Head-Neck-PET-CT — 蒙特利尔与舍布鲁克四中心 298 例头颈癌治疗前 PET/CT 影像组学合集 — 1615 特征×三特征组×复发/转移/生存三终点基准

INFOBOX — Head-Neck-PET-CT 一屏速览

维度	内容
本质	四中心 298 例头颈癌治疗前 PET/CT 影像 + 影像组学方法 + 临床结局三合一合集（TCIA 受限获取）
团队	Martin Vallières 等 12 位作者（舍布鲁克大学 CRCHUS、麦吉尔大学、蒙特利尔三院网络）
论文	Sci Rep 2017;7:10117（doi:10.1038/s41598-017-10371-5；PMID 28860628；PMCID PMC5579274）
数据	298 例 / 504 检查 / 2,661 序列 / 123,271 幅图像 / 72.46GB（V2 现行版）
模态	CT、PT（PET）、RTSTRUCT、RTDOSE、RTPLAN、REG 六种
机构	训练：HGJ 92 + CHUS 102（合计 194）；测试：HMR 41 + CHUM 65（合计 106）——论文口径 300，收录 298（坑 2）
特征	每模态 1615（10 一阶 + 5 形态 + 1600 纹理）；PET / CT / PETCT 三特征组（坑 6）
终点	局部区域复发 LR（45 例，15%）/ 远处转移 DM（40 例，13%）/ 总生存 OS（56 例死亡，19%）
基线	LR AUC 0.69；DM AUC 0.86；DeLong 检验比较特征组；KM 双阈值分层
轮廓	GTV 原发灶+淋巴结双 ROI；93/300 直接勾画，207/300 MIM 配准传播
获取	影像：签 TCIA Restricted License｜临床表+轮廓表：CC BY 3.0 公开｜源码：GNU GPL（坑 7）
库内互链	tcia(547)、lung-pet-ct-dx(475)、autopet(468)、autopet-iii(678)、autopet-v(634)、nsclc-radiomics(247)、nsclc-radiogenomics(257)

Head-Neck-PET-CT 是一个"把影像组学论文的全部家底都搬进公共库"的数据集工程：它不止交出 298 例头颈癌患者的治疗前 PET/CT 影像（72.46GB 六模态 DICOM），还同时交出了医生勾画的 GTV 轮廓、与随访挂钩的临床结局表，以及从体素重采样到纹理矩阵计算的整套特征提取源码（GNU GPL）。

换句话说，别人发布的是"考卷"，它发布的是"考卷+标准答案+判卷程序"。这使它成为 TCIA 生态里少数能从头完整复现一篇影像组学论文的合集，也是后来大量 PET/CT 影像组学方法学论文的公共试验场。

对检索者来说，这个集合有三重身份：

1. 影像组学方法学的基准测试床——40 种预处理参数组合下特征值怎么变，源码一跑便知，不用再靠论文一句话的描述去猜。
2. 头颈癌治疗失败预测的参考基线——局部区域复发 AUC 0.69、远处转移 AUC 0.86，任何新方法都要与这两个数字对话。
3. 受限获取数据的典型样本——影像本体走 TCIA Restricted License 签章流程，而临床表与轮廓表是 CC BY 3.0 直接公开，三层许可各不相同（坑 7）。

三层身份对应三种用法，获取路径与合规要求也完全不同，这就是本条目要用十个章节讲清楚的事。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——影像是受限签章制，临床表是 CC BY 3.0 公开，别把三层许可混为一谈。
2. 做方法学或建预测模型：直奔 §4 特征工程与 §5 基线建模——1615 特征的参数矩阵与失衡校正是全文技术核心。
3. 关心坑点：直奔 §9 八坑清单——别名混淆（坑 1）、298 与 300 口径（坑 2）、机构三口径（坑 3）是检索与统计阶段最容易踩的三处。

§0 导读：这个数据集解决什么问题

0.1 临床背景：治疗失败的三个面孔

头颈部鳞癌（HNSCC）的肿瘤学地位特殊：它占全身恶性肿瘤的比例不算高，但治疗决策的复杂度排得上前列——放疗还是放化疗、剂量给多少、要不要联合颈淋巴结清扫，每一步都取决于"这个病人的肿瘤会不会治疗失败"。

而治疗失败不是一个笼统的事件，它有三个面孔：

1. 局部区域复发（LR）：原发灶或颈部淋巴结卷土重来——提示局部治疗强度不足，临床动作是加强局部手段（加量、再程放疗、手术挽救）。
2. 远处转移（DM）：肿瘤细胞已经走到远处器官——局部手段再强也无济于事，临床动作转向全身治疗。
3. 总生存（OS）：前两者与其他原因共同汇成的终点——患者与医生最终关心的那根曲线。

三者的生物学机制不同、干预窗口不同、临床动作也不同。把三者混在一个"复发"标签里的模型，临床价值会大打折扣；分开建模，才是对着真实的临床决策点做预测。Head-Neck-PET-CT 从设计之初就把三终点并列记录，这是它区别于一般"影像+一个标签"合集的第一层深意。

0.2 方法背景：2017 年之前影像组学的两个公共痛点

第一个痛点是数据孤岛。单中心 PET/CT 队列通常只有几十例，事件数（复发或转移）更少——45 个事件的队列撑不起稳健的多变量模型，跨中心验证更是无从谈起。结果是一批"单中心小样本高 AUC"的论文，彼此无法对照，也没人能复核。

第二个痛点是方法黑箱。影像组学的特征提取对预处理参数极其敏感：

1. 体素大小变了，同一位患者的纹理特征值就完全不同；
2. 灰阶量化方法变了（分位数分箱 vs 等宽分箱），特征值又是一个结果；
3. 灰阶数变了（8 级 vs 64 级），纹理矩阵的粒度整个改变。

论文里写"提取了纹理特征"这句话背后的参数组合，往往决定了结果能否复现。但绝大多数论文并不公开源码——读者既算不出同款特征，也验证不了结论。这个领域的可重复性危机在 2017 年前后是公开讨论的热点。

0.3 数据层回答：四中心六模态全家桶

Head-Neck-PET-CT 的第一层回答是数据层面的：

• 多中心：四个治疗中心（HGJ、CHUS、HMR、CHUM）连续入组，298 例，训练/测试按机构整体划分，天然形成外部验证结构。
• 多模态：不只诊断影像——放疗科实际使用的 RTSTRUCT 轮廓、RTDOSE 剂量分布、RTPLAN 治疗计划、跨模态 REG 配准全部随行，六模态合计 2,661 个序列、123,271 幅图像。
• 长随访：中位随访 43 个月，覆盖头颈癌复发与转移的高发窗口，三终点事件数（45/40/56）在同类公开数据里属于充裕水平。
• 真实临床工作流：影像在治疗前（中位 18 天）采集，特征天然满足"预测先于结局"的时间逻辑。

0.4 方法层回答：把参数空间摊在阳光下

第二层回答是方法层面的。论文把特征提取的全部预处理参数显式声明为一组矩阵：1/2/3/4/5mm 五档体素重采样 × 等概率与均匀两种灰阶量化 × 8/16/32/64 四档灰阶数，共 40 种参数组合；每种组合下计算一阶强度、形态特征与 GLCM/GLRLM/GLSZM/NGTDM 四族纹理，得到每模态 1615 个特征。

配套动作是把源码以 GNU GPL 发布——任何人可以复算、修改、再验证。参数矩阵加开源代码，把"方法黑箱"从根上撬开：参数敏感性不再是被隐藏的变量，而成了可以被系统研究的研究对象。

0.5 评估层回答：给后续研究一根标尺

第三层回答是评估层面的。按机构划分训练/测试集（194/106），对 LR/DM/OS 三终点分别建模，给出 AUC、置信区间、DeLong 检验与 Kaplan-Meier 分层曲线一整套基线。这组基线的作用不是"宣告最优"，而是立一根标尺：后续任何新方法在这批数据上跑出的成绩，都有公开可比的参照物（§7）。

0.6 谁该用这个合集

四类典型用户与各自的最佳切入点：

1. 影像组学方法学研究者：切入点是 §4 的 40 参数矩阵与 GPL 源码——把参数敏感性实验直接架在这批数据上，与论文基线可比。
2. 放射肿瘤科医生与放疗物理师：切入点是 §3 的三终点设计与 §7 的分层结果——关注的是"影像特征能不能指导治疗强度"，LR/DM 分开建模的思路正是临床决策的镜像。
3. 生存预测建模者：切入点是 §5 的基线协议（失衡校正、机构级划分、KM 双阈值）——这批数据的建模协议可直接迁移到其他小事件率队列。
4. 数据工程团队：切入点是 §2 的五数对账与 §2.7 的 DICOM 卫生——无私有标签加日期平移，是受限集合里工程友好度最高的一档。

反过来说，三类需求不建议首选这个合集：需要 HPV/吸烟等扩展临床变量的（§3.3 边界）、需要病灶级检测标注的（应转 Head-Neck-PET-CT-Lesion，坑 1）、需要大样本预训练影像的（应转 autopet 系列）。

0.7 §0 读法三则

1. 这个条目是"影像+轮廓+结局+源码"四位一体：影像受限签章、临床表 CC BY 3.0、轮廓表 CC BY 3.0、源码 GNU GPL，四样东西许可与获取方式各不相同（§6），引用时也别混用（坑 5）。
2. 全文统计数字均出自论文正文、TCIA 页面与数据引用三条来源互证；正文与收录口径唯一系统性冲突（300 vs 298）已在坑 2 存照，机构计数双口径已在坑 3 存照。
3. 检索时若把 Head-Neck-FDG-PET/CT 或 Head-Neck-PET-CT-Lesion 当作本集合的别名，会拿到错误的数据集——三者是 TCIA 上三个不同的合集（坑 1）。

§1 数据集速览：十问十答

Q1：Head-Neck-PET-CT 到底是什么？

• 一句话：TCIA 上一个受限获取的影像组学合集，影像、轮廓、结局、源码四件套齐备。
• 内容：298 例头颈癌患者的治疗前 PET/CT 影像（DICOM 六模态）、两份 Excel 表（临床结局 + GTV 轮廓）和一套特征提取源码。
• 出处：2017 年 Scientific Reports 论文（Vallières 等，Sci Rep 7:10117），数据 DOI 10.7937/K9/TCIA.2017.8oje5q00。
• 版本：2017-11-30 首发 V1（58.1GB），2018-06-07 更新为 V2（72.46GB）并沿用至今（坑 4）。

Q2：到底是 298 例还是 300 例？

• 两个口径都对，取决于你在跟谁比。
• 论文正文按"入组并完成随访"计 300 例；TCIA 实际收录 298 例——有 2 例因影像错误（无法用于分析）被剔除。
• 实操原则：做生存统计引论文口径，做影像统计以 TCIA 收录为准，跨源比较时先对齐口径（坑 2，§3.1）。

