PhysioNet v1.0.0 挂牌（Photo-MMC + 项目页）	页面 Published 字段
2020-2021	Stanford Photo-CheXpert 渠道分发另三子集	页面 Dual Distribution 说明
2021-02-15	npj Digital Medicine 4:25 发表	论文 DOI 记录
2022-03	PhysioNet 开始统计 Views	metrics 页说明
2026-09（核查时点）	Views 253；论文引用 25	页面卡片 + WebSearch

附录 E：术语总表（按拼音/字母序）

术语	英文/含义	条目内位置
拍屏范式	photograph-of-screen，对屏拍摄的信息通路仿真	§2.1-§2.2
域偏移	domain shift，训练/部署分布差异	§2.1
重校准	recalibration，少量目标域样本的轻量修补	§6.2/§6.6
恢复率	performance recovery ratio，损失回收比例	§6.3-§6.4
因子矩阵	factor matrix，3 拍摄者×8 手机×8 显示器	§3.2
重复测量	repeated capture，同图 10 次（DEV）	§3.5
四值编码	0=not mentioned/1=negative/2=uncertain/3=positive	§3.6
双平台分发	dual distribution，PhysioNet+Stanford 拆分	§2.6/§3.8
数据法域继承	derived data governance inherits from parent	§2.6/§8.1
生态效度	ecological validity，真实行为分布的代表性	§3.4
摩尔纹	moiré pattern，传感器×屏幕拍频伪影	§4.1
采集噪声谱	acquisition noise spectrum，DEV 的测量波动	§3.5/§4.4
阴性证据折扣	negative evidence discount，照片层阴性弱于阳性	§6.12/§8.4
分层报告	stratified reporting，按子集/类目拆分指标	§5.5/§7.2
按"图"切分	group split by source image，泄漏控制纪律	§5.4/§7.2

附录 F：引用地图（谁该引什么）

你的身份/用途	必引	建议加引
使用 Photo-MMC 做实验	本集 DOI + PhysioNet + MIMIC-CXR（Johnson et al.）	npj 论文
使用 CXP/MED/DEV	上行全部 + CheXpert（Irvin et al.）+ Stanford 渠道说明	npj 论文
引用 AUC/恢复率数字	npj 论文（DOI 10.1038/s41746-021-00393-9）	本集 DOI
引用拍摄协议/因子设计	本集 DOI（页面 Background/Methods）	npj 论文方法节
教学课件	npj 论文 + 本集 DOI	HST.953 课程说明（页面）
综述中的域偏移章节	npj 论文	同期域自适应代表作（自选）

附录 G：批次六条目对照卡（506-515 中的先行者）

序号	slug	母体	衍生方向	与 507 的互文
506	cxr-cardiomegaly	MIMIC-CXR	数值层（CTR/CPAR）	镜像降维：提炼 vs 退化；心大 AUC 0.80 的数值基础
507	cxr-phone	MIMIC-CXR+CheXpert	照片层（拍屏）	本条
510	heart-lung-segmentations-data	MIMIC-CXR	掩码层（心/肺分割）	同家族第三形态：结构先验
511	image-embeddings-mimic-cxr	MIMIC-CXR	嵌入层（向量）	同家族第四形态：表示学习层

一句话家族学：MIMIC-CXR 衍生生态中，506 压缩成数字、507 退化成照片、510 拆成掩码、511 蒸馏成向量——四个方向共同构成"母体影像的多维展开"。

附录 H：AI-Ready 评分明细卡（对照 506）

维度	506（cxr-cardiomegaly）	507（cxr-phone）	差异根源
许可	ODC-BY 1.0（开放）	DUA（Credentialed）+ Stanford 条款	母体合规链要求不同
获取摩擦	一次下载（单 CSV）	两道流程两个平台	分发法域拆分
文档	高（页面自足）	高（页面+论文双源）	均优
标签/口径	自带 CTR/CPAR 全覆盖	继承母体四值标签	定位不同（测量 vs 测评）
元数据	简单（一行一图）	丰富（拍摄条件矩阵）	507 的设计红利
实证基线	MIUA 论文（引用 10）	npj 论文（引用 25，六类 AUC+恢复率）	507 更完整
综合	7.0	6.5-7.0	差距全在获取摩擦

