信息速览
INFOBOX — DAROCT 一屏速览
维度 内容 本质 MICCAI 2026 官方挑战赛：跨厂商视网膜 OCT 分割的域适应（domain adaptation），附公开 example dataset 与受控正式数据集 双口径 DAROCT（MICCAI 官方注册/Zenodo）= DA-OCT（官网 daoct.org/Codabench/新闻报道），同指一个挑战（坑 1） 类别 Domain adaptation; Segmentation（MICCAI 官方登记） 数据底座 NIH Bridge2AI AI-READI v3：2,280 人、358,999 文件、约 3.82 TB、7 台影像设备（项目期 2022-2026） 挑战设备 OCT 四厂商四机型：Topcon Maestro2、Topcon Triton、Zeiss Cirrus、Heidelberg Spectralis 双任务 黄斑 macula B-scan 分割 + 超广角 widefield 扫描分割 标注 held-out 测试集由 Moorfields Eye Hospital 9 位视网膜专家逐层勾画金标准 核心模式 compute-to-data：数据不出安全服务器，参赛队提交容器化代码进域执行，只返回评估结果 评估平台 Codabench（QTIM challenges 实例，competition ID 42）；官方基线镜像 bearceb/daoct-baseline:latest 参赛规模 107 名参赛者；提交总数 461（平台页）/467（赛后新闻）双口径存照（坑 5） 终榜 冠军队 yzjaxon（Yale BIDS）final score 0.8068（macula+widefield 合并） 奖项 第 1 名 $2,000、第 2 名 $500、第 3 名 $250、Efficiency Prize $500（top-5 中计算足迹最小者） 发布 Zenodo 记录 19733060 v1（2026-04-24，含挑战章程全文）；example dataset 公开下载 许可 挑战数据 Custom data usage agreement；全量数据无下载通道 库内互链 retouch(321)、octid(697)、oct2017(311)、rose(331)、octa-500(341)、bridge2ai-voice(66)、miccai-surgt(83)
DAROCT（官方亦简称 DA-OCT，两者同指，见坑 1）是一个「让眼科 AI 学会换设备」的挑战赛工程：它不发布一个可以整体下载的新数据集，而是把 NIH Bridge2AI 计划的 AI-READI 糖尿病眼底多模态队列锁进安全服务器，只公开一份结构与真实数据完全对齐的 example dataset；
参赛队提交容器化训练代码，在受控环境内接触四家厂商 OCT 设备拍摄的真实影像，训练出能在厂商之间「迁移不掉链子」的视网膜分割模型。
评估在 Codabench 平台完成，107 名参赛者经过至 2026 年 9 月中旬的提交期，Yale BIDS 队以 0.8068 的合并终分登顶。
导语读法三则：
- 只想下数据：直奔 §5 获取与许可——能直接下载的只有 example dataset；
AI-READI 底座走 FAIRhub 申请；
挑战正式数据根本没有下载通道，这是本条目与库内几乎所有 OCT 条目的最大差异。 - 关心跨厂商泛化：直奔 §2 问题域与 §6 评估——六维厂商差异与六条域适应方法谱系是理解这个挑战的钥匙。
- 研究数据治理：直奔 §5.2 compute-to-data 模式——「代码进域、数据不动」的完整流程在库内是首例条目化样本。
30 秒关键数字卡（全部经三源互证，冲突处标注坑点编号）：
- 挑战参赛者：107 人（Codabench 与 Yale 新闻一致）。
- 提交总数：461（平台快照）/ 467（赛后新闻），并注引用（坑 5）。
- 冠军终分：0.8068（macula + widefield 合并 final score，指标名未公开——坑 8）。
- 每队提交上限：5 次/阶段。
- 提交期：至 2026 年 9 月中旬收官。
- 底座 AI-READI v3：2,280 人 / 358,999 文件 / 约 3.82 TB。
- Mini 版：100 人 / 179.68 GB。
- 底座目标规模：4,000 人（三站点，四分层各 1,000）。
- 影像设备：7 台；OCT/OCTA 厂商 4 家。
- 标注团队：Moorfields 9 位专家 + 2 位协调。
- 组织者：Zenodo 记录 7 位创建者，3 家机构。
- 奖池：$3,000（$2,000+$500+$250）+ 效率奖 $500。
§0 导读：这个数据集解决什么问题
眼科是医学 AI 落地最快的领域之一，但视网膜光学相干断层成像（OCT，Optical Coherence Tomography）有一个几乎所有临床 AI 团队都撞过的墙：换一台设备，模型就掉分。
商用 OCT 设备在六个维度上存在系统性差异——采集协议（acquisition protocols）、轴向与横向分辨率（axial/lateral resolution）、噪声特性（noise profiles）、图像缩放（image scaling）、扫描模式（scanning patterns）、专有后处理算法（proprietary post-processing）。
这六重差异叠加成所谓的 vendor domain shift（厂商域偏移）：在一个厂商数据上训练到 0.95 的分割模型，换到另一个厂商的影像上可能跌到不可用的水平。
而真实的眼科诊所恰恰是多厂商共存的——不同年代采购的设备、不同供应商的机器同时在线，设备更换更是常态。
这意味着单一厂商模型在真实世界存在可靠性、可复现性与公平性三重问题：使用老旧设备或小众设备的人群，承担了更多的算法偏差。
学术界的回应是一个庞大的方法家族——域适应（domain adaptation）：从图像协调（image harmonization，把不同厂商的影像「调」成同一风格）、潜空间特征对齐（latent-space feature alignment，让模型内部表征忽略厂商信息）、跨域自监督与对比学习（self-supervised/contrastive learning）、风格迁移（style transfer）、对抗训练（adversarial training），到更严苛的域泛化（domain generalization，完全不接触目标域数据）。
方法很多，但缺一个公开、多厂商、带专家金标准、可公平对比的基准考场——这正是 DAROCT 的位置。
DAROCT 的回答分三层。
第一层是数据：以 NIH Bridge2AI 计划的 AI-READI 队列（2 型糖尿病眼病多模态数据集，v3 版 2,280 名参与者、约 3.82 TB）为底座，抽取四家厂商 OCT 设备的 B-scan 影像，构成 macula 与 widefield 双任务；
held-out 测试集由 Moorfields Eye Hospital 九位视网膜专家逐层勾画金标准，且包含训练中未见过的厂商。
第二层是治理：全量数据不出安全服务器，参赛队提交容器化代码在受控环境执行、只返回评估结果——compute-to-data 模式让「大规模敏感影像的公开竞赛」与「严格数据治理」第一次不必二选一。
第三层是方法论：官方章程明确列出六条域适应方向作为评估范围，配合公开的 Docker 基线镜像与 Codabench 自动评估，让不同方法在同一考场公平对分。
与四个相邻概念的快速区分（详见 §9）：
| 概念 | 与 DAROCT 的关系 | 一句话区分 |
|---|---|---|
| AI-READI | 数据底座 | AI-READI 是队列数据集本体，DAROCT 是其上的挑战赛与受控考场 |
| RETOUCH（rid 321） | 前代多厂商 OCT 挑战 | RETOUCH 公开分发多厂商数据，DAROCT 数据不下载、考域适应 |
| OCTID（rid 697） | 跨厂商标注数据集 | OCTID 把厂商当数据属性，DAROCT 把跨厂商当考核目标 |
| OCT2017（rid 311） | 领域起点 | OCT2017 确立了 OCT AI 任务可行性，DAROCT 处理其后的部署问题 |
条目双属性说明：本条目既是「数据集条目」也是「挑战赛条目」——它的可获取事实、规模事实与时效性都随挑战生命周期（筹备→提交→颁奖→出版）漂移。
本条目锚定的时间断面是 2026-10-08/09（提交收官后、MICCAI 2026 会场前），这个断点选择让「终榜已定、总结未出」的中间态被完整记录——这是挑战赛条目独有的档案价值。
§0 读法三则：
- 这个条目是「挑战赛+受控数据集+公开样例」三合一：example dataset 公开可下载、正式数据只进不出、底层 AI-READI 走 FAIRhub 申请——三层获取路径各不相同（§5）。
- 全文核心数字（107 参赛者、460+ 提交、0.8068 终分、AI-READI v3 规模）均出自 Zenodo 章程、Codabench 平台页与 Yale 新闻三源互证；
冲突处（461 vs 467 等）已在 §10 坑点与附录 G 存照。 - 检索时注意：DAROCT 不在 MICCAI 2025 官方挑战列表里——它属于 MICCAI 2026 赛季（坑 4），且官网域名 daoct.org 会 302 跳转到 Codabench 实例（坑 3）。
0.1 检索者画像与路径速查
不同检索目的对应完全不同的入口与耗时预算。下表是四类典型画像的最短路径：
| 画像 | 第一入口 | 第二跳 | 预算提示 |
|---|---|---|---|
| 数据使用者（想拿影像） | Zenodo 19733060（example dataset） | §5 获取与许可 | 全量影像拿不到，别浪费时间找「网盘」——不存在 |
| 方法研究者（域适应） | §2 问题域 + §2.3 谱系表 | §6 评估机制 | 六条谱系是官方口径，非文献归纳 |
| 数据治理/建库研究者 | §5.2 compute-to-data | §8 方法学启示 | 关注 schema 等价样例与效率奖设计 |
| 综述/引用写作者 | 附录 A 速查卡 + 附录 C 证据链 | §10 避坑清单 | 引用前必读坑 1/5/8，避免双口径翻车 |
一个共性提醒：本条目所有「官方口径」都有快照时点（2026-10-08/09），挑战赛页面是活的（阶段、榜单都会变），引用时请连同快照时点一起标注——这是挑战赛类条目与静态数据集条目最大的引用差异。
另一个使用提示：本条目正文中所有指向外部资源的链接性信息（DOI、域名、镜像名、仓库路径）均收集在 §5 与附录 C/D 中——正文叙述为了可读性会重复提及这些标识符，但以 §5 的表格为权威版本，若发现叙述与表格不一致，以表格为准并在维护时修正叙述。
§1 数据集速览：十问十答
Q1：DAROCT 和 DA-OCT 是什么关系？
同一个挑战的两个缩写。
DAROCT 是 MICCAI 官方挑战注册与 Zenodo 记录（19733060）使用的口径，全称 Domain adaptation for solving multivendor retinal optical coherence tomography dependence in deep learning models；
DA-OCT 是官网 daoct.org、Codabench 平台页与媒体报道使用的口径。
组织者宣传帖中还有一个简化表述「Domain Adaptation for consistent multivendor segmentation in macular OCTs」，属宣传语而非注册名。
检索两个名字都应命中本条目。
Q2：「多厂商依赖」到底难在哪？
六重系统差异：采集协议不同（扫描密度、采样间隔）、轴向/横向分辨率不同（同一视网膜在不同设备上呈现不同尺度）、噪声特性不同（散斑模型与信噪比各异）、图像缩放不同（像素间距标准不一致）、扫描模式不同（B-scan 间距与覆盖范围）、专有后处理不同（各家去噪/增强算法改变了影像的固有纹理）。
后两者尤其致命——后处理是黑盒，模型很容易学到「厂商指纹」而非视网膜结构。
Q3：数据从哪来？
NIH Bridge2AI 计划的 AI-READI 数据集（Artificial Intelligence Ready and Exploratory Atlas for Diabetes Insights，官网 aireadi.org，注意坑 2）。
v3 版收录 2,280 名参与者的多模态检查，共 358,999 个文件、约 3.82 TB，含 7 台影像设备；
挑战从中抽取 OCT/OCTA 四厂商设备（Topcon Maestro2、Topcon Triton、Zeiss Cirrus、Heidelberg Spectralis）的影像。
AI-READI 由华盛顿大学、约翰霍普金斯等 8 家机构联盟采集，基金号 OT2OD032644。
Q4：任务具体是什么？
双任务线：macula（黄斑）任务对 B-scan 断层图做视网膜结构分割；
widefield（超广角）任务对大范围扫描做分割。
两者合并计入终榜分数。
评估范围涵盖六条域适应路线：图像协调、潜空间特征对齐、跨域自监督/对比学习、风格迁移、对抗训练、域泛化。
Q5：金标准谁标的？
held-out 测试集由 Moorfields Eye Hospital（伦敦摩尔菲尔德眼科医院，世界最大的眼科中心之一）的 9 位视网膜医生/专家逐层人工勾画，另有 2 人负责协调组织。
这些影像包含训练中未见过的厂商——这正是「泛化到 unseen vendors」考核的考点所在。
Q6：我现在能拿到什么？
三层：example dataset 公开下载（Zenodo 记录 19733060，由公开 OCT 集合生成、schema 与受控数据完全对齐）；
挑战正式数据没有下载通道，只能以容器化提交方式在安全环境内使用（compute-to-data）；
底层 AI-READI 全量数据经 FAIRhub 平台（fairhub.io）按数据使用协议申请。
Q7：评估怎么做的？
Codabench 平台（QTIM challenges 实例，competition ID 42）：参赛队上传 Docker 容器，平台在受控环境内执行训练/推理，返回 held-out 测试集上的评估指标。
官方提供基线镜像 bearceb/daoct-baseline:latest。
