信息速览
腹部 CT 的读片从来不是一句话的事。放射科医生面对一叠横断面，先扫一遍找异常，再在三维里量出长径、体积、密度，然后判断这个体积够不够大、位置偏不偏、和周围器官什么关系，最后才落到「像不像胰腺导管腺癌」这类结论上。DeepTumorVQA 2.0 做的事情，是把这条链路上的每一环拆成一道可以单独打分的题，让模型在同一条证据链上逐级暴露短板。
这个基准由约翰斯·霍普金斯大学 Yuille 实验室与 Schuture 团队完成，Hugging Face 组织 tumor-vqa 下发布 2.0 版。问答拆成识别、测量、视觉推理、医学推理四个阶段、42 个临床亚型，约 43.8 万个问答对，配 9,262 个 CT 体积；问答标注用 CC-BY-4.0，底层影像沿用上游许可。它的野心不在「再刷一个总分」，而在于把「模型到底卡在哪一步」变成可测量的量。
如果只看一个数字：两名执业放射科医生在一份 200 道的分层子集上盲答，一位答对 45.0%，一位答对 54.5%。做题的不止是医生，还包括三十多个模型配置；理解这个数字的含义，比理解任何模型的榜位都重要。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方名称 | DeepTumorVQA 2.0（前代 DeepTumorVQA 1.0） |
| 发布组织 | Hugging Face 组织 tumor-vqa |
| 核心团队 | 约翰斯·霍普金斯大学 Yuille 实验室 × Schuture |
| 版本链 | 1.0（2025-05-11 建库，arXiv 2505.18915）→ 2.0（2026-05-03 建库，2026-05-25 更新） |
| 论文 | arXiv 2605.09679《DeepTumorVQA: A Hierarchical 3D CT Benchmark for Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents》 |
| 问答规模 | 1 万道基准 + 约 42.8 万道训练池 |
| 影像规模 | 九千余个 CT 体积（基准 991 例 + 训练池八千三百余例） |
| 亚型 | 42 个，分布到 4 个阶段（识别 9、测量 5、视觉推理 16、医学推理 12） |
| 记录单位 | 一个问答对（qid 唯一） |
| 主键 | qid |
| 影像来源 | AbdomenAtlas3.0Mini 及其上游多中心腹部 CT |
| 标注来源 | 结构化放射报告 + 器官分割掩膜，模板生成 |
| 人工复核 | 200 道分层抽样，两名执业放射科医生盲答 |
| 问答许可 | CC-BY-4.0 |
| 影像许可 | 沿用上游各自条款 |
| 代码与工具 | GitHub Schuture/DeepTumorVQA，pip 包 deeptumorvqa |
| 仓库体积 | 文件清单两万余条目，基准三维体积约 70 GB |
| 最轻接入 | 基准问答 + 整卷切片约 0.7 GB |
| 人工复核题量 | 200 道分层抽样，仅用于标定难度 |
§1 它要解决的具体麻烦
1.1 一张总分掩盖了四件事
医学视觉问答的评测长期只有一个数：准确率。排行榜上一行一个百分比，谁高谁低一目了然，但没人知道高在哪儿。一个模型可能在「这个器官里有没有病灶」这类判断题上几乎全对，却在「病灶长径是多少毫米」上接近瞎猜；另一个模型反过来，认得尺寸但分不清胰腺和淋巴结。两者总分可能一模一样，可落到临床工作流里，前者只能当分诊预筛，后者只能当测量助手，完全不是一个用途。
它的解法是分层——不按难度排序，而按肿瘤诊断的证据链排序：识别给出「有没有」，测量给出「多大、多密」，视觉推理在量化之上比较定位计数，医学推理再套用临床判据。上层答案依赖下层的基本量，每层又都可以独立计分。
第一个后果是不能只报总分。官方榜给了总体加四档共五列，读任何一行的第一件事是看落差：它告诉你是「看得见但量不准」还是「量得准但判不出」。
第二个后果更隐蔽：分层让「证据链断了」这件事第一次变得可见。一个模型在医学推理题上答对，如果它的测量档分数很低，那这次答对大概率是猜的或者靠语言先验蒙的，因为医学推理的参照证据链本身要经过测量这一步。这一点在 §4 的案例里会展开。
1.2 三条常见的错误期待
期待一：以为这是带标注的放射报告语料。 问答确实从报告派生，但交付物是问句加短答：「脾脏增大怎么分级」的答案是一个等级词，不是一句描述。训练报告生成，字段对不上。
期待二：以为 42 个亚型意味着 42 种肿瘤。 42 是任务数不是病种数：肝脏同时出现在存在性、脂肪变、聚集度三个亚型里，「器官体积测量」又横跨肝脾肾。当疾病分类表读，会错估病理覆盖。
期待三：以为医生只答对一半，说明题目有毛病。 那两百道是按亚型分层抽的，用途是标定难度区间，不是给医生打分。医生的识别档明显高于测量档，模型也有同样形状但幅度更大。这个数字的用法是「不容易被常识蒙对」，不是「不可信」。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 判断能否在腹部 CT 上定位病灶 | 9 个识别亚型，另有多个带器官字段的推理亚型 | 够粗筛；答案多为等级词非坐标框，不能当检测指标 |
| 判断定量测量能力 | 5 个测量亚型：病灶体积、器官体积、CT 值、CT 值比值、肿瘤负荷 | 够，这是相对同类最硬的一档 |
| 判断临床判读能力 | 12 个医学推理亚型：胰腺分期、可切除性、脂肪肝分级 | 部分够；判据来自模板与知识库，不等于指南 |
| 训练医学视觉语言模型 | 约 42.8 万道训练池问答 + 四万条轨迹 | 够；轨迹仅覆盖 283 个体积，需自行扩样 |
| 训练工具调用智能体 | 参照缓存 + 两万条轨迹 + 评测器 | 够入门；工具集固定三类，扩展需自接 |
| 做三维空间推理研究 | 问答挂在体积上，附体素间距与矩阵尺寸 | 够；空间定位类亚型只有少数 |
| 训练报告生成模型 | 无 | 不够，字段里没有报告原文 |
| 直接做临床辅助诊断 | 官方明确仅供研究与教学 | 不够，且不应尝试 |
| 复现榜位到小数点后一位 | 榜 30 行 + 评测器 | 大体够；输入模态与提示模板需对齐 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 手上有一个腹部 CT 视觉语言模型，老板问它到底能干什么 | 用四阶段分数切出短板，把「能干什么」翻译成「哪一档可用」 | 先跑二维切片配置拿到基线，再决定是否值得上三维体积输入 |
| 正在做工具增强智能体，需要一个能验证工具链是否真的有用的环境 | 有 oracle、predicted、vision 三种工具模式，同一模型可切换对比 | 同一模型三种模式各跑一遍，看工具带来的增益落在哪一档 |
| 要在论文里声明「我们的模型在 3D 医学问答上领先」 | 有一份已被三十多个模型用过的公开榜 | 报总分时同时报四档分数，否则会被质疑分层设计的初衷被绕过 |
| 想验证自己的分割模型能否撑起下游问答 | 有一条通用分割模型预算的自动分割缓存，与参照掩膜缓存并存 | 两套缓存对比跑，估出自动分割对问答准确率的影响上限 |
| 要在医疗器械申报材料里写性能验证 | 无 | 不够，临床验证需要目标人群的独立数据集与前瞻性设计 |
| 想找一个中文医学问答语料 | 无 | 不够，全部问答为英文，术语为英文缩写 |
1.5 一句话判断
这是目前少有的把「量得准不准」单独拎出来打分的腹部 CT 问答基准；如果你要评的是三维空间推理与量化能力，它是首选之一；如果你要评的是报告生成或临床决策，它不在射程内。
1.6 不适合谁：四条边界
不适合当临床决策依据的去用。 数据集卡写明仅供研究与教学，未获临床决策批准。任何一个在申报材料里引用它的榜位当作临床有效性的做法，都会在审评环节被要求补充前瞻性证据；这份证据不可能从本数据集里长出来。
不适合做放射报告生成的研究者。 它的答案是被压平成等级词、数值、类别标签的短答，报告里那句「胰腺体部见一低密度灶，边界不清，似侵犯脾静脉」被拆成了若干道独立问答。想要段落级文本，AbdomenAtlas 上游的结构化报告更接近目标。
不适合把 42 个亚型当疾病谱来用的人。 这是一份任务清单，不是一份病理目录。按亚型统计得出的「覆盖率」只能说明题型覆盖，不能说明病种覆盖，更不能说明人群覆盖。
不适合只想跑一个数字就写结论的人。 分层评测的价值全在四档之间的落差；如果只报总体准确率，这个基准相对任何单档基准都没有优势，反而多付了下载与对齐成本。不适合的用法，是把它的优点用成缺点。
§2 数据构成与规格
2.1 三层交付物：一份基准、一个训练池、一批轨迹
仓库内容按用途分三块，通过 config 机制暴露。
benchmark 默认加载，是测试集：1 万道问答挂在 991 个体积上，覆盖全部 42 个亚型，自带整卷切片、器官聚焦切片、整卷视频三种派生模态再加原生 NIfTI。跑分用的就是这块。
train 约 42.8 万道问答，挂在八千三百余个体积上，分 train 与 val_pool 两段。留出池约 4.7 万道，基准那一万道正从它里面抽出——这意味着基准与训练池同源，训练过的数据不能算干净的外部验证。