Q3：四个中心怎么划分训练与测试？

• 按机构整体划分而非随机打散。
• 训练集：犹太总医院 HGJ（92 例）与舍布鲁克大学医院 CHUS（102 例），合计 194 例。
• 测试集：Maisonneuve-Rosemont 医院 HMR（41 例）与蒙特利尔大学医院 CHUM（65 例），合计 106 例。
• 理由：机构级划分避免了同一中心的患者同时出现在训练与测试两侧的信息泄漏。
• 提醒：HGJ 与 CHUS 的例数存在 92vs90、102vs100 的双口径（坑 3，§3.2）。

Q4：影像都包括什么？扫描是什么时候做的？

• 每个患者一个检查（study），内含 CT、PT（PET）、RTSTRUCT（GTV 轮廓）、RTDOSE（剂量）、RTPLAN（计划）与 REG（配准）六种 DICOM 对象。
• 扫描窗横跨 2006 年 4 月至 2014 年 11 月。
• 影像采集在治疗开始之前，中位提前 18 天——所有特征都是"治疗前状态"。
• 全部患者日期做了整体平移去标识：保留间隔关系，抹去绝对时间（§2.4）。

Q5：GTV 轮廓是怎么来的？可靠吗？

• 两套来源：93/300 例由医生直接在 PET/CT 诊断影像上勾画；其余 207/300 例由 planning CT 上勾画的轮廓经 MIM 软件配准传播到 PET/CT。
• 前者轮廓精度更高；后者覆盖面更广，但受配准误差影响。
• 实操建议：用轮廓做分割模型训练或特征提取时，把轮廓来源作为分层变量检查敏感性（§4.2）。

Q6：1615 个特征是怎么算出来的？

• 算式：每模态 1615 = 10 个一阶强度特征 + 5 个形态特征 + 40 种参数组合 × 40 个纹理特征（1600）。
• 参数组合：5 档体素（1/2/3/4/5mm）× 2 种量化（等概率 EP / 均匀 UN）× 4 档灰阶（8/16/32/64）。
• 纹理计算：3D 26-voxel 连通、沿 13 个方向，覆盖 GLCM、GLRLM、GLSZM、NGTDM 四族矩阵。
• 口径：PET 特征 1615、CT 特征 1615、拼接的 PETCT 组合特征 3230；三组合计 6460（坑 6，§4.7）。

Q7：三个终点的事件率是多少？

• 论文口径 300 例：局部区域复发 45 例（15%）、远处转移 40 例（13%）、死亡 56 例（19%）。
• 三终点都严重失衡，基线模型因此配了类别失衡校正（§5.2）。
• 治疗分布：48 例单纯放疗、252 例放化疗。
• 随访：中位 43 个月。

Q8：基线成绩如何？

• LR 终点 AUC 0.69；DM 终点 AUC 0.86（论文口径置信区间端点 0.67 与 0.88，双口径已存照）。
• DM 最优的三个 CT 纹理特征：GLRLM 的 LRHGE、GLSZM 的 ZSV、GLSZM 的 ZSN（§7.2）。
• 特征组之间用 DeLong 检验比较；生存终点用 Kaplan-Meier 按 0.5 与 1/3-2/3 两个风险阈值分层展示（§7.4）。

Q9：我现在能拿到什么？

• 影像 DICOM：先签 TCIA Restricted License（NIH controlled data access 机制，机构签章后经 help@cancerimagingarchive.net 走审核）。
• 临床结局表与 GTV 轮廓表：CC BY 3.0，TCIA 页面直接下载。
• 特征提取源码：GNU GPL，随 TCIA 页面获取。
• HuggingFace 上没有镜像（hf-mirror 检索返回空，坑 7，§6）。

Q10：它和 TCIA 其他头颈集合是什么关系？

• 名字高度相似但互不相同：Head-Neck-FDG-PET/CT 是另一批患者的 FDG-PET/CT 合集。
• Head-Neck-PET-CT-Lesion 是 Grossberg 与 El Naqa 2018 年发布的病灶标注延伸集（病灶级标注体系）。
• 三者作者、例数、内容都不同，检索与引用时按 slug 精确区分（坑 1）。
• 库内家族互链见 §8。

1.11 关键数字速查卡

十问之外，把全文最容易查错的数字按用途集中一张卡：

数字	含义	口径与出处
298	TCIA 收录患者数	TCIA 页面（坑 2）
300	论文统计患者数	论文正文（坑 2）
504	检查（study）总数	TCIA 页面
2,661	序列（series）总数	TCIA 页面
123,271	图像幅数	TCIA 页面
72.46GB	V2 体积（现行）	TCIA 页面（坑 4）
92+102	训练两院例数（论文正文口径）	论文正文（坑 3）
41+65	测试两院例数	论文正文
1615	每模态特征数	论文（坑 6）
3230	PETCT 拼接特征数	论文（坑 6）
6460	三特征组合计列数	推算：1615×2+3230（坑 6）
45 / 40 / 56	LR / DM / 死亡事件数	论文正文
0.69 / 0.86	LR / DM 基线 AUC	论文正文
93 / 207	直接勾画 / 配准传播轮廓	论文正文
48 / 252	单放 / 放化疗例数	论文正文
18 天	影像至治疗中位间隔	论文正文
43 月	中位随访	论文正文
40	预处理参数组合数	论文（§4.5）

用法提示：写代码前把这 18 个数字抄进配置文件并注明口径出处，后续对账（§6.6）与复现（§5.5）直接引用，避免边写边查导致口径漂移。

1.12 三条使用红线

用这批数据前先记住三条红线，违反任何一条都会让结论失去与论文基线的可比性：

1. 不能重新随机划分训练/测试：机构级划分是基线协议的一部分（Q6），打散重分后的一切数字与论文、与后续文献都不可比。
2. 不能混用轮廓来源而不标注：93 直接勾画与 207 配准传播是两种质量的 ROI（Q5），混用必须在实验设计里显式分层或声明。
3. 不能绕过许可转发影像：影像本体仅限获批者使用（§6.2），把 DICOM 打包发给同事等于违规再分发；可共享的是公开表、源码与你算出的特征值。

三条红线分别对应统计、特征、合规三个环节——写进实验方案的第一页，能省掉后续大量解释成本。

红线之外还有一条软约束：引用本合集的任何数字前，先过一遍 1.11 速查卡的口径列——大多数口径错误在写码前就能拦下，事后改数字的成本是事前核对成本的十倍不止。

§2 数据规模与构成

2.1 总量五数

TCIA 页面按 Subjects / Studies / Series / Images 四级层级给出收录规模，加上磁盘体积共五个关键数字。检索者做存储规划与下载预算时以这五数为准：

层级	数值	说明
Subjects（患者）	298	论文口径 300，2 例影像错误剔除（坑 2）
Studies（检查）	504	平均每患者约 1.7 个检查——部分患者含多次采集
Series（序列）	2,661	六模态 DICOM 序列合计
Images（图像幅数）	123,271	CT 与 PET 切片为主体
体积	72.46GB	V2 现行版；非 72.5GB（坑 4）

三个补充说明：

1. Studies 是 504 而非 298：部分患者在治疗计划期有不止一个检查（如定位 CT 与诊断 PET/CT 分两次采集），层级计数时按检查拆分。下载管理器里看到 504 个 study 属正常现象，不是数据重复。
2. 五数是 TCIA 页面的动态统计，数据修订（V1→V2）可能带来小幅变化，跨时间引用时注明查询日期。
3. 五数对账是下载完整性的最终校验标准（§6.6）——四项全对才算拉全了。

2.2 六模态构成

DICOM 模态	内容	用途
CT	治疗计划期计算机断层扫描	解剖结构、CT 纹理特征、剂量计算基准
PT	PET（FDG 代谢显像）	代谢信息、PET 纹理特征
RTSTRUCT	放疗结构集（GTV 原发灶+淋巴结轮廓）	ROI 定义、分割基准、特征提取区域
RTDOSE	放疗剂量分布	剂量-结局关联分析
RTPLAN	放疗治疗计划	治疗参数追溯
REG	跨模态/跨时相配准对象	CT-PET 空间对齐记录

六模态齐备是这个合集区别于一般"诊断影像集"的关键，各模态的价值可以分三档理解：

• 核心三件：CT、PT、RTSTRUCT——影像组学特征提取的最小闭环（两种影像 + 一套轮廓）。
• 放疗两件：RTDOSE 与 RTPLAN——让剂量学分析成为可能（剂量-结局关联、剂量异质性研究）。
• 对齐一件：REG——CT 与 PET 的空间对应关系可直接复用，省去自建配准管线及其误差。

做纯影像组学研究的检索者至少要用核心三件；做放射肿瘤学研究的可以用满六件。

2.3 四中心分布

集合编号	机构	全称	城市	角色	例数（论文正文口径）
H&N1	HGJ	Jewish General Hospital（犹太总医院）	蒙特利尔	训练	92
H&N2	CHUS	Centre hospitalier universitaire de Sherbrooke	舍布鲁克	训练	102
H&N3	HMR	Hôpital Maisonneuve-Rosemont	蒙特利尔	测试	41
H&N4	CHUM	Centre hospitalier de l’Université de Montréal	蒙特利尔	测试	65
合计	—	—	—	—	300（收录 298，坑 2）

三点背景补充：

1. 机构计数的第二种口径（HGJ 90、CHUS 100）在论文的其他表格与衍生材料中出现，两种口径并存的原因未在正文说明。本条目正文统一取论文正文口径 92/102/41/65，双口径已存照（坑 3）。
2. 四中心全部位于魁北克省，肿瘤放疗流程同源（放疗计划系统与勾画规范一致性强），这是"机构级划分仍能建模"的前提——但也意味着外部泛化仍需非魁北克人群验证。
3. 集合编号 H&N1-H&N4 是 DICOM 目录层级的组织单位（§2.6 目录树），与训练/测试角色一一对应，下载后按目录即可还原划分协议。

2.4 时间属性

三个时间数字构成这个合集的时间骨架：

1. 扫描窗：影像采集横跨 2006 年 4 月至 2014 年 11 月，八年半跨度，覆盖 PET/CT 从新兴到普及的技术演进期，设备型号与时代差异客观存在。
2. 治疗间隔：影像采集在治疗开始之前，中位提前 18 天——所有特征都是"治疗前状态"，这是预测模型成立的时间逻辑（特征先于结局）。
3. 随访长度：中位随访 43 个月，足以覆盖头颈癌局部区域复发与远处转移的高发窗口（多数事件发生在治疗后 2-3 年内）。

日期平移去标识的机制与影响值得单独说清楚：

• 机制：每个患者的所有日期（检查日期、治疗日期、随访日期）整体平移同一个随机量——间隔关系完整保留，绝对时间被抹去。
• 影响一：无法用检查日期做"设备代际"或"年份趋势"分析。
• 影响二：跨患者的时间对齐只能靠相对量（如治疗前中位 18 天、中位随访 43 个月）这类汇总统计，原始日期不可恢复。
• 引用提醒：把平移后的日期当真实日期引用，是最常见的去标识口径错误来源之一——凡引用日期字段，一律注明"平移日期"。

