CXRGraph：给报告生成任务改造的实体关系标注

胸部 X 光报告里最常见的一句话是「与既往相比，病灶增大」。这句话描述的不是当前影像，而是两次影像之间的差异。可是公开数据在做去标识时把日期抹掉了，既往检查的编号也一并消失，于是「增大」这个词失去了参照物——它究竟是相对三个月前还是三年前，无从得知。

若把这样的报告直接拿去训练生成模型，模型会学到一个错误的映射：看到某处模糊影，就写出「增大」。因为训练样本里凡是这种影像都配着「增大」这个词，而模型没有渠道知道「增大」本不属于当前影像。这不是数据噪声，而是标注方案与任务不匹配造成的系统性问题。

这套数据的出发点就是解决它。做法是把 RadGraph 的实体关系方案扩一层，让「相对既往的变化」变成一个可以单独抽取、单独剥离的属性，而不是混在观察描述里。

§1 它是什么：一份为生成任务改造的标注方案

1.1 一句话定义与三条边界

这是一套以 RadGraph 为起点、以处理对照叙述为核心动机、以实体属性为扩展手段的胸部 X 光报告结构化标注。

「以 RadGraph 为起点」意味着方案不是另起炉灶。四种实体类型（解剖、存在的观察、缺失的观察、不确定的观察）与三种关系类型（提示、位于、修饰）全部沿用，标注的原点也是 RadGraph 已经标好的报告。这个选择让两套数据可以对齐比较。

「以处理对照叙述为核心动机」是它区别于其他结构化工作的关键。多数信息抽取工作关心的是「抽出有哪些发现」，这套关心的是「抽出的发现里哪些属于当前影像、哪些属于相对既往的描述」。前者是抽取任务，后者是数据清洗任务。

「以实体属性为扩展手段」说明扩展的方式不是加实体类型，而是给已有实体挂属性。属性是可选的，不挂就表示默认值。这个设计控制了标注成本——绝大多数实体不需要挂属性，只有少数需要。

1.2 实体与关系的完整清单

类别	名称	允许的主体与客体	含义
实体	解剖（ANAT）	—	与某观察对应的身体部位
实体	存在的观察（OBS-P）	—	可识别的病理过程、诊断或所见，默认类型
实体	缺失的观察（OBS-A）	—	上下文含否定修饰的观察
实体	不确定的观察（OBS-U）	—	上下文含不确定修饰的观察
实体	位置属性（LOC-ATT）	—	特殊空间关系的补充，如「终止于上方二点三厘米」
关系	提示（Suggestive-Of）	观察对观察	主体的存在可推断或继发于客体
关系	位于（Located-At）	观察到解剖	观察与部位的空间关系
关系	修饰（Modify）	同类对同类	大小、变化、程度、范围等修饰
关系	部分（Part-Of）	同类对同类	主体是客体的一部分或属性

比 RadGraph 多出来的有三处：位置属性这个实体类型、部分这个关系类型，以及下面要讲的三个实体属性。

位置属性的存在理由值得单独说。RadGraph 里「位于」只能表达「观察在某个部位」，但报告里还有更细的空间描述，比如「膈下游离气体，位于右膈下约二点三厘米处」。这里的「二点三厘米」不是解剖部位，也不是观察，而是一个量化的位置修饰。原方案没有合适的位置安放它，只能丢掉。把它单独成一类实体，并用「观察—位于—位置属性—位于—解剖」这条链表达，信息就保住了。

部分关系是从修饰关系延伸出来的。区别在于：修饰说的是「这个观察有多大、多严重」，部分是「这个观察属于哪个更大的结构」。举例来说，「血管」与「肺」之间是部分关系，「轮廓」与「肺门」之间也是部分关系。多这一层的好处是让「位于」的客体更准确——一旦引入部分关系，同一个观察的「位于」目标可能就与 RadGraph 不同了。

1.3 三个实体属性

属性是这套方案的核心，也是使用难度最高的部分。

正常性取两个值：正常、异常。标在存在的观察与缺失的观察上。

关键在于它默认不标。设计上假定：存在的观察默认描述异常，缺失的观察默认描述正常。这两种默认情形占绝大多数，若每条都标，标注量会翻几倍而信息增量很小。只有当出现非默认情况时才标——比如「双肺清晰」里的「清晰」是一个存在的观察，但它描述的是正常，所以要挂上「正常」。

这个默认值设计有一个副作用：读数据时若看到某实体没有正常性属性，不能推断它「未标注」，只能推断「取默认值」。两种理解在语义上不同，写代码时若把缺失当未知来处理，会引入错误。

动作取两个值：可删、不可删。只标在观察上。

它回答的问题是：把这个实体连同指向它的关系一起删掉，整组观察的意思会不会变。「心影轮廓稳定」里的「稳定」不可删，删了这句话就没了核心意思；「心影增大，但稳定」里的「稳定」可删，删了「心影增大」仍然成立。

这个区分直接服务于数据清洗。可删的实体携带的是间隔信息，应当在训练生成模型前剥离；不可删的实体携带的是当前影像的信息，必须保留。有了这个属性，剥离就从「凭规则猜」变成了「按标注删」。

变化取三个值：正向、负向、不变。也只标在观察上。

它表示相对某次既往检查的进展。典型例子是「稳定」标为不变、「增大」标为正向、「缩小」标为负向。变化属性通常与动作属性同时出现——一个描述间隔变化的词，往往也正是可删的。

三个属性合起来，构成了一条从「报告文本」到「当前影像描述」的转换路径：找到所有可删的实体，连同其变化属性一起剥离，剩下的就是纯粹描述当前影像的部分。这条路径是这套数据最实用的产出。

