信息速览
INFOBOX — EchoNet-Pediatric 一屏速览
维度 内容 本质 最大公开的带专家标注儿科超声心动图视频数据集（非挑战赛）；配套模型名 EchoNet-Peds 团队 Stanford（Lucile Packard 儿童医院）+ Cedars-Sinai；一作/通讯 Charitha D. Reddy 论文 J Am Soc Echocardiogr 2023;36(5):482-489（doi:10.1016/j.echo.2023.01.015；2022 online 双口径） 数据 4,467 次检查 / 1,958 名患儿（0-18 岁，43% 女性）/ 7,643 段视频（A4C 3,176 + PSAX 4,424） 规格 112×112 px 正方形灰阶视频，cubic 插值降采样；17,600 张标注图像 视图 A4C（心尖四腔心）+ PSAX（胸骨旁短轴）——PSAX 为儿科特有新增视图 标注 注册超声技师测量 + 专家医师核验；ED/ES 两时点内膜描记坐标 + EF（5/6 area-length 子弹法） 模型 EchoNet-Peds（视频深度网络，逐帧 LV 分割 + EF 回归）；权重由成人 EchoNet-Dynamic 初始化 性能 分割 Dice 0.891（A4C）/0.896（PSAX）；双视图 EF MAE 3.66%、R² 0.77；收缩障碍 AUC 0.954-0.980 核心结论 儿科数据训练显著优于成人模型迁移（P<1e-100）；儿科数据足可独立训练（vs Kinetics-400 微调 P=.09） 获取 注册墙：Stanford AIMI 门户注册 + 同意 RUA（个人非商业研究）；不得分享直链 许可 Stanford 自定义研究使用协议（非 CC）；论文 © 2023 ASE 库内互链 EchoNet-Dynamic（上游成人前作）、EchoNet-LVH（姊妹集）、CAMUS（超声 EF 对照集）
EchoNet-Pediatric 回答了一个儿科 AI 社区的长期痛点：成人模型不能直接搬到孩子身上。它把斯坦福儿童医院 2014-2021 年间 1,958 名 0-18 岁患儿的 7,643 段超声心动视频整理成公开数据集，每段都带注册超声技师测量、专家医师核验的左心室描记与射血分数，并新增了成人数据集 EchoNet-Dynamic 所没有的胸骨旁短轴（PSAX）视图。配套模型 EchoNet-Peds 在同一批数据上分割左心室的 Dice 达 0.89、估计射血分数的平均绝对误差仅 3.66%，且显著优于把成人模型直接用在儿科数据上的结果（P<1e-100）——这个对比本身就是"儿科专属数据值得投资"的最硬证据。
导语读法三则：
- 只想用数据：直奔 §6 获取与许可——这是注册墙而非开放直链，且不得转发链接、不得商用；别把它当 CC BY 数据集用。
- 关心儿科 vs 成人迁移：直奔 §4 核心发现——成人模型直接迁移为何失效、儿科数据从零训练为何够用，两段连读。
- 要做视频分割/回归建模：直奔 §3 数据规格与标注 + §5 评测基准——Dice/MAE/AUC 全维指标可直接对标。
§0 导读：这个数据集解决什么问题
儿科心脏病学长期受制于一个结构性矛盾：疾病本身罕见，但 AI 模型极度依赖大规模标注数据。成人超声心动图 AI 之所以进展快，是因为 EchoNet-Dynamic 这样的万级视频数据集能做出来；而儿科因为先心病与获得性心脏病的低患病率，单个中心积累数千例带专家描记的标注视频往往需要近十年。结果就是：绝大多数用于儿科的心脏 AI 工具，本质上是把成人数据训练的模型"硬套"给孩子，而孩子的体型跨度大（从 2 kg 早产儿到 100 kg 青少年）、心率范围宽、配合度低、图像质量波动大——成人模型假设的前提在儿科几乎全部不成立。
EchoNet-Pediatric 给出的回应分三层。第一层是数据：把斯坦福儿童医院 2014-2021 年间的 4,467 次常规检查整理为 7,643 段 112×112 视频，覆盖心尖四腔心（A4C）与胸骨旁短轴（PSAX）两个视图，每段带注册超声技师测量、专家医师核验的射血分数（5/6 area-length 子弹法）与舒张末期/收缩末期左心室内膜描记坐标。第二层是模型：EchoNet-Peds 同时做逐帧左心室分割与射血分数回归，权重从成人 EchoNet-Dynamic 迁移初始化再用儿科数据微调——论文刻意设计了这个"从成人起步"的路径来测试迁移价值。第三层是结论：儿科模型在全部年龄/体型亚组上显著优于成人模型直接迁移（P<1e-100），而儿科数据从零训练与从成人微调的差距小到不显著（P=.09）——这为"儿科需要专属数据"提供了直接证据。
§0 读法三则：
- 这个条目是"数据集+模型论文"二合一：数据集是公开资产，模型是论文方法学的核心贡献；两者许可不同（数据受 Stanford RUA，论文受 Elsevier 版权）。
- 全文统计数字均出自论文正文与 Table 1-3；视频总数存在官方 7,643 vs 第三方 7,810 双口径，已在坑点 1 存照。
- 检索时若只搜 “EchoNet-Peds” 会落在模型上、只搜 “EchoNet-Pediatric” 落在数据集上——两者同源不同物，论文标题用的是模型名，官网页用的是数据集名。
0.1 为什么"儿科"值得单独做一个数据集
在讨论技术细节前，先回答一个前置问题：为什么不直接用成人数据？儿科超声心动与成人的差异体现在五个层面，每一个都会破坏成人模型的前提假设：
| 差异维度 | 成人 | 儿科 | 对模型的影响 |
|---|---|---|---|
| 体型跨度 | 相对集中 | 从 2 kg 到 100 kg | 同一网络需处理差异百倍的目标尺度 |
| 心率 | 60-100 bpm | 可达 150+ bpm（婴儿） | 心动周期帧数差异大，时序建模困难 |
| 配合度 | 高（可屏气配合） | 低（哭闹、移动） | 运动伪影多，图像质量波动大 |
| 解剖变异 | 相对少 | 先心病形态多样 | 但本数据集先排除复杂解剖以简化问题 |
| 回声条件 | 好 | 声窗小、穿透差 | 图像信噪比低 |
这五条共同解释了论文的开篇论断：“Artificial intelligence models trained on adult echocardiograms are not likely to be applicable to a pediatric population”（成人超声心动训练的 AI 模型不太可能适用于儿科人群）。本数据集的存在，就是把这一论断从"直觉"变成"可测量的实证"：它提供了儿科专属数据，从而能直接对比"成人模型迁移"与"儿科模型"的性能差。
0.2 本数据集的三层贡献拆解
阅读本条目时，建议把它的贡献拆成三层分别理解：
- 数据层（公开资产）：7,643 段带专家标注的儿科超声心动视频，含 EF、描记坐标、人口学元数据与官方划分——这层是"可下载、可训练"的实体。
- 模型层（方法学）：EchoNet-Peds 的双任务架构与"成人预训练 + 儿科微调"训练路径——这层是"算法贡献"，其价值在于范式可迁移。
- 结论层（领域论断）：儿科数据训练显著优于成人模型迁移（P<1e-100）且儿科数据已够独立训练（P=.09）——这层是"科学发现"，可独立引用。
三层各有独立价值，也各有独立许可属性：数据受 RUA、论文受 Elsevier 版权、结论可自由引用（学术惯例）。检索者应明确自己需要的是哪一层——要跑模型只需数据层，要引用论断只需结论层。
§1 数据集速览：十问十答
Q1：EchoNet-Pediatric 的"7,643 段视频"是怎么来的？
斯坦福儿童医院（Lucile Packard Children’s Hospital at Stanford）2014-2021 年间 4,467 次常规临床超声检查，从中提取出心尖四腔心（A4C）与胸骨旁短轴（PSAX）两类视频片段，共 7,643 段，对应 1,958 名 0-18 岁患儿。
Q2：为什么视频数（7,643）比检查数（4,467）多？
一次完整超声检查会采集多个视图的多段视频。论文 Table 1 显示 3,176 次检查含 A4C、4,424 次含 PSAX、3,133 次两者兼有（有重叠），故视频片段总数多于检查次数。
Q3：A4C 和 PSAX 分别是什么？为什么重要？
A4C（apical 4-chamber，心尖四腔心）是从心尖看四个心腔的经典切面；PSAX（parasternal short-axis，胸骨旁短轴）是从胸骨旁看心室横截面。PSAX 是儿科特有的补充视图——成人为主的 EchoNet-Dynamic 只有 A4C，而儿科评估左心室常需短轴提供正交信息。
Q4：EF 标注用什么方法？
5/6 area-length method（“Bullet method” 子弹法）：LV 容积由 A4C 与 PSAX 两视图共同推导，EF = (EDV − ESV) / EDV。论文选择该方法是因为它在儿科比成人常用的盘法（method of disks）更可靠。
Q5：标注是谁做的，可靠吗？
注册超声技师（registered sonographer）按标准临床流程测量，由专家医师超声心动图医师（expert physician echocardiographer）核验；最终报告中报告的 EF 作为金标准。左心室在舒张末期与收缩末期两时点的内膜边界被逐点描记。
Q6：模型性能如何？
分割左心室的 Dice 系数：A4C 0.891、PSAX 0.896（两视图概称 0.89）。双视图射血分数估计：MAE 3.66%、RMSE 4.98%、R² 0.77；识别收缩功能障碍（EF<55%）AUC 0.954，EF<50% 时升至 0.980。单卡 GTX 1080 Ti 上每段视频推理仅 0.062 秒。
Q7：它和 EchoNet-Dynamic 什么关系？
EchoNet-Dynamic 是成人版（10,030 段 A4C，Nature 2020），是本数据集的直接前作：EchoNet-Peds 的模型权重从 EchoNet-Dynamic 初始化再微调。论文的核心对比实验就是"儿科模型 vs 成人模型直接用在儿科数据上"。
Q8：儿科专属数据真的比成人数据好吗？
论文给出三重证据：①儿科模型显著优于成人模型直接迁移（P<1e-100，仅用 A4C 比较）；②儿科数据从零训练 vs 从成人权重微调差异不显著（P=.09），说明儿科数据量已足够独立训练；③全部年龄/性别/体型亚组 MAE 均 <5%。
Q9：我现在能拿到什么？
需注册 Stanford AIMI 门户（微软账号）→ 同意 EchoNet-Pediatric 研究使用协议 → 经 Redivis 门户下载。协议限制个人非商业研究，不得分发、不得商用、不得分享下载链接。约 2.51 GB。
Q10：为什么它对 AI-Ready 重要？
它是"注册墙 + 自定义研究协议"型数据集在儿科心血管领域的代表样本：文档与划分规范（8:1:1 官方划分、Dice/MAE/AUC 全指标、描记坐标可复现），但可获取性被注册墙与研究协议双重约束，且明确禁止衍生作品——AI-Ready 得分在可获取性维度上被显著拖低，却在元数据与可复现性维度上高于均值。
1.1 一屏速览的读法
上面十问覆盖了从"是什么"到"怎么用"的完整链路，但检索者常犯的一类错误是把数据集与模型混为一谈。这里给出最简区分的三条记忆锚点：
- 名字锚：EchoNet-Pediatric = 数据集；EchoNet-Peds = 模型。前者是"素材库"，后者是"在素材库上训练出的算法"。
- 规模锚：7,643（视频）/ 1,958（患者）/ 4,467（检查）——三个数字分别对应"片段/人/次"，别互相替代。
- 许可锚：注册墙 + 个人非商业研究 + 禁止衍生——这是它与库内大量 CC BY 数据集的分水岭。
1.2 数据集在"儿科 AI"版图中的坐标
| 维度 | 本数据集的位置 |
|---|---|
| 模态 | 二维灰阶超声心动视频（不含三维/造影/MR） |
| 人群 | 儿科 0-18 岁（本库少见的纯儿科影像数据集） |
| 任务 | 分割（LV 掩膜）+ 回归（EF）+ 分类（收缩障碍）三合一 |
| 视图 | A4C + PSAX（双正交视图，EchoNet 家族唯一） |
| 规模 | 公开儿科心脏视频数据集中的最大 |
| 许可 | 最严（个人非商业研究，禁衍生） |
| 生态位 | 儿科超声心动 AI 的事实基准（被 CardioBench 等独立采用） |
1.3 与库内同类条目的快速分流
- 若你要成人超声心动：→ EchoNet-Dynamic（rid 526）或 EchoNet-LVH（rid 530）。
- 若你要儿科超声心动：→ 本条目。
- 若你要成人超声心动的开放对照集：→ CAMUS。
- 若你要其他模态的心脏影像：→ 库内 CMRxmotion / CMRxRecon（心脏 MR）等。
- 若你要儿科其他部位：→ brats-pediatric（儿科脑肿瘤）等。
1.4 本条目要回答的五个核心问题
- 它是什么：斯坦福发布的儿科超声心动视频数据集 + 配套模型（§1-§2）。
- 数据长什么样：7,643 段 112×112 视频、双视图、EF + 描记标注、8:1:1 官方划分（§2-§3）。
- 模型强在哪：Dice 0.89 / MAE 3.66% / AUC 0.95，且显著优于成人模型迁移（§4-§5）。
- 怎么拿到：注册墙 + Stanford RUA，个人非商业研究（§6）。
- 要注意什么：多层双口径、许可严苛、单中心局限（§10 坑点 + 附录 F）。
§2 数据构成与规格
2.1 规模、来源与采集期
EchoNet-Pediatric 的顶层硬数字如下（全部出自论文 Table 1 与正文，抓取时点 2026-09-30）：
| 层级 | 数量 | 说明 |
|---|---|---|
| 患者 | 1,958 | 0-18 岁，43% 女性（论文 Table 1 写 830 / 42%） |
