CXR-PRO — 去 prior 引用胸片报告集 AI-Ready Wikipedia

INFOBOX：cxr-pro 速览

字段	值
数据集	CXR-PRO: MIMIC-CXR with Prior References Omitted v1.0.0
slug	cxr-pro
发布	2022-11-23｜PhysioNet（MIT LCP 框架）
DOI	10.13026/frag-yn96
访问	Credentialed（License 1.5.0 + DUA 1.5.0，批次清单预判正确）
规模	374,139 份报告+影像 = 训练 371,951（GILBERT 处理）+ 测试 2,188（人工金标准）
出身	Harvard Medical School Rajpurkar 组（Ramesh/Chi/Rajpurkar 三人组）
方法	GILBERT：BioBERT token 级 NER（REMOVE/KEEP），F1 0.84
核心削减	prior 引用 259,376 → 82,074 实例（>68.3%）
论文	ML4H 2022（@NeurIPS）pp.456-473；arXiv 2210.06340
实证	CXR-ReDonE：BERTScore 0.2351 vs 0.2292（+2.57%），RadGraph F1 全 k 值领先
一句话	与其教模型别撒谎，不如先把教材里的谎言删干净

§0 摘要卡：一场针对幻觉的源头治理

§0.1 名称与口径声明

本条目记录 PhysioNet 数据集 CXR-PRO: MIMIC-CXR with Prior References Omitted（slug：cxr-pro），v1.0.0，2022-11-23 发布，DOI 10.13026/frag-yn96，访问级别 Credentialed（License 1.5.0 + DUA 1.5.0）。它是 MIMIC-CXR 的文本手术衍生版：371,951 条报告的 impressions 段经 GILBERT 模型做了 token 级 prior 引用删除，外加 2,188 条人工金标准测试集。名称存照：论文全文中它叫 MIMIC-PRO，PhysioNet 挂牌定名 CXR-PRO——异名同物，读论文与下数据别对不上号。

条目事实经三轮核查：PhysioNet 页面全量（WebFetch+curl 双通道）、arXiv 全文挖表（204KB HTML 的 Table 4/Table 9 数字逐项提取）、机构与发表处确认（dblp+HMS 官方页）。存照清单见 §10。

§0.2 读者收益清单

• 报告生成系统开发者：一份"训练数据侧治幻觉"的现成方案——37.2 万条已去引用的训练报告 + 已验证的重训流程（CXR-ReDonE 代码/权重全开放），可直接换用你的模型骨干
• 医疗 NLP 研究者：GILBERT 的 NER 式文本手术范式（token 级 REMOVE/KEEP）可迁移到任何"删除报告中的系统性语言习惯"任务（消除模板腔、去机构指纹、去时间指涉）
• 评测工程师：2,188 条人工金标准测试集（放射科医生+医学生的 remove-or-rewrite 协议）是报告改写任务的现成评测资产，独立于训练集
• 临床 AI 安全团队：论文的三指标评估体系（BERTScore/s_emb/RadGraph F1）与"为什么弃用 BLEU/CIDEr"的论证，是报告生成评测的现成方法论模板
• 数据策展者：本集是"数据清洗即贡献"（curation-as-contribution）的标杆案例——不采集新数据，47 万条 token 级手术本身构成可发表、可挂牌的资产

§0.3 本条目与其他条目的阅读组合

• MIMIC-CXR 主条目：母体数据集——本集的影像包（cxr.h5）与报告文本全部来自它，Credentialed 同门，建议先读母体再读本集
• cxr-cardiomegaly（506）/ cxr-phone（507）：MIMIC-CXR 衍生家族的三种形态至此集齐——506 向上提炼数值（CTR/CPAR），507 向下仿真拍屏（照片域），508 在文本层做外科手术（去 prior 引用）；一个母体，三种"衍生即研究"的路径
• 医疗 NLP 系条目（MIMIC-III 报告类等）：本集的 GILBERT 方法与"系统性行话清理"思路可平移到任何临床文本语料

§0.4 身份卡：一条命令背下这个数据集

名称   CXR-PRO: MIMIC-CXR with Prior References Omitted
版本   v1.0.0（2022-11-23，唯一版本）
DOI    10.13026/frag-yn96
访问   Credentialed（License 1.5.0 + DUA 1.5.0）
规模   371,951 训练报告 + 2,188 金标准测试报告（+cxr.h5 影像包）
方法   GILBERT（BioBERT token 分类，F1 0.84）
削减   prior 引用 259,376 → 82,074（>68.3%）
论文   ML4H 2022 pp.456-473（arXiv 2210.06340）
实证   CXR-ReDonE 全面胜出（BERTScore 0.2351，RadGraph F1 全升）

这个数据集回答的问题只有一个：报告生成模型为什么总在谈论不存在的"前片"？ 因为训练数据里到处是"与老片相比无变化"这类话术——模型学的是数据的语言，数据里全是回头话，模型就学会回头看。Rajpurkar 组的解法朴素到惊人：把回头话从训练数据里删掉。

§1 出身与谱系：SQuAD 作者组的一次文本手术

§1.1 三人组与它的标注后援

CXR-PRO 出自 Pranav Rajpurkar 组（Harvard Medical School Biomedical Informatics）——SQuAD（12 万+引用）、CheXNet、CheXpert 的作者，Stanford CS 本硕博出身，2022 年时任 HMS 助理教授（Forbes 30 Under 30 Science 2022、Nature Medicine Early-career 2022、MIT TR35 2023）。一作 Vignav Ramesh（Harvard University 本科生，dblp 仅此一篇）与二作 Nathan Andrew Chi（Stanford University）完成主体工作。

人工金标准测试集的后援是三人标注组：Dr. Kibo Yoon（board-certified radiologist）+ Patricia S. Pile 与 Pia G. Alfonso（两名第四年医学生）——页面致谢段的三个名字，是 2,188 条测试集的质量来源。

§1.2 问题的解剖：幻觉的病根在教材里

2021-2022 年的报告生成模型（CXR-RePaiR、R2Gen、M2 Trans）有个共同软肋：输出里夹带对不存在的 prior 报告的引用（“与前片相比稳定”——但系统里根本没有前片）。病根不在模型架构，而在训练数据：MIMIC-CXR 的真实报告本来就充满 prior 引用——放射科医生的正常工作习惯就是对照旧片写新片。模型忠实地学会了这个习惯，部署时却没人给它旧片可对。

两条治理路线摆在面前：模型侧（架构约束/后处理过滤）与数据侧（把 prior 引用从训练语料中清除）。Rajpurkar 组选了后者，理由藏在论文的实证里——数据侧修复是模型无关的（model-agnostic），任何架构都能受益，且不需要在推理时增加任何组件。

§1.3 GILBERT：把"删话术"变成命名实体识别

GILBERT 的设计是全项目最优雅的一步：把 prior 引用删除建模为 token 级序列标注。拿 BioBERT 在标注语料上微调，让模型对报告的每个 token 做二分类——REMOVE（这个词构成 prior 引用，删）或 KEEP（保留）。官方示例：“hilar prominence suggestive of pulmonary hypertension, unchanged” → 六个 KEEP + 一个 REMOVE（删的是 “unchanged”）。

在 held-out 测试集上 GILBERT F1 = 0.84。论文同期对比了 GPT-3 few-shot 改写路线，结论明确：GILBERT 的输出在语义上显著更贴近金标准——token 级精准切除胜过整句重写，因为切除保留了医生的原句结构，而重写引入新的改写噪声。

§1.4 双协议的测试集：删除还是改写

2,188 条金标准的标注协议值得单独记录，因为它区分了两类 prior 引用的不同处理：

• 可整句删除型：“no interval change from prior CT”（与老 CT 相比无变化）——删掉后句子仍完整
• 必须改写型：“heart size is stable”（心影稳定）——"稳定"是比较词，删掉后语义残缺，必须改写为现状描述（“heart size is abnormal” 或正常性描述）

这个区分本身就是领域知识的形式化：比较性表述要么可退化为现状陈述，要么携带独立信息需要保留。放射科医生定规则、医学生执行、研究者复核——2,188 条的体量不大，但每一条都是双重人工把关。

§1.5 与母体的关系：没有新数据，只有新语料

页面 Methods 段的原话：“Given that CXR-PRO is an adaptation of MIMIC-CXR, we did not collect any clinical data.”——整个项目零临床采集：影像原封不动（cxr.h5 就是 MIMIC-CXR 胸片的 HDF 打包），文本只动 impressions 段的 token。衍生纯度是本集的方法论标签：不碰 PHI（母体已去标识）、不碰患者、不碰影像——只对语言做手术。

这也决定了它的伦理负担结构：IRB（22-0364）覆盖的是"评估系统"研究本身，数据层面的合规完全继承 MIMIC-CXR 的 Credentialed 框架（License 1.5.0 + DUA 1.5.0——比母体不宽松，法域继承的又一次呈现，对照 507 的双平台分析）。

§1.6 发布时间线年表

2022-09-27  arXiv v1 提交（论文首发，数据集名 MIMIC-PRO）
2022-10-13  arXiv v2（13 pages, 1 figure, 11 tables）
2022-11-23  PhysioNet v1.0.0 挂牌（定名 CXR-PRO）
2022-12     ML4H 2022（Machine Learning for Health @NeurIPS）正式收录，pp.456-473
2026-09     核查时点：Views 651（unique registered users 口径）

挂牌与论文收录几乎同步——数据集与论文互为引用条目（PhysioNet Citation 区双向列出）。

§1.7 用户画像：谁该用、谁不该用

该用：① 报告生成系统的训练者——换训练数据是治幻觉成本最低的一步；② 报告改写/文本规范化的 NLP 研究者——2,188 条金标准是现成评测集；③ 研究语言习惯对模型行为影响的方法学团队；④ 教学（项目小而完整：数据+代码+权重三开放）。

不该用：① 需要完整报告结构（Findings/Comparison 等节）的场景——本集只处理了 impressions 段；② 不需要去幻觉、想要"带 prior 语境"的报告建模——那正是被删掉的信息；③ 无 Credentialed 资质或无法承载 cxr.h5 大文件的团队。

§1.8 名词速查表

术语	含义
prior reference	报告中对既往影像/报告的指涉（“与老片相比”“无变化”）
hallucinated reference	模型生成的、指向不存在的 prior 的引用——本集要消灭的对象
GILBERT	fine-tuned BioBERT 的 token 级 REMOVE/KEEP 分类器，本集文本手术的执行者
impressions 段	放射报告的"印象"节——结论性总结，本集的处理范围
remove-or-rewrite	金标准标注协议：可删的删（“no interval change”），须改写的改（“heart size is stable”→现状描述）
CXR-ReDonE	用 CXR-PRO 重训 CXR-RePaiR 得到的模型（架构上 CLIP→ALBEF）
RadGraph F1	基于 RadGraph 实体-关系图的报告事实性指标——三指标中最"临床"的一个
s_emb	语义嵌入相似度（semantic embedding similarity），三指标之二
ML4H	Machine Learning for Health，NeurIPS workshop 系（本论文正式发表处，PMLR pp.456-473）

§1.9 资助与独立性

页面未列专项资助条目（区别于 506 的 EPSRC/507 的 NIH+MOST 链）；IRB 22-0364 由哈佛侧覆盖；无利益冲突声明。代码、数据、预训练权重三开放（rajpurkarlab/CXR-ReDonE）——开放光谱上接近满格，唯 Credentialed 门槛一档（数据侧继承母体合规）。