1.4 为什么不去改 RadGraph 而要另立一套

这是一个合理的问题，答案在条目页的叙述里。

RadGraph 的设计目标是「以一致的方式捕捉报告里最具临床相关性的信息」，它服务的是信息抽取与知识图谱构建，不是报告生成。对生成任务来说，缺的不是「有哪些发现」，而是「哪些发现属于当前影像」。

在 RadGraph 上直接改会遇到两个问题。第一，改动会破坏与原有标注的兼容性，已有的大量下游工作会受影响。第二，RadGraph 的标注已经完成，重新标注的成本极高。

另立一套、并明确声明「兼容版本可以达到多少一致率」，是一个折中：既保住了可迁移性（把新方案降级就能与旧方案比），又不必受旧方案的表达力限制。

条目页给出的兼容性数字是：降级后与 RadGraph 的实体类型一致率 92.7%，关系类型 77.3%。前一个数字说明两套方案对「什么是实体、是什么类型」的判断高度一致；后一个数字明显低，说明关系层的分歧较大，这也在预期之内——毕竟新方案多了一个关系类型，且部分关系的引入改变了「位于」的客体。

1.5 与前后两代工作的位置

往上看，RadGraph 是它的直接基础，提供了实体关系的基本框架与全部标注起点。

往下看，它的产出被用于报告生成。条目页的定位是「用信息抽取规范化训练数据」，即把非结构化的报告转成结构化表示，再用这个表示去训练或约束生成模型。

旁边还有一条线是纯生成侧的评测工作，关心的是「生成得好不好」。这套数据不解决评测，只解决输入侧的规范化。两者的关系是：输入规范化做好了，评测才有意义；否则模型学到的是被去标识污染的目标。

1.6 三个规模数字的口径

同一套数据有三个规模，混用会出错。

六百份是人工标注总量：四百二十五训练、七十五验证、五十 MIMIC-CXR 测试、五十 CheXpert 测试。前四项加起来正好六百。

二百二十七千八百三十五份是模型自动标注的 MIMIC-CXR 报告数。这一批没有人审。

两套测试指的是 test.json 里五十加五十，另有 test_mimic.json 与 test_chexpert.json 把这两部分单独拆出来。所以「测试集有多大」这个问题有两个答案：整体一百份，分来源各五十份。

还有一处容易混淆：训练与验证全部来自 MIMIC-CXR，CheXpert 只出现在测试里。这意味着「跨机构泛化」的检验只用了五十份样本，且这五十份从未参与训练。数字虽小，方向是对的——比在同源数据上自评要诚实。

§2 数据构成：五个文件与两种键名

2.1 文件树

cxrgraph
├── manual_data
│   ├── train.json
│   ├── dev.json
│   ├── test.json
│   ├── test_mimic.json
│   └── test_chexpert.json
├── inference.json
├── examples.pdf
├── data_dictionary.md
└── README.md

结构很简单：一个目录放人工标注，一个文件放模型推理，三个辅助文件。

examples.pdf 值得一看——它把同一句话在 RadGraph 与本方案下的标注并排画出来，是理解扩展点最直观的材料。很多方案文档写十页不如一张对照图。

2.2 一行标注的五个键

人工标注的每一行是一份报告，五个键。

doc_key 是标识。MIMIC-CXR 的报告用相对路径，形如 p10/p10001884/s58196907.txt；CheXpert 的报告用一个数字，形如 17。两种标识格式完全不同，写跨数据源的脚本时必须分支处理。

sentences 是分词结果，两层嵌套：第一层是句子，第二层是词。分词来自 RadGraph，句子按句号切分。这意味着句子边界完全依赖句号，遇到缩写（如 vs. 表示 versus）可能误切。

ner 是实体，三层嵌套的语义：句子、句内实体、实体的三个元素（起止下标、类型）。下标是相对整份报告的字符偏移，不是相对句子。这一点极易搞错——若按句子解析下标，全部会错位。

relations 是关系，五个元素：主体起止、客体起止、关系类型。同样用报告级字符偏移。

entity_attributes 是属性，五个元素：实体起止、正常性、动作、变化。三个属性取值中，未赋值的一律写 NA。若三个都是 NA，这个实体不出现在列表里。

最后这一条对统计有直接影响。若你想数「有多少实体挂了属性」，不能数列表长度再除以三，也不能假设每个实体都出现。正确做法是先按实体下标去重，再看哪些下标在属性列表里出现。

2.3 推理文件的键名差异

inference.json 的结构与人工标注平行，但键名前缀不同：pred_ner、pred_rel、pred_attr。

这个设计的用意很清楚——防止把模型输出与人工标注混在一起。写代码时若用同一套解析函数读两类文件，会因键名不同而报错。稳妥做法是写一个包装函数，按文件类型决定键名映射。

还有一处差异在 doc_key：推理文件里的路径把斜杠换成了下划线，形如 p10_p10001884_s58196907.txt。这样处理后，一个路径就变成了一个不含分隔符的字符串。代价是无法再直接按目录结构去关联原库文件，需要把下划线还原成斜杠（而文件名本身也可能含下划线，还原会有歧义）。

sentences 的来源也不同：人工标注的分词来自 RadGraph，推理文件的分词用 RadGraph 提供的正则表达式重新分词。两者可能产生细微差异，做严格对齐时要留意。