agent_sft 是两万条训练轨迹加两万条留出轨迹，ShareGPT 对话格式，记录分割、测量、知识检索三类工具的完整调用过程。
另有两个散放目录：tool_cache 存预算好的工具输出，metadata 存排行榜、亚型模式表与报告元数据。
| 组件 | 内容 | 规模 | 用途 | 是否需要原始体积 |
|---|---|---|---|---|
| benchmark | 测试问答 + 三种派生模态 + NIfTI | 1 万问答 / 991 体积 | 评测 | 视配置 |
| 上游来源谱系 | 1.0 汇总的十七个公开腹部 CT 数据集 | 与上两行合计一致 | 追溯病例出处 | 否 |
| train | 训练池问答 | 约 42.8 万问答 / 八千三百余体积 | 训练 | 是，回上游取 |
| val_pool | 留出池问答 | 官方称约 4.7 万问答 | 抽样来源与内部验证 | 是 |
| agent_sft | 工具调用轨迹 | 2 万训练 + 2 万留出 | 智能体训练 | 否，走缓存 |
| tool_cache | 参照与自动分割答案 | 三份 JSON | 免跑工具直接评测 | 否 |
| metadata | 排行榜、亚型模式、报告元数据 | 四份 CSV | 分析与对照 | 否 |
上游来源这一行值得单说：2.0 卡片只说影像来自 AbdomenAtlas3.0Mini 及其来源，没列全名录。1.0 卡片给过十七个数据集的聚合表，最大的两个是腹部创伤检测挑战的数千例与 FLARE 系列的三千余例，其余为器官、胰腺、肝脏肿瘤分割等中小集合。2.0 规模与该表同口径，但中心构成与各来源占比官方本页无口径。做跨中心研究时，这份名录用来判断测试集是否同源；判断不了占比，先假设不均衡。
2.2 字段与记录的完整字典
单条记录在基准集与训练池之间共享字段名，基准集多带路径列。
标识与影像
| 字段 | 类型 | 含义 | 使用注意 |
|---|---|---|---|
| qid | 字符串 | 问答主键，如 bench_00017 | 跨版本不复用，1.0 用整数编号 |
| image_id | 字符串 | 病例标识，如 BDMAP_00008446 | 与上游命名一致，可回查 |
| spacing | 字符串 | 体素间距，如「[0.83 0.83 5.0]」 | 字符串非数组，解析前去掉多余空格 |
| shape | 字符串 | 矩阵尺寸，如 (512, 512, 116) | 字符串非元组；层间距沿第三维 |
| sex | 字符串或空 | 性别，F 或 M | 基准集里有空值 |
| age | 浮点或空 | 年龄 | 基准集里有空值 |
| scanner | 字符串或空 | 扫描仪型号 | 基准集里大量为空 |
| contrast | 字符串或空 | 增强期相 | 大量为空，期相分层前先查空值 |
问答本体
| 字段 | 类型 | 含义 | 使用注意 |
|---|---|---|---|
| question | 字符串 | 开放式问句 | 英文，措辞由模板决定 |
| answer | 字符串 | 参考答案 | 等级词、数值或类别名 |
| mc_question | 字符串 | 选择题问句，选项内嵌 | 选项顺序不固定，需解析 |
| correct_option | 字符串 | 正确选项字母 | 多为 A 到 D，少部分三选一 |
| organ | 字符串 | 涉及的器官 | 肝、脾、肾、胰的英文名 |
| lesion | 字符串或布尔 | 是否涉及病灶 | 同一列类型不定，解析须容错 |
| question_type | 字符串 | 四阶段之一 | 与亚型表分组一致 |
| question_subtype | 字符串 | 42 个亚型之一 | 与模式表键对齐 |
| requires_tools | 字符串数组 | 所需工具序列 | 分割、测量、知识三类 |
派生模态路径
以下四列仅基准集有。
| 字段 | 含义 | 对应文件 |
|---|---|---|
| slice_path | 器官聚焦切片 | benchmark/slices/ |
| video_path | 器官聚焦视频 | benchmark/videos/ |
| whole_slice_path | 整卷切片 | benchmark/slices_whole/ |
| whole_video_path | 整卷视频 | benchmark/videos_whole/ |
要注意卡片示例与文件实际并不完全一致：卡片写 mc_question，1.0 卡片写 multiple_choice_question；卡片里 lesion 是布尔，文件里既有 "True"/"False" 字符串也有 "lesion" 类别词。不影响使用，但别把卡片当严格模式。
2.3 一条记录的完整解剖
以仓库里第二条基准问答为例，逐字段走一遍。
qid bench_00001
image_id BDMAP_00001543
spacing [0.8027344 0.8027344 2.5] #-- 层间距 2.5 毫米，明显厚于面内
shape (512, 512, 290) #-- 290 层，按 2.5 毫米算约 725 毫米覆盖
sex F
age 64.0
scanner NaN #-- 字段存在但值为空
contrast NaN #-- 同上
question Find which kidney is larger in volume (or if they're equal):
answer the same
mc_question ... A: left kidney B: the same C: right kidney
correct_option B
organ kidney
lesion False #-- 注意这里是字符串 "False"，不是布尔
question_type visual reasoning
question_subtype kidney volume comparison
requires_tools ["segment_organ", "measure"]
slice_path benchmark/slices/BDMAP_00001543_kidney.png
video_path benchmark/videos/BDMAP_00001543_kidney.mp4
whole_slice_path benchmark/slices_whole/BDMAP_00001543.png
whole_video_path benchmark/videos_whole/BDMAP_00001543.mp4
它的参照证据链是四步：分割左肾、测容、分割右肾、测容。答案「两边一样」来自两次分割加两次测容，不是目测。这也解释了为何工具清单只列两项而亚型表记四步：工具名记类别，步数记调用次数。
再看层间距。面内 0.80 毫米、层间 2.5 毫米，纵向分辨率比横向差三倍多。问「哪个肾更大」时体积对层厚不敏感，两肾同处一个体积、同一套采样；问「最大病灶直径」时层间距直接决定纵向误差量级。§4.3 的案例会回到这一点。
2.4 规模结构：42 个亚型怎么分布
官方亚型模式表给的是 42 行、13 列的结构。四个阶段的分法是 9 个识别、5 个测量、16 个视觉推理、12 个医学推理。这张表最有用的三列是参照轨迹步数、所需原语、基准题目数。
| 阶段 | 亚型数 | 典型亚型 | 参照轨迹步数范围 | 所需原语 |
|---|---|---|---|---|
| 识别 | 9 | 胰腺癌存在性、肝病灶存在性、脾增大检出 | 1–3 | 分割 |
| 测量 | 5 | 器官体积测量、器官 CT 值测量、肿瘤负荷百分比 | 2–4 | 分割 + 测量 |
| 视觉推理 | 16 | 病灶计数、肾体积比较、最大病灶位置、器官聚集度 | 1–5 | 分割 + 测量（长链交替） |
| 医学推理 | 12 | 胰腺肿瘤分期、胰腺病灶可切除性、肝脂肪变分级 | 3–5 | 知识 + 分割 + 测量 |
三个可对照的规模事实。一是题量集中在可程序化生成的两类：器官聚集度与器官体积测量，说明基准在自动化生成这一端配比偏高。二是最少的「假性囊肿判定」只有 3 道，只够定性观察。三是若干医学推理亚型在全量数据与基准侧的题数完全相同，训练侧等于零覆盖。
| 观察项 | 事实 | 对使用的影响 |
|---|---|---|
| 题目最多 | 器官聚集度 977 道、器官体积测量 852 道 | 总分被这两类主导，报亚型均值更公平 |
| 题目最少 | 假性囊肿判定 3 道 | 方差极大，不宜单列结论 |
| 训练侧不足 | 多个推理亚型训练题数等于基准题数 | 微调这些亚型需自行补样 |
| 阶段不均衡 | 视觉推理 16 个亚型占近四成 | 四档权重天然不均 |
| 轨迹长度 | 1 到 5 步，多步题含交替原语 | 智能体步数上限至少设五步 |
2.5 与同类资源的字段差异