| 超声检查（visits/echocardiograms） | 4,467 | 2014-2021 年常规临床采集 |
| 视频片段（video clips） | 7,643 | A4C 3,176 + PSAX 4,424（存在重叠） |
| 标注图像（labeled images） | 17,600 | ED + ES 两时点的内膜描记帧 |
| 年龄 | 0-18 岁 | 均值 10.2 ± 5.4 岁 |
| EF 均值 | 61 ± 10% | 86% 检查 EF ≥55%（正常） |
一次完整超声检查通常采集多个视图的多段视频，因此视频片段数（7,643）大于检查次数（4,467）。论文 Table 1 给出的视图分布是"含该视图的检查"口径：3,176 次检查含 A4C、4,424 次含 PSAX、3,133 次两者兼有——这三组数字两两重叠，不可直接相加。
采集设备覆盖三个厂商机型：Philips iE33、Siemens Acuson SC2000、Philips Epiq 7，视频存于 Siemens Syngo Dynamics PACS。论文刻意不按图像质量排除视频（“video clips were not excluded on the basis of variable image quality”），以保留真实儿科超声实验室的变异——包括不同机型、不同声窗条件、不同配合度带来的质量波动。这一设计选择直接决定了数据集的价值定位：它是"临床真实分布"而非"教科书精选"。
2.2 纳入人群与疾病谱
纳入标准分两个子集（均为解剖正常心脏）：
- 正常心功能：EF >55%；
- 收缩功能障碍（无先天性心脏病）：如扩张型心肌病、化疗诱导的收缩功能障碍。
论文纳入 EF 范围 5%-75%，EF <55% 判为异常。这一设计有两处值得注意：
- 排除先天性心脏病：先心病、单心室等复杂解剖被排除——论文在 Limitations 与 Future Directions 中明确承认，这是为了让模型先解决"解剖正常心脏的功能定量"这一基础问题；扩展至先心病列为未来方向。
- 正常心功能占绝对多数：86%（3,854 次检查）EF ≥55%，异常样本约 14%——这意味着直接用于二分类任务时存在类别不平衡，需要重采样或加权处理。
2.3 视频规格与预处理链
| 属性 | 规格 |
|---|---|
| 原始来源 | 常规临床 2D 灰阶超声心动视频（A4C / PSAX） |
| 去标识 | 裁剪去除患者标识信息与心电图（ECG）走纸痕迹，成正方形视频 |
| 降采样 | cubic 插值至 112×112 px |
| 模型输入 | 32 帧（隔帧采样，used every other frame） |
| 格式 | AVI 视频 + CSV 标注/划分表 |
| 体量 | 约 2.51 GB（Stanford AIMI 页面，2023-01 口径） |
预处理链的每一步都指向同一目标——去除可识别信息 + 标准化输入尺寸。裁剪掉 ECG 走纸既减少视觉干扰也降低再识别风险；112×112 的统一尺寸让不同机型、不同扫描深度的视频能进入同一网络。需要提醒的是，112×112 是相当激进的下采样，对需要高空间分辨率的结构定量（如壁厚测量）任务可能不够——这是本数据集偏向"功能（EF/分割）"而非"结构精细量化"的一个隐含边界。
2.4 官方划分与数据泄漏防护
官方划分采用 8:1:1：
| 划分 | 视频数 | 占比 |
|---|---|---|
| 训练 | 6,114 | 80% |
| 测试 | 765 | 10% |
| 验证 | 764 | 10% |
| 合计 | 7,643 | 100% |
论文明确声明训练/测试/验证集合之间无视频片段重叠（“There was no overlap of video clips within the training, testing, and validation sets”）。训练采用 10 折交叉验证，验证集用于选择损失最低的训练轮次用于部署。
需要区分两组数字：论文正文给出的 6,114/765/764 是视频片段级划分；而第三方（CardioBench 等）在再发布时给出 6,365/798/658 是其自定义划分（且基数 7,810 不同）。使用官方划分时以 6,114/765/764 为准，见坑点 1 与双口径表。
2.5 与三类同族数据集的规模对照
把 EchoNet 家族与超声心动图领域的代表数据集放在一起，能看清本数据集的生态位：
| 数据集 | 年份 | 视频/图像 | 视图 | 人群 | 核心标注 | 获取 |
|---|---|---|---|---|---|---|
| EchoNet-Dynamic | 2020 | 10,030 视频 | A4C | 成人 | EF/容积/描记 | 注册（OUDA） |
| EchoNet-Pediatric | 2023 | 7,643 视频 | A4C + PSAX | 儿科 0-18 岁 | EF/描记（双视图） | 注册（RUA） |
| EchoNet-LVH | 2022 | 12,000 视频 | PLAX | 成人 | 壁厚关键点 | 注册（RUA） |
| CAMUS | 2019 | 500 例 × 2 视图 | A2C + A4C | 成人 | EF/分割/图像质量 | 开放（需引用） |
对照结论：本数据集在规模上小于成人 EchoNet-Dynamic，但在儿科专用 + 双视图 + 专家描记的组合上是目前公开数据中最大的（论文自述 “the largest labeled pediatric medical video dataset”）；它也是 EchoNet 家族中唯一同时提供 A4C 与 PSAX 两个正交视图的成员，这一点对推算 5/6 area-length EF 是必需的。
2.6 数据字段字典（依据官方 CSV 结构与第三方镜像整理）
数据集的元数据以两类 CSV 承载，字段语义如下（官方未公开完整 schema，以下为综合论文与第三方镜像的整理，使用前应以官方发布包为准）：
| 文件 | 字段 | 类型 | 取值域/语义 |
|---|---|---|---|
| FileList.csv | FileName | 字符串 | 视频文件名（去标识），主键 |
| FileList.csv | EF | 浮点 | 射血分数百分比（均值 61，范围约 5-75） |
| FileList.csv | Sex | 分类 | 性别（Male/Female） |
| FileList.csv | Age | 浮点 | 年龄（岁，0-18） |
| FileList.csv | Weight | 浮点 | 体重（kg） |
| FileList.csv | Height | 浮点 | 身高（cm） |
| FileList.csv | Split | 分类 | 官方划分（TRAIN/VAL/TEST） |
| VolumeTracings.csv | FileName | 字符串 | 外键，关联视频 |
| VolumeTracings.csv | X / Y | 浮点 | 内膜轮廓点坐标 |
| VolumeTracings.csv | Frame | 整数 | 描记对应帧号（ED 或 ES） |
字段设计的两个特点：一是逐帧可追溯——描记坐标带 Frame 列，因此每一条轮廓都能精确定位到视频中的某一帧，避免"描记错帧"的隐性错误；二是划分显式化——Split 列把 8:1:1 划分固化在数据文件内，使用者无需依赖论文描述即可复现，这显著降低了复现门槛。
2.7 人口学构成的临床含义
论文 Table 1 与后续第三方分析给出的人口学维度，直接决定了模型的能力边界：
- 年龄 0-18 岁（均值 10.2±5.4）：覆盖从新生儿到成年早期的完整跨度。注意表 2 分层显示 <1 岁仅 211 次检查（约 4.7%），婴儿样本相对稀缺——这是任何"儿科 AI"都绕不开的难题：最需要帮助的低龄患儿恰恰样本最少。
- 性别大体均衡（男 2,557 / 女 1,898，约 57:43）：略偏男性，但差异不大，性别分层性能几乎无差异（Dice 均为 0.891-0.892，MAE 差 0.02 个百分点）。
- 体型跨度大：这是儿科与成人的根本差异。论文用体表面积（BSA）四分位分层，Q1（最小，接近婴幼儿）到 Q4（最大，接近成年）的模型性能均有报告——这种跨度正是"成人模型不能直接迁移"的物理根源。
2.8 数据质量与真实变异的取舍
论文有一个刻意的设计选择值得单独强调：不按图像质量排除视频。这意味着数据集保留了儿科超声实验室的真实变异——包括体型大导致穿透差、患儿哭闹导致的运动伪影、声窗不良导致的视野受限等。这一选择的价值与代价：
- 价值：模型在"临床真实分布"上评测，结论更贴近实际部署环境；论文也据此论证"在广泛质量范围内均表现良好"。
- 代价：整体 Dice 与 EF 精度会被拉低到"真实"水平（如 <1 岁组 Dice 仅 0.860），而非"精选样本"的漂亮数字。使用者在对比其他数据集时须注意这一口径差异——本数据集的基线不是"实验室最优"而是"临床平均"。
2.9 数据集的完备性与缺口清单
以"能否支撑某类研究"为标准，逐项核查本数据集的完备性：
| 研究需求 | 本数据集支持度 | 说明 |
|---|---|---|
| LV 分割模型训练 | ✅ 充分 | 7,643 视频 + ED/ES 描记 |
| EF 回归模型训练 | ✅ 充分 | 金标准 EF + 官方划分 |
| 收缩障碍分类 | ⚠️ 可行但类别不平衡 | 86% 为正常（EF≥55%） |
| 先心病形态研究 | ❌ 不支持 | 先心病被排除 |
| 三维定量 / 磁共振对齐 | ❌ 不支持 | 仅二维 |
| 精细结构量化（壁厚等） | ⚠️ 受限 | 112×112 下采样 |
| 影像-文本多模态 | ❌ 不支持 | 无报告文本 |
| 多中心泛化研究 | ❌ 不支持 | 单中心数据 |
| 自我监督预训练 | ✅ 充分 | 大量无标注帧可用于自监督 |
这份清单的价值在于明确边界：本数据集是一把精专用的工具（LV 功能定量），而非万能心脏影像数据集。误把它用于边界外任务（如先心病或结构量化）会导致错误的结论外推。
2.10 文件组织与加载建议
据官方发布形态与第三方镜像，数据集按视图分为两个平行目录（A4C 与 PSAX），各自包含视频目录与两个 CSV。加载时的三条实用建议：
- 视图选择先行：先决定用单视图还是双视图——双视图需要同时读 A4C 与 PSAX 并按 FileName 对齐（并非所有视频两视图都有，需处理缺失）。
- 划分从文件读，不从论文抄：直接读 FileList.csv 的 Split 列，避免手抄 6,114/765/764 出错。
- 描记按 Frame 对齐视频：VolumeTracings.csv 的 Frame 列标明描记对应帧，读取视频时需按帧号取对应画面做监督，不能假设描记总在首末帧。
§3 任务与标注：两个任务、两个视图、一套金标准
3.1 任务一：左心室逐帧分割
分割任务复现人类临床工作流——在 A4C 与 PSAX 视图上勾画左心室面积。输入是心脏周期中的视频帧，输出是贯穿整个心脏周期的分割掩膜，被 ED 与 ES 两帧的人工描记所约束。
关键设计是中间帧的自动生成：每段训练视频只含 ED 与 ES 两个时点的人工描记，团队借鉴 Tran 等人的 3D CNN 策略，让模型在 ED 与 ES 之间的每一帧自动生成面积估计。例如某视频 ED 描记在第 34/244 帧、ES 描记在第 120/244 帧，则第 34 至 120 帧之间各帧的面积由模型自动推断。这使得分割从"两帧孤立标注"扩展为"连续心动周期的动态分割"，让模型能学习心肌的收缩与扩张过程，也让临床医生可以可视化模型逐帧的判断。
分割采用二元交叉熵损失（binary cross-entropy），目标是模型输出与超声技师描记之间的逐像素一致性。
3.2 任务二：射血分数估计
EF 估计任务模仿"超声医生目测 EF"的过程，但目标是逼近 5/6 area-length 法的定量结果。输入是仅有的视频片段（32 帧，隔帧采样），输出是一个百分比 EF 值。损失为均方误差（MSE），目标是模型估计与人工测量 EF 之间的偏差最小化。
论文特别指出：当 A4C 与 PSAX 两个视图都可用时模型表现最佳；但单视图（仅 A4C 或仅 PSAX）时模型仍能准确估计 EF——这对临床很有价值，因为患儿移动或声窗不佳时常只能获得单一视图。这一"单视图可用"特性也在讨论中被强调：它提升了床旁即时超声（POCUS）场景的实用性。
3.3 描记标注的结构
专家描记（tracings）以配对坐标集合的形式存储，结构如下：
- 每段视频在内膜边界于 舒张末期（ED） 与 收缩末期（ES） 两个时点描记；
- 每一条描记是一串坐标对：首对坐标表示左心室长轴的长度与方向，后续坐标对表示从心尖到二尖瓣装置的短轴线性距离；
- 每对坐标都附有 video file name 与 frame number，用于定位描记对应的代表帧。
这套结构直接支撑 5/6 area-length 容积计算——沿长轴积分短轴面积即得心室容积。对使用者而言，坐标的可复现性是本数据集显著优于"纯 EF 数值"数据集的地方：你可以从描记坐标独立重算面积/容积，而不必盲信报告中给出的单一 EF 值。
3.4 金标准的选择与争议
EF 金标准取临床最终报告中由 5/6 area-length 法计算的值。论文对这一选择有明确论证：儿科临床优先采用 area-length 或 bullet 法而非成人常用的盘法（method of disks），且文献支持该方法在儿科更准确。同时论文在 Limitations 中坦承：许多临床医生仍在用其他方法估计 EF，因此以 5/6 area-length 为唯一金标准本身就是一个口径假设——跨机构、跨方法比较时需警惕系统性偏差。
另一个被自曝的局限是监督学习的固有偏倚：分割任务依赖人工标注图像，因此不可避免地引入了标注者的主观判断（human bias）。论文用"与人类专家间变异相当或更低"来论证模型的实际临床价值，但并未消除金标准本身的变异来源。