下划线还原到底难在哪，值得具体说一遍。MIMIC-CXR 的报告文件路径形如 files/p10/p10001884/s58196907.txt，按一级目录、二级目录、三级目录、文件名拆成四段，段内本身不含斜杠。把斜杠换成下划线之后得到的字符串里有三个下划线，它们的位置恰好对应三段分隔。问题出在别处：MIMIC-CXR 的二级目录名与三级目录名本身可能在内部出现下划线（患者编号与检查编号的拼接方式在不同版本里改过），CheXpert 那一侧的文件命名也不完全统一。一旦某一段内部包含下划线，就无法从字符串反推哪几个下划线是分隔符、哪几个是名字的一部分。

可行的替代做法有两个，都不依赖还原。第一种是把人工标注文件里的 doc_key 与报告原路径建立一张查找表，用查找表把推理文件对应回原路径；前提是两张表的患者检查编号集合一致。第二种是不还原，直接用三段编号做连接键——从 p10_p10001884_s58196907 里取中间两段拼接成 p10001884_s58196907，只要这个组合在两侧唯一，就足以完成匹配，且不受下划线歧义影响。后一种更稳，代价是丢失目录层级信息，对需要按患者聚合做分析的场景要另外补一步。

这里有一个容易被忽略的连带影响：如果研究者打算把人工标注的六百份当作推理文件的子集去核对，那么匹配失败的报告会被静默丢弃，而不是报错。一个只匹配上五百八十份的连接操作看起来完全正常，结果是四百多份推理数据悄悄退出了评估。做这类连接时应始终打印两侧的记录数与匹配率，匹配率低于预期就要回头查键名，不要先怀疑标注本身。

2.4 标注范围的两段

条目页明确写：标注范围限于检查所见与结论两段。

这与 RadGraph 一致，理由是这两段对报告生成最重要。但这个选择有一个实际后果：报告里的对照部分、病史部分、适应证部分都不在标注内，而这些部分恰恰是「变化」属性最常出现的地方。

换句话说，若一份报告在「对照」段写「与三个月前片相比」，在「所见」段写「病灶增大」，那么标注只覆盖后者——「增大」被标为正向变化，但「三个月前」这个时间跨度不在标注里。

这个切法合理（生成模型主要学生成所见与结论），但它意味着不能用这份标注去研究时间跨度与变化幅度的关系。

2.5 划分与 RadGraph 一致的含义

条目页说数据划分与 RadGraph 完全相同。

这一句话的价值比看上去大。它意味着：同一条报告在两套数据里落在同一个划分（训练或测试），因此可以直接在同一批测试报告上比较两个方案的模型成绩，而不必担心划分差异带来的偏差。

但它也带来一个限制：不能用自己的划分重做实验，否则与作者的成绩不可比。若要交叉验证，只能另做一套并声明。

还有一处：条目页说「报告对应的患者在三套划分之间不重叠」。这是患者级划分，比报告级划分严格。这一点值得肯定——若按报告划分而不按患者划分，同一患者的多次检查会分散到训练与测试，导致性能虚高。

2.6 标注工具的痕迹

标注用 BRAT 完成，但发布的是 JSON，不含 BRAT 的原生格式。

这意味着中间产物没有保留。若想复查某条标注在标注时的原始形态（比如标注者是否犹豫过、是否有删除重标），无从查起。数据里只有最终结果。

这不算缺陷，但影响可追溯性。对想研究「标注困难在哪」的人来说，这些中间痕迹才是最有价值的材料。

§3 怎么拿到：受限访问与它的门槛

3.1 获取路径

受限访问，两层手续。

第一层是账号注册。第二层是签署 PhysioNet Restricted Health Data Use Agreement 1.5.0。

与多数凭证式条目不同的是，这一条目不要求 CITI 培训。这个差别值得注意：凭证式（credentialed）与受限式（restricted）是 PhysioNet 的两种不同等级，前者门槛更高，后者只需签署协议。很多人以为凡是拿不到直接下载的都是凭证式，其实不然。

门槛更低带来一个后果：使用者更需要对条款有自觉。因为少了培训这一道强制环节，「不得再分发」「不得尝试重识别」这些约束只能靠使用者自己遵守。

3.2 许可的具体约束

受限健康数据许可的核心约束有三条。

不得再分发。包括同机构的其他课题组，每人单独申请。

不得尝试重识别。上游的 MIMIC-CXR 已做过去标识，CheXpert 用假数据替换过隐私信息，本数据继承这些处理，但使用者仍不得做交叉匹配。

仅用于研究。商业使用需另议。

三条之外还有一条常被忽略的：成果发表时须同时引用本数据集、MIMIC-CXR 与 RadGraph。后者容易被漏，因为数据包里不含 RadGraph 的任何文件，只有标注方案沿用了它。

3.3 版本与 DOI

类型	DOI
版本 DOI（v1.0.0）	10.13026/p7kf-t860
最新版 DOI	10.13026/f2sv-v647

只有一个版本，2025 年 2 月 3 日发布。版本号写作 v1.0.0。

3.4 上游依赖的三层

层	内容	与本数据的关系
第一层	MIMIC-CXR v2.0.0	报告原文来源，提供训练、验证与部分测试
第二层	CheXpert	仅提供五十份测试报告
第三层	RadGraph v1.0.0	提供标注方案基础与标注起点

三层的依赖性质不同。第一层是内容依赖——报告文本直接来自它，没有它就无法核对；第二层是有限的测试依赖；第三层是方案依赖——不需要它的数据，但需要它的定义，否则无法理解新方案改了什么。

这个区分在做引用声明时有用：三层都要引，但引的理由不同。

3.5 存储与加载

条目页没有给出文件体积。这一点需要自己在下到数据后统计。

从规模估算：六百份手工标注的报告，每份含分词、实体、关系、属性四组嵌套结构，单份的 JSON 大概几 KB 到十几 KB；二十二万余份推理文件，按每份几 KB 算，总量在 GB 级。