把它和库里已有的二维医学问答资源并排看，差异集中在三处：记录单位、答案形态、模态。
| 维度 | DeepTumorVQA 2.0 | VQA-RAD | PathVQA | SLAKE | MedQA |
|---|---|---|---|---|---|
| 影像模态 | 腹部 CT 三维体积 | 单张放射图 | 单张病理图 | 放射与病理单图 | 纯文本 |
| 记录单位 | 问答对 + 病例 | 问答对 + 单图 | 问答对 + 单图 | 问答对 + 单图 | 题目 |
| 空间维度 | 三维，带体素间距 | 二维 | 二维 | 二维 | 无 |
| 答案形态 | 等级词、数值、类别，另带选择题 | 开放式与是非 | 开放式与是非 | 开放式与是非 | 选项 |
| 标注来源 | 报告 + 掩膜模板生成 | 医生撰写 | 教材图注改写 | 医生撰写 | 考试题 |
| 参考答案可机算 | 大部分可，走掩膜与测容 | 不可 | 不可 | 不可 | 是 |
| 分层设计 | 四阶段、42 亚型 | 无 | 无 | 无 | 无 |
| 工具调用环境 | 有，三类工具三种模式 | 无 | 无 | 无 | 无 |
最关键的一行是「参考答案可机算」。二维问答靠语义匹配判分，本身带噪声；这份数据的多数答案由掩膜测量程序生成，可用精确匹配或数值容差，这是它敢生成四十多万条问答的前提，代价是答案空间被结构化、叙述性描述被排除在外。
§3 它是什么：名称、身份与版本谱系
3.1 三个名字要分清
在 Hugging Face 搜 DeepTumorVQA，结果里两个是本家，两个是第三方。
| 仓库 | 归属 | 许可 | 状态 | 该拿它做什么 |
|---|---|---|---|---|
| tumor-vqa/DeepTumorVQA_2.0 | 官方 | CC-BY-4.0 | 当前版本 | 首选，评测与训练都用它 |
| tumor-vqa/DeepTumorVQA_1.0 | 官方 | CC-BY-NC-4.0 | 前代 | 只为复现旧结果，商用禁入 |
| ZiyueWang/DeepTumorVQA_image | 第三方 | 未声明 | 需申请访问 | 原始影像补充，非官方 |
| 34data/deeptumorvqa | 第三方 | 未声明 | 规模偏小 | 不宜作评测依据 |
1.0 与 2.0 的差别不止在数字。1.0 只交付一份 CSV（约 107 MB）和一份病例映射表，九千余个体积、三十九万五千道问答，聚合了 17 个上游数据集，没有分层、没有工具环境，许可是非商业的 CC-BY-NC-4.0。2.0 把问答提到约 43.8 万、亚型收成 42 个，加了四阶段分层、三种派生模态、工具缓存与两万条轨迹，许可换成允许商用的 CC-BY-4.0。
许可这句要单独说：用 1.0 做过的探索若要产品化，正确路径是换到 2.0 的问答并重新核对影像侧许可，而不是沿用旧包。§8.1 给出完整时间轴。
3.2 一个问答对在系统里的位置
理解这个数据集的身份，要看懂它挂在哪棵树上。它的最小单位是一个问答对，问答对指向一个病例标识，病例标识指向上游 AbdomenAtlas 的一个 CT 体积，体积又指向若干个原始公开数据集。
| 层级 | 对象 | 维护方 | 变更风险 |
|---|---|---|---|
| 第 0 层 | 原始公开 CT 数据集 | 各原始发布方 | 上游可能修订或撤回 |
| 第 1 层 | AbdomenAtlas3.0Mini 病例与报告 | AbdomenAtlas | 升级会改病例集合 |
| 第 2 层 | BDMAP 标识与分割掩膜 | AbdomenAtlas | 标识稳定，掩膜版本要记 |
| 第 3 层 | 问答对与亚型标签 | tumor-vqa | 升级会改题目与数量 |
| 第 4 层 | 派生切片、视频、缓存 | 本仓库 | 可本地重生成 |
任一层变动都会波及可比性。最常见的事故有两类：拿 2.0 的榜位与 1.0 的论文数字直接对比（题目集、亚型划分、许可全不同）；或把自动分割缓存与参照掩膜的分数混在一张表里（官方标了 oracle、predicted、vision 三种模式，混着用等于把工具质量的差异算进了模型能力）。
3.3 名称里的「2.0」意味着什么
版本号在本仓库里不是营销修饰。2.0 的问答文件内部还有一个 version 字段，值是 4.1，描述里写的是「由 V4 测试集平衡筛选而来」。也就是说，仓库名走的是一条轴，问答文件内部走的另一条轴，第三条轴是论文标题里的「hierarchical」。
| 编号轴 | 当前值 | 出现在哪 | 读法 |
|---|---|---|---|
| 仓库版本 | 2.0 | 仓库名 | 交付形态，含模态与工具环境 |
| 问答文件版本 | 4.1 | test_qa.json 的 version | 题目集内部迭代号 |
| 设计代际 | hierarchical | 论文标题 | 四阶段分层范式 |
三条轴混称是常见误会。别人写「在 DeepTumorVQA 上取得某分数」，你分不清那代是三十九万五千题还是四阶段，也分不清输入是体积还是切片——而这两项对分数的影响大于模型本身。见到引用分数，先问代际、输入、工具模式。
3.4 它服务的是哪一类评测
把使用场景按「评什么」切开，本数据集的定位会更清楚。
| 评的目标 | 典型指标 | 本数据集是否直接支持 | 说明 |
|---|---|---|---|
| 病灶检出 | 敏感度、假阳性数 | 间接 | 识别亚型给等级判断，不是框或点 |
| 器官与病灶测量 | 体积或长径相对误差 | 直接 | 测量亚型按数值容差判分 |
| 三维空间关系 | 位置、相邻、聚集度 | 直接 | 多个视觉推理亚型覆盖 |
| 临床判读 | 分期、可切除性、分级 | 直接 | 医学推理 12 个亚型 |
| 工具编排 | 调用序列与最终答案 | 直接 | 三种模式可分离 |
| 报告生成质量 | 文本相似度、事实一致性 | 不支持 | 无报告级参照文本 |
| 分割质量 | 戴斯系数、豪斯多夫距离 | 不支持 | 掩膜在上游 |
这张表回答一个高频问题：能否替代分割评测。不能。掩膜只是内部参照，对外给的是问答准确率；但附带的自动分割缓存可反推分割对问答的影响。
§4 核心层：质量、特点与一个贯穿案例
4.1 分层设计的实质是「证据链可核」
四阶段不是难度分级，是证据链分级：识别一次分割就能定论，医学推理要先分割再测量再查知识。上层答案的正确以上层证据链完整为前提，每层又可独立计分。落到评测上有两层含义。
一层是分数可解释。医学推理档拿到六十分、测量档只有三十分，那么这六十分不可能全靠证据链走出，它必然走了别的路径：从语言先验里猜「胰腺肿瘤多半可切除」，或从选项措辞里押注。这种拆解在单档基准上做不到。
另一层是失败可定位。论文评了三十多个配置后给出的结论是：可靠的定量测量是主要瓶颈，它上不去，后两档就更难；工具增强能显著缓解；而工具一旦可用，「把医学知识和工具结合推理」又成新挑战。这三句构成研发路线图，比任何总分有用。
4.2 检测难度是否被常识蒙过去
自动化生成问答的最大风险不是答案错，是题目太容易。模板生成的问题往往问法固定、选项模式化，语言模型不看图也能押中一部分。官方的应对是请两名执业放射科医生（分别有七年和十三年经验，独立于标注团队）在一份 200 道的分层子集上盲答。
| 作答方 | 输入 | 识别 | 测量 | 视觉推理 | 医学推理 | 总体 |
|---|---|---|---|---|---|---|
| 资深放射科医生 | 3D 体积 | 70.0 | 40.0 | 64.0 | 44.0 | 54.5 |
| 初级放射科医生 | 3D 体积 | 46.7 | 37.8 | 49.3 | 44.0 | 45.0 |
| 七兆参数级通用模型（非医学微调） | 2D | 53.0 | 31.4 | 38.2 | 38.7 | 39.9 |
这张表要横着读。两位医生的识别档在四十到七十之间，明显高于测量档的三十七八；一个没做医学微调的通用模型识别档能摸到五十三，测量档只有三十一。三个作答方在同一位置露了同一个破绽：量化测量最难。题目的难度不靠冷僻术语，靠「必须真的去量」。
同一批数字还回答了一个更尖锐的问题：通用模型在识别档上已接近初级医生。这不说明模型能替代医生，而说明识别类亚型的区分度正在耗尽，增量只能来自测量与推理。只看总体分会把这条结构性信息整条丢掉。
4.3 案例：一位脾脏增大的三级判定
取一条真实的基准问答来说明四阶段怎么咬合。
qid bench_00017
image_id BDMAP_00008446
spacing [0.83 0.83 5.0]
shape (512, 512, 116)
question How would you classify the splenic enlargement based on volume?
answer Normal (no splenomegaly)
mc_question ... A: Normal ... B: Moderate ... C: Severe ... D: Mild ...