3.5 数据表结构（据第三方再发布镜像整理，仅供格式参考）
据第三方镜像（project_echo）给出的目录结构，数据集落盘形态如下（官方未公开逐字段 schema，此处仅供管线规划参考，使用前应以官方发布包为准）：
data/echonet_pediatric/
├── A4C/
│ ├── Videos/ # *.avi 视频（112x112）
│ ├── FileList.csv # FileName, EF, Sex, Age, Weight, Height, Split
│ └── VolumeTracings.csv # FileName, X, Y, Frame（左室内膜轮廓点）
└── PSAX/
├── Videos/ # *.avi 视频
├── FileList.csv # 同上结构
└── VolumeTracings.csv # 同上结构
FileList.csv 的元数据字段（EF/Sex/Age/Weight/Height/Split）与论文 Table 1 的人口学构成一致，其中 Split 列直接给出官方 8:1:1 划分，是本数据集"开箱即用"的关键——使用者无需自行划分即可复现论文基准，这也是 AI-Ready 评分中"可复现性"项得分较高的原因。
§4 核心发现：儿科专属训练为什么必要
4.1 EchoNet-Peds 模型架构与训练路径
EchoNet-Peds 由两个组件构成：一个分割任务网络与一个 EF 估计任务网络。论文未披露具体网络拓扑名称，仅描述为视频深度学习架构（官网写作 “3-dimensional convolutional neural network architecture for video classification”）。
训练路径是本数据集最具方法学价值的设计：
- 权重初始化自成人模型：EchoNet-Peds 用成人数据集 EchoNet-Dynamic 训练的权重初始化，再用儿科数据微调（fine-tune）。这模拟了"利用大规模成人数据 + 小规模儿科数据"的现实路径。
- 对照组：论文还训练了一个用 Kinetics-400（不含医学视频的通用动作识别数据集）权重初始化的版本，用于隔离"医学先验"与"儿科数据量"各自的贡献。
- 10 折交叉验证：每折 80% 训练、10% 测试、10% 验证，验证集选轮次，测试集报最终指标。
训练细节：分割任务用 SGD 最小化二元交叉熵；EF 任务用 SGD 最小化 MSE；输入为 32 帧（隔帧采样）；金标准是临床报告中的 5/6 area-length EF。
4.2 三重证据：儿科数据值得投资
论文的核心论点是"儿科需要儿科数据"，并给出三重独立证据：
证据一：儿科模型显著优于成人模型直接迁移。 EchoNet-Peds 在估计 EF 上显著优于成人 EchoNet-Dynamic 直接应用于同一批儿科数据（P < 1e-100，比较仅用 A4C 视图，因 EchoNet-Dynamic 未经 PSAX 训练）。这是最直接、统计上最无争议的证据。
证据二：儿科数据量已足够独立训练。 EchoNet-Peds（从成人权重微调）相对"从 Kinetics-400 权重开始训练"的版本只有小幅改进且不显著（P = .09）。论文解读：这说明儿科数据集本身"足够大到可以独立训练"（“large enough for stand-alone training”），成人权重的先验价值有限——换言之，关键变量是儿科数据本身，而非迁移技巧。
证据三：全亚组一致。 按性别、年龄、体表面积（BSA）四分位分层后，全部亚组的 EF 估计 MAE 均 <5%——模型在从婴儿到青少年、从小体型到大体型的全谱系上表现一致，说明性能提升不是少数子群拉动的假象。
4.3 分层性能：谁最难，谁最好
按人群分层能揭示模型的能力边界（论文 Table 2/3 口径）：
| 分层维度 | 组别 | 检查数 | EF MAE | R² | 分割 Dice（A4C） |
|---|---|---|---|---|---|
| 全体 | 全部 | 4,467 | 3.66% | 0.77 | 0.891 |
| 性别 | 男 | 2,557 | 3.65% | 0.74 | 0.891 |
| 性别 | 女 | 1,898 | 3.67% | 0.79 | 0.892 |
| 年龄 | <1 岁 | 211 | 4.99% | 0.85 | 0.860 |
| 年龄 | 1-5 岁 | 843 | 3.42% | 0.79 | 0.894 |
| 年龄 | 6-11 岁 | 1,291 | 3.42% | 0.76 | 0.899 |
| 年龄 | 12-14 岁 | 920 | 3.79% | 0.72 | 0.892 |
| 年龄 | >15 岁 | 1,202 | 3.75% | 0.71 | 0.886 |
| BSA | 四分位 1（最小） | 1,111 | 3.70% | 0.84 | 0.887 |
| BSA | 四分位 4（最大） | 1,112 | 3.77% | 0.68 | 0.885 |
三处值得注意的反直觉现象：
- <1 岁组 MAE 最差（4.99%）但 R² 最好（0.85）：婴儿绝对误差大（体型小、心率快、声窗难），但该组 EF 跨度大，相对拟合反而好——这说明"MAE 差"与"模型学得好"可以并存，读指标必须成对看。
- 分割最佳出现在 6-11 岁（Dice 0.899）：论文推测这与该年龄段配合度较高、声学窗口较优有关——即图像质量而非解剖复杂度主导了分割上限。
- 体型越大 R² 越低（BSA 四分位 1 的 0.84 降到四分位 4 的 0.68）：大体型患儿（青少年）的 EF 分布更集中，回归任务更难，但绝对误差仍稳定。
4.4 单视图 vs 双视图：可用性权衡
论文报告了三种输入组合的性能（这是实用的工程参考）：
| 输入视图 | EF MAE | RMSE | R² |
|---|---|---|---|
| A4C + PSAX（双视图） | 3.66% | 4.98% | 0.77 |
| 仅 A4C | 4.15% | 5.70% | 0.70 |
| 仅 PSAX | 3.80% | 5.14% | 0.74 |
三点解读：
- 双视图最优，但增益温和（MAE 从 4.15% 降到 3.66%）——意味着即便只能拿到单视图，模型仍可用。
- PSAX 单视图优于 A4C 单视图（3.80% vs 4.15%）：这与 PSAX 对短轴面积更敏感有关，也解释了为何儿科要专门引入 PSAX。
- 对临床流程的含义：患儿配合度差、声窗受限时，不必强求双视图即可获得可用的 EF 估计——论文将其列为床旁即时超声（POCUS）与家长手持设备远程采集场景的支撑证据。
4.5 收缩功能障碍识别：临床价值最强的指标
EF 回归的 MAE 是"精度"指标，而临床最关心的是"能不能区分正常与异常"。论文的二次分析给出：
| 判别任务 | AUC（95% CI） |
|---|---|
| EF <55%（收缩功能障碍） | 0.954（0.942-0.965） |
| EF <50%（更明确的功能减低） | 0.980（0.970-0.988） |
论文特别指出，模型对 EF <50% 的患者识别尤其好——这正是临床上需要干预决策的区间。配合推理速度 0.062 秒/视频（单卡 GTX 1080 Ti），模型具备床旁实时辅助的潜力。
4.6 与人类专家变异的比较
论文引证文献：EF 测量的人类观察者间变异（interobserver variability）在大型全国数据集中报道为 4%-14%。EchoNet-Peds 的变异"等于或低于"人类专家变异。这是论证模型临床价值的关键论据——它把"AI 精度"锚定到"人类基线"上：模型不是要超越专家，而是要匹配专家的同时消除疲劳与主观波动、并大幅提速。
需要克制解读的是：这一比较是间接的（模型输出 vs 文献报道的人类变异范围），而非在本数据集上直接测得的同一批医生的重复测量变异。论文自曝的局限之一就是单中心验证，因此这一结论的泛化性仍待检验。
4.7 结果解读的四条统计守则
本数据集报出的指标密集，初学者极易误读，以下四条是阅读论文 Table 2/3 与摘要的卫生守则：
- MAE 与 R² 必须成对看。MAE 是绝对误差，R² 是相对拟合。婴儿组 MAE 最差（4.99%）但 R² 最好（0.85），恰是因为婴儿 EF 跨度大——只看 MAE 会误判模型"对婴儿差"，只看 R² 会误判"对婴儿好"。两者合读的结论是：模型对婴儿的绝对定位能力弱，但对变化的排序能力反而强。
- 报告指标必须注明视图。双视图 MAE 3.66%、单 A4C 4.15%、单 PSAX 3.80%——三个数字来自同一批数据的不同输入配置，混用会导致比较失真。引用时永远带上"双视图/单视图"标签。
- AUC 的分界点决定数字。EF<55% 时 AUC 0.954，EF<50% 时升到 0.980——分界越严、任务越易（异常更明显）。报 AUC 必须附阈值的临床定义。
- "优于成人模型"是最严格条件下的结论。P<1e-100 的比较仅用 A4C 视图（因成人 EchoNet-Dynamic 未经 PSAX 训练），因此这一对比对成人模型是"公平但有限"的——它没有衡量成人模型在 PSAX 上的表现（成人模型本就没有 PSAX 能力）。引用"儿科优于成人"时应连同这一条件说明。
4.8 训练路径的可迁移性论证
论文的训练策略可形式化为一条"三选一"的路径对照：
| 策略 | 初始化 | 训练数据 | 结果 | 适用场景 |
|---|---|---|---|---|
| A：成人直接迁移 | 成人权重 | 无儿科微调 | 最差（P<1e-100 落败） | 不推荐 |
| B：成人预训练 + 儿科微调 | 成人权重 | 儿科数据 | 最优（本文方案） | 儿科数据中等规模时的首选 |
| C：通用预训练 + 儿科训练 | Kinetics-400 权重 | 儿科数据 | 与 B 无显著差异（P=.09） | 无医学预训练权重时的可用替代 |
B 与 C 无显著差异这一发现有两层含义：其一，它证明了本数据集规模已到"自给自足"的临界点；其二，它暗示成人医学权重（B 相对 C 的增益）的价值可能被高估——真正起作用的是儿科数据的量与域匹配，而非初始化权重的来源。这一洞察对所有"小样本 + 邻近域迁移"的 AI 任务都有参考价值。
4.9 临床可部署性评估
论文在讨论中给出了三条"可临床使用"的支撑论据，逐条评估如下：
| 论据 | 论文主张 | 证据强度 | 保留意见 |
|---|---|---|---|
| 精度匹配专家 | MAE 3.66%、Dice 0.89 | 强（大样本+置信区间） | 单中心 |
| 变异低于人类 | 与文献 4%-14% 观察者间变异相当或更低 | 中（间接比较） | 非同一批医生重复测量 |
| 速度满足床旁 | 0.062 秒/视频 | 强（单卡即可） | 需 GPU，基层部署受限 |
综合判断：本数据集已经把"儿科 EF 自动定量"推进到接近可部署的程度，但论文自己把广泛外部验证列为未来方向——即在多中心、多人口学、不同超声设备上仍待证明。对临床落地的现实预期应是"辅助工具原型"而非"即插即用产品"。
4.10 模型的失败模式与边界
从分层结果反推模型的能力边界：
- 体型极端两端是弱点：<1 岁组 Dice 0.860（全体最低）、BSA 最大组 R² 0.68（全体最低）——两个极端都是难点，中间（6-11 岁、BSA Q2-Q3）表现最好。
- 结构异常的泛化未测：由于训练数据排除先心病，模型遇到复杂解剖时行为未知——这是最需要外部验证的场景。
- 图像质量下限未定义：论文未按质量筛选，但也没给出"质量低到何时模型失效"的定量边界；实际部署时需自行设定输入质量门限。
- 单帧 vs 全序列：分割在 ED/ES 有金标准约束，中间帧是模型自生成的——中间帧的分割精度缺少独立金标准，属于相对"软"的区域。
§5 作为评测基准：如何在你的项目里用它对标
5.1 两个可复现的基准任务
EchoNet-Pediatric 提供了两个定义明确、指标公开的基准任务，任何新模型都可以直接对标论文数值：
| 任务 | 输入 | 输出 | 主指标 | 论文基线（EchoNet-Peds） |
|---|---|---|---|---|
| 左心室分割 | 视频帧（A4C 或 PSAX） | 逐帧 LV 掩膜 | Dice 相似系数 | A4C 0.891 / PSAX 0.896 |
| EF 估计 | 32 帧视频（单/双视图） | EF 百分比 | MAE / RMSE / R² | 双视图 3.66% / 4.98% / 0.77 |
| 收缩障碍分类 | 视频 | 正常/异常 | AUC | 0.954（<55%）/ 0.980（<50%） |
基线数值同时报告了 95% 置信区间（10,000 次 bootstrap 取百分位），因此对标时可直接判断新模型与原基线的差异是否落在置信区间外——这是本基准相比"只给点估计"的数据集更严谨的地方。
5.2 复现基线所需的三个要素
要在本数据集上跑通论文基线，需要三样东西，数据集本身提供了前两样：
- 官方划分：FileList.csv 的 Split 列（6,114 训练 / 765 测试 / 764 验证）——直接可用，无需自行划分。
- 专家描记坐标：VolumeTracings.csv 提供 ED/ES 内膜轮廓点——可用于监督分割，也可独立重算面积/容积校验报告 EF。
- 模型代码：论文指向 echonet.github.io/pediatric 的代码链接——沙箱内无法实抓，使用前需自行核验仓库状态（见坑点 6）。
# 复现基准的骨架（伪代码，字段名以官方 FileList.csv 为准）
import pandas as pd
# 1) 读官方划分
meta = pd.read_csv("A4C/FileList.csv") # FileName, EF, Sex, Age, Weight, Height, Split
train = meta[meta.Split == "TRAIN"]
test = meta[meta.Split == "TEST"]
