Name: HEADLINE: Benchmarking VLMs in Head CT Reporting
Creator: University Hospital Bonn — Division for Computational Radiology & Clinical AI (CCIBonn)
License: https://headline26.grand-challenge.org/
Keywords: 3D head CT, radiology report generation, vision language model, VLM, MICCAI 2026

信息速览

数据集名称HEADLINE: Benchmarking VLMs in Head CT Reporting — 3D 头部 CT 放射学报告生成挑战赛

数据类型3D 容积 CT,放射学报告,影像-文本对齐,视觉问答,神经影像

规模17000

接入方式HEADLINE: Benchmarking VLMs in Head CT Reporting — MICCAI 2026 挑战赛数据集（University Hospital Bonn, CCIBonn） url: https://headline26.grand-challenge.org/

AI 就绪度

HEADLINE: Benchmarking VLMs in Head CT Reporting (headline)

一句话定位：HEADLINE 是 MICCAI 2026 的正式挑战赛数据集，由波恩大学医院（University Hospital Bonn）下属的计算放射学与临床 AI 部门（CCIBonn）发布，任务是让视觉语言模型（VLM）读取 3D 头部 CT 容积，自动生成结构化自由文本放射学报告。数据集规模超过 16,000 例训练病例、500 例验证、500 例测试，评估采用「自动指标筛 + 放射科医生人工评」的双阶段混合框架——这是医学影像报告生成领域首个把头部 CT 三维容积与报告生成任务系统结合的大规模基准。

INFOBOX 一屏速览

项目	内容
官方全名	HEADLINE: Benchmarking VLMs in Head CT Reporting
slug	`headline`
一句话任务	3D 头部 CT 容积 → 结构化自由文本放射学报告
数据集类型	挑战赛数据集 / 影像-文本对齐 / 视觉语言模型基准
发布方	University Hospital Bonn（波恩大学医院）— Division for Computational Radiology & Clinical AI（CCIBonn）
负责人	Prof. Dr. Philipp Vollmuth（Else Kröner CS Professor for AI in Medical Imaging）
关联会议	MICCAI 2026
训练病例	16,000+ 例
验证病例	500 例
测试病例	500 例
模态	3D 头部 CT 容积（软组织重建 + 骨重建）
标签	结构化自由文本放射学报告
评估框架	两阶段混合：自动筛选（BERTScore 为主）+ 人工临床效用评分
最终分数	Final = 0.5 × S_Auto + 0.5 × S_Human
自动指标	BERTScore(F1) 70% + METEOR/ROUGE-L/BLEU-4 30%
人工指标	Clinical Utility Score（Attribution/Hallucination、Completeness、Safety）
获取方式	注册 + 签署 Data Transfer and Usage Agreement (DUA)
License	自定义协议，禁止商用
提交方式	Docker 容器，Grand Challenge 平台
官网	https://headline26.grand-challenge.org/
机构站	https://headline.ccibonn.ai/
库内 record_id	待入库（slug = headline）

§0 导读：为什么值得为 HEADLINE 单独写一个条目

医学影像 AI 有一条清晰的技术演进主线：先是分类（这张 X 光片有没有肺炎），再是检测/分割（病灶在哪、边界多大），再往后是报告生成（用自然语言把片子"读出来"）。前两类任务在胸部 X 光、病理切片、眼底图像上已经被大大小小的数据集覆盖得非常充分——从 CheXpert 到 MIMIC-CXR，从 CAMELYON 到 PANDA。但当任务从"二维灰度图上的判别"跳到"三维容积上的自由文本生成"时，可用的公开、大规模、有标准评估的数据集骤然稀少。

HEADLINE 恰好卡在这个缺口上。它的特殊性可以从三个维度理解：

模态维度：输入不是二维切片，而是完整的 3D 头部 CT 容积，而且同时提供软组织重建与骨重建两种窗。头部 CT 是急诊场景中最常见的影像检查之一，其读片重点（出血、骨折、占位、中线移位、脑室系统）天然是三维空间关系问题。让模型在三维空间里"读懂"这些结构，比在单张切片上做判别要难得多。
任务维度：输出不是分类标签，也不是结构化字段，而是结构化自由文本报告。这意味着模型必须同时掌握影像理解、解剖知识、临床表述规范三件事，还要避免"幻觉"——写出片子根本没有的发现。这是对 VLM 综合能力的考验。
评估维度：挑战赛没有单纯依赖 NLP 自动指标（BLEU/ROUGE 这类指标在报告生成上早已被诟病），而是设计了两阶段混合评估：第一阶段用 BERTScore 为主的加权组合分做自动筛选，第二阶段让经过 board 认证的放射科医生在测试用例上逐条判断"报告所写是否真的来自影像"。这种"机器筛 + 医生判"的框架，是这个挑战赛最值得学习的方法学设计。

此外，HEADLINE 是 MICCAI 2026 的正式挑战赛，举办方 CCIBonn 本身也参与过 BraTS、FeTS 等知名挑战赛，具备丰富的挑战赛组织经验。对任何关心"医学 VLM 到底能不能写报告"的研究者来说，HEADLINE 都是一个必须了解的数据集。

本条目将围绕以下问题展开：

HEADLINE 到底是什么，规模多大，谁做的？（§1、§2、§3）
数据长什么样——影像、标签、结构？（§2）
任务怎么定义，标注流程如何？（§3）
怎么被评估——自动指标与人工评分各是什么？（§4）
挑战赛时间线、排行榜、组织方是谁？（§5）
怎么拿到数据，license 如何？（§6）
它和库内其他条目（如 CheXpert、VQA-RAD、BraTS）是什么关系？（§9）
上手时最容易踩哪些坑？（§10）

阅读顺序建议：只想快速了解 → 读 §1 速览；准备参赛或做研究 → 精读 §2–§5；关心数据治理 → 重点看 §6 与 §10。

§1 速览十问十答

Q1：HEADLINE 是什么？

HEADLINE 是 MICCAI 2026 的一个正式挑战赛（Challenge），全称 Benchmarking VLMs in Head CT Reporting，中文可译为「头部 CT 报告生成中的视觉语言模型基准测试」。它提供一批头部 CT 影像与对应的放射学报告，要求参赛者训练的 VLM 在只看到影像的条件下自动生成报告，再由自动指标与放射科医生共同评分。数据集名称 “HEADLINE” 本身是缩写式命名，凸显"头部（HEAD）"与"报告（报告标题/头条）"的双关。