每队每阶段最多提交 5 次。
Q8：结果如何？
107 名参赛者参与，提交总数 461 次（平台页快照）或 467 次（Yale 赛后报道，双口径存照）。
冠军为 Yale BIDS 队（用户名 yzjaxon：Jaxon Zhang、Rong Zhou、Younjoon Chung，同属 Qingyu Chen 实验室），final score 0.8068，以微弱优势领先第二名。
评估指标的官方名称未在公开页面明示（坑 8）。
Q9：为什么评估要绕一大圈，不直接发数据？
因为 AI-READI 是大规模人体受试者数据，就算脱敏，全量影像的公开分发仍涉及严格的数据治理义务。
compute-to-data 把「数据给谁」问题转化为「代码过不过审」问题：数据永远在安全域内，只有经过组织者审查的容器才能接触它。
这在保证公平竞赛的同时，把隐私风险压到最小——代价是参赛者不能把数据拖回本地慢慢调参（效率奖 Efficiency Prize 正是为奖励计算足迹最小的方案而设）。
Q10：为什么它对 AI-Ready 重要？
它是「数据可用但数据不动」的教科书样本：AI-Ready 通常被理解为「开放许可+机器可读格式」，DAROCT 展示了另一极——当数据规模与敏感度上升到全量分发不现实时，可访问性可以由受控计算环境兑现，可互操作性由公开 schema 与 example dataset 兑现，可发现性由 Zenodo/官方平台兑现。
对评估 AI-Ready 的可获取性维度，它提供了「公开直链」之外的另一种及格形态。
1.1 十问答案一览表
懒得逐问读的话，一屏对完所有答案：
| 问 | 一句话答案 | 详读 |
|---|---|---|
| Q1 双缩写 | DAROCT（注册/Zenodo）= DA-OCT（平台/新闻），同指一个挑战 | 坑 1 |
| Q2 难点 | 六维厂商差异叠加成 vendor domain shift，后处理黑盒最致命 | §2.1 |
| Q3 数据来源 | NIH Bridge2AI AI-READI v3：2,280 人/358,999 文件/约 3.82 TB | §3.1 |
| Q4 任务 | macula + widefield 双任务分割，六条域适应谱系同台计分 | §2.3/§3.2 |
| Q5 标注 | Moorfields 9 位视网膜专家勾画 held-out 金标准，含未见厂商 | §4 |
| Q6 能拿什么 | example dataset 公开；正式数据无下载通道；底座走 FAIRhub | §5 |
| Q7 评估机制 | Codabench 容器提交→受控执行→指标返回，每阶段 5 次上限 | §6.1 |
| Q8 结果 | 107 人参赛、460+ 提交、冠军 yzjaxon（Yale BIDS）0.8068 | §6.2 |
| Q9 为何绕圈 | 敏感人体数据全量分发不现实，compute-to-data 是治理与公开的平衡 | §5.2 |
| Q10 AI-Ready 意义 | 可获取性的「受控计算」及格形态，库内首例条目化 | §8.1 |
表中的坑点编号与 §10 一一对应，详读章节给出的是完整口径——本表仅作定位器使用。
1.2 十个高频检索词的命中点
用搜索引擎找本挑战的人，大多会输入以下检索词之一。逐词给出「会命中什么」的地图：
| 检索词 | 会命中 | 不会命中 |
|---|---|---|
| DAROCT | MICCAI 注册信息、Zenodo 19733060、本条目 | Codabench 平台页（用 DA-OCT） |
| DA-OCT | daoct.org、Codabench 42、Yale 新闻、LinkedIn 帖 | MICCAI 注册页（用 DAROCT） |
| DA-OCT challenge | Codabench 平台页与媒体报道 | — |
| multivendor OCT segmentation | 方法文献、本条目 §2 | AI-READI 官网（不含挑战语境） |
| AI-READI | aireadi.org、FAIRhub、Bridge2AI 公告 | 挑战平台（需再跳转） |
| ai-readi.org | 停放页「Coming Soon」（坑 2） | 任何实质内容 |
| fairhub daroct | FAIRhub 平台（AI-READI 版本链） | 挑战正式数据（不在 FAIRhub） |
| daoct.org | Codabench 42（302 后） | 独立官网内容（没有独立官网） |
| MICCAI 2025 challenges | 2025 挑战列表（无 DAROCT，坑 4） | 本挑战 |
| yzjaxon | Codabench 榜单、Yale 新闻 | 学术文献（方法稿待 TVST） |
检索词使用的三个提醒：
一，「DAROCT」与「DA-OCT」必须各搜一遍才能覆盖全部官方来源——两套口径的来源集合几乎不重叠（坑 1）；
二，搜到任何第三方「DAROCT 数据下载」页面时，先回到本条目 §5 核对合法获取路径，第三方整合页常常把 example dataset 与正式数据混为一谈（坑 10）；
三，新闻类来源（Yale/LinkedIn）的信息密度高但时效口径混乱（赛前帖与赛后报道并存），引用前先确认该文写作时点在提交收官之前还是之后。
§2 问题域：vendor domain shift 与域适应谱系
本节是全条目方法学的地基：先给出六维差异的完整清单（2.1，官方口径），再解释为什么「堆数据」不是解（2.2）、澄清域适应与域泛化的术语边界（2.2 末），然后展开六条官方评估谱系（2.3）、对照库内既有范式（2.4），最后讨论评估统计学的四个意识（2.5）。
只关心数据本身（规模/获取/许可）的读者可以跳到 §3——但建议至少读一遍 2.1 的六维表，它是理解本挑战任务定义的最短路径。
2.1 六维厂商差异：为什么「换设备」对 OCT 特别致命
DAROCT 官方章程（Zenodo 记录 19733060 摘要）把商用 OCT 设备间的系统差异归纳为六个维度，每个维度都足以单独造成模型性能漂移：
| # | 差异维度 | 英文 | 对模型的具体影响 |
|---|---|---|---|
| 1 | 采集协议 | acquisition protocols | 扫描密度、B-scan 间距、采样策略不同，输入张量的形状与信息密度不一致 |
| 2 | 轴向/横向分辨率 | axial/lateral resolution | 同一视网膜层在不同设备上的厚度以不同像素数呈现，尺度归一化失配 |
| 3 | 噪声特性 | noise profiles | 散斑噪声模型与信噪比各异，低层特征（边缘/纹理）学到的滤波器不可迁移 |
| 4 | 图像缩放 | image scaling | 像素间距与标准刻度不一致，几何度量（层厚度测量）系统性偏移 |
| 5 | 扫描模式 | scanning patterns | 黄斑区协议与超广角协议的覆盖范围、角度、网格布局不同 |
| 6 | 专有后处理 | proprietary post-processing | 各厂商去噪/增强黑盒算法改变了影像固有纹理，模型容易学到「厂商指纹」而非解剖结构 |
六维差异叠加的结果是：分割模型在训练厂商上达到的高分，迁移到另一厂商时可能骤降——且降幅方向不可预测（有的层界变得更模糊，有的层整体漂移）。
章程原文将此总结为 multivendor dependence（多厂商依赖）：深度学习模型对影像来源设备的依赖，已成为 OCT AI 临床转化的核心障碍之一。
六个维度的临床具象：
维度 1（采集协议）的典型场景是扫描密度差异：同一台设备可选高密度栅格扫描或快速稀疏扫描，稀疏协议下相邻 B-scan 间隔更大，依赖层间上下文的模型会直接失效。
维度 2（分辨率）意味着「视网膜神经纤维层的 12 个像素」在 A 设备上可能是 B 设备的 8 个像素——以像素为单位的层厚回归在任何跨设备设定下都不可比。
维度 3（噪声）上，各家散斑抑制算法的强弱不同，强去噪设备上的影像「看起来干净」，模型却可能依赖了被算法抹掉的散射细节。
维度 4（缩放）影响的是所有几何量：像素间距不统一，则层厚、曲率、面积等测量值系统性偏移，分割 mask 的面积误差混入设备因素。
维度 5（扫描模式）决定了任务形态本身——黄斑协议与超广角协议的视野、角度、网格完全不同，这正是 DAROCT 把 macula 与 widefield 拆成双任务线的原因之一。
维度 6（专有后处理）是最隐蔽的一层：厂商固件里的去噪/增强是黑盒，影像的「纹理指纹」随固件版本还可能变化，模型极易把「这台机器的样子」误当「视网膜的样子」。
2.2 为什么不能用「多训练几个厂商」糊弄过去
一个自然的反问是：把四个厂商的数据混在一起训练，不就行了吗？
DAROCT 的问题设定说明了为什么不够。
第一，真实世界不只有四个厂商——设备市场持续更替，训练时锁死厂商集合，意味着新设备进入临床时模型就要重新大修；
第二，旧设备人群的公平性问题——新技术往往先在高端新机型上验证，依赖旧设备的患者群体在算法部署时承担更多偏差；
第三，数据治理不允许「有多少拿多少」——在 AI-READI 这类敏感人体数据上，简单堆数据的成本高到不现实。
所以 DAROCT 的考核目标被明确表述为：学习 vendor-invariant（厂商不变）的表征，并在训练中未见过的厂商上可靠泛化（generalize reliably to unseen vendors）。
held-out 测试集的设计直接体现了这一点：测试影像包含训练中未出现的厂商型号，由 Moorfields 专家逐层标注金标准。
这意味着参赛方法光在已知厂商间做「均值化」不够，还必须对表征做更深层的解耦——把「视网膜结构」与「成像设备」两种信息分离。
术语边界澄清：域适应（domain adaptation）与域泛化（domain generalization）在本挑战语境下的分界线是「目标域数据可否接触」——前者允许在训练时接触目标域的无标注数据（甚至少量标注），后者完全不接触。
DAROCT 章程把两者都列入评估范围，且「generalize reliably to unseen vendors」的表述偏向后者。
与「多中心学习」（multi-site learning）的区别在于：多中心站点间的差异是采集流程差异，可以通过协议统一消除；厂商差异是设备工程差异，无法靠临床流程统一消除——后者更接近「物理层」的分布差异，这也是为什么 OCT 的 vendor 问题比一般多中心问题更顽固。
2.3 六条官方评估方向：域适应方法谱系
章程明确列出六条方法学方向作为评估范围。
这个列表本身就是一份「域适应在医学影像上的谱系速查表」：
| 方向 | 英文 | 核心思想 | 代表性做法 |
|---|---|---|---|
| 图像协调 | image harmonization | 在输入空间把不同厂商影像映射到统一风格 | 直方图匹配、标准化滤波、学习式风格归一化 |
| 潜空间特征对齐 | latent-space feature alignment | 在特征空间约束不同厂商的表征分布一致 | 统计对齐损失、批归一化重校准、度量学习 |
| 跨域自监督/对比学习 | self-supervised / contrastive learning across domains | 无标注地学习跨厂商不变表征 | 同一解剖结构的跨厂商样本互为正对 |
| 风格迁移 | style transfer | 生成式地把源域影像翻译成目标域风格 | GAN/扩散模型的跨设备影像翻译 |
| 对抗训练 | adversarial training | 用域判别器逼特征提取器抹掉厂商信息 | DANN 式梯度反转、多判别器设置 |
| 域泛化 | domain generalization | 完全不访问目标域数据，仅靠多源训练获得泛化 | 元学习、数据增广、因果表征学习 |
六条谱系的关系不是互斥而是可组合：一支典型方案可能同时用图像协调做预处理、用对比学习做预训练、用对抗项做微调。
DAROCT 不预设哪条路线更优——它提供的是同一考场与同一考卷（held-out 金标准），让六条路线第一次在「四厂商+双任务+未所见厂商」的设定下同台计分。
按资源约束选谱系的粗略指南（正式参赛前应在 example dataset 验证）：
| 你的约束 | 相对占优的谱系 | 理由 |
|---|---|---|
| 无法接触目标域数据（最严苛） | 域泛化 + 数据增广 | 合规上根本不假设目标域可得 |
| 目标域有少量无标注样本 | 自监督/对比学习 | 无需目标域标注即可对齐 |
| 允许改输入管线 | 图像协调/风格迁移 | 改动前置、对模型架构零侵入 |
| 追求最小推理开销（兼顾效率奖） | 潜空间特征对齐 | 推理期零额外开销（对抗项仅训练期存在） |
| 想快速出基线改进 | 对抗训练（DANN 类） | 实现简单、社区参照多 |
2.4 与既有 OCT 数据集评估范式的差异
库内已发布的 OCT 条目（oct2017、retouch、octid、octdl、duke-dme 等）几乎都遵循「公开下载、单域/多域混合训练、 Dice 类指标排行」的范式。
DAROCT 与它们的差异可归纳为四点：
- 任务目标是「跨设备一致」而非「单域高分」——评估的关键不是绝对分数，而是跨厂商的性能稳定性与对未见厂商的外推。
- 数据是受控资产而非公开文件——「下载-训练-自评」被「容器提交-平台执行-指标返回」替代。
- 金标准来源是独立专家团队——Moorfields 标注团队与数据采集方（美国三站点）、组织方（WashU/Colorado/Moorfields）分离，降低标注偏置。
- 竞赛目标函数显式包含效率——Efficiency Prize 专门奖励终榜 top-5 中计算足迹最小的方法，把「可持续 AI」写进激励结构，这在挑战赛设计中相当少见。
四点差异合起来看：DAROCT 实际上重新定义了「OCT 基准」这个词的三个默认值——默认任务（跨设备一致）、默认数据形态（受控）、默认评价（精度+效率双轴）。
对数据库编纂者，这四点也是判别「新条目 vs 旧条目变体」的现成检查单：当候选条目在这三个默认值上任一处与既有条目不同，就值得单独立目而非合并。
2.5 评估统计学：从「单点高分」到「跨厂商稳定性」的思维转换
传统分割基准的报告习惯是一个数字（如平均 Dice）+ 一个排名。
DAROCT 的设定让这套习惯不够用了，理解本挑战的评估需要三个统计学意识：
第一，分层报告意识。
四厂商×双任务的评估矩阵天然产生多个分数切片，最终合并为 final score 只是「汇总口径」；