# 2) EF 回归：读 32 帧视频 -> 模型 -> EF，按 MAE/RMSE/R2 评估
# 3) 分割：读 VideoTracings.csv 的 ED/ES 轮廓 -> 模型逐帧掩膜 -> Dice
# 注意：原始视频为 112x112 px；论文用隔帧采样的 32 帧作为 EF 模型输入
5.3 第三方基准中的位置
本数据集已被多个后续基准工作采纳，说明其已成为儿科超声心动图 AI 的事实参照：
- CardioBench（arXiv:2510.00520，2025）：把 EchoNet-Pediatric 纳入超声心动图基础模型的泛化评测，采用其官方划分（标注为 ⚫）。
- EchoNet-Synthetic（MICCAI 2024）：以其为来源生成隐私保护的合成超声心动视频数据集，用于验证去标识方法的保真度。
- EchoAI（arXiv:2311.12582）：将 EchoNet-Pediatric 纳入视频 ViT 的预训练语料。
- P-Mamba（Sci Rep 2025）：以 EchoNet-Peds 为儿科 LV 分割的对标基准之一。
生态意义：一个数据集被"独立地当作基准"而非仅被"当作训练数据"，是它进入领域基础设施的标志。EchoNet-Pediatric 在发布两三年内即被泛化评测（CardioBench）、合成去标识（EchoNet-Synthetic）、自监督预训练（EchoAI）、架构对比（P-Mamba）多个方向引为参照。
5.4 与其他儿科/心血管基准的横向对照
| 基准/数据集 | 领域 | 规模 | 与 EchoNet-Pediatric 的关系 |
|---|---|---|---|
| EchoNet-Pediatric | 儿科超声心动 | 7,643 视频 | 本条目的基准本体 |
| EchoNet-Dynamic | 成人超声心动 | 10,030 视频 | 上游；常作"成人→儿科"对照 |
| EchoNet-LVH | 成人超声心动（结构） | 12,000 视频 | 同家族；结构 vs 功能互补 |
| CAMUS | 成人超声心动 | 500 例×2 视图 | 国际 EF/分割对照集 |
| Cardiovascular（库内相关） | 心脏 MR | 多个 | 不同模态，可作多模态聚合 |
| brats-pediatric（库内） | 儿科脑肿瘤 MR | 多中心 | "儿科 + 医学影像"主题聚合 |
横向对照的方法学提示：儿科领域的公开基准远少于成人。上表中真正"儿科专用"的只有本数据集一条，其余均为成人集合。这一稀疏性既是本数据集的重要性来源，也是它"必须单中心起步"的现实约束——儿科数据的稀缺不是选择，而是约束。
5.5 复现基准的完整工作流（含代码骨架）
从零复现论文基准的完整链路（以 EF 回归为例）：
import pandas as pd
import numpy as np
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
# 步骤 1：读官方划分（数据文件内 Split 列）
def load_split(view_dir):
meta = pd.read_csv(f"{view_dir}/FileList.csv")
return {
"train": meta[meta.Split == "TRAIN"],
"val": meta[meta.Split == "VAL"],
"test": meta[meta.Split == "TEST"],
}
# 步骤 2：逐视频读 32 帧（112x112，隔帧采样）-> 模型 -> EF
# 步骤 3：在 test 集上算 MAE / RMSE / R2
def evaluate(y_true, y_pred):
return {
"MAE": mean_absolute_error(y_true, y_pred),
"RMSE": np.sqrt(mean_squared_error(y_true, y_pred)),
"R2": r2_score(y_true, y_pred),
}
# 对标目标（双视图）：MAE 3.66% / RMSE 4.98% / R2 0.77
# 对标目标（仅 A4C）：MAE 4.15% / RMSE 5.70% / R2 0.70
# 分割对标（Dice）：A4C 0.891 / PSAX 0.896
复现的三个易错点：一是别把官方划分与第三方自定义划分混用（基数不同，坑 4）；二是视频是 112×112 的下采样，若你的预处理再做一次缩放需注意累积失真；三是EF 金标准是 5/6 area-length 法，与其他方法（如盘法）标注的数据不可直接混评。
§6 获取与许可：注册墙怎么进
6.1 单一入口、单一许可
与 Panda-Plus 那种"多层异构许可"不同，EchoNet-Pediatric 的获取路径是单层的：
| 资产 | 入口 | 许可 | 门槛 |
|---|---|---|---|
| 数据集（视频+标注） | Stanford AIMI 门户 → Redivis | Stanford EchoNet-Pediatric Research Use Agreement | 注册墙（个人注册 + 同意协议） |
| 代码 | echonet.github.io/pediatric（指向代码仓库） | 未在论文中明示 | 需自行核验 |
| 论文 | doi:10.1016/j.echo.2023.01.015（Elsevier 订阅） | © 2023 ASE，非 OA | 订阅/付费 |
官方获取步骤（据 Stanford AIMI 门户与第三方镜像说明整理）：访问 Stanford AIMI 共享数据集门户 → 搜索 “EchoNet-Pediatric” → 用微软账号登录 → 接受 Stanford 研究使用协议 → 经 Redivis 下载（有第三方记录称约 2.4-2.51 GB）。下载直链不得转发——协议第 5 条明确禁止分享链接，同机构其他用户须各自单独注册。
6.2 许可条款细读：比 CC 严得多的十条
EchoNet-Pediatric 用的是 Stanford 自定义研究使用协议（Research Use Agreement），核心条款对使用者的实际约束如下：
- 仅限个人、非商业研究用途，任何商业使用、销售、变现一律禁止；
- Stanford 保留数据集全部权利；
- 可作个人非商业研究用途的逐字副本；
- 未经书面许可不得分发、发布、复制任何部分；
- 不得分享下载链接；
- 不得修改、逆向、反编译或创建衍生作品（no derivative works）；
- 未经 FDA 审评，仅 Research Use Only，不得用于临床诊断或患者照护；
- “AS IS” 提供，无任何担保；
- 禁止重新识别（re-identification），发现即报；
- 违约即终止使用并须交回全部副本。
第 6 条（禁止衍生作品）对本数据集影响最大：它意味着严格的解读下，用本数据集训练的模型权重可能落入"衍生作品"的灰色地带。这与库内多数 CC BY / CC BY-NC 数据集形成鲜明对比——后者至少明确允许衍生。计划商用或计划开源模型权重的团队，必须在使用前与 Stanford 就衍生条款达成书面澄清。
6.3 一个必须避开的许可陷阱
Kaggle 上存在第三方镜像 “snikhilrao/echonet-pediatric”，标注 License 为 MIT。 这是镜像者自行选择的标签，与 Stanford 的原始许可直接冲突。任何依据该 MIT 标注认为本数据集可自由商用/再分发的判断都是错误的：原始数据仍受 Stanford RUA 约束，"MIT"只可能覆盖镜像者的封装脚本而非底层数据。以 Stanford 官方协议为唯一有效许可（坑点 5）。
6.4 AI-Ready 评估：四维得失
以库内 AI-Ready 检查单视角评估：
- 机器可读元数据：CSV 划分表 + 描记坐标 + 论文完整表格——良好。
- 公开直链：缺失——变体注册墙（变体门禁 + 门禁后仍需同意协议），且禁止分享链接——可获取性维度显著失分。
- 许可明确性：条款文本明确，但"禁止衍生作品"使模型权重的法律地位模糊，是比"许可缺失"更微妙的灰色地带。
- 可复现性：官方划分 + 全维置信区间 + 描记坐标重算路径——高于均值；但模型代码仓库状态需自行核验。
综合定位：这是一类**“高规范、高门槛”**的数据集——文档质量与基准完备度属上乘，但可获取性与使用自由度被研究协议严格约束。对学术研究者几乎是开箱即用；对任何商业化或再分发意图则近乎封闭。
§7 生态与影响：儿科心脏病 AI 的一个支点
7.1 EchoNet 家族图谱
EchoNet 家族由斯坦福同一团队（Ouyang/He 等）主导，构成成人+儿科的完整版图：
- EchoNet-Dynamic（2020，Nature；库内 rid 526）：成人 10,030 段 A4C 视频——家族起点，也是本数据集模型的初始化来源。
- EchoNet-LVH（2022，JAMA Cardiology；库内 rid 530）：成人 12,000 段 PLAX 视频，专注左心室肥厚精准表型。
- EchoNet-Pediatric（2023，本条目）：儿科 7,643 段 A4C+PSAX 视频，首个扩大至儿科与双视图的成员。
- EchoNet-Synthetic（2024，MICCAI）：基于扩散模型的隐私保护合成版，派生自 EchoNet 家族。
家族谱系清晰：从成人单视图（Dynamic）→ 成人结构量化（LVH）→ 儿科双视图（Pediatric）→ 合成去标识（Synthetic）。本条目是其中承上启下的关键：它继承了 Dynamic 的模型权重与技术栈，又把视野首次拓展到儿科人群与 PSAX 视图。
7.2 对儿科 AI 领域的影响
论文的问题意识是明确的：“Most machine learning tools used in pediatric echocardiography have been trained on adult echocardiographic data”——本数据集的出现直接回应了这一现状。其影响的三个层面：
- 数据基础设施：此前儿科心脏 AI 研究多依赖私人数据（不可复现）或成人数据（不适配），本数据集提供了第一个公开、带专家描记、按官方划分可复现的儿科评测场。
- 方法学示范："从大规模成人权重初始化 + 小规模儿科微调"的训练范式，被论文证明是可行且高效的桥接策略——这对其他罕见病 AI（数据天然稀缺）具有普适借鉴意义。
- 社区共识推动：论文结论段明确希望"儿科模型与成人模型的性能差异能说服儿科社区重视大规模数据集建设"，是把"儿科专属数据"从技术选择上升为领域共识的一次造势。
7.3 与库内条目的关系
- EchoNet-Dynamic（rid 526）：直接上游/前作。本数据集模型的权重初始化来源；两篇同读才能理解"成人→儿科"迁移的完整论证。
- EchoNet-LVH（rid 530）：同家族姊妹集（成人、PLAX、结构量化）。两者共享 Stanford 技术栈与 RUA 型许可范式，在"成人 vs 儿科""结构 vs 功能"两个维度互补。
- CAMUS（库内）：超声心动图 EF/分割的国际对照集（法国 St Etienne，500 例成人），2020 年 CAMUS 挑战赛来源；与本数据集构成"成人/儿科""开放/注册墙"的双重对照。
- 其他心血管与儿科条目：库内 CMRxmotion/CMRxRecon（心脏 MR）、brats-pediatric（儿科脑肿瘤）、paediatric-intensive-care（儿科重症）等在"儿科多模态 AI"主题上可聚合检索。
7.4 对下游任务与研究的启示
本数据集对后续研究的三类典型用法：
- 作为预训练语料：视频自监督预训练（如 EchoAI 用其做 VideoMAE 预训练），为下游心脏任务提供儿科域表征。
- 作为评测基准：在多数据集泛化评测（如 CardioBench）中代表"儿科 + 双视图"这一域。
- 作为合成数据来源：隐私保护生成（如 EchoNet-Synthetic）以其为真实分布参照，验证合成数据的临床可用性。
这三类用法共同说明：一个"高门槛但高规范"的数据集，即便可获取性受限，仍可通过引用、评测、派生研究进入领域基础设施——限制获取不等于限制影响。对数据发布者的启示是：注册墙 + 严格研究协议确实抑制了直接复用，但只要文档与划分足够规范，它仍会被社区当作"事实标准"引用。
7.5 儿科医学 AI 的更大图景
把本数据集放回"儿科医学 AI"的更大图景，能看到一条清晰的建设路径：
成人数据充裕（EchoNet-Dynamic 10,030）
│
▼ 迁移范式验证（本数据集的核心实验）
儿科专用数据起步（EchoNet-Pediatric 7,643）
│
▼ 公开评测 + 第三方引用（CardioBench 等）
领域事实基准形成
│
▼ 扩展方向（先心病 / 单心室 / 三维 / 多中心）
下一代儿科心脏 AI 基础设施
本数据集处在这条路径的中段枢纽位置：它既是"成人→儿科迁移"命题的第一个大规模实证，也是后续儿科心脏 AI 数据建设的模板。它证明了"单中心也能做出被广泛引用的儿科基准"，同时用自曝的局限（单中心、排除先心病）为下一代工作指明了扩展方向。
7.6 与成人前作的技术栈延续
从工程角度看，本数据集与 EchoNet-Dynamic 共享同一套技术栈：112×112 下采样、视频级划分、Stanford AIMI 托管、Research Use Agreement 型许可（Dynamic 用 OUDA，Pediatric/LVH 用 RUA）。这种家族式一致性降低了使用者的迁移成本——从 Dynamic 转 Pediatric 只需适配 PSAX 视图与新版划分表。对希望"一次学会、多处复用"的工程团队，EchoNet 家族是一组协同良好的数据集，而非孤立的单点。
需要提醒的差异点：Dynamic 的 OUDA（Open Use of Data Agreement）与 Pediatric 的 RUA 条款并不相同，“OUDA 更开放、RUA 更严”——迁移使用时务必逐条重读许可，不可因同家族而假设许可一致（附录 S）。