Q2：任务到底是什么？

输入：一个 3D 头部 CT 容积（含软组织窗与骨窗重建）。
输出：一段结构化自由文本放射学报告，描述该次检查所见的临床发现。
评价：报告与真实报告的语义接近程度（自动指标）+ 报告是否真正忠实于影像、有无幻觉（人工评分）。

这不是"给单张切片打标签"，而是"给整个三维容积写一份诊断文本"。

Q3：数据集有多大？

官方公布的硬数字是：

16,000+ 训练病例（training cases）
500 验证病例（validation cases）
500 测试病例（test cases）

每个病例包含一次完整的 3D 头部 CT 检查，以及一份对应的放射学报告。CCIBonn 在其机构页上自述，该数据集"构建于最大的公开可用容积 CT 报告生成数据集之上"（built on one of the largest publicly available datasets for volumetric CT report generation）。

Q4：谁发布的？

由**波恩大学医院（University Hospital Bonn）的计算放射学与临床 AI 部门（Division for Computational Radiology & Clinical AI，简称 CCIBonn）**发布。团队负责人是 Prof. Dr. Philipp Vollmuth（Else Kröner CS Professor for AI in Medical Imaging）。核心团队还包括 Martha Foltyn-Dumitru、Ricky Walsh、Tanuja Jayas、Samuel Kwong、Ritwik Ghosh、Alexander Radbruch、Gianluca Brugnara、Aditya Rastogi、Kai Schlamp 等研究者。

Q5：和 MICCAI 是什么关系？

HEADLINE 是 MICCAI 2026 的关联挑战赛。MICCAI（Medical Image Computing and Computer Assisted Intervention）是医学影像计算领域的顶级会议。挑战赛通常在会议前完成评审，结果在会议 session 中公布。HEADLINE 的 session 安排在 2026 年 10 月 1 日下午（另一口径为 9 月 27 日或 10 月 1 日，详见 §5 双口径存照）。

Q6：怎么评估模型好坏？

采用两阶段混合评估：

第一阶段（自动筛选）：计算加权综合分 S_Auto = BERTScore(F1) × 70% + 辅助指标 × 30%，辅助指标包括 METEOR、ROUGE-L、BLEU-4。BERTScore 使用 microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract 模型计算。
第二阶段（人工评分）：自动分排名前 5 的团队，其报告由board 认证的放射科医生在 50 个测试用例上打分，得到 S_Human（Clinical Utility Score），维度包括 Attribution/Hallucination（归因/幻觉）、Completeness（完整性）、Safety（安全性）。
最终分数：Final = 0.5 × S_Auto + 0.5 × S_Human。

Q7：数据是公开下载的吗？

不是完全公开。HEADLINE 属于受控访问（controlled access）数据集：参赛者需要注册并签署 Data Transfer and Usage Agreement（DUA，数据传输与使用协议）后才能获得数据。协议明确禁止商业用途。这种模式在临床数据共享中很常见，因为它需要在保护患者隐私与推动研究之间取得平衡。

Q8：怎么提交结果？

通过 Grand Challenge 平台（headline26.grand-challenge.org）提交，采用 Docker 容器方式执行，即参赛者把模型打包成容器，平台在受控环境中运行并评分。这是 MICCAI 系挑战赛的标准做法，可以避免参赛者直接接触测试标签。

Q9：报告是哪种报告？

放射学报告，来自临床常规检查流程。报告采用结构化自由文本形式——即不是严格的模板填空，也不是完全随意的叙述，而是带有一定结构（按解剖/发现组织）的自然语言文本。注意：HEADLINE 的任务核心是报告生成，而非解剖结构分割。某些二手来源（如部分中文自媒体）会把任务范围写成"含解剖结构分割"，这是不准确的，详见 §10 坑点。

Q10：一句话记住它？

“让 VLM 把一整颗脑袋的 CT 读成一份报告，再让放射科医生判断它有没有胡说。”——这就是 HEADLINE。

§2 数据构成与规格

2.1 影像模态：3D 头部 CT 容积

HEADLINE 的输入是 3D 头部 CT 容积（volumetric head CT），这是本数据集区别于绝大多数报告生成数据集的第一特征。

理解这一点，需要先区分几个容易混淆的概念：

二维切片 vs 三维容积：常规 CT 扫描一次会产生几十到几百张连续横断面切片，叠起来构成一个三维容积。研究者既可以把切片单独处理（2D 方法），也可以把整个容积作为一个三维张量处理（3D 方法）。HEADLINE 提供的是完整的 3D 容积，这意味着参赛者可以选择 2D、2.5D（多切片堆叠）或 3D 网络架构，但评估以容积级的报告为准。
软组织窗 vs 骨窗：CT 的"窗"（window）本质是灰度的显示映射。同一个容积，用软组织窗（soft tissue reconstruction）看，能清晰显示脑实质、出血、脑室、水肿等；用骨窗（bone reconstruction）看，则突出颅骨结构，便于判断骨折。HEADLINE 同时提供软组织重建与骨重建，这对模型是有利的——它等于给了模型两种"看片视角"，而骨折（骨窗）与颅内出血（软组织窗）是头部 CT 最核心的两类发现。
非对比 vs 增强：头部 CT 在急诊中最常用的是非对比 CT（non-contrast CT），用于快速排查出血、骨折、占位效应。这是头部 CT 最基础的检查形式。（关于本数据集是否全部为非对比，属于待核事项，见 §9。）

头部 CT 的常见临床读片重点包括：

解剖/病理类别	典型发现	主要观察窗
颅内出血	硬膜外、硬膜下、蛛网膜下腔、脑实质出血	软组织窗
颅骨骨折	线性骨折、凹陷性骨折、颅底骨折	骨窗
占位效应	中线移位、脑沟变浅、脑室受压	软组织窗
脑室系统	脑积水、脑室扩张或缩小	软组织窗
缺血改变	早期低密度、大面积梗死	软组织窗
术后改变	引流管、颅骨缺损、植入物	双窗

