MIQR-CC ERCP 精选图像数据集 — 内镜逆行胰胆管造影荧光图像的 5 类临床所见分类库

INFOBOX — MIQR-CC ERCP 数据集一屏速览

维度	内容
官方名	MIQR-CC Dataset — A curated endoscopic retrograde cholangiopancreatography images dataset
候选 slug	ercpmp-gx（dispatcher 占位名，与官方名不对应；沿用不改）
本质	ERCP 荧光透视图像 5 类临床所见分类数据集（非分割、非 WSI、非挑战赛）
机构	University of Minho（Algoritmi 研究中心）+ ULSAM（葡萄牙上米尼奥地方卫生单位）
论文	Scientific Data（Springer Nature），doi:10.1038/s41597-026-07679-1；预印本 arXiv:2601.16759
时间线	arXiv 2026-01-23 / 期刊 Received 2026-01-26 / Accepted 2026-06-19 / Published 2026-07-04
患者	1,602 例
图像	19,018 原始（PNG）/ 19,317 处理后 / 5,519 已标注
类别	5 类：胆道结石 / 胆漏 / 良性狭窄 / 恶性狭窄 / 正常所见
标注	2 名消化内科医师（≥5 年、≥400 例/年）独立标注 + 1 名高年资医师（≥20 年）裁定终审
设备	Ziehm Vision RFD 3D + Philips PCR Eleva 双臂荧光透视机
划分	70-15-15，按检查（exam）分层，防同患者泄漏
基线	EfficientNet-B7（Acc 78.3 / macro-F1 0.738）最优；DeiT3-Small 最弱（46.0 / 0.158）
获取	figshare 公开直链（DOI 10.6084/m9.figshare.31079236，v1/v2）；GitHub 公开代码
许可	双口径：论文 CC BY-NC-ND 4.0 ｜ 数据集 CC BY 4.0（冲突，见 §6）
伦理	ULSAM 伦理批件 243/CA-2025；资助 FCT UID/00319/2025 + MIQR-CC 2024.07644 IACDC

§0 导读：这个数据集解决什么问题

内镜逆行胰胆管造影（Endoscopic Retrograde Cholangiopancreatography，ERCP）是消化内镜领域技术门槛最高的操作之一：医师将十二指肠镜送达十二指肠乳头，插管后注入造影剂，在 X 射线荧光透视（fluoroscopy）下实时观察胆管与胰管的形态。整个操作过程中会产生成百上千张荧光透视帧，其中蕴含大量关于胆道梗阻、结石、狭窄、渗漏的诊断信息。传统上，这些判断完全依赖术者与阅片者的经验，主观性强、难以规模化传播，而公开可用、带专家标签的 ERCP 影像数据集在很长一段时间里近乎空白。

MIQR-CC 数据集正是在这一空白上做出的一次系统尝试。它把一家葡萄牙消化内镜中心连续收案的 ERCP 荧光透视图像整理为可机读的公开资源：1,602 例患者、19,018 张原始 PNG 帧，经预处理流水线产出 19,317 张处理后图像，再由两名消化内科医师独立标注出 5,519 张，标签为 5 类临床所见——胆道结石（biliary lithiasis）、胆漏（biliary leaks）、良性狭窄（benign strictures）、恶性狭窄（malignant strictures）与正常所见（normal findings）。这一"临床所见"标签体系贴近真实诊疗决策：它不追求病灶的像素级边界，而是回答"这次 ERCP 影像提示的是哪一类胆道问题"。

对 AI-Ready 视角而言，这个数据集的价值与它的局限同样鲜明。价值在于：它提供了一个此前稀缺的、带专家终审标签的 ERCP 图像分类基准，并附带了 EfficientNet-B7 等五个基线模型的完整评测，让后来者有一个可复现的起点；它的划分采用按检查分层的 70-15-15，主动规避了"同一患者不同帧跨集合"这一在医学影像数据集里极其常见的隐性泄漏。局限在于：数据来自单中心单一卫生系统、双机型合流，跨机构泛化能力未经外部验证；许可口径在论文与数据集仓储页之间存在实质冲突；图像计数存在 19,018 / 19,317 / 5,519 三套并存口径，引用时极易混淆。

本条目将逐层拆解 MIQR-CC 的身份、规模、标注流水线、评测结果、许可与获取路径，并把它放进千方病案医数集库内的消化道内镜数据集家族中定位。读者若只想要一个判断——“这个数据集现在能不能用、用了要注意什么”——可直接阅读 §1 速览、§6 获取与许可与 §10 避坑清单。

0.1 为什么 ERCP 的图像 AI 长期缺位

要理解 MIQR-CC 的意义，需要先理解 ERCP 为什么在数据集生态中长期落后于其他内镜场景。原因大致有四：

第一，操作量本身就少。 一台常规胃镜或结肠镜每天可做数十例，而 ERCP 因技术难度高、并发症风险大（术后胰腺炎是最主要并发症），通常只在具备相应资质的中心开展，单中心年例数往往只有数百例。以本数据集来源中心为例，年 ERCP 量"仅"在 750 例以上，这在 ERCP 领域已属活跃，但放在整个内镜谱系里仍是小数目。

第二，成像模态特殊。 ERCP 的关键诊断信息来自 X 射线荧光透视而非光学内镜。荧光透视是二维灰度投影成像，其视觉特征与白光内镜图像（彩色、管腔视角）截然不同。这意味着大量已在内镜图像上预训练的模型无法直接迁移，ERCP 需要自己的数据集与自己的预训练策略。

第三，采集与标注需要跨专业协作。 荧光透视帧的解读需要放射/内镜双背景知识，标注者门槛高。本数据集要求的"≥5 年经验、≥400 例/年"正是这一门槛的体现。

第四，隐私敏感度高。 荧光透视画面常叠加患者身份信息，去标识化要求严格，这增加了数据公开的合规成本。

MIQR-CC 的价值，恰恰在于它同时克服了上述四道障碍，把 ERCP 图像整理成了可公开使用、带专家标签的规范资源。

0.2 本条目与"工程即用"的距离

对开发者而言，最关心的往往是"下载下来多久能跑起来"。就 MIQR-CC 而言，距离"工程即用"的差距主要体现在三处：

1. 标签映射需要自建：5 类临床所见是自定义类别，未映射到 ICD-10 或 SNOMED 等标准术语，若要与其他临床数据集融合，需要手动建立映射表；
2. 划分文件需确认：论文说明了 70-15-15 按检查分层，但具体划分清单是否随数据发布需在下载后核实；
3. 许可需核实：论文与数据集许可冲突，商用前必须确认 figshare 页当前声明。

换言之，MIQR-CC 是一个"数据已就绪、但使用前需做三项对接工作"的资源，而非"开箱即用的一键包"。

§1 数据集速览：十问十答

问 1：MIQR-CC 是什么？
答：MIQR-CC（全称 A curated endoscopic retrograde cholangiopancreatography images dataset）是一个 ERCP 荧光透视图像的多分类数据集，由 University of Minho 的 Algoritmi 研究中心与葡萄牙 ULSAM 合作构建，发表于 Scientific Data。它把 ERCP 操作中产生的荧光透视帧整理为带 5 类临床所见标签的公开资源。

问 2：它和候选编号 ercpmp-gx 是什么关系？
答：ercpmp-gx 是千方病案医数集调度器派发时给出的占位标识（slug），并非数据集官方名称。核验确认该候选对应的真实数据集即 MIQR-CC。按写手纪律，条目以官方名为准、slug 沿用不改，并在全篇注明两者对应关系。

问 3：数据规模到底多大？
答：存在三套并存口径，务必区分——1,602 例患者；19,018 张原始 PNG 图像；19,317 张处理后图像；其中 5,519 张经专家标注进入分类任务。这三个图像数字不可混用（详见 §2.1）。

问 4：标签有哪几类？
答：5 类临床所见，图像级单标签——胆道结石、胆漏、良性狭窄、恶性狭窄、正常所见。不含像素级分割掩码，不含解剖坐标，也不支持多标签。

问 5：谁标注的？质量如何保证？
答：两名消化内科医师（各 ≥5 年经验、≥400 例/年 ERCP 操作量）独立标注，分歧交一名高年资医师（≥20 年经验）裁定终审。批件号为 ULSAM 伦理委员会 243/CA-2025。

问 6：数据从哪来？
答：葡萄牙 ULSAM 消化内镜中心单中心连续收案的 ERCP 操作。设备为 Ziehm Vision RFD 3D 与 Philips PCR Eleva 两台 C 臂荧光透视机。该中心年 ERCP 量约 750 例以上。

问 7：怎么划分训练/验证/测试？会不会泄漏？
答：70-15-15 划分，且按检查（exam）分层——即同一患者、同一次检查产生的图像不会同时出现在训练集与测试集，从机制上避免患者级/检查级泄漏。

问 8：有没有现成的基线结果？
答：有。论文评测了 5 个模型：EfficientNet-B7 最优（test Acc 78.3%，macro-F1 0.738），其后为 DenseNet121（65.9 / 0.621）、ResNet50（63.7 / 0.617）、MobileNetV2（61.4 / 0.574），DeiT3-Small 最弱（46.0 / 0.158）。

问 9：怎么获取？要申请吗？
答：公开直链，无需申请。数据集托管于 figshare，DOI 10.6084/m9.figshare.31079236，含 v1（2026-01-26）与 v2（2026-04-04）两个版本；配套代码在 GitHub monicaccmartins/MIQR-CC-Dataset。

问 10：许可到底能不能商用？
答：这是本条目最需要警惕的一点——许可存在双口径冲突。论文本体为 CC BY-NC-ND 4.0（禁商用、禁演绎）；figshare 数据集本体标为 CC BY 4.0（允许商用与演绎）。两者不一致，用户必须自行核实并按其实际下载来源的声明为准（详见 §6 与 §9）。

§2 数据构成与规格

2.1 规模、三套计数口径与来源

MIQR-CC 的规模数字必须分三层理解，这是全条目最容易出错的地方：

口径	数字	含义
患者数	1,602	纳入研究的独立患者例数
原始图像	19,018	ERCP 操作中采集的原始荧光透视帧，PNG 格式
处理后图像	19,317	经预处理流水线（去标识化、转码、尺寸规范）后的图像
已标注图像	5,519	经两名消化内科医师独立标注、高年资医师终审的标注子集

为什么处理后（19,317）会多于原始（19,018）？在医学影像预处理流水线中，这通常源于帧级切分或数据增强产生的派生图像，但论文未逐一对增量来源作出公开说明。读者在引用时应当分句陈述：“数据集含 19,018 张原始 ERCP 荧光透视图像，预处理后为 19,317 张，其中 5,519 张附专家标注”——把三个数字绑在一起说成"数据集有 X 张图"是不准确的。