分析一支方法的真实行为，应看它按厂商分层的分数离散度——离散度大说明方法仍在「偏科」，合并分再高也有部署风险。
第二，未见厂商的外推语义。
held-out 集合含训练未见厂商，意味着部分切片度量的是外推（extrapolation）而非插值（interpolation）。
外推分数的方差天然更高，小样本切片上的名次波动应在解释时保留不确定性，不宜逐名次过度解读。
第三，效率维度的量纲独立。
Efficiency Prize 的「计算足迹」（computational footprint）与预测精度是两个独立量纲：
一个方法可以精度进 top-5 同时以最小足迹拿效率奖，也可以用巨额算力换精度但与效率奖无缘。
组织者把它写进奖池，等于官方承认「可部署性」是基准分数之外的正当优化目标——这与临床 AI 的落地约束（算力预算、推理时延、能耗）直接对应。
第四，两类方差的可分离性是开放问题。
跨厂商基准上的分数波动混合了「厂商效应」（设备差异）与「人群效应」（不同站点受试者构成差异）——AI-READI 三站点的人群结构并不完全同质。
章程未公布厂商×站点的交叉设计细节，使用者无法从公开信息中把两类方差彻底分离。
这提示：把跨厂商分数差全部归因于「设备」可能是过度解释——严谨的表述是「跨采集条件差异」。
对后续引用者的含义：复述本挑战结果时，只报 0.8068 是不完整的——至少应同时说明「双任务合并口径」「未见厂商考核」「指标名称未公开（坑 8）」三个限定语，否则会放大这份基准的可比性幻觉。
§3 数据底座：AI-READI 与挑战数据构成
3.1 AI-READI 是什么：Bridge2AI 的糖尿病眼病旗舰队列
AI-READI（Artificial Intelligence Ready and Exploratory Atlas for Diabetes Insights，官网 aireadi.org）是美国 NIH Bridge2AI 计划的 Data-Generating Project（数据生成项目）之一，基金号 OT2OD032644，项目期 2022-2026。
它围绕 2 型糖尿病构建多模态、多器官的眼病研究队列，由 8 家机构联盟采集执行：California Medical Innovations Institute（FAIR Data Innovations Hub）、Johns Hopkins、Native BioData Consortium、Oregon Health & Science University、Stanford、University of Washington、University of Alabama at Birmingham、UC San Diego；
产业伙伴包括 Dexcom、Optomed、Topcon Healthcare、iCare、Heidelberg Engineering 与 Microsoft。
三个采集站点（University of Washington、University of Alabama at Birmingham、UC San Diego）按糖尿病严重程度四分层招募，各层目标 1,000 人、总计 4,000 名参与者：无糖尿病（No DM）、生活方式控制（lifestyle-controlled）、口服药控制（oral medication-controlled）、胰岛素控制（insulin-controlled）。
截至 v3 发布时点，已完成到访超过 4,055 人次。
四分层设计的临床动机：2 型糖尿病视网膜病变的进展与血糖控制方式强相关——从无糖尿病对照、到生活方式干预、到口服降糖、到胰岛素依赖，大致对应病变风险与血管损伤程度的递升梯度。
按控制方式而非单纯病程分层，让同一队列同时支撑「疾病对照研究」（患者 vs 健康）与「严重程度梯度研究」（轻 vs 重）两类设计。
对 DAROCT 的间接意义：底座人群的病变谱系宽，抽取出的 OCT 影像覆盖正常到重度病变的形态区间，跨厂商考核不至于被「全是正常眼底」的数据分布架空。
版本链与规模：
| 版本 | 发布时点 | 参与者 | 文件数 | 体量 | 获取 DOI/通道 |
|---|---|---|---|---|---|
| v2 | 2024-11-08 | 1,067 | 165,051 | 约 2 TB | DOI 10.60775/fairhub.2 |
| v3 Mini | 2025-12 | 100 | <16k | 179.68 GB | DOI 10.60775/fairhub.4 |
| v3（全量） | 2025-12 | 2,280 | 358,999 | 约 3.82 TB | DOI 10.60775/fairhub.3 |
v2 采集期为 2023-07-19 至 2024-07-31，四分层构成（train split 口径）：No DM 292 人、Lifestyle 162 人、Oral 235 人、Insulin 58 人。
v3 相对 v2 的关键扩充是：全体参与者补采 Heidelberg Spectralis OCTA，使 OCT/OCTA 数据覆盖全体队列——这正是 DAROCT 能够抽取四厂商 OCT 数据的前提。
联盟机构角色表：
| 机构 | 在 AI-READI 中的角色 |
|---|---|
| California Medical Innovations Institute / FAIR Data Innovations Hub | 联盟协调与 FAIR 数据工程（FAIRhub 平台方） |
| University of Washington | 采集站点（UW）+ 组织方人才池 |
| University of Alabama at Birmingham | 采集站点（UAB） |
| UC San Diego | 采集站点（UCSD） |
| Johns Hopkins University | 临床与方法学合作 |
| Oregon Health & Science University | 临床与方法学合作 |
| Stanford University | 临床与方法学合作 |
| Native BioData Consortium | 原住民数据治理视角（美国原住民社区生物库） |
这八家联盟 + 六家产业伙伴（Dexcom、Optomed、Topcon Healthcare、iCare、Heidelberg Engineering、Microsoft）的构成解释了一个现象：为什么 AI-READI 能同时做到「设备多样性」（产业伙伴直接贡献设备生态）与「数据标准严谨性」（FAIR 工程团队专职）——两者都是组织架构的产物，不是偶然。
影像设备矩阵（7 台）：Optomed Aurora（手持眼底）、Centervue Eidon、Heidelberg Engineering Spectralis、Carl Zeiss Meditec Cirrus、Topcon Maestro2、Topcon Triton、Heidelberg FLIO。
其中 OCT/OCTA 设备四家厂商：Topcon（Maestro2、Triton）、Zeiss（Cirrus）、Heidelberg（Spectralis）。
v3 的 B-scan 分割标注覆盖 Topcon Maestro2、Topcon Triton、Zeiss Cirrus、Heidelberg Spectralis 四设备。
多模态与格式标准详表：AI-READI 的 15+ 模态按五个模态族组织，各族的开放格式如下——
| 模态族 | 具体内容 | 开放格式 |
|---|---|---|
| 眼科影像 | 彩色眼底照、OCT、OCTA、超广角成像、荧光寿命成像 FLIO | DICOM |
| 全身指标 | 生命体征、人体测量、实验室检验 | OMOP CDM CSV / ESDS |
| 生理信号 | 心电等仪器连续信号 | WFDB |
| 行为数据 | 活动/睡眠（可穿戴） | Open mHealth |
| 问卷与访谈 | 临床问卷、糖尿病认知口语化访谈 | 结构化文本/音频 |
数据组织遵循自定义的 CDS（Clinical Dataset Structure）v0.1.1 标准。
脱敏声明：无 PHI（受保护健康信息）；性别、种族/族裔、用药信息已移除（保留聚合口径）。
AI-READI v3 关键事实总表（正文叙述的浓缩版，供快速引用）：
| 维度 | 事实 |
|---|---|
| 归属 | NIH Bridge2AI Data-Generating Project，基金 OT2OD032644 |
| 项目期 | 2022-2026（5 年） |
| 主题 | 2 型糖尿病多模态眼病队列 |
| 规模（v3） | 2,280 人 / 358,999 文件 / 约 3.82 TB |
| Mini 版 | 100 人 / 179.68 GB / DOI 10.60775/fairhub.4 |
| 目标规模 | 4,000 人（已完成到访 4,055+） |
| 站点 | UW / UAB / UCSD |
| 分层 | No DM / Lifestyle / Oral / Insulin（各拟 1,000 人） |
| 影像设备 | 7 台（4 家 OCT/OCTA 厂商） |
| 模态 | 15+（影像/生理信号/行为/问卷/访谈） |
| 格式 | DICOM / WFDB / OMOP CDM CSV / ESDS / Open mHealth |
| 数据结构 | CDS v0.1.1 |
| 分发 | FAIRhub（DOI 链）+ Azure containers |
| 脱敏 | 无 PHI；性别/种族/用药移除 |
| 官网 | aireadi.org（坑 2） |
3.2 挑战数据：从 3.82 TB 底座到双任务考场
DAROCT 从 AI-READI 底座中抽取 OCT/OCTA 影像构建挑战数据，形态分三块：
（1）example dataset（公开）。
Zenodo 记录 19733060（v1，2026-04-24 发布）托管，由公开 OCT 集合生成——注意不是真实 AI-READI 影像。
它的价值在于结构与元数据 schema 与安全服务器内的正式数据完全对齐：参赛者可在本地搭完整管线（读入-预处理-训练-导出容器），确信管线在正式环境一次跑通。
这是 compute-to-data 模式下弥补「看不见数据」损失的关键设计：schema 全透明，内容受控。
（2）训练/验证集（受控发放）。
真实 AI-READI OCT 影像，存于安全服务器，参赛者的容器在受控环境内读取训练。
确切影像张数与 train/val 划分比例官方未公布（坑 6）。
（3）held-out 测试集（专家金标准）。
由 Moorfields Eye Hospital 的 9 位视网膜医生/专家逐层人工勾画，包含训练中未见过的厂商设备。
该集合永不向参赛者暴露，是终榜排名的唯一依据。
挑战数据与底座数据的边界——一条容易忽略的口径：
「DAROCT 的数据」在严格意义上只包含上述三块；
AI-READI 底座中的其他模态（眼底照、生理信号、行为数据等）不属于挑战数据，参赛者在受控环境内接触不到，普通使用者经 FAIRhub 申请到的也只是底座而非挑战 held-out 集。
凡在行文中出现「DAROCT 数据集包含 15+ 模态」之类的表述都是底座与挑战的口径混用——正确的表述永远是「挑战数据（OCT 为主）派生自多模态底座 AI-READI」。
双任务定义：
| 任务 | 输入 | 输出 | 考核点 |
|---|---|---|---|
| macula（黄斑） | 黄斑区 OCT B-scan 断层序列 | 视网膜结构分层分割 | 高分辨率下的层界精度与跨厂商稳定性 |
| widefield（超广角） | 大视野 OCT/OCTA 扫描 | 结构分割 | 大范围扫描模式下不同扫描协议的适应 |
两个任务的分数合并计入终榜（final score 0.8068 即合并口径）。
LinkedIn 组织者帖的简写「consistent multivendor segmentation in macular OCTs」只锚定了 macula 任务，widefield 任务以官方平台任务定义为准。
example dataset 的使用边界——三条务必记住：
其一，它的影像内容来自公开 OCT 集合（非 AI-READI 受试者），因此在它上面刷出的任何分数都对正式榜单无预测力，它的作用是工程验证而非成绩预演；
其二，它与正式数据的对齐是 schema 级（字段、层级、元数据组织），不是分布级（影像统计特性可能不同），对预处理超参的敏感性要在正式环境重验；
其三，Zenodo 页面文件区动态加载，程序化抓取拿不到文件清单与体积（坑 7），引用文件级数字前需人工核实。
3.3 数据规模语境：DAROCT 在 OCT 数据集光谱中的位置
把 DAROCT 放入库内 OCT 条目的规模光谱，能看到它的独特生态位：
| 条目 | 模态/任务 | 规模量级 | 分发模式 | 厂商维度 |
|---|---|---|---|---|
| oct2017（rid 311） | OCT 分类 | 约 1 万张 | 公开下载 | 单一设备为主 |
| octid（rid 697） | OCT 分类 | 935 张、4 厂商 | 公开下载 | 数据属性 |
| octa-500（rid 341） | OCTA 分割/回归 | 500 例 | 公开下载 | 单一设备 |
| retouch（rid 321） | OCT 积液分割 | 3 厂商多中心 | 公开下载 | 混合训练 |
| DAROCT（本条目） | OCT/OCTA 分割 | 底座 2,280 人/3.82 TB | compute-to-data | 考核目标 |
光谱两端的哲学差异：公开小数据集押注的是「复用次数」（人人可下载、可反复挖掘），受控大数据押注的是「单次高质量接触」（每人接触受限、但数据规模与治理规格拉满）。
DAROCT 的存在说明：当数据规模与敏感度跨越阈值后，挑战赛可以从「分发数据」转型为「分发计算机会」。
对在建库策略的研究者，这是比任何单个数字都更有信息量的结构信号。
同时应注意光谱的中间地带并非空白——库内 dbGaP/EGA 类申请发放条目、各类 upon-request 数据集占据中间档位；DAROCT 只是把这个光谱的「受控端」推到了此前公开医疗影像基准未曾到达的位置。
§4 标注体系：Moorfields 专家金标准
4.1 标注团队构成