这张表也解释了为什么"报告生成"任务在头部 CT 上特别有挑战：一份报告往往需要同时覆盖骨窗与软组织窗的发现，而模型必须在三维空间中综合判断。

2.2 数据集划分与规模

官方公布的划分如下：

划分	病例数	用途
Training	16,000+	训练模型
Validation	500	本地验证 / 排行榜反馈
Test	500	最终评测（标签不公开）

三个关键点：

训练集规模在报告生成领域属于大级别。16,000+ 例带报告的三维容积 CT，这个量级远超多数公开报告生成数据集。作为参照，MIMIC-CXR 虽然影像数量庞大（数十万张胸片），但它是二维胸片且报告为半结构化；病理/眼底领域的报告数据集规模又常常只有几百到几千例。HEADLINE 在"三维 + 有报告 + 万级规模"这个组合上是相当突出的。
验证集与测试集各 500 例，规模适中。500 例足够支撑稳定的指标估计，又能在人工评分阶段可控——这直接决定了第二阶段能选 50 个测试用例给医生评。
测试集标签严格保密。这是挑战赛的标准设计：测试数据通过 Docker 容器在平台侧运行，参赛者看不到真实报告，杜绝过拟合。

2.3 标签：结构化自由文本放射学报告

每个病例的标签是一份放射学报告（radiology report），形式为结构化自由文本。

"结构化自由文本"这个说法值得拆解：

结构化：报告不是随意的散文，而是遵循临床书写规范的。一份典型的放射学报告通常包含检查技术、临床指征、所见（Findings）、**印象（Impression）**等部分，其中"所见"按解剖或系统组织，"印象"给出结论。
自由文本：每一句的具体措辞由放射科医生自由撰写，不是从固定词表里选标签。这意味着同一发现可能有多种表述（“中线轻度左移” vs “中线向左移位约 3 mm”），给自动评估带来挑战——这也是为什么 HEADLINE 选择 BERTScore 这类语义指标而非纯 n-gram 指标作为主指标（详见 §4）。

这种标签形态决定了任务的本质：不是分类、不是序列标注，而是条件文本生成。模型要在给定影像的条件下，生成一段既医学正确、又表述规范、还忠实于影像的文本。

2.4 数据结构与访问形态

由于数据受 DUA 保护，完整的目录结构与文件命名需要取得访问权后才能确认。根据挑战赛的通行做法与官方任务描述，可以预期的访问形态如下（属于合理推断，非官方逐字确认，见 §9 待核）：

影像数据以病例（case/study）为单位组织，每例包含一个 3D CT 容积（可能以 DICOM 序列或 NIfTI/NRRD 等格式提供，具体格式待确认）。
报告数据以病例 ID 关联的文本文件或表格字段提供。
训练集报告对参赛者可见；验证集报告通常可见或部分可见；测试集报告不可见。

（数据结构为合理推断示意，非官方确认）
dataset_root/
├── train/
│   ├── <case_id>/
│   │   ├── ct_volume.(nii|nrrd|dicom_series)   # 3D 头部 CT 容积
│   │   └── ...
│   └── reports.(csv|json|txt)                   # case_id → 放射学报告
├── validation/
│   └── ...（同 train 结构）
└── test/
    └── ...（影像可见，报告不可见）

重要提示：上述结构是基于挑战赛通行模式的示意，不应作为权威依据。实际格式（DICOM 还是 NIfTI、报告用 CSV 还是 JSON、是否附带患者级元数据）必须以 DUA 授予后的官方文档为准。

2.5 数据规模对照：HEADLINE 在报告生成数据集谱系中的位置

把 HEADLINE 放进更大的坐标系里，它的位置会更清楚：

数据集	模态	维度	规模（约）	核心任务
HEADLINE	头部 CT	3D	16,000+ / 500 / 500	报告生成
MIMIC-CXR	胸片	2D	数十万张	报告生成 / 分类
CheXpert	胸片	2D	22 万+	多标签分类
OpenI (IU X-ray)	胸片	2D	约 7,470 图 / 3,955 报告	报告生成
VQA-RAD	放射影像	2D	约 3,515 QA	视觉问答
BRAX	胸片	2D	约 40,000	报告生成 / 分类
CT-RATE	胸部 CT	3D	约 25,000 例	报告生成 / 分类

从这张表可以看出：绝大多数报告生成数据集中在 2D 胸片；3D 容积 + 报告生成的数据集非常稀少，胸部的 CT-RATE 是一个代表性例子，而头部 CT 的报告生成数据集，HEADLINE 是极少数之一。这正是它的独特价值。

2.6 头部 CT 的临床背景（为什么这个模态重要）

为了让非放射科背景的读者也能理解 HEADLINE 的临床意义，这里补一段基础背景。

头部 CT 是急诊神经影像的一线检查。 当患者因外伤、突发头痛、意识障碍、疑似卒中等情况就诊时，头部 CT 通常是第一个被安排的影像检查。它快（几秒到几十秒完成扫描）、普及（几乎每家医院都有 CT）、对急性出血和骨折非常敏感。正因如此，头部 CT 的报告量极大，而放射科医生资源相对紧张——这是"自动报告生成"在头部 CT 上具有现实需求的根本原因。

头部 CT 报告的临床决策价值。 报告中的关键发现往往直接决定处置：硬膜下血肿需要评估是否手术；蛛网膜下腔出血要排查动脉瘤；颅骨骨折要判断是否累及血管沟。因此，“报告是否忠实于影像”（而非仅仅是"文字是否流畅"）是评估这类系统时的第一要务——这也正是 HEADLINE 人工评分维度里把 Attribution/Hallucination 放在首位的原因。

为什么"幻觉"在头部 CT 报告里格外危险。 如果一个分类模型漏诊了出血，医生可能会因为其他线索（如临床体征）复核片子；但如果一个报告生成模型凭空写出"未见出血"或凭空写出"存在出血"，且文字读起来非常流畅可信，就可能误导临床判断。这解释了为什么 HEADLINE 的评估必须引入放射科医生的人工评分，而不能只看 BERTScore。