加载这类嵌套 JSON 有几个实操要点。第一，不要一次全读进内存——推理文件太大，应当流式逐行处理。第二，下标是报告级的字符偏移，取文本片段时要用原始报告文本而不是分词后的列表。第三，句子切分可能丢失原文的空格，若要把实体拼回原句，需自己保留空白信息。

§4 质量与已知问题

4.1 官方披露的三项

条目页在「使用说明」里列了三条局限。

第一，标注者构成：一名跨学科数据专家、一名有医学背景的专家，标注时不参考影像，不确定时沿用 RadGraph 标签。

第二，模型在两类上明显偏弱：不确定观察的实体 F1 约七十八，提示关系的 F1 约六十九。作者给的解释是自然语言表达偏置，且这两类在原始 RadGraph 里的标注不一致更突出；同时承认长距离上下文与训练样本不足不能排除。

第三，标注不含对照与病史部分，且只覆盖胸部 X 光。

三条都写得实在，尤其第一条。承认「不参考影像」是诚实，因为这直接限定了数据的用途——它不能用来判断报告与影像是否一致。

4.2 一致性检验只在五十份上做过

条目页的流程是：两人先各自独立标五十份 MIMIC-CXR 测试报告，测出一致性；然后改为两人联合标注全量、讨论解决分歧。

一致性数字是：实体类型 97.2%、实体属性 87.3%、关系类型 91.0%。

这三个数字要看清楚适用范围。它们来自五十份试点报告，不是全量。全量数据是联合标注的产物，没有独立的双人盲标结果，因此无法从数据本身估计全量的标注噪声。

联合标注的好处是质量高、分歧被充分讨论；坏处是无法量化标注者的独立判断差异。这个取舍在人工标注项目里很常见，通常也合理——但使用时必须知道，数据里只有共识，没有分歧分布。

属性层的一致性 87.3% 是三组里最低的。这符合直觉：属性判断比实体边界判断更依赖语境理解。它也提示了一个风险——属性层的标注噪声比实体层大，而这套数据最核心的扩展恰恰在属性层。

三个属性各自的难点并不相同，笼统说「属性层最难」会掩盖真正的问题所在。按标注规范的写法逐项推演，可以大致排出难度次序。

正常性看起来最简单——实体分两类，存在的观察取异常，缺失的观察取正常，理论上一条规则就能覆盖绝大多数情形，一致性应该很高。但它有两个具体的争议面。其一，边界实体。像「肺野清晰」这样的表述，清晰究竟是「异常属性的否定形式」还是「一个正常的观察」，两种理解都能自圆其说，标注者若无明确约定就会分岔。其二，复合句。「未见气胸或胸腔积液」是一句否定了两个观察，两个实体都取正常，这没问题；但「不能除外少量积液」里，积液这个实体到底取不确定还是取异常，取决于标注者把「不能除外」理解成对观察存在性的弱肯定还是弱否定。规范里若只给了「不确定观察」这一类而没有给出判定门槛，这类句子的分歧会持续存在。

变化属性的分歧来自三分法本身。正向、负向、不变这三档在语义上是清晰的，落到具体措辞却不总是。最典型的难点是「较前相仿」与「较前无明显变化」——两者都指向不变，但严格说前者是比较结论、后者是对变化幅度的否定，若标注规范要求标注者对「变化」给出一个确定取值，两者都归不变没有争议；真正的麻烦在于「略有好转」这类带程度副词的表述，正向是确定的，但它与「明显好转」在取值上是否应当有差别，规范若只有三档就无法表达。标注者在遇到这类句子时，要么强行压进三档之一，要么留空，两种处理都会引入噪声。

动作属性的一致性最容易高估。它的取值只有可删与不可删两个，看似二分类最简单，实际判断依赖一个外部标准：删掉之后句子是否还成立。这个标准不是句法层面的，而是临床层面的。「右肺下叶实变，较前吸收」里的「较前吸收」删掉以后句子完整，语义也完整，可以删；「右肺下叶实变范围较前吸收」里的「较前吸收」若是单独成一个实体，删掉「较前」会留下「吸收」，而「吸收」本身在影像报告里是一个描述当前状态而非相对状态的词，删与不删的界线就模糊了。这意味着标注者实际上在做一次小规模的句子改写实验，而改写是否成立带有主观性。

把这三点合起来看，属性层的 87.3% 并不均匀分布在三个属性上。更可能的情形是正常性与变化相对稳定，动作因为依赖句子改写判断而拉低了整体数字。条目页没有给出分属性的一致性，所以这只是推断，无法验证。使用者的应对方式应当是把属性层噪声当作不均匀的：在用到动作属性的任务里（比如第 5.2 节那套相对观察转直接观察的流程），要预留更大的人工复核比例。

4.3 与 RadGraph 的兼容性只在两层上检验

把新方案降级成 RadGraph 兼容版本后比对，实体类型一致率 92.7%，关系类型 77.3%。

两个数字的差距说明什么。实体层的一致性高，表示两套方案对「这是不是一个实体、属于哪一类」的判断大体相同，扩展没有破坏基础。关系层的 77.3% 明显低，原因在方案设计上可以预期：新增的部分关系会改变某些「位于」关系的客体，新增的位置属性实体会插入原本直连的链条。

属性层没有比对数字，因为 RadGraph 没有属性。这意味着「这套方案在保留旧信息的同时新增了多少」这个问题，只能从实体与关系两层的数字间接推断，属性层的增量质量没有参照。