correct_option A
organ spleen
question_type medical reasoning
question_subtype splenomegaly grading
requires_tools ["segment_organ", "measure", "lookup_medical_knowledge"]
这道题有三个层次的信息。
第一层在字段里：question_type 是医学推理，requires_tools 列了三步，说明它不是「脾脏有没有变大」的识别题，而是「按体积分级」的判读题，答案在四个等级词里。
第二层在证据链里：分割脾脏、测体积、查知识库映射阈值，三步缺一不可。层间距 5.0 毫米在这题上影响有限，因为体积由体素计数乘单位体积得到；但若问的是最大长径，5 毫米层厚意味着纵向误差可能到半个层厚以上。
第三层在题与题之间：该亚型在全量数据里只有 842 道，与基准侧题数完全相同，训练池零覆盖。想提这个亚型的表现，靠现有训练池补不了，必须自己造题。
它在后文还会被引用三次：§5.4 说明工具缓存如何省掉三步调用，§7.3 说明单亚型样本不足的偏差，§8.3 说明为何分层设计至今未被大规模复制。§4.3 的案例值得反复看，正因为它同时暴露了优点（证据链可核）与弱点（部分亚型样本严重不足）。
4.4 特色之二：三种工具模式把「模型能力」和「工具能力」拆开
多数医学基准只有一种模式：给图给题、模型直接答。这里做成可切换的三档。
| 模式 | 模型拿到什么 | 评的是什么 | 适合谁 |
|---|---|---|---|
| oracle（参照） | 参照掩膜算出的工具结果 | 测量完全正确时推理能走多远 | 给模型能力设上限 |
| predicted（预测） | 模型自带分割算出的结果 | 分割误差传导到答案的程度 | 评估端到端系统 |
| vision（视觉） | 器官切片，工具输出靠看图估 | 视觉感知与工具调用的耦合 | 评估视觉智能体 |
三档之间的差值本身就是结论。以官方榜里一个四兆参数级医学模型为例：直接作答约六十四分，走参照工具六十三点八，走预测工具六十点九，走纯视觉模式掉到三十一点五。参照与预测差不到三个点，说明自带分割已贴近参照；视觉模式掉一半以上，说明「看图估测量值」仍是硬伤。
这条拆法对产品团队有用：分割已经很强，参照与预测的差距就是你拿到的上限；没有分割模块，视觉模式的分才是真实起点。
4.5 特色之三：四万条轨迹可以拿来监督
官方给了两套轨迹：两万条训练、两万条留出，对话轮次格式，每轮记录调了哪个工具、传了什么参数、拿到什么返回。
覆盖范围要看清。两套轨迹都来自同一批 283 个训练体积，是八千三百余个体积里的一小部分，因为参照工具缓存目前只对这批做全了，扩到全体排在 2.1 版。轨迹覆盖 38 个亚型，排除的四类是段间比较、最大病灶切片、最大病灶位置、相邻器官——它们需要工具没提供的空间信息。
| 轨迹属性 | 值 | 影响 |
|---|---|---|
| 训练轨迹数 | 2 万 | 够小规模监督微调 |
| 留出轨迹数 | 2 万 | 够泛化检查 |
| 覆盖体积 | 283 个 | 多样性远低于训练池 |
| 覆盖亚型 | 38 个 | 空间定位四亚型缺失 |
| 排除原因 | 工具无空间信息 | 想覆盖需自建空间工具 |
实际后果是：用这批轨迹微调的智能体在空间定位类题上不会有改善，训练信号里压根没有这一类。§7.3 把它列为可枚举偏差。
4.6 质量的另一面：可机算答案的代价
可机算的参考答案带来判定可靠性，也窄化了答案空间。按形态归类，基准集的答案至少有五种。
| 答案形态 | 例 | 判定方式 | 在评测中的表现 |
|---|---|---|---|
| 等级词 | 正常、轻度、中度、重度 | 精确匹配 | 选项少，猜中率高 |
| 数值 | 体积、CT 值、长径 | 数值容差 | 最难，需要真测量 |
| 类别名 | 器官名、病灶类型 | 精确匹配 | 靠解剖知识可部分命中 |
| 相对判断 | 左侧更大、两边一样 | 精确匹配 | 依赖两侧测量的一致性 |
| 布尔 | 是、否 | 精确匹配 | 猜中率五成，题目区分度低 |
五类答案的猜中率差别很大：是非题五成，四级题两成半，数值题几乎猜不中。汇总成总体分时，配比一变，分数就跟着变。这也是官方在总体之外另给四档分的原因——同档之内答案形态相对同质，比较才成立。
§5 怎么拿到：下载、字段与最小可用流程
5.1 先选配置，再谈下载量
下载策略刻意做轻，官方按模态给了六种配置的下载量。
| 配置 | 下载体积 | 说明 |
|---|---|---|
| 问答 + 二维切片 | 约 0.7 GB | 最轻，够跑识别与部分推理 |
| 问答 + 二维视频 | 约 3.9 GB | 多帧时序，介于二三维之间 |
| 问答 + 三维体积 | 约 70 GB | 显式跑三维输入才需要 |
| 智能体 + 参照工具 | 约 11 MB | 只下缓存 |
| 智能体 + 预测工具 | 约 9 MB | 只下缓存 |
| 智能体 + 视觉 | 约 2.9 GB | 器官切片 |
训练侧同样拆分：二维切片约 6 GB，视频约 18 GB。训练池的三维体积不在本仓库，需去上游 AbdomenAtlas3.0Mini 按清单取，官方在训练目录给了一份含全部病例标识的链接说明。
判断很简单：先确认要评哪一档。识别与判读，二维切片够了；三维空间关系与体积测量，绕不开七十个 G，或者退一步用参照工具缓存。
5.2 取一份最小可用的基准问答
这段只下问答与整卷切片，跑完能读出规模而不碰大文件。
#-- 最小检索：只取基准问答与整卷切片，约 0.7 GB
from huggingface_hub import snapshot_download
import json
from pathlib import Path
root = Path(snapshot_download(
"tumor-vqa/DeepTumorVQA_2.0",
repo_type="dataset",
allow_patterns=[
"benchmark/test_qa.json",
"benchmark/images_2d/whole/*.png",
"metadata/subtype_schema.csv",
],
endpoint="https://hf-mirror.com",
))
qa = json.loads((root / "benchmark/test_qa.json").read_text())
print("版本", qa["version"])
print("题目数", qa["num_questions"], "影像数", qa["num_images"])
print("阶段", qa["question_types"])
first = qa["questions"][0]
for k in ("qid", "image_id", "organ", "question_type", "question_subtype", "correct_option"):
print(k, "=", first[k])
跑完会打印问答文件内部版本 4.1、题目一万、影像九百九十一、四个阶段名。这一步也在核对一件事：仓库名是 2.0，文件内版本是 4.1，两个编号不要混。
5.3 按亚型切片做小样本评测
全量一万道跑太慢，快速验证可按亚型抽样。这段等量抽题，凑一份两百题的小测集。
#-- 按亚型分层抽样，每亚型固定配额
import json
import random
from collections import defaultdict
from pathlib import Path
qa = json.loads(Path("benchmark/test_qa.json").read_text())
buckets = defaultdict(list)
for item in qa["questions"]:
buckets[item["question_subtype"]].append(item)
random.seed(20261026)
quota = 5
sample, tiny = [], []
for subtype, items in sorted(buckets.items()):
if len(items) < quota:
tiny.append((subtype, len(items)))
for q in random.sample(items, min(quota, len(items))):
sample.append({k: q[k] for k in
("qid", "image_id", "question", "answer",
"correct_option", "question_subtype")})
Path("sample_200.json").write_text(json.dumps(sample, ensure_ascii=False, indent=2))
print("抽样", len(sample), "题，覆盖亚型", len({s["question_subtype"] for s in sample}))
print("不足配额的小亚型", tiny)
重点不是抽样，是最后那行「不足配额的小亚型」：只有个位数甚至三道的亚型会全部落进列表，这正是 §2.4 说的失衡。做小样本评测时，它们不能与足量亚型同栏比较。
5.4 用工具缓存省掉三步调用
回到 §4.3 的案例。那道脾脏分级题需要三步工具调用，如果每次都真跑分割，一万道基准题的成本会很高。官方预先算好了缓存。
#-- 读参照工具缓存，取出某病例的分割与测量值
import json
from pathlib import Path
cache = json.loads(Path("tool_cache/benchmark_oracle_tool_cache.json").read_text())
image_id = "BDMAP_00008446"
entry = cache.get(image_id, {})
if isinstance(entry, dict):
for key in sorted(entry.keys()):
print(key, "->", str(entry[key])[:80])
else:
print("该病例在缓存中的类型:", type(entry).__name__)
print(str(entry)[:300])
缓存有两种：参照缓存用的是参照掩膜算出的值，可以视为工具的分数上限；自动分割缓存用的是通用的开源分割模型算出的值，代表不依赖人工掩膜的现实情形。两者对应 §4.4 表里的 oracle 与 predicted 两档。做对比实验时，同一批题在两份缓存上各跑一遍，差值就是自动分割的代价。
需要提醒的是，缓存的文件名与内容结构可能随版本调整，上面的读取方式做了容错。生产环境里不要写死字段名，先用一个病例把键打出来再取。
5.5 一次性把字段和亚型对齐
问答文件里的亚型字符串与亚型模式表里的名称必须逐字对齐，否则按亚型聚合会漏项。下面这段做一次完整性核对。
#-- 核对问答里的亚型是否都能在模式表里找到
import csv
import json
from pathlib import Path
qa = json.loads(Path("benchmark/test_qa.json").read_text())
rows = list(csv.DictReader(Path("metadata/subtype_schema.csv").open()))
schema = {r["subtype_name"] for r in rows}