§2 语境与设计逻辑：数据清洗如何成为一等公民贡献

§2.1 报告生成评测的"指标战争"背景

论文在评估上有一个常被忽略的立场宣示：弃用 BLEU/CIDEr。理由是通用 NLG 指标判不了事实准确性——一个措辞流畅但虚构了"与老片对比"的报告可以在 BLEU 上得分很高。报告生成的事实性评估需要语义级+临床结构级指标，这就是三指标体系（BERTScore 语义相似/s_emb 嵌入相似/RadGraph F1 临床实体-关系图匹配）的由来。本条目把这套体系完整记录，因为它比数据集本身更具复用价值——任何报告生成/改写系统的评测都可以直接套用。

§2.2 "删"与"写"的方法论对照

论文的双方法对比（GILBERT vs GPT-3 few-shot 改写）实质是两种文本手术哲学的对决：

• GILBERT（切除派）：token 级最小干预——只删构成引用的词，句子结构、措辞习惯、信息密度全部保留。产出语料保持"医生原声"，只是去掉了回头话
• GPT-3（重写派）：整句改写——语言更流畅可控，但每处重写都是一次语义漂移的机会，且大模型改写引入的系统性偏差（如句式均质化）会污染训练语料的"原声性"

F1 与语义贴近度的对比（GILBERT 胜出）给出的行业启示超出本任务本身：临床文本的处理，最小干预原则优于生成式重写——除非有金标准兜底，生成式改写在医疗语料上是在制造新的幻觉源。

§2.3 与 MIMIC-CXR 衍生家族的谱系定位

至此批次六集齐了 MIMIC-CXR 衍生的三种哲学：

506 cxr-cardiomegaly  数值层  影像 → 2 个数字     "把影像装进一个数字"
507 cxr-phone         照片层  影像 → 手机照片     "把影像拍进手机"
508 cxr-pro           文本层  报告 → 去引用报告   "把报告里的谎言删掉"

三者共享同一个方法论签名：不采集新数据，通过变换已有资产创造新价值。506/507 变换的是模态（影像→数值/照片），508 变换的是语言（保留→删除）。三集合读，"衍生即研究"这个 MIMIC 生态的核心生产力模式就完整了。

§2.4 幻觉问题的通用性：从放射科到所有临床 NLP

prior 引用幻觉不是放射报告特有的病——任何在"有历史语境的语料"上训练的生成系统都会学到历史指涉习惯：病历生成模型写"续昨日方案"、超声报告写"与前次对比"、病理报告写"同前切片"。本集的治理范式（识别系统性指涉→token 级标注→精准切除→金标准验证→重训验证）是一个可平移的五步流水线。这就是为什么一个 2,188 条测试集的小数据集值得百科级条目：它给的不是一份数据，是一套治幻觉的工序。

§2.5 Credentialed 的理由与代价

本集的 Credentialed 门槛（License 1.5.0 + DUA 1.5.0）是母体法域的直接继承：报告文本虽已去标识（PHI→“___”），但 impressions 的组合信息理论上存在再识别风险，MIMIC-CXR 的 DUA 框架必须原样延续（对照 507 的双条款分析）。代价是复现摩擦：研究者需过 PhysioNet Credential Health Check 才能拿到数据——本集的页面 Views 651（vs 506 的 950/507 的 253）部分反映了这一门槛下的曝光结构。收益侧：DUA 明确禁止再分发与重识别，数据在被负责任地使用这件事上有合约兜底。

§2.6 证据层级小结

本集在证据金字塔中的位置：训练语料治理层的干预研究——它不产生新的临床发现，而是验证"干预训练数据分布→干预模型行为"这条因果链。证据强度高于纯观察性分析（有对照实验：同一模型架构，换训练数据，测指标变化），低于多中心随机验证（单模型家族 CXR-RePaiR 系 + 单数据集）。最佳定位：方法学可信、待跨架构推广的干预证据。

§2.7 一句话语境总结

MIMIC-CXR 提供了真实世界的语言，真实世界的语言里全是回头话，而回头话在部署时是幻觉的种子——CXR-PRO 用 0.84 F1 的 token 级手术刀把这颗种子从 37 万份教材里摘了出去，然后证明：换掉教材，学生的成绩真的变好了。

§2.8 常见误解七则

误解一：“去引用就是删掉所有’与老片相比’的句子。” 不对——本集的协议区分了可删除型（整句删，句子仍完整）与须改写型（删了语义就残缺，必须改成现状描述）。“heart size is stable” 删掉 “stable” 后 “heart size is” 不是人话——改写成 “heart size is abnormal/normal” 才是正确手术。GILBERT 只会删不会改，这正是 82,074 残余里"须改写型"未被治理的原因。

误解二：“F1 0.84 意味着 16% 的句子被处理坏了。” F1 是 token 级指标，16% 的 token 误差分散在句子层面后，"整句被毁"的比例远低于 16%（多数误差是单 token 的漏删/误删）；而页面自曝的无动词句是其中最显眼的形态。反之，16% 的 token 误差对 37 万条语料的累积影响也不是 16% 的语料报废——是"引用密度降 68.3%+少量语法损伤"的混合结果。

误解三：“幻觉是模型不够大的问题，大模型自然没有。” 恰恰相反——引用习惯是训练分布的语言特征，模型越大学得越像。LLM 时代的 RAG 系统如果在检索库里喂带 prior 引用的报告，生成端的幻觉只会更流畅。本集的证据（数据治理→行为改变）在更大模型上依然成立，且更容易验证（few-shot 对照零训练可测）。

误解四：“这数据集就是把报告删短了，信息量变少。” 删掉的是"对不存在对象的指涉"，不是"信息"。“unchanged” 在没有旧片时零信息量、纯幻觉种子；“heart size is abnormal” 在改写后才携带真信息。语料的信息密度（信息/词）在手术后是上升的——这是"净化"与"删减"的本质区别。

误解五：“Credentialed 挡住了大多数研究，说明价值有限。” 门槛继承自母体合规链，与数据价值无关（507/508 连续两集的同一结论）。651 的 Views 反映的是门槛下的曝光结构；GitHub repo 的代码/权重开放让方法复用根本不经过 PhysioNet 计数——实际方法级复用大概率高于数据级下载。

误解六：“impressions 太短，训练不出好报告。” impressions 是报告的结论节，也是多数报告生成系统的目标任务（CXR-RePaiR 系全部如此）。“从影像写印象"是标准任务定义——本集不是"残缺的全文数据集”，而是"完整的印象段数据集"。要做全文，回母体——任务不同，资产不同。

误解七：“2026 年了，这种 2022 年的小手术过时了。” 方法论不过时：LLM 时代的数据治理（去毒/去噪/去习惯性偏差）是预训练标配，本集是临床文本上"有金标准验证+有对照实验"的最早完整示范。真正过时的是它的对照规模（单架构）——这正是社区该补的（§5.4）。

§2.9 五个反直觉事实

1. 论文里的名字不是挂牌名——论文全文叫 MIMIC-PRO，PhysioNet 挂牌叫 CXR-PRO；搜论文找数据、搜数据找论文都要跨一次名字。
2. 一作是本科生——dblp 上 Ramesh 仅此一篇记录；Rajpurkar 组的"学生一作+PI 通讯"模式与 506（牛津 MEng 学生一作）异曲同工。
3. 测试集是医生加医学生的三人组——2,188 条金标准不是众包，是一个放射科医生带两个四年级医学生的"师徒标注"，小而可信。
4. 数字最小的行是摘要主打行——摘要的 0.2351 只是 Table 4 八行之一（k=2 行），且"2.57% absolute"实为相对提升——摘要营销与表格实情的落差需要读者自己校准。
5. 影像包是母体的原样打包——cxr.h5 没有任何新内容，MIMIC-CXR 用户理论上不需要它；它的存在只是让"报告+影像"成为一个自足下载包。

§3 数据切片：两份 CSV 与一个影像包

§3.1 总账：374,139 的两段式

cxr.h5                        MIMIC-CXR 胸片（HDF 格式，全量影像包）
mimic_train_impressions.csv   371,951 条报告  ← GILBERT 手术对象
mimic_test_impressions.csv     2,188 条报告  ← 人工金标准（未经 GILBERT）
──────────────────────────────────────────────────
合计 374,139 份报告+关联影像（页面 Abstract 口径 ✓）

结构极简：两份 CSV + 一个 HDF 包。没有嵌套目录、没有多版本并行、没有词典文件——这是"单任务数据集"的克制：一切文件都服务于"训练一个不去幻觉的报告生成器并评测它"这一件事。

§3.2 训练集 CSV：371,951 条手术后的原声报告

mimic_train_impressions.csv 的每一行：

字段	含义
impression 文本	经 GILBERT 去引用处理的 impressions 段（原声结构保留）
dicom_id	回链 MIMIC-CXR 的具体影像文件
study_id	影像检查（study）标识——一次检查可含多张影像但只有一份报告
subject_id	匿名患者标识——join 母体元数据的钥匙

三个 id 字段让训练集与 MIMIC-CXR 的全部元数据（视角/附件设备/标签）零成本 join。手术只动文本，不动关联结构——这是数据手术的基本礼仪：改内容，不改钥匙。

§3.3 测试集 CSV：2,188 条双人工金标准

mimic_test_impressions.csv 是全数据集的质量巅峰：

• 来源：从 MIMIC-CXR 随机抽取 2,188 张影像及关联报告
• 标注组：1 名 board-certified 放射科医生（Dr. Kibo Yoon）+ 2 名第四年医学生（Patricia S. Pile、Pia G. Alfonso）
• 协议：remove or rewrite——“no interval change from prior CT” 类可整句删除；“heart size is stable” 类必须改写为现状描述（“heart size is abnormal”）
• 用途：评测 GILBERT 的手术质量（F1 0.84 的出处）+ CXR-ReDonE 的最终评测（论文 Table 4 的评测集）
• 独立价值：即使不做去幻觉研究，这也是 2,188 对"原始报告→规范化报告"的平行语料——报告改写/简化/规范化的现成训练或评测资产

§3.4 cxr.h5：影像包的形态与代价

MIMIC-CXR 胸片以 HDF（Hierarchical Data Format）打包为单个 cxr.h5。HDF 的好处是单文件自包含、支持分块读取；代价是：① 文件巨大（页面未标注具体大小——正文按纪律不编造 GB 数）；② 内存映射读取需要工程准备；③ 无法像文件目录那样按需取单张。

实操建议：纯 NLP 实验（只动报告文本）可以完全不用 cxr.h5——两份 CSV 自足；要做完整的"影像→报告"生成实验（CXR-ReDonE 复现），才需要影像包。把这个决策前置可以省下大量下载时间与存储。

§3.5 处理范围边界：只有 impressions

三个必须记住的"没做"：

1. Findings 段未处理——报告的发现节（详细的逐项描述）不在 CSV 里，只取了印象节
2. Comparison 段未处理——有些报告的比对信息在专门小节，不在本集处理范围
3. indication/history 等节未处理——临床指征与病史保持母体原貌（且不在 CSV 内）

含义：本集训练的报告生成器学的是"从影像直接写出印象段"的任务——这恰好是多数报告生成系统（包括 CXR-RePaiR）的目标任务。要做全文报告生成，需回母体取完整文本并自行处理。