2.5 版本史

版本	发布日期	体积	状态
V1	2017-11-30	58.1GB	已被 V2 取代
V2	2018-06-07	72.46GB	现行版

三点实务判断：

1. V1 到 V2 之间体积增加约 14.4GB，对应数据修订与补充；具体增补明细未在 TCIA 页面逐条列出，需要精确定界的检索者以 V2 实际内容为准。
2. 下载与引用一律以 V2 为准；早期论文若注明基于 2017-2018 年初下载的数据，可能对应 V1，复现数字时注意版本差异（坑 4）。
3. TCIA 页面标注的 72.46GB 是精确值，部分二手材料四舍五入写作 72.5GB，实质同源——严格体积校验场景（存储配额、校验和）用 72.46。

2.6 文件资产清单

合集目录由 DICOM 影像树、两份 Excel 表与源码压缩包构成，结构示意如下：

Head-Neck-PET-CT/
├── Head-Neck-PET-CT/            # DICOM 影像（按患者/检查/序列分层）
│   ├── HN1/                     # 训练中心 HGJ（92 例论文口径）
│   ├── HN2/                     # 训练中心 CHUS（102 例论文口径）
│   ├── HN3/                     # 测试中心 HMR（41 例论文口径）
│   └── HN4/                     # 测试中心 CHUM（65 例论文口径）
│       └── <patient>/           # 每患者：CT、PT、RTSTRUCT、RTDOSE、RTPLAN、REG
├── clinical_outcome.xls         # 临床结局表（CC BY 3.0）
├── gtv_contours.xls             # GTV 轮廓汇总表（CC BY 3.0）
└── radiomics_source_code.zip    # 特征提取与建模源码（GNU GPL）

三件非影像资产的分工：

1. clinical_outcome.xls：给出年龄、头颈亚型、分期、治疗方案与三终点随访状态——建模的标签来源。
2. gtv_contours.xls：汇总每例 GTV 轮廓的来源与几何信息（与 DICOM 内 RTSTRUCT 对应）——轮廓来源分层的依据。
3. radiomics_source_code.zip：论文全部特征与模型结果的生成代码——复现的起点。

2.7 DICOM 卫生与去标识

合集在去标识处理上做了两件值得注意的事：

1. 日期整体平移：所有时间字段同移一个随机量，保护性最强的一类去标识手段，代价是绝对时间信息永久丢失（§2.4）。
2. 无私有厂商标签：DICOM 文件未包含私有 vendor tags（private vendor tags）——检索者解析 DICOM 头时不会遇到未文档化的厂商字段，跨设备特征提取管线不会因私有字段解析失败而中断。

这两点加上机构、城市信息的规范保留，使这个合集的 DICOM 卫生水平在 TCIA 受限集合中属于上乘。对需要跨设备批量解析 DICOM 的工程团队，"无私有标签"意味着 pydicom 或 dcmdump 一类标准工具即可全覆盖，无需为厂商字段写特判。

2.8 存储与下载规划

72.46GB 是传输体积，实际工作空间要留余量，三条测算依据：

1. 原始数据：下载包 72.46GB；DICOM 解压/重写为未压缩格式后体积会上升，建议原始区预留 120-150GB。
2. 派生数据：特征矩阵的体积可以忽略——298 例 × 6460 列 × 8 字节（double）约 15MB 量级；真正吃空间的是中间产物（重采样后的体素缓存、逐参数组合的量化矩阵），全参数组合跑批时建议再留 50-80GB。
3. 备份策略：受限数据禁止再分发（坑 7），备份只能留在获批机构内部；对外共享计算结果（特征值、模型权重）不受此限。

下载节奏建议：先 NBIA 每中心抽 1-2 例（约占 1GB）验证解析管线，再全量拉取——直接全量失败重传的成本远高于先抽样。

2.9 五数对账演练

下载完成后的对账可以按这个顺序走一遍（每步一行命令级别的动作描述）：

1. 数患者目录：递归列出 HN1-HN4 下的患者目录计数，合计应与收录口径一致（298）。
2. 数检查：统计每个患者下的 study 数，合计 504。
3. 数序列：按 study 数 DICOM series，合计 2,661。
4. 数图像：统计 CT/PT 切片文件数，合计 123,271。
5. 体积：磁盘汇总应落在 72.46GB 附近（文件系统块大小会带来小幅上浮）。
6. 模态齐全性：抽查每中心若干患者，确认六模态对象都在。
7. 公开表行数：clinical_outcome.xls 与 gtv_contours.xls 的行数与收录患者数对齐。

七步对账脚本一次性写好后可以复用到其他 TCIA 集合——层级计数逻辑是通用的，变的只是目标数字。

§3 临床队列与结局

3.1 队列构成：300 与 298 的分野

论文的统计宇宙是 300 例：四中心连续入组、完成治疗前 PET/CT 采集并有随访结局的头颈癌患者。TCIA 的收录宇宙是 298 例：其中 2 例因影像错误（数据质量不足以支撑分析）未入公共库。

这个差 2 例的分野产生三类实际影响：

1. 统计复现：事件率 45/300、40/300、56/300 以论文口径计；若以 298 为分母重算会得到系统性偏高的比例，与论文不可比。
2. 特征复算：源码复算的特征矩阵基于收录的 298 例；样本量与论文表格对不上是口径问题而非计算错误。
3. 合并研究：与外部队列合并时（如下游 HPV 研究合并 MAASTRO 的 136 例得到 404 例总样本，§7.5），先声明用哪个口径。

本条目正文遵循两条分工原则：

• 临床统计用 300（与论文可比）；
• 影像资产用 298（与收录一致）。

跨口径处全部显式标注，不做静默换算。

3.2 机构级训练/测试划分

训练与测试按机构整体划分：HGJ+CHUS 两中心 194 例训练，HMR+CHUM 两中心 106 例测试。

这样设计的理由与代价都值得展开：

• 理由（防泄漏）：同一中心的患者共享勾画习惯、设备与扫描协议。若随机打散，测试集会被"同中心近邻"污染——模型只需记住中心风格就能得分，AUC 虚高。机构级划分保住了泛化评估的成色。
• 代价（统计功效）：测试集只有 106 例、事件数更少，置信区间较宽；论文成绩的可信区间因此比随机划分的同类研究更保守——这是诚实评估的必要成本。

机构计数的双口径（坑 3）在这一节最为扎眼：训练两院合计在 190-194 之间因材料而异。判断原则：

1. 与论文 AUC 等结果数字关联的表格用正文口径（92/102）；
2. 与 TCIA 收录清单关联的统计用收录实数；
3. 综述引用建议取论文正文口径并加脚注说明双口径存在。

3.3 患者特征

临床结局表（clinical_outcome.xls）覆盖的核心变量如下：

变量类别	具体内容	说明
人口学	年龄	连续变量，直接入模
肿瘤学基线	头颈亚型（H&N type）	口咽/喉/下咽等原发部位分类
分期	TNM stage	临床分期，风险分层的传统金标准
治疗	治疗方案	48 例单纯放疗 / 252 例放化疗
结局	LR、DM、OS 状态与时间	三终点并列记录，事件与删失分明

这张表刻意精简，边界要认清：

• 没有 HPV 状态、没有吸烟史、没有实验室指标。
• 它不是"头颈癌队列全变量表"，而是"支撑影像组学预测所需的最小临床集"。
• 需要 HPV 等扩展变量的研究者，要么向数据团队申请补充，要么转用下游合并队列（§7.5 的 HPV 研究正是补齐了这一维，合并 MAASTRO 后总样本 404 例）。

3.4 三终点定义与事件数

终点	定义	事件数（论文口径）	事件率	基线 AUC
LR（局部区域复发）	原发灶或区域淋巴结经影像/病理确认的复发	45/300	15%	0.69
DM（远处转移）	远处器官转移确认	40/300	13%	0.86
OS（总生存）	全因死亡	56/300	19%	以 KM 分层展示

三终点并列记录是这个合集最有价值的临床设计，展开说：

1. 同一批影像可以同时回答"局部会不会失败"“远处会不会失败”"能活多久"三个问题——一次特征提取，三个临床决策点。
2. 三者的影像学信号本就不同：DM 的 AUC 高达 0.86 说明 PET/CT 对转移体质的捕捉尤其有效；而其最优特征是 CT 纹理而非 PET 特征（§7.2），这一反直觉发现是论文引用率的重要来源。
3. 45、40、56 三个事件数也划定了后续建模的统计上限：任何细分亚组分析（按亚型、按分期再切分）都会迅速掉进小样本陷阱——每切一刀，事件数减半不止。

3.5 伦理与合规

数据采集与共享走四中心联合伦理路径，要点如下：

• 犹太总医院牵头，protocol 编号 MM-JGH-CR15-50。
• 患者知情同意与数据去标识在入组时就地完成。
• 日期平移（§2.4）是去标识链条的最后一环。
• TCIA 侧通过 Restricted License 把"谁可以用影像"的审查前移到申请环节。

一句话概括其设计哲学：伦理合规不是发布时的追加声明，而是贯穿采集、去标识、分发三层的设计。检索者复用数据时仍需遵守许可条款：影像禁止再分发，临床表在 CC BY 3.0 下可自由使用但需署名（§6）。

3.6 数据回收与跨中心治理

四中心病例在八年间陆续回收，治理方式有三条可借鉴之处：

1. 统一质控：质控、去标识、DICOM 标准化由论文团队统一执行，不存在各中心自行处理再汇总的情况——这是保证特征提取源码对四个中心一视同仁的前提。
2. 致谢到人：论文致谢名单完整记录了各中心参与数据回收的工作人员——多中心数据治理的劳动可以被看见，也方便后来者追溯问题环节。
3. 组织结构可复制：统一编号（H&N1-H&N4）、统一去标识流程、集中质控——想复制这种多中心回收模式的团队，可以直接把这套组织方式当施工图。

跨中心治理的实际意义在于一致性：不存在"某中心单独调参"的情况，机构级划分（§3.2）因此成为干净的泛化测试，而非协议差异的杂讯来源。

3.7 队列偏倚与外部效度

用这批数据下任何结论之前，先认清三层偏倚：

1. 地域偏倚：四中心全部位于魁北克省，人群构成、转诊模式、治疗规范都是"魁北克式"的——结论外推到其他人群需要外部验证，这也是论文自己在结论里声明的边界。
2. 时代偏倚：2006-2014 的扫描窗横跨 PET/CT 普及期，设备代际差异客观存在；加上日期平移去标识（§2.4），设备代际无法直接分层，只能作为未测量的异质性来源接受。
3. 选择偏倚：入组标准是"完成治疗前 PET/CT 并有随访结局"——凡因状态太差未做 PET/CT 或早期失访的患者不在队列内，事件率因此可能低于全人群真实水平。

对应的三条使用策略：

1. 机构级划分（§3.2）提供了内部外部效度——测试两院的成绩（§7.1）已经是一层跨中心验证。
2. 发表方法学结论时声明"多中心内部验证"而非"外部验证"，用词精确可以挡住大部分审稿质疑。
3. 临床转化前先做非魁北克人群的外部验证——下游 HPV 研究（§7.5）合并 MAASTRO 队列正是这个思路的实践。

