信息速览

数据集名称FLARE 2026 — 基础级多模态医学影像挑战赛：泛癌分割·自配置多任务·视觉语言解析

数据类型15,600 例真例 CT（Task1）,30,000 例扩散模型合成 CT,九种模态 VQA（Task3）,CC-BY-NC-4.0 为主,HuggingFace gated 获取

规模Task1 15,600 例 CT 扫描（加 30,000 例合成）；Task2 6,710 例患者级 CT/MRI/PET 扫描；Task3 九模态问答集（患者级人数未公开）

接入方式FLARE-MedFM 组织（University of Toronto / University Health Network / Vector Institute） url: https://flare-medfm.github.io/

AI 就绪度

FLARE 2026 — 基础级多模态医学影像挑战赛数据集 AI-Ready Wikipedia

INFOBOX — FLARE 2026 一屏速览

维度内容

官方全称 FLARE 2026 = Fast, Low-resource, Accurate, Robust, and Effectual Medical Image Segmentation and Classification in 3D CT and MRI Scans

归属 MICCAI 2026 卫星挑战赛（官方 45 挑战赛列表编号 1，类别 Efficient AI）

届次 FLARE 系列第 6 届（2021→2026；直接前作为库内 FLARE 2022/2023 条目）

三大任务 Task1 泛癌分割（15,600 真例 + 30,000 合成 CT）；Task2 AutoMSC 自配置联合分割分类（6,710 例 CT/MRI/PET）；Task3 九模态视觉语言解析（约 2.4 万组问答）

数据规模阶梯 511 → 2,300 → 4,500 → 14,000+ → 20,000+ → 45,600+（系列逐届跳升）

格式 compressed Nifti1Image（.nii.gz，保留 HU）+ JSON 问答对

许可 CC-BY-NC-4.0 为主（RECIST-to-3D 为 CC-BY-NC-SA-4.0；上游 20+ 源许可混合）

获取 HuggingFace FLARE-MedFM 组织 gated 下载（auto/manual 两级门禁）+ 官方站注册表单

平台与时间线 CodaBench（每任务独立平台）；2026-04-01 开赛 → 09-01 测试截止 → 10-04/08 公布结果；Open call 赛后持续开放

组织方 Jun Ma、Sumin Kim、Bo Wang（University of Toronto / UHN / Vector Institute）等

审核日期 2026-10-09

§0 E-E-A-T 信任声明与免责声明

本条目事实基础与证据等级说明

本条目由千方病案医学编辑部于 2026-10-09 检索撰写。全部硬数字与关键陈述均锚定以下四类可回溯来源，读者可逐条复核：

结构化提案（最高证据级）：FLARE 2026 官方挑战赛设计文档（BIAS Initiative 模板，44 页 PDF），Zenodo 记录 19847954，DOI 10.5281/zenodo.19847954，CC-BY-4.0，2026-04-28 发布，作者 Ma Jun、Kim Sumin、Wang Bo。本条目三任务定义、数据规模、时间线、评测指标、排名方法、组织者名单均直接摘自该提案正文。本代理已下载原文（163,185 字节，md5 869789facfef0940fbb7814a0cd0142e）并逐段核对。
官方站与 MICCAI 官方列表：flare-medfm.github.io（任务结构、11,000+ 口径）；conferences.miccai.org/2026 官方挑战赛列表（FLARE 编号 1、Efficient AI 类别、联络人 Jun Ma）。
HuggingFace 数据集仓库（一手元数据实测）：FLARE-MedFM 组织下 5 个 2026 届数据集（PancancerCTSeg、FLARE-AutoMSC、FLARE26-MLLM-3D、FLARE-MLLM-2D、PancancerRECIST-to-3D）的 API 元数据（gated 状态、license 标注、文件数、下载量、最后修改时间）与 README 全文（Task1 癌种来源表、Task3 目录结构）于 2026-10-09 逐条实测抓取。
系列前作证据：FLARE 2025 提案（Zenodo DOI 10.5281/zenodo.15094799）、FLARE 2024 提案与 LNCS 15717 论文集、MICCAI 2025 官方挑战赛页与 organizers 访谈、库内 FLARE 2022/2023 条目（record_id=387）。

重要时效声明：FLARE 2026 最终结果公布档期为 2026-10-04/08，与本条目检索时点几乎重合。截至撰写时本条目未能获取任何经证实的 2026 届榜单数字，因此本条目不包含 2026 届冠军成绩，仅提供评测机制、系列前届基准与选型建议。读者引用时请注意甄别赛后期出现的第三方榜单。

利益声明：本条目为独立百科式整理，与 FLARE 组织方无任何关联；生成式 AI（CodeBuddy Code）参与起草与结构编排，全部事实陈述经人工比对来源核验，详见 §10 AI 使用声明卡。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：MICCAI 2026 卫星挑战赛 FLARE 2026 的官方数据集集合，含三个独立任务：Task1 泛癌分割（pan-cancer segmentation）、Task2 AutoMSC 自配置联合分割与分类（self-configured joint segmentation and classification）、Task3 多模态医学影像解析（multimodal medical image parsing）。
规模：Task1 真例 15,600（训练 15,000/验证 100/隐藏测试 500）+ 合成 CT 30,000；Task2 三模态三子任务共 6,710 例；Task3 覆盖 CT/MRI/显微镜/超声/全景 X 光/OCT/病理/内镜等九种模态、约 24,000 组训练问答。
获取：HuggingFace FLARE-MedFM 组织五个仓库 gated 下载（Task1 自动批准、Task2/3 人工审核），官方站注册表单为前置。
许可：主集 CC-BY-NC-4.0，交互分割子集 CC-BY-NC-SA-4.0，非商业研究专用。
适用：跨癌种泛化分割研究、AutoML/自配置系统研究、医疗多模态视觉语言模型训练；不适用于临床诊断直接部署。

§1.1 摘要

FLARE 2026 是 MICCAI 系列腹部与全身影像分割挑战赛 FLARE（Fast, Low-resource, Accurate, Robust, and Effectual）的第 6 届，由多伦多大学、University Health Network 与 Vector Institute 的 Jun Ma、Sumin Kim、Bo Wang 等组织。系列自 2021 年以「Fast and Low-GPU-Memory Abdominal Organ Segmentation」为名起步，六年间从 4 器官 511 例 CT 的全监督基准，逐届扩展为 2026 届的三大方向：基础级（foundation-level）泛癌分割、自配置多任务学习、通用多模态医学影像解析。

2026 届的三项任务各自独立成赛、独立平台（CodaBench）评测：Task1 提供史上最大的公开泛癌 CT 分割训练集之一——真例 15,600（含 20 余种癌型的像素级病灶掩码），并首次大规模引入扩散模型合成数据（PASTA-Gen-30K，30,000 例带像素级病灶掩码的合成 CT）作为可选训练资源；Task2 AutoMSC 以「能否诞生下一个 nnU-Net」为号召，要求单模型跨 CT/MRI/PET 三模态、跨器官与肿瘤类型同时输出高质量分割掩码与疾病二分类标签，并自动推断架构、分辨率、patch size、归一化策略与损失平衡等全部配置；Task3 要求通用视觉-语言模型在九种成像模态上统一完成分类、检测、计数、测量与回归五类解析任务，训练集以 JSON 问答对形式组织。

数据经 HuggingFace FLARE-MedFM 组织以 gated 模式发放，主许可 CC-BY-NC-4.0（非商业研究专用）。比赛采用 rank-then-aggregate 排名法，同时考核精度（DSC、NSD）与效率（运行时间、GPU 显存-时间曲线下面积），Top 5 队伍强制开源。系列前五届已将「13 器官 + 多类腹部病灶、100 万体素级 3D CT」的分割推理压缩到 10 秒内完成——FLARE 2026 把这一「精度×效率×泛化」三重标杆推向基础模型时代。

§1.2 战略价值

对医学影像 AI 研究者：

泛癌泛化性的公共标杆：多数公开肿瘤分割集聚焦单一癌种（LIDC-IDRI 肺结节、KiTS 肾肿瘤、LiTS 肝肿瘤），FLARE Task1 将 20 余种癌型统一到「0=背景/1=器官/2=肿瘤」标签体系下，是训练与评测跨癌种泛化模型（如全身肿瘤基础模型）的首选公开基准之一。
合成数据方法学的受控实验场：30,000 例合成 CT 的引入附带官方强制的消融要求，为「合成数据到底有多少增益」提供了罕见的大规模受控对照场景（详见 §6.5 坑点 4）。
AutoML 的医学版 MSD 时刻：Task2 AutoMSC 明确对标 Medical Segmentation Decathlon 与 nnU-Net 的历史角色，任务设计（自动配置 + 联合分割分类 + 三模态）直指当前医学 AutoML 研究的核心空白。

对多模态/LLM 团队：Task3 是少数以「单模型×九模态×五类任务」为考核目标的公开基准，问答对结构（Task Type/Modality/Image/Question/Answer）可直接对接视觉语言模型的指令微调管线；3D 子集复用 AMOS 与 CT-RATE 两大库内已有条目的数据源，迁移成本低。

对低资源医疗场景：FLARE 系列的一贯主题是资源受限下的高性能推理。2026 届延续效率考核（运行时间 + GPU 显存曲线），对面向基层医院、便携设备的部署研究具有直接参考价值。

§1.3 同类数据集横向对比

数据集	届次/版本	模态	规模	任务形态	许可	获取
FLARE 2026（本条目）	2026	CT/MRI/PET + 2D 八模态	15,600 + 30,000 合成 + 6,710 + 约 24,000 问答	分割 + 分类 + VQA 三任务	CC-BY-NC-4.0 为主	HF gated
FLARE 2022/2023（库内 rid=387）	2022/2023	CT	2,300 / 4,650	13 器官半监督 + 泛癌分割	研究用途申请制	挑战平台邮件申请
AMOS（库内 rid=76）	2022	CT/MRI	600（CT 500 + MR 100）	多器官分割	研究用途	注册申请
DeepLesion（库内 rid=17）	2016	CT	4,427 患者 / 32,735 病灶	病灶检测（弱标注）	开放	直链下载
TotalSegmentator（库内 rid=422）	2022	CT/MR	5,808 + 1,228	全身 104/117 结构分割	CC-BY-NC-SA（研究）	直链/gated
AutoPET 系列（库内 rid=468/678/634）	2022-2025	PET/CT	1,000-4,000 例级	病灶自动/交互分割	CC-BY-NC-SA	注册申请
KiTS23（库内 rid=698）	2023	CT	599 例	肾肿瘤与腔道分割	CC-BY-NC-SA	注册申请

定位差异：FLARE 2026 是表中唯一同时覆盖「多癌种统一标签 + 合成数据对照 + 自配置 AutoML + 多模态 VQA」的数据集集合体；单点深度（如 KiTS 的肾脏细结构、AutoPET 的 PET 域特化）仍需配合专项数据集。FLARE 系列内部则是直接的前后届关系——2022/2023 届的器官/病灶标签体系在 Task1 的 labelsTr_organ 中以「0/1/2」简化形式部分延续。

§1.4 版本时间轴

时间（均为 12:00 AM EST）	事件
2021	FLARE 首届（Fast and Low-GPU-Memory Abdominal Organ Segmentation）：4 器官 511 例 CT 全监督
2022-03	FLARE 2022：13 器官 2,300 例半监督（对应库内 rid=387 前半）
2023-04	FLARE 2023：13 器官 + 泛癌病灶 4,500 例（对应库内 rid=387 后半）
2024	FLARE 2024：三子任务（泛癌全身化 10,000+ CT、laptop 无 GPU 分割、MRI 无监督域自适应）
2025-03-18	FLARE 2025 提案发布（Zenodo DOI 10.5281/zenodo.15094799）：六子任务，新增基础模型、多模态解析与 agentic system
2026-04-22	FLARE 2026 提案文档成稿（Zenodo 上传时间戳）
2026-04-28	提案正式发布（Zenodo DOI 10.5281/zenodo.19847954，v1）
2026-04-01	开赛：开放注册，发布训练与验证数据
2026-04-07	RECIST-to-3D Dockers 仓库上线（HF）
2026-04-15	验证集发布，验证提交开放
2026-04-19	FLARE26-MLLM-3D 数据集最后修改（HF 实测）
2026-05-05	FLARE-MLLM-2D 最后修改（HF 实测）
2026-07-23	FLARE-AutoMSC 最后修改（HF 实测，数据有更新）
2026-09-01	测试提交截止
2026-09-15	邀请 top 队伍备赛报告（MICCAI 2026 Satellite Event）；PancancerCTSeg 最后修改（HF 实测）
2026-10-04/08	公布最终结果
赛后	Open call：平台继续开放提交（系列惯例）