附录 I：三十问自测卷（读完本条目应能全对）

[身份组]
1.  cxr-phone 的 DOI？—— 10.13026/7b2j-nq93
2.  发布日期与版本？—— 2020-09-27，v1.0.0
3.  访问级别？—— Credentialed（PhysioNet 侧；另三子集 Stanford 表单）
4.  总张数？—— 6,453
5.  数据集出身？—— HST.953（Harvard-MIT，2019 秋课程项目）
[内容组]
6.  四子集名称？—— Photo-MMC / Photo-CXP / Photo-MED / Photo-DEV
7.  四子集张数？—— 1,759 / 1,337 / 1,337 / 2,020
8.  Photo-MMC 的因子矩阵？—— 3 拍摄者 × 8 手机 × 8 显示器（48 组合）
9.  Photo-MED 的拍摄工具与协议？—— Office Lens，"像发给放射科同事那样拍"
10. Photo-DEV 的重复结构？—— 202 图 × 10 次（9 设备组合 + 1 更亮光照）
[标签组]
11. 标签体系与类数？—— CheXpert 体系 14 类
12. 四值编码？—— 0=not mentioned / 1=negative / 2=uncertain / 3=positive
13. 标签来源？—— 继承源图像报告标签，照片层未重标
14. 主战场的六类异常？—— 心大/水肿/实变/不张/气胸/积液
15. not mentioned 与 negative 的区别？—— 证据缺失 vs 明确阴性
[论文组]
16. 论文出处？—— npj Digital Medicine 4:25 (2021)，DOI 10.1038/s41746-021-00393-9
17. 心大类重校准后 AUC？—— 0.80（95% CI 0.78-0.82）
18. 恢复率最高与最低的类？—— 心大 84.9% 最高；实变 53.2% 最低
19. 胸腔积液的成绩？—— AUC 0.90，恢复 83.0%
20. 论文方法学立场？—— 最小干预派：部署时轻量修补，不做训练时域对齐
[方法组]
21. 训练/测试切分纪律？—— 按"图"分组切分（DEV 同图不跨集）
22. 对照片的正确预处理？—— 只 resize；禁止锐化/降噪/超分
23. 恢复率公式的分母？—— 高清基线与裸照片基线之差（性能损失）
24. DEV 光照敏感性怎么测？—— 第 10 次（更亮）vs 前 9 次预测差分布
25. MMC 的三向方差分析因子？—— 拍摄者 / 手机 / 显示器
[治理组]
26. Photo-MMC 在哪个平台？—— PhysioNet
27. 另三子集在哪个渠道？—— Stanford Photo-CheXpert 表单
28. DUA 三条核心禁止？—— 重识别 / 再分发 / 逆向重建
29. Views 253 的口径？—— unique registered users，2022-03 起计
30. 引用义务最少包含？—— 本集 DOI + PhysioNet + MIMIC-CXR（涉 CXP 加 CheXpert）

附录 J：与主流胸片库的横向对照

数据集	模态	规模	访问	与 507 的关系
MIMIC-CXR v2.0.0	高清 DICOM/JPG	377,110 图	Credentialed	源图像母体之一
CheXpert	高清 JPG	224,316 图	Restricted（研究表单）	源图像母体之二
CheXpert-Female / 立位子集	高清 JPG	各子集	Stanford 渠道	同渠道同条款家族
cxr-cardiomegaly（506）	数值 CSV	96,161 行	Open（ODC-BY）	同母体的数值层
cxr-phone（本条）	手机 JPEG	6,453	Credentialed+表单	唯一拍屏层
PadChest	高清 DICOM	160,868 图	限制申请	无拍屏层，跨库对照可用
Chest ImaGenome	结构场景图	657,914 掩码对	Credentialed	同为衍生层，方向不同

家族定位：全行业胸片资产里，"拍屏退化层"目前只有 507 一家——它的稀缺性不在规模，在范式。

附录 K：数据字典（字段级速查）

照片条目字段（按子集通用）

字段	类型	说明
photo_id	文件名	JPEG 照片唯一标识
source_image	字符串	源图像标识（可回溯 MIMIC-CXR/CheXpert）
subset	枚举	MMC / CXP / MED / DEV
label_1…label_14	0/1/2/3	CheXpert 体系 14 类四值标签

拍摄条件字段（MMC / DEV 专有）

字段	类型	取值
shooter	枚举	MMC：3 人；DEV：协议内
phone	枚举	8 部手机（MMC）；9 组合（DEV）
monitor	枚举	8 台显示器（MMC）
lighting	布尔	DEV 第 10 次 = 更亮光照

14 类标签清单（CheXpert 体系，按论文主战场分组）

主战场六类：cardiomegaly / edema / consolidation / atelectasis /
            pneumothorax / pleural effusion
扩展类目：enlarged cardio mediastinum / lung lesion / lung opacity /
          pneumonia / 支持设备类（支持设备与骨折等 CheXpert 体系类目）
编码：0=not mentioned / 1=negative / 2=uncertain / 3=positive

附录 L：数据质量声明卡

声明项	状态	说明
张数一致性	✓	6,453 = 1,759+1,337+1,337+2,020（页面自洽）
标签编码一致性	✓	0/1/2/3 四值全文统一
访问级别	✓ 已实测	Credentialed（匿名 403 Forbidden 存照）
论文数字一致性	✓	AUC/恢复率单源（npj 论文），无版本冲突
类别分布	△ 未披露	页面未给每类阳性率——下载后自查或读论文补充材料
人均拍摄分配	△ 未披露	MMC 每组合/ MED 每人张数明细缺
CI 覆盖	△ 部分确认	仅心大（0.78-0.82）；其余五类未在核查材料中确认
分发链稳定性	△ 存照	Stanford 侧为 MailChimp 短链，失效需走 PhysioNet 页面指引

图例：✓=已核一致；△=已知边界（引用时随附说明）。本卡是 §10.4 的字段化重排，供快速引用。