3.8 一例患者的数据画像

把抽象的规模数字落到一个具体患者的行李清单上（以训练中心某患者为例，字段名示意）：

• 影像：一个 study，内含 CT 序列（数百幅切片）、PT 序列（几十幅切片）、RTSTRUCT（GTV 原发灶与各淋巴结轮廓对象）、RTDOSE（三维剂量网格）、RTPLAN（射野参数）、REG（CT-PET 配准关系）。
• 结局表行：clinical_outcome.xls 中对应一行——年龄、亚型、分期、治疗方案（48 单放或 252 放化疗之一）、LR/DM/OS 三列状态与时间。
• 轮廓表行：gtv_contours.xls 中对应一行——轮廓来源（直接勾画或 MIM 传播）与几何信息。
• 去标识痕迹：全部日期字段已平移（§2.4），相邻患者间无真实时间顺序可考。

画像的意义：建模时每读一个患者，实际是在读"六模态影像 + 两行表"的组合；任何管线的第一步都是把这三样按患者主键对齐——对不齐的病例在跑特征前就会被源码的校验拦下。

3.9 结局时间与删失的处理提示

1. 分清终点的时间结构：LR 与 DM 建模时是二分类（随访期内发生与否）；OS 才是时间-事件结构——把 LR/DM 也拿去做生存回归是常见的协议漂移。
2. 相对时间可用：日期平移抹掉的是绝对时间（§2.4），患者内的相对时间（治疗→事件/删失的间隔）完整保留，生存分析不受影响。
3. 删失类型检查：以研究截止日行政删失（administrative censoring）为主；个别失访病例的删失标记以临床表状态列为准，别自行推断。
4. 风险期对齐：三终点的高发窗口都在治疗后前 2-3 年（中位随访 43 个月内覆盖），做时间分段分析时以相对治疗时间为轴，而非日历时间。

§4 任务定义与特征工程

4.1 三个建模任务

论文把"治疗失败风险预测"拆成三个并列任务，共享同一批影像特征，结局各取一列：

任务	预测目标	建模形式	事件数	关键用途
LR	局部区域复发风险	二分类（复发/未复发）	45/300	局部治疗强度决策
DM	远处转移风险	二分类（转移/未转移）	40/300	全身治疗决策
OS	总生存	生存分析（KM 分层）	56/300	综合预后沟通

三任务的设计含义可以拆成三层：

1. 特征提取只做一次，三个终点共用同一特征库——这让"哪些特征预测什么"变成可横向比较的问题。
2. LR 与 DM 是互斥的临床路径（局部失败 vs 远处失败）——一个特征集若对两者都有预测力，说明它捕捉的是整体肿瘤侵袭性。
3. 若只对 DM 有效（论文的实际发现），则指向转移特异的生物学信号——这正是 §7.2 那组 CT 纹理特征的故事线。

4.2 ROI 定义：GTV 双对象与两种来源

特征提取的 ROI 锁定两个勾画对象：

• GTV 原发灶（primary）：原发肿瘤的大体体积。
• 转移淋巴结（lymph nodes）：受累颈淋巴结的大体体积。

两者的并集构成特征提取区域——即放疗科实际用于剂量计算的 GTV 轮廓，而非重勾的研究型 ROI。用临床放疗轮廓做研究 ROI 有个好处：轮廓本身就是治疗决策的一部分，其临床有效性已被放疗实践检验。

轮廓来源分两档：

1. 直接勾画（93/300）：医生直接在 PET/CT 诊断影像上勾画，PET 代谢信息与 CT 解剖信息同时可用，轮廓最贴合真实肿瘤范围。
2. 配准传播（207/300）：医生在 planning CT 上勾画，经 MIM 软件把轮廓配准传播到 PET/CT 空间。传播质量受配准误差影响，尤其在下颈与锁骨上区（呼吸与体位差异最大的区域）。

实操建议：用这批数据训练分割模型或提取特征时，把轮廓来源作为分层变量检查敏感性——207 例传播轮廓若混入 93 例直接轮廓而不加区分，轮廓质量的异质性会进入特征值。gtv_contours.xls 记录了每例的来源信息，直接可查。

4.3 特征提取管线五步

源码实现的提取流程可拆成五步，每一步的参数选择都在论文中显式声明：

1. ROI 内重采样：把 CT/PET 体素重采样到 1/2/3/4/5mm 五档各向同性体素，消除设备层厚差异。
2. 灰阶量化：ROI 内灰度离散化，等概率（equal-probability，EP，分位数分箱）与均匀（uniform，UN，等宽分箱）两种方法各做一遍，灰阶数取 8/16/32/64 四档。
3. 纹理矩阵计算：在量化后的 3D 体素空间计算四族纹理矩阵，3D 26-voxel 连通、沿 13 个方向聚合。
4. 特征读出：从每个矩阵读出标量特征，一阶强度与形态特征同步计算。
5. 特征组组装：同一参数组合的特征拼成向量，按 PET/CT/PETCT 三组归档。

管线的关键设计是参数矩阵化：不挑一组"看起来最优"的参数，而是把 40 种参数组合全部算出来分别建模。预处理参数对纹理特征稳定性的影响因此可以被量化，而不是被隐藏——这是这个合集对方法学最大的方法论贡献。

4.4 1615 特征构成算式

每模态特征数的构成可以写成一行算式，源码输出与论文表格按此对账：

每模态特征数 = 10（一阶强度） + 5（形态） + 40 种参数组合 × 40 个纹理特征
            = 10 + 5 + 1600
            = 1615

40 种参数组合 = 5 档体素（1/2/3/4/5mm）
             × 2 种量化方法（EP 等概率 / UN 均匀）
             × 4 档灰阶数（8/16/32/64）

三特征组 = PET 1615 + CT 1615 + PETCT 拼接 3230（= 1615 × 2）

三个推论值得记住：

1. 纹理特征占 1600/1615 ≈ 99%，一阶与形态特征只是配菜——影像组学时代的"特征爆炸"本质上是纹理特征的参数化展开。
2. 40 个纹理特征是四族矩阵在每参数组合下的标准产出，全部源码可复算。
3. PETCT 组合特征是拼接而非新算，不存在"融合模态专属特征"（坑 6 的第一大误区）。

4.5 40 参数组合全景

参数维度	取值	数量	影响
体素重采样	1 / 2 / 3 / 4 / 5 mm 各向同性	5	空间分辨率与纹理尺度
量化方法	EP（等概率）/ UN（均匀）	2	灰度分布敏感性
灰阶数	8 / 16 / 32 / 64	4	纹理矩阵粒度
合计	—	40	每组合 40 个纹理特征

这 40 种组合不是论文的炫技，而是影像组学方法学公共疑虑的直接回答：

• 体素大小与量化方式对纹理特征可重复性的影响，在 2012-2017 年间是领域内最大的方法学争论点之一。
• 把五档体素全部做一遍的代价是特征数乘以五，收益是任何后续使用者都能在自己的参数档位上找到对应特征列。
• 做方法学比较研究的检索者可直接复用这套参数矩阵设计，甚至把它当作参数敏感性分析的标准实验模板——比论文晚期的 IBSI 标准化协议，思路一脉相承。

4.6 四族纹理矩阵与 3D 方向

纹理计算覆盖影像组学的四族经典矩阵，均在 3D 26-voxel 连通下进行、沿 13 个方向计算后聚合：

矩阵	全称	刻画的纹理属性
GLCM	灰度共生矩阵	相邻体素灰度对的空间关系
GLRLM	灰度行程长度矩阵	同灰度体素连续行程的长短
GLSZM	灰度区域大小矩阵	同灰度连通区域的大小分布
NGTDM	邻域灰度差矩阵	局部灰度粗糙/细腻程度

四个名词解释一句就够：GLCM 看的是"邻居关系"，GLRLM 看的是"条纹长短"，GLSZM 看的是"斑块大小"，NGTDM 看的是"粗糙程度"——四者合起来是对肿瘤内部异质性的多维刻画。

论文 DM 终点最优的三个特征全部出自这些矩阵的 CT 侧：

1. LRHGE（GLRLM）：长行程高灰度强调。
2. ZSV（GLSZM）：区域大小方差。
3. ZSN（GLSZM）：区域大小不均匀性。

肿瘤异质性的"粗糙度"信号在 CT 形态学上比 PET 代谢上更能预测远处转移，是这篇论文最常被引用的发现（§7.2 展开）。

4.7 三特征组与特征数口径

特征按来源模态归成三组，检索与建模时必须先对齐口径：

特征组	特征数	构成
PET	1615	PET 影像提取
CT	1615	CT 影像提取
PETCT	3230	两组拼接（1615 × 2）

常见误读有两种：

1. 把 1615 当成全集总特征数——漏掉 CT 侧与拼接组，全集三组合计 6460 列。
2. 把 3230 当成新算的融合特征——实为拼接，没有"融合专属特征"。

引用论文表格时注意其按特征组分列汇报，横向比较模型成绩时先确认对的是哪个特征组（坑 6）。

4.8 参数敏感性的三个要点

40 参数矩阵跑下来，参数敏感性行为有三个经验性结论（论文正文与后续方法学文献一致认同）：

1. 体素大小是主导因素：纹理特征对体素重采样的敏感度通常高于对灰阶数与量化方法的敏感度——跨设备研究的第一步是统一体素档位，其次才是统一量化。
2. 量化方法的行为差异：EP（等概率）保灰度分布形状、UN（均匀）保绝对标度——两者算出的同名特征值不可直接互换，混用时要在实验设计里作为两个因子而不是两种"等价实现"。
3. 实操路线建议：先固定一档参数（如 2mm + EP + 32 灰阶）跑通全管线，再做参数扫描——40 组合全跑是复现论文的需要，不是方法探索的起点；从全矩阵开始会拖慢迭代速度。

这三点也是 4.5 那张参数表"影响"一列的深层含义：参数不是超参调优的对象，而是实验设计的因子。

4.9 特征命名怎么读

IBSI 风格的特征名自带结构，学会拆词就能反推定义（以 DM 最优三特征为例）：

• LRHGE = Long-Run High Gray-Level Emphasis——“长行程”+"高灰度"的加权强调：GLRLM 里长行程且高灰度的体素占比越高值越大。
• ZSV = Zone Size Variance——“区域大小方差”：GLSZM 里同灰度连通区域的大小差异。
• ZSN = Zone Size Nonuniformity——“区域大小不均匀性”：区域尺寸分布的不均匀程度。

拆词规律：前半段说"看什么结构"（行程/区域/邻域），后半段说"怎么汇总"（强调/方差/不均匀性/熵）。掌握这个规律后，特征表里的几十个名字都能望文生义，对论文特征表格的恐惧感会下降一大半。

§5 基线建模与可复现性

5.1 模型选择：逻辑回归与随机森林

论文基线用两个经典模型：

• 逻辑回归（logistic regression）：线性分类基线，系数可解释。
• 随机森林（RF）：非线性基线，能捕捉特征交互。

一个命名陷阱先排掉：此处 LR 指 logistic regression，与终点缩写 LR（局部区域复发，locoregional recurrence）无关——同名缩写在论文与本文档中各自成对出现，阅读时按上下文区分（这也是检索论文代码仓库时的常见困惑点）。