§1.5 典型应用场景

肿瘤负荷定量与疗效监测：Task1 的全身多癌种病灶掩码支持肿瘤体积纵向量化（oncology staging、treatment response monitoring、tumor burden quantification），为放疗计划与转移筛查提供自动化病灶图。
通用分割引擎的自动化构建：Task2 面向「医院拿到异构 3D 数据却无力逐任务定制模型」的现实痛点，即插即用（plug-and-play）的自动配置系统研究。
科室级统一影像助手：Task3 的单系统多任务定位（分类/检测/计数/测量/回归）面向整合医疗体系与床旁诊断（point-of-care）场景，替代科室里各自为政的专用小工具。
医学视觉语言模型指令微调：Task3 JSON 问答对 + 3D 报告生成/VQA 数据（AMOS 1,290 例 + CT-RATE 2,000 例）可直接转化为 SFT 训练集。
合成数据增益的受控研究：PASTA-Gen-30K + 官方消融要求 = 公开可比的合成数据方法学实验场。

§1.6 上手路径建议（按角色）

你的角色	最短上手路径	预计耗时
数据评测者	官网注册 → HF gated=auto 拉 PancancerCTSeg 肺种子集 → §6.1 校验 → §5.7 完整性自查	半天
分割算法工程师	§6.3 预处理 → §6.4 DataLoader（masked loss 是安全带）→ nnU-Net v2 训练 → §6.9 本地指标对齐	1-2 天跑通
AutoML 研究者	申请 FLARE-AutoMSC（manual 门禁，预留审批时间）→ §6.4b 骨架改造 → 三子任务联合训练	前置 3-7 天等审批
MLLM 团队	申请 FLARE26-MLLM-3D/2D → §6.4 末 VQA 模板映射 → chat SFT → 验证集自评	2-3 天跑通
方法学家/综述作者	先读提案 PDF 44 页（一切规则的源头）→ §1.4 时间轴 → §8.3 评测协议	一天

门禁提醒：gated=manual 的三个仓库（AutoMSC、MLLM-3D、MLLM-2D）审批时长不可控——参赛窗口内请第一时间提交申请；gated=auto 的 Task1 主集即到即用。

§2 医学背景

§2.1 ICD-11 编码表

FLARE 2026 Task1 覆盖 20 余种癌型，Task2 覆盖三种疾病结局预测。主要癌种对应的 ICD-11 肿瘤编码（编码仅覆盖常见类型，全集以 HF README 癌种表为准）：

癌种（英文）	ICD-11 编码	Task1 训练例数	上游来源
肺癌 lung cancer	2C25	5,719（其中 LUNA25 4,049、LIDC-IDRI 875、NSCLC-Radiomics 415、LNDb 229、NSCLC-Radiogenomics 88、MSD-LungTumor 63）	LUNA25/LIDC-IDRI 等
肝癌 liver cancer	2C12	1,631（TotalSeg-liver_lesions 815、MSD-HepaticVessel 303、WAW-TACE 219、MSD-Liver 118、结直肠肝转移 102、HCC-TACE-SEG 74）	TCIA/MSD/TotalSegmentator
胰腺癌 pancreatic cancer	2C10	1,797（PanTS 876、PANORAMA 479、MSD-Pancreas 281、PanTrack 161）	PanTS/PANORAMA/MSD
肾癌 kidney cancer	2C90	488	KiTS
头颈癌 head and neck cancer	2B6	240	SegRap25
食管癌 esophagus cancer	2B5	154	AbdomenAtlas
结直肠癌 colon cancer	2B91	126	MSD-Colon
子宫内膜癌 endometrial cancer	2C76	79	AbdomenAtlas
淋巴结病变 lymph nodes	无独立编码	530（Mediastinal-Lymph-Node-SEG 354、CT-Lymph-Nodes 176）	TCIA 系列
全身泛癌 whole-body cancer	多编码混合	6,759（DeepLesion 5,000、autoPETCT 692、LongitudinalCTLesion 583、MSWAL 484）	DeepLesion 等

§2.1b SNOMED CT 映射表

临床概念	SNOMED CT 概念码（示意）	说明
恶性肿瘤 disorders	363346000	恶性肿瘤总类概念
原发恶性肿瘤	363406005	Task1 原发灶标注语义
继发恶性肿瘤（转移）	363409004	DeepLesion/autoPETCT 转移灶语义
肺结节	44907002	Task2 肺结节诊断子任务
脑肿瘤复发	428524008（脑肿瘤）+ 复发语义	Task2 脑癌复发预测子任务
肝转移灶	94393000（继发肝恶性肿瘤）	Task2 肝转移来源预测子任务
肾小球（病理）	22635000	Task3 病理计数任务对象
结直肠息肉	441631002	Task3 内镜息肉检测任务对象

§2.2 疾病简介与流行病学

FLARE 2026 的临床靶区横跨全身主要实体瘤。按 GLOBOCAN 2022 口径（全球癌症统计），肺癌（年新发约 248 万）、结直肠癌（约 193 万）、肝癌（约 87 万）、胰腺癌（约 51 万）均位居全球发病率与死亡率前列；肾癌（约 43 万）与子宫内膜癌（约 42 万）属中高发。Task2 的三个子任务对应三类高价值临床决策点：肺结节良恶性判读（低剂量 CT 筛查的核心瓶颈）、脑肿瘤五年复发预测（神经肿瘤随访决策）、肝转移灶来源推断（原发不明转移癌的鉴别诊断关键步骤）。

值得注意的是数据分布的真实世界偏倚：Task2 明确声明「按真实世界分布采集」（real-world distribution），意味着阳性/阴性比例不均衡——这与常规基准刻意平衡采样形成对比，使用者在报告分类指标时必须同时给出 PR-AUC 或 F1 而非仅看 accuracy。

§2.3 临床任务定义

任务	输入	输出	临床语义
Task1 泛癌分割	全身/腹部 CT 体数据	像素级病灶掩码（0=背景/1=器官/2=肿瘤）	多癌种病灶自动勾画，支撑分期与负荷定量
Task1 交互分割（RECIST-to-3D 子线）	CT + RECIST 标注提示	3D 病灶体素掩码	从一维 RECIST 径线到三维体积的交互式升级
Task2 联合分割+分类	单次 CT/MRI/PET 扫描	分割掩码 + 疾病二分类标签	同一模型完成病灶勾画与结局判读
Task3 多模态解析	九模态影像	分类/检测/计数/测量/回归答案	通用影像问答（报告生成、VQA、定量测量）

§2.4 患者人群

Task1 病例来自 50+ 医疗中心（提案口径）与 20+ 公共数据仓库，覆盖多厂商设备与多期相扫描（平扫、动脉期、门脉期、延迟期，继承系列 2023 届口径）；
Task2 来自 10+ 医疗中心，人群按真实世界疾病分布采样，每例为单次扫描配分割掩码与疾病标签（复发结局定义为首次影像后 5 年内二分类）；
Task3 影像来自 AMOS（腹部多中心 CT/MRI）、CT-RATE（胸部 CT 唯一患者子集，携带疾病与临床信息）及各 2D 模态公开集；
上游公共库（LIDC-IDRI、MSD、KiTS、DeepLesion、autoPET 等）本身均经去标识化处理；官方声明未释放 DICOM 头部元数据，仅发布 NIfTI。

§2.5 临床价值

弥合资源鸿沟：系列一以贯之的 low-resource 主题——把「百万体素 3D CT 的 13 器官+病灶分割」压进 10 秒与 4 GB 显存——直接服务无法负担高端 GPU 集群的基层机构。
统一工具替代碎片化 AI：Task3 官方定位「以单一视觉语言系统替代大量任务专用工具」，降低医院维护多个专用模型的成本。
标注经济学：Task1 的 MedSAM 预分割 + 专家精修流水线与 RECIST-to-3D 交互范式，示范了「少量专家时间撬动大规模像素级标注」的可行路径。

§2.6 金标准参考表

参考标准	与 FLARE 2026 的关系
MSD（Medical Segmentation Decathlon）	Task2 官方致敬对象；MSD-LungTumor/MSD-Liver/MSD-Pancreas/MSD-Colon/MSD-HepaticVessel 系列直接构成 Task1 上游源（CC BY-SA 4.0）
nnU-Net	Task2 的方法论靶子（自动配置范式开创者）；系列前届冠军方案均基于 nnU-Net 变体
RECIST 1.1	Task1 交互子线（RECIST-to-3D）的标注提示协议来源：径线测量 → 三维体积
Metrics Reloaded（Maier-Hein et al., Nat Methods 2024）	评测指标设计参照（DSC/NSD 选型与容差设置）
Wiesenfarth et al., Sci Rep 2021	rank-then-aggregate 排名方法出处（提案明确引用）

§2.7 术语表（中英对照）

术语	英文	释义
泛癌分割	pan-cancer segmentation	单一模型跨多癌种勾画病灶，区别于单癌种专用模型
自配置模型	self-configured model	自动推断架构/分辨率/patch size/归一化/损失等全部训练配置的模型（nnU-Net 范式）
联合分割分类	joint segmentation and classification	同一模型同时输出分割掩码与疾病标签（Task2 核心）
多模态解析	multimodal medical image parsing	视觉-语言模型对影像执行分类/检测/计数/测量/回归五类任务
门控数据集	gated dataset	需申请审批后才能下载的 HF 仓库（auto=自动批准 / manual=人工审核）
部分标注	partial labeling	每例仅标注主要病灶，未标注不等于无病灶（信息性缺失）
秩平均	rank-then-aggregate	每测试例每指标排名后取平均秩的赛制（缺失=最大秩）
表面归一化距离	Normalized Surface Dice (NSD)	边界误差指标：表面点落在容差内的比例（DSC 的互补指标）
显存-时间曲线下面积	GPU memory-time AUC	效率指标：推理期间显存占用对时间的积分
隐藏测试集	hidden testing set	标签永不发布的评测集，仅官方评测可访问
持续开放赛	open call	会议截止后平台继续接受提交的赛事生命周期类型
RECIST	Response Evaluation Criteria in Solid Tumors	实体瘤疗效评价标准（径线测量），交互分割子线的提示协议来源
域自适应	unsupervised domain adaptation (UDA)	无标注目标域（如 MRI）上的跨模态自适应——系列 2024/2025 届子任务
医学图像分割十项全能	Medical Segmentation Decathlon (MSD)	2018 年多任务分割挑战赛，孕育 nnU-Net——Task2 的官方致敬对象

§3 数据集规格

§3.0 版本抉择矩阵

需求场景	推荐子集	门禁	理由
泛癌分割训练/评测	PancancerCTSeg（主集 + per_cancer_type 细分）	gated=auto	规模最大、标签体系统一、自动批准
复现官方自动+交互双赛道	PancancerCTSeg + PancancerRECIST-to-3D	auto	RECIST-to-3D 为交互线配套
AutoML/自配置研究	FLARE-AutoMSC	gated=manual	三模态三子任务唯一公开载体
医疗 MLLM 指令微调	FLARE26-MLLM-3D + FLARE-MLLM-2D	gated=manual	JSON 问答对即 SFT 格式
仅需小规模快速验证	CT-AMOS-1290 子集（Task3 内）	manual	1,290 例即可跑通 VQA 管线
合成数据研究	LWHYC/PASTA-Gen-30K（独立仓库）	另行查看	30,000 例扩散模型合成 CT

§3.1 模态详情

任务	模态	说明
Task1	CT（多期相）	3D 体数据，compressed Nifti1Image；保留原始 HU；来源含平扫/动脉期/门脉期/延迟期（继承系列口径）；设备协议多样（TCIA/MSD/KiTS/autoPET/合作医院）
Task2	CT + MRI + PET（PET/CT）	三模态各自独立子任务；每例单次扫描
Task3	3D：CT/MRI；2D：显微镜、超声、全景 X 光、OCT、病理切片、内镜	官方宣称九种成像模态（nine imaging modalities），样本量 100-10,000/模态