DAROCT 的 held-out 测试集金标准由 Moorfields Eye Hospital（伦敦摩尔菲尔德眼科医院）承担——全球规模与声誉均居前列的眼科专科中心，也是眼科 AI 研究的重镇（Moorfields 与 DeepMind 合作的 OCT 分层工作即为该机构产出）。
挑战标注涉及 11 人：
| 角色 | 人员 | 职责 |
|---|---|---|
| 标注者（9 人） | Alessia Malerba、Celeste Limoli、Paul Goupillou、Arianna Paris、Clara Rizzo、Nikolaos Bouratzis、Hagar Khalid、Josef Huemer、Abison Logeswaran | 视网膜医生/专家，对 held-out 测试影像逐层人工勾画分割金标准 |
| 协调组织（2 人） | Abraham Olvera、Cathy Egan | 标注流程协调与质量组织 |
Cathy Egan 同时位列 Zenodo 记录七位创建者之一（与 Adnan Tufail 一起代表 Moorfields 参与挑战组织），标注协调与挑战组织在同一机构内闭环，减少了「标注规范-任务定义」之间的沟通损耗。
九位标注者的个人分工（谁标哪个厂商/哪个任务、各标注多少张）官方未公布——引用时只能写「Moorfields 九人专家团队」，不可虚构「每人负责一个厂商」之类的均匀分配叙事。
这一信息缺口本身也值得记录：它是「挑战赛类基准元数据不完备」的又一实例，与坑 6（张数未公布）、坑 7（文件清单不可抓取）同属一类。
4.2 标注设计的三个特点
第一，标注方与数据来源、组织方三方分离。
数据采集在美国三站点（UW/UAB/UCSD），挑战组织在 WashU/Colorado Anschutz，金标准标注在伦敦 Moorfields——三重地理与机构分离让「谁来判定对错」独立于「谁提供数据」与「谁办比赛」，这是对评估公正性的结构性保障。
第二，标注对象是永久 held-out 的测试集。
与许多挑战赛「测试集赛后公开」的做法不同，DAROCT 的专家标注集合自始至终不暴露给参赛者（也未见赛后公开计划），评估只能经平台容器提交完成。
这杜绝了针对测试集的过拟合调优，代价是社区无法事后对金标准本身做再分析。
第三，标注覆盖跨厂商影像。
held-out 集合包含训练未见厂商的设备影像，专家标注为这些「陌生设备」的影像提供了厂商无关的解剖学真值——没有这份跨厂商金标准，「泛化到 unseen vendors」的考核就无从谈起。
三点展开说透其设计含义：
「三方分离」在挑战赛实践中并不常见——多数挑战的标注、采集、组织在相近机构甚至同一团队内完成，DAROCT 的英美跨洋分工把利益相关方拆开，评审争议的仲裁成本更低；
「永久 held-out」意味着终榜分数不可被事后「针对性优化」，同时意味着社区不能对金标准做质量审计——这是一枚硬币的两面，引用者应知悉；
「跨厂商覆盖」则直接决定了这个基准能回答的问题类型：它能回答「方法 A 在未见设备上稳不稳」，不能回答「方法 A 在某台具体设备上的绝对性能」——引用时注意问题的边界。
4.3 与库内标注体系的对照
| 数据集 | 标注方 | 标注对象 | 是否 held-out |
|---|---|---|---|
| DAROCT | Moorfields 9 位视网膜专家 | 四厂商 OCT B-scan + widefield | 是，且永久不公开 |
| RETOUCH（rid 321） | 挑战组织方多中心专家 | 三厂商 OCT 积液分割 | 赛后公开 |
| OCTID（rid 697） | 单中心标注 | 四厂商 OCT 分类 | 公开 |
| AI-READI 底座 | 联盟内标注体系 | 多模态全体 | 底座数据经申请可用 |
对照表的读法：本挑战的稀缺性不在「有标注」，而在「专家标注×跨厂商×永久封闭」三个条件的交集——任何一条松绑，性质就变成普通分割数据集。
撰写相关综述时，建议把这一交集作为「基准强度」的参考定义使用。
对想引用跨厂商金标准的研究者：唯一合法路径是经组织者许可进入受控评估环境，不存在「下载后自评」的通道——这一点在写方法论文引用该基准时务必注明，否则评估口径不成立。
4.4 标注质量与一致性保障：能确认的与不能确认的
本条目能确认的标注体系事实：标注者为视网膜医生/专家（9 人）、标注对象为 held-out 测试影像、标注形态为逐层结构分割、协调方为 Moorfields 内部人员。
这些共同构成金标准的形式要件——跨厂商影像 + 独立专家 + 永久封闭。
本条目不能确认的（官方未公布，勿臆断）：标注者间一致性指标（如 Dice/Kappa 的 inter-rater 值）、每张影像的标注复核轮次、分歧仲裁流程、每层结构的标注时间预算。
章程文本未附标注协议（annotation protocol）全文。
引用时对这四项保持沉默比猜测安全——这是挑战赛类基准与期刊论文类数据集在元数据完备性上的典型差距（也是 DAIMS 元数据维度未给满分的原因之一，见附录 B）。
一个可参考的对照系：临床 OCT 阅片中，视网膜层界分割的专家间变异主要集中于边界模糊区（如外丛状层与外核层交界、病变区边缘）；
凡要自建类似金标准的团队，应在协议里预置「边界区标注规则」与「分歧仲裁机制」，而不是事后补——Moorfields 未公开其具体协议，但其「医生逐层人工勾画+专职协调」的组织形态至少说明流程是全职、有管理的，非志愿者众包形态。
§5 获取与许可：compute-to-data 的门怎么进
5.1 三层获取路径
| 层 | 内容 | 通道 | 许可 |
|---|---|---|---|
| example dataset | 结构对齐的公开样例（非真实 AI-READI 影像） | Zenodo 记录 19733060 公开下载（v1，2026-04-24） | 许可口径以 Zenodo 记录页为准 |
| 挑战正式数据 | 真实 AI-READI OCT（四厂商）训练/验证集 + held-out 测试集 | 无下载通道；容器化提交经 Codabench 在安全环境内使用 | Custom data usage agreement（MICCAI 官方挑战登记口径） |
| AI-READI 底座 | v2/v3 全量与 Mini 多模态队列 | FAIRhub 平台（fairhub.io）申请 | 平台数据使用协议；无 PHI，性别/种族/用药已移除 |
底层 AI-READI 的 DOI 索引：v2 全量 10.60775/fairhub.2（2024-11-08）；
v3 全量 10.60775/fairhub.3；
v3 Mini 10.60775/fairhub.4（179.68 GB）。
配套资源：官方文档 docs.aireadi.org；
示例 notebook 库 github.com/AI-READI/ai-readi-notebooks；
MONAI 兼容 PyTorch dataloader github.com/AI-READI/aireadi_loader。
v3 经 Azure storage containers 做可扩展分发。
FAIRhub 申请的典型步骤（以平台实际界面为准）：
①在 fairhub.io 注册账号并明确申请主体（个人/机构）；
②选定版本（建议先 Mini 试跑、再申全量）；
③阅读并签署对应版本的数据使用协议——注意 AI-READI 的许可框架将「使用目的」「再分发限制」「归属要求」写进条款；
④等待审批（周期以平台提示为准）；
⑤获取下载凭据后经 Azure 容器分发通道拉取；
⑥引用时使用对应 DOI 并遵守归属条款。
提醒：挑战正式数据不在 FAIRhub 申请范围内——FAIRhub 申到的是 AI-READI 底座本体，与挑战赛的 held-out 考核通道是两回事。
5.2 compute-to-data：数据不动、代码进域
DAROCT 最值得条目化的设计是其数据治理模式——compute-to-data（计算到数据，亦称 bring-your-own-code）。
传统挑战赛流程是「数据发给参赛者 → 本地训练 → 上传结果」，DAROCT 把它倒转为「数据留在安全服务器 → 参赛者提交容器化代码 → 受控环境执行 → 返回评估指标」：
传统模式： 数据 ──下载──▶ 参赛者本地 （数据出域，风险随份数线性增长）
DAROCT 模式：代码 ──容器提交──▶ 安全环境 ──▶ 接触数据 ──▶ 仅返回指标
（数据零拷贝，接触面收窄为经审查的容器）
流程五步：①参赛者在 example dataset 上开发与调试（schema 与真实数据完全对齐）；
②将训练/推理代码打包为符合规范的 Docker 容器提交至 Codabench；
③平台在受控环境内运行容器，容器读取安全服务器内的真实数据；
④容器产出的预测结果与 held-out 金标准比对计分；
⑤参赛者只收到分数与指标，拿不到任何影像数据。
每队每阶段提交上限 5 次。
章程对这一设计的表述是双目标的平衡：让大规模 OCT 数据达成公平可及（equitable access），同时维持严格的数据治理（rigorous data governance）。
类比来说，图书馆不外借孤本，但开放阅览室——读者（代码）进来，孤本（数据）不出门。
对使用者的三重含义：第一，不存在「先下载再研究」的路径，任何声称提供 DAROCT 全量数据包的第三方链接都应视为可疑；
第二，方法论文的复现性声明必须写「在官方受控环境评估」而非「在公开数据上训练」；
第三，若要绕开受控通道研究同类问题，可申请 AI-READI 底座（FAIRhub）自行构建跨厂商管线——这是合法且可复现的替代路线。
5.4 compute-to-data 与相邻模式对照
「数据不动、计算动」不是 DAROCT 发明的，但它把这一模式第一次带进了 MICCAI 眼科挑战赛。
四种相邻模式的能力边界：
| 模式 | 数据位置 | 参与者能做什么 | 典型代价 |
|---|---|---|---|
| 公开下载（库内绝大多数条目） | 参与者本地 | 任意分析、复用、二次分发（受许可约束） | 隐私/治理风险随分发份数线性增长 |
| 申请发放（dbGaP/EGA 类） | 审批后到参与者本地 | 任意分析，受协议约束 | 审批周期长，协议执行靠事后审计 |
| 受控计算（DAROCT 模式） | 安全员内 | 仅提交代码/作业，取回结果 | 无法本地探索数据，迭代受配额限制 |
| 联邦学习 | 各机构本地 | 模型参数跨节点聚合 | 通信与异构性工程复杂，基准难统一 |
DAROCT 选择受控计算的适配性论证有三条：
分割任务的目标输出是分数而非数据样本，结果带宽极小，适合「只回传指标」；
底座是单一大规模队列（不是多机构联邦），安全服务器物理集中，无需联邦架构；
竞赛场景需要统一软硬件环境保证公平，受控执行天然满足。
三条适配性同时成立的场景不多——这是该模式可复制性的前提条件，脱离前提硬套会水土不服。
5.5 合规使用红线清单
综合章程、平台规则与数据治理惯例，使用本资源体系时以下红线清晰可辨：
- 红线一：不以任何形式转存、转发、再分发在受控环境中接触到的正式挑战数据——这一条写在数据使用协议里，违反即失格且可能承担协议责任。
- 红线二：不试图把容器提交用于「数据探查」（如通过预测输出反演训练数据内容）——此类行为违背 compute-to-data 的信任前提，也可能触发平台的反作弊审查。
- 红线三：不把 example dataset 冒充为 AI-READI 真实影像发布或训练宣称「基于 AI-READI」的模型——example 是合成/公开来源的工程样例。
- 红线四：引用 AI-READI 底座数据时不声明「含 PHI」或反向宣称「可识别个体」——脱敏口径以 datasheet 为准。
- 红线五：不把受控通道拿到的评估分数与公开数据集上的自评分数直接混排比较——评估口径（指标、金标准、执行环境）不同，混排是方法学错误。
5.3 报名与入口
挑战注册/报名入口为官网 daoct.org——注意该域名 302 跳转到 Codabench 平台实例（qtim-challenges 实例，competition ID 42，平台引擎 Codabench/ChaSuite v1.11.0），完整的阶段信息（phase）需注册登录后在平台内可见，匿名访问只能看到公开快照（坑 3）。
查询时点 2026-10-09 平台显示 Current Active Phase: None——提交阶段（至 2026 年 9 月中旬）已收官。
报名资格与队伍规则的公开信息有限，已知要点：
参赛以队伍为单位（终榜与新闻报道均按队计），获奖与 TVST 邀稿资格均落到队伍与其方法描述；
Efficiency Prize 的评定范围（终榜 top-5）意味着只有冲进第一梯队才有资格参与效率奖竞争——中后段队伍没有「效率赛道」可走；
MICCAI 官方挑战的通用规则（如不公数据使用、多队共谋等失格条款）默认适用，细则以平台注册协议为准。
§6 评估与基准：Codabench 平台与终榜
6.1 平台与流程
评估托管于 Codabench（开放式基准评测平台，源自 ChalleCa 谱系），部署于 QTIM challenges 实例（Azure southcentralus 区域），competition ID 42。
官方提供基线 Docker 镜像 bearceb/daoct-baseline:latest（署名 bearceb 即组织者三人组中的 Benjamin Bearce），参赛者可从基线出发迭代。
评估要点：
| 环节 | 机制 |
|---|---|
| 提交物 | Docker 容器（含训练/推理代码与环境依赖） |
| 执行环境 | 受控安全环境，容器内读取真实数据，无人工干预 |
| 计分依据 | 容器输出 vs Moorfields 专家金标准（held-out，含未见厂商） |
| 提交上限 | 每队每阶段 5 次 |
| 任务合并 | macula + widefield 双任务分数合并为 final score |
| 透明度 | 榜单公开可查（匿名访问可见排名与分数快照） |
评估指标名称坑：官方公开页面未明示指标的具体名称（如 Dice/Jaccard/加权组合），Yale 新闻只报道了 final score 0.8068。
引用本基准分数时建议写「官方 final score」并注明指标口径未公开（坑 8），不要自行臆断为 Dice。
Codabench 平台机制速览（帮助不熟悉该平台的读者建立心智模型）：