§3.6 切分纪律：沿用母体的官方切分

GILBERT 只处理 MIMIC-CXR-JPG 文档规定的训练切分；测试切分的 2,188 条另抽自全库且人工处理。沿用官方切分的好处：任何在 MIMIC-CXR 上发表的基线可以直接对比（同切分同任务）；风险：MIMIC-CXR 切分按患者分组（无患者泄漏），但没有按"是否含 prior 引用"分层——切分间的引用密度差异理论上存在，复现时值得检查（重分析空间，§5.5）。

§3.7 与母体 join 的三把钥匙

dicom_id   → MIMIC-CXR 的影像文件级元数据（视角/体位/设备）
study_id   → MIMIC-CXR 的检查级元数据（报告全文/切分归属）
subject_id → 患者级标识（跨检查聚合、标签 join）

用法示例：给训练报告配上 CheXpert 风格的 14 类标签 → study_id join 母体标签文件即可；给报告生成器加"影像视角条件化" → dicom_id join 影像元数据。三把钥匙全开，本集就从"文本数据集"升级为"多模态训练资产"。

§3.8 下载路径与门槛

入口：PhysioNet cxr-pro 项目页（DOI 10.13026/frag-yn96 指向）
门槛：PhysioNet Credential Health Check（CITI GCP）+ 签 DUA 1.5.0
许可：PhysioNet Credentialed Health Data License 1.5.0
实测：单平台单门槛（无 507 式双平台拆分）——全包一次签齐

对比 507 的两道流程，本集的获取摩擦低一档：一个账号一套 DUA 拿走全部三件套。

§4 结构深查：手术的精度与残余

§4.1 GILBERT 的误差结构

F1 0.84 意味着约 16% 的 token 级判断有误（假阳性=误删非引用词；假阴性=漏删真引用）。论文未给 P/R 分解的细目——但两类错误的下游代价不对称：

• 假阴性（漏删）：训练语料残留 prior 引用——幻觉治理不彻底，模型继续学回头话（但密度已降 68.3%，剂量-反应上损害大减）
• 假阳性（误删）：把现状描述当引用删掉——语义损伤直接进入训练语料，且是系统性偏向（被误删的多是特定表述模式）

实操含义：用本集训练前，可对语料做一轮"无动词句/语义残缺句"扫描（页面自曝的缺陷模式），把可疑样本移出或送人工复核——用 2,188 条金标准上训个反向检查器也行（社区未做的开垦点）。

§4.2 残余引用：82,074 实例的去向

GILBERT 处理后仍有 82,074 个 prior 关键词实例（从 259,376 降下来）。它们的构成与风险值得辨析：

• 部分=假阴性（该删没删）——噪声
• 部分=该留的（如"心影较前增大"这类携带独立临床信息的比对）——按 remove-or-rewrite 协议，这类应该被改写而非删除，而 GILBERT 只会删——即本集对"须改写型"引用的治理天然不完整
• 部分=关键词歧义（"change/stable/prior"等词的非引用用法）

含义：本集是"去引用"不是"去比较"——比较性临床信息的完整治理需要改写型工具（GPT-3 路线的真正用武之地），本集的 82,074 残余是这一边界的量化呈现。

§4.3 无动词句缺陷的语法解剖

页面自曝的缺陷样例：“The cardiomediastinal and hilar contours.”——一个只有主语没有谓语的句子。成因：GILBERT 删掉了表语/谓语（如 “are unchanged” 整个被标 REMOVE），留下孤立主语。这类句子对语言模型预训练是轻微噪声（模型见得多了），对"报告可读性"是实打实的损伤。

给下游的三条对策：① 训练前过滤（依存句法分析揪无谓语句）；② 后处理拼接（把孤立主语与相邻句合并）；③ 训练目标里加语法惩罚。三条都有工程成本——这就是"数据手术比想象中复杂"的具体形状。

§4.4 三指标体系的解剖

指标	测什么	强项	弱项
BERTScore	生成报告 vs 参考报告的上下文嵌入相似度	语义级敏感，对同义改写宽容	不懂临床结构（"无变化"与"稳定"可能高分互认）
s_emb	语义嵌入相似度（句/报告级）	全局语义一致性	同上，且对长报告的局部错误稀释
RadGraph F1	RadGraph 实体-关系图的匹配 F1	临床结构级——解剖实体与关系对得上才算对	依赖 RadGraph 解析器的自身误差

三者互补的必要性：BERTScore/s_emb 判"说得像不像"，RadGraph F1 判"临床内容对不对"。论文弃用 BLEU/CIDEr 的理由（n-gram 重叠判不了事实性）在三指标的分工里给出了建设性答案。

§4.5 k 折检索评估的实验设计

CXR-ReDonE 的评估用"报告级检索 k∈{1,2,3}"设计：模型为输入影像从数据库检索 top-k 相似报告，融合生成目标报告。k 越大，检索提供的信息越多。Table 4 的模式：每个 k 下 MIMIC-PRO 训练版全面胜出（BERTScore/s_emb/RadGraph F1 三指标×四组设置全升或持平无降）——“irrespective of k” 是论文结论的精确表述。

这排除了"提升只在某个检索设置下成立"的偶然性解释——数据侧干预的效应跨设置稳定。

§4.6 剂量-反应的隐含证据

一个论文未明说但数据支持的模式：prior 引用密度从 259,376 降到 82,074（-68.3%），模型行为随之改变。这是剂量-反应关系的单点证据（两个剂量、一个反应方向）。若后续研究在 0%/25%/50%/100% 削减率上做梯度实验，画出完整的剂量-反应曲线，"幻觉=训练数据引用密度的函数"就从假设升级为定量规律——重分析的高价值题（§5.5）。

§4.7 结构小结：手术质量的三层账

第一层  token 判断     F1 0.84（金标准 2,188 条上验证）
第二层  语料统计       259,376 → 82,074 引用实例（>68.3% 削减）
第三层  下游效应       CXR-ReDonE 三指标全胜（Table 4，k 无关）

三层证据链完整：工具有效→语料变干净→模型变诚实。单看任何一层都不够，三层连读才是本集的实证骨架。

§5 使用协议：从注册到复现 CXR-ReDonE

§5.1 全流程地图

[第 0 步] PhysioNet 账号 + CITI GCP 证书（Credential Health Check）
[第 1 步] 签 DUA 1.5.0 → 下载两份 CSV（纯 NLP 实验到此为止）
[第 2 步] （可选）下载 cxr.h5 —— 仅当复现影像→报告全管线
[第 3 步] 解包核对：371,951 + 2,188 行数 ✓、三 id 字段 ✓
[第 4 步] 选路线 A/B/C（§5.3-§5.5）
[第 5 步] 报告规范：引本集 DOI + MIMIC-CXR + 论文（ML4H 2022）

§5.2 门槛的实操细节

Credential Health Check 要求 CITI “Good Clinical Practice” 证书（免费在线，3-4 小时）+ 机构信息 + DUA 签署。本集单平台一次签齐（对比 507 的双平台）。时间预算：流程当天至数天；真正的等待在 cxr.h5 的下载（大文件）——纯文本实验请跳过它。

§5.3 评测路线 A：复现 CXR-ReDonE（对齐论文数字）

目标：在 CXR-PRO 上重训检索式报告生成器，对齐 Table 4（BERTScore 0.2351/s_emb 0.3859/RadGraph F1 0.1056 @ k=3）。

要点：① 代码与权重在 rajpurkarlab/CXR-ReDonE 开放——从论文的 CXR-RePaiR 骨架 + ALBEF 替换起步；② 遵循母体官方切分；③ 评测用 2,188 条金标准测试集；④ 报告三指标全量（只报 BERTScore 会被审稿人追问 RadGraph F1）。算力需求中等（检索式框架 + ALBEF 微调，单机多卡数天级）。

§5.4 评测路线 B：换骨干的泛化验证（增量最大）

论文只在 CXR-RePaiR/ALBEF 一个家族上验证了"数据侧治理→模型变诚实"。换骨干重跑是最直接的学术增量：

• 换 R2Gen / M2 Trans / 任意 transformer 报告生成器重训
• 换 LLM 时代范式：视觉-语言基础模型 + LoRA 微调，喂 CXR-PRO vs 喂 MIMIC-CXR，比幻觉率
• 定义"幻觉率"指标：生成报告中 prior 指涉短语的出现密度（可先用 GILBERT 自己当检测器——工具复用）

若基础模型在 CXR-PRO 上幻觉率同样下降，"数据侧治理"的结论就跨过了架构边界——这是论文自己留下的最大开放题。

§5.5 评测路线 C：GILBERT 的元研究（不碰影像包）

纯 CSV 即可完成的三个题：

1. 剂量-反应曲线：把 GILBERT 的删除按置信度分档（0%/33%/66%/100% 削减）生成梯度语料，训练同模型测幻觉率——把单点证据升级为定量规律
2. 假阳性挖掘：用 2,188 金标准训反向检查器，扫 37.2 万训练语料找误删样本，量化"现状描述被误删"的规模与模式
3. 残余 82,074 的解剖：对残余引用实例分类（真引用/须改写型/关键词歧义），给出"GILBERT 之后还差什么"的量化清单——直接指向 v2 数据集的设计

三题全部单卡、全 CSV、两周级——教学与研究两宜。

§5.6 常见踩坑清单

坑	后果	避法
坑点1：论文数据集名对不上	搜 “CXR-PRO” 找不到论文细节	论文名 MIMIC-PRO、挂牌名 CXR-PRO（§0.1 存照）
坑点2：盲目下载 cxr.h5	数十 GB 级等待+存储	纯文本实验只用 CSV（§3.4 决策树）
坑点3：把测试集也喂给 GILBERT	金标准被污染，F1 失真	测试集是人工产物，从不入训练管线
坑点4：只报 BERTScore	评测被质疑（不懂临床结构）	三指标全量报告（§4.4 分工）
坑点5：拿本集做全文报告生成	impressions 之外没数据（§3.5 边界）	全文任务回母体取文本
坑点6：忽略无动词句缺陷	生成器学出语法残缺报告	训练前过滤（§4.3 三对策）
坑点7：引用时只引 PhysioNet	漏引论文与母体	引用清单见附录 F
坑点8：把 “2.57% absolute” 理解为百分点	夸大提升幅度	实为 0.2351 vs 0.2292 的相对 2.57%（存照）

§5.7 与母体许可的连带义务

发表时引用三件套：本集 DOI（10.13026/frag-yn96）+ MIMIC-CXR（Johnson et al. 2019 Scientific Data + PhysioNet DOI 10.13026/C2JT1Q）+ 论文（ML4H 2022 / arXiv 2210.06340）。DUA 义务与母体一致：禁再分发、禁重识别、禁超出研究用途；文本虽去标识，语料的"原声性"使它比数值表格更适合被 fingerprint 重识别——文本衍生品的再识别风险高于数值衍生品，这是引用义务之外值得自觉的合规细节。

§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 CXR-ReDonE	多卡（ALBEF 微调）	1-2 周（许可等待另计）
B 换骨干泛化	单卡-多卡（LoRA 级更省）	2-4 周
C 元研究三题	单卡	1-2 周