§8 方法学启示：三条可迁移的经验
8.1 "成人预训练 + 儿科微调"是罕见病 AI 的可行桥接
本数据集最有普适价值的发现不是某个具体指标，而是训练范式的可行性：在儿科数据稀缺时，用大规模成人数据预训练权重初始化，再用小规模儿科数据微调，能得到接近"纯儿科独立训练"的性能（P=.09 无显著差异），且远超"成人模型直接迁移"（P<1e-100）。这一"桥接"逻辑可迁移到任何"目标人群数据稀缺、邻近人群数据充裕"的场景——如罕见病 vs 常见病、儿童 vs 成人、某亚型 vs 主型。关键前提是：微调数据量需达到"足以独立训练"的阈值，否则桥接退化为"用成人先验强行覆盖"。
8.2 多视图是儿科定量的结构性优势
成人 EchoNet-Dynamic 只有 A4C 单视图，而儿科数据集引入了 PSAX。这不只是"多一个视图"，而是5/6 area-length 法的必要条件——该方法的容积由两正交视图的面积共同推导。由此得出方法学启示：当金标准本身依赖多视图时，数据集的视图完备性直接决定了标注质量的上限。对设计类似数据集的团队：先确定临床金标准的测量方法，再反推所需的最小视图集合，避免"用单视图数据去逼近多视图金标准"的口径错配。
8.3 分层报告是儿科数据集的必备规范
儿科人群的体型/年龄/心率跨度远大于成人，单一全体指标会掩盖子群差异。本数据集的价值部分来自它全维度分层报告：按性别、年龄五档、BSA 四分位分别给出 MAE 与 Dice。其中"婴儿组 MAE 最差但 R² 最好"这类反直觉组合，只有靠分层才能发现。给复现者的直接建议：在儿科数据上报告任何指标时，都必须同时给出年龄与体型的亚组分解，否则"平均性能"可能来自成年青少年样本的拉动，对真正需要帮助的低龄患儿没有代表性。
§9 与库内条目的关系（补充篇）
9.1 检索路径建议
- 检索词组合：“EchoNet-Pediatric”（数据集）+ “EchoNet-Peds”（模型）+ “pediatric echocardiography”；勿只搜其一，两者是同一工作的两个名字。
- 若目标是直接可用数据：走 Stanford AIMI 门户注册（注意不得转发链接）→ 同意 RUA → Redivis 下载。
- 若目标是引用性能基线：引论文 Table 2/3（分层 MAE/Dice）与摘要（MAE 3.66%、Dice 0.89、AUC 0.95），并注明视图口径（A4C/PSAX/双视图）。
- 若目标是"儿科 AI 数据"综述：本条目 + EchoNet-Dynamic（rid 526）+ EchoNet-LVH（rid 530）+ CAMUS 构成超声心动图家族检索面。
9.2 三篇必读的关联文献
- 本数据集论文（Reddy 2023）：数据集+模型+Dice/MAE/AUC 基线。
- EchoNet-Dynamic（Ouyang 2020，Nature）：成人前作，理解迁移范式的上游。
- CardioBench（arXiv:2510.00520，2025）：第三方泛化评测，看本数据集如何被独立用作基准。
§10 避坑清单：八个已踩过的坑
坑 1：视频总数双口径 7,643 vs 7,810。官方页与论文写 7,643（A4C 3,176 + PSAX 4,424）；CardioBench/EchoAI 等第三方再统计为 7,810（A4C 3,284/3,285 + PSAX 4,526/4,527），差 167。可能与发表后补入或去重口径不同有关。以官方 7,643 为准，引用第三方数字时须注明来源。
坑 2：论文年份 2022 vs 2023。PubMed/ScienceDirect 页面标 “2022”（online 时点），正式卷期为 J Am Soc Echocardiogr 2023;36(5):482-489。引用按 2023，注 2022 online。
坑 3：性别占比 43% vs 42%。官网写 “43% female”，论文 Table 1 写 “830 (42)”（830/1958≈42.4%）。官网取整 43%，表格 42%。两口径都可接受，引用时注明来源。
坑 4：划分数字 8:1:1 vs 第三方自定义。官方 6,114/765/764（基数 7,643）vs CardioBench 6,365/798/658（基数 7,810）。用官方划分复现时以 6,114/765/764 为准。
坑 5：Kaggle 镜像的 MIT 许可是假的。snikhilrao/echonet-pediatric 标 License MIT，与 Stanford RUA 直接冲突。原始数据受 RUA 约束（禁止商用、禁止衍生、禁止分享链接），任何据 MIT 标注的商用/再分发判断都是错误的。唯一有效许可是 Stanford EchoNet-Pediatric Research Use Agreement。
坑 6：代码仓库状态未实核。论文与官网给的落地页是 echonet.github.io/pediatric，指向代码仓库；本条目生产环境（沙箱）无法访问 github.io 实抓仓库名与状态。使用前需自行核验代码是否仍可获取、许可为何。
坑 7：PSAX 别被误写成 PLAX。PSAX = parasternal short-axis（胸骨旁短轴）；有第三方论文（如 EchoAI 的 arXiv:2311.12582）将其误写为 “Parasternal Long Axis”（PLAX，胸骨旁长轴）。本数据集用的是 PSAX（与成人 EchoNet-LVH 的 PLAX 不同），转录时勿混。
坑 8：模型架构未披露具体网络。论文仅描述为视频深度学习（官网作 “3D CNN”），未给具体网络名。第三方项目常自行选用 DeepLabV3/VideoMAE 等，属再实现而非官方架构，对比性能时须区分"官方基线"与"第三方复现"。
§11 总结
11.1 三句话总结
- EchoNet-Pediatric 是目前公开最大的带专家标注儿科超声心动视频数据集（7,643 段，1,958 名 0-18 岁患儿，A4C+PSAX 双视图），配套模型 EchoNet-Peds 分割 Dice 0.89、EF MAE 3.66%。
- 它的核心结论——儿科数据训练显著优于成人模型迁移（P<1e-100）、且儿科数据量已足够独立训练（P=.09）——是"儿科需要专属 AI 数据"最硬的实证。
- 它受 Stanford 自定义研究使用协议约束（个人非商业研究，禁止商用/衍生/分享链接），是"高规范、高门槛"型数据集的代表。
11.2 适合谁
- 儿科心脏病 AI 研究者：需要公开、可复现、带专家描记的评测场。
- 医学视频分割/回归建模团队：需要标准化的视频基准与全维指标。
- 罕见病 / 小样本 AI 方法研究者：需要对标"成人预训练 + 儿科微调"范式的活案例。
- 超声心动图基础模型评测者：需要儿科域的泛化测试集。
11.3 不适合谁
- 有商业使用或模型权重开源商业化计划的团队（RUA 禁止商用与衍生，条款灰色）。
- 需要复杂先天性心脏病 / 单心室解剖数据的项目（本数据集明确排除）。
- 需要三维或造影超声心动数据的项目（仅二维灰阶）。
- 需要大规模结构精细量化（壁厚等）的项目（112×112 下采样不友好）。
11.4 30 秒决策卡
| 你的情况 | 行动 |
|---|---|
| 要立刻跑通儿科 EF 基准 | AIMI 门户注册 + 同意 RUA → Redivis 下载（备好官方划分 FileList.csv） |
| 要复现论文数值 | 按 Table 2/3 分层对标；双视图 MAE 3.66%、Dice A4C 0.891/PSAX 0.896 |
| 要写儿科 AI 数据综述 | §2.5 家族对照表 + §7.1 EchoNet 图谱可直接引用 |
| 要做商用管线 | 先读 §6.2——禁止商用/衍生，须与 Stanford 书面澄清 |
| 要引用数据集 | DOI 10.71718/d05h-gy43（数据集）+ 论文 doi:10.1016/j.echo.2023.01.015 |
FAQ（高频问答 50 问）
A. 基础认知
Q1：EchoNet-Pediatric 是挑战赛吗？
不是。它没有比赛、没有 leaderboard，是斯坦福发布的公开数据集 + 配套模型论文。检索时勿期待竞赛规则。
Q2：EchoNet-Pediatric 和 EchoNet-Peds 是一个东西吗？
同源两个名字：EchoNet-Pediatric 是数据集名，EchoNet-Peds 是模型名。论文标题用模型名，官网页与数据集用数据集名。
Q3：数据从哪来？
斯坦福儿童医院（Lucile Packard Children’s Hospital at Stanford）2014-2021 年常规临床超声检查，经 Stanford IRB 批准，去标识后发布。
Q4：谁做的？
Reddy CD（一作/通讯，Stanford 儿科心脏科）、Lopez L（Stanford 儿科）、Ouyang D（Cedars-Sinai）、Zou JY（Stanford 生物医学数据科学）、He B（Stanford 计算机）。后三位贡献等同。
Q5：发表在哪？
Journal of the American Society of Echocardiography，2023;36(5):482-489，doi:10.1016/j.echo.2023.01.015。注意 PubMed 页标 2022（双口径，坑 2）。
Q6：它和 EchoNet-Dynamic 什么关系？
Dynamic 是成人前作（10,030 段 A4C），本数据集模型的权重从 Dynamic 初始化再微调。两者是"成人→儿科"迁移研究的两端。
Q7：最大的卖点一句话？
儿科专属数据训练显著优于成人模型迁移（P<1e-100），且儿科数据已够独立训练（P=.09）——为"儿科需要儿科数据"提供了实证。
Q8：它自己有什么局限？
单中心（Stanford）、排除先心病、仅二维灰阶、金标准单一（5/6 area-length）、未披露种族构成——论文 Limitations 全部自曝。
Q9：数据量比 EchoNet-Dynamic 大吗？
不，7,643 < 10,030。但在"儿科 + 双视图 + 专家描记"组合上是公开最大（论文自述 largest labeled pediatric medical video dataset）。
Q10：开源吗？
不是开源意义上的开放。数据走注册墙 + 自定义 RUA（个人非商业）；论文为订阅版权；代码状态需自行核验。
B. 数据与获取
Q11：7,643 段里有几种视图？
两种：A4C（心尖四腔心）3,176 段 + PSAX（胸骨旁短轴）4,424 段。同一检查可能两种视图都含（3,133 次两者兼有）。
Q12：视频是什么格式和尺寸？
112×112 px 正方形灰阶视频，AVI 格式（官网/Kaggle 标签为 avi + csv），经 cubic 插值降采样；裁剪去除患者信息与 ECG。
Q13：怎么下载？
Stanford AIMI 共享数据集门户 →微软账号登录 → 同意 EchoNet-Pediatric RUA → Redivis 下载。约 2.51 GB。不得转发下载链接。
Q14：能分享给同事吗？
不能。协议第 4/5 条禁止分发与分享链接，同机构其他用户须各自单独注册。
Q15：能用它训练商用模型吗？
不能。协议第 1 条仅限个人非商业研究，第 6 条禁止衍生作品——商用与模型权重开源的合法性都存在重大障碍（坑 5 + §6.2）。
Q16：Kaggle 上有镜像，能用吗？
能访问不等于能用：Kaggle 镜像标 MIT 是镜像者自选标签，与 Stanford RUA 冲突，底层数据仍受 RUA 约束（坑 5）。
Q17：数据有官方划分吗？
有。FileList.csv 的 Split 列给出 6,114 训练 / 765 测试 / 764 验证（8:1:1），训练/测试/验证无视频重叠。
Q18：标注文件是什么？
FileList.csv（元数据：EF/Sex/Age/Weight/Height/Split）+ VolumeTracings.csv（FileName, X, Y, Frame 的内膜轮廓点）。
C. 模型与性能
Q19：模型做几个任务？
两个：左心室逐帧分割 + 射血分数回归。两个任务共享视频输入，可联合训练。
Q20：分割准确度多高？
Dice：A4C 0.891（0.889-0.894）、PSAX 0.896（0.894-0.898）；概称 0.89。
Q21：EF 估计误差多大？
双视图 MAE 3.66%（3.53-3.82）、RMSE 4.98%、R² 0.77；单 A4C 4.15%、单 PSAX 3.80%。
Q22：能识别心功能异常吗？
能。EF<55% 的 AUC 0.954，EF<50% 升至 0.980——对需干预决策的区间识别尤其好。
Q23：推理多快？
0.062 秒/视频（单卡 NVIDIA GTX 1080 Ti），支持床旁实时辅助。
Q24：为什么引入 PSAX 视图？
5/6 area-length 法需要 A4C + PSAX 两正交视图共同推算容积；PSAX 也是儿科评估左心室常用的补充切面（成人 EchoNet-Dynamic 只有 A4C）。
Q25：单视图能用吗？
能，但双视图最优。PSAX 单视图（MAE 3.80%）优于 A4C 单视图（4.15%）——对声窗受限的患儿很实用。
D. 结论与方法学
Q26："儿科优于成人"具体指什么？
同一批儿科数据上，儿科训练的 EchoNet-Peds 显著优于成人 EchoNet-Dynamic 直接迁移（P<1e-100，仅 A4C 比较）。
Q27：那还需要成人数据吗？
需要但非关键。儿科数据从零训练 vs 从成人权重微调差异不显著（P=.09）——说明成人先验价值有限，儿科数据量本身才是关键。
Q28：为什么要按年龄/体型分层？
儿科体型/心率跨度大（2 kg 早产儿到 100 kg 青少年），全体平均会掩盖子群差异。论文全维度分层报告（性别/年龄五档/BSA 四分位）。