used = {q["question_subtype"] for q in qa["questions"]}
missing = sorted(used - schema)
unused = sorted(schema - used)
print("模式表亚型数", len(schema))
print("问答里出现的亚型数", len(used))
print("问答有而表里没有", missing)
print("表里有而问答没用", unused)
counts = {}
for q in qa["questions"]:
counts[q["question_subtype"]] = counts.get(q["question_subtype"], 0) + 1
table = {r["subtype_name"]: int(r["n_benchmark"]) for r in rows}
diff = {k: (counts.get(k, 0), table.get(k)) for k in sorted(table) if counts.get(k, 0) != table.get(k)}
print("与模式表题数不一致的亚型", diff)
最后一行输出通常为空，说明模式表里的基准题数与实际问答文件一致。一旦不为空，先别怀疑数据有问题，先确认自己读的是不是同一个版本的文件——两个口径不一致时，官方未必给了解释，此时的正确做法是记录差异并注明版本，而不是替官方下判断。
5.6 三处常见的读取陷阱
| 陷阱 | 具体表现 | 处理方式 |
|---|---|---|
| 数值写成字符串 | spacing 与 shape 都是字符串 | 去括号与多余空格再切分 |
| 布尔类型不定 | 同列既有「True」又有类别词 | 先看类型分布再归一 |
| 空值表示不一 | 卡片写 null，文件写 NaN | JSON 用允许 NaN 的解析器，CSV 指定空值集合 |
| 选项数不固定 | 多为四选一，少数三选一 | 从 mc_question 解析实际项数 |
| 路径列仅基准集有 | 训练池无切片列 | 训练侧自行生成或按上游路径拼 |
| 同一病例多题 | 991 个体积挂 1 万道题 | 验证集按病例分组切，不能按题随机切 |
最后一条最易忽视。按题随机切，同一病例的题会同时落在训练与验证两侧，而它们共享同一套解剖事实，造成泄漏与虚高。先按 image_id 分组，再按组切。
§6 与库内条目的关系
6.1 关系图谱
在千方医数集的 AI-Ready 数据集库里，腹部 CT 与医学视觉问答这两个邻域都已经有成员，但没有一个条目同时占住这两块。这正是这个品类的空位。
┌── 3D-IRCADb（肝脏肿瘤分割，三维体积）
三维腹部影像 ───────┤
├── AMOS / BTCV 类（器官分割，多中心）
└── AbdomenCT-1K（器官分割，跨中心评测）
┌── VQA-RAD（放射单图问答）
二维医学问答 ───────┼── PathVQA（病理单图问答）
└── SLAKE（放射与病理单图问答）
┌── DeepTumorVQA 2.0 ← 三维体积 + 问答 + 工具环境三者交集
交叉空位 ──────────┘
| 邻近条目 | 与它的关系 | 可以互借的东西 |
|---|---|---|
| 三维器官分割类（如 AbdomenCT-1K） | 供给方 | 本数据集的掩膜与病例源自上游分割数据，分割强则问答的测量档上限高 |
| 三维肝脏肿瘤分割（如 3D-IRCADb） | 并行参照 | 都是三维肝脏病灶，但一个出分割掩膜、一个出问答，可交叉验证「分割好是否问答也好」 |
| 二维放射问答（如 VQA-RAD） | 能力阶梯 | 从单图问答进步到体积问答是否带来增益，可用两者对比 |
| 病理单图问答（如 PathVQA） | 模态对照 | 同为肿瘤主题，一个是 CT 三维、一个是镜下二维 |
| 腹部器官分割评测（如 BTCV） | 上游来源 | 病例可能重叠，做数据泄漏检查时要交叉核对病例标识 |
6.2 检索路径
在库里找它，可以从三条路径进去。
| 入口 | 检索方式 | 命中什么 |
|---|---|---|
| 标签入口 | 医学影像 + CT + 视觉问答 + 评测基准 | 三维问答是这个组合里唯一的成员 |
| 部位入口 | 腹部 → 肝、胆、胰、脾、肾 | 腹部 CT 影像类条目，本篇是其中唯一带问答标注的 |
| 任务入口 | 医学问答与基准 → 视觉问答 | 二维图像问答与三维体积问答并列，可直接比较 |
标签入口最精准：「CT + 视觉问答」的交集里只有本篇把三维体积当作默认输入模态。
6.3 与上游 AbdomenAtlas 的分工
若库里将来收录 AbdomenAtlas3.0Mini，分工是：上游给病例、报告与掩膜，本数据集给问答、亚型、派生模态与工具环境。
| 需求 | 找 AbdomenAtlas | 找 DeepTumorVQA |
|---|---|---|
| 要原始体积与掩膜 | 是 | 只给基准侧九百多个 |
| 要报告文本 | 是 | 只给派生出的短答 |
| 要问答对 | 否 | 是 |
| 要四阶段评测 | 否 | 是 |
| 要工具调用轨迹 | 否 | 是 |
| 要训练问答规模 | 否 | 是，约四十二万八千道 |
库里现有条目均未涵盖该上游，本篇已在来源与许可段标明，避免误认为影像版权归本仓库。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
在进入评分之前，需要先校正一个常见的误判：把这份数据集的分数当成「模型医学能力的度量」。
不是。它度量的是「模型在一条模板化证据链上的表现」，每环都有参照定义：分割用上游掩膜，测量用掩膜体素计数，知识用固定阈值。答对说明与该参照吻合；答错未必是医学上错了，可能是测量方法、参照体系不同，或答案更合理却不在选项里。
后果是：拿榜位去肯定或否定一个模型，都会高估它的证据力。正确读法是「在某套参照定义下的吻合度」，且必须配四档分一起读；单读总分，等于把 §4.1 说的分层设计整个浪费掉。
第二个误判是「医生只答对一半，所以题目不可信」。那批子集仅两百道，置信区间宽；医生用三维体积、直接作答、无工具，与模型最优配置不同条件。它标定的是难度下界，不是题目质量。
第三个误判是「官方数字打架说明数据有问题」。仓库版本 2.0、问答文件版本 4.1、论文口径约四十七万六千道，三条轴各有计数规则。遇到不一致，记下两个口径与差额，别替官方裁决。
7.1 五维评分
| 维度 | 分数 | 依据 | 扣分原因 |
|---|---|---|---|
| 规模 | 9 / 10 | 约四十三万八千道问答、九千余个体积、四十二个亚型 | 训练池与基准同源，缺少真正的外部验证集 |
| 结构规范 | 9 / 10 | 三层配置、字段字典齐、每字段有类型与含义 | 卡片示例与文件实际字段名有小幅不一致 |
| 标注质量 | 6 / 10 | 参照答案可机算、有分层抽样人工盲答 | 只有两百道经人工复核，其余为模板生成 |
| 可接入性 | 8 / 10 | 轻配置 0.7 GB、pip 包、HF 直接加载 | 三维体积 70 GB，训练侧需回上游取 |
| 文档完备度 | 8 / 10 | 卡片讲清布局、许可、模态拆分与轨迹覆盖 | 人口学与中心数细节指向论文，本页无口径 |
| 综合 | 8.0 / 10 | 三维问答品类里的当前首选 | 使用时必须配四档分数与模式说明 |
口径说明：这是相对同品类资源的分位判断，不是绝对分。规模给高分，因为四十二万八千道的量级在细分品类里没有对手；标注质量压到中等，因为模板生成加小样本复核是合理的工程折衷，但达不到「医生逐题标注」的标准。
7.2 用得好的三个特征
回看官方榜上的强项配置，有三个共同点。
一是模态匹配。二维切片微调在四兆参数级能到六成四上下，同参数的三维体积微调只有五成出头。不是三维没用，而是样本有限时投影成切片更易收敛，三维收益要等数据量与架构到位。
二是分层增益明确。器官级微调的版本在识别与测量两档的提升都明显大于医学推理档，说明微调信号主要落在前两档，后两档要靠知识注入或工具。
三是工具收益方向一致。切到工具模式后，测量档的提升是所有配置里最大的，这与「定量测量是主要瓶颈」互为佐证——工具把最难那环外包了出去。
7.3 已知的、可枚举的偏差
偏差分数据侧与设计侧两类。
| 编号 | 偏差 | 表现 | 后果 |
|---|---|---|---|
| B1 | 模板语言 | 问句由模板生成，句式重复 | 可借句式押注，临床问法迁移未验证 |
| B2 | 亚型样本失衡 | 最多近千道，最少三道 | 方差悬殊，小亚型不可单列 |
| B3 | 训练覆盖不均 | 多个推理亚型训练题数等于基准题数 | 微调需自行补样 |
| B4 | 轨迹覆盖窄 | 四万条轨迹仅来自 283 个体积 | 微调后体积多样性不足 |
| B5 | 空间任务缺口 | 四个空间定位亚型不进轨迹 | 「在哪里」类问题无训练信号 |
| B6 | 复核规模小 | 仅两百道经两名医生盲答 | 无法推断全量标注准确率 |
| B7 | 与基准同源 | 基准从留出池抽样，两者同源 | 训练过的模型基准分偏高 |
| B8 | 人口学披露不足 | 性别年龄有空值，中心构成未给 | 无法做公平性分层 |
§4.3 的案例正好可以拿来量化 B2。那个脾脏分级亚型全量只有 842 道题，与基准题数完全相同，说明训练池零覆盖。一个只在这份数据上训练过的模型，在这个亚型上的表现就等于零样本迁移，而它在总体分上的权重却与足量亚型相同——这是 B2 与 B7 叠加后最容易被忽略的失真点。
7.4 DAIMS 数据质量检查表
把常规数据质量检查项（DAIMS 体系）套在这份交付物上，看哪些官方已补齐、哪些要自建。检查对象是问答与元数据文件，影像侧只到仓库公布的结构。
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | 通过 | 三配置同构，字段跨基准与训练池同名 |
| 2 | 唯一标识 | 通过 | 主键唯一，病例标识与上游对齐 |
| 3 | 特殊字符 | 通过 | 标识为 ASCII，亚型名为小写英文 |
| 4 | 重复行 | 需核 | 未给去重说明；按题目去重 |
| 5 | 缺失编码 | 部分 | JSON 写 NaN，卡片写 null |
| 6 | 标签标识 | 通过 | 四阶段与 42 亚型由模式表定义 |
| 7 | 罕见类分组 | 缺 | 三道题的亚型未标记，会稀释均值 |
| 8 | 偏倚评估 | 部分 | 有两百道医生盲答，无人群偏倚评估 |
| 9 | 数据字典 | 通过 | 卡片逐字段说明，模式表补任务属性 |
| 10 | 缺失语义 | 缺 | scanner、contrast 为空的原因未说明 |
| 11 | 设备记录 | 缺 | 扫描仪与期相大面积空，无法控制设备变量 |
| 12 | 共线性 | 不适用 | 问答不是表格型特征 |
| 13 | 编码映射 | 缺 | 无 ICD 或 SNOMED 映射 |
| 14 | 时间戳 | 不适用 | 记录不含时间字段 |
| 15 | 划分建议 | 部分 | 有 train 与 val_pool，但同源 |
| 16 | 泄漏讨论 | 缺 | 说明基准从留出池抽，未论病例级泄漏 |
| 17 | 标签分布 | 通过 | 模式表直接给各亚型题数 |
| 18 | 测量偏倚 | 部分 | 参照由掩膜算出，掩膜一致性不在本库 |
| 19 | 外部验证建议 | 缺 | 未给推荐做法 |
| 20 | 版本记录 | 部分 | 两条版本轴并存，无变更日志 |