全部路线的第一瓶颈仍是 Credential 流程与（若需要）大文件下载——提前启动。

§6 实证图景：论文的全部数字

§6.1 论文与数据集：一体两面的第二例

与 507 的"数据集给素材、论文给结论"同构，CXR-PRO 与其论文也是一体两面：数据集是手术后的语料，论文是手术的术式记录+疗效报告。发表处为 ML4H 2022（Machine Learning for Health，NeurIPS workshop），PMLR 论文集 pp.456-473（dblp 确认正式收录，非仅 arXiv 预印本）；arXiv 2210.06340（v1 2022-09-27，v2 2022-10-13，13 pages/1 figure/11 tables）。

§6.2 手术规模：259,376 → 82,074

全项目最直观的一个数字：在 MIMIC-CXR 的 226,759 份报告上，prior 引用关键词实例从 259,376 降到 MIMIC-PRO 的 82,074——削减 >68.3%（论文 Table 9）。

两个解读要点：① 这是关键词实例口径的统计（引用指示词的密度变化），不是语义级"引用意图"的统计——真实削减的语义引用可能更多（改写掉了的）或更少（隐藏的）；② 82,074 不是失败残余，而是 §4.2 所述"该留的/须改写的/歧义的"混合体——本集的治理目标是训练语料的引用密度降到无害水平，不是清零。

§6.3 GILBERT 的手术质量：F1 0.84

在 2,188 条人工金标准上，GILBERT 的 token 级分类达到 F1 0.84。论文同期对比：GPT-3 few-shot 改写路线（FilBERT+GPT-3 框架下的对照）的输出在语义贴近度上显著落后——精准切除胜过生成式重写。

这个数字的另一面（§4.1 的误差结构）：16% 的 token 误差里，假阳性（误删现状描述）比假阴性（漏删引用）对训练语料的损伤更结构性——使用者要带着这个不对称去过滤语料。

§6.4 Table 4 全表：CXR-ReDonE 的完整战绩

评估设置：CXR-ReDonE（CXR-RePaiR 重训版，CLIP→ALBEF）在 2,188 条专家编辑测试集上，报告级检索 k∈{1,2,3} + 句级检索（N/A 行）。三指标=BERTScore / s_emb / RadGraph F1。

k	训练集	BERTScore	s_emb	RadGraph F1
—	MIMIC-CXR（基线）	0.2083	0.3410	0.0895
—	MIMIC-PRO（本集）	0.2160	0.3601	0.0925
1	MIMIC-CXR（基线）	0.2129	0.3880	0.0838
1	MIMIC-PRO	0.2159	0.3967	0.0864
2	MIMIC-CXR（基线）	0.2292	0.3822	0.1045
2	MIMIC-PRO	0.2351	0.3859	0.1056
N/A（句级）	MIMIC-CXR（基线）	0.2179	0.3710	0.1083
N/A（句级）	MIMIC-PRO	0.2254	0.3779	0.1112

读表三要点：① 12 个数字格里 MIMIC-PRO 全部占优（论文原文 “irrespective of k, our approach outperforms the baseline on all clinical metrics”）；② 摘要主打的 0.2351 = k=2（论文表格行序号 3 的报告级）行的 BERTScore——注意 k 的标注口径在阅读时要逐行核对；③ RadGraph F1 的提升幅度（如 0.0895→0.0925，+3.4%）在临床结构指标上同样成立——事实性改善不是"语义相似度的错觉"。

§6.5 “2.57% absolute improvement” 的溯源存照

摘要句：“achieving an average BERTScore of 0.2351 (2.57% absolute improvement)”。数字核对：0.2351 对应的基线是 0.2292，差 0.0059；0.0059/0.2292 = 2.57%——这是相对提升比例，而"absolute"一词在论文语境中更接近"端到端绝对差值所折算的百分比"，与逐字理解的"百分点提升"（应为 0.59pp）有歧义。本条目存照此歧义：引用时写"较基线 0.2292 提升 2.57%（相对）"最准确。

§6.6 三指标背后的评测哲学

论文对 BLEU/CIDEr 的弃用论证值得全文记录精神：n-gram 重叠类指标在报告生成上"表现差劲，无法判断事实准确性与一致性"——一篇流畅但虚构 prior 的报告可以在 BLEU 上表现良好。三指标体系是建设性替代：

• BERTScore：上下文嵌入的语义相似——判"说得像不像人话"
• s_emb：嵌入空间的全局语义相似——判"整篇意思对不对"
• RadGraph F1：临床实体-关系图匹配——判"医学内容对不对"

这套体系对任何临床文本生成任务（报告/病历摘要/出院小结）都可平移——比数据集本身复用价值更高。

§6.7 CXR-ReDonE 的架构注记

CXR-ReDonE 不是全新架构：CXR-RePaiR（检索式报告生成，Endo et al. 2021）+ CLIP base 换 ALBEF（Li et al. 2021，视觉-语言对齐更强）。这个替换本身是论文的次要贡献点——检索式框架下，视觉-语言对齐质量决定检索命中的语义相关性，ALBEF 在多项下游任务上优于 CLIP。

对复现者的含义：架构组件是"当下最优件"的拼装（2022 年时点），2026 年复现可按 §5.4 换当代组件（基础模型+LoRA），论文的角色是"数据侧治理有效"的证明，不是架构标准。

§6.8 证据边界：论文没说的

诚实清单：① token 级 F1 的 P/R 分解未细报（假阳/假阴的语料级后果需自行估计）；② GPT-3 对照路线无独立 F1 数字（只在语义贴近度上判了胜负）；③ 未做跨架构验证（只 CXR-RePaiR 系）；④ 未报告按"是否残留引用"分层的生成质量差异——残余 82,074 实例的影响未被分离；⑤ BERTScore 的 rescale 与语料配置细节在论文正文（复现时按其脚注配置）。以上边界在引用论文数字时应随附。

§6.9 发表接受度

ML4H 2022（NeurIPS workshop 级）收录+PMLR 出版是"方法扎实但规模有限"型工作的常规归宿——它的贡献是工序与证据链，不是 SOTA 榜单冲击。2026 年回望，"训练数据治理治幻觉"的路线在 LLM 时代反而更主流（数据清洗/语料去毒性/指令数据去噪声是当代预训练的标配工序）——本集是这条路线在临床文本上的早期完整示范。

§6.10 实证小结：一张数字卡

ML4H 2022 pp.456-473（arXiv 2210.06340）
手术规模：259,376 → 82,074 prior 引用实例（>68.3% 削减）
手术质量：GILBERT token F1 0.84（2,188 金标准上验证）
下游疗效：CXR-ReDonE 三指标 × 四设置全面胜出
主打数字：BERTScore 0.2351 vs 0.2292（+2.57% 相对）
评测体系：BERTScore / s_emb / RadGraph F1（弃 BLEU/CIDEr）

§6.11 指标深查之一：RadGraph F1——临床结构级的事实性标尺

RadGraph F1 是三指标中唯一"懂医学"的：它把生成报告与参考报告分别解析为 RadGraph 格式（实体=解剖结构/病变/属性，关系=修饰/位置/状态），然后对实体-关系图算匹配 F1。两个报告可以在 BERTScore 上接近（语义相似），却在 RadGraph F1 上拉开（临床断言不同）——"心影稳定"与"心影较前增大"的嵌入可能相邻，但图结构里"较前增大"携带的状态关系完全不同。

本集的数字（Table 4）：RadGraph F1 在四个设置下全部提升（0.0895→0.0925 / 0.0838→0.0864 / 0.1045→0.1056 / 0.1083→0.1112）。绝对值都在 0.08-0.12 区间——这个量级提醒：报告生成任务的图匹配远未饱和，全行业的指标水位都在低位，本集的相对提升（+2-4%）是在低基数上的真实改善。

给评测者的建议：任何报告生成/改写系统的论文，RadGraph F1 应为必报指标；只报 BLEU/ROUGE 的报告生成论文，其"事实性"结论默认存疑。

§6.12 架构深查之二：CLIP→ALBEF 的替换逻辑

CXR-RePaiR 原架构用 CLIP 做影像-文本对齐检索；CXR-ReDonE 换成 ALBEF（Align BEFORE Fuse，Li et al. 2021）。替换理由：ALBEF 先对齐后融合的两阶段设计在多项视觉-语言下游（检索/推理/VQA）上优于 CLIP——而检索式报告生成的核心正是"为影像找到语义最相关的参考报告"，检索质量=对齐质量。

对本集叙事的意义：架构替换与数据替换是正交的两根轴——论文在换架构的同时换数据，仍能归因（因为对照设计里基线也换了 ALBEF：Table 4 的两组都是 ALBEF 架构，唯一差异是训练文本）。这是对照实验纪律的教科书示范：一次只动一个变量。

§6.13 方法深查之三：GPT-3 对照路线为何落败

论文的对照方法（GPT-3 few-shot 改写）输在三个可预期的位置：① 无金标准对齐的生成——GPT-3 改写没有逐 token 的监督，改写质量靠 prompt 运气；② 语义漂移的累积——每处"改写"都是重新表达的机会，临床文本的重新表达=引入新错误的机会；③ 成本与不可复现——2022 年的 GPT-3 API 不可复现（模型在变），token 成本在 37 万报告上不经济。

GILBERT 的胜利因此不只是 F1 数字，而是三条工程原则的胜利：监督学习优于 few-shot、最小干预优于重新表达、可复现优于黑箱。这三条在 2026 年的 LLM 时代依然是临床文本处理的底线纪律——别让"顺手让 GPT 改一下"变成数据管线的默认。

§6.14 设计深查之四：检索式评估里 k 的语义

Table 4 的 k∈{1,2,3} 是检索式生成的"参考报告数量"：模型为输入影像检索 k 份最相似的历史报告，融合生成。k 的语义：

• k=1：单参考，生成最依赖检索命中质量
• k=2/3：多参考融合，模型要会"合并同类项+去重"
• N/A（句级）：不用整份报告，检索句子片段拼装

k 增大时两组的 BERTScore 都上升（更多参考=生成更贴近真值分布），但组间差距在各 k 下稳定存在——这是"数据治理效应不随检索配置消失"的直接证据。若差距只在某个 k 下出现，就有"效应是检索配置的伪影"的质疑空间；Table 4 的全 k 优势排除了这个质疑。

§6.15 展望深查之五：剂量-反应曲线——留给社区的核心实验

本集实证的形状是"两点一线"：两个引用密度（100% 与 31.6% 残留），一个方向（全指标改善）。科学化改造需要一条完整曲线：

实验设计（重分析路线 C 的旗舰题）
自变量：训练语料的引用削减率（0% / 25% / 50% / 75% / 100%）
       —— 用 GILBERT 的 token 概率分档实现部分删除
因变量：三指标 + 幻觉率（生成文本的 prior 指涉密度）
预期形状：单调下降？存在拐点？低密度区是否无差异（阈值效应）？

若拐点存在（如削减 50% 后收益饱和），就给"数据清洗要洗到多干净"提供了第一个定量答案——这对所有临床 NLP 数据管线的成本决策都是直接输入。数据、模型、评测器三件套全开放，此实验唯一的门槛是想得到它。

§6.16 语境深查之六：ML4H 收录的定位

ML4H（Machine Learning for Health）是 NeurIPS 系的健康向 workshop，PMLR 出版、双盲评审、收录门槛严格但不追 SOTA——适合"方法扎实、证据完整、规模适中"的工作。本论文 13 页/11 表的体量与三层证据链（工具-语料-模型）正对此口径。