选择理由朴素而坚固：

1. 样本量 194 训练例、事件数 45/40/56 的量级，容不下深度模型。
2. 经典模型加正则化的方差可控。
3. 系数与特征重要性可解释，临床读者看得懂。

对 2017 年的影像组学论文这是主流配置，对今天的使用者这组基线依然是"新方法必须打赢的及格线"。

5.2 类别失衡校正

三终点事件率 15%/13%/19%，直接训练会让模型偏向多数类——"全部预测为无事件"的平凡解就能拿到 85% 的准确率，但对临床毫无用处。

论文的校正方案：

1. 按 Schiller 等人的方案做类别失衡校正：训练时对少数类样本加权。
2. 加权让损失函数对事件样本给予超额关注，避免平凡解。
3. 校正作用于训练阶段、评估阶段保持原始分布。

这套"加权训练、原分布评估"的组合至今仍是小事件率生存数据的默认做法。检索者复现时注意：校正超参在源码中有默认值，改动它会改变 AUC——对比实验须锁死校正配置，否则成绩差异无法归因。

5.3 特征组比较：DeLong 检验

三特征组（PET/CT/PETCT）的成绩差异不是目测曲线下面积下结论，而是用 DeLong 检验给出统计显著性。

DeLong 检验是什么：对两条相关 ROC 曲线的 AUC 差做方差估计，回答"PETCT 拼接组的提升是否超出抽样噪声"。

这一设计的价值：

1. 在 2017 年的影像组学论文里属于少数派做法——多数论文直接比较 AUC 数值大小。
2. 让论文的结论自带统计护栏：哪组特征更优不是叙事选择，而是检验结果。
3. 后续使用这批数据做新特征组的团队，沿用 DeLong 检验可以与论文基线直接对话。

5.4 生存终点的展示：KM 双阈值

OS 终点不做单一 AUC 排名，而是用 Kaplan-Meier 曲线把模型输出切成风险层展示，切点有两个：

1. 0.5 阈值：模型预测风险概率的中线，二分法——高风险组 vs 低风险组。
2. 1/3-2/3 阈值：把人群切成低/中/高三层——检验剂量-反应关系。

双阈值的意义在于展示剂量-反应关系：若模型真的捕捉到风险信号，三层 KM 曲线应按风险层单调分离；只看 0.5 的两分法看不出单调性。这套展示方式让 OS 部分的结论可视且可复核，也给了后续研究一个现成的分层协议（§7.4）。

5.5 源码、许可与复现路径

特征提取与建模的全部源码以 GNU GPL 发布，随 DICOM 一起从 TCIA 页面获取。复现论文数字的路径分五步：

1. 签署许可下载影像（§6.2 流程），解压 DICOM 树。
2. 用 clinical_outcome.xls 与 gtv_contours.xls 对齐每例的 ROI 与结局。
3. 跑特征提取（40 参数组合 × PET/CT 两模态），核对每模态 1615 列。
4. 按机构划分（HGJ+CHUS 训练 / HMR+CHUM 测试）训练 LR 与 RF 基线。
5. 对账论文表格：LR AUC 0.69、DM AUC 0.86、DeLong 检验与 KM 分层。

复现时的三个注意点：

1. 事件率按 300 口径对账（坑 2）。
2. 机构例数用正文口径 92/102/41/65（坑 3）。
3. 版本取 V2（坑 4）。

GPL 许可的边界也要说清楚：GNU GPL 的传染性条款只约束源码的分发与修改，不约束用它算出的特征值——把特征值用于训练自己的模型不受 GPL 影响，把修改后的源码再分发则必须继续开源。

5.6 可复现性的历史位置

在 2017 年的时间点上，同时公开影像、轮廓、结局与源码的影像组学论文凤毛麟角——多数论文只公开特征矩阵甚至只公开模型成绩。

这个合集因此获得了三重历史地位：

1. 方法学论文的标准引用对象：讨论纹理特征参数敏感性、讨论机构级划分、讨论小事件率校正的论文，都把这里当作"可完整复核的实例"。
2. 标准化运动的前身：后来的 IBSI 影像组学标准化运动与其说是推翻了这套做法，不如说是把这套"全参数摊开+全源码公开"的思路制度化。
3. 活体标本：今天检索者把它当作基准数据集使用时，实际上是在使用一份影像组学方法学的活体标本——2017 年的方法学最佳实践长什么样，看它就够。

5.7 与 IBSI 标准的映射

后来成为行业标准的 IBSI（Image Biomarker Standardisation Initiative）与本合集的特征体系有直接的承继关系，三点映射值得知道：

1. 命名承继：论文使用的特征名（LRHGE、ZSV、ZSN 等）与 IBSI 标准命名一致沿用至今——读这篇论文的特征表就是读 IBSI 命名表的早期实践。
2. 实现细节差异：论文实现早于 IBSI 正式发布（IBSI 共识 2020 年成文），个别聚合方式（如多方向纹理矩阵聚合取平均还是取范围）的细节需回到源码确认，不能默认与 IBSI 参考实现逐位一致。
3. 对齐路径：需要与 IBSI 严格对齐的团队，可以用 IBSI 基准 phantom 数据先验证自己的实现，再跑本合集——源码的参数显式声明（§4.3）让这种对齐成为可能。

一句话定位：这个合集是 IBSI 之前"事实标准"的活样本，用它做方法学论文时引用 IBSI 做命名规范、引用本合集做数据与协议，两不冲突。

5.8 从基线到发表：三种延伸实验

在这个基线上做增量研究的三个常见方向，各自的设计要点：

1. 特征稳定性研究：固定模型、扫描参数组合，报告 AUC 随参数档位的波动——40 参数矩阵为此设计，注意用 DeLong 检验而不是目测差值。
2. 模态消融研究：PET/CT/PETCT 三组做加减法（只用 PET、只用 CT、去掉某族纹理），回答"信号到底在哪"——论文 §7.3 的克制结论就是这种设计的产物。
3. 协议迁移研究：把机构级划分+失衡校正+KM 双阈值这套协议原样搬到自己的队列，验证其可迁移性——协议本身是这篇论文的另一半贡献。

三个方向都建议保留论文的评估纪律（原分布评估、机构划分、置信区间报告），否则与基线的对话会失效。

5.9 常见复现错误前三名

1. 用 298 当分母算事件率：45/298、40/298、56/298——分子分母不同源（坑 2 变体），事件率系统性偏高且与论文不可比。
2. 改动失衡校正后对比 AUC：校正超参是基线协议的一部分（§5.2），动过再对比等于换了赛道——所有对比实验锁死校正配置。
3. 随机打散替代机构划分：AUC 会虚高（同中心泄漏），还与全部已发表数字失去可比性（§1.12 红线一）。

三条错误的共同点：都不报错、都能跑出数字，只是数字失去了对话资格——复现纪律的本质是让数字保有可比性。

§6 获取方式与许可

6.1 三层许可总表

这个合集的许可结构是"一份资产一张证"，三层互不覆盖：

资产	许可	获取方式	成本
影像 DICOM（六模态，72.46GB）	TCIA Restricted License	签章申请、审核后发放	免费但需机构背书
临床结局表（clinical_outcome.xls）	CC BY 3.0	TCIA 页面直接下载	免费、即时
GTV 轮廓表（gtv_contours.xls）	CC BY 3.0	TCIA 页面直接下载	免费、即时
特征提取源码	GNU GPL	TCIA 页面直接下载	免费、即时

两层常见误判方向相反：

1. 过度悲观：把整个合集当成"受限数据"放弃使用——实际上四样资产里三样是即时公开的，只有影像本体受限。
2. 过度乐观：把 CC BY 3.0 的宽松条款误推及影像、随意转发 DICOM——这是合规红线（坑 7）。

正确姿势是按资产逐项确认许可，别用"这个数据集是受限/开放的"这种一句话判断。

6.2 影像申请流程

受限影像走 TCIA 的 NIH controlled data access 机制，流程五步：

1. 下载许可文本：从 TCIA 集合页获取 Head-Neck-PET-CT 的 Restricted License 文本，逐条阅读使用限制（禁止再分发、禁止身份重识别、按声明用途使用）。
2. 填写并签章：申请人（研究者）与所在机构签署——机构签章是硬要求，个人名义申请不被接受。
3. 提交申请：将签章后的许可发送至 TCIA 数据访问邮箱 help@cancerimagingarchive.net，注明集合名与申请用途。
4. 等待审核：TCIA 团队核验签章与用途后开通访问权限，审核周期以官方页面说明为准。
5. 下载：获批后用 TCIA Download Manager 或 NBIA 网页端拉取 72.46GB 数据。

两点实务提醒：

1. 签章主体与后续论文署名单位应一致，转岗换机构后继续使用需重新确认授权。
2. 获批访问仅覆盖影像本体，再次分发（哪怕给同课题组同事）需要对方自行申请——这是 Restricted License 与开源许可最本质的差别。

6.3 公开资产的获取

三份公开资产（两份 XLS + 源码压缩包）挂在 TCIA 集合页的下载区，无需任何申请即可获取。

建议即使暂时不申请影像，也先把公开部分拿下来做三件勘察：

1. 结局分布：从 clinical_outcome.xls 确认三终点事件率与删失结构，预估统计功效。
2. 轮廓来源比例：从 gtv_contours.xls 确认每例轮廓是直接勾画还是配准传播（§4.2 的 93/207 分野）。
3. 源码走读：先读特征提取代码，确认参数矩阵实现与论文描述一致，能大幅缩短获批后的复现周期。

在申请影像之前确认数据结构与预期相符，可以避免申请获批后才发现"数据不是想要的形状"的浪费。

6.4 下载工具

TCIA 提供两条下载通道，适用场景不同：

• TCIA Download Manager：桌面客户端，断点续传，适合 72.46GB 量级的整集下载。受限集合在权限开通后才会出现在客户端的可见列表中。
• NBIA：网页端检索与逐序列下载，适合先下载少量样例验证 DICOM 解析管线，再决定是否全量拉取。

大容量集合的通用建议分三步走：

1. 先 NBIA 抽样（每个中心抽 1-2 例验证模态齐全）；
2. 再 Download Manager 全量拉取；
3. 最后校验序列数是否等于 2,661（§2.1 的五数对账）。

6.5 引用三件套

使用该数据发表成果时，TCIA 要求同时引用三件文献：数据 DOI、方法论文与 TCIA 平台论文。BibTeX 骨架如下（作者列表以论文原文为准，此处从简示意）：

@dataset{vallieres2017headneckpetct,
  title   = {Head-Neck-PET-CT},
  author  = {Valli{\`e}res, Martin and others},
  year    = {2017},
  doi     = {10.7937/K9/TCIA.2017.8oje5q00},
  note    = {The Cancer Imaging Archive}
}
@article{vallieres2017radiomics,
  title   = {Radiomics strategies for risk assessment of tumour failure in head-and-neck cancer},
  author  = {Valli{\`e}res, Martin and others},
  journal = {Scientific Reports},
  volume  = {7},
  pages   = {10117},
  year    = {2017},
  doi     = {10.1038/s41598-017-10371-5}
}
@article{clark2013tcia,
  title   = {The Cancer Imaging Archive (TCIA): maintaining and operating a public information repository},
  author  = {Clark, Kenneth and others},
  journal = {Journal of Digital Imaging},
  year    = {2013}
}