§3.2 按子集样本数

Task1（提案口径，主口径）

子集	例数	标注
train_label（全量部分标注）	15,000	像素级病灶掩码（每例标注主要病灶）
train_per_cancer_type（五大癌种细分）	含于 15,000	病灶掩码；肺/肝/胰/肾四类附 labelsTr_organ 器官+肿瘤双掩码
validation（公开）	100	掩码发布
test（隐藏）	500	永不发布
PASTA-Gen-30K 合成（可选训练资源）	30,000	扩散模型生成的像素级病灶掩码（非真实扫描）

Task2（患者级）

子任务	模态	训练	公开验证	隐藏测试
脑癌复发预测	MRI	100	10	50
肺结节诊断	CT	6,000	50	150
肝转移灶来源预测	PET/CT	245	35	70
合计	三模态	6,345	95	270

Task3（训练集）：CT 10,000、MRI 10,000、显微镜 1,000、超声 700、全景 X 光（恒牙检测）1,000、OCT 100、病理（肾小球计数/检测）1,000、内镜（息肉检测）1,000；验证集 CT 100 + MRI 100 等。3D 子集实体：CT-AMOS-1290（AMOS 全部 CT）+ CT-RATE-2000（CT-RATE 唯一患者）。

§3.3 数据格式

3D 影像：compressed Nifti1Image（.nii.gz），官方声明保留原始 Hounsfield Unit 值；系列前届统一 RAS 方向（2026 提案未重申方向标准化，使用时建议自行校验仿射矩阵，见 §6.1）。
掩码：同尺寸 NIfTI，Task1 主标签集 0/1/2（背景/器官/肿瘤）；per_cancer_type 细分集的 labelsTr_organ 中肿瘤优先于器官（重叠区取 2）。
Task2 标签：分割掩码（NIfTI）+ 疾病二分类标签（结构化字段）。
Task3 问答：JSON 文件，字段为 Task Type、Modality、Input Image Name、Question、Answer（官方声明已修复早期版本的措辞问题——「The minor wording issue is also fixed」）。
下载形态：HuggingFace snapshot_download 仓库级下载（各仓库 3,989-85,916 个文件不等）。

§3.4 存储大小

仓库	文件数	体积口径
PancancerCTSeg	85,916	官方未公布总量；参照前届（4,500 例约 365 GB）与 15,000 例规模，预估 TB 级
FLARE-AutoMSC	29,059	未公布
FLARE26-MLLM-3D	3,989	AMOS 1,290 + CT-RATE 2,000 例级，估数百 GB
FLARE-MLLM-2D	10,329	未公布（size 类目 10K<n<100K 样本）
PancancerRECIST-to-3D	9,494	未公布（size 类目 10K<n<100K）

提示：HF API 的 size_categories 反映样本行数而非字节数，各仓库官方均未给出字节级总量——下载前请确保磁盘余量并优先使用 snapshot_download 的 allow_patterns 拉取子集。

§3.5 标注方式

Task1（真例）：五折交叉验证质控流水线——初级标注产出后，对 DSC<0.75 的低分图像强制二次复查；资深放射科医师为肿瘤独立勾画 3D bounding box → 以 MedSAM 自动预分割 → 专家逐层人工精修至满意。
Task1（合成）：PASTA-Gen-30K 由扩散模型（Lei Wenhui et al. 的 pan-tumor 基础模型路线）直接生成影像与像素级病灶掩码，无人工标注环节。
Task2：每例「分割掩码 + 疾病标签」双标注；复发结局标签来自临床随访（5 年窗口），属于影像+临床混合标注。
Task3：问答对由结构化模板生成与人工修订（官方提及 JSON 措辞问题已修复），3D 子集的器官结构参考 TotalSegmentator 自动伪标签（AMOS-MM）。

§3.6 标注者资质与一致性

Task1 质控链含「资深放射科医师（senior radiologists）」终审环节；提案未公布标注团队人数、年限结构或 inter-rater 一致性系数（系列前届口径：器官标注遵循 RTOG 共识与 Netter 图谱、调优/测试集病灶由资深放射科医师标注）。
官方承诺评估软件随训练数据发布（可复现的评测链），但标注一致性指标（如 DSC 复审通过阈值分布）未公开——引用标注质量时只能引「五折质控 + DSC<0.75 复查 + 专家精修」流程描述。

§3.7 采集周期

数据汇集自既有公共仓库（多为 2016-2025 年发布）与合作医院新增采集，无单一采集窗口；HF 各仓库最后修改时间集中于 2026-04-19 至 2026-09-15（数据在赛期内持续更新，见 §6.5 坑点 6）。

§3.8 地域覆盖

Task1：50+ 医疗中心（提案）；上游公共库贡献亚洲（LUNA25、AMOS）、欧洲（LIDC-IDRI、MSD、KiTS）、北美（DeepLesion、TCIA 系）与多洲混合（AutoPET）来源。
Task2：10+ 医疗中心；组织方含南京鼓楼医院（Jian He），提示中国中心贡献。
Task3：AMOS（中国多中心）、CT-RATE（土耳其伊斯坦布尔）、2D 模态来自全球公开集。

§3.9 设备规格

官方声明「acquisition protocols are very diverse」——多厂商、多协议、多期相混合；未公布设备型号分布表（系列 2023 届口径：GE、Philips、Siemens、Toshiba）。
评测硬件（官方统一环境，沿用系列口径）：Ubuntu + Intel Xeon + Quadro RTX5000 16 GB 级 GPU；效率考核约束为运行时间与 GPU 显存-时间曲线下面积。

§3.10 深度溯源链

Task1 数据血缘（20+ 源 → 统一 0/1/2 标签）：

公共仓库（CC 系许可）            合作医院（license permission）
├── LUNA25 / LIDC-IDRI …        ├── TCIA 引入系列
├── MSD-LungTumor/Liver/…       └── 多中心新增采集
├── KiTS / DeepLesion / autoPET
├── TotalSegmentator（liver_lesions）
├── SegRap25 / PanTS / PANORAMA / PanTrack / WAW-TACE / HCC-TACE-SEG
└── AbdomenAtlas / NSCLC 系 / LNDb / CT-Lymph-Nodes …
        │
        ▼ 五折质控（DSC<0.75 复查）→ 资深医师 bbox → MedSAM 预分割 → 人工精修
        │
        ▼ 统一 NIfTI（保留 HU）→ 标签 0/1/2（肿瘤优先）
        ▼ HF FLARE-MedFM/PancancerCTSeg（gated=auto，2026-09-15 最后更新）

Task3 的 3D 数据血缘：AMOS-MM（NeurIPS 2022，库内 rid=76）+ CT-RATE（arXiv 2403.17834，库内 rid=546）→ 唯一患者筛选与临床信息对齐 → JSON 问答生成 → TotalSegmentator 伪标签作为器官参考层。

§4 数据结构

§4.0 目录树

Task1 PancancerCTSeg（HF README 官方结构）：

PancancerCTSeg/
├── README.md                        # 癌种-来源-许可总表
├── train_label/                     # 全量部分标注主训练集（15,000 例）
│   ├── imagesTr/                    #   CT 体数据 *.nii.gz（保留 HU）
│   └── labelsTr/                    #   病灶掩码：0=背景 / 1=器官 / 2=肿瘤
├── train_per_cancer_type/           # 五大癌种细粒度子集（可训练癌特异模型）
│   ├── lung/                        #   肺（4,049+875+415+229+88+63 合并）
│   │   ├── imagesTr/
│   │   ├── labelsTr/                #     0/1/2
│   │   └── labelsTr_organ/          #     器官+肿瘤双掩码（0=bg/1=organ/2=tumor）
│   ├── liver/                       #   肝（1,631；含 labelsTr_organ）
│   ├── pancreatic/                  #   胰（1,797；含 labelsTr_organ）
│   ├── kidney/                      #   肾（488；含 labelsTr_organ）
│   └── colon/                       #   结肠（126；无 labelsTr_organ）
└── （validation 集另行发布，images+val 掩码）

注意：train_per_cancer_type 的四类（肺/肝/胰/肾）提供 labelsTr_organ（器官掩码层），结肠没有；train_label 主集只有病灶层。官方 README 原文：「For four of these (lung, liver, pancreatic, and kidney) we additionally provide combined organ + tumor masks in a labelsTr_organ/ folder, alongside the existing imagesTr/ and labelsTr/. Label values are 0 = background, 1 = organ, 2 = tumor, with tumor taking precedence where the two overlap.」

Task2 FLARE-AutoMSC（按三子任务组织）：

FLARE-AutoMSC/
├── brain_recurrence_mri/            # 脑癌复发预测（MRI）
│   ├── imagesTr/ labelsTr/          #   体数据 + 分割掩码
│   └── disease_label.*              #   5 年内复发二分类标签
├── lung_nodule_ct/                  # 肺结节诊断（CT）：6,000 训练例
└── liver_metastasis_origin_petct/   # 肝转移来源预测（PET/CT）：245 训练例

（目录名按任务语义示意，实际命名以下载后仓库树为准；三子任务均为「影像 + 掩码 + 分类标签」三件套。）

Task3 FLARE26-MLLM-3D（HF README 官方结构）：

FLARE-Task5-MLLM-3D/                  # 仓库现名 FLARE26-MLLM-3D（改名坑见 §6.5）
├── README.md
├── train/
│   ├── CT-AMOS-1290/                # 源：AMOS（era-ai-biomed.github.io/amos）
│   ├── CT-AMOS-Tr.json              #   报告生成 + VQA 问答对
│   ├── CT-RATE-2000/                # 源：CT-RATE 唯一患者（HF ibrahimhamamci/CT-RATE）
│   └── CT-RATE-Tr.json
├── validation/
│   ├── images/
│   └── val.json
└── （测试集不发布）

Task3 FLARE-MLLM-2D（2D 八模态问答，10,329 文件）：

FLARE-MLLM-2D/
├── README.md
├── train/                           # 按模态组织的 2D 影像 + JSON 问答
│   ├── microscopy/                  #   显微镜（1,000）
│   ├── ultrasound/                  #   超声（700）
│   ├── panoramic_xray/              #   全景 X 光·恒牙检测（1,000）
│   ├── oct/                         #   OCT（100）
│   ├── pathology/                   #   病理·肾小球计数（1,000）
│   ├── endoscopy/                   #   内镜·息肉检测（1,000）
│   ├── ct_2d/                       #   CT 2D 切片问答（10,000 量级）
│   └── mri_2d/                      #   MRI 2D 切片问答（10,000 量级）
└── validation/                      # CT 100 + MRI 100 等

（2D 仓库为 10K<n<100K 样本量级、gated=manual；各模态目录名以下载后仓库树为准——九模态的完整规模口径见 §3.2。）

§4.1 DAIMS 字段字典

Task1 主字段：

字段	类型	取值/格式	说明
case_id	Text	数据集前缀 + 编号	文件名主键
image	ImageObject	NIfTI .nii.gz	CT 体数据，原始 HU
mask	ImageObject+Label	NIfTI，0/1/2	0=背景、1=器官、2=肿瘤（重叠肿瘤优先）
cancer_type	Text	癌种名	per_cancer_type 子集的组织键
organ_mask	ImageObject+Label	NIfTI，0/1/2	仅四类癌种提供（labelsTr_organ）

Task2 字段：

字段	类型	取值/格式	说明
image	ImageObject	NIfTI .nii.gz	CT/MRI/PET 单次扫描
mask	ImageObject+Label	NIfTI	病灶/器官分割掩码
disease_label	Integer+Label	0/1	二分类结局（如 5 年内复发）
task_name	Text	三选一	脑复发/肺结节/肝转移来源

Task3 字段（JSON 问答对）：

字段	类型	说明
Task Type	Text	分类/检测/计数/测量/回归
Modality	Text	CT/MRI/显微镜/超声/X光/OCT/病理/内镜
Input Image Name	Text	影像文件名
Question	Text	自然语言问题
Answer	Text	答案（标签、坐标、数值等）

§4.2 标签分布

Task1 癌种-例数分布（HF README 官方表，全量口径 17,000+；主集 15,000 的最终分布以数据为准）：

癌种	例数	占比（对 17,000+ 口径）
全身泛癌（DeepLesion/autoPETCT/长程 CT/MSWAL）	6,759	~39%
肺癌（六源合并）	5,719	~33%
胰腺癌（四源合并）	1,797	~10%
肝癌（六源合并）	1,631	~9%
淋巴结（两源）	530	~3%
肾癌（KiTS）	488	~3%
头颈癌（SegRap25）	240	~1.4%
食管癌（AbdomenAtlas）	154	~0.9%
结直肠癌（MSD-Colon）	126	~0.7%
子宫内膜癌（AbdomenAtlas）	79	~0.5%