27.3 个百分点的关系层差异不算小。若有人要把 RadGraph 上训练的模型直接迁移到本数据，关系抽取部分需要重训，不能指望迁移。

4.4 自动标注没有抽检报告

二十二万余份推理数据，条目页没有给出任何人工抽检结果。

可用的替代信息只有测试集成绩：五十份 MIMIC-CXR 上实体类型 96.6%、属性 94.0%、关系 89.5%；五十份 CheXpert 上是 96.1%、89.8%、86.6%。

这些数字说明模型在同源测试集上可用。但它们不能直接推广到二十二万份，原因有三。

第一，测试集只有五十份，且是从与训练同源的数据里抽的，长尾表达未必覆盖。第二，模型在最难的几类上（不确定观察、提示关系）明显偏弱，而这几类在二十二万份里的占比未知。第三，测试集成绩是平均值，平均值掩盖了分布——可能九成的报告标得很好，一成长尾标得很差。

要判断二十二万份能用到什么程度，最实际的做法是自己抽一两百份人工核一遍，按报告复杂度分层。这件事条目页没做，是使用者该补的第一步。

4.5 属性默认值带来的读取陷阱

前面提过，属性的默认值不标。这个设计在标注阶段省了大量工作，在读数据阶段却是一个持续的陷阱。

具体表现：某实体没有正常性属性，可能是「默认正常」（缺失的观察），也可能是「默认异常」（存在的观察），还可能是「标注者认为不适用」。三种情况在数据里长得一样。

代码里若写「没有正常性就当作未标注」，统计出的缺失率会虚高。若写「没有就当默认值」，又会在真正不适用的实体上出错（比如位置属性实体本就不该有正常性）。

稳妥处理是分实体类型判断：存在的观察无属性取异常，缺失的观察无属性取正常，其他类型不适用。这个规则要写进代码常量，不能靠记忆。

4.6 分词与句子切分的隐性问题

分词来自 RadGraph，句子按句号切。

这一条带来两个可预见的问题。

第一，缩写误切。「vs.」「approx.」「Dr.」这类词里的句号会被当句子边界，导致一句话被切成两句。切分错误本身不影响实体下标（下标是报告级的），但会影响「句内关系」的统计——同一关系的主体与客体被切到不同句，就统计不到。

第二，分词与原文的空白不一一对应。多数分词会去掉多余空格，若要从分词列表拼回原文，空格数量会变。做实体文本还原时必须以原始报告为准，不能拼分词。

4.7 训练验证测试的患者级划分与它的边界

条目页说三套划分对应的患者不重叠，这是好实践。

但仍有一处需要自己确认：MIMIC-CXR 里同一患者常有多次检查，若某患者只在训练集出现一次、另一次检查落在测试集，就构成泄漏。条目页的表述是「与报告对应的患者在三套划分之间不重叠」，按字面理解应当已经避免。

实际使用时可自检：取训练集与测试集的 doc_key，抽出患者号（路径里的 p 开头那一段），求交集。若为空，说明划分干净。这一步很便宜，值得做。

§5 能做什么：五类任务与实现要点

5.1 任务一：实体关系抽取的领域适配

这是最直接的用法：用六百份标注训练一个抽取模型，在测试集上评估。

条目页给的参照成绩是：MIMIC-CXR 测试集上实体 96.6、属性 94.0、关系 89.5；CheXpert 测试集上 96.1、89.8、86.6。

实现要点有三。第一，评测要用严格匹配——实体的起止与类型都对才算对，关系的主体客体起止与类型都对才算对。宽松匹配会让数字虚高十几点，失去可比性。第二，要分层报。整体 96.6 会掩盖「不确定观察只有七十八」这个事实，而后者才是模型的真实短板。第三，跨机构测试要单独报，不能与同源测试混在一起。

模型结构上，条目页给的是一个流水线：实体用 PURE，关系用 PL-Marker，初始化权重来自 PubMedBERT。这个组合不算新，但流水线结构简单、可控，适合作为基线。

5.2 任务二：把相对观察转成直接观察

这是这套数据最独特的能力，也是它的设计初衷。

做法分三步。第一步，从标注里取出所有带「变化」属性的实体。第二步，按「动作」属性把它们分成可删与不可删。第三步，删掉可删的那些，连同指向它们的关系，剩下的就是对当前影像的直接描述。

第三步之后得到的文本，可以直接作为生成模型的训练目标，不必担心模型学到「凭空说增大」。

这个转换有一个前提需要验证：删掉可删实体后，句子是否仍然通顺、语义是否完整。举例来说，「心影增大，但稳定」删掉「稳定」后是「心影增大」，通顺；但「病灶较前缩小」里若把「较前缩小」整体当作可删，删完可能只剩「病灶」，语义大幅丢失。这类边界情形需要人工抽检一批转换结果，看转换规则是否成立。

条目页没有给出转换后的示例集，这是一个空缺。要评估这个能力，只能自己写转换脚本再抽检。

5.3 任务三：结构化监督下的报告生成

把标注当作额外的监督信号，约束生成模型输出的内容。

一种做法是两阶段：先生成文本，再抽取实体关系，与金标准图比对，用差异作为损失的一部分。另一种做法是图到文的生成：直接把结构化图作为输入，生成报告。

两种做法都需要把图转成可计算的形式。图的节点是实体（含类型与属性），边是关系。转成序列时要注意顺序——关系的方向性在序列化后容易丢失，需要用显式的方向标记。

这套数据提供的价值在于「图中含变化与动作属性」，这是其他结构化标注没有的。有了它们，模型可以学会「哪些内容属于当前影像、哪些属于间隔描述」，从而在生成时区分处理。