数据来源为葡萄牙 ULSAM（Unidade Local de Saúde do Alto Minho，上米尼奥地方卫生单位，位于 Viana do Castelo）消化内镜中心的单中心连续收案。该中心的 ERCP 年操作量在 750 例以上，采集使用两台 C 臂荧光透视机——Ziehm Vision RFD 3D 与 Philips PCR Eleva。双机型合流是双刃剑：一方面它增加了设备的多样性，使模型不至于只在单一机型的成像特性上过拟合；另一方面它也让"设备混杂因素"成为一个无法完全排除的潜在变量，因为数据集中并未按机型分层披露图像分布。

2.2 图像格式与预处理

原始数据以 PNG 格式存储。选择 PNG 而非 JPEG 或 DICOM 是一个值得注意的工程取舍：PNG 无损压缩保留了荧光透视帧的原始像素强度分布，对强调软组织与造影剂对比度的 ERCP 影像而言，避免有损压缩引入的块效应是合理的；但它也牺牲了 DICOM 头中可能携带的设备参数、曝光剂量、窗宽窗位等元数据，具体保留到哪一层元数据，论文与仓储页未逐项列明。

预处理流水线由作者在 GitHub 仓库的 preprocessing/ 目录中公开（monicaccmartins/MIQR-CC-Dataset）。其目标是从原始帧中产出可用于分类模型训练的图像：去标识化（移除任何可能包含患者信息的屏幕叠加文字或标识）、转码、尺寸规范化。去标识化对 ERCP 图像尤其关键，因为荧光透视画面角落常叠加患者姓名、出生日期、检查时间等文字信息，若不清除将构成隐私泄漏。本数据集由 ULSAM 伦理委员会以批件 243/CA-2025 批准，去标识化流程应满足该批件的隐私要求，但论文未逐帧披露去标识化算法，读者若有合规要求，应自行抽检。

2.3 类别体系：5 类临床所见

MIQR-CC 的标签体系是图像级单标签的 5 类划分，直接对应 ERCP 临床决策关心的核心问题：

序号	英文标签	中文	临床含义
1	biliary lithiasis	胆道结石	胆管内结石形成所致的充盈缺损
2	biliary leaks	胆漏	胆管壁破损导致造影剂外溢
3	benign strictures	良性狭窄	非肿瘤性胆管腔狭窄
4	malignant strictures	恶性狭窄	肿瘤性胆管腔狭窄
5	normal findings	正常所见	未见上述异常

这一类别体系有两个显著特征。其一是贴近真实临床分诊：胆道结石、胆漏、良恶性狭窄是 ERCP 报告中最常见的几类结论，正常所见则作为对照类，使数据集具备"异常检出 + 鉴别"的双重价值。其二是良恶性狭窄的鉴别构成了数据集的核心难点：在荧光透视影像上，良性狭窄与恶性狭窄的形态学表现高度重叠（均可表现为管腔变细、造影剂通过受阻），往往需要结合病史、实验室与病理才能确诊。这一内在难度直接解释了为什么即便是最优基线 EfficientNet-B7 也只有 78.3% 的准确率，以及为什么 macro-F1（0.738）明显低于准确率——macro-F1 对少数类更敏感，说明模型在稀有类别上的表现拖了后腿。

为什么是图像级而不是像素级？ 从标注经济学看，这一取舍是理性的：ERCP 荧光透视帧数量巨大（单次检查即产生数十至上百帧），若要求像素级勾画则专家时间成本会以数量级上升，且荧光透视图像分辨率与对比度均低于病理 WSI，像素级边界的临床意义有限。图像级分类恰好匹配"这次检查提示什么"的临床问题。代价是数据集无法直接用于病灶定位或分割，若下游任务需要空间信息，须另行标注。

2.4 数据划分：70-15-15 与按检查分层

数据集采用 70% 训练 / 15% 验证 / 15% 测试的划分比例。比比例更重要的是分层维度：划分按检查（exam）而非按图像随机进行。这一点在医学影像数据集中至关重要——同一次 ERCP 检查会产生大量高度相似的连续帧，如果按图像随机划分，同一检查的相邻帧会同时落入训练集与测试集，模型只需记住"这次检查"的成像特征即可在测试集上取得虚高成绩，这是一种典型的数据泄漏（data leakage）。按检查分层从根本上切断了这条捷径，使报告的测试性能更接近模型面对全新检查时的真实表现。

论文明确将这一点作为方法学亮点提出，并强调划分"无泄漏"（no leakage）。读者在复现或引用时，应把"按检查分层"作为与"70-15-15"同等重要的规格来对待——只抄比例而忽略分层维度，会得到一个不可比的性能数字。

2.5 与库内相邻数据集的边界

MIQR-CC 在千方病案医数集库内最容易被混淆的对象是各种消化道内镜图像集（如 gastrovision、gastroendonet、hyperkvasir 等）。划界要点有三：

• 解剖部位不同：ERCP 关注的是胆管与胰管（胰胆管系统，经十二指肠乳头逆行进入），而绝大多数内镜图像集关注的是消化道管腔本身（食管、胃、结肠、小肠）；
• 成像模态不同：ERCP 用的是 X 射线荧光透视（二维投影、灰度、依赖造影剂），而常规内镜用白光/窄带成像（直接光学成像、彩色、不需造影剂）；
• 任务类型不同：MIQR-CC 是图像级多分类（5 类临床所见），与内镜分割集（像素级息肉/器械分割）、内镜检测集（目标框）在任务定义上不重合。

因此，尽管同属"消化道/消化内镜"大类，MIQR-CC 在库内更接近于一个"跨模态的胆胰影像分类"条目，而非又一个息肉数据集。§9 会给出具体的互链建议与 rid 对照。

2.6 类别体系的临床语义细读

把 5 个类别放回 ERCP 的临床语境中，可以更清楚它们各自的诊断含义与难度：

胆道结石（biliary lithiasis）：这是 ERCP 最常见的适应证之一。造影下结石表现为胆管腔内的充盈缺损（filling defect），随造影剂流动可移动。它的影像学特征相对明确——单个或多个圆形/椭圆形透亮区、边界清晰、可见于胆总管或肝内胆管，因此在 5 类中属于相对容易的一类。但需注意：泥沙样结石、嵌顿结石可能不表现为典型充盈缺损，构成误诊来源。

胆漏（biliary leaks）：多继发于胆囊切除术后或外伤，造影剂从胆管壁破损处外溢，表现为胆管轮廓外的不规则造影剂聚集。这类图像在收案中占比可能较低，属潜在少数类。

良性狭窄（benign strictures）：常见于慢性胰腺炎、原发性硬化性胆管炎（PSC）或术后狭窄。典型表现为管腔光滑、渐变的向心性狭窄。

恶性狭窄（malignant strictures）：多由胆管癌、胰头癌或壶腹周围癌引起。典型表现为管腔不规则、边缘毛糙的偏心性狭窄，可呈"鼠尾征"或"肩样征"。

良恶性狭窄是本数据集最难的判别对：两者的典型征象（光滑 vs 毛糙、向心 vs 偏心）在教科书上清晰，但在真实荧光透视帧中，受造影剂充盈程度、投影角度、病灶早晚期的影像重叠影响，边界常常模糊。这正是 §5 中准确率难以突破 80% 的根本原因。

正常所见（normal findings）：作为对照类，它的作用是让模型学会"什么是没有异常"。但"正常"的定义在临床上有一定弹性——它通常指"本次 ERCP 未发现需要干预的病变"，而非"解剖学上完全无异常"。这种弹性会给类别边界带来噪声。

2.7 双机型采集的混杂因素分析

Ziehm Vision RFD 3D 与 Philips PCR Eleva 是两款不同厂商的 C 臂荧光透视设备，其成像特性存在差异：

• 探测器与图像处理链不同：不同厂商的平板探测器、自动曝光控制与图像后处理算法都会影响最终的灰度分布与对比度；
• 3D 能力差异：Ziehm Vision RFD 3D 具备锥形束 CT（CBCT）三维成像能力，而 Philips PCR Eleva 主要提供二维透视。若数据集中混杂了不同成像模式的帧，会引入额外的变异性；
• 叠加文字与界面不同：不同设备的屏幕叠加信息位置、字体、内容各异，这直接影响去标识化的复杂度。

数据集合流双机型，好处是增加了设备多样性，使模型有机会学习跨设备的不变特征；风险是"设备与类别可能隐含相关"——如果某一类病变恰好更多地在某一台设备上采集，模型可能学到的不是病变特征而是设备特征。论文未披露是否按机型分层统计类别分布，这是读者在评估泛化性时应留意的一个盲点。

2.8 数据质量控制的透明度评估

一个数据集的可信度，很大程度取决于它对"质量控制做了什么、没做什么"的披露程度。就 MIQR-CC 而言：

已披露的质控环节：

• 三人标注结构（双人独立 + 高年资裁定）；
• 按检查分层划分；
• 明确的伦理批件与去标识化要求。

未充分披露的环节：

• 图像质量筛选标准（是否剔除了模糊帧、曝光不良帧？剔除比例多少？）；
• 去标识化算法细节；
• 双人标注的一致性统计（kappa）；
• 类别分布的精确数字（各类别各占多少张？）；
• 是否存在标注手册或标注者培训。

这份"已披露 vs 未披露"的清单，本身就是评估数据集成熟度的重要依据。MIQR-CC 在流程层面规范，但在细粒度统计披露上仍有提升空间。

2.9 规模在本库中的相对位置

把 MIQR-CC 的规模放进千方病案医数集的量表里比较，有助于判断它适合承担什么角色：

• 图像数量级：19,018 原始帧属于中小规模。库内大规模影像集动辄数万至数十万张，因此 MIQR-CC 不适合作为"大规模预训练"的数据源；
• 患者数量级：1,602 例属于中小队列。库内队列类数据集（如登记研究、EHR 队列）常达数十万至数百万，MIQR-CC 更接近"专科小样本"；
• 标注规模：5,519 张标注属适合迁移学习微调的规模——足以训练一个分类头，但不足以从零训练一个深度网络。

结论：MIQR-CC 的定位是"细分场景的评测/微调数据集"，而非"基础模型训练语料"。把它当作后者使用会导致严重过拟合与性能虚高。

2.10 数据字典（逻辑字段）

以下为基于公开描述整理的逻辑字段表（字段名与具体数据结构以 figshare 实际内容为准）：

字段	类型	说明	是否公开确认
patient_id	整型/字符串	患者匿名标识	推断
exam_id	整型/字符串	检查标识（划分分层单位）	推断
image_id	字符串	图像文件名/标识	推断
image_file	文件	PNG 图像	确认（格式）
label	枚举	5 类临床所见之一	确认（类别）
split	枚举	train/val/test	推断（70-15-15 已确认）
device	字符串	采集机型	未确认是否保留