长尾警示：肺+全身两大类占约 72%；子宫内膜癌、结直肠癌、食管癌合计不足 2.5%——直接训练的模型会对头部癌种过拟合，建议配合 per_cancer_type 细分集做类平衡采样（见 §5.2）。

Task2 类分布：官方声明按真实世界分布采样（非平衡）；具体阳性率未公布（提案仅给出例数）。使用时务必以验证集实测分布校准阈值。

§4.3 关键统计

Task1 真例 15,600 = 15,000/100/500（训练/公开验证/隐藏测试）；100% 已标注（提案三任务一致声明）。
Task1 合成增量 30,000 例 = 训练资源池最大可达 45,000 例（15,000 真 + 30,000 合成），为系列史上最大可选训练池。
Task2 患者级 6,710 例 = 6,345/95/270；三模态比 CT:MRI:PET ≈ 6,200:160:350。
Task3 九模态训练问答约 23,800 组（10,000+10,000+1,000+700+1,000+100+1,000+1,000）；3D 子集含 AMOS 1,290 + CT-RATE 2,000。
HF 实体文件数：85,916（Task1）/ 29,059（AutoMSC）/ 3,989+10,329（MLLM-3D/2D）/ 9,494+22（RECIST 系）。
系列规模阶梯：511 → 2,300 → 4,500 → 10,000+CT&4,000+MRI → 10,000+CT&10,000+MRI → 本届 15,600+30,000 合成（仅 Task1）。

§4.4 数据层级

FLARE 2026（挑战赛集合层）
├── Task1 泛癌分割
│   ├── 主集 train_label（部分标注，0/1/2）
│   ├── 细分 train_per_cancer_type（五癌种，四类附器官层）
│   ├── validation（100 例公开）
│   └── test（500 例隐藏）          ← 永不发布
├── Task1 交互线 RECIST-to-3D + Dockers
├── Task2 AutoMSC（三子任务×三件套）
├── Task3 MLLM
│   ├── FLARE26-MLLM-3D（AMOS+CT-RATE，报告+VQA）
│   └── FLARE-MLLM-2D（2D 八模态问答）
└── 合成资源 PASTA-Gen-30K（独立仓库，仅训练）

§4.5 缺失值与信息性缺失编码

部分标注（deliberate partial labeling）：Task1 主集每例仅标注「该例的主要病灶」，其他病灶（尤其转移灶）不标注——这是信息性缺失（informative missingness），背景类≠无病灶。官方 README 明示：「it is partially labeled: only the primary lesion is annotated in each case, while other lesions, such as metastases, may remain unlabeled.」
标签编码约定：掩码中不存在 NaN/-1 之类的缺失码；「未标注 = 0（背景）」是唯一约定，训练损失必须做掩码投影（见 §6.3 部分标签纪律）。
Task2：无缺失值声明；结局窗口（5 年）外的删失处理方式未公布——若做生存分析扩展需回原始临床队列，公开数据只有二值标签。
Task3：问答对完整（100% 标注）；3D 子集中 CT-RATE 筛选的是「有疾病与临床信息的唯一患者」，正常对照人群被系统性排除——做报告生成时注意语料偏倚。

§5 划分与使用建议

§5.1 官方划分

任务	训练	公开验证	隐藏测试	测试发布策略
Task1	15,000（+30,000 合成可选）	100	500	永不发布
Task2 脑复发	100	10	50	永不发布
Task2 肺结节	6,000	50	150	永不发布
Task2 肝转移	245	35	70	永不发布
Task3	约 23,800 问答（3D 子集 3,290 例）	images+val.json	不发布	永不发布

验证集用途：参赛者赛前自评（「We will provide a validation set for participants to pre-evaluate their algorithms. The testing set has the same format as the validation set」）。
正式评测：CodaBench 上提交 Docker，官方隐藏测试集运行。
提交限额：Task3 每队两个 Docker（challenge-data-only 与 publicdata 版本分别计名次）；全系列沿用 Docker 容器提交惯例。

§5.2 社区惯例与策略建议

以下为基于系列前届（2022/2023，库内 rid=387 记载）与本层数据结构的工程建议，非官方指南。

主集+细分集双轨训练：先在 train_label 15,000 例上训练泛癌大模型，再用 per_cancer_type 的器官+肿瘤双掩码（labelsTr_organ）做四癌种的精细化微调——器官层监督被系列前届证明对病灶定位有正迁移（伪标签级联的教训反推：器官→病灶的自顶向下监督是安全的）。
类平衡采样：对 §4.2 长尾分布，按癌种反频次采样或按例数开方加权；DeepLesion 系 6,759 例建议降采样至与肺类可比量级再混合，否则全身泛癌类将主导特征空间。
合成数据作为「增广池」而非「主粮」：PASTA-Gen-30K 官方要求消融——建议三组对照（真例 only / 真例+合成 / 真例+合成按 1:0.5 配比），并把合成增益单独报告；系列历史经验（2023 届病灶伪标签噪声负效应）提示合成掩码的系统性偏差需要量化。
验证集复用纪律：公开验证集仅 100 例（Task1），是赛前唯一合法调参依据——切勿用验证集做模型选择后再报告其成绩（自欺式过拟合）；建议从训练集内部划出自留验证子集做高频迭代，公开验证集只在关键时刻使用。

§5.3 泄漏风险

上游库交叉泄漏：Task1 的上游源（LIDC-IDRI、MSD、KiTS、DeepLesion、autoPET 等）都是公开库——如果你同时在这些库上做过预训练/评测，患者级重叠可能存在（如 DeepLesion 的患者与 LUNA25 的扫描是否去重官方未声明）。用这些库做外部评测前，建议按患者 ID 做交集排查。
AMOS/CT-RATE 与自有预训练集：Task3 3D 子集直接复用 AMOS（库内 rid=76）与 CT-RATE（rid=546）——如果你的基础模型已在 AMOS/CT-RATE 上训练过，再上 Task3 就属于 publicdata 赛道（必须用 teamname_publicdata.tar.gz 提交），否则违反「仅用挑战数据」承诺。
公开验证集与训练集：官方未声明验证 100 例与训练 15,000 例的患者级独立性——按挑战赛惯例应独立，但使用 AutoMSC 三子任务时（脑复发仅 100 训练例）务必实测病例编号是否跨子集重复。
Zenodo/HF 双通道：提案文档与数据分居 Zenodo 与 HF，第三方可能重打包早期版本——引用时认准 FLARE-MedFM 官方组织与 record 19847954，避免混入他人 fork。

§5.4 交叉验证建议

# Task1 自留 5 折切分示意（按癌种分层，避免同类病例跨折泄漏）
import pandas as pd
from sklearn.model_selection import StratifiedGroupKFold

meta = pd.read_csv("train_label/meta.csv")  # columns: case_id, cancer_type, patient_id
sgkf = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=42)
for fold, (tr, va) in enumerate(sgkf.split(meta, meta.cancer_type, groups=meta.patient_id)):
    meta.loc[va, "fold"] = fold
# 关键点：
# 1. groups=patient_id —— 同一患者的多病灶/多期相扫描必须同折；
# 2. stratify=cancer_type —— 保证每折内长尾癌种可见；
# 3. 合成数据（PASTA-Gen-30K）只进训练折，绝不进验证折。

Task2 小样本子集（脑复发 100 例）建议留一法或 5 折重复三次报均值±方差；不要用单一 10 例验证集做任何结论。
Task3 按模态分层：确保每折内九模态都有代表（OCT 仅 100 例，随机切分可能某折为空）。

§5.5 外部验证建议

器官分割基线：AMOS（rid=76）、AbdomenCT-1K（rid=402）、TotalSegmentator（rid=422）——Task1 器官层监督有限（仅四癌种），泛器官性能建议用这三个库交叉验证。
病灶分割基线：DeepLesion（rid=17，弱标注框）、AutoPET 系列（rid=468/678/634，PET 域）、LiTS（rid=81，肝肿瘤）——注意 DeepLesion 是 RECIST 径线弱标注，与 Task1 像素级掩码不可直接比数。
肺结节诊断：LUNA16（rid=237）/LIDC-IDRI（rid=19）——Task2 肺结节子任务的天然外部集，但注意 LIDC-IDRI 本身是 Task1 上游源，需患者级去重后再当外部集。
多模态问答：库内 CT-RATE（rid=546）原始版 vs Task3 筛选子集（唯一患者+疾病信息）——对比实验可量化官方筛选策略的影响。

§5.6 明确不适用场景

场景	不适用原因	替代方案
临床诊断直接部署	挑战赛数据/模型未经前瞻性临床验证；测试集无真实世界部署条件	部署前完成机构内外部验证 + 监管路径评估
商业产品训练	主集 CC-BY-NC-4.0 非商业条款；上游源许可更严者众	商业授权逐源谈判，或用开放许可的替代库
人群筛查阳性率统计	Task2 结局按真实世界分布采样但规模小（三子任务合计 6,710 例），不代表筛查人群	队列级数据（如 NLST 类）
单癌种深度基准	Task1 部分标注设计（仅主病灶）不支持单癌种完整病灶负荷评测	KiTS/LIDC-IDRI/LiTS 等单癌种专项库
病理全切片弱监督	Task3 病理子集是肾小球计数问答（1,000 组），非 WSI 级弱监督	库内 panda-plus 等病理专用条目
纵向生存分析	Task2 仅提供 5 年二值结局，无删失时间/协变量	TCIA 随访类数据集
跨院联邦学习基准	无站点标识字段发布，无法按中心切分做联邦实验	自组多中心合作或 Fed-AMOS 类项目

§5.7 数据完整性自查清单

下载完成后建议执行的最小完整性自查（全部可在数分钟内跑完）：

# 1) 文件数对账（HF API siblings 数 vs 本地文件数）
python -c "
from huggingface_hub import HfApi
import glob
api = HfApi()
n_remote = len(api.list_repo_files('FLARE-MedFM/PancancerCTSeg', repo_type='dataset'))
n_local = len(glob.glob('./PancancerCTSeg/**/*', recursive=True))
print(f'remote={n_remote} local={n_local}')"
# 2) 抽样 NIfTI 可读性 + HU 范围（应含负值，约 -1024 起）
# 3) 掩码值域检查（Task1 应 ⊆ {0,1,2}；出现其他值 = 版本混杂，立即停）
# 4) 记录 commit hash：huggingface-cli scan-cache 或 snapshot_download 返回的 revision
# 5) 患者级泄漏自查：与自有评测集按病例编号/日期求交集（§5.3）

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

# Colab/Kaggle 起步：注册 → HF 授权 → 下载子集 → 校验（约 10 分钟，含人工审批等待时间另计）
# Step 1 官方站注册表单（gated 批准的前置）：https://flare-medfm.github.io/
# Step 2 HF 账号在 FLARE-MedFM/PancancerCTSeg 页面申请访问（gated=auto 自动批准）
export HF_ENDPOINT=https://hf-mirror.com   # 国内镜像加速；正式引用请用 huggingface.co
pip install -U "huggingface_hub[cli]" nibabel torch numpy monai

§6.1 快速上手

# 快速上手：拉取 PancancerCTSeg 肺癌细分子集并做最小 NIfTI 校验
from huggingface_hub import snapshot_download

local_dir = snapshot_download(
    repo_id="FLARE-MedFM/PancancerCTSeg",
    repo_type="dataset",
    local_dir="./PancancerCTSeg",
    allow_patterns=["train_per_cancer_type/lung/*"],  # 先拉单癌种子集，控制流量
    token="hf_xxx",  # gated 数据集需要 token（先在官网注册并通过门禁）
)

# 最小校验：加载一例影像与 0/1/2 掩码
import nibabel as nib
import numpy as np

img = nib.load(f"{local_dir}/train_per_cancer_type/lung/imagesTr/LUNA25_0001.nii.gz")
msk = nib.load(f"{local_dir}/train_per_cancer_type/lung/labelsTr/LUNA25_0001.nii.gz")
arr, lab = img.get_fdata(), np.asarray(msk.dataobj)

print("shape:", arr.shape)                     # 例：(512, 512, N)
print("HU range:", arr.min(), arr.max())       # 应保留原始 HU（含负值，约 -1024 起）
print("labels:", np.unique(lab))               # 应 ⊆ {0,1,2}；确认肿瘤标签存在
print("affine diag:", np.diag(img.affine)[:3]) # 系列惯例 RAS：对角线应接近正值
# 若 affine 对角线出现负值 → 方向非 RAS，重采样前先做方向标准化（继承系列坑点）