Q29：婴儿组为什么 MAE 最差但 R² 最好？
婴儿绝对误差大（体型小、心率快、声窗难）但 EF 跨度大，相对拟合更好——MAE 与 R² 必须成对解读。
Q30：如果我只记住一件事？
儿科 AI 不能用成人模型硬套：儿科数据训练在全部亚组上显著更好，而这份 7,643 段数据集就是让"儿科专属训练"可复现的那块基石——代价是它被一纸严格的研究协议圈在学术用途内。
E. 扩展问答
Q31：为什么论文要用 5/6 area-length 法而不是成人常用的盘法？
儿科临床优先采用 area-length 或 bullet 法，文献支持其在儿科（尤其小体型）比盘法更可靠。选它是为了让模型的输出对齐儿科临床实际报告口径——若用盘法，模型与临床报告的 EF 就不可比了。
Q32：数据集里的 EF 是"自动算法算的"还是"人工测的"？
人工。注册超声技师按标准临床流程测量、专家医师核验，最终报告中的 EF 作为金标准（ground truth）。模型的 EM 是去逼近这个人测值。
Q33：模型输出的是"专家目测"还是"定量测量"？
概念上更接近"专家定性评估"，但精度更高、变异更低，因为它被训练去逼近客观的 5/6 area-length 定量结果。论文明确把分割任务定位为"为 EF 估计提供可视化解释"。
Q34：为什么分割任务不直接给 EF 所需数值？
分割只产出逐帧面积/轮廓，不直接等于 EF；EF 需要结合长轴长度与容积积分。所以论文让 EF 估计作为独立回归任务，分割则提供透明可解释的中间表示。
Q35：多拍视频（多个心动周期）怎么处理？
论文说视频含可变数目的心动周期，分割任务对每搏可分别求 EF 再平均；模型在不同环境下表现一致。
Q36：<1 岁组数据为什么这么少？
211 次检查（约 4.7%）。婴儿超声采集难度大、且部分需镇静，常规临床中带完整描记的婴儿样本本就少。这是儿科数据集的普遍结构性缺陷，非本数据集独有。
Q37：能用它做先心病相关研究吗？
不能直接做。数据集明确排除先心病与单心室患者；论文把"扩展到先心病、单心室几何"列为未来方向。
Q38：有三维或造影数据吗？
没有。论文明确限定在二维灰阶成像；三维超声心动虽与心脏磁共振相关性更好，但需要特殊培训、临床未普及，故被排除。
Q39：A4C 和 PSAX 是同一批病人吗？
部分重叠。Table 1 显示 3,133 次检查同时含两视图，因此相当一部分患者两视图都有，但并非全部。
Q40：这个数据集会被更新吗？
官方未见版本规划公开声明。维护触发点见附录 O（扩容、许可变更、外部验证发表等）。
Q41：为什么条目反复强调"双口径"？
因为本条目的原始文档（官网/论文/第三方）在多处数字上不一致（视频数、年份、性别、划分），这些正是 AI-Ready 质检要抓的典型缺陷；条目把它们全部存照并给出处理口径（附录 F）。
Q42：它和库内 CAMUS 条目冲突吗？
不冲突、互补。CAMUS 是成人（法国）500 例 EF/分割对照集、许可更开放；本数据集是儿科（美国）7,643 视频、注册墙。两者构成"成人/儿科""开放/受限"双对照。
Q43：能在论文里直接对比它的 Dice/MAE 吗？
可以，但要注明：①视图（A4C/PSAX/双视图）；②划分（官方 6,114/765/764）；③数据版本口径（7,643）。三者任一不同，数字就不可直接比。
Q44：它的 License 是 CC 吗？
不是。是 Stanford 自定义 Research Use Agreement，比 CC BY-NC 更严（还禁止分发与衍生）。
Q45：模型权重以什么许可发布？
论文未明示代码/权重许可；官网仅称"our code is available here"。由于数据集 RUA 禁止衍生作品，权重许可存在灰色地带，使用前须核验并咨询 Stanford。
Q46：为什么 Kaggle 上标的 MIT 不算数？
因为许可只能由权利方（Stanford）授予。第三方镜像者无权把受 RUA 约束的数据重新标为 MIT；该标签只可能覆盖镜像者的封装脚本（坑 5）。
Q47：如果我只想引用一个数字代表它？
EF 估计 MAE 3.66%（双视图）或分割 Dice 0.89——这两个是论文摘要主推的数字，也是第三方最常引的。
Q48：它对其他儿科影像 AI（脑、胸、骨龄）有借鉴吗？
有。三条可迁移：①"邻近成人数据预训练 + 目标人群微调"的桥接范式；②分层报告（按发育阶段）的规范；③罕见病数据集"单中心起步、公开评测、逐步多中心"的建设路径。
Q49：数据集里有没有文本/报告？
没有。仅视频 + 数值标注 + 描记坐标，无超声报告文本或诊断结论——因此不能用于影像-文本多模态任务。
Q50：这个条目最想提醒读者的一件事？
许可。这是库内少见的"高规范但使用自由度极低"的数据集：学术研究开箱即用，商用/衍生几乎封闭——用之前务必读 §6.2。
事实清单（硬事实 40 条）
- EchoNet-Pediatric 含 7,643 段儿科超声心动视频，来自 4,467 次超声检查、1,958 名 0-18 岁患儿（43% 女性）。
- 视频分两视图：A4C 3,176 段、PSAX 4,424 段（3,133 次检查两视图兼有）。
- 采集期 2014-2021 年，Lucile Packard Children’s Hospital at Stanford，经 Stanford IRB 批准。
- 原始视频经裁剪去标识（去除患者信息与 ECG）并 cubic 插值降采样至 112×112 px。
- 配套模型名 EchoNet-Peds，做左心室分割与射血分数回归两个任务。
- EF 金标准采用 5/6 area-length method（子弹法），由 A4C + PSAX 两视图推导。
- 标注由注册超声技师测量、专家医师核验；ED/ES 两时点内膜描记配对坐标。
- 描记坐标结构：首对为长轴长度与方向，后续为心尖到二尖瓣装置的短轴距离，附 FileName 与 Frame。
- 标注图像共 17,600 张（ED + ES）。10. 官方划分 6,114 训练 / 765 测试 / 764 验证（8:1:1），无视频重叠。
- 训练采用 10 折交叉验证。12. 模型输入 32 帧（隔帧采样）。
- 分割损失为二元交叉熵；EF 损失为 MSE；优化器 SGD。
- 模型权重从成人 EchoNet-Dynamic 初始化再微调；对照组用 Kinetics-400 权重初始化。
- 分割 Dice：A4C 0.891（0.889-0.894）、PSAX 0.896（0.894-0.898）。
- 双视图 EF：MAE 3.66%（3.53-3.82）、RMSE 4.98%（4.75-5.33）、R² 0.77（0.74-0.80）。
- 仅 A4C：MAE 4.15%、RMSE 5.70%、R² 0.70。18. 仅 PSAX：MAE 3.80%、RMSE 5.14%、R² 0.74。
- 收缩功能障碍 AUC：EF<55% 为 0.954（0.942-0.965）；EF<50% 为 0.980（0.970-0.988）。
- 推理速度 0.062 秒/视频（单卡 GTX 1080 Ti）。
- 儿科模型显著优于成人模型迁移（P<1e-100，仅 A4C 比较）。
- 儿科数据从零训练 vs 从成人权重微调，差异不显著（P=.09）——儿科数据足可独立训练。
- 全部年龄/性别/BSA 亚组 EF MAE 均 <5%。
- 分割最佳在 6-11 岁组（A4C Dice 0.899）；<1 岁组 EF MAE 最差（4.99%）但 R² 最高（0.85）。
- 患儿年龄均值 10.2±5.4 岁；EF 均值 61±10%；86% 检查 EF ≥55%。
- 纳入 EF 范围 5%-75%；EF<55% 判异常。
- 纳入人群为解剖正常心脏（正常 EF + 无先心病的收缩功能障碍）；排除先心病。
- 未按图像质量排除视频（保留临床真实变异）。
- 采集设备含 Philips iE33、Siemens Acuson SC2000、Philips Epiq 7 三机型。
- 论文：Reddy CD 等，J Am Soc Echocardiogr 2023;36(5):482-489，doi:10.1016/j.echo.2023.01.015，PMID 36754100。
- 论文年份双口径：PubMed 页 2022（online）vs 正式卷期 2023。
- 性别占比双口径：官网 43% vs 论文 Table 1 的 830 (42)。
- 视频数双口径：官方 7,643 vs 第三方再统计 7,810（差 167）。
- 数据集 DOI：10.71718/d05h-gy43（Stanford AIMI 发布）。
- 获取为注册墙：Stanford AIMI 门户 + 同意 RUA + Redivis 下载，约 2.51 GB。
- 许可为 Stanford EchoNet-Pediatric Research Use Agreement（非 CC）：个人非商业研究，禁止商用/分发/衍生/分享链接。
- 论文本体为 Elsevier 订阅版权（© 2023 American Society of Echocardiography），非 OA。
- Kaggle 镜像 snikhilrao/echonet-pediatric 标 MIT——非官方，与 RUA 冲突。
- 数据集被 CardioBench（arXiv:2510.00520）、EchoNet-Synthetic（MICCAI 2024）、EchoAI（arXiv:2311.12582）、P-Mamba（Sci Rep 2025）等独立引为基准。
- 论文自曝局限：单中心验证、排除先心病、仅二维、金标准单一、监督学习固有偏倚、未披露种族构成。
术语表（30 条）
| 术语 | 释义 |
|---|---|
| EchoNet-Peds | 本数据集配套的儿科心功能评估模型名 |
| A4C（apical 4-chamber） | 心尖四腔心切面，从心尖观察四个心腔 |
| PSAX（parasternal short-axis） | 胸骨旁短轴切面，儿科特有的补充视图 |
| PLAX（parasternal long-axis） | 胸骨旁长轴切面（EchoNet-LVH 用；勿与本数据集的 PSAX 混淆） |
| EF（ejection fraction） | 射血分数，反映左心室收缩功能的百分比；EF=(EDV−ESV)/EDV |
| EDV / ESV | 舒张末期容积 / 收缩末期容积 |
| ED / ES 时点 | 舒张末期 / 收缩末期（描记的两个代表帧时点） |
| 5/6 area-length method | 由两正交视图面积与长轴推算容积的 EF 法，即"子弹法"（Bullet method） |
| method of disks | 盘法，成人常用 EF 计算法（本数据集未采用） |
| Dice similarity coefficient | 分割重叠度指标，1 为完全一致；本数据集 A4C 0.891 / PSAX 0.896 |
| MAE / RMSE / R² | 平均绝对误差 / 均方根误差 / 决定系数（EF 回归指标） |
| AUC | ROC 曲线下面积，本数据集收缩障碍识别 0.954-0.980 |
| BSA（body surface area） | 体表面积，儿科分层维度之一（四分位） |
| 收缩功能障碍 | systolic dysfunction，本数据集异常组的临床定义 |
| 扩张型心肌病 | dilated cardiomyopathy，纳入的收缩障碍病因之一 |
| 化疗诱导收缩障碍 | chemotherapy-induced systolic dysfunction，纳入病因之一 |
| 先天性心脏病 | congenital heart disease，本数据集排除的人群 |
| 单心室 | single ventricle，复杂先心病，论文列为未来扩展方向 |
| sonographer | 注册超声技师，负责临床测量 |
| echocardiographer | 超声心动图医师，负责测量核验 |
| 内膜边界 | endocardial border，左心室分割的描记目标 |
| VolumeTracings | 描记坐标文件（FileName, X, Y, Frame） |
| FileList | 元数据与划分文件（EF/Sex/Age/Weight/Height/Split） |
| 观察者间变异 | interobserver variability，文献报道 EF 为 4%-14% |
| POCUS | point-of-care ultrasound，床旁即时超声，本模型的应用场景之一 |
| 10-fold cross-validation | 十折交叉验证，论文训练/评估协议 |
| bootstrap CI | 自助法置信区间，论文用 10,000 次采样取 95% 百分位 |
| Stanford AIMI | Stanford Center for AI in Medicine & Imaging，数据集发布方 |
| RUA | Research Use Agreement，Stanford 自定义研究使用协议 |
| Redivis | Stanford AIMI 数据集的实际托管/分发平台 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | EchoNet-Pediatric |
| url_name | echonet-pediatric |
| 类型 | 数据集 + 模型论文（二合一） |
| 论文 | J Am Soc Echocardiogr 2023;36(5):482-489 |
| 团队 | Stanford + Cedars-Sinai |
| 规模 | 7,643 视频 / 1,958 患者 / 4,467 检查 |
| 许可 | Stanford EchoNet-Pediatric RUA（注册墙，非 CC） |