说明：标注为"推断"者，表示论文/仓储描述支持该字段存在但未逐字确认其命名与取值；标注"未确认"者表示需下载后核实。本表不构成对数据格式的承诺，仅供使用者规划解析逻辑时参考。

2.11 与"AI-Ready"的契合度小结

用本库常用的六个 AI-Ready 维度快速自评 MIQR-CC：

1. 数据可及性：高（figshare 公开直链）；
2. 标签可用性：中高（5 类图像级标签清晰，但无分割）；
3. 格式友好度：高（PNG 通用）；
4. 元数据完整度：中（论文级描述充分，标准化数据卡缺失）；
5. 许可清晰度：低（双口径冲突）；
6. 规模适配度：适合微调，不适合预训练。

综合而言，MIQR-CC 是一个"入口无摩擦、使用需谨慎"的 AI-Ready 资源——它最容易上手，但也最需要使用者自己把许可、划分、类别分布这三件事弄清楚。

§3 机构、人物与研究谱系

3.1 两大机构：学术端与临床端

MIQR-CC 的构建是一个典型的"学术 + 临床"双机构协作：

• University of Minho（米尼奥大学，葡萄牙 Braga）Algoritmi 研究中心：这是学术端。Algoritmi 是米尼奥大学工程学院的旗舰研究中心，长期从事人工智能、图像处理与医学信息学交叉研究。数据集的方法设计、预处理流水线、模型评测均在此完成。
• ULSAM（Unidade Local de Saúde do Alto Minho，上米尼奥地方卫生单位）：这是临床端，位于葡萄牙北部 Viana do Castelo 地区。ULSAM 的消化内镜中心提供了全部原始 ERCP 图像，并承担了专家标注工作。

这种"一组人做技术、一组人做临床"的分工，是医学 AI 数据集生产的主流模式，也决定了数据集的优缺点分布：技术上（预处理、划分、评测）相对规范，临床端（标注体系、数据来源）受限于单一机构。

3.2 作者团队与分工

论文作者共 7 人：Alda João Andrade、Mónica Martins、André Ferreira、Tarcísio Araújo、Luís Lopes、Victor Alves。从公开信息与 GitHub 仓库归属看，大致分工为：

• Alda João Andrade：第一作者，主导论文撰写与方法设计；
• Mónica Martins：数据集与代码主导者，GitHub 仓库 monicaccmartins/MIQR-CC-Dataset 的 owner，figshare 数据集的主要维护者（通讯作者层级）；
• André Ferreira：技术/方法贡献；
• Tarcísio Araújo、Luís Lopes：临床端贡献者，其中 Luís Lopes 为高年资消化内科医师，很可能参与标注裁定；
• Victor Alves：资深通讯/导师角色，Algoritmi 研究中心医学影像方向负责人。

命名线索：“MIQR-CC"中的"CC"很可能指"Curated Cholangiopancreatography"或"Cholangio Carcinoma”，但论文未逐字母展开；"MIQR"应是团队更早的方法/项目命名前缀的延续（医学图像质量或医学图像查询检索方向）。由于论文未给出明确的缩写展开，本条目按学术规范不对缩写做臆断解释，仅记录其为团队定名。

3.3 标注人员的资历门槛

数据集的标注质量由两层人员资历保证，这在公开描述中有明确数字：

• 初级标注者：2 名消化内科医师（gastroenterologists），各具 ≥5 年临床经验、≥400 例/年的 ERCP 操作量；
• 终审者：1 名高年资消化内科医师，具 ≥20 年经验，负责裁定前两位标注者的分歧案例。

这组数字在医学影像数据集中属于中等偏上的资历门槛。作为对照，很多内镜数据集依赖的是内镜医师的"共识标注"，而本数据集采用了"双人独立标注 + 高年资裁定"的三人结构，这在方法学上更接近临床诊断的交叉验证范式，有助于降低单人标注偏差。但也应注意，终审者只有一人，意味着当两名初级标注者意见不一致时，最终标签仍取决于单一高年资医师的判断，不存在"专家委员会投票"式的进一步制衡。

3.4 伦理与资助

• 伦理批件：ULSAM 伦理委员会批件号 243/CA-2025，批准了基于该中心 ERCP 数据的回顾性研究。
• 资助：葡萄牙科学技术基金（FCT）UID/00319/2025（Algoritmi 研究中心基础资助）+ 项目 MIQR-CC 2024.07644 IACDC。

资助结构说明该数据集属于"机构基础资助 + 专项项目"双支撑的产物，这类资助通常意味着数据集的持续维护与后续扩展有一定保障，但也意味着它并非一个"永久基础设施级"的公共资源（对比 TCIA、PhysioNet 等有长期运维团队的平台）。

3.5 机构地理与研究传统

把两家机构放在葡萄牙的科研版图上，可以理解这个数据集的诞生土壤。米尼奥大学位于葡萄牙北部 Braga，是葡萄牙较年轻的综合性大学之一，其 Algoritmi 研究中心在工程与计算机领域投入较大，医学影像 AI 是其近年的重点方向之一。ULSAM 覆盖的 Alto Minho 地区位于葡萄牙最北端、毗邻西班牙加利西亚，属相对基层的卫生服务区域——这意味着数据集来自的是真实基层临床环境的连续收案，而非刻意挑选的教学案例或罕见病汇编。这一特点带来两个后果：数据更贴近真实世界分布（好事），但病例总数受限于区域人口规模（限制规模）。

从研究传统看，本数据集延续了欧洲（尤其是伊比利亚半岛）近年来在内镜影像数据集上持续产出的趋势。西班牙与葡萄牙团队在内镜/消化影像上的公开数据集近年有所增加，MIQR-CC 是其中聚焦 ERCP 这一细分场景的一个。

3.6 团队协作模式的可复制性

MIQR-CC 展示了一种对多数医院 AI 团队都可复制的协作模式：大学提供技术、医院提供数据与专家。这种模式的成功要素包括：

1. 医院有稳定的收案流（本例年 ERCP ≥750 例）；
2. 有愿意投入标注时间的资深医师（本例 2 名 ≥5 年 + 1 名 ≥20 年）；
3. 有明确的伦理审批路径（本例 243/CA-2025）；
4. 有技术方负责预处理、划分与评测。

对希望构建类似数据集的其他团队，MIQR-CC 的流程（独立双标 + 高年资裁定 + 按检查分层）是一个可直接借鉴的模板。其最大的可复制性障碍不在技术，而在专家时间的获取——这也是为什么很多同类数据集止步于"单人标注"。

§4 标注流水线与数据结构

4.1 三层标注流程

MIQR-CC 的标注流程可概括为三步：

1. 独立标注：两名具 ≥5 年经验、≥400 例/年操作量的消化内科医师，各自对图像进行 5 类临床所见标注；
2. 分歧识别：比较两人标注结果，找出不一致的图像；
3. 高年资裁定：由一名 ≥20 年经验的高年资医师对分歧图像作出最终判定。

最终产出的是图像级单标签标注集（5,519 张），不含病灶级掩码或坐标。这一流程的可靠性依赖两点：一是两位初级标注者的独立性能否真正保证（若两人共同讨论则独立性受损）；二是高年资医师的裁定是否遵循一致的内部标准。论文未详细披露是否存在正式的标注手册（annotation guideline）或标注者培训环节，这构成了一个透明性上的缺口。

4.2 预处理与代码结构

配套的 GitHub 仓库 monicaccmartins/MIQR-CC-Dataset 提供了两个目录：

• preprocessing/：从原始 ERCP 帧到可用图像的预处理代码，涵盖去标识化、格式转换、尺寸规范化等步骤；
• training/：分类模型的训练代码，对应论文中 EfficientNet-B7 等基线的实现。

这种"预处理 + 训练"双目录的开源结构对复现非常友好：研究者可以分别验证"数据准备是否正确"与"模型训练是否正确"，而不必面对一个黑箱。仓库附有独立的 LICENSE 文件，但本轮核验在预算约束下未逐字读取该文件内容，读者若需明确代码许可，应直接查看仓库 LICENSE（本条目不对其类型作臆断，见 §9 遗留疑点）。

4.3 数据结构概览

从 figshare 仓储结构与论文描述出发，MIQR-CC 的数据组织大致如下：

MIQR-CC Dataset (figshare 10.6084/m9.figshare.31079236)
├── v1 (2026-01-26)
│   ├── raw/          # 19,018 张原始 ERCP 荧光透视 PNG
│   └── metadata      # 患者/检查/图像索引与标签
└── v2 (2026-04-04)
    ├── processed/    # 19,317 张处理后图像
    ├── labeled/      # 5,519 张专家标注子集（5 类标签）
    └── code/         # 或指向 GitHub 仓库

GitHub: monicaccmartins/MIQR-CC-Dataset
├── preprocessing/    # 去标识化 + 转码 + 规范化
└── training/         # EfficientNet/DenseNet/ResNet/MobileNet/DeiT 基线

说明：上图为依据论文与仓储公开描述整理的逻辑结构示意，具体目录命名与文件清单请以 figshare 下载页面实际内容为准（v2 相对 v1 的精确增量本轮未逐项核对，已记入 §9 遗留疑点）。

4.4 标注一致性的披露缺口

一个值得读者注意的方法学细节是：论文报告了终审后的最终标签与五基线评测结果，但并未穷尽披露两名初级标注者之间的观察者间一致性统计。在高质量的医学影像数据集论文中，通常会报告 Cohen’s kappa 或百分比一致率，以量化标注可靠性。本数据集在这一点上的披露相对有限——读者无法从公开信息中直接得知"两名医师在 5 类之间的一致率是多少"“哪两类最容易分歧”。

从临床先验可以合理推测：良性与恶性狭窄之间、以及正常与轻微异常之间最可能是分歧高发区，因为这几类的影像表现重叠度最高。但这一推测未经数据验证，本条目将其标记为推断而非事实。研究者若有条件，可在获取数据后自行计算标注一致性（前提是数据集中保留了原始双人标注记录，而这一点同样未确认）。

4.5 从原始帧到可训练样本的流水线重建

虽然论文未逐行披露预处理代码，但结合 preprocessing/ 目录的存在与 ERCP 图像的一般处理常识，可以重建出流水线的大致环节（以下为方法论层面的重构，具体实现以仓库代码为准）：

原始 ERCP 荧光透视帧（含屏幕叠加文字、患者信息）
        │
        ▼
[1] 去标识化：裁剪/遮盖屏幕叠加区域中的姓名、日期、ID
        │
        ▼
[2] 格式转换：转为 PNG 无损保存
        │
        ▼
[3] 尺寸规范化：统一分辨率与长宽比
        │
        ▼
[4] 质量筛选：剔除模糊、曝光异常、无诊断价值的帧
        │
        ▼
[5] 帧选择：从一次检查的连续帧中选取代表性帧
        │
        ▼
处理后图像（19,317 张）
        │
        ▼
[6] 专家标注：双人独立 + 高年资裁定 → 5,519 张标注子集