§6.2 数据获取

仓库	门禁	批准方式	获取动作
FLARE-MedFM/PancancerCTSeg	gated=auto	注册表单后自动批准	`snapshot_download(repo_id=..., token=...)`
FLARE-MedFM/PancancerRECIST-to-3D	gated=auto	同上	同上
FLARE-MedFM/FLARE-Task1-PancancerRECIST-to-3D-Dockers	gated=False	无需申请	直接 clone（参赛提交样例）
FLARE-MedFM/FLARE-AutoMSC	gated=manual	人工审核	提交申请后等待批准邮件
FLARE-MedFM/FLARE26-MLLM-3D	gated=manual	人工审核	同上
FLARE-MedFM/FLARE-MLLM-2D	gated=manual	人工审核	同上
LWHYC/PASTA-Gen-30K（合成 CT）	另行查看	独立仓库	独立申请

# 仓库改名兼容：旧名 FLARE-Task1-Pancancer / FLARE-Task5-MLLM-3D 会被 HF 重定向，
# 但脚本中请写现名，避免未来重定向失效：
REPOS = {
    "task1": "FLARE-MedFM/PancancerCTSeg",          # 旧: FLARE-Task1-Pancancer
    "task2": "FLARE-MedFM/FLARE-AutoMSC",
    "task3_3d": "FLARE-MedFM/FLARE26-MLLM-3D",      # 旧: FLARE-Task5-MLLM-3D
    "task3_2d": "FLARE-MedFM/FLARE-MLLM-2D",
    "recist": "FLARE-MedFM/PancancerRECIST-to-3D",
}

合成数据仓库（PASTA-Gen-30K，独立于 FLARE-MedFM 组织）：

# 30,000 例扩散模型合成 CT（LWHYC/PASTA-Gen-30K）——仅限训练 + 强制消融（坑点 4）
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id="LWHYC/PASTA-Gen-30K",
    repo_type="dataset",
    local_dir="./PASTA-Gen-30K",
    allow_patterns=["*.json", "subset_0/*.nii.gz"],  # 建议先拉 1-2 千例试验合成数据增益
)
# 实验设计提醒：合成数据效应的三组对照（真例 only / 真例+合成全量 / 真例+合成减半）
# 必须在论文与参赛报告中显式呈现——官方提案原文要求（proposal, Task1 节）。

§6.3 预处理全流程

# 预处理：HU 裁剪 + z-score + 重采样（沿用系列参赛队成熟范式）
# 官方仅承诺「保留原始 HU」；方向与 spacing 未做统一承诺，以下流程自行兜底。
import numpy as np
import nibabel as nib
from scipy.ndimage import zoom

HU_MIN, HU_MAX = -175.0, 250.0   # 系列前届腹部软组织窗常用值；Task1 含肺/全身，可放宽至 -1024/600

def preprocess(img_path, msk_path, target_spacing=(0.8, 0.8, 1.5)):
    img, msk = nib.load(img_path), nib.load(msk_path)
    # 1) 方向标准化到 RAS（officially unverified for 2026, self-check）
    img = nib.as_closest_canonical(img); msk = nib.as_closest_canonical(msk)
    a, l = img.get_fdata(), np.asarray(msk.dataobj)
    # 2) HU 裁剪 + z-score
    a = np.clip(a, HU_MIN, HU_MAX)
    a = (a - a.mean()) / (a.std() + 1e-8)
    # 3) 各向异性重采样：影像线性插值，掩码最近邻（标签不可插值！）
    sp = np.abs(np.diag(img.affine)[:3])          # 原始 spacing（mm）
    factors = sp / np.array(target_spacing)
    a = zoom(a, factors, order=1)
    l = zoom(l, factors, order=0).astype(np.uint8)
    return a.astype(np.float32), l

# 部分标签纪律（系列 2023 届最大教训，2026 主集仍是部分标注）：
# 损失只在「该例已标注类」上计算；未标注类通道不回传梯度。
def build_allow_mask(label_arr, cancer_type):
    # 主集 0/1/2 语义下：背景与肿瘤类永远参与损失；
    # organ 通道仅当该例来自 labelsTr_organ 子集时启用。
    allow = {0: True, 1: cancer_type in ("lung", "liver", "pancreatic", "kidney"), 2: True}
    return allow

§6.4 PyTorch DataLoader 完整代码

# 依赖: pip install nibabel torch numpy monai
# 场景: Task1 泛癌分割——部分标签安全的多类 Dice+CE 联合损失
import glob, os, random
import numpy as np
import nibabel as nib
import torch
from torch.utils.data import Dataset, DataLoader

class PanCancerSeg(Dataset):
    """Task1 部分标注感知的泛癌分割 Dataset。
    目录预期:
      root/train_per_cancer_type/{lung,liver,pancreatic,kidney}/
        ├── imagesTr/{case}.nii.gz
        ├── labelsTr/{case}.nii.gz        (0/1/2)
        └── labelsTr_organ/{case}.nii.gz  (0/1/2, organ+tumor, 仅四类癌种)
    """
    ORGAN_OK = {"lung", "liver", "pancreatic", "kidney"}

    def __init__(self, root, cancer_types=("lung", "liver"), slice_2d=False,
                 hu_min=-175.0, hu_max=250.0):
        self.items = []
        for ct in cancer_types:
            for img in glob.glob(os.path.join(root, "train_per_cancer_type", ct, "imagesTr", "*.nii.gz")):
                case = os.path.basename(img).removesuffix(".nii.gz")
                self.items.append({"cancer": ct, "case": case,
                                   "img": img,
                                   "msk": os.path.join(root, "train_per_cancer_type", ct, "labelsTr", f"{case}.nii.gz"),
                                   "organ": os.path.join(root, "train_per_cancer_type", ct, "labelsTr_organ", f"{case}.nii.gz")})
        self.slice_2d, self.hu = slice_2d, (hu_min, hu_max)

    def __len__(self):
        return len(self.items)

    @staticmethod
    def _norm(a, hu):
        a = np.clip(a, hu[0], hu[1])
        return (a - a.mean()) / (a.std() + 1e-8)

    def __getitem__(self, i):
        it = self.items[i]
        img = nib.as_closest_canonical(nib.load(it["img"]))
        lab = nib.as_closest_canonical(nib.load(it["msk"]))
        a = self._norm(img.get_fdata(), self.hu)
        l = np.asarray(lab.dataobj).astype(np.int64)
        # 通道语义: ch0=bg, ch1=organ(若 organ 掩码存在), ch2=tumor
        has_organ = it["cancer"] in self.ORGAN_OK and os.path.exists(it["organ"])
        if has_organ:
            organ = np.asarray(nib.as_closest_canonical(nib.load(it["organ"])).dataobj).astype(np.int64)
            l = np.maximum(l, organ)          # 肿瘤优先原则与官方一致
        allow = torch.tensor([True, has_organ, True])   # 未标注通道不回传梯度
        if self.slice_2d:                               # 2D 切片模式: 随机取一非空层
            nz = np.where(l.reshape(l.shape[0], -1).max(1) > 0)[0]
            k = int(random.choice(nz)) if len(nz) else l.shape[0] // 2
            a, l = a[..., k], l[..., k]
            a, l = a[None], l[None]
        else:
            a, l = a[None], l[None]                     # 3D 单通道
        return {"image": torch.from_numpy(a.copy()).float(),
                "label": torch.from_numpy(l.copy()).long(),
                "allow": allow,
                "cancer": it["cancer"], "case": it["case"]}

def masked_dice_ce_loss(logits, target, allow, n_classes=3, eps=1e-6):
    """部分标签安全: 仅在 allow=True 的类上计算损失（2023 届参赛队一致实践）。"""
    ce = torch.nn.functional.cross_entropy(logits, target, reduction="mean")
    prob = torch.softmax(logits, dim=1)
    dices = []
    for c in range(n_classes):
        if not allow[c]:
            continue
        p, t = prob[:, c], (target == c).float()
        inter = (p * t).sum()
        dices.append(1.0 - (2 * inter + eps) / (p.sum() + t.sum() + eps))
    return ce + torch.stack(dices).mean()

# 用法
# ds = PanCancerSeg("./PancancerCTSeg")
# dl = DataLoader(ds, batch_size=2, num_workers=4, shuffle=True)
# for batch in dl:
#     logits = model(batch["image"].cuda())            # (B,3,D,H,W)
#     loss = masked_dice_ce_loss(logits, batch["label"].cuda(), batch["allow"][0])
#     loss.backward()

# Task3 VQA 数据对加载示意（MLLM 指令微调格式）
import json
with open(f"{local_dir}/train/CT-AMOS-Tr.json") as f:
    vqa = json.load(f)
# 每条: {"Task Type": "...", "Modality": "CT", "Input Image Name": "...",
#        "Question": "...", "Answer": "..."}
# 直接映射为 chat 模板: system=任务描述, user=影像+Question, assistant=Answer

§6.4b Task2 AutoMSC：联合分割分类模型与多任务损失

Task2 的核心工程挑战是「单模型双输出 + 自动配置」。以下给出一个 nnU-Net 风格的最小可扩展骨架（U-Net 编码器共享 + 分割头/分类头并行 + 自适应配置推断），以及部分标签安全的多任务损失：

# 依赖: torch >= 2.0
# 场景: Task2 AutoMSC —— 联合 3D 分割 + 疾病二分类（脑复发/肺结节/肝转移三子任务通用）
import torch
import torch.nn as nn
import torch.nn.functional as F

class AutoMSCNet(nn.Module):
    """共享编码器 + 双头：分割头（逐体素）与分类头（全局池化）。
    num_seg_classes 按子任务设定（如肺结节 0=bg/1=nodule；
    organ 通道缺失的子任务用 masked loss 屏蔽，见 build_task_allow()）。"""
    def __init__(self, in_ch=1, base=32, num_seg_classes=2, num_cls_classes=2):
        super().__init__()
        def blk(i, o):
            return nn.Sequential(
                nn.Conv3d(i, o, 3, padding=1), nn.InstanceNorm3d(o), nn.LeakyReLU(0.01),
                nn.Conv3d(o, o, 3, padding=1), nn.InstanceNorm3d(o), nn.LeakyReLU(0.01))
        self.enc1, self.enc2, self.enc3 = blk(in_ch, base), blk(base, base*2), blk(base*2, base*4)
        self.pool = nn.MaxPool3d(2)
        self.bottleneck = blk(base*4, base*8)
        self.dec3, self.dec2, self.dec1 = blk(base*8, base*4), blk(base*4, base*2), blk(base*2, base)
        self.up3, self.up2 = nn.ConvTranspose3d(base*8, base*4, 2, 2), nn.ConvTranspose3d(base*4, base*2, 2, 2)
        self.seg_head = nn.Conv3d(base, num_seg_classes, 1)
        self.cls_head = nn.Sequential(nn.AdaptiveAvgPool3d(1), nn.Flatten(),
                                      nn.Linear(base*8, base*4), nn.GELU(),
                                      nn.Dropout(0.3), nn.Linear(base*4, num_cls_classes))

    def forward(self, x):
        e1 = self.enc1(x); e2 = self.enc2(self.pool(e1)); e3 = self.enc3(self.pool(e2))
        b = self.bottleneck(self.pool(e3))
        d3 = self.dec3(torch.cat([self.up3(b), e3], dim=1))
        d2 = self.dec2(torch.cat([self.up2(d3), e2], dim=1))
        d1 = self.dec1(torch.cat([F.interpolate(d2, size=e1.shape[2:], mode="trilinear",
                                                align_corners=False), e1], dim=1))
        return self.seg_head(d1), self.cls_head(x if False else b)  # cls 用 bottleneck 全局特征

def automsc_loss(seg_logits, cls_logits, seg_mask, cls_label,
                 seg_present=None, w_seg=1.0, w_cls=1.0, eps=1e-6):
    """多任务联合损失：
    - 分割：Dice+CE，仅在 seg_present=True 的类上计算（Task2 每例自带分割掩码，
      但部分器官通道可能缺失——与 Task1 同源的 masked 纪律）；
    - 分类：标签平滑 BCE（真实世界不均衡，禁用裸 accuracy 评估）。
    seg_present: len=num_seg_classes 的 bool 列表，False 的通道不回传梯度。"""
    ce = F.cross_entropy(seg_logits, seg_mask, reduction="mean")
    prob = torch.softmax(seg_logits, dim=1)
    dices = []
    for c in range(prob.shape[1]):
        if seg_present is not None and not seg_present[c]:
            continue
        p, t = prob[:, c], (seg_mask == c).float()
        dices.append(1.0 - (2 * (p * t).sum() + eps) / (p.sum() + t.sum() + eps))
    seg_loss = ce + torch.stack(dices).mean()
    cls_loss = F.cross_entropy(cls_logits, cls_label, label_smoothing=0.05)
    return w_seg * seg_loss + w_cls * cls_loss, {"seg": seg_loss.item(), "cls": cls_loss.item()}