作者列表的一个高频错误出自数据 DOI 的 citation 格式：部分数据库把作者折叠成 9 人（漏掉 Seuntjens、El Naqa 等），而论文原文是 12 位作者。引用时以论文 PDF 的作者名单为准，别照抄二手数据库的折叠版（坑 5）。

6.6 版本与获取对账

下载完成后做三件事对账：

1. 核对体积约 72.46GB（非 58.1GB 的旧版 V1，坑 4）。
2. 核对患者目录数与收录口径 298 一致（坑 2）。
3. 核对四中心目录结构 H&N1-H&N4 与 §2.3 表格对应。

三步对账能拦截绝大多数版本错配与下载不完整问题；对账基准（2,661 序列 / 123,271 幅图像）同时适用于抽样验证与全量校验。

6.7 申请时间线规划

受限获取的时间成本是这个合集最大的使用门槛，规划建议三条：

1. 提前启动：签章审核周期取决于 TCIA 侧处理节奏与机构内部签章流程，有 deadline 的团队建议在计划开工前 1-2 个月启动申请，给往返修改留缓冲。
2. 并行干跑：等影像获批期间，先用公开表与源码做干跑——特征管线对着公开的轮廓表与文档调试，获批当天即可进入正式提取。
3. 一次申请完整提交：一个机构一封带完整签章的申请（许可文本+用途说明+申请人信息），避免碎片化往返拖长周期；用途描述写得越具体，审核越快。

一个常见的时间线误估：把"获批"当成终点——实际上获批后的 72.46GB 下载、五数对账、管线干跑转正式跑，还要再留一到两周。整体按"申请 1-2 个月 + 落地 2 周"做计划比较稳妥。

6.8 获取路径速查决策树

按需求选路径的文字版决策树：

1. 只想做统计功效分析/读结局结构 → 只下公开表（clinical_outcome.xls），当天完成。
2. 想读懂特征定义与管线 → 下公开表 + 源码，对照 §4 读代码模块，无需影像。
3. 要跑特征提取/建模 → 走完整申请流程（§6.2 五步），同步做公开资产预研。
4. 只想浏览几例影像确认质量 → 申请获批后先 NBIA 抽样，不必全量下载。
5. 要做多中心外部对照 → 本合集作训练/内部验证源，外部源参考 §8.2 家族导航选型。

决策树的第一层问题是"要不要碰影像"——四样资产里三样免申请，先把不要影像的事做完再决定是否申请，能把受限流程的成本压缩到最小。

§7 已发表基准结果与下游研究

7.1 基线成绩汇总

论文对三终点 × 三特征组 × 两模型（逻辑回归/随机森林）的完整矩阵做了汇报，核心成绩：

终点	基线 AUC	论文口径置信区间端点	展示方式
LR（局部区域复发）	0.69	0.67	ROC + 置信区间
DM（远处转移）	0.86	0.88	ROC + 置信区间 + DeLong
OS（总生存）	以分层展示为主	—	KM 双阈值（0.5 与 1/3-2/3）

两个成绩的解读边界：

1. LR 终点 0.69 属"有信号但不足以单独指导临床"——它的价值在于证明预测框架成立，而非直接进临床。
2. DM 终点 0.86 在小样本影像组学里属罕见的高位，且最优特征全部来自 CT 而非 PET（§7.2）。
3. 置信区间端点（0.67 与 0.88）在论文正文与图表中的呈现存在细节差异，本条目按数字存照处理，复现对账时以源码输出为准（FACTS §7 存照）。

7.2 DM 最优三特征：CT 纹理的反直觉胜利

DM 终点表现最优的三个特征全部出自 CT 纹理：

1. LRHGE（GLRLM）：长行程高灰度强调——CT 上大片连续的高灰度（高密度）区域，对应实性成块的肿瘤与转移淋巴结体质。
2. ZSV（GLSZM）：区域大小方差——同灰度连通区域大小差异悬殊，即肿瘤内部结构异质。
3. ZSN（GLSZM）：区域大小不均匀性——区域尺寸分布的不均匀程度，与 ZSV 互补刻画异质性。

三个特征共同指向"CT 上看得见的肿瘤异质性预示远处转移"这一结论。它的反直觉之处在于：PET 是代谢显像，理应更懂生物学行为，但在这批数据上 CT 形态特征赢了。

这一发现的两层影响：

1. 成为后续"CT 纹理特征能否替代 PET"讨论的标准论据。
2. 是这篇论文长期高被引的核心原因之一——反直觉且可检验的结论才有传播力。

7.3 特征组比较的结论形态

三特征组（PET/CT/PETCT）经 DeLong 检验横向比较后，论文的结论形态是克制的：

• 拼接组 PETCT 在部分终点上占优；
• 但优势并非在所有终点上统计显著；
• 单模态组各有高光（DM 看 CT，部分 LR 指标看 PET）。

检索者复用时不必预设"PETCT 永远最优"，应把特征组作为实验因子保留。这也是论文把 40 参数组合 × 3 特征组全部跑完并公开的原因：让后续研究在完整矩阵上做自己的比较，而不是替后人下结论。

7.4 生存分层结论

OS 部分的 KM 双阈值展示给出两层数据：

1. 0.5 阈值：高低风险两组生存曲线分离——证明模型有排序能力。
2. 1/3-2/3 阈值：三层曲线按风险单调排列——证明模型有剂量-反应关系。

剂量-反应式的分离形态比单一 AUC 更能说服临床读者，因为它展示的是"风险分层"而非"排序能力"。后续使用这批数据做生存模型的工作，普遍沿用了这一分层协议以保持与基线可比。

7.5 下游研究一览

基线之后，围绕这批数据的公开研究形成了一条可追踪的下游链：

研究	方向	与本合集的关系	出处
Diamant 等	深度学习（CNN）复检	用本集合验证深度特征对经典纹理的替代性	已发表论文
PreSANet	病灶分割/注意力网络	以本集合为训练/验证数据源	PMC8873259
HPV 状态预测	影像组学预测 HPV 关联状态	合并 MAASTRO 队列 136 例，总样本 404 例	PMC11154466
最新衍生工作	方法改进与外部验证	持续以本集合为公共基准	arXiv 2509.00367

下游链的两个启示：

1. 变量边界被下游补齐：HPV 研究选择合并 MAASTRO 而非单用 298 例，正是因为本集合缺 HPV 变量且样本量不够细分（§3.3 的变量边界在下游被补齐）。
2. 经典基线依然能打：从 CNN 到注意力网络，深度方法在这批数据上的公开成绩始终未能轻松碾压 0.86 的 CT 纹理基线——小样本+机构级划分的设定下，经典特征仍是强对手。引用这批数据做新方法论文时，应当正视这个对照，而不是绕开它。

追踪下游新文献的检索方法（每季扫描一次即可覆盖主要动态）：

1. 引文库查引用 10.1038/s41598-017-10371-5 的新增文献，按"方法改进/外部验证"两类过滤。
2. 关键词组合扫描：head neck radiomics + PET/CT + TCIA，覆盖未走引用链的新工作。
3. arXiv 侧关注 q-bio/physics.med-ph 分类下的头颈影像组学预印本（如 2509.00367 一脉的最新衍生）。

7.6 被引规模的双口径

评估这个合集的学术影响力时存在两个数量级差异的口径：

1. Google Scholar 口径：论文引用约 674 次——收录所有提及该论文的文献。
2. TCIA 官方口径：登记引用计数 52 次——只收录按 TCIA 引用规范登记的成果。

使用建议：

• 写综述引"高被引"用 Scholar 口径；
• 做合规对账用 TCIA 口径；
• 两数并存不矛盾，混用则会出现"引用量差十倍"的怪相（坑 8）。

7.7 复现数字的预期偏差

动手复现前，先给对账设定合理的容差预期，三类偏差属正常范围：

1. 事件率层面：口径切换（300 vs 298，坑 2）会带来 ±1% 量级的事件率偏差——先统一口径再看偏差。
2. 特征值层面：特征复算数值与论文表格在浮点层面可能有微小差异（多方向聚合的求和顺序、浮点精度），相对误差在万分之一量级以下可视为复现成功。
3. 模型成绩层面：AUC 复现偏差在 ±0.01-0.02 内属正常（随机森林的随机性、加权实现的细节差异）；超出这个范围，优先按三处查——机构划分协议是否被改动、失衡校正配置是否被改动（§5.2）、特征组是否对错（坑 6）。

预期偏差的意义在于避免两种极端：把 ±0.01 的正常浮动当成"复现失败"而推翻整个管线，或把 0.05 的偏差当成"复现成功"而放过协议错误。先定容差，再谈对账。

7.8 与后续文献对话的三种姿势

引用或对比这个合集的后续文献时，按研究类型分三种对话方式：

1. 复现型文献（报告复跑基线的结果）：对比其复现 AUC 与论文 0.69/0.86 的偏差是否落在 §7.7 的容差内——超差的复现本身就是一个发现。
2. 对标型文献（新方法 vs 基线）：检查其是否沿用机构划分与失衡校正——没沿用的"大幅超越"要先打折再看。
3. 延伸型文献（合并外部队列或补新终点，如 §7.5 的 HPV 研究）：关注合并协议与口径声明——298/300、MAASTRO 136/404 这些数字的口径链条要能对上。

三种姿势的共同底座是坑 1 的辨识纪律：先对 DOI 确认文献用的确实是本合集，再进入数字层面的比较。

7.9 成绩引用规范

引用论文成绩时的三条格式纪律：

1. AUC 必须带终点与特征组：单独写"AUC 0.86"没有信息量——规范写法是"DM 终点、X 特征组、AUC 0.86"，否则读者无法对号入座。
2. 事件数必须带分母口径：45/300 与 45/298 是两个数字（坑 2），引用时把分母写全。
3. 置信区间注明端点与存照状态：0.67/0.88 端点在论文正文与图表间有呈现差异（§7.1），引用时注明取自哪一处。

三条纪律一句话版本：引用成绩时永远携带"终点+特征组+分母"三元组，让数字自带上下文。

§8 生态位与家族导航

8.1 TCIA 生态中的位置

在 TCIA 的 PET/CT 版图里，Head-Neck-PET-CT 占据"多模态+多终点+可复现"的交叉点。横向对照三大相邻家族，各自的位置差异一目了然：

1. lung-pet-ct-dx：提供 PET/CT 加病灶级诊断标签，但不带生存随访——适合诊断任务，不适合结局预测。
2. autopet 系列：提供大样本 PET 影像（挑战赛体系），但特征工程与结局标签靠使用者自建——适合大模型与分割，不适合直接做风险预测。
3. nsclc 系列：专注肺癌的影像组学与影像-基因组——癌种不同，方法可借鉴，队列不可混用。