5.4 任务四：对照叙述的识别与规范化

单独把「对照」这一件事拿出来做，也是一个有价值的任务。

输入是一句报告文本，输出是「这句话是否含相对既往的描述」「相对的是什么」「变化方向如何」。这套数据的标注可以直接转成这个任务的训练数据。

这个任务在临床上也有独立价值。医院做质量检查时，常需要统计「多少报告含无依据的对照描述」——即报告说「与既往相比」但系统里查不到既往检查。用这套标注训练一个识别器，就能自动筛出这类报告。

5.5 任务五：中文报告的结构化改造

这套方案最值得迁移的是思路：把「相对既往」这件事从观察描述里分离出来，作为独立属性。

中文报告的对照叙述更常见，也更难处理。中文里「与某年某月片比较」「较前片」「较前」都是常见说法，且时间信息常被省略成「较前」。去标识后，这些说法会变成无指代的悬空描述。

移植需要做四件事。定义中文的实体类型（大体可沿用解剖与观察两分，但位置属性在中文里的表述更依赖量词，需要单独设计）。定义属性的取值（变化可以沿用正向、负向、不变三分，动作的两分也适用）。建立中文的不确定表达清单（「可能」「不除外」「待排」「考虑」「符合」各自的确定性程度需要重新锚定）。以及最费工的一项——标注一批中文报告，验证方案是否够用。

四件事里，第三件最容易被低估。「考虑」在中文报告里几乎等于倾向性诊断，「符合」几乎等于确定，「待排」几乎等于存疑。这三者与英文的 may、suggest、consistent with 不是一一对应，直接翻译会错。

5.6 可复现的最小路径

按官方材料，复现抽取模型的成绩需要：

1. 取得受限访问权限，签署协议
2. 下载 manual_data 下五个文件
3. 按 train/dev 训练流水线模型（PURE 加 PL-Marker，PubMedBERT 初始化）
4. 在 test_mimic 与 test_chexpert 上分别用严格匹配算微平均 F1

第四步要分开报，这是关键——把两套测试合起来算一个数，会掩盖跨机构下降。

条目页还提到代码在 GitHub 上公开。这意味着模型部分可直接复用，省掉重写的成本。但代码仓库不含数据，仍需自己申请。

5.7 DAIMS 24 项检查

维度	项	判定
文档	数据字典	是（data_dictionary.md 随包提供）
文档	采集协议	是（标注流程、工具、人员构成都写明）
文档	设备规格	不适用（无影像）
文档	标注规范	是（实体、关系、属性定义完整，含示例文件）
文档	版本历史	部分（仅一版，有发布说明但无变更记录）
文档	许可说明	是
文档	引用格式	是（含上游两层）
文档	局限披露	是（三项，写得实在）
质量	缺失披露	是（属性 NA 规则明确）
质量	信号质量说明	不适用
质量	一致性检验	部分（仅五十份试点，全量为联合标注）
质量	金标准对照	是（人工标注作为金标准）
质量	异常值处理	否（未讨论标注中的异常模式）
质量	隐私处理	是（继承上游去标识，含具体替换方式）
可得性	开放程度	否（受限访问）
可得性	下载方式	是
可得性	文件校验	否（页面未提校验和）
可得性	数据体量	否（未给文件体积）
可得性	格式说明	是（JSONL，逐键说明）
可得性	工具支持	是（GitHub 公开代码与模型）
伦理	伦理批准	是（说明上游两项均已获伦理批准）
伦理	知情同意	是（沿用上游豁免）
伦理	试验注册	不适用
伦理	去标识化说明	是（MIMIC-CXR 用连续下划线替换，CheXpert 用假数据）

二十四项中「是」十六项、「部分」两项、「否」四项、不适用两项。

未通过的四项集中在可得性与质量细节：没有校验和、没有体积、没有异常值讨论、没有全文一致性系数。前三项都是低成本可补的，第四项需要重做标注。

§6 常见误读与引用陷阱

6.1 误读一：把二十二万份当人工标注

二十二万七千八百三十五份是模型输出，不是人工标注。

人工标注只有六百份。这个比例是三百八十分之一。引用时若只写「二十二万份标注数据」，读者会以为全部有人工审核，这是实质性的误导。

准确表述应当分开：六百份人工标注加二十二万余份模型推断。

6.2 误读二：把属性缺失当未标注

前面详细说过，属性的默认值不标。缺失不等于未标注。

这个陷阱在统计上最容易出事。若算「有多少观察被标为异常」，直接数正常性属性等于异常的数量，会漏掉所有取默认值的。正确做法是按实体类型套默认规则。

6.3 误读三：以为标注能判断报告对错

标注不参考影像。这是条目页明说的。

这意味着标注只反映「报告里写了什么」，不反映「影像里实际有什么」。用这套数据训练出来的模型能判断报告是否自洽、是否符合书写规范，不能判断报告是否准确。

把两者混淆，会得出「模型能评估报告质量」的错误结论。它评估的是文本结构，不是临床正确性。

6.4 误读四：把跨机构测试的五十份当充分证据

CheXpert 只有五十份测试报告，且从未参与训练。

五十份的成绩（实体 96.1、属性 89.8、关系 86.6）说明模型在两家的书写习惯之间迁移得还行，但不构成「泛化良好」的强证据。五十份样本的置信区间很宽，且这五十份是如何从 CheXpert 里挑的、是否代表其分布，条目页未说明。

6.5 误读五：认为关系层 77.3% 一致率是失败

与 RadGraph 的关系层一致率 77.3%，看起来比实体层的 92.7% 差很多。

但这个数字的解读要看方向。本方案的关系层多了一个类型、改变了部分「位于」关系的客体，因此「不一致」中有一部分是设计意图，不是标注错误。真正该问的是：这些不一致里，有多少是新方案更准确、多少是标注分歧？条目页没有拆开这个数字。