Codabench 把基准定义为「程序化评测流水线」——组织者注册评测程序（ingestion program）与参考数据，参赛者提交被放进隔离沙箱执行，平台自动产出结果页。
对组织者的好处是评测全程可复现、无人工对分；
对参赛者的好处是执行环境统一、结果即时；
对数据托管方的好处是参考数据可以只挂载在沙箱可达的存储上、永不进入参赛者视野——这正是 DAROCT 三个诉求的平台基础。
QTIM 实例是 Codabench 的机构化部署之一（服务视觉与医学影像社区的多项挑战），competition ID 42 即 DAROCT 在该实例的注册编号。
6.2 终榜与参赛规模
| 指标 | 数值 | 来源口径 |
|---|---|---|
| 参赛者 | 107 | Codabench 平台页与 Yale 新闻一致 |
| 提交总数 | 461（平台页快照）/ 467（Yale 新闻） | 双口径存照，见坑 5 |
| 冠军 final score | 0.8068 | Yale 新闻（macula+widefield 合并） |
| 提交期 | 至 2026 年 9 月中旬 | LinkedIn 组织者帖 |
| 查询时点状态 | Current Active Phase: None | Codabench 快照 2026-10-09 |
冠军队伍为 Yale BIDS（Biomedical Informatics & Data Science）团队，参赛用户名 yzjaxon：Jaxon Zhang（计算生物学与生物信息学硕士生，论文一作）、Rong Zhou（博士后）、Younjoon Chung（博士生），三人同属 Qingyu Chen 助理教授实验室，Chung 由 Qingyu Chen 与 Lucila Ohno-Machado 教授共同指导。
Yale 新闻描述其「finishing just ahead of the runner-up」（以微弱优势领先第二名）——终榜前十完整名单官方未逐项公布（遗留疑点）。
对参赛规模的解读要克制两点。
其一，107 名参赛者与 460+ 次提交在 MICCAI 挑战序列里属于中上热度，但更值得注意的是参赛者的机构多样性（信息学系队伍登顶即是证据）——跨厂商域适应是方法学问题，吸引到影像领域之外的团队正说明考题设计成功。
其二，「5 次提交上限」与「每阶段重置」的组合意味着终榜分数是配额约束下的最优解，不是无约束调参的极限——把 0.8068 当作该任务在受控条件下的「可达分数参考」，而非「方法天花板」。
榜单读取指南（匿名访问 Codabench 页面时）：
榜单通常按 phase（阶段）组织，历史阶段的榜单会被保留；
匿名视图能看到排名、队伍名与分数，但队伍详情、提交元数据需登录；
快照数字（如提交总数）会随平台状态更新而漂移——引用任何榜单数字都应带「截至 YYYY-MM-DD 快照」限定；
本条目引用的榜单口径统一为 2026-10-09 快照。
6.4 与库内挑战赛条目的机制对照
| 维度 | DAROCT | RETOUCH（rid 321） | ROSE（rid 331） | WMH Challenge（rid 501） |
|---|---|---|---|---|
| 赛季 | MICCAI 2026 | MICCAI 2017 | MICCAI 系 | MICCAI 2017 |
| 数据分发 | compute-to-data（不下载） | 公开下载 | 公开下载 | 公开下载 |
| 多厂商处理 | 域适应为考核目标 | 多设备混合训练 | 单一中心采集为主 | 多站点混合 |
| 金标准封闭性 | 永久 held-out | 赛后公开 | 赛后公开 | 赛后公开 |
| 效率激励 | 有（Efficiency Prize） | 无 | 无 | 无 |
对照可见：DAROCT 在「分发模式」「考核目标」「激励结构」三处都偏离了挑战赛的默认配置。
这三处偏离彼此咬合——因为数据不出域，才必须容器提交；因为容器受控执行，才能精确度量计算足迹；因为度量了足迹，效率奖才有落地依据。
把它当成一组「组合创新」而不是单点创新来引用，才不会在综述里把 compute-to-data 写成可有可无的细节。
需要补一句对称的提醒：组合创新也是组合脆弱性——三处偏离分别依赖治理承诺、平台稳定与资金持续性，任一环节失守（如平台停运、指标永不确定）都会削弱整组设计的说服力，这正是附录 K 维护触发点存在的理由。
6.3 奖项与荣誉结构
| 奖项 | 金额/形式 | 评定标准 |
|---|---|---|
| 第 1 名 | $2,000 | 终榜最高合并分 |
| 第 2 名 | $500 | 终榜第二名 |
| 第 3 名 | $250 | 终榜第三名 |
| Efficiency Prize | $500 | 终榜 top-5 中计算足迹最小者 |
| 荣誉宣布 | 公开宣布 + MICCAI 报告邀请 | Top 3 方法 |
| 出版通道 | TVST 专刊邀稿 | 挑战总结稿 + 优胜队方法稿 |
Efficiency Prize 是本挑战评估哲学的点睛之笔：在 compute-to-data 模式下，每次提交都消耗受控环境的真实算力，「计算足迹」（computational footprint）既是治理成本也是可持续性指标——把效率写进奖池，等于把绿色 AI 的激励嵌入竞赛本体。
TVST（Translational Vision Science & Technology）已同意考虑接收挑战总结稿件（描述数据集、任务设计、评估协议与总体发现）与受邀优胜队方法稿；
截至本条目建档（2026-10-09），独立挑战总结论文尚未见发表（存照：计划中/邀稿状态）。
奖金规模的市场语义：$3,000 总奖池在 MICCAI 挑战序列中属于常规量级，奖金额度本身不是本挑战的价值锚点——真正稀缺的是受控环境里的算力与专家金标准，二者都不体现在奖金数字里。
Efficiency Prize 的 $500 虽小，但它把「效率」从口号变成有明确判定规则（top-5 中计算足迹最小）的正式奖项，这个设计签名比奖金总额更值得后续办赛者抄作业。
§7 生态与影响：Bridge2AI、MONAI 与冠军队
7.1 AI-READI challenge series：一次派生、系列展开
DAROCT 是 AI-READI challenge series（AI-READI 挑战系列）的一环——组织者将底层队列拆成不同科研问题，逐个办成挑战赛，DAROCT 聚焦眼科影像的跨厂商分割。
这一模式的上下游关系：
NIH Bridge2AI 计划（OT2OD032644）
└─ AI-READI 队列（2022-2026，8 机构，v3：2,280 人/3.82 TB）
├─ 底座发布：FAIRhub（v2/v3/Mini，DOI 链 10.60775/fairhub.*）
├─ MONAI Ophthalmology Working Group 标准化管线（aireadi_loader dataloader）
└─ challenge series
└─ DAROCT/DA-OCT（MICCAI 2026，跨厂商 OCT 分割，compute-to-data）
└─ 产出：终榜基准 + TVST 专刊稿件群（计划中）
库内已有 Bridge2AI 家族条目：bridge2ai-voice（rid 66，语音方向的 Data-Generating Project 挑战）可与 DAROCT 互证 Bridge2AI 的建库理念——AI-Ready 从设计之初就写入数据字典与分发标准（CDS 结构、FAIRhub、开放文件格式），而非事后补救。
「系列挑战」与「单点挑战」的组织学差异值得一表：
单点挑战围绕一次性问题（某年的某任务）设计，赛后资产通常只有论文与榜单；
系列挑战则把底层队列当作长期研究基础设施，每个挑战都是队列价值的一次「变现」，同时赛后资产（管线、schema、容器规范）沉淀回底座、服务下一个挑战。
AI-READI 的 challenge series 属于后者——这意味着 DAROCT 的遗产（基线镜像、MONAI 管线、Codabench 实例配置）大概率会被系列内后续挑战复用，观察这些资产的复用情况是追踪该系列健康度的窗口。
7.2 MONAI 标准化：让「跑通」不依赖个人工程能力
MONAI（Medical Open Network for AI）是医学影像深度学习的标准框架生态。
MONAI Ophthalmology Working Group 与挑战方协作，为 AI-READI 数据制定了标准化的训练/验证管线，并发布 MONAI 兼容的 PyTorch dataloader（github.com/AI-READI/aireadi_loader）。
对参赛者的价值是双重的：降低了「读数据」的工程摩擦（尤其在没有本地数据的 compute-to-data 模式下，管线效率直接决定提交次数的使用效果）；
同时让不同队伍的数据处理代码有共同参照，弱化了「隐藏在 dataloader 里的玄学预处理」造成的不可比性。
MONAI 在眼科的落点有生态位意义：眼科影像（OCT/眼底）在 MONAI 生态中长期不如放射 CT/MRI 成熟，Ophthalmology Working Group 把厂商异构、双任务、CDS 结构这些眼科特有难题写进标准化管线，等于给眼科 AI 补上了一块公共基础设施——DAROCT 是这块基础设施第一次面对挑战赛级负载的实战检验。
7.3 组织者与冠军队：两代眼科 AI 机构的接力
组织侧。
Zenodo 记录七位创建者横跨三家机构：Washington University in Saint Louis（Julia Owen、Aaron Lee、Cecilia Lee、Yuka Kihara）、University of Colorado Anschutz（Jayashree Kalpathy-Cramer）、Moorfields Eye Hospital（Cathy Egan、Adnan Tufail）。
幕后组织者三人组为 Yuka Kihara、Benjamin Bearce（基线镜像 bearceb/daoct-baseline:latest 的署名者）、Jayashree Kalpathy-Cramer。
其中 Kalpathy-Cramer 是眼科 AI 与挑战赛组织领域的资深人物（曾在 MGH 与 Harvard 干预多项眼科基准），Aaron Y. Lee 是华盛顿大学眼科 AI 代表学者——组织者名单本身就是一份「谁来定义跨厂商 OCT 考题」的答案。
参赛侧。
冠军 Yale BIDS 队（yzjaxon：Jaxon Zhang、Rong Zhou、Younjoon Chung）来自 Qingyu Chen 实验室，共同指导人之一 Lucila Ohno-Machado 是生物医学信息学的标志性学者（i2b2/DBMI 谱系）。
一支信息学系队伍拿下眼科影像挑战冠军，间接印证了本挑战的考题重心在方法学（域适应）而非领域先验——考卷上最值钱的能力是把 vendor 信号从特征里剥出去。
另一个值得记录的细节是团队规模：三人小队（一硕一博后一博生）拿下 $2,000 头奖，说明在受控配额（5 次提交）与统一环境下，小团队的工程执行力足以与大机构竞争——受控考场抹平了算力差距，比拼的是方法与迭代纪律。
组织者分工速查（依据 Zenodo 署名与公开材料可考部分）：
| 人物 | 机构 | 可考角色 |
|---|---|---|
| Yuka Kihara | WashU | Zenodo 创建者；幕后三人组；挑战日常组织 |
| Jayashree Kalpathy-Cramer | Colorado Anschutz | Zenodo 创建者；幕后三人组；基准与挑战方法论 |
| Benjamin Bearce | WashU 系 | 幕后三人组；基线镜像（bearceb/daoct-baseline:latest）署名者 |
| Aaron Y. Lee | WashU | Zenodo 创建者；LinkedIn 组织者帖作者；眼科 AI 方向 |
| Julia Owen / Cecilia Lee | WashU | Zenodo 创建者；临床/科研协作 |
| Cathy Egan / Adnan Tufail | Moorfields | Zenodo 创建者；标注团队所在机构对接 |
7.4 影响半径：三条外溢线
- 方法论外溢：六条域适应谱系在同一考场的计分结果（待 TVST 专刊），将成为后续跨厂商 OCT 研究的标准引用点；
Efficiency Prize 的计算足迹口径可能被后续挑战赛效仿。
具体观察指标：TVST 专刊里总结稿如何报告「分厂商稳定性」、优胜方法稿中六条谱系各自的表现与组合方式——这两组信息会把本条目 §2.3 的谱系表从「官方评估范围」升级为「实证计分结论」。 - 治理外溢：compute-to-data 模式为「敏感人体数据的公开竞赛」提供了可复制模板——医疗影像之外，任何受数据使用协议约束的模态（基因组、EHR、可穿戴）都可套用此结构。
复用时的关键改造点是把 §5.4 的三条适配性逐条过一遍，尤其是「输出带宽小」这条——若任务的产出物本身就是数据（如影像合成任务），受控模式的正当性会显著减弱。 - 生态外溢：AI-READI 底座经此挑战获得了一批经过实战检验的标准化管线（MONAI dataloader、example schema、基线镜像），反哺底座数据的后续使用者。
这些资产的使用不需要参赛资格——aireadi_loader 与 notebooks 对任何 FAIRhub 申请者开放，是挑战赛资产「溢出」给普通数据使用者的直接通道。
7.5 产业伙伴与设备生态：数据多样性从哪里来
AI-READI 的产业伙伴名单（Dexcom、Optomed、Topcon Healthcare、iCare、Heidelberg Engineering、Microsoft）不是挂名赞助——它直接决定了挑战的数据多样性上限。
Optomed 提供手持眼底摄影（Aurora），Topcon 提供 Maestro2/Triton 两代 OCT 平台，Heidelberg 提供 Spectralis 与 FLIO，iCare 与 Centervue 补足眼底成像线，Dexcom 贡献连续血糖监测的行为-代谢数据维度，Microsoft 参与云与数据基础设施。
对 DAROCT 而言，最关键的是 OCT 侧形成 Topcon×2、Zeiss×1、Heidelberg×1 的四机型格局——厂商覆盖数量在公开 OCT 分割基准中处于第一梯队（对照：RETOUCH 三厂商、OCTID 四厂商但无金标准分割 held-out）。