§3 任务定义与标注流程

3.1 任务的形式化定义

HEADLINE 的任务可以形式化为一个条件文本生成问题：

给定输入影像 $X$（一个 3D 头部 CT 容积），生成报告文本 $Y$，使得 $Y$ 与真实报告 $Y^*$ 在语义上尽可能接近，并且在临床上忠实、完整、安全。

这里的"接近"由两阶段评估共同度量（见 §4），而不是单一的文本相似度。

与相邻任务的边界：

vs 影像分类：分类输出是离散标签（有/无某病变），报告生成输出是整段文本，信息量大得多，也在评估上难得多。
vs 视觉问答（VQA）：VQA 是在给定问题下作答（如 VQA-RAD、SLAKE），报告生成没有显式问题，模型必须自己决定"该报告哪些发现"。这更接近真实阅片流程。
vs 结构化抽取：抽取是把已有的自由文本转成结构化字段，方向与报告生成相反。两者常被组合使用（生成报告 → 抽取关键字段），但 HEADLINE 的任务是"从影像到文本"。

3.2 参赛者需要搭建的系统

一个典型的 HEADLINE 参赛系统包含以下环节：

影像预处理：读取 3D 容积，可能进行重采样、强度归一化、窗宽窗位处理（软组织窗 + 骨窗）、裁剪或分块。3D 容积往往超出 GPU 显存，因此需要 2D/2.5D 采样策略或 3D 分块策略。
视觉编码：用 2D 或 3D 视觉骨干（CNN 或 ViT 类）提取影像特征。若采用 2.5D 方案，需要把多切片特征聚合为容积级表示。
跨模态对齐：把视觉特征与语言模型的嵌入空间对齐，通常通过投影层（projector）或适配器（adapter）实现。
报告解码：用语言模型生成报告文本，可选用通用 LLM、医学领域 LLM（如基于 LLaVA-Med、BiomedGPT 一类思路），或专用报告生成模型。
后处理：清理重复、规范术语、修整格式。

这一整套流程需要在给定的计算预算与 Docker 环境下运行，这是挑战赛的常见约束。

3.3 报告的标注来源与形态

HEADLINE 的报告来自临床常规检查流程，即这些报告是放射科医生在真实临床工作中写下的，而非专门为数据集撰写的。这一点有利有弊：

利：报告反映了真实的临床表述习惯与发现分布，任务的生态效度高。模型学到的东西更接近真实阅片。
弊：临床报告存在表述不统一（不同医生、不同年份风格不同）、信息密度不均（有的报告非常详细，有的很简略）、隐含信息（有些发现被默认省略）等问题。这对自动评估提出了更高要求。

结构化自由文本的具体结构（是否固定包含"检查技术/所见/印象"等部分）需要以官方文档为准。从"结构化自由文本"这一官方措辞推断，报告应当保留了临床报告的基本结构组织，但具体措辞自由。

3.4 挑战赛的标注/评估流程

HEADLINE 的"标注"更多体现在评估阶段的人工标注上，其流程可以概括为：

参赛者提交 Docker 容器
        ↓
平台在测试集上运行，生成预测报告
        ↓
【Stage 1】自动指标计算
   S_Auto = 0.7 × BERTScore(F1) + 0.3 × (METEOR + ROUGE-L + BLEU-4)
        ↓
按 S_Auto 排名，取 Top 5 团队
        ↓
【Stage 2】放射科医生人工评分
   在 50 个测试用例上评 Clinical Utility Score
   维度：Attribution/Hallucination、Completeness、Safety
        ↓
Final = 0.5 × S_Auto + 0.5 × S_Human
        ↓
公布最终排名

这个"两阶段"设计的精妙之处在于：自动指标负责高效筛选，人工评分负责最终把关。如果只做自动评估，BERTScore 高的报告可能是流畅但错误的幻觉；如果只做人工评估，则成本随参赛队伍数线性增长、不可持续。两者结合，既控制了成本，又保证了质量判断的可信度。

3.5 为什么报告生成要引入人工评分

这一点值得单独强调，因为它是整个挑战赛方法学上最有价值的部分。

在报告生成任务中，自动指标存在一个根本性缺陷：它们衡量的是"文本像不像"，而非"内容对不对"。

举一个极端的例子：

真实报告：未见颅内出血。颅骨未见骨折。
预测 A：未见颅内出血。颅骨未见骨折。 → BERTScore 极高，且完全正确。
预测 B：可见颅内出血。颅骨未见骨折。 → 只改了一个字，BERTScore 依然很高，但临床意义完全相反。
预测 C：该次头部 CT 检查显示脑实质结构清晰，未见明显异常密度影，中线结构居中。 → 措辞不同但语义正确，BERTScore 可能略低于 A，但临床效用很高。

自动指标无法可靠地区分 B 和 C 谁更"好"。因此，HEADLINE 引入放射科医生的Clinical Utility Score，从三个维度直接判断报告质量：

Attribution/Hallucination（归因/幻觉）：报告中的每条陈述是否真的能从影像中找到依据？有没有凭空捏造的发现？这是最重要、也最接近临床安全的维度。
Completeness（完整性）：报告是否覆盖了影像中存在的重要发现？有没有遗漏关键病灶？
Safety（安全性）：报告是否存在可能导致临床误判的表述？

这三个维度共同构成了"这份报告能不能放心交给医生看"的判断标准。

§4 评估框架与基准

4.1 两阶段混合评估总览

HEADLINE 评估框架的核心是**两阶段混合（two-stage hybrid）**设计。这一设计的动机在 §3.5 已说明：单纯自动指标无法判断临床正确性，单纯人工评分无法规模化。混合方案把两者的优势结合起来。

完整的评分链条如下：

Stage 1（自动筛选，对所有参赛队伍）
    S_Auto = 0.70 × BERTScore(F1)
           + 0.30 × [ METEOR + ROUGE-L + BLEU-4 的辅助组合 ]
    → 按 S_Auto 排名，取 Top 5