| 21 | 预处理脚本 | 通过 | 代码仓有生成与评测脚本 |
| 22 | 合规要求 | 通过 | 问答与影像分列许可 |
| 23 | 多模态对齐 | 通过 | 路径字段与三种模态一一对应 |
| 24 | 去标识化 | 部分 | 上游称已完成，未给明细 |
按项计，通过十项、部分九项、缺失六项、不适用两项，二十四分制约得十三分半。缺口不来自文档偷懒，而来自构造方式：质量重心放在「参照答案可机算」，对人群、设备、编码映射这些表格数据集才关心的维度投入有限。这十三分的缺口，都要在数据侧之外补。
7.5 外部验证矩阵
可信度很大程度取决于有没有别人独立用过。到 2026 年 10 月，能观察到的情况是：
| 验证来源 | 是否存在 | 说明 |
|---|---|---|
| 官方多配置横评 | 有 | 榜三十行，含通用模型、医学模型与两位医生 |
| 官方工具模式对比 | 有 | 参照、预测、视觉三档均有数据 |
| 同团队跨版本对比 | 有 | 1.0 与 2.0 可对照，题目集不同 |
| 第三方独立复现 | 尚未观察到 | 2026 年 5 月发布，复现需时间 |
| 下游任务实证 | 无 | 官方明确不用于临床决策 |
| 与上游分割基准交叉验证 | 未给 | 掩膜来自上游，理论可交叉，官方未做 |
最有分量的一行是「第三方独立复现尚未观察到」。新基准头一年的分数通常带配置红利——提示模板、输入分辨率、采样策略都在探索期，后来者常发现分数难完全重现。所以看到任何引用数字，先确认版本、输入模态、工具模式三件事，任一不同即不可比。
7.6 它为何能持续：把「量不准」这个真问题做成了可交付的评测
它活下来不是因为规模大，而是押中了一个短期不会消失的痛点：多模态模型看图能说，但量不准。三维场景比二维更尖锐，误差来源更多——层厚、配准、部分容积效应、掩膜边界。
只要痛点还在，四阶段分层就有理由存在：它把痛点拆成可测量的四块，谁想改进模型都知道该修哪块。若有一天模型在测量档普遍逼近工具精度，它的核心价值就会被抽走。§4.3 的案例展示的不是分数，而是「正确性建立在三步证据上」这个结构——结构在，基准就在。
另一层生存逻辑在工程侧。七十个 G 对多数实验室是门槛，官方用懒下载拆成 0.7 GB 入门包、3.9 GB 视频包、2.9 GB 视觉包，不同资源条件的人都能进来。这个决定看似细枝末节，实际决定了它能否被广泛试用。
§8 生态位与历史
8.1 历史沿革
关键节点都能在官方页面或论文里找到出处。
| 时间 | 事件 | 版本 | 出处 |
|---|---|---|---|
| 2025-05-11 | 仓库建立，交付单份问答 CSV 与病例映射表 | 1.0 | 仓库创建时间 |
| 2025-05 | 论文《Are Vision Language Models Ready for Clinical Diagnosis?》预印本 | 1.0 | arXiv 2505.18915 |
| 2025-06-30 | 1.0 最后一次更新 | 1.0 | 仓库更新时间 |
| 2026-05-03 | 2.0 仓库建立 | 2.0 | 仓库创建时间 |
| 2026-05-10 | 2.0 论文提交 arXiv | 2.0 | arXiv 2605.09679 提交日期 |
| 2026-05-25 | 2.0 最后更新（核对时） | 2.0 | 仓库更新时间 |
| 2026-06 起 | 见刊于 J Healthc Inform Res 系列刊物 | 2.0 | Europe PMC |
有两处要小心。一是 2.0 论文的见刊信息：Europe PMC 以题名精确检索无命中，只搜到同团队另一篇胰腺癌定位论文，故上表末行只写系列刊物、未写卷期。二是 1.0 的引用格式在卡片里有多余括号，属排版瑕疵。
1.0 到 2.0 的实质改动有四条：许可从非商业改为可商用；评测从单档改成四阶段；交付从一份 CSV 扩成三层配置；新增工具环境与轨迹。其中许可是产业侧的分水岭，分层是学术侧的分水岭。
8.2 生态位：它站在哪两条线的交叉点
第一条线是医学问答基准的演化：单图是非题、单图开放、带知识的多模态问答、三维体积问答。它站在「三维」节点上，把输入从一张图推到一整个体积，问题也从「这是什么」变成「有多大」。
第二条线是医学智能体：从纯语言工具调用走向带影像工具的多模态智能体。它给了一个带参照工具、可切三档模式的沙盒。
| 生态位 | 竞争者状态 | 本数据集的差异 |
|---|---|---|
| 三维医学问答 | 公开可用者极少 | 规模与分层当前领先 |
| 工具智能体沙盒 | 多数自建不公开 | 固定工具集与可复现评测器 |
| 腹部 CT 评测 | 多为分割与分类 | 唯一以问答评四阶段 |
| 肿瘤主题问答 | 二维为主 | 唯一体积级肿瘤问答 |
8.3 为什么分层设计至今没有被大规模复制
设计看起来不难，实现起来很贵，原因有三。
一是参照答案得可机算。分层的前提是每层都有确定参照，参照要靠掩膜与测量程序；多数问答集从医生自由文本里抽题，没有掩膜，分层就只能退化成主观难度分级。
二是参照证据链得真实存在。亚型模式表里每个亚型都写了轨迹步数与所需原语，这两列是先设计出来的；要先拆临床判读流程，工作量远超写问答。
三是工具体系。三档模式依赖可替换的工具接口，工具输出还要与参照严格对齐，这层的工程量在论文里不显眼，却决定上面两层能否落地。
§4.3 的案例在这里的作用是说明第三点的必要性：一道脾脏分级题如果只有两步工具就能答，那是识别题不是判读题；正是因为需要「分割、测量、查知识」三步且有次序，它才能被放进医学推理档，也才能被智能体轨迹覆盖。
8.4 与相邻资源的选型对照
在几个候选之间做选择，可按下表逐行走。
| 你的目标 | 首选 | 次选 | 不选它的理由 |
|---|---|---|---|
| 三维腹部病灶分割 | 上游分割数据集 | 本篇的掩膜 | 对外不出分割指标 |
| 三维腹部问答评测 | 本篇 | 自建私有集 | 私有集不可比 |
| 医学智能体工具调用 | 本篇 | 通用工具调用基准 | 通用基准无三维影像工具 |
| 二维放射问答 | 单图问答数据集 | 本篇的二维切片配置 | 切片是为三维问答服务的降级方案 |
| 放射报告生成 | 上游结构化报告 | 报告生成语料 | 没有叙述性文本 |
| 临床决策验证 | 前瞻性临床研究 | 无 | 明确不适用 |
这张表的用法是逐行排除，不是挑赢家。同一团队往往同时需要三到四种资源，把边界对齐比在单一资源上纠结更有用。
§9 使用指引
9.1 三种角色的路径
角色一：要做模型选型的技术负责人。 问题不是「哪个模型最好」，而是「用哪一档的模型」。路径是：先用二维切片配置把候选各跑一遍，只看四档分；按测量档与识别档的差值排序，差值大的短板在量化，配分割模块可能比换更大模型更划算。这一步不碰三维体积。
只有两个候选在二维配置上接近时，才值得上七十个 G 的体积输入把它们分开——三维输入的分差常在小数点后一位，成本却高一个量级。之后再把三档工具模式各跑一遍：预测与参照差三个点以内，说明自带分割够用；差十个点以上，说明分割模块必须先补。
角色二：要写论文的研究生。 约束是算力与时间。先确认要评哪一档，只报那一档，但四档全列——分层基准最常见的意见就是「为什么只报总体」。再写清评估条件：哪一版问答文件、哪种输入模态、哪种工具模式。做微调时按病例标识切分验证集而非按题随机切（§5.6），这一句值得在方法节单列。报亚型结果时，样本量小于十道的亚型单独标注，别混进均值。
角色三：要搭智能体原型的产品团队。 约束是工程链路。先只下工具缓存，十一兆就能在不碰影像的情况下把流水线跑通；再接 pip 评测器，用公开模型跑基线，确认输出与榜位同一量级——这是校准不是比成绩。然后同一模型在三档模式各跑一遍，把差值记成工具链缺口。
用轨迹做微调要算清代价：两万条轨迹只来自 283 个体积，超出这个解剖范围收益会打折。更稳的是先用轨迹把工具序列格式固定下来，再回自有数据扩样。§4.3 的案例可当业务样例：三步证据链是典型深度，工具集至少要覆盖定位、量化、查规则三类。
9.2 一条最短的可用流程
这条流程从零跑到能报出带四档分的结果，不需要三维体积。
#-- 第一步：装评测器与数据下载工具
python3.11 -m pip install --upgrade deeptumorvqa huggingface_hub
#-- 第二步：指向镜像，只取基准问答与整卷切片
export HF_ENDPOINT=https://hf-mirror.com
python3.11 -c "
from huggingface_hub import snapshot_download
snapshot_download('tumor-vqa/DeepTumorVQA_2.0', repo_type='dataset',
allow_patterns=['benchmark/test_qa.json',
'benchmark/images_2d/whole/*.png',
'metadata/leaderboard.csv'])
"
#-- 第三步：先跑一遍官方给出的示例模型，确认流水线通
deeptumorvqa-eval --model Qwen/Qwen3-VL-4B-Instruct \
--mode vqa --input 2d_image --format mc \
--output results/baseline.json
#-- 第四步：换模型重跑，只改 --model 参数
deeptumorvqa-eval --model Qwen/Qwen3-VL-8B-Instruct \
--mode vqa --input 2d_image --format mc \
--output results/compare.json
第三步是关键校准点。官方卡片给的示例命令本身就是可跑通的基线；若分数与榜上可对照行差出一大截，先查切片目录，再查评测模式，最后才怀疑模型。把环境问题误判成模型问题，是这类评测最常见的冤枉。想评三维输入，把 --input 换成体积配置并先放好体积；想评工具模式，加参数并把缓存下到工作目录，都不必改评测器代码。
9.3 引用方式
论文引用用官方给的条目，注意作者顺序与题名。
@article{chen2026deeptumorvqa,
title = {DeepTumorVQA: A Hierarchical 3D CT Benchmark for
Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents},
author = {Chen, Yixiong and Xiao, Wenjie and Bassi, Pedro RAS and
Wang, Boyan and He, Liang and Zhou, Xinze and Er, Sezgin and
Hamamci, Ibrahim Ethem and Zhou, Zongwei and Yuille, Alan},
journal = {arXiv preprint arXiv:2605.09679},
year = {2026}
}
| 引用场景 | 该引什么 | 注意事项 |
|---|---|---|
| 引用问答数据 | 2.0 论文与仓库 | 两处都引，仓库会更新 |
| 引用上游影像 | AbdomenAtlas3.0Mini 及来源 | 版权归上游，不能只引本篇 |
| 引用前代结果 | 1.0 论文与旧仓库 | 标明版本，不与 2.0 混排 |
| 引用排行榜 | 仓库 CSV 并注明日期 | 榜单随投稿变化 |
| 商用致谢 | 问答署名，影像逐个核对 | 两类许可分开处理 |