这一重建提示了两个读者需要向作者确认的关键点：[4] 的筛选标准（决定"什么帧被保留"）与 [5] 的帧选择策略（决定"同一次检查的多帧如何取舍"）。两者都会显著影响数据的临床代表性，但论文未详细说明。

4.6 标签噪声的可能来源

任何临床数据集都存在标签噪声，MIQR-CC 也不例外。可能的噪声来源包括：

• 观察者主观性：良恶性狭窄的鉴别天然存在分歧，即便有终审，单一高年资医师的判断也非绝对真理；
• 单帧信息不足：ERCP 的诊断结论往往依赖整个操作的动态过程，而数据集是静态单帧，单帧可能不足以支撑完整判断；
• "正常"的边界模糊：如上文所述，"正常"并非解剖学绝对无异常；
• 造影剂充盈状态影响：充盈不充分的帧可能掩盖真实病变，导致标注偏差；
• 终审者的偏好编码：若终审者倾向某一类，会使最终标签向该类偏移。

对下游建模而言，标签噪声意味着不应追求 100% 拟合训练标签，而应关注模型的校准（calibration）与对不确定样本的处理能力。这也解释了为什么论文未报告过拟合式的超高准确率——真正困难的是那些本质上模糊的边界样本。

§5 评估与基准

5.1 五个基线模型与结果

论文评测了 5 个代表性模型，构成一个从轻量 CNN 到 Transformer 的谱系。公开口径结果如下：

模型	类型	Test Accuracy	Macro-F1	备注
EfficientNet-B7	CNN	78.3%	0.738	最优基线；validation F1 0.609
DenseNet121	CNN	65.9%	0.621
ResNet50	CNN	63.7%	0.617
MobileNetV2	轻量 CNN	61.4%	0.574	参数量最小
DeiT3-Small	Transformer	46.0%	0.158	显著最弱，macro-F1 接近随机

如何读这组数字：

• EfficientNet-B7 的优势是实质性的：其 test accuracy（78.3%）领先第二名 DenseNet121（65.9%）达 12.4 个百分点，macro-F1（0.738）领先 0.117。这不是噪声级别的差距。
• DeiT3-Small 的崩塌值得警惕：46.0% 的准确率对 5 类任务而言仅略高于随机（20%），而 macro-F1 0.158 甚至低于随机宏平均的期望——这说明模型几乎完全塌缩到了多数类，“学会了猜最常见的那一类”。这是一条重要警示：在医学小样本数据集上直接套用 Transformer 并不会自动获得优势，数据规模与预训练分布匹配度比架构先进性更关键。
• 验证与测试的落差：EfficientNet-B7 的 validation F1 为 0.609，而 test macro-F1 为 0.738。这种"验证低于测试"的反常模式，通常源于两个集合的类别分布差异或样本量偏小导致的波动。读者在复现时应特别注意验证集与测试集是否具有可比的类别构成。

5.2 为什么成绩上限是 78.3%？

准确率未能突破 80%，并非模型或数据工程不力，而是任务本身的内在难度使然：

1. 良恶性狭窄的形态学重叠：这是数据集中最难的一对类别。荧光透视下，肿瘤性狭窄与非肿瘤性狭窄都可表现为管腔不规则变细，缺少病理确认时连资深医师也难下定论。
2. 正常类别的"边界模糊"：所谓"正常所见"并非绝对无异常，而是"本次 ERCP 未见需要干预的病变"，其与"轻微异常"的分界本身带有主观性。
3. 类间不平衡：临床收案的天然分布不会是均匀的 5 类，常见病变（如胆道结石）必然多于罕见病变（如恶性狭窄），稀有类别的样本不足会直接压低 macro-F1。
4. 二维投影的信息损失：荧光透视是二维投影成像，缺乏 CT/MRI 的断层深度信息，某些三维空间关系（如狭窄段的确切长度与纵深）在二维帧中难以精确还原。

因此，78.3% 应当被理解为"在这个困难任务与这个数据规模下，一个规范 CNN 基线所能达到的合理水平"，而非"ERCP 图像分类的天花板"。后续研究若要突破，方向可能在于：多帧时序建模（利用同一次检查的连续帧而非孤立单帧）、引入临床元数据（实验室指标、既往史）、或跨中心数据扩充。

5.3 基准的可比性边界

读者在使用这组基线数字进行比较时必须注意三条边界（这些边界见下条，并记入 §9）：

• 这是论文自评基线，不是第三方 leaderboard：所有结果由论文作者在自己的数据划分上报告，不存在独立的竞赛或持续维护的排行榜。因此"某新模型比 EfficientNet-B7 高 X 个点"这类比较，只有在使用完全相同的按检查分层划分与预处理时才有意义。
• 没有公开的固定划分文件：论文说明了 70-15-15 按检查分层，但未公开具体的检查 ID 划分清单（本轮核验未确认是否随数据发布）。若划分不可复现，跨论文比较将失去共同基准。
• 单一随机种子与统计显著性未报告：论文未披露是否做了多次重复实验、是否给出置信区间。在样本量为 5,519 的情况下，单次运行的准确率波动可能达数个百分点的量级，因此模型间的小幅差距不宜过度解读。

5.4 指标选择的含义：为何同时看 Accuracy 与 Macro-F1

论文同时报告了 Accuracy（准确率）与 macro-F1，这两者的组合能揭示单看准确率会掩盖的问题：

• Accuracy 衡量整体正确率，在类别不平衡时容易被多数类主导；
• Macro-F1 对每个类别的 F1 取等权重平均，对少数类极其敏感。

以 EfficientNet-B7 为例：Accuracy 78.3% 但 macro-F1 仅 0.738，差距 4.5 个百分点，说明多数类表现优于少数类。而 DeiT3-Small 的 Accuracy 46.0% 却对应 macro-F1 0.158（差距高达 30 个百分点），这几乎可以断定该模型完全放弃了少数类，把所有预测都压在了多数类上——因为如果模型对所有类均匀随机猜测，macro-F1 应接近 0.2 左右，而 0.158 甚至更低，说明它比随机还"偏"。

实践建议：任何在 MIQR-CC 上做模型比较的工作，都应同时报告 Accuracy 与 macro-F1，并进一步给出逐类混淆矩阵。只报 Accuracy 会把"牺牲少数类换取多数类成绩"的模型误判为优秀。

5.5 复现基线的工程要点

若要复现论文基线或在其上做改进，需注意若干工程细节（部分需在取得数据后确认）：

1. 图像尺寸：论文未明确披露输入模型的图像分辨率，EfficientNet-B7 通常使用 600×600，但本任务的实际输入需参照 training/ 代码；
2. 数据增强：医学图像常用翻转、旋转、亮度/对比度扰动，但 ERCP 图像的左右翻转是否合理需要谨慎——解剖结构存在方位意义（左肝管/右肝管），盲目水平翻转可能产生不合理的解剖；
3. 类别权重：面对类间不平衡，训练时应考虑对少数类加权或采用重采样，否则模型会偏向多数类；
4. 交叉验证：单次 70-15-15 划分的结果受划分波动影响，建议做分层 k 折交叉验证以获得更稳健的指标；
5. 预训练来源：EfficientNet-B7 的 ImageNet 预训练与 ERCP 荧光透视图像分布差异巨大，迁移效果需实测。

这些要点本身就是"如何正确使用这个数据集"的操作性知识，值得写入任何基于 MIQR-CC 的研究的实验记录中。

§6 获取与许可：双口径冲突是头号风险

6.1 获取路径：公开直链，无需申请

与许多需要申请或签署数据使用协议（DUA）的医学数据集不同，MIQR-CC 的获取门槛很低：

• 数据集本体：figshare 公开直链，DOI 10.6084/m9.figshare.31079236，可直接下载，无 gated、无需申请；
• 代码：GitHub 公开仓库 monicaccmartins/MIQR-CC-Dataset，可直接克隆；
• 论文：Scientific Data Open Access，doi 10.1038/s41597-026-07679-1，免费阅读；预印本 arXiv:2601.16759 免费。

从 AI-Ready 的"可获取性（Accessibility）"维度看，这是本数据集最突出的优点——零摩擦获取，检索者不会卡在权限墙外。

6.2 版本链：v1 与 v2

figshare 数据集存在两个版本：

版本	发布时间	说明
v1	2026-01-26	初版，与 arXiv 预印本（2026-01-23）几乎同期上线
v2	2026-04-04	修订版，期刊 Accepted（2026-06-19）之前发布

引用规范：由于存在两个版本，任何引用都应注明版本号与访问日期（例如 “MIQR-CC Dataset, v2, accessed 2026-10-08”）。v2 相对 v1 的精确增量未在本轮核验中逐项确认，因此本条目不对"v2 新增了什么"作断言（见 §9）。读者若需知道确切差异，应对比两版本的 figshare 文件清单。

6.3 许可：三处声明，两种冲突

这是本条目最重要、最需要警惕的部分。同一个研究成果的许可声明分布在三个地方，且并不一致：

载体	许可	含义
论文本体（Scientific Data）	CC BY-NC-ND 4.0	署名—非商业性使用—禁止演绎
数据集本体（figshare）	CC BY 4.0	署名—允许商业使用—允许演绎
代码（GitHub）	仓库附独立 LICENSE	类型未在本轮核验中逐字确认

冲突点：论文声明的是 CC BY-NC-ND 4.0，禁止商业使用、禁止演绎（如不得在本数据集上另创衍生数据集）；而 figshare 数据集本体标注的是 CC BY 4.0，明确允许商业使用与演绎。这两个许可在"能否商用""能否演绎"两个关键维度上结论相反。

如何处理这一冲突？ 学术界的通行做法是：数据集的使用许可应以数据集所在仓储页（此处即 figshare）的声明为准，因为论文的 CC BY-NC-ND 约束的是"论文这一文献作品"，而非论文所描述的数据。据此，数据集大概率可按 CC BY 4.0 使用。但这只是基于常规的推断，并非法律意见。对于有商用或再分发需求的机构，建议：

1. 直接以 figshare 页面当前的许可声明为准并截图存证；
2. 若用途敏感，联系数据集维护者（Mónica Martins，GitHub owner）书面确认；
3. 不要把"数据集 CC BY 4.0"直接套用到"论文 PDF"上——论文 PDF 仍受 CC BY-NC-ND 约束。

6.4 AI-Ready 视角下的许可评估

从千方病案医数集的评估框架看，MIQR-CC 的许可状况可判为"可及性高、确定性中"：获取门槛极低（公开直链）是加分项，但双口径冲突是减分项，因为它给商用/演绎用途带来了法律上的不确定性。相比之下，一个许可单一明确的数据集（哪怕门槛更高）在下游商用场景中反而更"省心"。