Stage 2（人工评分，仅对 Top 5）
    S_Human = Clinical Utility Score（50 个测试用例）
            = f(Attribution/Hallucination, Completeness, Safety)

最终分数
    Final = 0.50 × S_Auto + 0.50 × S_Human

需要注意的是，最终分数中自动分与人工分各占一半（50/50）。这意味着即使一个模型在自动指标上领先，如果放射科医生认为它幻觉严重、完整性差，最终排名仍可能被拉下来。这是 HEADLINE 与许多"唯 BLEU 论"的报告生成基准的显著区别。

4.2 Stage 1：自动指标详解

4.2.1 主指标 BERTScore（权重 70%）

S_Auto 的主指标是 BERTScore，占 70% 权重。BERTScore 的基本思想是：

用预训练语言模型分别把预测报告与参考报告编码为 token 级嵌入；
对预测中的每个 token，找到参考中最相似的 token，计算相似度；
反向同样计算，得到 precision 与 recall；
综合得到 F1。

与 BLEU/ROUGE 这类基于 n-gram 精确匹配的指标相比，BERTScore 的优势是度量语义相似度而非字面重合度。对于报告生成这种"同义不同形"极常见的任务，这是更合理的选择。例如"中线略向左偏"与"中线结构轻度左移"，字面重合很低，但语义几乎一致，BERTScore 能捕捉到，BLEU 则不能。

使用的编码模型：官方指定使用 microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract。这是一个在生物医学文献摘要上预训练的 BERT 模型（PubMedBERT 系列）。选择生物医学领域 BERT而非通用 BERT 是有道理的——医学报告的术语（“蛛网膜下腔”、“硬膜下”、“中线移位”）在通用语料中出现频率低，通用模型的嵌入未必能很好地表示这些术语的语义关系。

为何主指标选 BERTScore 而不是 BLEU：报告生成领域近年来的共识是，n-gram 指标与临床质量的关联性弱。BERTScore 作为语义指标，在英文报告生成任务中已被广泛采用。HEADLINE 把 BERTScore 提到 70% 权重，是一个明确的方法学立场。

4.2.2 辅助指标（合计权重 30%）

辅助指标包括三个传统指标，合计占 30%：

METEOR：基于 unigram 匹配并考虑同义词、词形变化的指标，比 BLEU 更宽容。
ROUGE-L：基于最长公共子序列的指标，衡量内容覆盖度（recall 导向）。
BLEU-4：基于 4-gram 精确匹配的经典机器翻译指标，precision 导向。

这三个指标各自衡量文本重合的不同侧面（语义宽松匹配、覆盖度、n-gram 精确度），组合起来可以平滑单一指标的偏差。把它们放在 30% 权重、且不点名各自占比，说明官方更希望它们起"修正"而非"主导"作用。

关键数字：70%（BERTScore）+ 30%（辅助） = 100%。

4.3 Stage 2：Clinical Utility Score（临床效用评分）

人工评分只在自动分排名前 5 的团队之间进行，评分样本是 50 个测试用例。这样设计的成本可控：5 团队 × 50 用例 = 250 次评分，对放射科医生是可承受的工作量。

评分维度（三个）：

Attribution / Hallucination（归因/幻觉）
- 报告中的每条陈述是否有影像依据？
- 是否存在"影像上没有、报告里却写了"的发现？
- 这是最关键的维度，直接对应临床风险。
Completeness（完整性）
- 报告是否覆盖了影像中的主要发现？
- 是否遗漏了对临床决策重要的病灶？
- 与幻觉相对：幻觉是"写了不该写的"，遗漏是"没写该写的"。
Safety（安全性）
- 报告是否存在可能导致误诊/误判的表述？
- 措辞是否会误导临床医生？

评分者身份：board-certified 放射科医生（经过专科认证的放射科医生），而非普通标注员。这保证了评分的专业权威性。这是 HEADLINE 人工评估的关键质量保证。

为何是这三个维度：它们恰好对应"报告能否安全用于临床"的三个必要条件——有依据（不幻觉）、覆盖全（不遗漏）、表述安全（不误导）。任何一个维度不合格，报告都不能被信任。

4.4 最终分数的计算

Final Score = 0.5 × S_Auto + 0.5 × S_Human

两个值得注意的点：

权重 50/50：自动分与人工分等权。这避免了两种极端：一是"唯 NLP 指标"，忽视了临床正确性；二是"唯人工"，无法规模化。等权是一个折中且明确的选择。
潜在的方法学讨论点：自动分只在前 5 团队中与人工分结合，这意味着排名 6 及以后的团队实际上只有自动分参与排名（或者说无法进入最终人工评估）。因此，"进入 Top 5"本身就是一个重要的关卡——自动指标上的一点点差距，可能决定团队能否进入人工评测阶段。

4.5 与其他报告生成基准的对比

基准/数据集	主指标	是否含人工临床评分	模态
HEADLINE	BERTScore(70%) + 辅助(30%)	是（Top 5，50 例，3 维度）	3D 头部 CT
MIMIC-CXR 相关基准	BLEU/ROUGE/METEOR 等	多数无系统人工评	2D 胸片
CheXpert（分类）	AUROC 等分类指标	无需	2D 胸片
CT-RATE（报告生成）	文本指标 + 临床效度指标	视具体评测	3D 胸部 CT
VQA-RAD（VQA）	准确率	无需	2D 放射影像
BRAX	文本/分类指标	视具体评测	2D 胸片

从对比可见，"3D 容积 + 报告生成 + 明确的人工临床效用评分"三者齐备的基准非常少，这是 HEADLINE 在方法学上的主要贡献点。

4.6 评估框架的方法学启示

HEADLINE 的评估设计提供了几条可迁移的经验：

报告生成评估不能只靠文本指标。语义相似度高的报告可能在临床上完全错误（见 §3.5 的例子）。引入领域专家评分是必要的。
分层评估控制成本。先自动筛、再人工评，把昂贵的人工评分限制在少量候选上，是一种可推广的工程折中。
选择领域专用编码器。用 BiomedBERT 而非通用 BERT 计算 BERTScore，体现了对医学术语语义的重视。做类似基准时应考虑领域适配。
多维度人工评分。不是给一个总分，而是从归因/幻觉、完整性、安全性三个正交维度打分，能更精细地定位模型缺陷。
选择合适的主指标权重。把语义指标（BERTScore）放在 70%，n-gram 指标放在 30%，反映了对报告生成任务本质的理解。