设备生态的「厂商密度」正是 vendor domain shift 研究的稀缺资源：单厂商数据集再多，也造不出跨厂商考场。
这也给「邀请产业伙伴共建数据集」提供了一个可量化论据：每引入一家 OCT 厂商，跨厂商考场的「域数」就多一个，基准对泛化能力的分辨力随之提升——设备多样性是数据集设计变量，不是营销话术。
7.6 参赛者与复现者实用情报
打算用这套资源的人需要知道的工程事实：
- example dataset 在 Zenodo 公开，但页面文件区动态加载，程序化抓取拿不到文件清单（坑 7），需浏览器人工查看或联系组织者。
- 基线镜像 bearceb/daoct-baseline:latest 是最短起点：从基线镜像改代码，比从零搭容器省一轮环境调试图。
- aireadi_loader（MONAI dataloader）与 ai-readi-notebooks（示例 notebook）在 GitHub 公开，本地用 example dataset 或申请到的 AI-READI 数据都能直接接上。
- 容器提交环境无联网自由：依赖必须打进镜像，训练日程与资源占用会影响效率奖评分。
- 每阶段 5 次提交配额：先在 example dataset 上完成全链路（读入→训练→推理→导出→容器自测）再花配额，配额花光即失去本阶段排名更新资格。
7.7 MICCAI 挑战生态中的年度坐标
把 DAROCT 放回 MICCAI 挑战生态的年度坐标系：MICCAI 每年收录数十项官方挑战（涵盖分割、配准、手术视频、报告生成等方向），其中视网膜/眼科方向历年均有分布（如 OCTA 相关的 ROSE，本库 rid 331）。
DAROCT 的差异化不在于「又一个眼科分割挑战」，而在三处生态位选择：
问题选择上它打的是方法学痛点（vendor shift）而非新任务首发；
数据策略上它选择了全库（乃至整个 MICCAI 挑战序列中）罕见的 compute-to-data；
激励设计上它给效率单设奖项。
对挑战赛组织研究而言，这是一份「当数据治理约束收紧时，挑战赛设计如何变形」的活体样本——MICCAI 2026 的挑战报告（通常会收录官方挑战总结）将提供官方视角的对照文本，值得后续补核（遗留疑点）。
7.8 与库内 AI-Ready 评级体系的对话
本库对条目执行 DAIMS 式五维评估（发现性/可获取性/互操作性/元数据/可持续性）。
DAROCT 在这套体系里的位置耐人寻味：它把「可获取性」的结构分拉低（全量无直链），却把「互操作性」与「可持续性」做成了公开数据集少见的高配置（schema 全透明、开放格式、MONAI 管线、平台化评估）。
这种「此消彼长」恰好证明五维评分不该被压缩成单一总分使用——一个 6.8/10 的条目，可能同时是「获取最麻烦」与「工程最规范」的样本。
把五维分数连同评分依据一起读（附录 B），才能还原一个条目的真实形态——这也是本条目给评级体系使用者的元建议。
§8 方法学启示：AI-Ready 视角的五条经验
以下五条经验（8.1-8.5）从本条目的事实中提炼，均为「可被其他数据集项目复制」的结构性做法，而非该挑战的独占资产。
8.1 可获取性不止「公开直链」一种形态
AI-Ready 评估常把「可公开下载」当作可获取性的及格线。
DAROCT 展示了另一种及格形态：数据不下载，但 schema 公开（example dataset 全透明）、入口公开（Codabench 平台）、金标准可经受控通道合法使用。
对评估体系（如本库 DAIMS 框架）的启示：可获取性维度应区分「数据直链」「受控计算」「申请发放」三档，而不是简单二值化。
8.2 schema 对齐是受控数据集的「可互操作性」替身
受控数据不能被验证内容，但可以被验证结构。
example dataset 的价值不在影像本身（它由公开集合合成），而在「跑通它=跑通正式数据」的结构等价性。
这一做法可迁移到任何敏感数据集发布：给一个 schema 等价的合成样例，远比一份 PDF 文档更能保证下游管线兼容。
8.3 挑战赛是「标注金标准」的成本分摊机制
Moorfields 九人专家团队逐层勾画的跨厂商金标准，成本高昂；
挑战赛让这份金标准的价值通过 107 名参赛者的方法迭代被充分摊销。
对考虑自建标注体系的研究者：如果标注目标同时是社区痛点，挑战赛是比「发布数据集等引用」更高效的价值回收路径。
8.4 域适应研究需要「未所见厂商」考场才能证明自己
域适应论文的常规评估是「源域训练-目标域测试」的实验室设定，目标域通常已知。
DAROCT 把「训练未见厂商」写进 held-out 集合，模拟的是真实临床的设备更替场景——这提示方法学研究者：真正的域泛化（domain generalization）能力必须用「厂商集合之外」的样本考核，而不仅仅是「厂商集合之内换一个」。
8.5 效率是新的准确度维度
Efficiency Prize 的深层意义是给基准评估增加了一个长期缺席的维度：在准确度之外，公开地、有奖赏地度量「拿到这个准确度花了多少计算」。
医疗 AI 的临床部署成本（推理硬件、时延、能耗）从来不进学术榜单，但 always 进采购决策。
DAROCT 用一份 $500 的小额奖池完成了一次范式提示——后续基准设计者完全可以把它制度化（如 Pareto 前沿报告、准确度-足迹曲线），而不只是单点奖。
对建模者的实操提醒：在受控执行环境里，训练日程本身就是被评估对象的一部分，冗余实验会直接转化为糟糕的效率档案。
§9 与库内条目的关系
9.1 直系互链条目
| 库内条目 | rid | 关系 | 互链叙事 |
|---|---|---|---|
| bridge2ai-voice | 66 | 同计划 | 同属 NIH Bridge2AI Data-Generating Project 家族，可互证 AI-Ready 建库理念与 Bridge2AI 治理框架 |
| retouch | 321 | 同问题域、不同范式 | 同为多厂商 OCT 分割挑战：RETOUCH 用多设备混合训练（数据公开分发），DAROCT 用域适应+compute-to-data——两者对照即「多厂商问题」十年方法学演进 |
| octid | 697 | 同「跨厂商」叙事 | OCTID 收录 4 厂商 935 张 OCT 做分类，是库内少数跨厂商标注数据集；DAROCT 把跨厂商从「数据集属性」升级为「考核目标」 |
| oct2017 | 311 | 起点 | Kermany OCT2017 是 OCT AI 的起点性条目，任何 OCT 综述叙事的锚点 |
| rose | 331 | 同体裁 | ROSE 为 OCTA 血管分割挑战赛，同属 MICCAI 系挑战生态，赛事组织方式可对照 |
| octa-500 | 341 | 同模态大规模基准 | OCTA-500 提供 OCTA 大规模公开基准，与 DAROCT 的受控大数据构成规模/开放度光谱两极 |
| miccai-surgt | 83 | 同平台生态 | 同为 MICCAI 系挑战条目，MICCAI 挑战赛季叙事互链 |
互链叙事的展开示例（可直接用于正文衔接句）：
从 oct2017（rid 311）到 DAROCT 的叙事弧是「OCT AI 用十年走完了从『能不能做』到『换了设备还成立吗』的路」；
从 retouch 到 DAROCT 的叙事弧是「多厂商问题从『把数据混在一起』进化到『把分布差异本身当考题』」；
从 bridge2ai-voice 到 DAROCT 的叙事弧是「Bridge2AI 把 AI-Ready 从口号变成跨模态的工程实践——语音和眼底影像用的是同一套治理语法」。
9.2 打包提及的 OCT 条目群
正文综述 OCT 数据集生态时可打包提及：octdl（690，病变分类）、duke-dme（744，黄斑水肿）、age-as-oct（858，年龄关联）、octa-25k（859，OCTA 大规模）、harvard-gdp（862，眼底青光眼）、mario-amd（864，AMD）、woives-octa（865）、rossa（890，OCTA 挑战）、neh-ut-oct（891）、oimhs（745）。
这批条目与 DAROCT 共同构成「OCT/OCTA 数据集家族」的完整检索面——但注意其中无一条以跨厂商 domain adaptation 为主线，这正是 DAROCT 的差异化定位。
打包引用时的组句建议：
写「数据集综述」时，把这批条目按「分类（oct2017/octid/octdl）—分割（retouch/duke-dme/mario-amd）—血管（octa-500/octa-25k/rose/rossa）—特殊场景（age-as-oct 老龄、harvard-gdp 青光眼、oimhs、neh-ut-oct、woives-octa）」归组，DAROCT 单列一组「跨厂商域适应」作为收尾——这样家族叙事的层次即自动浮现。
写「方法论文相关工作」时，引用粒度可以更细：仅引与本方法任务同构的条目（分割类）加 DAROCT，避免堆砌。
9.3 待建互链：AI-READI 本体
AI-READI 数据集本体（v2/v3/Mini，FAIRhub 分发）尚未入库。
若日后建条（建议 slug 候选：ai-readi），DAROCT 应与之双向互链：AI-READI 是数据底座，DAROCT 是其挑战赛派生与 compute-to-data 治理样本。
本条目已在正文多处预埋「底层 AI-READI」叙事钩子，后续建条时可直接对齐。
9.4 互链锚文本建议
为让检索词命中，各互链条目建议使用如下锚文本（正文引用时保持一致）：
| 目标条目 | 建议锚文本 | 避免写法 |
|---|---|---|
| bridge2ai-voice | 「同属 NIH Bridge2AI 计划的语音挑战条目」 | 不要写「姊妹数据集」（两者模态无交集） |
| retouch | 「多厂商 OCT 积液分割挑战 RETOUCH（公开分发范式）」 | 不要与 DAROCT 并列为「同类范式」——分发模式相反 |
| octid | 「四厂商 OCT 分类数据集 OCTID」 | 不要写「跨厂商分割」（OCTID 是分类任务） |
| oct2017 | 「经典 OCT 分类基准 OCT2017」 | 不要写「多厂商」（其设备构成以单一设备为主） |
| rose / octa-500 | 「OCTA 基准家族」打包提及时并列 | 不要混淆 OCT 与 OCTA 两个模态层级 |
§10 避坑清单：十个已踩过的坑
本章收录的坑点全部来自本条目建档过程中的真实抓取与比对（2026-10-08/09），以及历史教训库中的实证事故模式。
每条坑点按「现象—根因—本条目处理」的口径书写，方便直接转化为你自己的检查清单——十个坑里有四个（坑 1/4/5/8）属于「二手来源传播错误」，说明这个挑战的公开信息生态本身有噪音，引用前过一遍本章能省掉大部分返工。
以下坑点均在本条目建档过程中实际踩到或经三源比对确证，逐条存照：
坑 1：双缩写检索分裂——DAROCT 与 DA-OCT 是同一个挑战。
MICCAI 官方注册与 Zenodo 用 DAROCT，官网 daoct.org、Codabench 平台页、LinkedIn 组织者帖与 Yale 新闻用 DA-OCT。
只用其中一个词检索会漏掉另一半来源；
写综述引用时务必「双名并注」，否则读者顺着单一缩写搜会错过官方平台。
另有一处宣传语简写「Domain Adaptation for consistent multivendor segmentation in macular OCTs」，它不是注册全称，勿当正式名引用。
坑 2：ai-readi.org 是停放页，真官网是 aireadi.org。
Zenodo 摘要里写的 ai-readi.org（带连字符）实际显示「Coming Soon」停放页；
AI-READI 数据集的真实官网是 aireadi.org（无连字符）。
本条目全部官网引用走 aireadi.org。
凡引用 AI-READI 官网链接，先核对有无连字符。
坑 3：daoct.org 会 302 跳转到 Codabench 实例。
访问 daoct.org 实际落在 qtim-challenges 实例（Azure southcentralus 区域）的 competitions/42 页面；
且匿名访问看不到完整阶段（phase）数据，注册登录后才可见。
引用「官方页面数据」时注明快照时点与登录状态，否则数字对不上。
坑 4：DAROCT 不在 MICCAI 2025 挑战列表——赛季勿错标。
MICCAI 2025 官方挑战列表（conferences.miccai.org）中查无 DA-OCT/DAROCT；
它属 MICCAI 2026 赛季（Yale 新闻表述为 AI-READI challenge series 之一）。
任何把它写成「MICCAI 2025 挑战」的二手来源都应存疑。
坑 5：提交总数双口径——461 与 467。
Codabench 平台页快照（2026-10-09）显示 461 次提交，Yale 赛后新闻写 467 次。
可能原因：平台页非终态快照或统计口径差异（次数 vs 有效次数）。
本条目成稿用「超过 460 次」或双口径并注，不建议单引其一当精确值。
坑 6：训练/验证集张数官方未公布——勿引臆造数字。
挑战训练/验证集的确切影像张数与 train/val/test 划分比例，官方公开页面均未给出。
任何二手来源给出的具体张数（如「X 万张」）都查无实据。
合法表述只有「安全服务器内发放，规模未公开」。
坑 7：Zenodo 文件区动态加载，WebFetch 拿不到文件清单。
Zenodo 记录 19733060 页面的文件列表是动态加载的，纯抓取拿不到文件名与大小清单。
文件级数字（example dataset 包含多少文件、多大体积）只能留作遗留疑点或人工浏览器核实。
坑 8：0.8068 是「final score」，指标名称官方未明示。
公开页面没有写明评估指标是 Dice、Jaccard 还是加权组合；
Yale 新闻只报 final score 0.8068。
引用时写「官方 final score」并注明指标口径未公开，切勿臆断为「Dice 0.8068」——这是最常见的错误引用方式。
坑 9：AI-READI 展开名双口径——Exploratory vs Equitable。
官网 aireadi.org 与 Retinal Physician 综述写「Artificial Intelligence Ready and Exploratory Atlas for Diabetes Insights」，fairdataihub 博客写「…Equitable Atlas…」。