6.6 引用时必须写清的五件事

规模分层：六百份人工加二十二万余份推断，不可合并表述。

标注不看影像：这限定了数据的用途边界。

一致性范围：97.2 与 87.3 与 91.0 都来自五十份试点，不是全量。

测试集构成：一百份测试里五十份来自另一家机构，跨机构成绩要单独报。

上游引用：本数据集、MIMIC-CXR、RadGraph 三者都要引。

§7 在生态中的位置

7.1 结构化报告的三条路线

第一条是纯实体抽取，只标「有哪些发现」，代表是各类命名实体识别工作。

第二条是实体加关系，构成图，代表是 RadGraph。

第三条是实体加关系加属性，本方案属于这一条。它的增量在于「同一个实体在不同语境下的角色不同」这一层。

三条路线的成本递增：第一条每份报告标注几分钟，第二条十几分钟，第三条更久。收益也递增：属性层提供的信息是前两条给不了的。

7.2 与报告生成评测工作的分工

同一个领域里还有一类工作在做「生成得好不好」的评估，做法是请医师逐条数错误、判显著性。

两类工作的方向相反：这一类在输入端做规范化，那一类在输出端做评估。两者互补——输入不规范，评估会被污染；输出不评估，规范化做得对不对无从验证。

实际研究中，把两者结合是自然的：用规范化后的数据训练，用医师评估的数据检验。这条链目前还没有完整走通的公开工作。

7.3 长期可用性判断

受限访问、单一版本、依赖上游三项数据，这三点决定了可用性中等。

风险有三。第一，上游依赖多：MIMIC-CXR、CheXpert、RadGraph 任一修订，本数据的对应关系都可能失效，尤其是 doc_key 里的路径。第二，CheXpert 的访问条款独立于 PhysioNet，若其政策变化，那五十份测试报告可能无法继续提供。第三，无更新：2025 年发布后未修订，而报告生成模型迭代很快。

7.4 适合谁用

使用者	适合做的事	不适合做的事
信息抽取研究者	实体关系属性联合抽取、跨机构泛化	影像-文本一致性研究
报告生成开发者	结构化监督、相对观察剥离	直接生成（需自己写转文本模块）
放射科质控	对照叙述的自动识别	判断报告临床准确性
方法学者	属性化标注方案的迁移设计	用它做多模态预训练

§8 总结

这套数据的价值不在规模，而在一处具体的设计：把「相对既往的变化」从观察描述里分离出来，变成可以单独处理的属性。

三件事决定了它的用法。第一，主体是六百份人工标注，二十二万余份是模型推断，两者不可混称。第二，属性有默认值，缺失不等于未标注，读数据时必须按实体类型套规则。第三，标注不参考影像，只能判断报告内部结构，不能判断临床准确性。

使用时守住三条：跨机构成绩单独报，一致性数字注明只来自五十份试点，上游三项数据都要引用。

它处理的是一个具体而普遍的问题——去标识让对照叙述失去参照，而训练数据里的这种失真是会被模型学进去的。这个问题的解法不止一种，但从标注方案入手是其中最扎实的一种。

§9 术语与口径速查

术语	全称	本文口径
ARRG	Automatic Radiology Report Generation	自动放射报告生成
RadGraph	—	前代标注方案，四实体三关系
ANAT	Anatomy	解剖部位实体
OBS-P	Observation-Present	存在的观察
OBS-A	Observation-Absent	缺失的观察
OBS-U	Observation-Uncertain	不确定的观察
LOC-ATT	Location-Attribute	位置属性实体，补充量化空间描述
Suggestive-Of	—	提示关系，主体可推断客体
Located-At	—	位于关系，观察到解剖
Modify	—	修饰关系
Part-Of	—	部分关系，主体是客体的一部分
Normality	—	正常性属性，取正常或异常
Action	—	动作属性，取可删或不可删
Change	—	变化属性，取正向、负向或不变
PURE	—	实体抽取模型
PL-Marker	—	关系抽取模型
PubMedBERT	—	生物医学领域预训练语言模型
微平均 F1	micro-F1	汇总所有类别的计数后算的 F1
严格匹配	strict evaluation	边界与类型都对才算正确

§10 事实清单与附录

10.1 核心事实

项	值
人工标注总量	600 份
训练集	425 份（MIMIC-CXR）
验证集	75 份（MIMIC-CXR）
测试集	100 份（50 MIMIC-CXR + 50 CheXpert）
模型推断	227,835 份（MIMIC-CXR）
实体类型数	5（RadGraph 4 + 位置属性 1）
关系类型数	4（RadGraph 3 + 部分 1）
实体属性数	3（正常性、动作、变化）
标注工具	BRAT
标注者	2 名，一名跨学科数据专家、一名有医学背景
实体一致性	97.2%（50 份试点）
属性一致性	87.3%（50 份试点）
关系一致性	91.0%（50 份试点）
与 RadGraph 实体一致	92.7%
与 RadGraph 关系一致	77.3%
发布日期	2025-02-03
DOI（v1.0.0）	10.13026/p7kf-t860
DOI（latest）	10.13026/f2sv-v647
访问等级	Restricted
许可	PhysioNet Restricted Health Data License 1.5.0
是否需 CITI 培训	否

10.2 模型成绩

测试集	实体类型 F1	属性 F1	关系 F1
MIMIC-CXR（50 份）	96.6%	94.0%	89.5%
CheXpert（50 份）	96.1%	89.8%	86.6%