6.5 使用本数据集的合规检查清单

为方便使用者落地，这里给出一份可操作的合规检查清单：

1. 下载前：打开 figshare 页面，截图保存当前显示的许可声明（应为 CC BY 4.0），记录访问日期；
2. 引用时：同时引用论文与数据集，数据集注明版本号（v1/v2）与访问日期；
3. 商用前：确认 figshare 许可允许商用（CC BY 4.0 允许）；如用途高度敏感，联系维护者书面确认；切勿以论文的 CC BY-NC-ND 条款否定数据集本身的 CC BY 4.0，反之亦然——分别对待两个载体的许可；
4. 再分发时：若按 CC BY 4.0 再分发，须保留署名（attribution）；
5. 论文 PDF 使用：论文 PDF 仅可署名、非商业、不得演绎（CC BY-NC-ND 4.0）；
6. 衍生数据集：若按数据集 CC BY 4.0 做衍生，须署名；如最终以论文形态发表衍生工作，注意论文层与数据集层的许可各自独立。

§7 生态与影响

7.1 研究谱系定位

MIQR-CC 属于消化道/胰胆管影像 AI 这一相对年轻的子领域。与它形成对照的，是消化道内镜 AI 中更成熟的白光内镜数据集（如 HyperKvasir、Kvasir 系列），后者数据量与社区生态都更为庞大。MIQR-CC 的独特性在于它切入的是ERCP 这一高门槛、低数据可得性的细分场景：ERCP 操作技术要求高、病例量相对少、图像采集与标注都需要资深医师介入，这使得公开数据集长期稀缺。

从这一角度看，MIQR-CC 的贡献不在于"规模最大"，而在于"在稀缺场景里提供了第一个可公开使用的规范基准"。这类"填补空白型"数据集的价值往往随时间增长——它会成为后续 ERCP AI 研究的默认起点。

7.2 潜在影响与下游应用

ERCP 图像分类的潜在临床应用包括：

• 术中辅助：在 ERCP 操作过程中实时分类当前帧所见，提示术者可能的诊断方向；
• 教学与质控：用标注集训练住院医师识别标准征象，或用于操作质量的自动评估；
• 回顾性研究：在大规模 ERCP 影像库上自动筛选特定类型病例（如所有恶性狭窄案例），加速临床研究入组。

但必须指出，这些应用都以跨中心泛化能力为隐含前提，而本数据集是单中心来源，其模型能否迁移到其他医院、其他机型，是一个尚未回答的开放问题。任何声称"用 MIQR-CC 训练即可落地"的说法都缺乏证据。

7.3 与库内相邻数据集的定位差异

在千方病案医数集库内，MIQR-CC 与消化道内镜家族的关系已在 §2.5 划界：它是跨模态的胆胰影像分类条目，而非又一个消化道管腔数据集。这一差异决定了它在库内的互链应主要指向"内镜/消化"大类，并在正文中明确血缘区别（见 §9）。

7.4 发表窗口与社区引用前景

MIQR-CC 发表于 2026 年年中（期刊 Published 2026-07-04），抓取时点（2026-10-08）距发表仅约三个月。这意味着：

• 学术引用尚在早期积累：作为新发表的数据集，尚难以评估其实际影响力；
• 社区工具化程度低：尚未见到围绕该数据集的第三方工具、预训练权重或基准复现报告；
• 先发优势窗口：对研究者而言，现在使用该数据集存在"抢占细分场景"的先发机会——在 ERCP 图像 AI 这一尚不拥挤的方向上，早期工作更容易获得关注。

这一"新发表"状态是本条目把它定性为"可及性高但社区生态尚浅"的依据之一。

7.5 数据集对临床工作流的潜在嵌入点

若未来 MIQR-CC 类数据集训练的模型走向临床，可能的嵌入点包括：

• 术中实时提示：在 ERCP 操作过程中，对当前透视帧做在线分类，向术者提示"当前所见更倾向良/恶性狭窄"，作为诊断参考而非替代；
• 报告辅助生成：自动为 ERCP 报告预填所见分类，减少文书时间；
• 质控与教学：作为住院医师培训的判断案例库，或用标注一致性做操作质量指标。

需要强调：这些嵌入点均以"辅助"为定位。当前数据集与模型均不具备替代医师判断的证据基础，任何"自动诊断"的表述都超越了数据所能支撑的范围。这也是本条目反复强调"单中心局限""无外部验证"的现实意义。

7.6 与相邻发表窗口数据集的生态竞争

在 2026 年前后，消化道/内镜影像数据集呈持续产出态势。MIQR-CC 面对的"生态竞争"主要来自两类：

• 大规模综合内镜集（如 Kvasir/HyperKvasir 家族）：样本更多、任务更全，但覆盖的是常规白光内镜，无法替代 ERCP 的荧光透视场景；
• 细分专病内镜集：聚焦某一疾病或某一成像模式，与 MIQR-CC 的"细分专病"路线相近，彼此构成"填补不同空白"而非直接竞争的关系。

因此，MIQR-CC 的生态位是清楚的：它不是来和综合内镜集抢地盘的，而是来补 ERCP 这块空白的。这一判断决定了它的价值会随"ERCP 图像 AI"这一方向的发展而增长，而非随"通用内镜数据集"的数量增加而被稀释。

§8 方法学启示

8.1 "按检查分层"应成为医学影像划分的默认规范

MIQR-CC 最值得推广的一项工程实践，是把数据划分的分层维度明确设为检查（exam）而非图像。在大量医学影像数据集中，"同一患者的图像散落在训练与测试集两边"是一个隐蔽而普遍的问题，它会让报告的测试性能远高于真实泛化能力。本数据集通过按检查分层，从机制上关闭了这一泄漏通道。任何在序列化医学图像（内镜帧、超声帧、荧光透视帧）上做研究的团队，都应将此作为划分的默认规则。

8.2 标签粒度是设计决策，不是背景设定

MIQR-CC 选择了图像级单标签而非像素级分割，这一决策值得深思。它映射的是"临床问题需要什么粒度的答案"：ERCP 的核心决策是分类（是哪类问题），而非定位（确切边界在哪）。标签粒度应当由下游任务反推，而不是由"技术上能不能做得更细"决定。盲目追求像素级标注，往往是专家时间预算被浪费在临床意义有限的信息上。

8.3 Transformer 不是医学小样本的免费午餐

DeiT3-Small 在 5,519 张图像上崩塌到 macro-F1 0.158，是对"架构越新越好"这一迷思的有力反驳。它提示：在医学小样本 + 类别不平衡的场景下，一个训练良好的中等规模 CNN（EfficientNet-B7）往往显著优于一个在通用图像上预训练的轻量 Transformer。模型选择应以数据规模与预训练分布匹配度为准，而非以架构的流行度为准。

8.4 单中心数据集的泛化悬崖

MIQR-CC 的单中心、双机型来源，是它最需要读者警惕的结构性局限。单中心数据集常因"设备、人群、操作习惯"的自相关性而产生过拟合于该中心的模型。建立单中心基准的价值在于提供一个起点，而非一个终点；真正的临床应用需要跨中心、跨厂商的外部验证，而这恰恰是本数据集尚不具备的环节。

8.5 标注经济学：为什么"双人独立 + 一人终审"是甜点

在标注成本与标注质量之间，"双人独立 + 一人终审"构成了一个被广泛验证的经济学甜点：

• 全量双人标注（每人独立标完整集）：质量最高，但专家时间翻倍，对 ERCP 这种专家稀缺的场景难以承受；
• 单人标注：成本最低，但无法估计一致性，偏差不可控；
• 双人独立 + 分歧终审：只在分歧样本上投入第三人时间，用最小的额外成本获得"一致性可估计 + 分歧有裁定"的双重收益。

MIQR-CC 采用的正是第三种。它的代价是：若最终只发布终审标签而不发布双人原始标注，则外部研究者无法自行复算一致性。因此，理想的做法是同时公开原始双标与终审结果——这一点是否做到，本条目未能确认，列为使用前应核实项。

8.6 从"数据集"到"基准"还缺什么

一个数据集要成为被社区接受的基准（benchmark），通常需要四个条件，MIQR-CC 目前满足度如下：

条件	满足情况	缺口
固定的公开划分	部分	划分清单是否随数据发布未确认
可复现的基线	满足	五基线结果 + 训练代码
统一的评测协议	部分	无独立评测平台，靠论文约定
社区维护与更新	不足	无公开治理、无持续更新承诺

因此，MIQR-CC 当前更准确的定位是"带基线的数据集"，而非"成熟的社区基准"。这一区分对判断"能否直接做排行榜式比较"至关重要。

§9 与库内条目的关系

9.1 家族图谱

MIQR-CC 与千方病案医数集库内若干条目存在概念血缘，主要可归为三族：

（A）同域消化道内镜（强互链）

• gastrovision（rid 203）：消化道内镜多类图像集，同属"内镜图像分类"范式；
• gastroendonet（rid 780）：内镜检查/分割模型配套数据；
• endoscapes（rid 353）：内镜/腹腔镜手术场景数据；
• gastrohun（rid 885）：匈牙利消化道内镜图像集。

（B）邻近消化道/管腔（中互链）

• hyperkvasir（rid 693）、kvasir-seg（rid 112）、kvasir-capsule（rid 123）、kvasir-instrument（rid 213）、kvasir-hyperkvasir（rid 75）：Kvasir 家族，覆盖消化道内镜的多种任务范式；
• cvc-colondb（rid 142）、real-colon（rid 778）：结肠镜数据；
• slam-3d-endoscopic（rid 82）：3D 内镜重建。

（C）跨域方法论（弱互链）

• nih-pancreas-ct（rid 367）：胰腺 CT，与胆胰解剖邻域相关；
• radimagenet（rid 545）：放射影像预训练集，可作为 ERCP 图像迁移学习的预训练候选。

9.2 检索路径建议

若读者从"消化道内镜 AI"检索进入，建议阅读顺序为：hyperkvasir（数据集全景）→ gastrovision（分类范式）→ 本条目 MIQR-CC（ERCP 细分场景） → nih-pancreas-ct（跨模态胰胆影像）。

若读者从"图像分类基准"检索进入，建议：EfficientNet 等模型在多类内镜数据上的表现对照，可从 gastrovision 与本条目 §5 直接对比。

9.3 血缘对照与消歧说明

• MIQR-CC 与 Kvasir/HyperKvasir 家族无数据血缘，仅是研究对象（消化道内镜）相邻；
• MIQR-CC 与 endoscapes/cholec 系列（腹腔镜）成像模态不同，无血缘；
• ercpmp-gx 是本条目官方名 MIQR-CC 的调度占位 slug，不是独立数据集，不存在"ercpmp-gx 与 MIQR-CC 是两件事"的情况。