# 自配置钩子（AutoMSC 的精神：让模型/管线自己推断配置，而非人工逐任务调参）
def build_task_allow(task_name):
    """三子任务的通道可用性配置推断示意：
    官方每例同时携带分割掩码与疾病标签，但掩码类目随子任务不同——
    生产实现应从数据侧自动探测 unique labels 而非硬编码。"""
    return {
        "brain_recurrence_mri": [True, True],      # bg + 肿瘤
        "lung_nodule_ct":       [True, True],      # bg + 结节
        "liver_metastasis_origin_petct": [True, True],
    }.get(task_name, [True, True])

# 冒烟测试（提交前必做——缺例=最大秩，见坑点 7）
# model = AutoMSCNet(num_seg_classes=2).cuda()
# seg_logits, cls_logits = model(batch["image"].cuda())
# assert seg_logits.shape[2:] == batch["image"].shape[2:]   # 分辨率对齐
# loss, parts = automsc_loss(seg_logits, cls_logits,
#                            batch["mask"].cuda(), batch["disease"].cuda(),
#                            seg_present=build_task_allow(batch["task"][0]))
# loss.backward()   # 双任务梯度共存即通过

§6.5 坑点 8 个

坑点 1：规模口径三岔口——官网 11,000+ / HF README 17,000+ / 提案 15,600
同一 Task1 数据集在官方站写「11,000+ labeled cancer CT scans」，HF README 写「We have curated over 17,000 labeled cancer CT scans」，结构化提案写「total number of cases is 15,600（15,000/100/500）」。三处都不是错：官网口径可能取自去重后的唯一病例数，HF 口径可能含 per_cancer_type 细分重复计数或后续扩充。写论文引用时以提案硬数字为主口径并注明「官方多口径并存」，别拿 11,000 当 17,000 的矛盾去质疑官方——两个页面都是官方。
（来源：https://flare-medfm.github.io/ / https://huggingface.co/datasets/FLARE-MedFM/FLARE-Task1-Pancancer / https://zenodo.org/records/19847954）

坑点 2：提案 venue 字段写 MICCAI 2025——模板沿用笔误，不是降级举办
提案「Challenge venue and platform a) Report the event」填的是「MICCAI 2025」，但同文档 Year=2026、Zenodo keywords 含「MICCAI 2026 challenge」、MICCAI 2026 官方 45 挑战赛列表（编号 1）都指向 2026。这是 BIAS 模板逐届复用的笔误。同理，提案正文「similar to the MICCAI FLARE 2023-2025 Challenge」是历史参照而非届次混淆。判定届次看 Zenodo keywords 与 MICCAI 官方列表，别被 venue 字段带偏。
（来源：https://zenodo.org/records/19847954 / https://conferences.miccai.org/2026/en/challenges.asp）

坑点 3：HF 仓库改名与 Task 编号漂移——旧链接会活，但别写进脚本
Task1 数据集现名 PancancerCTSeg，搜索引擎与部分官方宣传里是 FLARE-Task1-Pancancer（HF 自动重定向至今有效）；Task3 的 3D 仓库现名 FLARE26-MLLM-3D，旧名 FLARE-Task5-MLLM-3D 同样可访问。Task 编号两套体系并存：2025 届六任务编号里 MLLM 是 Task5，2026 届三任务编号里它是 Task3。引用时必须区分届次，脚本里一律写现名（见 §6.2 REPOS 字典）。
（来源：HF API 实测 2026-10-09 / 搜索结果双 URL 并存）

坑点 4：合成 CT 不是「白送的免费午餐」——官方强制消融 + 仅限训练
PASTA-Gen-30K 的 30,000 例合成扫描只能进训练集，测试集全部是真实扫描；且提案原文要求「Participants are required to conduct ablation studies to validate the effect of using synthetic data during model training」——参赛报告不做合成数据消融可能直接影响评审。方法学上，扩散模型合成掩码的系统偏差（病灶形状/边缘过度平滑）在系列历史上有前车之鉴：2023 届病灶伪标签让迭代 SSL 队伍 DSC 只有 37.85%。把合成池当增广而非主粮，并单独报告其增益。
（来源：https://zenodo.org/records/19847954 / https://huggingface.co/datasets/LWHYC/PASTA-Gen-30K）

坑点 5：Task2 是「分割+分类」联合任务——单头模型直接出局
AutoMSC 要求同一模型同时输出高质量分割掩码与疾病二分类标签（脑复发/肺结节/肝转移来源三选一或全覆盖），且自动推断全部配置。只做分割或只做分类的现成 pipeline 无法参赛；标签是 5 年窗口的临床结局（真实世界不均衡分布），分类指标必须报 PR-AUC/F1 而非 accuracy。另注意：提案规模表只列三子任务，但正文还出现了「前列腺癌复发预测 MRI」示例——以规模表三任务为准，前列腺为潜在扩充方向（提案明示 3 月 31 日前可能加数据，且 HF AutoMSC 最后修改 2026-07-23 晚于开赛）。
（来源：https://zenodo.org/records/19847954 / https://huggingface.co/datasets/FLARE-MedFM/FLARE-AutoMSC）

坑点 6：数据在赛期内持续更新——冻结你的本地版本
HF 实测 lastModified：FLARE26-MLLM-3D 2026-04-19、FLARE-MLLM-2D 2026-05-05、FLARE-AutoMSC 2026-07-23、PancancerCTSeg 2026-09-15（测试截止当日仍在变）。提案也预告 Task2 数据会扩充（「will be determined by March 31」——实际持续到 7 月）。任何实验结果必须记录数据集 commit hash / lastModified 时间戳，否则复现对不上；同理，第三方论文若未报时间戳，其数字与你本地数据不可比。
（来源：HF API 逐仓实测 2026-10-09）

坑点 7：rank-then-aggregate 的零值惩罚——缺例即垫底
排名方法为三步秩平均（每测试例×每指标排名 → 平均），且「missing results on test cases will result in the ranks being set to the maximum (the number of teams)」——一例运行失败 = 该指标所有测试例按全员垫底计。官方不提供部分成绩保护。工程含义：提交 Docker 前必须在验证集上做全例冒烟测试（OOM 兜底、异常体数据 try-except 降级输出空掩码都比缺例强——空掩码至少有成绩，缺例直接最大秩）。
（来源：https://zenodo.org/records/19847954 Ranking method(s) 节）

坑点 8：license 拼图——主集 CC-BY-NC 不等于万物 NC
五个仓库实测：PancancerCTSeg / FLARE26-MLLM-3D / FLARE-MLLM-2D = CC-BY-NC-4.0；PancancerRECIST-to-3D = CC-BY-NC-SA-4.0（ShareAlike 传染性！）；FLARE-AutoMSC 的 HF cardData 未标 license（其余都标了）；RECIST-Dockers gated=False 未标。且 Task1 上游 20+ 源许可五花八门（DeepLesion open、PanTS CC-BY-NC-ND、KiTS CC-BY-NC-SA……），聚合标注的 NC 不改变上游更严条款的约束力。商用或再分发前逐源核查；CC-BY-NC-SA 子集的衍生数据必须同许可共享。
（来源：HF API cardData 逐条实测 2026-10-09 / https://huggingface.co/datasets/FLARE-MedFM/FLARE-Task1-Pancancer 许可表）

§6.6 数据增强

# 推荐增强栈（MONAI 实现）：3D 影像与掩码同步变换，掩码用最近邻
from monai.transforms import Compose, RandAffineD, RandGaussianNoised, RandAdjustContrastd

train_tf = Compose([
    RandAffineD(keys=["image", "label"], prob=0.8, rotate_range=(0.2, 0.2, 0.2),
                translate_range=(16, 16, 8), scale_range=(0.1, 0.1, 0.1),
                mode=("bilinear", "nearest"), padding_mode="border"),
    RandGaussianNoised(keys=["image"], prob=0.2, std=0.01),
    RandAdjustContrastd(keys=["image"], prob=0.2, gamma=(0.8, 1.2)),
])
# 系列经验（2023 届冠军 aladdin5 口径）：强度类增强克制、几何类增强激进；
# 合成 CT（PASTA-Gen）若混入训练，建议对其单独施加更重增强以弥合域差。

§6.7 模型推荐

场景	推荐架构	依据
Task1 泛癌分割主力	nnU-Net（v2 自配置）+ 滑窗 3D 推理	系列前届冠军全为 nnU-Net 变体（aladdin5/citi/blackbean）；Task2 的精神内核即 nnU-Net 的自动化
Task1 大模型路线	SegResNet / MedNeXt 大容量变体 + per_cancer_type 微调	多癌种特征空间大，容量与分层微调收益明显
Task2 AutoMSC	nnU-Net 配置推断骨架 + 分类头共享编码器	官方动机对标 nnU-Net；多任务损失见 §6.4 masked_dice_ce + BCE
Task3 MLLM	医疗 3D MLLM（CT2Rep/Generatect 系路线，官方 README 引用）+ 2D 通用 VLM LoRA	官方引用 CT2Rep（MICCAI 2024）、Generatect（ECCV 2024）、AMOS（NeurIPS 2022）作为方法学锚点
效率敏感部署	系列前届小模型配方：目标 spacing [4.0, 1.2, 1.2] mm 放大层厚换速度	FLARE22/23 参赛队实践（库内 rid=387 坑点 6 同源）

§6.8 硬件需求

官方评测环境（系列沿袭口径）：Ubuntu + Xeon 级 CPU + Quadro RTX5000 16 GB + 32 GB 内存量级；效率指标计运行时间与 GPU 显存-时间曲线下面积。
训练侧：Task1 全量（45,000 例级）建议 A100/H100 80 GB 多卡；10 万体素级 3D patch 单卡 24 GB 可跑（batch 1-2 + 梯度累积）。
下载侧：PancancerCTSeg 85,916 文件为 TB 级仓库，务必 allow_patterns 分批拉取；gated 仓库下载需 token。
推理提交：Docker 内显存上限沿用系列 4 GB 级约束（2026 提案未重申具体数值，以各 task 平台公布为准——遗留核对点）。

§6.9 评估指标代码

# DSC 与 NSD —— FLARE 官方两大精度指标（提案明确口径）；效率另计 Runtime 与 GPU 显存曲线
import numpy as np

def dice(pred, gt, eps=1e-6):
    p, t = pred.astype(bool), gt.astype(bool)
    return (2 * (p & t).sum() + eps) / (p.sum() + t.sum() + eps)

def nsd(pred, gt, tolerance_mm=1.0, spacing=(1.0, 1.0, 1.0), eps=1e-6):
    """Normalized Surface Dice（Metrics Reloaded 口径）。
    boundary 距离用表面点集的对称 Hausdorff 距离近似——
    实际参赛建议直接用官方评测代码（随训练数据发布，提案承诺）。"""
    from scipy.ndimage import distance_transform_edt
    p, t = pred.astype(bool), gt.astype(bool)
    if not p.any() and not t.any():
        return 1.0
    dp = distance_transform_edt(~p, sampling=spacing)
    dt = distance_transform_edt(~t, sampling=spacing)
    surf_p = p ^ _erode(p); surf_t = t ^ _erode(t)
    dist_pt = dt[surf_p]; dist_tp = dp[surf_t]
    return ((dist_pt <= tolerance_mm).sum() + (dist_tp <= tolerance_mm).sum()) / \
           (surf_p.sum() + surf_t.sum() + eps)

def _erode(m):
    from scipy.ndimage import binary_erosion
    return binary_erosion(m)