两类短板：不确定观察的实体 F1 约 78.3%，提示关系的 F1 约 68.6%。

另有一处数字需要说明：条目页摘要段给出 MIMIC-CXR 上实体 96.6%、属性 94.0%、关系 89.5%，正文模型段给出 96.62%、94.04%、89.50%，两者一致，只是小数位不同。CheXpert 摘要给 96.1%、89.8%、86.6%，正文给 96.06%、89.79%、86.64%，同样一致。

10.3 三个属性的取值与默认

属性	取值	默认情形	挂载对象
正常性	正常、异常	存在的观察默认异常，缺失的观察默认正常	存在的观察、缺失的观察
动作	可删、不可删	无默认，出现即标	观察
变化	正向、负向、不变	无默认，出现即标	观察

属性未赋值时写 NA。三个属性全为 NA 的实体不出现在属性列表里。

10.4 附录 A：读一份标注的最短代码

import json

-- 逐行读，推理文件太大，不要一次全读进内存
def load(path, is_infer=False):
    kn = 'pred_ner' if is_infer else 'ner'
    kr = 'pred_rel' if is_infer else 'relations'
    ka = 'pred_attr' if is_infer else 'entity_attributes'
    with open(path) as f:
        for line in f:
            d = json.loads(line)
            yield d['doc_key'], d['sentences'], d[kn], d[kr], d[ka]

-- 统计某类型实体的数量：下标是报告级偏移，需按元组去重
def count_entities(ner, etype):
    seen = set()
    for sent in ner:
        for ent in sent:
            start, end, t = ent
            if t == etype:
                seen.add((start, end, t))
    return len(seen)

-- 属性默认值规则必须显式写，不能靠缺省
DEFAULT_NORMALITY = {'OBS-P': 'Abnormal', 'OBS-A': 'Normal'}

def attr_of(ent, attrs):
    start, end, t = ent
    for a in attrs:
        if a[0] == start and a[1] == end:
            return a[2:]           # 正常性、动作、变化，NA 表示未赋值
    return (None, None, None)

def effective_normality(ent, attrs):
    n, _, _ = attr_of(ent, attrs)
    if n and n != 'NA':
        return n
    return DEFAULT_NORMALITY.get(ent[2])

这段代码有四个前提。

第一，实体下标是相对整份报告的字符偏移，不是相对句子。按句子解析会全部错位。

第二，实体可能在不同句子里重复出现（同一区间被标两次），去重必须按区间加类型的三元组。

第三，属性列表里只有挂了属性的实体，未挂的不出现。查属性时要按区间匹配，匹配不到就套默认规则。

第四，推理文件的键名前缀不同，读两类文件要用不同的键名映射，否则取不到值。

10.5 附录 B：六个可立即验证的疑问

1. 二十二万余份推断数据的人工抽检结果是多少？
2. 六百份标注里，各实体类型的分布如何，属性挂载率是多少？
3. 与 RadGraph 的 27.3 个百分点关系层差异，有多少是设计意图、多少是标注分歧？
4. 五十份 CheXpert 测试报告是如何从 CheXpert 中抽取的，是否分层？
5. 把相对观察转成直接观察后，有多少比例的句子语义仍完整？
6. 属性层的一致性 87.3% 在哪些属性上最低？

这六个问题条目页均未回答。第一个与第五个对实际使用的影响最大。

10.6 附录 C：证据链

本文数字来自 PhysioNet 条目页 v1.0.0，包括：六百份人工标注及其四段划分、二十二万七千八百三十五份推断、五个实体类型与四个关系类型与三个属性的定义、属性的默认规则与 NA 写法、标注工具与两名标注者的构成、五十份试点的一致性三数字、全量联合标注的流程、与 RadGraph 的两层一致率、模型结构与初始化权重、两组测试成绩与两类短板、三项官方局限、两个 DOI、发布日、许可类型与是否需培训、文件树与五个键的定义。

凡条目页未给出而本文提及的结构性判断（文件体积、二十二万份的抽检质量、属性挂载率、转换后的语义完整度），均标注为待核实并列入附录 B，未作推断性填充。

编辑说明

核验时点：2026 年 10 月 19 日，依据 PhysioNet 条目页 v1.0.0。

核验方式：条目页逐段读，重点核对标注方案的定义、属性的默认规则、标注流程与一致性检验的范围、模型成绩的两组数字、三项局限原文。摘要与正文的同组成绩逐位比对，确认只有小数位差异，无实质矛盾。

口径处理：六百份与二十二万余份严格分开表述，不用「数据集含二十二万份标注」这类合并说法。一致性三数字一律注明「五十份试点」，不外推为全量。跨机构成绩单独列，不与同源测试混。属性缺失的三种含义在正文与附录中各说明一遍，避免被读成单一含义。

未覆盖内容：因条目为受限访问，未能下载数据核对实体分布、属性挂载率、文件体积。二十二万余份推断数据的人工质量未经验证，条目页也未提供。转换后文本的语义完整度无法从条目页确认。伦理批号未在条目页给出，未代为补充。

---

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：

• radlex — 共享标签：影像-文本对齐 / 命名实体识别
• ms-cxr — 共享标签：影像-文本对齐 / X光影像
• radgraph — 共享标签：关系抽取 / 命名实体识别
• rad-eval-x — 共享标签：影像-文本对齐 / X光影像
• openi — 共享标签：影像-文本对齐 / X光影像
• bc5cdr — 共享标签：关系抽取 / 命名实体识别
• biored — 共享标签：关系抽取 / 命名实体识别
• thyme — 共享标签：关系抽取 / 命名实体识别
• genia — 共享标签：关系抽取 / 命名实体识别
• rexgradient-160k — 共享标签：影像-文本对齐 / X光影像

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。