§5 挑战赛时间线与组织

5.1 组织方介绍

**波恩大学医院（Universitätsklinikum Bonn / University Hospital Bonn）是德国的一所大型大学附属医院。其下属的计算放射学与临床 AI 部门（Division for Computational Radiology & Clinical AI，CCIBonn）**是 HEADLINE 的发布与组织单位。

该部门的负责人 Prof. Dr. Philipp Vollmuth 是 Else Kröner CS Professor for AI in Medical Imaging（Else Kröner 讲席教授，方向为医学影像 AI）。团队的核心成员包括：

Martha Foltyn-Dumitru
Ricky Walsh
Tanuja Jayas
Samuel Kwong
Ritwik Ghosh
Alexander Radbruch
Gianluca Brugnara
Aditya Rastogi
Kai Schlamp

（以上名单来自官方团队页面，见 §9 待核与来源。）

CCIBonn 的挑战赛经验：该团队参与组织或参与了多项医学影像挑战赛，包括知名的 BraTS（脑肿瘤分割）与 FeTS（联邦学习肿瘤分割）系列。这一经验体现在 HEADLINE 的组织成熟度上——从明确的评估框架到 Docker 提交机制，都符合 MICCAI 系挑战赛的规范。

5.2 官方渠道

渠道	URL	用途
挑战赛主页	https://headline26.grand-challenge.org/	注册、提交、排行榜、时间线
机构主页	https://headline.ccibonn.ai/	数据集介绍、团队信息
CCIBonn 官网	https://ccibonn.ai/	部门主页、其他项目

5.3 时间线

以下是官方公布（或可从官方渠道查证）的关键时间节点：

时间	事件
2026-04	挑战赛网站上线
2026-05-01 ~ 2026-05-08	首批训练数据发布（见双口径存照 A）
2026-06-01	第二批训练数据 + validation 数据集发布
2026-06-19	Validation 阶段开启
2026-06-29	Sanity check 开启
2026-07-08	注册关闭
2026-07-13	Test 阶段开启
2026-07-26	Test 阶段关闭
2026-08-01	评审结果发布
2026-08-06 / 2026-08-16	Camera-ready 提交
2026-08-20	八月 evaluation 完成
2026-10-01	MICCAI 2026 session（见双口径存照 B）

5.4 双口径存照 A：训练数据发布日

存照原因：不同官方页面给出的首批训练数据发布日存在出入。

口径一：Timeline 处写作 2026-05-01 ~ 2026-05-08（一批数据在 5 月上旬发布）。
口径二：Updates 处写作 “May 9, 2026 first batch”（首批数据 5 月 9 日发布）。

处理方式：本条目并列记录两个口径，不擅自裁定。实际以官方最新公告为准。两个口径的差异（5 月 8 日 vs 5 月 9 日）可能源于"开始发布"与"发布完成"的表述差异，或页面更新不同步。

5.5 双口径存照 B：MICCAI session 日期

存照原因：关于 HEADLINE 在 MICCAI 2026 的 session 时间，存在两种表述。

口径一：2026-10-01（October 1, 2026）下午 1:30–3:30，Room Etoile C。
口径二：“September 27 or October 1, 2026”（9 月 27 日或 10 月 1 日，未定）。

处理方式：并列记录。会议 session 的确切时间以 MICCAI 2026 官方日程为准。

5.6 挑战赛运作机制

注册：参赛者需在 Grand Challenge 平台注册，并签署 DUA。
提交：以 Docker 容器形式提交；平台在受控环境中对测试集运行容器，参赛者不直接接触测试标签。
反馈：validation 阶段提供排行榜反馈，供参赛者迭代。
Sanity check：设有专门的 sanity check 环节，帮助参赛者验证提交流水线是否正常。
评审：test 阶段结束后进入评审，最终结果在 MICCAI session 公布。

5.7 时间线的方法学观察

从时间线可以看出挑战赛节奏的典型结构：4 月建站 → 5-6 月发数据 → 6-7 月 validation/test → 8 月评审 → 10 月会议公布。留给参赛者的训练时间大约 2-3 个月，这在 MICCAI 系挑战赛中属于中等强度。对参赛者的启示是：数据一发布就应尽快搭好 baseline 与提交流水线，把 sanity check 尽早跑通，避免在 test 阶段临近时才发现工程问题。

§6 获取方式与许可

6.1 获取方式：受控访问（Controlled Access）

HEADLINE 不是可以随意下载的公开数据集。获取路径是：

1. 访问 https://headline26.grand-challenge.org/ 并注册账号
2. 阅读并签署 Data Transfer and Usage Agreement (DUA)
3. 经审核通过后，获得数据访问权限
4. 下载训练/验证数据（测试集通常不提供下载）

这一流程在临床数据共享中是标准做法，因为原始临床影像受患者隐私法规约束，不能无条件公开。

6.2 Data Transfer and Usage Agreement（DUA）

DUA 是数据提供方与使用者之间的法律协议，通常限定：

用途：仅限研究用途（research use only）。
禁止商用：不得用于商业目的。这是 HEADLINE 明确的限制。
再分发：不得向第三方转让数据。
隐私：不得尝试重新识别个体患者。
安全：需采取合理措施保护数据安全。
署名：使用数据集的研究需按约定引用。

关于 license 的诚实说明：HEADLINE 使用的是一套自定义协议（custom agreement），而非某个标准开源许可证（如 CC-BY、MIT、Apache-2.0）。因此本条目不会臆造一个 SPDX 许可证名去标注它。正确的表述是"自定义 DUA，研究用途，禁止商用"。如果想引用它的许可信息，应直接引用官方 DUA 文本。