对本集使用者的含义：论文数字的可信度有同行评审背书（高于纯 arXiv），但影响力半径受限于 workshop 级曝光——引用-复现生态小，重分析空间（§5.5/§6.15）几乎无竞争。

§7 AI 实践指南：把"去引用语料"用对

§7.1 技术定位的三条铁律

1. 它是训练语料，不是通用报告库——impressions 单节、去引用取向，拿它当"MIMIC-CXR 文本替身"会丢信息
2. 它的测试集比训练集更珍贵——2,188 条人工金标准是稀缺评测资产，别当训练数据烧掉
3. 它的价值依赖对照——单独在 CXR-PRO 上训练没有意义，"CXR-PRO vs MIMIC-CXR"的对照设计才产生结论

§7.2 推荐管线（端到端参考实现）

# ===== 阶段 0：数据加载（纯 NLP 版本，跳过 cxr.h5）=====
train = load_csv("mimic_train_impressions.csv")   # 371,951 条，字段: impression/dicom_id/study_id/subject_id
test  = load_csv("mimic_test_impressions.csv")    # 2,188 条金标准——只做评测，绝不入训
# 语法卫生：过滤无动词句（GILBERT 已知缺陷）
train = train.filter(not_verbless(train.impression))

# ===== 阶段 1：对照组设计（本集使用的正确姿势）=====
model_A = train_reporter(MIMIC_CXR_impressions)   # 母体原始报告（基线组）
model_B = train_reporter(train.impression)        # CXR-PRO 去引用报告（实验组）
# 其余全部相同：架构/超参/切分/评测集——唯一差异是训练文本

# ===== 阶段 2：三指标评测（对齐论文体系）=====
for m in [model_A, model_B]:
    report(BERTScore(m, test), s_emb(m, test), RadGraphF1(m, test))
# 另加论文没有的：幻觉率 = 生成文本中 prior 指涉短语密度（可用 GILBERT 检测）

§7.3 LLM 时代的迁移用法

2022 年的"重训报告生成器"到 2026 年有三个升级形态：① 视觉-语言基础模型 + LoRA：喂 CXR-PRO 做指令微调，比喂 MIMIC-CXR 的幻觉率差异；② 纯文本对照：给 LLM 同一影像的描述 prompt，分别附 CXR-PRO 风格与母体风格的 few-shot 示例，测输出引用率——零训练成本即可做剂量实验；③ RAG 语料治理：检索库若含 prior 引用报告，生成端必然夹带——用 CXR-PRO 思路清洗 RAG 库是当下的直接应用。三个形态都不需要 cxr.h5。

§7.4 报告规范：引用本集数字的格式

推荐三件套：① 数字+口径（“BERTScore 0.2351（基线 0.2292，相对 +2.57%），ML4H 2022”）；② 指标体系声明（“三指标 BERTScore/s_emb/RadGraph F1，弃用 BLEU/CIDEr”）；③ 名称声明（论文 MIMIC-PRO = PhysioNet CXR-PRO）。反面教材：“去引用让模型提升 2.57 个百分点”——把相对提升说成百分点，数字翻了一倍还多。

§7.5 反模式清单

• ❌ 把 2,188 金标准混进训练集——评测资产的一次性污染
• ❌ 用本集训练"带 prior 比对能力"的模型——被删掉的正是这个能力
• ❌ 只在 CXR-PRO 上训练不做母体对照——没有对照就没有结论
• ❌ 只报 BERTScore 不报 RadGraph F1——临床结构维度缺席
• ❌ 把 82,074 残余当纯噪声——其中有该留的临床比对信息（§4.2）
• ❌ 引用论文时写 CXR-PRO——论文里它叫 MIMIC-PRO（检索会失灵）

§7.6 从数据到部署：三步桥

1. 诊断自家语料：用 GILBERT（开源权重）扫你自己的报告训练库——若引用密度可观，幻觉风险就有量化依据
2. 清洗-对照-验证：按论文五步工序（识别→标注→切除→金标准验证→重训验证）做一个 mini 版（千条级即可起步）
3. 上线前评测：生成报告过"幻觉检测器"（GILBERT 反向用：标 REMOVE 的 token 数/百词）+ RadGraph F1 抽检——两道闸门再放行

§7.7 教学用法：两周实验课设计

Week1：读论文+下 CSV+复现 GILBERT 评测（金标准在包里，学生可直接算 F1 验证 0.84）+做无动词句过滤。Week2：路线 C 三选一（剂量曲线/假阳性挖掘/残余解剖）+组会报告。卖点：数据小到一节课就能跑通全链，又有论文数字当参考答案——NLP 医疗方向最合适的入门项目之一。

§7.9 端到端工作实例：一次完整的"去幻觉体检"

伪代码走一遍最简可行实验（路线 B 的纯文本变体——零训练、单卡半天）：

# ===== 阶段 0：加载与卫生处理 =====
train_pro = load_csv("mimic_train_impressions.csv")   # 371,951 条（已去引用）
train_raw = load_mimic_cxr_impressions()              # 母体原始报告（需 Credentialed 母体）
test      = load_csv("mimic_test_impressions.csv")    # 2,188 金标准——只评测！

# ===== 阶段 1：语法卫生（GILBERT 缺陷过滤）=====
train_pro = train_pro.filter(has_main_verb)           # 揪无动词句（§4.3）

# ===== 阶段 2：few-shot 对照实验（LLM 时代零训练版）=====
for style, shots in [("raw", sample(train_raw, 5)), ("pro", sample(train_pro, 5))]:
    preds = llm_generate(test_images_prompt, few_shots=shots)
    metrics[style] = {
        "BERTScore": bertscore(preds, test.impressions),
        "RadGraphF1": radgraph_f1(preds, test.impressions),
        "halluc_rate": gilbert_remove_density(preds),   # 幻觉率：GILBERT 反向当检测器
    }
# 预期：pro 组 halluc_rate 显著低；BERTScore/RadGraphF1 方向性改善

§7.10 输出物模板：一张合格的结果卡

════════ 去幻觉对照实验报告卡（模板）════════
模型/范式   <模型名 + 微调方式（全参/LoRA/few-shot）>
训练语料    CXR-PRO v1.0.0（371,951 条，DOI 10.13026/frag-yn96）
对照语料    MIMIC-CXR 原始 impressions（同切分）
评测集      2,188 条专家金标准（不入训）
预处理      <过滤策略声明：无动词句/长度截断>

            BERTScore   s_emb    RadGraphF1   幻觉率
基线(母体)    <?>        <?>       <?>         <?>
实验(CXR-PRO) <?>        <?>       <?>         <?>
差异          <?>        <?>       <?>         <?>

† 幻觉率口径=生成文本每百词的 prior 指涉密度（GILBERT 检测）
† 相对提升与百分点分开写（0.2351 vs 0.2292 = +2.57% 相对 / +0.59pp）

§7.11 质量自查清单（提交前 12 问）

[1] 2,188 金标准是否严格隔离在评测侧？
[2] 训练语料的无动词句过滤是否声明（数量+比例）？
[3] 对照组与实验组是否"只差训练文本"（架构/超参/评测全同）？
[4] 三指标是否全量报告（含 RadGraph F1）？
[5] 相对提升与百分点是否分写？
[6] 幻觉率的检测器与口径是否定义？
[7] 残余 82,074 的处理策略是否声明（保留/再过滤）？
[8] 是否引用了 MIMIC-CXR 母体与本集 DOI（两件套）？
[9] 论文数字对齐时是否注明 k 设置与评测集版本？
[10] cxr.h5 是否真的需要（纯文本实验可跳过）？
[11] 衍生发布（清洗版/增强版）是否走了 PhysioNet 再授权？
[12] 名称引用是否分场合（论文 MIMIC-PRO / 数据集 CXR-PRO）？

§7.12 常见报错与排查对照

症状	最可能原因	处置
复现 F1 达不到 0.84	金标准混入训练 / 评测切分不同	核对隔离与切分（自查 [1]）
BERTScore 远高于论文	评测集错了（用了母体测试段）	只用 mimic_test_impressions.csv
生成报告全是短句	语料本来就以 impressions 短句为主	对齐任务定义（本集只训印象段生成）
模型输出无动词句	喂了未过滤语料	训练前卫生过滤（§4.3 三对策）
cxr.h5 解包 OOM	内存映射配置不足	分块读取 / h5py 低内存模式
母体 join 不上	id 混用（dicom vs study 级）	三把钥匙各归各位（§3.7）
Credentialed 拿不到	CITI 证书未完成/机构信息缺失	补流程；个人申请留数天余量
幻觉率检测误报	GILBERT 对非引用用法误标	按REMOVE密度报告而非绝对禁止

§7.13 术语补遗：本条目新出现的九个词

术语	含义
MIMIC-PRO	数据集在论文中的名字（挂牌名 CXR-PRO）
GILBERT	BioBERT 微调的 token 级 REMOVE/KEEP 分类器
FilBERT	论文对照框架中的 fine-tuned BERT 变体（GPT-3 路线组件）
CXR-ReDonE	CXR-PRO 重训的 CXR-RePaiR（CLIP→ALBEF）
s_emb	语义嵌入相似度指标
RadGraph F1	实体-关系图匹配的事实性指标
remove-or-rewrite	金标准双协议（可删的删/须改写的改）
剂量-反应曲线	§6.15 提议的梯度削减实验
curation-as-contribution	数据清洗即贡献——本集的方法论标签

§8 伦理与合规：继承式合规与文本的特殊性

§8.1 为什么 Credentialed 是合理门槛

本集未收集任何新数据（页面 Methods 原话），但报告文本的再识别风险比影像更微妙：impressions 的措辞组合、罕见病表述、日期-病程链条都可能构成指纹。母体 MIMIC-CXR 的 DUA 框架（Credentialed Health Data License 1.5.0 + DUA 1.5.0）原样延续是唯一正确选择——衍生数据的治理不比母体宽松（507 双条款分析的同一原则，本集是单平台版本）。

§8.2 IRB 与声明

IRB 22-0364（“A clinically based evaluation system for chest radiograph AI-generated reports”）覆盖研究本身；页面 Ethics 段自评"no significant risks"；Conflicts of Interest 段明确无。标注组（1 医生+2 医学生）的人工编辑工作在 Acknowledgements 中署名——学术贡献链完整。

§8.3 文本衍生品的特殊合规细节

数值衍生（506 的 CTR 表格）几乎不可能重识别，照片衍生（507）风险由门槛兜底，文本衍生（本集）的风险在"语言指纹"：个体医生的措辞习惯、科室的模板腔、罕见病例的表述组合。DUA 禁止重识别是底线，使用者侧还有两条自觉：① 不要把语料投喂给外部 LLM API 做"清洗/改写"（可能构成向第三方传输受控数据）；② 衍生发布的再授权先问 PhysioNet——本条目读者做二次加工时，license 1.5.0 的条款原文是唯一依据。

§8.4 临床伦理：去幻觉的另一半

训练数据去 prior 引用治的是模型的幻觉，但真实临床里 prior 信息本身是价值：有旧片的放射科医生就是要对比着看。本集治的是"没有 prior 却说看了 prior"的谎言，不是"prior 对比"这个临床实践。部署含义：报告生成系统的产品定位要区分两种场景——无 PACS 历史的远程/首诊场景（本集语料适配）与有完整历史的三甲复查场景（需要显式的 prior 输入通道，而不是让模型编造）。混淆两者会把一份数据集的适用边界变成临床事故的来源。