本条目取官网口径 Exploratory；
引用时若需展开全称，建议核对其引用源页面用的是哪一版。
坑 10：AI-READY 结构性暗示不成立——DAROCT 不是「AI-READI 的 OCT 子集下载页」。
检索引擎常把 DAROCT 与 AI-READI 混排在同一结果页，容易让人以为两者是「主数据集+子集打包」关系。
事实是：DAROCT 只公开 example dataset（公开 OCT 集合合成、schema 对齐），AI-READI 的 OCT 子集本身没有独立公开包，挑战数据走受控通道，底座走 FAIRhub 申请——三条路径互不替代。
把 DAROCT 当作「AI-READI OCT 部分的下载入口」是结构性误解，也是本条目 §5 花最大篇幅澄清的事。
坑点使用指引：坑 1/2/3 是检索与导航坑（影响你能不能找到对的页面），坑 4/5/6/7 是事实与数字坑（影响引用准确性），坑 8/9/10 是语义坑（影响结论正确性）。
写综述或引用前建议按此分组自查一遍。
§11 总结
DAROCT/DA-OCT 把三个前沿要素拧在了一起：多厂商 OCT 的域适应（六个差异维度、六条方法谱系、未所见厂商考核）、compute-to-data 数据治理（数据不出安全域、容器化代码进域、效率写进奖池）、AI-READI 标准化底座（2,280 人、3.82 TB、FAIRhub 分发、MONAI 管线）。
它于 2026-04-24 在 Zenodo 发布章程与 example dataset，提交期至 2026 年 9 月中旬收官，107 名参赛者提交 460 余次，Yale BIDS 队以 0.8068 夺冠；
TVST 专刊稿件群在途。
三类读者各取所需：
| 你是谁 | 先读哪里 | 带走什么 |
|---|---|---|
| 要下数据/复现管线 | §5 获取与许可 + 附录 D 决策树 | example dataset 直链、FAIRhub 申请链、compute-to-data 流程五步 |
| 做跨厂商域适应方法 | §2 问题域 + §6 评估 | 六维差异表、六条谱系对照、考核目标与终榜口径（含指标坑 8） |
| 设计数据治理/建库策略 | §5.2 + §8 启示 | 受控数据的 AI-Ready 及格形态、schema 等价样例做法、DAIMS 三档可获取性 |
一句话收束：在「数据规模与敏感度大到不能发」的时代，DAROCT 证明了公开基准与严格治理可以兼容——考卷公开、考场受控、答案封存。
三点收束展开：
对「数据能不能用」这个问题，DAROCT 的答案是「取决于你是谁、想干什么、愿意接受什么约束」——这种条件化答案比单纯的开放/封闭二元叙事更贴近医疗数据的真实治理世界。
对「挑战赛还有什么用」这个问题，DAROCT 展示了挑战赛作为「稀缺资源动员机制」的一面：把九位专家的标注时间、四厂商的设备覆盖、一座安全服务器，在几个月内组织成一次公平的公开比较。
对「AI-Ready 的上限在哪」这个问题，DAROCT 给出的启示是：AI-Ready 不是数据集的静态属性，而是「数据+入口+管线+治理」的组合状态——组合的每一环都可以独立创新，也可以独立掉链子。
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | DAROCT（官方亦称 DA-OCT） |
| url_name | daroct |
| 类型 | MICCAI 2026 挑战赛 + 受控数据集 + 公开 example dataset（三合一） |
| 全称 | Domain adaptation for solving multivendor retinal optical coherence tomography dependence in deep learning models |
| 组织者 | WashU（Owen/Lee/Lee/Kihara）、Colorado Anschutz（Kalpathy-Cramer）、Moorfields（Egan/Tufail）；幕后三人组 Kihara/Bearce/Kalpathy-Cramer |
| 数据底座 | NIH Bridge2AI AI-READI v3（2,280 人、358,999 文件、约 3.82 TB、基金 OT2OD032644） |
| 挑战设备 | Topcon Maestro2、Topcon Triton、Zeiss Cirrus、Heidelberg Spectralis（四厂商） |
| 任务 | macula + widefield 双任务跨厂商分割 |
| 标注 | Moorfields 9 位视网膜专家（held-out，含未见厂商） |
| 平台 | Codabench（QTIM 实例，competition ID 42）；基线镜像 bearceb/daoct-baseline:latest |
| 规模 | 107 参赛者；提交 461（平台快照）/467（新闻）双口径 |
| 终榜 | 冠军 yzjaxon（Yale BIDS）0.8068 |
| 奖金 | $2,000 / $500 / $250 + Efficiency Prize $500 |
| 发布 | Zenodo 记录 19733060 v1（2026-04-24） |
| 提交期 | 至 2026-09 中旬；查询时点平台 Active Phase: None |
| 许可 | 挑战数据 Custom data usage agreement；底座走 FAIRhub |
| 抓取时点 | 2026-10-08/09（Zenodo/Codabench/新闻三源） |
| 库内互链 | bridge2ai-voice(66)/retouch(321)/oct2017(311)/rose(331)/octa-500(341)/octid(697)/miccai-surgt(83) + OCT 群打包见 §9.2 |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | Zenodo+MICCAI 官方挑战列表+Codabench+Yale 新闻四路可索引；失分：双缩写分裂检索命中（坑 1）、ai-readi.org 停放页误导（坑 2） |
| A 可获取性 | 4 | example dataset 公开直链；但正式数据无下载通道、底座需申请——本条目最大失分项；不过受控通道本身是治理选择而非封锁，且 schema 全透明部分补偿 |
| I 可互操作 | 7 | CDS v0.1.1 数据结构+DICOM/WFDB/OMOP 等开放格式+MONAI dataloader+schema 对齐的 example dataset；失分：挑战评估指标名称未明示（坑 8） |
| M 元数据质量 | 8 | 挑战章程全文（Zenodo）+AI-READI datasheet（分层构成/采集期/脱敏声明）完备；失分：训练/验证张数与文件清单未公开（坑 6/7） |
| S 可持续性 | 7 | Codabench 平台+FAIRhub/Azure 分发+MONAI 生态+学术出版通道（TVST）；失分：TVST 专刊尚未落地、平台为机构自建实例的单点依赖 |
| 综合评级 | 6.8/10（中上） | 元数据与标准化出色；可获取性被 compute-to-data 结构性压低——这是「治理优先」范式的典型画像，而非数据质量问题 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置/时点 |
|---|---|---|
| 全称/DAROCT 命名/类别（Domain adaptation; Segmentation）/Custom data usage agreement | MICCAI 官方挑战注册信息 | 官方挑战列表（WebSearch 快照 2026-10-08） |
| 7 位创建者及机构/compute-to-data/六差异/六方法/example dataset 对齐声明/MONAI 协作 | Zenodo 记录 19733060（挑战章程 v1） | zenodo.org/records/19733060，2026-04-24 发布 |
| DA-OCT 缩写/107 参赛者/461 提交/bearceb 镜像/phase 状态 | Codabench 平台页 | qtim-challenges 实例 competitions/42，快照 2026-10-09 |
| 467 提交/0.8068/yzjaxon 三人队/Chen Lab/Ohno-Machado/AI-READI challenge series | Yale 新闻 | medicine.yale.edu 新闻页（赛后报道） |
| Moorfields 9 标注者+2 协调/5 次上限/奖金/TVST/三人组致谢/mid-September | LinkedIn 组织者帖（Aaron Y. Lee） | activity-7475578141453860864 |
| 2,280 人/358,999 文件/3.82 TB/179.68 GB mini/v3 OCTA 全覆盖/4 设备 B-scan 分割 | Bridge2AI 官网公告 + fairdataihub 博客 | 2025-12-05 公告及版本 3 博客 |
| 4,000 目标/3 站点/4,055+ 完成/8 机构/15+ 模态/产业伙伴/Exploratory 全称 | AI-READI 官网 | aireadi.org（无连字符，坑 2） |
| v2：1,067 人/165,051 文件/约 2 TB/采集期/分层构成/CDS v0.1.1/脱敏/DOI fairhub.2 | AI-READI datasheet | bridge2ai.github.io data-sheets-schema 人类可读版 |
| 7 台影像设备清单 | Retinal Physician 2025-06 综述 | ai-readi-a-multimodal-data-set-for-diabetic-eye-research |
| 2025 赛季无此挑战 | MICCAI 2025 官方挑战列表 | conferences.miccai.org/2025（佐证坑 4） |
附录 D：数据获取决策树
你的需求是什么？
├── 只想搭管线、试模型、备课演示
│ └── Zenodo 19733060 下载 example dataset（公开直链，schema=正式数据）
├── 想参加后续同类挑战/在正式环境评估
│ ├── 1) daoct.org（302→Codabench 42）注册账号
│ ├── 2) 签署 Custom data usage agreement
│ ├── 3) 本地用 example dataset 开发 → 打包 Docker 容器
│ └── 4) 提交至平台受控执行（每阶段 5 次上限）
├── 想研究 AI-READI 队列本体（多模态全量）
│ ├── 快速体验：v3 Mini，DOI 10.60775/fairhub.4（179.68 GB）
│ ├── 正式研究：v3 全量，DOI 10.60775/fairhub.3
│ ├── 历史版本：v2，DOI 10.60775/fairhub.2
│ └── 配套：docs.aireadi.org 文档 + aireadi_loader（MONAI dataloader）+ ai-readi-notebooks
└── 想引用跨厂商基准分数
└── 引「官方 final score 0.8068（冠军，macula+widefield 合并）」并注明指标口径未公开（坑 8）
决策树的三个补充判断：
分支一与分支二不互斥——正规流程本来就是「先走分支一搭管线，再进分支二受控评估」；
分支三的申请主体建议用机构邮箱与机构地址，个人申请在小规模数据项目上可行，但全量队列（3.82 TB 级）几乎必然要求机构背书；
所有分支共同的终点约束是「引用规范」——example dataset 引 Zenodo DOI、底座引 FAIRhub DOI、分数引官方口径加快照时点，三条引用线不要混用。
附录 E：挑战时间线速查
| 时点 | 事件 | 依据 |
|---|---|---|
| 2022-2026 | AI-READI 项目期（NIH Bridge2AI，OT2OD032644） | 官网/基金号 |
| 2023-07-19 ~ 2024-07-31 | AI-READI v2 采集期 | datasheet |
| 2024-11-08 | AI-READI v2 发布（1,067 人/约 2 TB） | datasheet/DOI fairhub.2 |
| 2025-12 | AI-READI v3 发布（2,280 人/3.82 TB；Mini 179.68 GB） | Bridge2AI 公告 2025-12-05 |
| 2026-04-01 前后 | Codabench 平台赛前搭建（logo 时间戳） | 平台页元素时间戳 |
| 2026-04-24 | Zenodo 挑战章程与 example dataset v1 发布 | Zenodo 记录 |
| 2026 年内 | 提交阶段开启，至 9 月中旬收官；每队每阶段 5 次 | LinkedIn 组织者帖 |
| 2026-09 | 提交收官；终榜出炉（冠军 0.8068） | Yale 新闻/平台状态 |
| 2026-10-09 | 本条目查询时点：平台 Current Active Phase: None | Codabench 快照 |
| 待定 | MICCAI 2026 会场报告（Top 3）；TVST 专刊（邀稿状态） | 章程/LinkedIn（遗留疑点：会场地点与日期） |
附录 F：双口径存照对照表
| # | 事项 | 口径 A | 口径 B | 本条目取舍 |
|---|---|---|---|---|
| 1 | 缩写 | DAROCT（MICCAI 注册/Zenodo） | DA-OCT（官网/Codabench/新闻） | 双名并注，slug 取 daroct |
| 2 | 提交总数 | 461（平台快照 2026-10-09） | 467（Yale 新闻） | 「超过 460 次」/双口径并注 |
| 3 | 全称 | 注册长全称（solving multivendor … dependence） | LinkedIn 简化语（consistent multivendor segmentation in macular OCTs） | 注册全称为准 |