9.4 与跨模态胆胰影像条目的关联

在库内，与 MIQR-CC 关联最紧的跨模态条目是 nih-pancreas-ct（rid 367）：两者都涉及胰胆系统的病变评估，但模态不同（ERCP 荧光透视 vs CT）。若研究者希望构建"多模态胰胆疾病诊断"的融合系统，这两个条目构成一组自然的对照数据源。此外，**radimagenet（rid 545）**作为放射影像预训练集，可用于评估"放射域预训练是否对 ERCP 分类有帮助"这一迁移学习问题。

9.5 库内检索的推荐关键词组合

检索意图	推荐关键词
找本条目	MIQR-CC / ERCP / 内镜逆行胰胆管造影 / ercpmp-gx
找同域内镜	消化道内镜 / 内窥镜影像 / endoscopy
找分类范式对照	图像分类 / 内镜分类
找胆胰跨模态	胰腺 / biliary / pancreatobiliary
找划分方法学	数据泄漏 / stratification

§10 避坑清单：十四个已踩过的坑

坑 1：把三套图像计数当成一个数。
19,018（原始）/ 19,317（处理后）/ 5,519（已标注）三个数字并存。最常见的错误是写成"数据集有 5,519 张图"（把标注子集当全量）或"有 19,018 张专家标注图"（把原始帧当标注集）。正确写法是分句陈述三者的关系。

坑 2：误信论文许可就是数据集许可。
论文是 CC BY-NC-ND 4.0，数据集是 CC BY 4.0，二者冲突。若按论文许可理解，会误以为"禁商用"，从而错失本可合法使用的场景；反之若按数据集许可理解论文，又会侵犯论文的 ND 条款。两者的许可须分别对待。

坑 3：混淆候选 slug 与官方名。
ercpmp-gx 是调度占位名，与官方名 MIQR-CC 不对应。检索时应以"MIQR-CC""ERCP curated dataset"等官方关键词为主，不要用 ercpmp-gx 去搜——它是内部编号，公开渠道搜不到。

坑 4：把预印本时间当发表时间。
arXiv 预印本为 2026-01-23，期刊 Received 2026-01-26，Published 2026-07-04。引用正式成果时应以期刊发表时间（2026-07-04）为准，预印本时间仅作时间线参考。

坑 5：忽略版本号引用。
figshare 有 v1（2026-01-26）与 v2（2026-04-04）两个版本。不注明版本号的引用，在数据可能变动的前提下是不可靠的。

坑 6：把"按检查分层"误读为"按患者分层"。
论文强调按检查（exam）分层。同一患者可能有多次检查，按检查分层比按患者分层更严格。不要用"按患者划分"去近似描述。

坑 7：把 Transformer 失败归咎于"数据太脏"。
DeiT3-Small 的崩塌（macro-F1 0.158）是模型-数据不匹配问题，而非数据质量问题。在 5,519 张图像上，轻量 Transformer 容易塌缩到多数类。归因错误会导致错误的技术决策。

坑 8：假设存在公开 leaderboard。
本数据集的基线结果是论文自评，不存在第三方排行榜。把它当作"可竞争榜单"来做模型排名，是范畴错误。跨论文比较必须确认使用完全相同的划分与预处理，而划分文件是否公开尚不明确。

坑 9：把"正常所见"当作"解剖学正常"。
“正常所见"的临床含义是"本次 ERCP 未发现需干预病变”，带有主观判断成分，不等同于影像学上绝对无异常。用它做"健康对照"时需谨慎。

坑 10：忽视类别不平衡对结论的影响。
临床收案的天然分布不均匀，常见的胆道结石必然多于罕见类别。只看 Accuracy 会高估模型，须同时看 macro-F1 与逐类混淆矩阵。

坑 11：把双机型数据当作同质数据。
Ziehm Vision RFD 3D 与 Philips PCR Eleva 的成像链不同。若不做机型分层分析，可能把设备特征误当病变特征。

坑 12：把 arXiv 版本与期刊版本当作同一文献。
arXiv:2601.16759 与 Sci Data 论文在细节上可能有差异（如补充材料、修订内容）。引用时应区分，正式引用以期刊为准。

坑 13：以为"公开直链"就等于"无任何使用限制"。
公开可下载不等于无许可约束。CC BY 4.0 仍要求署名，且论文层的 CC BY-NC-ND 另有约束。把"能下载"等同于"随便用"是常见误解。

坑 14：把 78.3% 当作"ERCP 分类的现实上限"。
78.3% 是特定模型（EfficientNet-B7）在特定划分（单次 70-15-15）下的结果，不代表任务上限。多帧时序建模、临床元数据融合、跨中心扩充都可能显著提升，不能据此断言"ERCP 就是做不好"。

§11 总结

11.1 三句话总结

1. MIQR-CC 是 ERCP 荧光透视图像的首批规范公开数据集之一，填补了 ERCP 这一高门槛场景长期缺乏公开标注资源的空白。
2. 它的核心规格是：1,602 患者 / 19,018 原始帧 / 19,317 处理后 / 5,519 标注 / 5 类临床所见 / 按检查分层 70-15-15 / 五基线评测（EfficientNet-B7 最优 78.3%）。
3. 它的核心风险是：单中心来源的泛化局限，以及论文（CC BY-NC-ND 4.0）与数据集（CC BY 4.0）之间的许可口径冲突。

11.2 适合谁

• 研究消化/胰胆影像 AI、需要 ERCP 图像分类基准的团队；
• 探索医学小样本分类、需要对照 CNN 与 Transformer 表现的研究者；
• 研究医学影像数据划分方法学（按检查分层 vs 按图像随机）的学者；
• 需要单中心 vs 多中心泛化对照实验的一个起点数据集。

11.3 不适合谁

• 需要像素级病灶分割掩码的团队（本数据集仅图像级标签）；
• 需要大规模数据（数万至数十万级）训练基础模型的团队；
• 需要多中心/跨厂商数据以保证泛化能力的临床应用开发；
• 对许可确定性有严格要求、不能接受任何法律不确定性的商用团队。

11.4 30 秒决策卡

想用 ERCP 影像做图像分类？ → 数据公开可下（figshare），直接可用，注意版本号与三套计数口径。
想商用或做衍生数据集？ → 先核实 figshare 页许可（标为 CC BY 4.0，允许商用/演绎），但注意论文是 CC BY-NC-ND，两者冲突，敏感用途建议书面确认。
想要 SOTA？ → 现有基线是 EfficientNet-B7（78.3%），任务困难（良恶性狭窄重叠），无公开排行榜，改进空间与量化工信度都需自建。
担心泛化？ → 单中心来源，跨机构表现未知，谨慎下结论。

11.5 一句话放进研究笔记

MIQR-CC = 首个规范公开的 ERCP 荧光透视图像分类数据集：1,602 患者 / 19,018 原始 / 5,519 标注 / 5 类临床所见 / 按检查分层 70-15-15 / EfficientNet-B7 基线 78.3%；figshare 公开直链（CC BY 4.0），但论文 CC BY-NC-ND 4.0，两者冲突须分别对待；单中心来源，泛化未验证。

11.6 后续跟踪建议

由于本数据集发表尚新，建议关注以下可能的演进：

• 是否发布更多版本（v3+）以扩充类别或样本；
• 是否出现第三方复现或改进工作，形成事实上的可比基准；
• 是否有多中心扩展，以解决单中心泛化局限；
• figshare 许可是否被修订，以消除与论文的口径冲突；
• GitHub 仓库是否更新（新增模型、修复预处理问题）。

跟踪这些动向，有助于在使用该数据集时判断其"成熟度"是否提升。

11.7 给三类读者的最终建议

给研究者：把 MIQR-CC 当作 ERCP 图像 AI 的起点基准。用它复现 EfficientNet-B7 基线，确认你的数据管线无误，再尝试多帧时序、临床元数据融合等改进方向；务必公开你的划分清单，让后续工作可比。

给工程师：先用小样本跑通"下载 → 解析 → 训练 → 评测"全链路，再评估是否值得投入。注意类别不平衡与许可核实两件事，它们最可能在中后期成为阻碍。

给临床/产品决策者：当前 MIQR-CC 及其模型不构成任何临床部署条件——单中心、无外部验证、无前瞻研究。它可以用于研究立项的可行性验证，但不应据此制定产品路线。

11.8 结语

MIQR-CC 的意义，在于它把一个长期被忽视的临床场景——ERCP 的荧光透视图像——第一次以规范、公开、带专家标签的形式带到了 AI 研究者的桌面上。它的规模不大、来源单一、许可尚存争议，这些都是真实存在的局限；但它同时提供了按检查分层的严谨划分、三人结构的标注流程、可复现的五基线评测，这些又都是真实存在的价值。

对待这样一个数据集，最好的态度是"用其长、知其短、如实标注"：用它做该做的事（细分场景的微调与评测），避开它不适合做的事（大规模预训练、跨中心泛化断言），并在任何使用与引用中如实说明它的局限。这也正是本条目写作的初衷。

FAQ（高频问答 40 问）

A. 基础认知

Q1：MIQR-CC 是什么的缩写？
A：论文未逐字母展开缩写含义。已知 MIQR-CC 是团队定名，CC 很可能与 Cholangiopancreatography 或 Curated 相关。本条目按学术规范不臆断缩写展开。

Q2：MIQR-CC 和 ercpmp-gx 是什么关系？
A：ercpmp-gx 是千方病案医数集调度器派发的占位 slug，对应的真实数据集即 MIQR-CC。官方名以 MIQR-CC 为准。

Q3：这是挑战赛吗？
A：不是。MIQR-CC 是一个静态发布的公开数据集，附论文自评基线，没有比赛、没有排行榜、没有提交入口。

Q4：它和 ERCP 是什么关系？
A：ERCP（Endoscopic Retrograde Cholangiopancreatography，内镜逆行胰胆管造影）是产生这些图像的操作技术本身；MIQR-CC 是 ERCP 操作中采集的荧光透视图像的整理数据集。

Q5：数据最早来自哪里？
A：葡萄牙 ULSAM（上米尼奥地方卫生单位）消化内镜中心的连续收案。单中心来源。

B. 数据与获取

Q6：到底有多少张图？
A：三套口径——19,018 原始 / 19,317 处理后 / 5,519 标注。不可混用。

Q7：多少患者？
A：1,602 例。

Q8：怎么下载？
A：figshare 公开直链，DOI 10.6084/m9.figshare.31079236，无需申请。

Q9：有代码吗？
A：有，GitHub monicaccmartins/MIQR-CC-Dataset，含 preprocessing/ 与 training/。