§8.5 门槛的总账：AI-Ready 视角

维度	得	失
可获取	单平台单 DUA（比 507 摩擦低）	Credentialed 门槛本身
可复现	代码+权重+数据三开放；切分沿用母体	cxr.h5 大文件下载门槛
可持续	PhysioNet 托管+GitHub 开源	依赖母体在线（join 场景）
可审计	手术工序全记录（论文 11 表）	GILBERT 误差的 P/R 分解缺失

总评：治理与复现维度接近满分，获取门槛是唯一结构性扣分——DAIMS 7.0 区间的论证骨架（§10.6 展开分项）。

§9 FAQ：90 问快答

出身与身份（10 问）

1. 这个数据集是什么？ MIMIC-CXR 的文本手术版：371,951 条报告的 impressions 段用 GILBERT 删掉了 prior 引用，外加 2,188 条人工金标准测试集。
2. 谁做的？ Harvard Medical School Rajpurkar 组三人：Vignav Ramesh（一作，Harvard 本科）、Nathan Andrew Chi（Stanford）、Pranav Rajpurkar（HMS，SQuAD/CheXNet 作者）。
3. 何时发布？ 2022-11-23，v1.0.0，唯一版本。
4. DOI 是什么？ 10.13026/frag-yn96。
5. 访问级别？ Credentialed（License 1.5.0 + DUA 1.5.0，页面原文实测）。
6. 论文是哪篇？ ML4H 2022（@NeurIPS）pp.456-473；arXiv 2210.06340。
7. 为什么论文里叫 MIMIC-PRO？ 挂牌 PhysioNet 时定名 CXR-PRO——异名同物，正文首节已存照。
8. 它解决什么问题？ 报告生成模型的幻觉：编造对不存在的 prior 报告的引用——病根是训练数据里全是 prior 引用。
9. IRB 编号？ IRB22-0364（哈佛侧，评估系统研究）。
10. 代码在哪？ github.com/rajpurkarlab/CXR-ReDonE（数据构造+重训+权重三开放）。

内容与规模（10 问）

11. 总共多少条报告？ 374,139 = 训练 371,951 + 测试 2,188（Abstract 口径）。
12. 三个文件各是什么？ mimic_train_impressions.csv（371,951）/ mimic_test_impressions.csv（2,188）/ cxr.h5（影像包）。
13. CSV 有哪些字段？ impression 文本 + dicom_id + study_id + subject_id（回链母体的三把钥匙）。
14. 处理了报告的哪些部分？ 只有 impressions（印象）段——Findings/Comparison 等节未处理。
15. 影像包是什么格式？ HDF（cxr.h5），MIMIC-CXR 胸片打包；页面未标文件大小。
16. 纯 NLP 实验要下 cxr.h5 吗？ 不用——两份 CSV 自足；只有影像→报告全管线才需要。
17. 测试集怎么来的？ 随机抽 2,188 张影像及报告，1 名 board-certified 放射科医生+2 名第四年医学生人工 remove-or-rewrite。
18. 什么是 remove-or-rewrite？ 可删的整句删（“no interval change from prior CT”）；须改写的改成现状描述（“heart size is stable”→“heart size is abnormal”）。
19. GILBERT 处理后的语料还剩多少引用？ 259,376→82,074 实例（>68.3% 削减）；残余含"该留的临床比对"，不是纯噪声。
20. 影像和母体一样吗？ 一样——影像未动，只动了文本；cxr.h5 是母体胸片的 HDF 打包。

访问与获取（10 问）

21. 怎么下载？ PhysioNet 单平台：CITI GCP 证书 + 签 DUA 1.5.0，一次签齐三件套（无 507 式双平台拆分）。
22. 个人研究者能下吗？ 可以，PhysioNet 支持个人申请（审核更慢）。
23. 要等多久？ 流程当天至数天；cxr.h5 大文件下载另计——纯文本实验跳过它。
24. 许可什么条款？ PhysioNet Credentialed Health Data License 1.5.0 + DUA 1.5.0（页面双链接）。
25. 能再分发吗？ 不能；可指向官方渠道。
26. 商用可以吗？ 按 License 1.5.0 原文界定；研究用途明确许可。
27. 下不了怎么办？ 无 Credentialed 则三个文件都拿不到——门槛是全有全无的。
28. 发表时要引什么？ 本集 DOI + MIMIC-CXR（Johnson et al.）+ 论文（ML4H 2022/arXiv）三件套。
29. Views 多少？ 651（unique registered users 口径，核查时点）。
30. 和 507 的双平台比谁麻烦？ 本集少一道 Stanford 流程，但多 cxr.h5 的下载负担（若需要影像）。

方法与统计（10 问）

31. GILBERT 是什么？ fine-tuned BioBERT 的 token 级序列标注器：每个 token 判 REMOVE 或 KEEP。
32. GILBERT 的性能？ token F1 0.84（2,188 金标准的 held-out 验证）。
33. 一个处理示例？ “hilar prominence suggestive of pulmonary hypertension, unchanged” → 6 KEEP + 1 REMOVE（删 “unchanged”）。
34. GPT-3 对照路线呢？ 论文同期提出 few-shot 改写法，但 GILBERT 输出在语义贴近度上显著胜出——切除派胜重写派。
35. 核心结果是什么？ CXR-ReDonE 在三指标×四设置下全面胜过母体训练版；主打数字 BERTScore 0.2351 vs 0.2292。
36. “2.57% absolute improvement” 怎么理解？ 0.2351 vs 0.2292 的相对提升 2.57%（=0.0059/0.2292）；按百分点是 0.59pp——论文用词歧义已存照。
37. 三指标是哪三个？ BERTScore（语义相似）/ s_emb（嵌入相似）/ RadGraph F1（实体-关系图匹配）。
38. 为什么不用 BLEU/CIDEr？ n-gram 指标判不了事实性——流畅但虚构的报告也能拿高分。
39. k∈{1,2,3} 是什么？ 检索式生成的参考报告数量；每个 k 下实验组全胜——效应不随检索配置消失。
40. RadGraph F1 的绝对水位？ 0.08-0.12 区间——全行业低位，本集是低基数上的真实相对提升。

与母体数据集的关系（10 问）

41. 和 MIMIC-CXR 什么关系？ 纯文本手术衍生——“we did not collect any clinical data”，影像原封不动。
42. 需要下载母体吗？ 对照实验需要（基线组=母体原始报告）；单臂复现不需要。
43. 标签随包附赠吗？ 不随包——14 类标签要回母体 join（study_id 钥匙）。
44. 切分沿用母体吗？ 是——GILBERT 只处理 MIMIC-CXR-JPG 文档规定的训练切分。
45. 和 cxr-cardiomegaly（506）什么关系？ 同母体衍生家族：506 是数值层（影像→CTR/CPAR），本集是文本层（报告→去引用报告）。
46. 和 cxr-phone（507）什么关系？ 家族第三形态：507 是照片层（影像→手机照片）；三者合读=“衍生即研究”的完整谱系。
47. 母体许可约束本集吗？ 是——Credentialed License 1.5.0/DUA 1.5.0 就是母体框架的延续（不比母体宽松）。
48. 能从本集反推母体全文吗？ impressions 之外的节不在本集；本集是母体文本的子集+变换，不存在反推问题。
49. 引用时的名称纪律？ 数据集=CXR-PRO（PhysioNet），论文内=MIMIC-PRO——两个名字都别用错场合。
50. 谁该被致谢引用？ 标注组三人（Kibo Yoon 医生+Pile/Alfonso 两位医学生）在页面致谢——引用测试集时值得连带。

使用与实操（10 问）

51. 用什么模型跑？ 复现用 CXR-ReDonE（开源）；新实验换 R2Gen/M2 Trans/基础模型+LoRA 皆可——对照设计是关键，骨干不重要。
52. 先做哪个实验？ 纯文本 few-shot 对照（§7.9 零训练版）：同 prompt 两组示例，测幻觉率——半天出结果。
53. GPU 要多强？ 纯文本实验单卡；ALBEF 级复现多卡数天。
54. 多久能复现论文数字？ 熟练团队 1-2 周（含 cxr.h5 与许可等待）。
55. 最大的实操坑？ 把金标准混进训练（自查 [1]）——评测资产一旦污染不可逆。
56. 无动词句怎么处理？ 训练前依存句法过滤/后处理拼接/训练目标加语法惩罚（§4.3 三对策）。
57. 幻觉率怎么测？ 生成文本过 GILBERT，REMOVE token 密度/百词——工具复用（§7.2 阶段 2）。
58. 能做剂量实验吗？ 能且值得——按 token 概率分档做部分删除，画削减率-幻觉率曲线（§6.15 提议）。
59. 残余 82,074 怎么处理？ 分三类的解剖任务（真引用/须改写/歧义）——v2 数据集的设计输入（§5.5 路线 C）。
60. 报告要写哪些数字？ 三指标全量+幻觉率+相对/百分点分开（§7.10 模板）。

评分与定位（10 问）

61. AI-Ready 程度如何？ 高——三开放（代码/数据/权重）+金标准评测+工序全记录；扣分仅 Credentialed 与大文件。
62. DAIMS 打多少？ 正文论证 7.0 区间（§10.6 分项）。
63. 和 506/507 比？ 506 最纯（Open 单 CSV，7.0）；507 换部署真实性；本集换任务聚焦度——三集三种权衡。
64. 不可替代性是什么？ 唯一公开的"大规模去引用报告语料"+唯一配套的 2,188 条 remove-or-rewrite 金标准。
65. 适合做什么？ 去幻觉训练/报告改写评测/语言习惯研究/教学全链。
66. 不适合做什么？ 全文报告生成（只有 impressions）/带 prior 比对的建模/影像组学。
67. Views 651 说明什么？ Credentialed 门槛下的中等曝光；论文+代码生态把实际使用者引向 GitHub 而非页面计数。
68. 重分析空间？ 大——剂量曲线/假阳性挖掘/残余解剖/跨架构验证，四题全开放（§5.5）。
69. 五年后还相关吗？ 更相关——LLM 时代数据治理是标配工序，本集是临床文本治理的最早完整示范之一。
70. 只记一件事？ 与其教模型别撒谎，不如把教材里的谎言删干净——且这句要配上 68.3% 的削减量和全指标改善的证据。

伦理与合规（10 问）

71. 为什么不 Open Access？ 母体法域继承：报告文本的再识别风险（语言指纹）由 Credentialed 框架兜底。
72. 文本比影像更危险吗？ 不同维度——影像怕像素指纹，文本怕措辞指纹；两者 DUA 同框架。
73. DUA 核心义务？ 禁再分发、禁重识别、禁超范围使用；衍生发布先问 PhysioNet。
74. 能投喂给外部 LLM API 吗？ 谨慎——可能构成向第三方传输受控数据（§8.3 自觉条款）。
75. 教学能用吗？ 能（学生集体走注册或教师统一申请，按条款确认）。
76. 违反 DUA 的后果？ 访问撤销+机构通报（以条款原文为准）。
77. 发布时要引三件套？ 本集 DOI+MIMIC-CXR+论文；漏引母体是 PhysioNet 生态高频违规。
78. 去幻觉是伦理议题吗？ 是——幻觉的临床代价（虚构对比/虚构随访）直接作用于诊疗信任；本集是源头治理。
79. 数据的临床伦理边界？ 去 prior≠去对比：有历史的复查场景仍需显式 prior 通道（§8.4 两场景区分）。
80. 数据集有伦理缺陷吗？ 无原则性缺陷；"GILBERT 误差的 P/R 未细报"是文档性不足。