6.3 可获取性分层

不同用户能获得的资源不同，可以分三层理解：

层级	对象	可获取内容
公开层	所有人	官网介绍、时间线、评估框架说明、排行榜、团队信息
注册层	注册并签 DUA 的参赛者	训练数据、验证数据、排行榜反馈、评测容器接口
测试层	平台侧	测试集标签、Test 阶段评分逻辑

对只想"了解数据集长什么样"的读者，公开层的信息（尤其是评估框架）已经足够；对想复现或参赛的研究者，需要走注册层。

6.4 数据引用与合规建议

使用 HEADLINE 数据时，建议：

遵守 DUA：严格按协议限定用途，特别注意商用限制。
正确引用：引用官方挑战赛页面与（若有）相关论文。
不重分发：不把原始数据放进任何公开仓库。
注意隐私：不尝试还原患者身份。
报告局限：在论文中说明数据的单中心性质与规模限制（见 §10）。

6.5 与开放数据集获取模式的对比

为了帮助读者建立直觉，这里对比几种典型的数据共享模式：

模式	代表数据集	获取门槛	HEADLINE 是否属于
完全开放	MNIST、MedMNIST 部分	无	否
注册即得	部分 PhysioNet 数据	低	否（需 DUA）
签署协议	MIMIC 系列、HEADLINE	中	是
申请审批	部分基因组/临床数据	高	部分相似
挑战赛受控	HEADLINE、BraTS	中-高	是

HEADLINE 属于"签署协议 + 挑战赛受控"这一档：门槛不算最高（多数研究者只要愿意签协议就能拿到），但绝非"点开链接即可下载"。对新手来说，尽早注册并走完 DUA 流程是参赛的第一步，因为这个流程可能占用数天到数周。

6.6 数据治理与伦理维度

HEADLINE 作为临床来源的影像数据集，其治理涉及几个伦理要点：

患者隐私：头部 CT 影像可能包含面部轮廓等可识别信息，DUA 与去标识化流程是必要保护。
知情同意：临床数据的二次使用通常需要符合当地法规（如欧盟 GDPR）的同意框架。
利益平衡：受控访问在"推动研究"与"保护患者"之间取舍。HEADLINE 选择研究用途、禁商用，是一个偏保守但合规的选择。
责任边界：即便模型在 HEADLINE 上表现优秀，S_Human 也只是"临床效用评分"，不等于"可用于临床"。任何基于该数据集的报告生成系统在真实部署前都必须经过注册审批与前瞻性验证。

§7 生态、影响与应用场景

7.1 HEADLINE 在医学 AI 生态中的位置

要理解 HEADLINE 的价值，需要看清它处在两条研究主线的交叉点上：

医学影像理解主线：从分类（CheXpert）→ 检测/分割（LUNA16、BraTS）→ 报告生成（MIMIC-CXR、CT-RATE、HEADLINE）。
视觉语言模型（VLM）主线：从通用 VLM（CLIP、BLIP、LLaVA）→ 医学领域 VLM（LLaVA-Med、BiomedGPT、Med-PaLM 系列）→ 专科报告生成。

HEADLINE 正好是这两条线的交汇：用 VLM 的能力，去解决 3D 头部 CT 的报告生成，并用临床效用做评估。它的出现，标志着报告生成研究正在从"二维胸片"向"三维容积、专科化"演进。

7.2 潜在应用场景

1. 急诊头部 CT 的初筛辅助。
头部 CT 是急诊量最大的影像检查之一。一个可靠的报告生成模型可以在放射科医生阅片前，先给出初步发现清单或草稿，帮助医生快速定位关键病灶。这不能替代医生诊断，但可以缩短周转时间（turnaround time）。

2. 报告草稿自动生成。
对常规、阴性或低风险的头部 CT，模型生成草稿、医生审核修改，可以降低文书负担。这是当前医学 AI 落地最有现实价值的场景之一。

3. 结构化登记与质控。
生成的报告可以被进一步抽取为结构化字段，用于科室质控（如"蛛网膜下腔出血的报告中，报告完整率是多少"）。

4. 教学与培训。
用 HEADLINE 数据训练的系统可以作为住培医生的辅助工具，展示"标准报告应该如何描述某类发现"。

5. 跨中心泛化研究。
HEADLINE 是单中心数据（见 §10），因此它也为"模型在单中心训练后能否泛化到其他医院"提供了研究起点。

7.3 对研究社区的贡献

填补空白：为"3D 头部 CT 报告生成"提供了首个大规模、带完整评估框架的基准。
方法学示范：两阶段混合评估（自动筛 + 人工评）为后续报告生成基准提供了可借鉴的模板。
推动 VLM 医学化：迫使 VLM 研究从"二维图像问答"走向"三维容积文本生成"，难度更高、更接近真实临床。
标准化衡量：通过 Docker 提交与统一指标，使得不同团队的模型可以在同一标准下比较。

7.4 生态关联

HEADLINE 与以下方向有密切关联：

头部/神经影像：与 BraTS（脑肿瘤分割）、IXI（脑 MRI）等共享"神经系统影像"这一大类，但任务不同（HEADLINE 是报告生成，BraTS 是分割）。
报告生成：与 MIMIC-CXR、CT-RATE、OpenI 同属报告生成谱系，但模态不同（分别为 2D 胸片、3D 胸部 CT、2D 胸片）。
医学 VQA：与 VQA-RAD、SLAKE 同属"影像-文本"多模态任务家族，但 VQA 有显式问题，报告生成没有。
CT 本体：与 CT-RATE、RIDER-Lung-CT 等同属 CT 模态，但解剖部位与任务不同。

§8 方法学启示：从 HEADLINE 能学到什么

8.1 关于报告生成任务的本质

HEADLINE 的存在提醒我们：报告生成不是一个纯 NLP 任务，而是一个"影像理解 + 临床推理 + 语言表达"的复合任务。任何只优化文本指标的方案，都可能产出"流畅但错误"的报告。做这类研究时，必须：

把"忠实性（faithfulness）“作为第一目标，而非"流畅性”。
建立能检测幻觉的评估手段（这正是 HEADLINE 人工评分维度的核心）。
认识到文本指标与临床质量之间的差距。