头颈部这边，Head-Neck-PET-CT 是唯一"影像+轮廓+结局+源码"四件套齐备的合集。这决定了它的两类典型用户：

• 做 PET/CT 影像组学方法学的人——复用参数矩阵与源码；
• 做头颈癌治疗失败预测的人——复用队列与终点。

8.2 库内家族导航

本条目在库内与七个条目形成直接互链，按相关度排列：

条目（slug）	库内 ID	关系	建议互链方向
tcia	547	平台根条目：TCIA 生态与 Restricted 机制总览	双向
lung-pet-ct-dx	475	最相近形态：PET/CT+病灶标注，肺癌版对照	双向
autopet	468	AutoPET 系列 I：大样本 PET 挑战赛数据	双向
autopet-iii	678	AutoPET 系列续篇	双向
autopet-v	634	AutoPET 系列最新版	双向
nsclc-radiomics	247	肺癌影像组学+结局的平行样本	双向
nsclc-radiogenomics	257	影像-基因组关联的平行样本	双向

导航读法按需求场景分四条路径：

1. 想知道"受限获取怎么走"——先看 tcia(547)。
2. 想做"PET/CT 纹理特征跨癌种比较"——配 lung-pet-ct-dx(475)。
3. 想用大样本对抗小样本偏倚的方法学结论——配 autopet 三部曲（468/678/634）。
4. 想把"影像组学预测结局"扩展到肺癌——配 nsclc 两篇（247/257）。

七条互链全部为同库 slug，发布后由家族导航统一重建。

8.3 库内检索示例

按 slug 批量拉取家族条目元数据的检索写法（字段名以库内 schema 为准）：

SELECT slug, title, patient_count, category_tags
  FROM ai_ready_dataset
 WHERE slug IN ('head-neck-pet-ct', 'tcia', 'lung-pet-ct-dx',
                'autopet', 'autopet-iii', 'autopet-v',
                'nsclc-radiomics', 'nsclc-radiogenomics');

这条检索的价值在于一次对齐八个条目的患者数与标签，直接支撑"多中心影像组学数据版图"类的综述段落；category 标签（PET、CT、多模态、肿瘤学）在本条目与上述家族条目间高度共享，标签相关度算法会自动把这八条聚成一族。

8.4 外部锚点

frontmatter relatedLink 字段收录九条外部与库内锚点：

1. 数据 DOI：10.7937/K9/TCIA.2017.8oje5q00——身份的最终裁决者，名字可混淆（坑 1），DOI 不会。
2. 论文 DOI：10.1038/s41598-017-10371-5。
3. PMC 全文：PMC5579274。
4. TCIA 集合页。
   5-9. 库内五条互链 URL：tcia、lung-pet-ct-dx、autopet、autopet-iii、nsclc-radiomics。

外部锚点中数据 DOI 是第一优先级：任何"是不是这个数据集"的疑问，对 DOI 即可裁决。

8.5 三个头颈合集的使用场景对照

把坑 1 的三胞胎从"防混淆"转成"会选用"，按任务选合集：

任务	首选合集	理由
组学特征+生存/复发预测	Head-Neck-PET-CT（本条目）	唯一带三终点随访+源码
病灶级检测/分割	Head-Neck-PET-CT-Lesion	病灶级标注体系
FDG-PET/CT 队列扩展	Head-Neck-FDG-PET/CT	独立患者队列

对照表的价值在于把"名字像"的干扰转化为"按任务选型"的路标——三个合集不构成竞争，而是覆盖头颈 PET/CT 研究的三块互补拼图。

§9 坑点清单：八处易错

9.1 八坑总表

编号	坑	一句话正解	详见
坑 1	别名三胞胎混淆	Head-Neck-PET-CT / Head-Neck-FDG-PET/CT / Head-Neck-PET-CT-Lesion 是三个不同合集	§9.2
坑 2	298 与 300 口径	论文 300、TCIA 收录 298（2 例影像错误剔除）	§9.3
坑 3	机构例数双口径	HGJ 92vs90、CHUS 102vs100 并存，以论文正文口径为准	§9.4
坑 4	体积与版本错配	V1 58.1GB 已弃用，现行 V2 72.46GB（非 72.5GB）	§9.5
坑 5	引文作者数折叠	数据 citation 折成 9 作者，论文实为 12 位	§9.6
坑 6	特征数口径混乱	1615 是每模态数；PETCT 拼接 3230；三组合计 6460	§9.7
坑 7	许可三层混谈	影像受限签章，临床表/轮廓表 CC BY 3.0，源码 GPL	§9.8
坑 8	被引计数双口径	Scholar 约 674 次 vs TCIA 登记 52 次，用途不同	§9.9

八坑的发生阶段分布：检索期两坑（坑 1、坑 8），统计期三坑（坑 2、坑 3、坑 6），工程期两坑（坑 4、坑 5），合规期一坑（坑 7）——从查资料到跑实验到发论文，每一段路上都埋了一处。

写代码前自查五问（对应五个高频坑）：

1. 我的分母是 298 还是 300？（坑 2）
2. 我的机构例数用哪套口径？（坑 3）
3. 我的特征列是 1615/3230/6460 的哪一层？（坑 6）
4. 我下载的是 V1 还是 V2？（坑 4）
5. 我要分发的东西里有没有受限影像？（坑 7）

五问全过再动手，能把工程期与统计期的返工概率压到最低。

9.2 坑 1：别名三胞胎

TCIA 上名字最接近的三个合集恰好都与头颈 PET/CT 相关，检索 “head neck PET-CT” 时极易串门：

• Head-Neck-PET-CT（本条目）：Vallières 等 2017，298 例，影像组学+结局三终点。
• Head-Neck-FDG-PET/CT：另一批患者的 FDG-PET/CT 合集，作者与队列都不同。
• Head-Neck-PET-CT-Lesion：Grossberg 与 El Naqa 2018 发布的病灶级标注延伸集，另有自己的标注体系。

三者的辨识锚点是 DOI 与作者名单：本合集唯一对应 10.7937/K9/TCIA.2017.8oje5q00 与 Vallières 2017 论文。引用或下载数据前先对 DOI，光看标题会拿错数据。

连带效应：文献综述里把三个合集的例数与成绩互相移植，是已发表综述里出现过的真实错误形态——三个合集各引各的论文，混用后连原作者都无法自证清白。

9.3 坑 2：298 与 300

论文统计宇宙 300 例，TCIA 收录 298 例，差在 2 例因影像错误被剔除。

三个对账场景各取所需：

1. 复算事件率与 AUC 用 300（与论文可比）。
2. 清点 DICOM 目录用 298（与收录一致）。
3. 合并外部队列时显式声明口径。

最危险的操作是"拿着论文的事件数除以收录数"——45/298、40/298、56/298 会同时抬高三个事件率，且与一切已发表数字不可比。一句话原则：分子分母必须同源。

9.4 坑 3：机构例数双口径

HGJ 与 CHUS 的例数存在两种口径：论文正文（92、102）与其他材料/衍生材料（90、100）。差异各为 2 例，恰好与坑 2 剔除的 2 例量级相仿，但论文未逐例说明归属。

处理原则三条：

1. 凡是与论文统计结果（AUC、事件率、KM 曲线）关联的表格，一律用正文口径 92/102/41/65（合计 300）。
2. 凡是与 TCIA 收录清单关联的统计，一律以收录实数为准。
3. 写综述时建议引用正文口径并加脚注注明双口径存在，避免读者自行对账时误判为数据错误。

9.5 坑 4：体积与版本错配

两处错配高发：

1. V1 与 V2：V1（2017-11-30，58.1GB）与 V2（2018-06-07，72.46GB）——早期下载缓存与部分二手教程指向 V1，与现行版相差约 14.4GB，复现特征或对账序列数都会失败。
2. 72.46 与 72.5：72.5GB 是四舍五入写法——实质同源，但会触发严格的体积校验报警（存储配额、校验和场景）。

对账基准四件套：V2、72.46GB、2,661 序列、123,271 幅图像——四项全对才算下载完整（§6.6）。

9.6 坑 5：引文作者数折叠

数据 DOI 的 citation 格式把作者折叠为 9 位（Seuntjens、El Naqa 等被折叠掉），论文原文实为 12 位作者。

这不只是格式洁癖问题：

1. 学术数据库的作者消歧会把 9 人版本与 12 人版本当成不同文献，影响引用统计。
2. 作者检索（如查 Seuntjens 的全部成果）会漏掉折叠版记录。
3. 引用格式审稿（部分期刊做 DOI 元数据校验）会报作者数不一致。

正解：引用一律以论文 PDF 作者名单为准；发现二手来源只有 9 人时，回论文原文补全。

9.7 坑 6：特征数口径

1615 是每模态特征数（10 一阶 + 5 形态 + 1600 纹理），不是全集总数。

三个常错形态：

1. 把 1615 当全集总数——漏掉 CT 侧与拼接组，全集三组合计 6460 列。
2. 把 PETCT 的 3230 当成独立新算的融合特征——实为 1615×2 拼接，没有"融合专属特征"。
3. 把 1600 纹理当 40 个——40 是每参数组合下的纹理特征数，乘 40 种参数组合才是 1600。

实操建议：做特征筛选实验时先建好"参数组合 × 模态 × 特征族"三层索引，否则列名对不上论文表格，对账成本极高。

9.8 坑 7：许可三层混谈

三层许可的混淆有两个方向：

1. 过度收缩：把整个合集当受限数据放弃使用——实际三份资产即时公开。
2. 过度放任：把 CC BY 3.0 的宽松条款误推及影像——随意转发 DICOM 是违规。

精确记忆法一句话：影像=签章（TCIA Restricted License），表格=CC BY 3.0，源码=GNU GPL。

衍生注意点：GPL 约束源码再分发而非特征值使用——用源码算出的特征训练自己的模型不受 GPL 传染，修改源码再分发则必须继续开源（§5.5）。

9.9 坑 8：被引计数双口径

Google Scholar 口径约 674 次引用，TCIA 官方登记 52 次——两个数字都"对"，用途不同：

1. Scholar 口径：反映学术影响力（含一切提及），写基金申请书、综述引"高被引"用它。
2. TCIA 口径：反映规范引用的合规产出（按引用三件套登记），做 TCIA 合规对账用它。

两数差十倍不是数据错误，是统计边界不同。同类陷阱还有：把"下载数"当"使用数"——TCIA 的下载计数不等于研究使用量，引影响力时别混。

§10 附录：DAIMS 评分、FAQ 与来源存照

10.1 DAIMS 评分表

按库内 DAIMS 框架对八个维度评分（每维 1-5 分，满分 40）：

维度	得分	依据
身份与命名	4	DOI/论文/页面三向确认；扣 1 分因别名三胞胎高发混淆（坑 1）
许可透明	5	三层许可逐资产显式声明，TCIA 页面与论文一致
获取便利	3	公开表即时可得；影像需机构签章+审核，无公开直链
标注质量	4	GTV 为放疗级临床轮廓；扣 1 分因 207/300 为配准传播
文档完备	5	论文全参数披露+两份 XLS+目录结构清晰
可复现性	5	GNU GPL 全源码+40 参数矩阵，可完整复算 1615 特征
维护活性	3	V2 后无数据更新；TCIA 长期托管但集合处于稳定冻结态
社区采用	5	论文引用约 674 次（Scholar 口径），下游方法链活跃（§7.5）
总分	34/40	方法学与文档维度满分型；获取便利与维护活性是短板