| 数据集 DOI | 10.71718/d05h-gy43 |
| 抓取时点 | 2026-09-30 |
| 库内互链 | echonet-dynamic(526)/echonet-lvh(530)/camus |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | DOI + 官网 + AIMI 门户 + 多篇第三方引用；但"数据集名 vs 模型名"易混 |
| A 可获取性 | 4 | 注册墙 + 自定义 RUA + 禁止分享链接 + 禁止衍生，可获取性被严格约束 |
| I 可互操作 | 7 | AVI + CSV 标准格式；但无 DICOM 原生输出，无官方转换脚本 |
| M 元数据质量 | 8 | 论文 Table 1-3 完备（分层指标+置信区间）+ 描记坐标；扣分在种族/合并症未披露 |
| S 可持续性 | 7 | 依托 Stanford AIMI 稳定平台；但许可限制与单中心数据使长期复用面受限 |
| 综合评级 | 6.8/10（中上） | 文档与基准完备度高；可获取性与使用自由度被研究协议显著拖低 |
附录 C：关键数字证据链
| 关键数字 | 来源 | 位置 |
|---|---|---|
| 7,643 视频 / 1,958 患者 / 4,467 检查 | 论文正文 + 官网 | PMC/ScienceDirect |
| 3,176 A4C / 4,424 PSAX / 3,133 两者 | 论文 Table 1 + 官网 | ScienceDirect |
| 112×112 px / 17,600 标注图像 | 论文方法节 + 官网 | ScienceDirect |
| 6,114 / 765 / 764 划分 | 论文结果节 | ScienceDirect |
| Dice 0.891 / 0.896 | 论文 Table 3 | ScienceDirect |
| MAE 3.66% / RMSE 4.98% / R² 0.77 | 论文 Table 2 + 摘要 | ScienceDirect |
| AUC 0.954 / 0.980 | 论文结果节 | ScienceDirect |
| P<1e-100 / P=.09 | 论文 Training Methods Comparison | ScienceDirect |
| 0.062 秒/视频 | 论文结果节 | ScienceDirect |
| 许可 10 条条款 | echonet.github.io/pediatric | 官网 RUA |
| DOI 10.71718/d05h-gy43 | Stanford AIMI 页面 | aimi.stanford.edu |
| 7,810 双口径 | CardioBench arXiv:2510.00520 | arXiv HTML |
附录 D：数据获取决策树
你的用途是什么？
├── 个人非商业学术研究
│ └── Stanford AIMI 门户注册 → 同意 RUA → Redivis 下载（勿转发链接）
├── 复现论文基准
│ └── 用 FileList.csv 官方划分；对标 Table 2/3 分层指标
├── 商用 / 模型权重开源
│ └── 先读 §6.2：RUA 禁止商用与衍生 —— 须与 Stanford 书面澄清
├── 需要先心病 / 单心室数据
│ └── 本数据集不含，另寻来源（论文列为未来方向）
└── 只想引用结论
└── 引 doi:10.1016/j.echo.2023.01.015 与数据集 DOI 10.71718/d05h-gy43
附录 E：EchoNet 家族对照表
| 数据集 | 年 | 视频 | 视图 | 人群 | 标注 | 获取 |
|---|---|---|---|---|---|---|
| EchoNet-Dynamic | 2020 | 10,030 | A4C | 成人 | EF/容积/描记 | 注册（OUDA） |
| EchoNet-LVH | 2022 | 12,000 | PLAX | 成人 | 壁厚关键点 | 注册（RUA） |
| EchoNet-Pediatric | 2023 | 7,643 | A4C+PSAX | 儿科 | EF/描记 | 注册（RUA） |
| EchoNet-Synthetic | 2024 | 合成 | A4C | 派生 | EF | 开源（GitHub） |
附录 F：双口径登记表
| # | 项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| 1 | 视频总数 | 7,643（官方/论文） | 7,810（CardioBench/EchoAI） | 按官方，注差异 |
| 2 | A4C 视频数 | 3,176（官方） | 3,284/3,285（第三方） | 按官方 |
| 3 | PSAX 视频数 | 4,424（官方） | 4,526/4,527（第三方） | 按官方 |
| 4 | 论文年份 | 2023;36(5)（正式卷期） | 2022（PubMed online） | 按 2023，注 2022 |
| 5 | 性别占比 | 43%（官网） | 42%（论文 Table 1） | 双记，注明来源 |
| 6 | 划分 | 6,114/765/764（官方） | 6,365/798/658（CardioBench 自定义） | 按官方 |
附录 G：许可条款要点对照
| 条款 | 内容 | 对使用者的影响 |
|---|---|---|
| 1 | 仅个人非商业研究，禁止商用/销售/变现 | 商业项目不可用 |
| 3 | 可作个人非商业研究的逐字副本 | 允许本地复制 |
| 4 | 未经书面许可不得分发/发布/复制 | 不可再发布 |
| 5 | 不得分享下载链接 | 同机构须各自注册 |
| 6 | 不得修改/逆向/创建衍生作品 | 模型权重法律地位模糊 |
| 7 | 未经 FDA 审评，不得用于临床诊断 | 仅科研用途 |
| 9 | 禁止重新识别 | 隐私红线 |
| 10 | 违约即终止并交回副本 | 违规后果严重 |
附录 H：分层性能速查（论文 Table 2）
| 亚组 | 检查数 | EF MAE | R² |
|---|---|---|---|
| 全体 | 4,467 | 3.66% | 0.77 |
| <1 岁 | 211 | 4.99% | 0.85 |
| 1-5 岁 | 843 | 3.42% | 0.79 |
| 6-11 岁 | 1,291 | 3.42% | 0.76 |
| 12-14 岁 | 920 | 3.79% | 0.72 |
| >15 岁 | 1,202 | 3.75% | 0.71 |
| BSA Q1（最小） | 1,111 | 3.70% | 0.84 |
| BSA Q4（最大） | 1,112 | 3.77% | 0.68 |
附录 I：检索路径示范
| 目标 | 推荐查询式 | 预期命中 |
|---|---|---|
| 数据集本体 | “EchoNet-Pediatric” echocardiography dataset | echonet.github.io/pediatric + AIMI 门户 |
| 模型论文 | “EchoNet-Peds” ejection fraction pediatric | J Am Soc Echocardiogr 2023;36(5) |
| 数据集 DOI | 10.71718/d05h-gy43 | aimi.stanford.edu/datasets/echonet-pediatric |
| 家族前作 | EchoNet-Dynamic Nature 2020 | 库内 rid 526 |
| 第三方基准 | “EchoNet-Pediatric” benchmark foundation model | CardioBench arXiv:2510.00520 |
| 反例（勿信） | Kaggle echonet-pediatric MIT license | 镜像自选标签，与 RUA 冲突（坑 5） |
附录 J：本条目生产档案
- 生产通道：rsi 批次派发（主会话任务头 echonet-pediatric）
- 存在性核验：WebSearch×4 + WebFetch×3 + 论文 PDF 全文提取（pdftotext）+ DOI 解析实测，共约 8 轮
- FACTS.md：writing/echonet-pediatric/FACTS.md 九节
- 成稿方式：五块直写拼接（part1-5），私有区 .parts_agent-a-echonetped_<ts>/
- 坑点：§10 八则（坑 1-8"坑 N："编号制）
- description：成稿时即 ≤170 字符
- 双口径存照：6 组（视频数/年份/性别/划分/A4C/PSAX），见附录 F
附录 K：FAIR/AI-Ready 检查单
| 检查项 | 状态 | 说明 |
|---|---|---|
| F1 全局唯一标识 | ✅ | 数据集 DOI 10.71718/d05h-gy43 + 论文 DOI |
| F2 富元数据 | ✅ | 论文表格 + CSV 划分表 |
| A1 可访问协议 | ⚠️ | 注册墙 + RUA；HTTP 直链不存在 |
| A2 元数据可访问 | ✅ | 论文与官网描述始终开放 |
| I1 互操作格式 | ✅ | AVI + CSV |
| I2 词汇表引用 | ✅ | EF/A4C/PSAX 标准术语 |
| R1 来源溯源 | ✅ | 单中心来源明示，IRB 批准 |
| R3 可复现流程 | ✅ | 官方划分 + 分层层指标 + 描记坐标 |
| AI-Ready 综合 | 中 | 元数据/可复现性优；可获取性与使用自由度受限 |
附录 L：缩写速查
| 缩写 | 全称 |
|---|---|
| EchoNet-Peds | EchoNet Pediatric（模型名） |
| A4C | Apical 4-Chamber（心尖四腔心） |
| PSAX | Parasternal Short-Axis（胸骨旁短轴） |
| PLAX | Parasternal Long-Axis（胸骨旁长轴） |
| EF / LVEF | Ejection Fraction / Left Ventricular EF |
| EDV / ESV | End-Diastolic / End-Systolic Volume |
| ED / ES | End-Diastole / End-Systole |
| BSA | Body Surface Area |
| MAE / RMSE / R² | Mean Absolute Error / Root Mean Squared Error / 决定系数 |
| AUC | Area Under the ROC Curve |
| POCUS | Point-Of-Care Ultrasound |
| RUA | Research Use Agreement |
| AIMI | Stanford Center for AI in Medicine & Imaging |
| IRB | Institutional Review Board |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability |
附录 M：基于本数据集的复现检查清单（10 项）
- 许可核对：你的用途是否落在"个人非商业研究"内？商用/衍生须先书面澄清（§6.2）。
- 口径声明：引用视频数时注明 7,643（官方）vs 7,810（第三方）（坑 1）。
- 划分使用：用 FileList.csv 官方划分（6,114/765/764）复现论文基准（坑 4）。
- 视图标注：报告指标时注明 A4C / PSAX / 双视图——三者数值不同（§4.4）。
- 分层报告：儿科数据必须按年龄与 BSA 分层报告（§8.3）。
- 金标准口径：EF 金标准是 5/6 area-length 法，与其他方法比较需警惕系统性偏差（§2.4）。
- 人群边界：本数据集排除先心病与单心室——勿用于复杂解剖的结论外推。
- 分辨率限制：112×112 下采样，不适合结构精细量化任务。
- 年份/性别口径：论文 2022/2023 双口径、性别 43%/42% 双口径（坑 2/3）。
- 引用完整：数据引 DOI 10.71718/d05h-gy43，性能引 doi:10.1016/j.echo.2023.01.015。
附录 N：引文规范
@article{reddy2023echonetpeds,
title = {Video-Based Deep Learning for Automated Assessment of
Left Ventricular Ejection Fraction in Pediatric Patients},
author = {Reddy, Charitha D. and Lopez, Leo and Ouyang, David and
Zou, James Y. and He, Bryan},
journal = {Journal of the American Society of Echocardiography},
volume = {36},
number = {5},
pages = {482--489},
year = {2023},
doi = {10.1016/j.echo.2023.01.015}
}
@misc{echonetpediatric2023,
title = {EchoNet-Pediatric: A Large Pediatric Echocardiography Video Dataset},
author = {Stanford University School of Medicine},
year = {2023},
howpublished = {Stanford AIMI Shared Datasets},