Q10：有多个版本吗？
A：有。v1（2026-01-26）与 v2（2026-04-04）。引用须注明版本与访问日期。

Q11：数据是 DICOM 吗？
A：不是，原始图像以 PNG 格式提供。

C. 标注与质量

Q12：谁标的？
A：2 名消化内科医师（≥5 年经验、≥400 例/年）独立标注，1 名 ≥20 年高年资医师裁定终审。

Q13：有分割掩码吗？
A：没有。仅图像级单标签。

Q14：标注一致性（kappa）是多少？
A：论文未穷尽披露。本条目已将其记为披露缺口（§4.4）。

Q15：怎么保证不泄漏？
A：70-15-15 划分且按检查分层，同一检查的图像不会跨集合。

Q16：有伦理批件吗？
A：有，ULSAM 伦理委员会 243/CA-2025。

D. 评测与模型

Q17：最好的基线是哪个？
A：EfficientNet-B7，test Acc 78.3%，macro-F1 0.738。

Q18：最差的是哪个？
A：DeiT3-Small，Acc 46.0%，macro-F1 0.158，塌缩到多数类。

Q19：为什么准确率上不去 80%？
A：良恶性狭窄形态重叠、正常与轻微异常边界模糊、类间不平衡、二维投影信息损失。

Q20：有公开排行榜吗？
A：没有。基线为论文自评。

E. 许可与合规

Q21：能商用吗？
A：存在冲突。论文 CC BY-NC-ND 4.0（禁商用），数据集 figshare 标 CC BY 4.0（允许商用）。建议以 figshare 声明为准并自行核实。

Q22：能做衍生数据集吗？
A：同上冲突。数据集 CC BY 4.0 允许演绎，论文 CC BY-NC-ND 禁止。若按数据集许可则可演绎。

Q23：论文 PDF 能用吗？
A：论文 PDF 受 CC BY-NC-ND 4.0 约束（署名、非商业、禁演绎），与数据集许可无关。

Q24：引用格式？
A：建议同时引用论文与数据集——论文：Andrade et al., Scientific Data, doi:10.1038/s41597-026-07679-1；数据集：MIQR-CC Dataset, figshare, doi:10.6084/m9.figshare.31079236（注明版本与访问日期）。

F. 技术细节

Q25：输入模型的图像分辨率是多少？
A：论文未在摘要层明确披露，需参照 GitHub training/ 代码确认。EfficientNet-B7 惯例使用较大分辨率。

Q26：训练时应该做左右翻转吗？
A：需谨慎。解剖结构存在方位意义（左/右肝管），盲目水平翻转可能产生不合理的解剖方位。建议在增强策略中慎重处理几何变换。

Q27：类别不平衡怎么处理？
A：建议使用类别加权、重采样或 focal loss。仅用 Accuracy 评估会掩盖少数类失败。

Q28：能否用于分割任务？
A：不能直接用于病灶定位/分割，因为标签仅到图像级，无掩码或坐标。需另行标注。

Q29：能否与其它内镜数据集混合训练？
A：技术上可行，但因类别体系、成像模态与解剖部位不同，混合训练前需明确标签映射与域适应策略，否则会引入噪声。

Q30：有没有预训练权重？
A：论文未报告发布专用的 ERCP 预训练权重；training/ 提供的是基线模型的训练代码，权重可用 ImageNet 预训练起步。

G. 方法学与使用

Q31：为什么强调"按检查分层"？
A：因为同一次 ERCP 会产生大量相似的连续帧，按图像随机划分会导致同源帧跨集合，造成数据泄漏与性能虚高。按检查分层从机制上切断泄漏。

Q32：结果可复现吗？
A：取决于划分清单是否随数据发布。若划分不可复现，跨论文比较将失去共同基准。建议在使用时自行固定并公开划分。

Q33：单中心数据能代表一般人群吗？
A：不能一概而论。单中心数据的设备、人群、操作习惯都有自相关性，跨机构泛化需外部验证。

Q34：这个数据集适合训练基础模型吗？
A：不适合从零训练基础模型（规模太小，5,519 标注张）。它更适合作为微调/评测用途，或作为领域适配的研究起点。

Q35：ERCP 与 MRCP 是一回事吗？
A：不是。ERCP 是内镜 + 造影 + X 线透视的侵入性操作；MRCP（磁共振胰胆管成像）是无创的磁共振成像。两者成像原理与图像外观完全不同，不可混为同一数据集。

Q36：数据集里的"图像"是视频还是帧？
A：以静态 PNG 帧形式提供。原始采集过程是连续的透视视频，数据集抽取其中的帧。

Q37：论文是否提供数据统计表（各类别数量）？
A：论文报告了总体规模与评测结果，但精确的逐类样本数是否公开未在本轮核验中确认。建议下载后自行统计。

Q38：如果 figshare 链接失效怎么办？
A：DOI（10.6084/m9.figshare.31079236）是持久标识符，可通过 doi.org 解析到当前最新地址。若整站异常，可尝试联系仓库维护者。

Q39：能否用于商业产品？
A：仍取决于许可。数据集 figshare 标 CC BY 4.0（允许商用），但需署名；论文 CC BY-NC-ND 禁商用。敏感商用用途建议书面确认。

Q40：这个条目本身的信息可信吗？
A：本条目基于三源互证（arXiv / Scientific Data / figshare）撰写，硬数字与来源已落 §事实清单与尾注。双口径冲突与遗留疑点均如实存照，未做美饰。

事实清单（硬事实 30 条）

1. 官方名：MIQR-CC Dataset（A curated endoscopic retrograde cholangiopancreatography images dataset）。
2. 候选 slug：ercpmp-gx（调度占位名，非官方）。
3. 患者数：1,602 例。
4. 原始图像：19,018 张（PNG）。
5. 处理后图像：19,317 张。
6. 已标注图像：5,519 张。
7. 类别数：5 类。
8. 类别：胆道结石（biliary lithiasis）、胆漏（biliary leaks）、良性狭窄（benign strictures）、恶性狭窄（malignant strictures）、正常所见（normal findings）。
9. 标签粒度：图像级单标签。
10. 标注者：2 名消化内科医师（≥5 年经验、≥400 例/年）。
11. 终审者：1 名高年资医师（≥20 年经验）。
12. 机构（学术）：University of Minho，Algoritmi 研究中心。
13. 机构（临床）：ULSAM（上米尼奥地方卫生单位，葡萄牙）。
14. 设备：Ziehm Vision RFD 3D 与 Philips PCR Eleva。
15. 中心年 ERCP 量：≥750 例。
16. 数据划分：70-15-15，按检查（exam）分层。
17. 论文期刊：Scientific Data（Springer Nature）。
18. 论文 DOI：10.1038/s41597-026-07679-1。
19. 论文 Received：2026-01-26。
20. 论文 Accepted：2026-06-19。
21. 论文 Published：2026-07-04。
22. 预印本：arXiv:2601.16759，2026-01-23。
23. 数据集 DOI：10.6084/m9.figshare.31079236。
24. 数据集版本：v1 2026-01-26；v2 2026-04-04。
25. 论文许可：CC BY-NC-ND 4.0。
26. 数据集许可：CC BY 4.0。
27. 代码仓库：GitHub monicaccmartins/MIQR-CC-Dataset。
28. 伦理批件：ULSAM 243/CA-2025。
29. 资助：FCT UID/00319/2025 + MIQR-CC 2024.07644 IACDC。
30. 最优基线：EfficientNet-B7，Acc 78.3%，macro-F1 0.738。
31. 次优基线：DenseNet121，Acc 65.9%，macro-F1 0.621。
32. 最弱基线：DeiT3-Small，Acc 46.0%，macro-F1 0.158。
33. EfficientNet-B7 validation F1：0.609。
34. 采集中心国家：葡萄牙。
35. 学术机构所在城市：Braga（米尼奥大学）。
36. 临床机构所在地：Viana do Castelo（ULSAM 覆盖 Alto Minho 地区）。

术语表（22 条）

• ERCP（Endoscopic Retrograde Cholangiopancreatography，内镜逆行胰胆管造影）：经十二指肠乳头插管，注入造影剂后在 X 射线透视下观察胆管与胰管的操作技术。
• 荧光透视（fluoroscopy）：实时 X 射线成像，ERCP 操作中的主要成像方式，为二维灰度投影。
• 胆道结石（biliary lithiasis）：胆管内结石，造影下表现为充盈缺损。
• 胆漏（biliary leaks）：胆管壁破损致造影剂外溢。
• 良性狭窄（benign strictures）：非肿瘤性胆管腔狭窄。
• 恶性狭窄（malignant strictures）：肿瘤性胆管腔狭窄。
• 正常所见（normal findings）：未见需干预病变的对照类。
• 图像级单标签（image-level single label）：每张图对应一个类别标签。
• 数据泄漏（data leakage）：训练集与测试集共享同源样本（如同检查的帧），导致性能虚高。
• 按检查分层（stratified by exam）：划分时以检查为单位分层，切断同源泄漏。
• macro-F1：对各类 F1 取宏平均，对少数类敏感。
• DeiT3-Small：轻量数据高效 Transformer 图像分类模型。
• EfficientNet-B7：EfficientNet 系列中较大的 CNN 分类模型。
• DenseNet121：密集连接的 CNN。
• ResNet50：残差网络 50 层。
• MobileNetV2：面向移动端的轻量 CNN。
• figshare：公共研究数据仓储平台。
• Scientific Data：Springer Nature 旗下数据描述期刊。
• C 臂（C-arm）：可绕患者旋转的 C 形 X 射线成像设备，用于术中透视。
• 乳头（papilla）：ERCP 插管的解剖入口，即十二指肠大乳头。
• 观察者间一致性（inter-rater agreement）：多名标注者判断的一致程度，常用 kappa 量化。
• 分层划分（stratified split）：按某关键变量（此处为检查）分层的数据划分方式。
• 域适应（domain adaptation）：使模型从一分布迁移到另一分布的技术，常用于跨中心泛化。

附录

附录 A：条目信息速查卡

项	值
官方名	MIQR-CC Dataset
slug	ercpmp-gx
论文	Sci Data, doi:10.1038/s41597-026-07679-1
预印本	arXiv:2601.16759
数据集	figshare, doi:10.6084/m9.figshare.31079236
代码	github.com/monicaccmartins/MIQR-CC-Dataset
患者/图像	1,602 / 19,018 原始 / 19,317 处理后 / 5,519 标注
类别	5 类临床所见
划分	70-15-15 按检查分层
最优基线	EfficientNet-B7（78.3% / 0.738）
许可	论文 CC BY-NC-ND 4.0 ｜ 数据集 CC BY 4.0（冲突）