评分解读：这是一个"方法学满分型"数据集——它把论文该交代的都交代了，短板全部来自数据发布模式本身（受限获取、一次发布后冻结），而非团队维护不力。选择它做研究时，短板要用下游动作补：受限获取靠提前规划申请周期，数据冻结靠自己跑增补实验。

10.2 常见问题六问

Q1：能用于商业项目吗？

• 临床表与轮廓表在 CC BY 3.0 下允许商用（需署名）。
• 影像本体按 TCIA Restricted License 条款执行，商业用途需在申请时明确声明并获批，默认授权面向学术研究。
• 源码按 GPL 使用，商用闭源衍生需谨慎评估 GPL 条款。

Q2：HuggingFace 上有镜像吗？

• 没有。hf-mirror 检索该数据集返回空结果，任何"HF 直链"声称均属误标。
• 合法获取路径只有 TCIA 页面一条（§6）。

Q3：下载多大、要多久？

• 72.46GB（V2）。
• 建议先 NBIA 抽样验证，再 Download Manager 全量拉取。
• 完成后按 2,661 序列/123,271 幅图像对账（坑 4）。

Q4：1615 个特征值是现成的吗？

• 不是——合集提供的是算特征的源码与影像，特征值需自行运行源码生成（§5.5 复现路径）。
• 论文表格只汇报代表性特征与成绩。
• 这也正是它可复现性满分的原因：每个人都能算出同款。

Q5：和 Head-Neck-PET-CT-Lesion 是什么关系？

• 不同合集（坑 1）。
• 后者是病灶级标注延伸体系，作者、DOI、内容边界都不同。
• 做病灶级检测任务应查后者；做组学+结局用本合集。

Q6：能重新划分训练/测试集吗？

• 技术上可以，但与论文基线不可比。
• 机构级划分（HGJ+CHUS 训练 / HMR+CHUM 测试）是基线协议的一部分，随机打散会导致同中心泄漏、AUC 虚高。
• 建议保留机构划分做主实验；另设打散实验时显式声明其为"同中心内插上界"，与主实验分开汇报。

Q7：写作引用时具体格式怎么给？

• 执行引用三件套：数据 DOI、Vallières 2017 论文、Clark 2013 TCIA 平台论文（§6.5 有 BibTeX 骨架）。
• 作者名单以论文原文 12 人为准，别用数据 citation 折叠的 9 人版（坑 5）。
• 正文提及数据规模时按用途选口径（§3.1），避免评审质疑数字不一致。

Q8：DICOM 用什么工具读？

• 标准工具即可——本合集无私有厂商标签（§2.7），pydicom、highdicom、dcmdump 一类通用库全覆盖。
• RTSTRUCT 解析推荐 highdicom 或 rt-utils 一类专用库；REG 对象解析注意其存放的是配准关系而非影像。
• 日期字段读出来的是平移日期（§2.4），别当真实日期用。

Q9：能只用公开表做预研吗？

• 能，而且建议这么做（§6.3）：结局分布与统计功效、轮廓来源勘察（93/207 分野）、源码走读，都不需要影像。
• 公开表在 CC BY 3.0 下使用自由，预研成果（如功效计算）可直接写进申请用途说明，让申请更具体。
• 唯一做不了的是特征值层面的工作——那需要影像加源码一起跑。

Q10：数据还会更新吗？

• V2（2018-06-07）之后集合处于稳定冻结态，TCIA 长期托管但无更新计划公布。
• 把冻结当优势用：版本唯一意味着引用与复现的锚点稳定，不存在"复现结果随版本漂移"的问题（对比还在迭代的大样本挑战赛数据）。
• 需要更新的队列与标注，看向下游合并研究（§7.5）与姊妹合集（坑 1 三胞胎），而不是等本集合出 V3。

10.3 双口径存照清单

研究阶段核出、本条目正文已按口径分工处理的五组双口径与两处细节存照：

存照项	口径 A	口径 B	本条目处理
HGJ 例数	92（论文正文）	90（其他材料）	取 92，坑 3
CHUS 例数	102（论文正文）	100（其他材料）	取 102，坑 3
患者总数	300（论文）	298（TCIA 收录）	分场景，坑 2
体积	72.46GB（V2 精确值）	72.5GB（四舍五入）	取 72.46，坑 4
引用计数	约 674（Scholar）	52（TCIA 登记）	分用途，坑 8
作者数	12（论文原文）	9（数据 citation 折叠）	取 12，坑 5
置信区间端点	LR 0.67 / DM 0.88	正文与图表呈现有细节差异	存照待核，§7.1

遗留待核两点（不影响正文结论）：

1. 论文 Supplementary 的参数敏感性小节（§2.4-2.5）与 Tables S2/S5-S8 的逐格数字未逐张核验，方法学复现时以源码输出为准。
2. TCIA Restricted License 从申请到获批的实际周期缺第一手记录，检索者以官方回复为准。

10.4 引用与互链建议

引用本条目所述数据集时执行引用三件套（§6.5 BibTeX 骨架）：

1. 数据 DOI（10.7937/K9/TCIA.2017.8oje5q00）；
2. Vallières 2017 论文（Sci Rep 7:10117）；
3. Clark 2013 TCIA 平台论文。

作者以论文原文 12 人名单为准（坑 5）。

库内互链按 §8.2 家族表执行：

• 正文内链优先 tcia(547)、lung-pet-ct-dx(475)、autopet(468) 三条（相关度最高）；
• autopet-iii(678)、autopet-v(634)、nsclc-radiomics(247)、nsclc-radiogenomics(257) 在家族导航层收拢。

互链计划：新篇正文内链 5 处 + 发布后重建家族导航。

10.5 来源清单

本条目全部关键数字的三源互证与检索通道：

• TCIA 集合页（五数/模态/许可/版本）：https://www.cancerimagingarchive.net/collection/head-neck-pet-ct/
• 数据 DOI（身份/引用/作者）：https://doi.org/10.7937/K9/TCIA.2017.8oje5q00
• 论文页（Sci Rep 7:10117）：https://doi.org/10.1038/s41598-017-10371-5
• PMC 全文（正文/表格/补充材料）：https://pmc.ncbi.nlm.nih.gov/articles/PMC5579274/
• EuropePMC REST fullTextXML（反爬环境下的全文核对通道）：https://www.ebi.ac.uk/europepmc/webservices/rest/PMC5579274/fullTextXML
• TCIA citation 政策与 Restricted 流程说明：https://www.cancerimagingarchive.net/
• HuggingFace 镜像排查（hf-mirror API 返回空）：https://hf-mirror.com/

数字核对优先级三原则：

1. 影像资产类（五数、体积、版本）以 TCIA 页面为裁决源。
2. 统计与结论类（事件数、AUC、特征构成）以论文正文与表格为裁决源。
3. 许可类以 TCIA 页面许可条款为裁决源。

三源冲突时按此优先级取数并在正文存照——这正是本条目五组双口径的处理路径。

10.6 术语速查表

全文缩写与专有名词的速查索引（按出现顺序归类）：

缩写/术语	全称	一句话含义
LR	Locoregional recurrence / Logistic regression	双义：局部区域复发（终点）或逻辑回归（模型），按上下文区分（§5.1）
DM	Distant metastasis	远处转移
OS	Overall survival	总生存
GTV	Gross tumour volume	大体肿瘤体积（原发灶+转移淋巴结）
HGJ	Jewish General Hospital	犹太总医院，训练中心 H&N1
CHUS	CHU de Sherbrooke	舍布鲁克大学医院，训练中心 H&N2
HMR	Hôpital Maisonneuve-Rosemont	测试中心 H&N3
CHUM	CHU de Montréal	蒙特利尔大学医院，测试中心 H&N4
RTSTRUCT	Radiotherapy Structure Set	放疗结构集（轮廓）
RTDOSE / RTPLAN	Dose / Plan	放疗剂量分布 / 治疗计划
REG	Registration	跨模态配准对象
GLCM / GLRLM / GLSZM / NGTDM	四族纹理矩阵	共生/行程/区域/邻域差（§4.6）
EP / UN	Equal-probability / Uniform	两种灰阶量化方法（§4.3）
LRHGE / ZSV / ZSN	长行程高灰度强调 / 区域大小方差 / 区域大小不均匀	DM 最优三特征（§7.2）
ROI	Region of interest	特征提取区域
AUC	Area under the ROC curve	分类区分度
KM	Kaplan-Meier	生存曲线
DeLong	DeLong test	相关 ROC 曲线 AUC 差异检验（§5.3）
IBSI	Image Biomarker Standardisation Initiative	影像组学特征标准化倡议（§5.7）
1615 / 3230 / 6460	特征数口径	每模态 / 拼接组 / 三组合计（坑 6）

用法提示：评审返修或协作沟通时，直接引用本表编号对应的章节，可以省掉重复解释口径的时间；缩写 LR 的双义是本领域文献的通病，写作时建议首次出现处加括号消歧。

10.7 三句话总结

把全文压缩到三个读者各三句话：

• 对数据工程师：72.46GB 六模态 DICOM、五数对账、无私有标签；影像要走签章，公开表先拿来对齐管线。
• 对方法学研究者：40 参数组合 × 1615 特征 × GPL 源码，可完整复算；机构级划分与失衡校正是与论文对话的前提。
• 对临床研究者：三终点事件 45/40/56，DM 基线 AUC 0.86 且最优特征全在 CT 侧；结论外推前记得这是魁北克四中心的队列。

三句话各对应一个章节群（§2/§6、§4/§5、§3/§7），也是本条目信息架构的主干。

10.8 条目维护备忘

1. 触发更新的事件：TCIA 侧版本变更（V3 或修订）、重要下游成果发表（新的合并队列里程碑）、许可条款调整——三者任一发生，应复核 §2.5、§7.5、§6.1 对应段落。
2. 双口径复核周期：§10.3 存照清单建议每半年对一次 TCIA 页面与论文原文，确认各口径 B 的表述未被上游修订。
3. 编号稳定承诺：坑点编号（坑 1-坑 8）与章节编号（§0-§10）是本条目被外部引用的坐标系，结构调整时保持编号稳定，新增内容以子小节追加。

---

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：

• petwb-rep — 共享标签：医学影像 / PET / CT / 多模态 / 肿瘤学
• autopet — 共享标签：医学影像 / PET / CT / 肿瘤学
• tcia — 共享标签：医学影像 / PET / CT / 肿瘤学
• idc — 共享标签：医学影像 / PET / CT / 肿瘤学
• hnpet-fdg — 共享标签：医学影像 / PET / CT / 肿瘤学
• cmb-crc — 共享标签：医学影像 / CT / 多模态 / 肿瘤学
• cmb-gec — 共享标签：医学影像 / CT / 多模态 / 肿瘤学
• calgb50303 — 共享标签：医学影像 / PET / CT / 肿瘤学
• autopet-v — 共享标签：医学影像 / PET / CT / 肿瘤学
• hecktor2026 — 共享标签：医学影像 / PET / CT / 肿瘤学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。