doi = {10.71718/d05h-gy43},
url = {https://echonet.github.io/pediatric/}
}
附录 O：维护计划与触发点
| 触发点 | 条件 | 动作 | 优先级 |
|---|---|---|---|
| 数据集扩容/更新版本 | Stanford 发布 v2 或增加先心病数据 | 更新 §2 规模与 §4 结论 | 1 |
| 许可变更 | RUA 条款或托管平台变化 | 改写 §6 与附录 G | 2 |
| 第三方基准扩表 | 新论文以本数据集为基准 | §5.3 生态扩行 | 3 |
| 代码仓库状态核实 | 代码仓库可实访 | 补 §6.1 代码许可 | 4 |
| 广泛外部验证发表 | 多中心验证研究出现 | §4.6 追记泛化性结论 | 5 |
附录 P：两个任务的规格对照
| 维度 | 分割任务 | EF 估计任务 |
|---|---|---|
| 输入 | 视频帧（A4C 或 PSAX） | 32 帧视频（单/双视图） |
| 输出 | 逐帧 LV 掩膜 | EF 百分比 |
| 金标准 | ED/ES 的人工描记轮廓 | 5/6 area-length 报告的 EF |
| 损失函数 | 二元交叉熵 | 均方误差（MSE） |
| 主指标 | Dice 相似系数 | MAE / RMSE / R² |
| 论文基线 | A4C 0.891 / PSAX 0.896 | 3.66% / 4.98% / 0.77 |
| 临床类比 | 医生手动勾画 | 医生目测 EF |
| 定位 | 提供可解释的中间表示 | 核心临床输出 |
附录 Q：标注流程与质控要点
采集（2014-2021 常规临床）
└── 三机型（Philips iE33 / Siemens Acuson SC2000 / Philips Epiq 7）
└── 存入 Siemens Syngo Dynamics PACS
└── 从报告中提取最终 EF（5/6 area-length 法）作为金标准
└── 裁剪去标识（去除患者信息 + ECG 走纸）
└── cubic 插值降采样至 112x112 px
└── 视图识别（按描记帧的 programmed query）
└── ED/ES 时点内膜边界描记（技师测量）
└── 专家医师核验
└── 随机划分 8:1:1（无视频重叠）
质控的三道防线：①技师测量依标准临床流程；②专家医师核验；③划分时确保无视频重叠防泄漏。需要提醒的是：标注过程无第三方独立复核（不同于多层流水线数据集），金标准依赖单一机构的标准临床流程。
附录 R：论文自曝局限全清单
| 局限 | 论文原文要点 | 对使用者的含义 |
|---|---|---|
| 金标准方法单一 | 以 5/6 area-length 为唯一金标准，但许多临床医生用其他方法 | 跨方法比较存在系统性口径偏差 |
| 仅二维 | 限定二维成像，未含三维超声心动 | 不能用于三维定量或体积-磁共振对齐研究 |
| 监督学习偏倚 | 分割依赖人工标注，存在 human bias | 标签上限=标注者水平 |
| 单中心 | 仅 Stanford 一家机构验证 | 跨机构泛化性未证；结论需多中心复现 |
| 人群受限 | 排除先心病；仅解剖正常心脏 | 不能外推到复杂先心病/单心室 |
| 外部验证有限 | 广泛外部验证为未来方向 | 部署前须自行外部验证 |
附录 S：与其他心血管数据集的许可对照
| 数据集 | 许可类型 | 商用 | 衍生 | 再分发 | 门槛 |
|---|---|---|---|---|---|
| EchoNet-Pediatric | Stanford RUA | ✗ | ✗ | ✗ | 注册墙 |
| EchoNet-Dynamic | Open Use of Data Agreement | 视条款 | 视条款 | 视条款 | 注册墙 |
| CAMUS | 研究用（需引用） | 视条款 | 视条款 | 视条款 | 开放下载 |
| 库内 CC BY-4.0 类 | CC BY-4.0 | ✓ | ✓ | ✓ | 无 |
对照结论：EchoNet-Pediatric 在本表中是限制最严的一档——比同家族的 EchoNet-Dynamic（OUDA）更严，比多数 CC BY 数据集严格得多。这一许可梯度是库内"可获取性光谱"的重要刻度点：同样"注册墙"，OUDA 与 RUA 的使用自由度差异巨大，检索者不可一概而论。
附录 T：常见误用与正确做法
| 常见误用 | 为什么错 | 正确做法 |
|---|---|---|
| 据 Kaggle 的 MIT 标签商用 | 许可是 Stanford RUA，镜像标签无效 | 以 RUA 为唯一许可（坑 5） |
| 引用"7,643"却不注明口径 | 与第三方 7,810 冲突 | 注明"官方口径"（坑 1） |
| 用第三方自定义划分复现 | 基数与官方不同 | 用 FileList.csv 的 Split 列（坑 4） |
| 报 EF MAE 不注明视图 | 双/单视图数值不同 | 标注"双视图/单 A4C/单 PSAX"（§4.4） |
| 把 PSAX 写成 PLAX | 视图不同 | PSAX=胸骨旁短轴，PLAX=长轴（坑 7） |
| 用于先心病结论 | 数据集排除先心病 | 仅限解剖正常心脏人群（§2.2） |
| 用 112×112 做精细结构定量 | 下采样损失空间细节 | 功能任务适用，结构定量另寻数据 |
附录 U：术语中英对照速查（补充）
| 中文 | 英文 |
|---|---|
| 心尖四腔心 | Apical 4-Chamber (A4C) |
| 胸骨旁短轴 | Parasternal Short-Axis (PSAX) |
| 胸骨旁长轴 | Parasternal Long-Axis (PLAX) |
| 射血分数 | Ejection Fraction (EF) |
| 舒张末期 | End-Diastole (ED) |
| 收缩末期 | End-Systole (ES) |
| 子弹法 | Bullet Method / 5/6 area-length |
| 内膜边界 | Endocardial border |
| 收缩功能障碍 | Systolic dysfunction |
| 扩张型心肌病 | Dilated cardiomyopathy |
| 体表面积 | Body Surface Area (BSA) |
| 观察者间变异 | Interobserver variability |
| 床旁即时超声 | Point-of-Care Ultrasound (POCUS) |
| 研究使用协议 | Research Use Agreement (RUA) |
附录 V：三句话决策速览
| 你是谁 | 一句话建议 |
|---|---|
| 学术研究者 | 注册 + 同意 RUA 即可用，是儿科超声 AI 的首选公开基准 |
| 商业开发者 | 先读 §6.2——RUA 禁止商用与衍生，须与 Stanford 书面澄清 |
| 数据工程师 | 用官方 FileList.csv 划分；注意 112×112 与 A4C/PSAX 双结构 |
| 审稿人/综述作者 | 引用时必注视图口径与数据版本（7,643 官方） |
附录 W：评测协议模板（可直接套用）
若你要在本数据集上报告一个新模型的性能，建议按以下协议模板书写（保证与论文可对标）：
【数据集】EchoNet-Pediatric（版本/下载日期：____；口径 7,643 官方）
【视图】□ A4C □ PSAX □ 双视图
【划分】官方 FileList.csv Split 列（6,114/765/764）；□ 自定义（须说明）
【预处理】112x112 原尺寸 [是否再缩放：____]；EF 模型输入 32 帧（隔帧）
【任务一 分割】
- 指标：Dice（报告均值 + 95% CI）
- 对标：A4C 0.891 / PSAX 0.896
【任务二 EF 回归】
- 指标：MAE / RMSE / R2（报告均值 + 95% CI）
- 对标（双视图）：3.66% / 4.98% / 0.77
- 对标（单 A4C）：4.15% / 5.70% / 0.70
【任务三 收缩障碍分类】
- 指标：AUC（EF<55% 与 EF<50% 分别报告）
- 对标：0.954 / 0.980
【分层】是否按性别/年龄五档/BSA 四分位分层报告：□ 是 □ 否
【自变量】初始化权重（成人/通用/随机）；训练数据（儿科/成人+儿科微调）
这份模板的作用是把"论文可对标"变成"字段可核对"：只要按字段填空，任何人复现时都能判定你的数字与论文的差异来自哪一步。
附录 X：本条目与库内 panda-plus 条目的结构对照
| 维度 | panda-plus | echonet-pediatric（本条目） |
|---|---|---|
| 领域 | 病理（前列腺 WSI） | 心血管（儿科超声心动） |
| 数据形态 | 图像 + 像素掩码 | 视频 + 数值标注 |
| 许可结构 | 三层异构（OSSA/请求制/Bench） | 单层注册墙（RUA） |
| 核心贡献 | 标签质量审计 | 儿科 vs 成人迁移实证 |
| 双口径数量 | 4 组 | 6 组 |
| 坑点 | 8 则 | 8 则 |
| 衍生品 | PANDA-PLUS-Bench（CC BY-4.0） | 无（禁止衍生） |
对照价值：两个条目分别代表"许可异构 + 支持衍生"与"许可单一 + 禁止衍生"两种发布哲学。前者利于传播与二次开发，后者利于保护与合规控制——没有绝对优劣，取决于发布方对数据敏感度与传播意愿的权衡。
附录 Y：AI-Ready 检查单（逐项）
| 检查项 | 状态 | 说明 |
|---|---|---|
| 官方 DOI | ✅ | 数据集 10.71718/d05h-gy43；论文 doi:10.1016/j.echo.2023.01.015 |
| 官方划分 | ✅ | FileList.csv Split 列，8:1:1 |
| 元数据完备 | ✅ | 人口学 + EF + 描记坐标 |
| 置信区间 | ✅ | 10,000 bootstrap 95% CI |
| 可获得直链 | ❌ | 注册墙 + 禁止分享链接 |
| 可商用 | ❌ | RUA 第 1 条禁止 |
| 可衍生 | ❌ | RUA 第 6 条禁止 |
| 代码可用性 | ⚠️ | 需自行核验仓库状态 |
| 多中心泛化 | ⚠️ | 单中心，待外部验证 |
| 综合 AI-Ready | 中 | 规范度高，自由度低 |
附录 Z：一句话记忆卡
| 问题 | 一句话答案 |
|---|---|
| 它是什么 | 最大公开儿科超声心动视频数据集（7,643 段）+ EchoNet-Peds 模型 |
| 谁来做的 | 斯坦福儿童医院 + Cedars-Sinai（Reddy 等） |
| 关键数字 | Dice 0.89 / MAE 3.66% / AUC 0.95 |
| 核心结论 | 儿科数据训练显著优于成人模型迁移（P<1e-100） |
| 怎么拿 | Stanford AIMI 注册 + 同意 RUA（个人非商业） |
| 最大坑 | 许可严（禁商用/衍生）+ 多层双口径 + Kaggle 假 MIT |
附录 AA：双口径冲突的核查流程（给自动化抽取）
对任一数字的核查步骤：
1. 定位来源：官网（echonet.github.io/pediatric）？论文（ScienceDirect）？第三方？
2. 若三源一致 -> 直接采用
3. 若不一致 -> 按优先级：官方页 > 论文正文/表格 > 第三方
4. 记录到双口径表（附录 F），注明各口径及来源
5. 正文引用时注明"某口径"，避免读者误解
已登记的双口径：视频总数 / A4C 数 / PSAX 数 / 年份 / 性别占比 / 划分
尾注
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-09-30，抓取与核验时点见附录 A。事实陈述以论文（J Am Soc Echocardiogr 2023;36(5):482-489）、Stanford AIMI 官方页面（echonet.github.io/pediatric 与 aimi.stanford.edu）为源；视频总数 7,643 vs 7,810、论文年份 2022 vs 2023、性别占比 43% vs 42% 等多处双口径与 Kaggle 镜像的 MIT 许可失真已在坑点与附录 F/G 存照。条目与库内 EchoNet-Dynamic（rid 526）、EchoNet-LVH（rid 530）、CAMUS 等条目互链，构成超声心动图与儿科心血管 AI 的完整检索面。后续维护触发点见附录 O。
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：
- acdc — 共享标签：医学影像 / 心血管疾病 / 医学图像分割 / 评测基准
- myocardial-perfusion-spect — 共享标签：医学影像 / 心血管疾病 / 医学图像分割
- asoca — 共享标签：医学影像 / 心血管疾病 / 医学图像分割 / 评测基准
- lascarqs — 共享标签：医学影像 / 心血管疾病 / 医学图像分割 / 评测基准
- orcascore — 共享标签：医学影像 / 心血管疾病 / 医学图像分割 / 评测基准
- mms — 共享标签：医学影像 / 心血管疾病 / 医学图像分割
- echonet-dynamic — 共享标签：医学影像 / 心血管疾病 / 医学图像分割
- camus — 共享标签：医学影像 / 心血管疾病 / 医学图像分割
- hc18 — 共享标签：医学影像 / 儿科 / 医学图像分割
- imagecas — 共享标签：医学影像 / 心血管疾病 / 医学图像分割
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。