附录 B：DAIMS 评估全表

维度	项	评分（1-5）	说明
Discoverability	D1 持久标识符	5	论文 DOI + 数据集 DOI 均持久
Discoverability	D2 元数据可检索	4	论文与 figshare 元数据完整，缺独立数据卡
Discoverability	D3 检索关键词	4	官方名可检索；slug 不可检索
Discoverability	D4 社区曝光	3	发表窗口较新，社区引用尚未积累
Accessibility	A1 获取门槛	5	figshare 公开直链，无需申请
Accessibility	A2 获取方式明确	5	下载路径清晰
Accessibility	A3 版本可追溯	4	v1/v2 明确，但增量未披露
Accessibility	A4 许可明确性	2	论文与数据集许可冲突
Interoperability	I1 格式通用性	4	PNG 通用，无 DICOM 元数据
Interoperability	I2 标签结构规整	4	5 类图像级标签规整
Interoperability	I3 与标准术语映射	2	类别为自定义临床所见，未映射 ICD/SNOMED
Interoperability	I4 跨集互操作	3	与同类内镜集类别体系不通用
Metadata	M1 数据卡完整	3	有论文级描述，缺标准化数据卡
Metadata	M2 标注流程披露	4	三人流程清晰，一致性统计缺失
Metadata	M3 伦理与资助披露	5	批件号与资助号明确
Metadata	M4 更新维护计划	2	无公开维护计划
Sustainability	S1 托管平台稳定	4	figshare 稳定
Sustainability	S2 长期可访问	4	DOI 持久
Sustainability	S3 机构背书	4	大学 + 卫生单位双背书
Sustainability	S4 持续更新	2	除 v1/v2 外无更新承诺
Sustainability	S5 社区治理	2	无社区治理机制

说明：DAIMS（Data Asset & Information Maturity Score）为本库自建评估框架，各项评分依据公开信息判定，属定性判断而非官方评分。

附录 C：论文与数据集引用格式

论文：

Andrade AJ, Martins M, Ferreira A, Araújo T, Lopes L, Alves V. A curated endoscopic retrograde cholangiopancreatography images dataset. Scientific Data. 2026. doi:10.1038/s41597-026-07679-1

数据集：

Martins M, et al. MIQR-CC Dataset (v2). figshare. 2026. doi:10.6084/m9.figshare.31079236. Accessed 2026-10-08.

预印本：

Andrade AJ, et al. A curated endoscopic retrograde cholangiopancreatography images dataset. arXiv:2601.16759. 2026.

附录 D：双口径登记表

项	口径一	口径二	处置
许可	论文 CC BY-NC-ND 4.0	数据集 CC BY 4.0	分别标注，见 §6.3
版本	v1 2026-01-26	v2 2026-04-04	引用注明版本
图像数	原始 19,018	处理后 19,317	分句陈述
时间	预印本 2026-01-23	期刊 2026-07-04	引用以期刊为准

附录 E：可迁移方法学要点

1. 划分以检查（exam）为单位分层，切断同源泄漏；
2. 标签粒度由下游任务反推（分类任务不强行上像素级）；
3. 三人标注结构（双人独立 + 高年资裁定）降低单人偏差；
4. 双机型合流增加设备多样性，但也引入混杂因素需注意；
5. 医学小样本上 CNN 往往优于轻量 Transformer。

附录 F：本条目生产档案

• 生产代理：agent-a-ercpmpgx
• 生产时间：2026-10-08
• 核验方式：三源互证（arXiv / Scientific Data / figshare），辅以 GitHub 仓库
• 查重结果：DB url_name ILIKE '%ercpmp%' 0 行；%ercp% / %cholangio% / %mrcp% 均 0 行；writing 目录无同名
• 遗留疑点：见下条

附录 G：遗留疑点

1. “MIQR” 缩写未在论文中逐字母展开，含义待核；
2. GitHub 仓库 LICENSE 具体类型本轮未逐字确认，不对其类型作臆断；
3. figshare v2 相对 v1 的精确增量未逐项核对；
4. 两名初级标注者之间的观察者间一致性（kappa）未公开；
5. 70-15-15 的具体检查级划分清单是否随数据公开，未确认；
6. 预处理去标识化算法的具体实现细节未逐帧披露。

附录 H：建议互链点（正文 §9 对照）

• gastrovision（rid 203）｜gastroendonet（rid 780）｜endoscapes（rid 353）｜gastrohun（rid 885）
• hyperkvasir（rid 693）｜kvasir-seg（rid 112）｜kvasir-capsule（rid 123）｜kvasir-instrument（rid 213）｜kvasir-hyperkvasir（rid 75）
• cvc-colondb（rid 142）｜real-colon（rid 778）｜slam-3d-endoscopic（rid 82）
• nih-pancreas-ct（rid 367）｜radimagenet（rid 545）

注：上述 rid 为库内检索参考，frontmatter 中的 relatedLink 仅承载纯 URL 占位，互链语义说明以正文 §9 与本节为准。

附录 I：五基线结果对照全表

排名	模型	架构族	Test Acc	Macro-F1	Validation F1	备注
1	EfficientNet-B7	CNN（复合缩放）	78.3%	0.738	0.609	最优；推荐基线
2	DenseNet121	CNN（密集连接）	65.9%	0.621	—
3	ResNet50	CNN（残差）	63.7%	0.617	—
4	MobileNetV2	轻量 CNN	61.4%	0.574	—	参数量最小
5	DeiT3-Small	Transformer（数据高效）	46.0%	0.158	—	显著塌缩

说明：Validation F1 仅论文对 EfficientNet-B7 明确给出（0.609）；其余模型该列论文未逐项报告，本表以"—"表示未获取，不作推测填充。

附录 J：双口径冲突处置决策树

我打算使用 MIQR-CC
        │
        ├── 仅学术研究、非商业、不再分发
        │        └── 直接使用；引用论文+数据集，注明版本
        │
        ├── 需要商业使用
        │        ├── 查阅 figshare 页当前许可（标 CC BY 4.0 → 允许）
        │        └── 用途敏感？ → 书面联系维护者确认
        │
        ├── 需要做衍生数据集/再分发
        │        ├── 数据集 CC BY 4.0 → 允许（须署名）
        │        └── 注意：论文 PDF 仍为 CC BY-NC-ND，勿混用许可
        │
        └── 需要引用论文 PDF 内容
                 └── 受 CC BY-NC-ND 约束：署名、非商业、禁演绎

附录 K：数据使用速查（下载后自检清单）

检查项	说明
版本号	记录下载的是 v1 还是 v2
访问日期	记录下载日期（如 2026-10-08）
许可截图	保存 figshare 页许可声明截图
图像总数核对	核对实际文件数与 19,018/19,317/5,519 的对应关系
类别分布	统计逐类样本数（论文未全披露，自建）
划分清单	确认是否随数据提供检查级划分
去标识化抽检	抽检若干帧确认无患者信息残留
元数据字段	记录可用元数据（患者/检查/图像索引）

附录 L：ERCP 与其他胰胆成像模态对照

模态	全称	原理	侵入性	图像外观	本库代表条目
ERCP	内镜逆行胰胆管造影	内镜+造影剂+X 线透视	侵入	二维灰度透视	本条目
MRCP	磁共振胰胆管成像	磁共振水成像	无创	断层灰度	—
CT	计算机断层扫描	X 线断层重建	无创	断层灰度	nih-pancreas-ct（rid 367）
超声内镜	EUS	超声+内镜	半侵入	超声灰阶	—

此表用于防止研究者把不同模态的胰胆影像数据集误当作同类。

附录 M：关键时间线

时点	事件
2026-01-23	arXiv:2601.16759 预印本上线
2026-01-26	figshare 数据集 v1 发布；期刊 Received
2026-04-04	figshare 数据集 v2 发布
2026-06-19	期刊 Accepted
2026-07-04	期刊 Published（Sci Data）
2026-10-08	本条目撰写抓取时点

附录 N：面向论文写作的 MIQR-CC 使用备忘

1. 方法部分须声明：使用了 v2 版本、固定了检查级划分、图像输入分辨率、增强策略（尤其是否翻转）；
2. 结果部分须同报：Accuracy + macro-F1 + 逐类混淆矩阵；
3. 讨论部分须承认：单中心局限、许可不确定性、类别不平衡；
4. 复现部分须公开：训练代码（可复用仓库 training/）、种子、划分清单；
5. 引用部分须区分：论文（Sci Data）与数据集（figshare）分别引用，标注版本与访问日期。

附录 O：条目自证与来源

本条目所有硬数字均可回溯至以下来源：

• Scientific Data 论文（doi:10.1038/s41597-026-07679-1）：规模、作者、时间线、许可、评测结果；
• arXiv:2601.16759：预印本细节、技术验证结果补充；
• figshare（doi:10.6084/m9.figshare.31079236）：数据集版本、许可（CC BY 4.0）、获取方式；
• GitHub monicaccmartins/MIQR-CC-Dataset：代码结构（preprocessing/、training/）。

凡未能从上述来源确证的内容，均已在 §9 与附录 G 标记为"遗留疑点"，未作事实陈述。

附录 P：术语中英速查（补充）

中文	英文
内镜逆行胰胆管造影	Endoscopic Retrograde Cholangiopancreatography (ERCP)
荧光透视	Fluoroscopy
十二指肠乳头	Duodenal papilla
胆总管	Common bile duct
胆管癌	Cholangiocarcinoma
壶腹周围癌	Periampullary carcinoma
充盈缺损	Filling defect
造影剂	Contrast medium
数据划分	Data split
分层抽样	Stratified sampling
混淆矩阵	Confusion matrix
宏平均 F1	Macro-F1
类别不平衡	Class imbalance
域适应	Domain adaptation

附录 Q：维护与勘误登记

日期	事项	处置
2026-10-08	条目首次撰写，三源互证	落盘 FACTS.md + 成稿
—	待补：v2 相对 v1 增量	待后续核验
—	待补：逐类样本数	待下载后统计
—	待补：GitHub LICENSE 类型	待逐字确认
—	待定：figshare 许可是否修订	持续跟踪

尾注

• 论文：A curated endoscopic retrograde cholangiopancreatography images dataset, Scientific Data, doi:10.1038/s41597-026-07679-1（Received 2026-01-26 / Accepted 2026-06-19 / Published 2026-07-04）
• 预印本：arXiv:2601.16759（2026-01-23）
• 数据集：figshare, doi:10.6084/m9.figshare.31079236（v1 2026-01-26 / v2 2026-04-04）
• 代码：GitHub monicaccmartins/MIQR-CC-Dataset
• 抓取时点：2026-10-08
• 生产代理：agent-a-ercpmpgx

---

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：

• rare25 — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 评测基准 / 肿瘤学
• gastrohun — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 评测基准 / 肿瘤学
• limuc — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 评测基准
• cystods — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
• gastroendonet — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
• intel-mobileodt — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
• bladder-tissue — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
• rare26 — 共享标签：内窥镜影像 / 图像分类 / 评测基准 / 肿瘤学
• oasbud — 共享标签：医学影像 / 图像分类 / 评测基准 / 肿瘤学
• bronchoaccess — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 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。