比较与延伸（10 问）

81. 同类数据集有吗？ 报告侧无直接同类（去引用语料独一份）；改写/简化类平行语料（本集测试集）在病历摘要域有类似物。
82. 和 507 的 npj 论文比？ 不同范式：507 是域偏移测评（影像退化），本集是语言治理（文本手术）——共同点是"部署现实的源头治理"。
83. 和 RadGraph/radgraph 系数据集的关系？ RadGraph F1 用其解析器做评测——本集是"用 RadGraph 评报告"的示范案例。
84. 能扩展到其他模态吗？ 能——超声/病理/皮肤报告的 prior 引用同样普遍；GILBERT 工序五步全可平移。
85. 低资源语言怎么办？ 工序依赖 BioBERT/GPT-3 级资源；低资源语言可走标注-小模型路线（token 级标注比改写标注便宜）。
86. 和 LLM 时代的数据清洗什么关系？ 同构——预训练语料去毒/去噪/去重是同一方法论的规模版；本集是"有金标准验证的完整小样本"。
87. 未来版本？ v1.0.0 无更新记录；社区期待的 v2 = Findings 段处理+改写型工具+残余 82,074 分类修复。
88. 能贡献改进吗？ GitHub repo 开放 PR；数据侧变更须经 PhysioNet 与母体合规链。
89. 哪里找社区经验？ repo issues+ML4H 2022 引用链（筛实证复现）。
90. 三分钟了解全库读哪节？ §0 摘要卡+§6.10 数字卡+本 FAQ——和 507 一样，三分钟是修辞，十分钟是实价。

§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（WebFetch 结构化提取）
         → 标题/团队/GILBERT 方法/文件构成/IRB/致谢/arXiv 引用 全量
第 2 轮  页面 HTML 实测（curl 快照 /tmp/508_page.html，48,015 B）
         → Views 651 / Credentialed Access Policy 原文 / License 1.5.0 / 作者-机构映射
第 3 轮  论文层确认（arXiv abs+HTML 全文 204KB / dblp / HMS 官方页）
         → ML4H 2022 pp.456-473 / Table 4 八行全数字 / Table 9 削减统计
         → GILBERT F1 0.84 / 0.2351 的 k 行溯源 / "2.57%" 用词歧义存照

§10.2 批次清单预判修正记录

项	预判	实测	处置
访问级别	Credentialed（待核）	Credentialed（License 1.5.0 实锤）	预判正确，本表存照
scale	待核	374,139 报告+影像包	已核
名称	CXR-PRO	论文名 MIMIC-PRO（异名同物）	正文 §0.1 存照

§10.3 引用格式

数据集：Ramesh, V., Chi, N., & Rajpurkar, P. (2022). CXR-PRO: MIMIC-CXR with Prior References Omitted (version 1.0.0). PhysioNet. DOI 10.13026/frag-yn96.

论文：Ramesh, V., Chi, N. A., & Rajpurkar, P. (2022). Improving Radiology Report Generation Systems by Removing Hallucinated References to Non-existent Priors. ML4H 2022（PMLR）, pp.456-473. arXiv 2210.06340.

母体：Johnson, A., Pollard, T., Mark, R., Berkowitz, S., & Horng, S. (2019). MIMIC-CXR Database (version 2.0.0). PhysioNet. DOI 10.13026/C2JT1Q.

§10.4 页面事实的待查与存照边界

1. cxr.h5 文件大小未披露——正文不写 GB 数
2. GILBERT F1 0.84 的 P/R 分解未报——误差结构按不对称定性处理（§4.1）
3. GPT-3 对照路线无独立 F1——只引语义贴近度的定性结论
4. prior 引用统计的 226,759 份报告=论文口径（与 374,139 的 Abstract 口径不同——后者含全部 train+test 前身报告，前者是关键词统计的子集范围），不混用
5. 残余 82,074 的构成未分类——三类假说（真引用/须改写/歧义）为正文推断，标注为待验证
6. Views 651 口径=unique registered users（实测页面卡片）

§10.5 slug 互链登记

目标 slug	互文点
cxr-cardiomegaly（506）	MIMIC-CXR 衍生家族：数值层 vs 本集文本层
cxr-phone（507）	家族第三形态：照片层；"部署现实的源头治理"同构
MIMIC-CXR 主条目	母体（影像+全文报告+标签的最终来源）
医疗NLP 系条目	GILBERT 工序与三指标评测体系的平移对象

§10.6 DAIMS 评分论证（区间制）

文档完整性    高（页面+论文双源；工序 11 表全记录）          +1.5
任务聚焦度    极高（单任务三件套，零冗余）                  +1.0
评测资产      极高（2,188 人工金标准，双人工把关）          +1.5
可获取性      中（单平台单 DUA，但 Credentialed+cxr.h5 大） -1.0
可持续性      高（PhysioNet+GitHub 双托管）                 +1.0
实证基线      高（三层证据链+三指标体系+ML4H 同行评审）      +1.0
开放光谱      高（代码+权重+数据三开放，唯数据有门槛）       +1.0
────────────────────────────────────────────────────────
区间评定      7.0（评测资产与三开放拉满，获取门槛单点扣分）

§10.7 发布验收单

[✓] frontmatter 双检（category_tags：医疗NLP/临床文本/医学影像，全在 92 词条 VOCAB）
[✓] check_md ≥1200 行
[✓] preflight_check PASS
[✓] 发布前 DB 查重（url_name LIKE '%cxr-pro%' / content LIKE '%frag-yn96%'）
[✓] publish.sh PASS → 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（374,139/DOI/GILBERT/Table 4 数字）
[✓] tracker 追加 508 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
2026-09-23  四段组装（/tmp 安全区），本文发布

§10.9 给下一位核查者的信

如果你在复核本条目：优先验证四件事——① DOI 10.13026/frag-yn96 仍解析且版本未升（若出 v2：Findings 段是否纳入、残余 82,074 是否处理，本条目 §3.5/§4.2 需同步）；② GitHub repo（rajpurkarlab/CXR-ReDonE）仍开放；③ 论文数字未被勘误（Table 4 八行/Table 9 两个统计量/F1 0.84）；④ 若 ML4H 2022 PMLR 卷号页码有官方更正，§10.3 引用格式随之更新。名称双写（MIMIC-PRO/CXR-PRO）是本条目最易腐的事实——若 PhysioNet 页面改名或论文更名，全文 12 处名称引用需一次性清查。

§10.10 收束

一份数据集的价值可以有三种种法：采集别人没有的数据（贵），变换已有数据的形态（506/507 的路），或者删掉它不该有的东西（本集的路）。Rajpurkar 组用 0.84 F1 的手术刀、2,188 条金标准、三层证据链证明：教科书里少一句谎言，学生就少说一句谎。374,139 份报告的印象段里，259,376 个回头话被摘除——剩下的 82,074 个，是留给下一版数据集、下一批研究者、下一次"数据清洗作为一等公民贡献"的种子。

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	CXR-PRO: MIMIC-CXR with Prior References Omitted
slug / 批次序号	cxr-pro / 508
版本	v1.0.0（2022-11-23，唯一）
DOI	10.13026/frag-yn96
平台	PhysioNet（单平台单 DUA）
访问	Credentialed（License 1.5.0 + DUA 1.5.0）
规模	371,951 训练 + 2,188 金标准测试 + cxr.h5 影像包
处理范围	impressions 段 only
出身	Harvard Medical School Rajpurkar 组
团队	Ramesh / Chi / Rajpurkar（+标注组 Yoon/Pile/Alfonso）
方法	GILBERT（BioBERT token NER，F1 0.84）
削减	prior 引用 259,376→82,074（>68.3%）
论文	ML4H 2022 pp.456-473；arXiv 2210.06340
实证	CXR-ReDonE 三指标×四设置全胜；BERTScore 0.2351 vs 0.2292
IRB	22-0364
Views	651（unique registered users）
DAIMS（本条目评定）	7.0

附录 B：三文件对照卡

文件	行数/形态	来源	用途
mimic_train_impressions.csv	371,951 行	GILBERT 处理母体训练切分	报告生成训练（去引用版）
mimic_test_impressions.csv	2,188 行	医生+医学生 remove-or-rewrite	评测金标准 / GILBERT F1 验证
cxr.h5	HDF 影像包	MIMIC-CXR 胸片原样打包	影像→报告全管线复现

附录 C：幻觉治理五步工序（可平移模板）

[1] 识别    扫描语料的系统性指涉模式（prior/stable/unchanged/comparison…）
[2] 标注    token 级 REMOVE/KEEP 序列标注（BioBERT 级底座即可）
[3] 切除    高精度删除；区分"可删句"与"须改写句"
[4] 验证    人工金标准子集（remove-or-rewrite 双协议）验证 F1
[5] 重训    对照实验证明下游行为改变（对照纪律：只动训练文本）

附录 D：三指标体系对照卡

指标	层级	判什么	报告生成论文必备度
BERTScore	语义	说得像不像（上下文嵌入）	推荐
s_emb	语义	整篇意思对不对（嵌入相似）	推荐
RadGraph F1	临床结构	医学实体-关系对不对	必报
BLEU/CIDEr	n-gram	词面重叠	本论文弃用（事实性盲）

附录 E：Table 4 数字卡（八行全录）

k=报告级检索参考数；N/A=句级检索
          MIMIC-CXR(基线)            MIMIC-PRO(本集)
          BERT / s_emb / RG-F1       BERT / s_emb / RG-F1
报告级    0.2083 / 0.3410 / 0.0895   0.2160 / 0.3601 / 0.0925
k=1       0.2129 / 0.3880 / 0.0838   0.2159 / 0.3967 / 0.0864
k=2       0.2292 / 0.3822 / 0.1045   0.2351 / 0.3859 / 0.1056
k=3(句级) 0.2179 / 0.3710 / 0.1083   0.2254 / 0.3779 / 0.1112
十二格全败给 MIMIC-PRO——"irrespective of k" 的表格原文

附录 F：引用地图（谁该引什么）

你的用途	必引	建议加引
使用训练 CSV	本集 DOI + MIMIC-CXR	论文（ML4H 2022）
使用金标准测试集	本集 DOI + 论文	致谢标注组（Yoon/Pile/Alfonso）
使用 cxr.h5	本集 DOI + MIMIC-CXR	—
引用 BERTScore/RadGraph 数字	论文（ML4H 2022）	本集 DOI
平移 GILBERT 工序	论文 + GitHub repo	本集 DOI
引用三指标评测体系	论文	RadGraph 原始文献

附录 G：MIMIC-CXR 衍生家族对照（批次六三形态）

序号	slug	衍生层	变换方向	访问	DAIMS
506	cxr-cardiomegaly	数值层	影像→2 个数字（CTR/CPAR）	Open（ODC-BY）	7.0
507	cxr-phone	照片层	影像→手机照片（域偏移注入）	Credentialed+双平台	6.5-7.0
508	cxr-pro	文本层	报告→去引用报告（幻觉治理）	Credentialed 单平台	7.0