| 4 | AI-READI 展开名 | …Exploratory Atlas…（官网/期刊综述） | …Equitable Atlas…（fairdataihub 博客） | 官网口径 Exploratory |
| 5 | AI-READI 域名 | ai-readi.org（Zenodo 摘要所写，停放页） | aireadi.org（真官网） | aireadi.org |
| 6 | Mini 版大小 | 179.68 GB（Bridge2AI 公告） | 约 180 GB（fairdataihub） | 179.68 GB 精确值 |
| 7 | v3 发布表述 | 2025-12-05 公告（Bridge2AI 官网） | 「version 3」博客（fairdataihub） | 表述为「2025-12 发布」 |
| 8 | 终榜领先幅度 | 「finishing just ahead of the runner-up」（Yale 新闻） | 具体分差未公布 | 只写「微弱优势领先」，不编数字 |
附录 G：检索路径示范（关键词组合与查询式）
| 目标 | 建议查询式 | 预期命中 |
|---|---|---|
| 挑战本体 | “DAROCT” OR “DA-OCT” AND OCT AND challenge | Zenodo 19733060、daoct.org/Codabench 42、MICCAI 挑战列表 |
| 底座数据 | “AI-READI” AND (Bridge2AI OR “fairhub”) AND diabetes | aireadi.org、fairhub.io、Bridge2AI 公告 |
| 方法论文 | “domain adaptation” AND “OCT” AND (multivendor OR vendor) AND segmentation | TVST 专刊（在途）+ 谱系文献 |
| 冠军方法 | “yzjaxon” OR (“Jaxon Zhang” AND OCT) | Yale 新闻 + 后续方法稿（待 TVST） |
| 治理模式 | “compute-to-data” AND (challenge OR benchmark) AND medical imaging | 本条目 §5.2 + 治理文献 |
| 库内对照 | retouch / octid / oct2017（url_name 直查） | §9 互链条目 |
| 平台机制 | Codabench AND (“ingestion program” OR phase) | Codabench 文档（平台通用机制） |
| 标准化管线 | MONAI AND ophthalmology AND (AI-READI OR dataloader) | MONAI WG、aireadi_loader 仓库 |
附录 H：MONAI 管线与 example dataset 使用指引
# 思路示意：从 example dataset 到受控提交的最短路径（伪代码级）
# 1) 本地：下载 Zenodo 19733060 example dataset，schema 与正式数据完全对齐
# 2) 用官方 MONAI dataloader 读入（正式环境同款接口）：
# git clone https://github.com/AI-READI/aireadi_loader
# 3) 训练代码要点：
# - 输入按 device/厂商字段分组，明确做域适应处理（§2.3 任一谱系或组合）
# - 双任务（macula/widefield）分别输出，避免任务头串扰
# - 固定随机种子与预处理参数——受控环境每次提交都是全新执行
# 4) 打包：参照基线镜像 bearceb/daoct-baseline:latest 的容器规范
# 5) 提交：Codabench 42，每阶段 5 次配额——先在 example 上跑通全链路再花配额
提醒三点：容器内不可联网下载额外数据（受控环境约束）；
每次提交的输出以 held-out 金标准计分、无人工复核窗口；
效率奖看计算足迹，冗长的训练日程会同时消耗配额与获奖机会。
附录 I：常见错误引用对照表
已有文献与检索场景中最容易写错的说法，逐条给出正确写法：
| 错误写法 | 问题 | 正确写法 |
|---|---|---|
| 「MICCAI 2025 挑战 DAROCT」 | 赛季错误（坑 4） | 「MICCAI 2026 挑战 DAROCT/DA-OCT」 |
| 「Dice 0.8068」 | 指标臆断（坑 8） | 「官方 final score 0.8068（指标口径未公开）」 |
| 「467 次提交（Codabench）」 | 源与数字错配（坑 5） | 「467（Yale 新闻）/461（平台快照）」或「超过 460 次」 |
| 「DAROCT 数据集可在 Zenodo 下载」 | 结构性误解（坑 10） | 「example dataset 经 Zenodo 公开；正式数据走受控通道」 |
| 「AI-READI 的官网 ai-readi.org」 | 域名错误（坑 2） | 「官网 aireadi.org（无连字符）」 |
| 「训练集共 X 万张 OCT」 | 数字无出处（坑 6） | 「训练/验证集在安全服务器内发放，规模未公开」 |
| 「Equitable Atlas for Diabetes Insights」 | 展开名口径（坑 9） | 「Exploratory Atlas for Diabetes Insights（官网口径）」 |
| 「DAROCT 发布于 2026-04-24」 | 不精确但可接受 | 更准确：「挑战章程与 example dataset v1 发布于 2026-04-24」 |
附录 J：术语表（中英对照，按首现顺序）
| 术语 | 英文 | 释义 |
|---|---|---|
| 域适应 | domain adaptation | 利用源域（含标注）与目标域信息，减小域间分布差异、使模型跨域可用的方法族 |
| 厂商域偏移 | vendor domain shift | 因影像设备厂商/机型不同造成的系统性数据分布差异 |
| 光学相干断层成像 | OCT（Optical Coherence Tomography） | 利用低相干干涉原理对视网膜做微米级断层成像的技术 |
| OCT 血管成像 | OCTA（OCT Angiography） | OCT 的功能扩展，无造影剂呈现视网膜/脉络膜血流 |
| B-scan | B-scan | OCT 的二维断层切片，是本挑战分割任务的基本输入单元 |
| 黄斑任务 | macula task | 对黄斑区 B-scan 序列做视网膜结构分割的任务线 |
| 超广角任务 | widefield task | 对大视野扫描做分割的任务线 |
| 图像协调 | image harmonization | 在输入空间把不同来源影像映射到统一风格/分布的处理 |
| 潜空间特征对齐 | latent-space feature alignment | 在特征空间约束不同域表征分布一致的技术路线 |
| 风格迁移 | style transfer | 生成式地把源域影像「翻译」为目标域风格的技术 |
| 对抗训练 | adversarial training | 以域判别器为对手、训练特征提取器抹除域信息的技术 |
| 域泛化 | domain generalization | 不访问目标域数据、仅靠多源训练获得泛化能力的更严苛设定 |
| 计算到数据 | compute-to-data | 数据不出安全域、代码进域执行、只返回结果的治理模式 |
| 留出测试集 | held-out test set | 全程不对参赛者暴露、仅组织方掌握的终评数据 |
| 未见厂商 | unseen vendors | 训练阶段未出现、仅存在于测试阶段的设备厂商 |
| 计算足迹 | computational footprint | 提交方案消耗的算力/时间资源总量，效率奖评定依据 |
| 临床数据集结构 | CDS（Clinical Dataset Structure） | AI-READI 自定义的数据组织标准（v0.1.1） |
| 受保护健康信息 | PHI（Protected Health Information） | 美国隐私法规下的受保护个体健康信息，AI-READI 声明已去除 |
| 受控词表基准框架 | Codabench | 开源基准评测平台，DAROCT 评估托管于其 QTIM 实例 |
| 翻转化视觉科学与技术 | TVST（Translational Vision Science & Technology） | 接收本挑战总结与优胜方法稿的眼科期刊 |
| 医学开放网络 | MONAI（Medical Open Network for AI） | 医学影像深度学习开源框架生态，含眼科工作组 |
| 眼科工作组 | Ophthalmology Working Group | MONAI 内负责眼科影像标准化管线的专项工作组 |
| 黄斑 | macula | 视网膜中央高清视觉区域，OCT 检查的核心靶区 |
| 超广角 | widefield | 覆盖超出黄斑周边部的大视野成像模式 |
| 糖尿病视网膜病变 | diabetic retinopathy | 2 型糖尿病主要微血管并发症之一，AI-READI 队列的核心疾病语境 |
| 数据使用协议 | data usage agreement | 约束数据用途、再分发与归属的法律文本，DAROCT 许可载体 |
| 数据生成项目 | Data-Generating Project | Bridge2AI 计划中负责产出 AI-Ready 数据集的项目类别 |
| 公平可及 | equitable access | 章程强调的治理目标：数据收益在人群与机构间公平分布 |
| 临床数据结构口径 | schema | 字段、层级与元数据组织方式的统称，example dataset 对齐的对象 |
附录 K：维护触发点与后续观测
本条目的部分表述依赖挑战赛动态页面，以下事件发生后应触发复核：
| 触发事件 | 需复核的条目部位 | 优先级 |
|---|---|---|
| TVST 专刊实际刊出（总结稿+方法稿） | §2.3 谱系计分结论、§7.4 外溢线、附录 C/E | 高 |
| MICCAI 2026 会场信息与 Top 3 报告公布 | 附录 E 时间线遗留疑点、§6.3 荣誉机制 | 高 |
| AI-READI 本体条目建库 | §9.3 待建互链、frontmatter 互链面 | 中 |
| 组织者公布评估指标名称或标注协议 | 坑 8、§4.4「不能确认的」清单、附录 B 的 M 维评分 | 中 |
| Codabench 平台页榜单/阶段状态更新（461 vs 467 口径收敛） | 坑 5、附录 F | 低 |
| AI-READI v4 或后续版本发布 | §3.1 版本链 | 低 |
维护操作提示：复核时优先访问 Codabench 平台页（登录后可见完整 phase 信息）与 Zenodo 记录页（版本更新会出现在记录页右侧）；
若 TVST 专刊刊出，把总结论文的 DOI 补入附录 C 证据链并升格 §2.3 表格为「官方计分结论」；
若发现 461/467 口径在任何官方渠道收敛，立即更新坑 5 与附录 F，并同步 §6.2 表格——三处引用必须一次改齐，避免条目内自相矛盾。
尾注：本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-09，抓取与核验时点见附录 A 与附录 C。事实陈述以 Zenodo 挑战章程（记录 19733060）、Codabench 平台页（competition 42 快照）与 Yale 赛后新闻三源互证为源，AI-READI 底座数字以 Bridge2AI 公告、fairdataihub 博客与官网/datasheet 为源；双缩写、提交数、展开名等原始文档口径分歧已在坑点与附录 F 存照。条目与库内 bridge2ai-voice（rid 66）、retouch（rid 321）、oct2017（rid 311）、rose（rid 331）、octa-500（rid 341）、octid（rid 697）、miccai-surgt（rid 83）等条目互链，并打包覆盖 OCT 数据集家族（§9.2），构成跨厂商 OCT 分割问题的完整检索面；AI-READI 本体条目（待建）应与本条目双向互链。后续维护触发点：TVST 专刊落地（改写 §7.4 与附录 E）、AI-READI 本体建条（补 §9.3 互链）、MICCAI 2026 会场信息公布（补时间线遗留疑点）。
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：
- iostar — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准 / 糖尿病视网膜病变
- stare — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准 / 糖尿病视网膜病变
- octa-25k — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准 / 糖尿病视网膜病变
- synthoct — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 挑战赛数据集 / 评测基准
- deepdrid — 共享标签：医学影像 / 眼科影像 / 挑战赛数据集 / 糖尿病视网膜病变
- aptos-2019 — 共享标签：医学影像 / 眼科影像 / 挑战赛数据集 / 糖尿病视网膜病变
- octa-500 — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
- duke-dme — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 糖尿病视网膜病变
- psfhs — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 评测基准
- woives-octa — 共享标签：医学影像 / 眼科影像 / 医学图像分割 / 评测基准
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。