# 官方排名：Step1 每例每指标 → Step2 秩 → Step3 平均（Wiesenfarth 2021）；
# 缺失结果 = 最大秩（全员垫底），务必全例输出（见坑点 7）。

# rank-then-aggregate 排名复现（对齐提案三步法，供自评与论文复现）
import numpy as np
import pandas as pd

def rank_then_aggregate(results: pd.DataFrame, higher_better=True):
    """results: index=team, columns=MultiIndex(case_id, metric) 的长表；
    缺失（NaN）按最大秩计——与官方「missing results get zero value / max rank」一致。"""
    metrics = results.columns.get_level_values(1).unique()
    all_ranks = []
    for case in results.columns.get_level_values(0).unique():
        for m in metrics:
            col = results[(case, m)]
            ranks = col.rank(ascending=not higher_better, na_option="max")  # 缺失=最大秩
            all_ranks.append(ranks)
    final = pd.concat(all_ranks, axis=1).mean(axis=1).sort_values()
    return final   # 越小越好；官方最终名次即此平均秩

# 效率指标：GPU 显存-时间曲线下面积（每 0.1 s 采样，官方惯例）
import threading, time, torch

class GpuMemRecorder(threading.Thread):
    def __init__(self, interval=0.1):
        super().__init__(); self.interval = interval; self.samples = []; self._stop = False
    def run(self):
        while not self._stop:
            self.samples.append(torch.cuda.memory_allocated() / 1024**2)  # MiB
            time.sleep(self.interval)
    def stop(self):
        self._stop = True; self.join()
# auc = np.trapz(rec.samples, dx=0.1)  # MiB·s，越小越好；与 runtime 一起构成效率排名

§6.10 MLOps 笔记

版本指纹：数据（HF commit hash + lastModified）、代码（git SHA）、配置（yaml）三元组随每次实验落盘——数据在赛期内持续更新（坑点 6），没有指纹的结果不可复现。
Docker 提交纪律：官方评测只认 Docker；Task3 双版本（challenge-data-only / publicdata）要在镜像层严格隔离公开数据依赖，避免「声明仅用挑战数据却带了预训练权重」的资格风险——预训练权重的边界以各 task 平台规则为准。
失败兜底：缺例=最大秩（坑点 7），推理容器内逐例 try-except，失败输出空掩码兜底并记日志。
评测代码即真相：官方评估软件随训练数据发布（提案承诺）——本地指标与官方不一致时以官方为准，NSD 容差与表面定义别自作主张。
结果窗口：2026-10-04/08 公布结果；之后平台 Open call 继续开放提交——赛后复赛性质的持续评测意味着「榜单数字」有日期属性，引用必须带时点。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚	表现	缓解建议
癌种长尾	肺+全身泛癌占约 72%，子宫内膜/结直肠/食管合计 <2.5%（§4.2）	per_cancer_type 类平衡采样；长尾类单独报告
头部数据源主导	DeepLesion 单源 5,000 例（占 17,000+ 口径的 ~29%）	按源加权；评估时分源报告
部分标注系统性偏置	仅主病灶标注 → 模型学会「见未标注即背景」	masked loss（§6.3）；绝不做全背景假设
真实世界不均衡（Task2）	结局标签按自然分布（阳性率未公布）	PR-AUC/F1；阈值在验证集校准
模态样本失衡（Task3）	CT/MRI 各 10,000 vs OCT 100	按模态分层采样与评测
地域与设备	50+ 中心但未公布分布表；多厂商混合	外部验证（§5.5）；分域泛化实验
合成数据域差	PASTA-Gen 扩散模型伪影/过度平滑风险	域差量化（MMD/分类器判别）；官方强制消融

§7.2 标注质量

流程级证据：Task1 真例经五折交叉质控 + DSC<0.75 强制复查 + 资深放射科医师 3D bbox + MedSAM 预分割 + 人工精修（提案原文），是系列迄今最严格的公开标注流水线描述。
合成标注：PASTA-Gen-30K 的掩码为模型生成，无人工质控声明——这是全数据集质量链条中最弱一环，仅限训练且强制消融的要求官方自己已给出风险提示。
Task3 措辞修复：官方 README 声明问答 JSON「minor wording issue is also fixed」——早期下载的问答对可能含旧版措辞，跨版本对比时注意。
一致性系数量级未公布：无 inter-rater κ/DSC 分布数据——引用标注质量只能引流程，不能引数字。

§7.3 泛化性

跨癌种泛化是 Task1 的立题之本（提案 novelty 第一条：「cross-disease lesion generalization rather than single-organ or single-tumor segmentation」）——评测时建议构造「留一癌种」协议（训练时剔除某癌种，测试时专测）量化泛化衰减。
跨模态泛化：Task2 三模态独立子任务设计（而非混合训练）意味着模态间泛化没有官方基准——用 CT→MRI 域自适应的系列经验（2024/2025 届 UDA 子任务）做自测更可靠。
跨中心泛化：系列前届外部验证显示区域间中位 DSC 差约 1.5 个百分点（FLARE22：北美 89.4%/欧洲 90.0%/亚洲 88.5%，库内 rid=387）——本届 50+ 中心规模更大，区域差可参照此量级预期。

§7.4 伦理

提案伦理声明：数据整理自公共领域（CC-BY-NC 系）与全球数据贡献者，合作医院数据经许可引入（license permission）；公开 NIfTI 不含 DICOM 头部元数据与个人标识。
上游公共库（LIDC-IDRI、MSD、DeepLesion 等）各自完成过 IRB/去标识流程；Task2 复发结局标签来自临床随访，其具体 IRB 批件号未在提案中列出（提案按 BIAS 模板勾选了伦理说明段落）。
NC（非商业）约束是硬边界：模型权重商用衍生需逐源核查，CC-BY-NC-SA 子集的 ShareAlike 传染性见坑点 8。

§7.5 公平性

任务设计层面：low-resource 主题（laptop 分割血统）本身就是公平性议程——把 SOTA 分割能力带给无力购买 GPU 的机构。
数据层面：未公布人群属性（年龄/性别/地域分布）统计——按库内同类条目惯例，评估公平性需要自建子群体切片；DeepLesion 等上游库的人群偏倚会传导进 Task1。
语言层面：Task3 问答对为英文——中文临床场景部署需自行评估跨语言性能损失。

§7.6 数据漂移

赛期内数据持续更新（2026-04-19 至 2026-09-15，坑点 6）——同一「FLARE 2026」名义下至少存在四个数据快照版本，跨版本数字漂移已发生。
上游库自身版本更迭（如 LUNA25 迭代、KiTS 系列演进）会随上游同步进入 Task1——血缘追踪（§3.10）是漂移审计的基础设施。
合成数据域差本身就是一种「主动漂移」：PASTA-Gen 的分布是扩散模型学到的「训练分布再生成」，长尾癌种的合成保真度最可疑。

§7.7 DAIMS 数据质量评估

DAIMS（数据集 AI-Ready 度量表）— FLARE 2026 三任务综合评估

维度	Task1 泛癌分割	Task2 AutoMSC	Task3 多模态解析	说明
D1 可获取性	★★★☆☆	★★★☆☆	★★★☆☆	HF gated（auto/manual 两级）+ 官网注册前置；非直链
D2 许可清晰度	★★★☆☆	★★☆☆☆	★★★☆☆	主集 NC 明确；AutoMSC 未标 license；上游 20+ 源许可混合
D3 格式标准化	★★★★☆	★★★★☆	★★★★☆	NIfTI 统一 + HU 保留；JSON 问答字段规范；方向/RAS 未承诺
D4 标注完整性	★★★☆☆	★★★★☆	★★★★☆	Task1 部分标注（设计使然）；Task2 双标注齐备；Task3 100% 问答
D5 标注质量	★★★★☆	★★★☆☆	★★★☆☆	五折质控+专家精修（流程级）；无一致性系数；合成掩码弱环
D6 文档完备度	★★★★☆	★★★☆☆	★★★★☆	HF README 癌种表详尽；AutoMSC 文档最薄；提案 44 页顶格
D7 版本管理	★★★☆☆	★★☆☆☆	★★★☆☆	HF 有 lastModified 但无 release/changelog；赛期持续变更
D8 评测可复现	★★★★☆	★★★★☆	★★★★☆	评估软件随数据发布；rank-then-aggregate 规则白纸黑字
综合	3.5/5	3.3/5	3.6/5	AI-Ready 光谱定位：研究级可用、生产级需补工程（gated/版本/许可三座桥）

§7.8 外部验证矩阵

外部集	库内 rid	验证方向	注意
AMOS	76	Task3 3D 源数据反查 / 器官分割基线	已是 Task3 成分，仅作一致性校验
AbdomenCT-1K	402	器官分割泛化	FLARE22 标注来源（研究用途条款）
TotalSegmentator	422	全身结构分割 / Task3 伪标签核对	CC-BY-NC-SA
DeepLesion	17	泛癌病灶检测	RECIST 弱标注，与像素掩码不可直接比
LUNA16 / LIDC-IDRI	237 / 19	肺结节（Task2 外部）	LIDC 已是 Task1 上游源，需患者去重
AutoPET I/II/III/V	468 / 678 / 634	PET 病灶（Task1 autoPETCT 子集血缘）	域差异大（PET vs CT）
LiTS	81	肝肿瘤分割基线	系列历史数据源
KiTS23	698	肾肿瘤分割基线	KiTS 原库为 Task1 上游源

§8 基准性能与生态

§8.1 排行榜

FLARE 2026 届榜单：截至本条目检索时点（2026-10-09）尚未公布——官方结果公布档期为 2026-10-04/08，卫星事件报告在 MICCAI 2026 Satellite Event（top 队伍获邀）。本节不编造任何 2026 届成绩；请以 flare-medfm.github.io 与各 CodaBench 任务平台公告为准。

系列前届参照基准（用于预期管理，详见库内 rid=387 条目）：

届次	冠军/头部成绩	备注
FLARE 2022	决赛中位 DSC 90.0%（IQR 87.4-91.3）；外部验证北美 89.4%/欧洲 90.0%/亚洲 88.5%	Lancet Digital Health 2024 总结
FLARE 2023	冠军 aladdin5：器官平均 DSC 92.3%、病灶平均 DSC 64.9%、平均推理 8.58 s、4 GB 显存内	arXiv 2408.12534
系列效率标杆	13 器官+多病灶、>100 万体素 3D CT、10 秒内	2026 提案复述的系列成就线

解读基线：病灶分割（64.9%）与器官分割（92.3%）之间的鸿沟是系列最稳定的结构性现象——2026 届 Task1 若延续隐藏测试设计，泛癌病灶 DSC 预计仍是「及格容易高分难」的形态；Task2/Task3 为首设任务，无历史水位。

§8.2 SOTA 总结与选型建议

要刷 Task1：nnU-Net v2 起步 → per_cancer_type 双掩码微调 → 合成数据小比例混入 + 强制消融；效率预算（10 s 量级）内做滑窗分辨率权衡。
要刷 Task2：把 nnU-Net 的「配置推断」泛化到「分割+分类双头」，三子任务共享骨干、任务自适应头；小样本子集（脑复发 100 例）重点设计数据增广与早停策略。
要刷 Task3：3D 侧（AMOS+CT-RATE）走报告生成+VQA 联合训练的 3D MLLM 路线；2D 八模态用通用 VLM + LoRA 按模态分层；务必双 Docker 策略（challenge-only 与 publicdata）。
只做研究不参赛：数据集在赛后 Open call 下持续可用，引用时带数据快照时间戳即可。

§8.3 评测协议

平台：CodaBench（每 task 独立平台；系列 2023-2025 同款路线）。
提交物：Docker 容器（Task3 双版本制，见坑点 8 关联说明与 §6.10 MLOps）。
精度指标：DSC + NSD；效率指标：Runtime + GPU memory-time 曲线下面积；Task3 另含问答任务对应指标。
排名：rank-then-aggregate（每例每指标 → 秩 → 平均；Wiesenfarth 2021）；缺失=最大秩。
诚实性约束：Top 5 强制开源；官方评测软件随训练数据发布；结果 2026-10-04/08 公布，赛后 Open call。
报告义务：合成数据消融（Task1）；「仅用挑战数据」声明（Docker 版本制）。