家族学补完：506 抽象、507 仿真、508 治理——同一个母体的三份"衍生即研究"答卷，恰好构成"压缩/退化/净化"三种数据形态操作的教科书组。

附录 H：论文-数据集名称对照卡

场合	名称	证据
PhysioNet 挂牌	CXR-PRO	页面标题（2022-11-23）
论文全文	MIMIC-PRO	arXiv HTML 全文 Table 4 行名
本百科 slug	cxr-pro	批次清单+URL
引用纪律	数据集场合用 CXR-PRO；论文内容场合用 MIMIC-PRO 并注明异名	§0.1/§7.5

附录 I：与母体 join 的钥匙卡

钥匙	粒度	join 到母体的什么
dicom_id	影像文件	视角/体位/设备元数据
study_id	检查	报告全文（Findings 等）/官方切分归属
subject_id	患者	跨检查聚合/14 类标签（母体标签 CSV）

附录 J：数据质量声明卡

声明项	状态	说明
报告总数自洽	✓	371,951+2,188=374,139（Abstract 口径）
切分继承	✓	沿用 MIMIC-CXR-JPG 官方切分（页面 Methods 明示）
访问级别	✓ 已实测	Credentialed（页面 Access Policy 原文+License 1.5.0）
论文数字	✓ 全文溯源	Table 4 八行/Table 9 统计/F1 0.84（arXiv HTML 全文提取）
影像包大小	△ 未披露	页面无 GB 数——下载前自行评估
GILBERT P/R	△ 未细报	仅 F1 0.84；误差不对称按定性处理
残余引用构成	△ 假说状态	三类分法为正文推断，待验证
名称双写	✓ 已存照	MIMIC-PRO（论文）/CXR-PRO（挂牌）

图例：✓=已核一致；△=已知边界（引用时随附说明）。

附录 K：给三类读者的一页纸

• 工程团队：跳过 cxr.h5→CSV 起步→无动词句过滤→GILBERT 扫自家语料估幻觉风险→按五步工序（附录 C）做 mini 治理→上线前双闸门（§7.6）
• 研究者：四个开垦题任选——剂量-反应曲线（§6.15 旗舰）/假阳性挖掘/残余 82,074 解剖/跨架构验证（§5.4）——全部单卡周级，论文数字当参考答案
• 评审与引用者：三指标必报 RadGraph F1；相对提升与百分点分开写；名称双写场合分明（附录 H）；GILBERT 误差不对称是已知边界（§4.1）

附录 L：批次六进度存照

506 cxr-cardiomegaly  rid 606  ✅ 2026-09-22（含抢发事故内容同步修复）
507 cxr-phone         rid 607  ✅ 2026-09-23（str.split 锚点事故修复）
508 cxr-pro           rid 608  ✅ 2026-09-23（本条）
509 FDTooth                    待产（CT 牙科分割，Credentialed 待核）
510-515                        排队中
批次六工单：r3i2Os｜全库在架：596（508 后）

附录 M：三十问自测卷（读完本条目应能全对）

[身份组]
1.  CXR-PRO 的 DOI？—— 10.13026/frag-yn96
2.  发布日期与版本？—— 2022-11-23，v1.0.0
3.  访问级别？—— Credentialed（License 1.5.0 + DUA 1.5.0）
4.  论文中的名字？—— MIMIC-PRO（挂牌名 CXR-PRO，异名同物）
5.  团队三人？—— Ramesh（Harvard 本科）/ Chi（Stanford）/ Rajpurkar（HMS）
[内容组]
6.  总报告数？—— 374,139 = 371,951 训练 + 2,188 测试
7.  三个文件？—— 训练 CSV / 测试 CSV / cxr.h5 影像包
8.  处理了报告哪一段？—— 仅 impressions（印象）段
9.  CSV 三个 id 字段？—— dicom_id / study_id / subject_id
10. 测试集怎么做的？—— 1 放射科医生+2 医学生，remove-or-rewrite 双协议
[方法组]
11. GILBERT 的底座与任务？—— BioBERT 微调，token 级 REMOVE/KEEP 序列标注
12. GILBERT 的 F1？—— 0.84（2,188 金标准 held-out）
13. 官方处理示例？—— "...pulmonary hypertension, unchanged" → 6 KEEP+1 REMOVE
14. 论文对照方法？—— GPT-3 few-shot 改写（落败：语义贴近度不及 GILBERT）
15. 残余引用实例数？—— 82,074（从 259,376 削减 >68.3%）
[实证组]
16. CXR-ReDonE 是什么？—— CXR-RePaiR 重训于 CXR-PRO（CLIP→ALBEF）
17. 三个评测指标？—— BERTScore / s_emb / RadGraph F1
18. 为何弃用 BLEU/CIDEr？—— n-gram 指标判不了事实性
19. 摘要主打数字？—— BERTScore 0.2351（基线 0.2292，相对 +2.57%）
20. Table 4 结论？—— 三指标×四设置（k 无关）全面胜出
[使用组]
21. 纯文本实验要不要 cxr.h5？—— 不要，两份 CSV 自足
22. 金标准能入训练吗？—— 绝不能（评测资产一次性污染）
23. 最大已知缺陷？—— 无动词句（"The cardiomediastinal and hilar contours."）
24. 三条对策？—— 训练前过滤/后处理拼接/训练目标加语法惩罚
25. 幻觉率怎么测？—— GILBERT 反向当检测器：REMOVE 密度/百词
[治理组]
26. IRB 编号？—— 22-0364
27. 引用三件套？—— 本集 DOI + MIMIC-CXR + ML4H 2022 论文
28. 能投喂外部 LLM API 吗？—— 谨慎（可能构成向第三方传输受控数据）
29. DAIMS 评分？—— 7.0（评测资产与三开放拉满，Credentialed 单点扣分）
30. 只记一件事？—— 与其教模型别撒谎，不如把教材里的谎言删干净

附录 N：术语总表（按拼音/字母序）

术语	含义	条目内位置
curation-as-contribution	数据清洗即贡献的方法论标签	§2.3/§7.13
CXR-ReDonE	CXR-PRO 重训的检索式报告生成器（ALBEF）	§1.8/§6.7
CXR-RePaiR	检索式报告生成基线（Endo et al. 2021）	§6.7
GILBERT	BioBERT token 级 REMOVE/KEEP 分类器	§1.3/§4.1
impressions 段	报告印象节——本集处理范围	§3.5
ML4H	Machine Learning for Health（NeurIPS workshop 系）	§6.1/§6.16
MIMIC-PRO	数据集论文用名（=CXR-PRO）	§0.1/附录 H
prior reference	报告对既往影像/报告的指涉	§1.8
remove-or-rewrite	金标准双协议	§1.4/§3.3
RadGraph F1	实体-关系图匹配的事实性指标	§4.4/§6.11
s_emb	语义嵌入相似度指标	§4.4
语言指纹	文本再识别风险源（措辞/模板/罕见表述）	§8.3
剂量-反应曲线	引用削减率-幻觉率的梯度实验提议	§4.6/§6.15
幻觉率	生成文本的 prior 指涉密度（GILBERT 检测）	§7.2/§7.9
三指标体系	BERTScore+s_emb+RadGraph F1（弃 BLEU/CIDEr）	§4.4/§6.6

附录 O：批次六先行三集横向对照卡

维度	506 cxr-cardiomegaly	507 cxr-phone	508 cxr-pro（本集）
母体	MIMIC-CXR	MIMIC-CXR+CheXpert	MIMIC-CXR
衍生层	数值层（CTR/CPAR）	照片层（拍屏）	文本层（去引用）
规模	96,161 行 CSV	6,453 张 JPEG	374,139 报告+影像包
DOI	10.13026/kfpv-zm25	10.13026/7b2j-nq93	10.13026/frag-yn96
发布	2024-08-23	2020-09-27	2022-11-23
访问	Open（ODC-BY 1.0）	Credentialed+双平台	Credentialed 单平台
团队	牛津六人（MEng 学生一作）	MIT/清华/哈佛等七人	Harvard 三人（本科生一作）
论文	MIUA 2022（pp.13-27）	npj Digit Med 4:25	ML4H 2022（pp.456-473）
主打数字	CTR 0.483±0.065 全体	AUC 0.79-0.90/恢复率 53-85%	0.2351 vs 0.2292（+2.57%）
Views	950	253	651
DAIMS	7.0	6.5-7.0	7.0
rid	606	607	608

三集合读：同一个母体的三次"不采集新数据"的价值创造——抽象、仿真、净化各一次。三集的访问级别光谱（Open→双门槛→单门槛）也构成"衍生数据的法域继承强度"的对照实验。

附录 P：与同库医疗NLP 条目的接口卡

接口	对接方式	价值
MIMIC-III 报告系条目	GILBERT 工序平移（五步模板附录 C）	出院小结/病程记录的去模板化
医学问答/基准系条目	三指标体系平移（附录 D）	生成式答案的事实性评测
MIMIC-CXR 主条目	subject_id/study_id join	报告+标签+影像的多模态重组
报告改写/简化系	2,188 金标准直接当评测集	"原声→规范"平行语料的稀缺评测资产

附录 Q：核查过程存照卡（工具链与中间产物）

第 1 轮  WebFetch physionet.org/content/cxr-pro/1.0.0/
         → 结构化全量提取（标题/团队/GILBERT/文件/IRB/致谢）
第 2 轮  curl 页面 HTML（/tmp/508_page.html 48,015 B）
         → Views 651 / Access Policy 原文 / License 1.5.0 / 作者-机构映射
         + WebFetch arxiv.org/abs/2210.06340（摘要/v1v2 时间线/11 表）
         + WebSearch（Rajpurkar 机构/dblp ML4H 收录/HMS 官方页）
第 3 轮  curl arxiv.org/html/2210.06340v2（/tmp/508_paper.html 204,248 B）
         → Table 4 八行全数字 / Table 9 削减统计 / GILBERT F1 0.84
         → 0.2351 的 k 行溯源与"2.57%"用词歧义存照
中间产物 FACTS.md（writing/cxr-pro/）+ 本文八段组装（/tmp 安全区）

附录 R：下一发预告与批次账本

509 FDTooth   CT 牙科分割（PhysioNet，Credentialed 待核）——批次六第 4 发
510 heart-lung-segmentations-data ——与 506 的姊妹互指（§0.3 已埋线）
511 image-embeddings-mimic-cxr  ——MIMIC-CXR 衍生家族第四形态（嵌入层）
批次六进度：3/10 ｜ 全库在架：608/608 对齐（rid 连续无空洞）

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• swiss-mammo — 共享标签：医疗NLP / 临床文本 / 医学影像
• mimic-iv-ext-pe — 共享标签：医疗NLP / 临床文本
• rad-coreference-resolution — 共享标签：医疗NLP / 临床文本
• radgraph2-radiology-reports — 共享标签：医疗NLP / 临床文本
• chexpert-plus — 共享标签：医疗NLP / 临床文本 / 医学影像
• imcs-21 — 共享标签：医疗NLP / 临床文本
• vqa-rad — 共享标签：医疗NLP / 医学影像
• slake — 共享标签：医疗NLP / 医学影像
• deap — 共享标签：医疗NLP / 临床文本
• pmc-oa-subset — 共享标签：医疗NLP / 临床文本

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。