署名要分清问答与影像两部分：问答嵌进产品只署一次名，派生切片或视频随产品分发则要沿上游链条逐个确认条款。§7.3 的 B7 也相关：若产品用的是在训练池上微调过的模型，署名之外还要说明能力来源与局限。
§10 AI 使用声明
| 项目 | 内容 |
|---|---|
| 撰写方式 | 由写作助手按千方医数集百科体例生成初稿 |
| 事实来源 | 官方数据集卡、官方仓库文件（问答样本、亚型模式表、排行榜、覆盖说明）、2.0 论文摘要 arXiv 页 |
| 检索方式 | 直接访问官方 API 与原始文件，未使用搜索引擎摘要代替原文 |
| 数字核对 | 规模与结构类数字以官方文件为准；官方内部口径不一致处已注明两个口径与差额 |
| 人工复核范围 | 医学表述、许可条款、亚型命名的中文对照 |
| 未核实项 | 论文期刊卷期、上游中心构成、人口学分布细节 |
| 未使用 | 未下载全量影像包逐条统计，未做分布类统计，未复跑任何模型 |
| 责任声明 | 本页不构成临床使用建议；数据用途以官方条款为准 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 答案是放射科医生写的 | 由报告加掩膜经模板程序生成 | 数据集卡「标注」小节：全部问答由验证过的元数据程序化生成 |
| 两百道人工复核太少所以不可信 | 那是分层抽样估难度，不是校对样本 | 官方写明两位执业医生独立盲答，用意是展示难度非平凡 |
| 四十二亚型等于四十二种病 | 是任务亚型，一个器官可对应多个 | 模式表里肝脏同时出现在存在性、脂肪变、聚集度 |
| 论文四十七万六千道、仓库四十三万八千道，必有一个错 | 两个口径：交付物与全量含留出池，差额官方未说明 | 摘要给全量口径，卡片给交付物口径 |
| 医生只答对一半说明题目有毛病 | 两百道、直接作答、无工具，与模型最优配置不同条件 | 榜里两位医生输入为三维体积、模式为直接作答 |
| 分层设计让总分更可信 | 总分会被题量最多的亚型主导 | 模式表显示器官聚集度近千道、器官体积测量八百余道 |
| 训练池与基准同源，不能拿来训练 | 可以训练，但不能再拿基准当外部验证 | 卡片说明基准从留出池抽样而来 |
| 七十个 G 是必须付的下载成本 | 二维切片配置只要零点七 G | 数据集卡按模态懒下载表 |
| 写着 CC-BY-4.0 就能整包商用再分发 | 只有问答与元数据是这个许可，影像沿用上游 | 卡片许可小节分三段写明 |
| 能拿它的分数做器械申报证据 | 官方明确仅供研究与教学 | 卡片使用注意事项第一条 |
FAQ
Q1：DeepTumorVQA 的答案是放射科医生写的吗？
不是。由结构化报告加器官分割掩膜经模板程序生成，另取两百道请两名执业放射科医生盲答，只为估难度，不是逐题校对。要当金标准用，先看清这点。
Q2：为什么有的地方写四十三万八千条，论文却写四十七万六千条？
卡片按交付物计数：一万道基准加约四十二万八千道训练池；论文按含留出池的全量口径。差额在留出池与去重规则，官方未说明。
Q3：不下载七十 G 的 CT 也能评测吗？
能。二维切片配置约零点七 G，视频约三点九 G，只有显式选三维体积输入才要七十 G。智能体参照缓存只要十一兆。
Q4：能把这个数据集直接用于临床吗？
不能。数据集卡写明仅供研究与教学，未获临床决策用途批准；评测分数高不等于临床可用。
Q5：训练池的 CT 体积在哪里？
本仓库不重托管训练池的 NIfTI，按官方说明去上游 AbdomenAtlas3.0Mini 取；基准的九百九十一个体积直接放在仓库里，训练目录另附病例清单。
Q6：为什么模型的总体分不高，但它的识别分很高？
这正是分层要显露的。识别一次分割就能定论，测量要准确量出数值，后者对当前模型是硬伤；总分被测量档拖下来，短板在量化不在感知。
Q7：能不能只用它的问答，影像用自己的 CT？
技术上可以，但题与影像强绑定：参照答案由对应体积的掩膜算出，换影像等于换参照。做跨中心泛化，正确做法是在新数据上重跑参照工具生成答案。
Q8：九千多个体积是九千多个病人吗？
不一一对应。官方给的是体积数，同一病人可能有多个期相或重建。做病人级统计前先去重，否则同一个人算两遍。
Q9：为什么有些亚型在训练池里等于零？
模式表显示若干医学推理亚型在全量与基准的题数完全相同，说明它们全在基准侧。想微调这些亚型，得自己在同源数据上造题。
Q10：能不能用它替代分割评测？
不能。它对外给的是问答准确率，不是戴斯系数。但附带的自动分割缓存可估算分割误差对问答的影响。
Q11：排行榜可以直接拿来比吗？
只有版本、输入模态、工具模式三项都相同时才可比。同一模型常有多行，分别对应二维、视频、三维与三种工具模式；看输入列与模式列，别只排总分类。
Q12：它会一直更新吗？
官方在覆盖说明里提到把轨迹扩到全部训练体积，标为 2.1 版。在此之前做版本间比较要留出这条变量。
术语表
| 术语 | 英文 | 含义 |
|---|---|---|
| 三维视觉问答 | 3D VQA | 以三维体积为输入的问答，区别于单图问答 |
| 证据链 | evidence chain | 从识别到判读的步骤序列，每步有参照 |
| 四阶段 | four stages | 识别、测量、视觉推理、医学推理 |
| 亚型 | subtype | 任务粒度，共四十二个 |
| 原语 | primitive | 工具类别，分分割、测量、知识三类 |
| 参照轨迹 | ground-truth trace | 一道题应有的工具调用序列 |
| 参照工具模式 | oracle mode | 参照掩膜算出的工具结果交给模型 |
| 预测工具模式 | predicted mode | 用模型自带分割算出工具结果 |
| 视觉模式 | vision mode | 只给器官切片，测量靠看图估 |
| 体素间距 | spacing | 相邻体素在三个方向上的物理距离 |
| 层厚 | slice thickness | 沿第三维的采样间隔 |
| 部分容积效应 | partial volume effect | 体素跨越组织边界造成的灰度混合 |
| 掩膜 | mask | 逐体素标注的分割结果 |
| 自动分割缓存 | auto-seg cache | 通用分割模型预算好的工具输出 |
| 留出池 | val pool | 基准题目的抽样来源 |
| 器官聚焦切片 | organ-focused slice | 围绕器官裁剪的二维切片 |
| 整卷切片 | whole-volume slice | 覆盖整体积的二维切片 |
| 选择题模式 | MC | 选项内嵌在问句中 |
| 开放式模式 | free-form | 直接生成答案，靠匹配判分 |
| 模板化生成 | templated generation | 固定句式加变量批量造题 |
| 可机算答案 | computable ground truth | 可由程序从掩膜或规则算出 |
| 病例标识 | BDMAP ID | 上游 AbdomenAtlas 的病例编号 |
| 亚型模式表 | subtype schema | 亚型、属性、原语、题数对照表 |
| 中心 | center | 影像采集机构 |
| 分层抽样 | stratified sampling | 按亚型等比例抽题 |
| 病例级划分 | patient-level split | 按病人切训练与验证 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 问答对总数 | 约 438,000 | 数据集卡首段 | 官方页面 |
| 基准问答数 | 10,000 | 问答文件 num_questions 字段 | 官方文件 |
| 训练池问答数 | 428,050 | 数据集卡配置表 | 官方页面 |
| 论文全量问答数 | 约 476,000 | 论文摘要 | 论文摘要 |
| CT 体积总数 | 九千二百六十二 | 论文摘要 | 论文摘要 |
| 基准体积数 | 991 | 问答文件 num_images 字段 | 官方文件 |
| 训练池体积数 | 八千三百三十四 | 数据集卡配置表 | 官方页面 |
| 临床亚型数 | 42 | 亚型模式表行数 | 官方文件 |
| 亚型模式表列数 | 13 | 亚型模式表表头 | 官方文件 |
| 识别类亚型数 | 9 | 亚型模式表分组计数 | 官方文件 |
| 测量类亚型数 | 5 | 亚型模式表分组计数 | 官方文件 |
| 视觉推理类亚型数 | 16 | 亚型模式表分组计数 | 官方文件 |
| 医学推理类亚型数 | 12 | 亚型模式表分组计数 | 官方文件 |
| 最大亚型题数 | 977 | 亚型模式表 | 官方文件 |
| 最小亚型题数 | 3 | 亚型模式表 | 官方文件 |
| 轨迹总数 | 40,000 | 数据集卡配置表 | 官方页面 |
| 轨迹覆盖体积 | 283 | 覆盖说明 | 官方文件 |
| 轨迹覆盖亚型 | 38 | 覆盖说明 | 官方文件 |
| 排行榜行数 | 38 | 排行榜 CSV | 官方文件 |
| 资深医生总体分 | 54.5 | 排行榜 CSV | 官方文件 |
| 初级医生总体分 | 45.0 | 排行榜 CSV | 官方文件 |
| 人工复核题数 | 200 | 数据集卡标注小节 | 官方页面 |
| 三维体积下载量 | 约 70 GB | 数据集卡懒下载表 | 官方页面 |
| 二维切片下载量 | 约 0.7 GB | 数据集卡懒下载表 | 官方页面 |
| 视频下载量 | 约 3.9 GB | 数据集卡懒下载表 | 官方页面 |
| 问答文件内部版本 | 4.1 | 问答文件 version 字段 | 官方文件 |
| 仓库文件条目数 | 两万余 | 仓库 API 统计 | 未核实（API 返回值） |
附录 B：数字的来源分层
第一层：官方页面。 来自数据集卡与仓库文件，包括问答总数、配置规模、下载量、许可安排、工具模式名称、标注方式与人工复核规模。可直接引用，官方修订会同步在同一位置。
第二层：论文摘要。 来自 arXiv 2605.09679，包括全量问答数、体积总数、三十多个配置的评测结论、测量是主瓶颈的判断。覆盖面比卡片宽，口径与卡片不同，引用须标明。
第三层：未核实。 期刊卷期、上游中心构成与人口学分布、各亚型的来源比例、自动分割缓存的模型与权重版本。两处来源都没有明确给出，本文相关表述一律写成「未给出口径」，不做推断。
三层混用最容易出的错是把第二层当成第一层的补充。两层计数规则不同：一层数交付物，二层数设计全集；差额（留出池与去重规则）没有公开说明，正确写法是两个口径并列。
附录 C：完整参考文献
- Chen Y, Xiao W, Bassi P, Wang B, He L, Zhou X, Er S, Hamamci IE, Zhou Z, Yuille A. DeepTumorVQA: A Hierarchical 3D CT Benchmark for Stage-Wise Evaluation of Medical VLMs and Tool-Augmented Agents. arXiv:2605.09679, 2026. https://arxiv.org/abs/2605.09679
- Chen Y, Xiao W, Bassi P, Zhou X, Er S, Hamamci IE, Zhou Z, Yuille A. Are Vision Language Models Ready for Clinical Diagnosis? A 3D Medical Benchmark for Tumor-centric Visual Question Answering. arXiv:2505.18915, 2025.