数据集	rid	关系
FLARE 2022/2023	387	直接前作：系列 2-3 届；本条目 Task1 标签体系与效率考核的直接血缘
AMOS	76	Task3 MLLM-3D 训练源（CT-AMOS-1290）
CT-RATE	546	Task3 MLLM-3D 训练源（CT-RATE-2000 唯一患者子集）
DeepLesion	17	Task1 最大单一上游源（5,000 例）
LIDC-IDRI / LUNA16	19 / 237	Task1 肺癌源血缘 / Task2 肺结节外部验证
KiTS / KiTS23	80 / 698	Task1 肾癌源（KiTS）与同届生态（KiTS23）
AutoPET I/II、III、V	468 / 678 / 634	Task1 autoPETCT 源与 PET 域挑战赛生态
TotalSegmentator	422	Task1 肝病灶源（TotalSeg-liver_lesions）+ Task3 器官伪标签提供方
SegRap 2023	679	Task1 头颈源（SegRap25 后继）
LiTS	81	系列历史肝肿瘤数据源
AbdomenCT-1K	402	FLARE22 标注来源（研究用途）

§8.5 关键论文 Top 8

Ma J, Kim S, Wang B. FLARE 2026 提案：Fast, Low-resource, Accurate, Robust, and Effectual Medical Image Segmentation and Classification in 3D CT and MRI Scans. Zenodo, 2026. DOI 10.5281/zenodo.19847954（挑战赛设计权威文档）
Ma J, Gu S, Wang B. FLARE 2025 提案. Zenodo, 2025. DOI 10.5281/zenodo.15094799（六子任务直接前届设计）
Ma J, Wang B（eds）. FLARE 2024 Proceedings. LNCS 15717, Springer, ISBN 978-3-031-96201-1（20 篇参赛方法）
Ma J, et al. Unleashing the strengths of unlabelled data…: the FLARE22 challenge. Lancet Digital Health 2024;6(11):e815-e826（FLARE22 官方总结）
FLARE 2023 官方总结. arXiv 2408.12534（2024-08）
Isensee F, et al. nnU-Net. Nature Methods 2021（Task2 的方法论靶心）
Ma J, et al. MedSAM. Nature Communications 2024（Task1 标注流水线的预分割引擎）
Wiesenfarth M, et al. Methods and open-source toolkit for analyzing and visualizing challenge results. Sci Rep 11:2369, 2021（rank-then-aggregate 排名方法出处）
（另有 Task3 方法学锚：AMOS NeurIPS 2022、CT-RATE/arXiv 2403.17834、CT2Rep MICCAI 2024、Generatect ECCV 2024、PASTA-Gen arXiv 2502 系——见官方 README 引用）

§8.6 社区活跃度

HF FLARE-MedFM 组织：11 个数据集仓库（覆盖 2024-2026 三届全谱系），PancancerCTSeg 下载 2,771、AutoMSC 82、MLLM-3D 55、MLLM-2D 33、RECIST 31（2026-10-09 实测）——Task1 是绝对流量主力。
官方站 flare-medfm.github.io（Angular SPA）+ 官方站注册表单；CodaBench 各任务平台；Zenodo DOI 永久存档。
组织者传播渠道：Jun Ma LinkedIn（Task2 发布帖）、MICCAI SIG on Challenges 官方名单、MICCAI 2026 Satellite Event 现场环节。
系列社区资产：openmedlab 数据集百科、Awesome-Medical-Dataset、AMID 工具链内置（均承自 2022/2023 届生态，库内 rid=387 详载）。
赛后惯例：平台开放提交（Open call）、优胜方案开源（Top 5 义务）、LNCS 论文集（系列先例 LNCS 15717）。

§8.7 生态快照

资源	类型	链接	推荐理由
FLARE 2026 提案 PDF	设计文档	https://zenodo.org/records/19847954	44 页全规则，一切数字的最终依据
官方站	门户	https://flare-medfm.github.io/	注册表单、任务卡、最新公告
MICCAI 2026 挑战赛列表	官方名录	https://conferences.miccai.org/2026/en/challenges.asp	45 赛全景中的官方位置
FLARE-MedFM HF 组织	数据分发	https://huggingface.co/FLARE-MedFM	五个 2026 届仓库 + 三届历史仓库
PASTA-Gen-30K	合成数据	https://huggingface.co/datasets/LWHYC/PASTA-Gen-30K	30,000 例合成 CT 独立仓库
FLARE 2025 官方页	前届档案	https://conferences.miccai.org/2025/en/FLARE-2025-Challenge.html	系列演进官方叙述与组织者访谈
FLARE 2024 LNCS	论文集	https://dblp.org/db/conf/miccai/flare2024.html	参赛方法索引

§9 相关资源与引用

§9.1 官方资源

官方站（注册与公告）：https://flare-medfm.github.io/
结构化提案（BIAS 模板，CC-BY-4.0）：https://zenodo.org/records/19847954（DOI 10.5281/zenodo.19847954）
数据仓库：https://huggingface.co/datasets/FLARE-MedFM/PancancerCTSeg · /FLARE-AutoMSC · /FLARE26-MLLM-3D · /FLARE-MLLM-2D · /PancancerRECIST-to-3D
合成资源：https://huggingface.co/datasets/LWHYC/PASTA-Gen-30K
MICCAI 2026 官方挑战赛名录：https://conferences.miccai.org/2026/en/challenges.asp

§9.2 社区与第三方资源

系列前作总结与工具链：openmedlab/Awesome-Medical-Dataset（FLARE2022/2023 条目）、AMID 数据集工具链
排名方法学：Wiesenfarth et al. Sci Rep 2021 开源工具箱（rank-then-aggregate 实现）
指标方法学：Metrics Reloaded（Maier-Hein et al., Nat Methods 2024）
库内关联条目：§8.4 表全部 12 个条目

§9.3 BibTeX 引用

@misc{flare2026proposal,
  title  = {Fast, Low-resource, Accurate, Robust, and Effectual Medical Image
            Segmentation and Classification in 3D {CT} and {MRI} Scans:
            Structured description of the challenge design},
  author = {Ma, Jun and Kim, Sumin and Wang, Bo},
  year   = {2026},
  doi    = {10.5281/zenodo.19847954},
  url    = {https://zenodo.org/records/19847954}
}

@misc{flare2026data,
  title  = {{FLARE-MedFM} Challenge Datasets: {FLARE} 2026 Pan-cancer Segmentation,
            {AutoMSC}, and Multimodal Parsing},
  author = {{FLARE-MedFM organizers}},
  year   = {2026},
  url    = {https://huggingface.co/FLARE-MedFM},
  note   = {HuggingFace gated datasets; license CC-BY-NC-4.0 (unless stated otherwise)}
}

@misc{pastagen30k,
  title  = {{PASTA-Gen-30K}: 30,000 synthetic {CT} scans with pixel-level lesion masks},
  author = {Lei, Wenhui and others},
  year   = {2025},
  url    = {https://huggingface.co/datasets/LWHYC/PASTA-Gen-30K},
  note   = {Diffusion-model synthetic data; training-only for FLARE 2026 Task1}
}

§9.4 引用指南

引挑战赛设计与规则 → 引提案（flare2026proposal）；引数据本体 → 引 flare2026data + 具体仓库 URL 与快照日期；引合成资源 → pastagen30k。
引规模数字：提案口径 15,600（15,000/100/500）为主；如引 11,000+ / 17,000+ 必须同时注来源与口径差异（坑点 1）。
引时间线：以提案 12:00 AM EST 五节点为准（2026-04-01/04-15/09-01/09-15/10-04 或 10-08）。
引结果：检索时点（2026-10-09）前后无官方榜单——赛后引用请带公布日期与平台截图/链接。

§9.5 许可与合规速查

对象	许可/条款	商用	再分发
PancancerCTSeg / FLARE26-MLLM-3D / FLARE-MLLM-2D	CC-BY-NC-4.0	禁止	允许（署名+NC）
PancancerRECIST-to-3D	CC-BY-NC-SA-4.0	禁止	衍生须同许可（ShareAlike）
FLARE-AutoMSC	HF 未标注（待官方补充）	谨慎：默认按 NC 对待并咨询组织方	同左
RECIST-Dockers	未标注（代码示例用途）	逐文件核查	—
提案文档	CC-BY-4.0	允许（署名）	允许
上游源（DeepLesion open / PanTS NC-ND / KiTS NC-SA 等）	逐源异构	逐源核查（尤其 ND 禁衍生分享）	逐源

§10 AI 使用声明卡

§10.1 AI 模型列表

模型	用途
CodeBuddy Code（fast-model）	2026-10

§10.2 AI 参与范围

参与撰写：frontmatter 初稿、全部章节初稿、代码示例（DataLoader/预处理/指标）、表格结构化。
人工职责：来源逐条核验（提案 PDF 全文下载比对 md5、HF API 逐仓实测、WebSearch 三源互证）、数字裁决（三口径存照处理）、章审定稿。

§10.3 输入来源列表

Zenodo record 19847954（提案 PDF 全文，44 页，md5 869789facfef0940fbb7814a0cd0142e，2026-10-09 下载）
flare-medfm.github.io（搜索快照 + HTML/JS 抓取）
conferences.miccai.org/2026/en/challenges.asp（搜索快照）
HF FLARE-MedFM 组织 API 逐仓实测（2026-10-09，经 hf-mirror.com 通道）
HF README：FLARE-Task1-Pancancer / FLARE26-MLLM-3D（搜索快照全文）
explore.openaire.eu（FLARE 2025/2024 提案记录快照）
conferences.miccai.org/2025/en/FLARE-2025-Challenge.html（搜索快照）
dblp.org（FLARE 2024 LNCS 记录快照）
linkedin.com（Jun Ma Task2 发布帖、MICCAI SIG 名单帖快照）
库内条目：writing/flare/（rid=387 的 FACTS.md 与成稿）、writing/panda-plus/FACTS.md（格式金标准）
库内数据库查询：ai_ready_dataset 全状态查重与互链 rid 核实（scripts/qf_psql.sh 只读）

§10.4 人工校验记录

日期	校验项	结果
2026-10-09	查重（url_name/title ILIKE 全状态）	仅 rid=387 flare；miccai-flare26 不存在（任务书预警勘误存照）
2026-10-09	存在性三源互证	Zenodo 提案 + MICCAI 官方列表 + HF 实测，全部通过
2026-10-09	提案 PDF 完整性	163,185 B 与 Zenodo 元数据一致；md5 匹配
2026-10-09	HF 门禁/license	五仓库 gated 状态与 cardData 逐条实测（AutoMSC 无 license 已存照）
2026-10-09	数字一致性	提案/官网/HF 三口径冲突全部显式存照（坑点 1 等）

§10.5 AI 生成章节标注

全部章节由 AI 起草、人工核验修订；§6.5 坑点与 §7.7 DAIMS 评分为人工裁决后的合成判断（评分维度对照库内金标准惯例）。
无纯 AI 生成且未核验的段落。

§10.6 最后人工审核日期

2026-10-09

维度	内容
官方全称	FLARE 2026 = Fast, Low-resource, Accurate, Robust, and Effectual Medical Image Segmentation and Classification in 3D CT and MRI Scans
归属	MICCAI 2026 卫星挑战赛（官方 45 挑战赛列表编号 1，类别 Efficient AI）
届次	FLARE 系列第 6 届（2021→2026；直接前作为库内 FLARE 2022/2023 条目）
三大任务	Task1 泛癌分割（15,600 真例 + 30,000 合成 CT）；Task2 AutoMSC 自配置联合分割分类（6,710 例 CT/MRI/PET）；Task3 九模态视觉语言解析（约 2.4 万组问答）
数据规模阶梯	511 → 2,300 → 4,500 → 14,000+ → 20,000+ → 45,600+（系列逐届跳升）
格式	compressed Nifti1Image（.nii.gz，保留 HU）+ JSON 问答对
许可	CC-BY-NC-4.0 为主（RECIST-to-3D 为 CC-BY-NC-SA-4.0；上游 20+ 源许可混合）
获取	HuggingFace FLARE-MedFM 组织 gated 下载（auto/manual 两级门禁）+ 官方站注册表单
平台与时间线	CodaBench（每任务独立平台）；2026-04-01 开赛 → 09-01 测试截止 → 10-04/08 公布结果；Open call 赛后持续开放
组织方	Jun Ma、Sumin Kim、Bo Wang（University of Toronto / UHN / Vector Institute）等
审核日期	2026-10-09