- Hugging Face 数据集卡 tumor-vqa/DeepTumorVQA_2.0. https://huggingface.co/datasets/tumor-vqa/DeepTumorVQA_2.0
- Hugging Face 数据集卡 tumor-vqa/DeepTumorVQA_1.0. https://huggingface.co/datasets/tumor-vqa/DeepTumorVQA_1.0
- 仓库文件 benchmark/test_qa.json 与 benchmark/test_qa.jsonl（问答字段与版本元数据）。
- 仓库文件 metadata/subtype_schema.csv（四十二亚型乘十三列的属性表）。
- 仓库文件 metadata/leaderboard.csv 与 leaderboard_freeform.csv（模型与医生分数）。
- 仓库文件 agent_sft/coverage_note.md（轨迹覆盖范围与排除亚型）。
- 仓库文件 train/ct_link.md（训练池体积的上游链接与病例清单）。
- 代码仓库 Schuture/DeepTumorVQA. https://github.com/Schuture/DeepTumorVQA
- 上游影像 AbdomenAtlas3.0Mini. https://huggingface.co/datasets/AbdomenAtlas/AbdomenAtlas3.0Mini
- Moglia A, Nastasio EC, Mainardi L, Cerveri P. MiniGPT-Pancreas: Multimodal Large Language Model for Pancreas Cancer Observation and Localization in CT Images. J Healthc Inform Res, 2026;10(1):40-69. doi:10.1007/s41666-025-00224-6（用于说明同领域其他团队对 CT 与问答式交互的探索，非本数据集来源）。
附录 D：从零复现一次小规模评测
把前文散落的步骤串成一条完整任务：只评识别与测量两档，用两百题，不碰三维体积。
#-- 步骤一：建工作目录并抽出按亚型分层的二百题子集
import json
import random
from collections import defaultdict
from pathlib import Path
base = Path("work_deeptumorvqa")
base.mkdir(exist_ok=True)
qa = json.loads(Path("benchmark/test_qa.json").read_text())
by_subtype = defaultdict(list)
for row in qa["questions"]:
if row["question_type"] in ("recognition", "measurement"):
by_subtype[row["question_subtype"]].append(row)
random.seed(7)
picked = []
report = []
for subtype, rows in sorted(by_subtype.items()):
take = random.sample(rows, min(len(rows), 10))
picked.extend(take)
report.append({"subtype": subtype, "available": len(rows), "picked": len(take)})
(base / "subset_meta.json").write_text(json.dumps(report, ensure_ascii=False, indent=2))
(base / "subset.jsonl").write_text(
"\n".join(json.dumps(r, ensure_ascii=False) for r in picked))
print("抽题", len(picked), "覆盖亚型", len(report))
low = [r for r in report if r["available"] < 10]
print("样本不足十道的亚型", [(r["subtype"], r["available"]) for r in low])
#-- 步骤二：跑评测并汇总四档分与亚型分
import json
import subprocess
from collections import defaultdict
from pathlib import Path
base = Path("work_deeptumorvqa")
subprocess.run([
"deeptumorvqa-eval",
"--model", "Qwen/Qwen3-VL-4B-Instruct",
"--mode", "vqa",
"--input", "2d_image",
"--format", "mc",
"--data", str(base / "subset.jsonl"),
"--output", str(base / "result.json"),
], check=True)
res = json.loads((base / "result.json").read_text())
records = res.get("records", res.get("predictions", []))
hit = defaultdict(lambda: [0, 0])
for r in records:
st = r["question_subtype"]
ok = int(r.get("predicted_option") == r.get("correct_option"))
hit[st][0] += ok
hit[st][1] += 1
rows = sorted(((k, v[0] / max(v[1], 1), v[1]) for k, v in hit.items()), key=lambda x: x[1])
for k, acc, n in rows:
print(f"{k:38s} acc={acc:.3f} n={n}")
#-- 步骤三：把两次运行的结果做差，看模型差异落在哪一档
python3.11 - <<'PY'
import json
from pathlib import Path
a = json.loads(Path("work_deeptumorvqa/result.json").read_text())
b = json.loads(Path("work_deeptumorvqa/result_8b.json").read_text())
def stage_acc(res):
acc = {}
for r in res.get("records", res.get("predictions", [])):
st = r.get("question_type", "unknown")
cur = acc.setdefault(st, [0, 0])
cur[0] += int(r.get("predicted_option") == r.get("correct_option"))
cur[1] += 1
return {k: v[0] / max(v[1], 1) for k, v in acc.items()}
sa, sb = stage_acc(a), stage_acc(b)
for k in sorted(sa):
print(f"{k:20s} 4B={sa[k]:.3f} 8B={sb.get(k, float('nan')):.3f} delta={sb.get(k, 0) - sa[k]:+.3f}")
PY
三段做完，你手上有一张表：横轴是亚型，纵轴是准确率，外加两档差。这张表的用法是找「样本足但准确率奇低」的格子——那才是模型真正的短板；样本不足十道的格子要单独标注，不能与足量亚型并列比较，这一点在 §7.3 表里已经列为 B2 偏差。如果想继续往三维走，把步骤二的输入参数换成三维体积配置，并在运行前确认体积目录已就位。
附录 E：如果只记五件事
- 它是四阶段分层评测，不是又一个总分榜。 报分数必须报四档，否则这套设计等于没用。
- 答案不是医生写的。 由结构化报告加掩膜模板生成，两百道由两名医生盲答只用于标定难度。
- 两个口径要分清。 交付物约四十三万八千道，论文全量约四十七万六千道，差额源自留出池，官方未拆解。
- 下载量可以砍到零点七 G。 七十 G 的三维体积只在显式选择三维输入时才需要，先用二维配置做选型，再决定是否上三维。
- 许可分三层。 问答与元数据是 CC-BY-4.0，派生切片与视频沿用上游，底层体积归各自来源数据集。
编辑说明
核验时间 2026 年 10 月 26 日。核验方式为直接访问镜像 API 与仓库原始文件（数据集卡、问答样本、亚型模式表、排行榜、覆盖说明、训练链接说明），以及 arXiv 摘要页；Europe PMC 以题名精确检索无命中，故期刊卷期未列入。
未覆盖：各上游数据集的体积占比、人群与中心分布、自动分割缓存的模型与权重、开放式评分的全部结果。
口径：「约」表示官方给的是约数或本页取整；「未核实」表示两处来源都没有给出且未做推断；官方数字不一致时并列两个口径并注明差额，不判断对错。
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：
- slide-chat — 共享标签：医学影像 / 医学问答与基准 / 视觉问答 / 肿瘤学
- kits — 共享标签：医学影像 / CT / 医学问答与基准 / 肿瘤学
- lits — 共享标签：医学影像 / CT / 医学问答与基准 / 肿瘤学
- flare — 共享标签：医学影像 / CT / 医学问答与基准 / 肿瘤学
- flare-2026 — 共享标签：医学影像 / CT / 医学问答与基准 / 肿瘤学
- dalphin — 共享标签：医学影像 / 医学问答与基准 / 视觉问答 / 肿瘤学
- pddca — 共享标签：医学影像 / CT / 肿瘤学
- autopet — 共享标签：医学影像 / CT / 肿瘤学
- lung-pet-ct-dx — 共享标签：医学影像 / CT / 肿瘤学
- ct-org — 共享标签：医学影像 / CT / 肿瘤学
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。