8.2 关于三维影像建模

3D 容积给建模带来的核心挑战是显存与计算。16,000+ 例 3D 容积不可能整体塞进 GPU。常见应对策略：

2D 切片采样：只取部分切片，牺牲空间完整性。
2.5D 堆叠：把相邻几层作为多通道输入，兼顾局部三维信息与计算可行性。
3D 分块（patch）：把容积切成块分别处理，再聚合。
多分辨率：低分辨率看全局、高分辨率看局部。

HEADLINE 同时提供软组织窗与骨窗，这本身也是一种"多视角"策略的入口——模型可以分别编码两个窗，再融合。

8.3 关于评估设计

从 HEADLINE 可以提炼出设计医学报告生成基准的一般原则：

主指标要用语义指标（BERTScore 一类），n-gram 指标作辅助。
必须引入领域专家评分，维度要正交（归因/完整/安全）。
分层评估控制成本（先自动筛，后人工评）。
编码器领域适配（用 BiomedBERT 而非通用 BERT）。
权重公开明确（70/30、50/50 都应写清）。

8.4 关于数据共享治理

HEADLINE 的"注册 + DUA + 禁商用"模式，是临床数据共享的常见做法。对研究者的启示：

提前规划获取周期：DUA 审批可能耗时，赛前应尽早启动。
理解用途限制：研究用途与商用是完全不同的法律范畴。
尊重隐私边界：受控访问不是障碍，而是数据能合法共享的前提。

§9 与库内条目的关系

9.1 直接相关条目

相关条目（slug）	record_id	关系
`mimic-cxr`	16	报告生成领域的标杆（2D 胸片），HEADLINE 是其在 3D 头部 CT 方向的延伸
`openi`	107	胸片报告生成数据集，任务形态相近、模态不同
`chexpert`	5	胸片多标签分类，代表"分类"任务，与 HEADLINE 的"报告生成"形成任务对比
`chexpert-plus`	740	CheXpert 扩展版，胸片多标签
`ct-rate`	546	胸部 CT 报告生成，是 HEADLINE 在"3D CT + 报告生成"方向上最接近的类比（解剖部位不同）
`brax`	—	胸片报告生成/分类
`vqa-rad`	240	放射影像视觉问答，与 HEADLINE 同属影像-文本多模态但任务不同
`slake`	—	双语医学 VQA，多模态影像问答
`pathvqa`	—	病理 VQA
`radgraph2-radiology-reports`	622	放射学报告结构化（与报告生成相反方向）
`reg2026`	639	病理报告生成（REG²），与 HEADLINE 同属"报告生成"大类，模态为病理
`rider-lung-ct`	267	肺部 CT 影像，CT 模态相关
`covil-ct`	307	CT 影像，模态相关
`brats`	24	脑肿瘤分割，同属神经影像但任务为分割
`ixi-brain`	482	脑 MRI，神经影像相关
`nucls`	248	病理图像，多模态相关

9.2 建议互链点（5-8 条）

建议在网站侧建立以下互链，帮助读者在相关条目间跳转：

headline ↔ ct-rate（546）：两者都是"3D CT + 报告生成"，是库内最直接的可比对象。区别是解剖部位（头部 vs 胸部）。
headline ↔ mimic-cxr（16）：报告生成领域的参照片，帮助读者理解"2D 胸片报告生成"与"3D 头部 CT 报告生成"的差异。
headline ↔ brax：同为报告生成方向，模态与规模不同。
headline ↔ vqa-rad（240）：影像-文本多模态的两条不同路线（问答 vs 报告生成）。
headline ↔ brats（24）：同为神经影像，任务对比（分割 vs 报告生成）。
headline ↔ reg2026（639）：同为"报告生成"任务，模态对比（病理 vs 头部 CT）。
headline ↔ mimic-cxr / openi（16 / 107）：构成"报告生成数据集"主题簇。
headline ↔ ixi-brain（482）：神经影像模态簇。

9.3 在库内的独特位置

在千方病案医数集当前的条目体系中，HEADLINE 的独特性在于：

它是极少数以"3D 头部 CT"为主模态的条目。
它是少数以"报告生成"为核心任务、且带明确人工临床评分框架的条目。
它与其他报告生成条目（MIMIC-CXR、CT-RATE、BRAX、REG²）共同构成"报告生成"主题簇，但解剖部位（头部）与评估设计（两阶段混合）都有区别。

§10 避坑清单（坑点编号制）

以下是使用、引用或复现 HEADLINE 时最容易踩的坑。每条都给出"坑是什么"与"如何避"。

坑 1：把 HEADLINE 当成可以随便下载的公开数据集

坑：有人看到"挑战赛数据集"就以为能直接 git clone 或从网盘下载。实际上 HEADLINE 需要注册 + 签 DUA，且禁止商用。
避：先去 https://headline26.grand-challenge.org/ 完成注册与协议签署。规划好时间，因为审批可能需要数天到数周。不要试图从非官方渠道获取数据（既违规，也可能是污染的版本）。

坑 2：把任务误解为"解剖结构分割"

坑：部分二手来源（如一些中文自媒体/聚合页）把 HEADLINE 的任务描述为包含"解剖结构分割"。这是不准确的。HEADLINE 的核心任务是头部 CT 报告生成（影像 → 报告文本），而不是分割。
避：以官方页面与官方任务描述为准。本条目 §2、§3 已明确任务边界。看到二手源出现"分割"字样时，应回到官网核对。

坑 3：以为只要 BERTScore 高就行

坑：看到 S_Auto 的主指标是 BERTScore（70%），就只优化文本相似度。但最终分数里人工分占 50%，而人工评分的核心维度是归因/幻觉。
避：把"忠实于影像、不幻觉"作为第一优化目标。文本流畅只是必要条件，不是充分条件。BERTScore 高的幻觉报告在 Stage 2 会被放射科医生扣分。

坑 4：忽视软组织窗与骨窗的差异

坑：只用一个窗（比如只用软组织窗）训练，导致骨窗能看到的骨折类发现被漏掉；或反过来只看骨窗，漏掉出血。
避：利用官方提供的两种重建，分别编码后融合，或在预处理阶段同时提供两窗输入。头部 CT 的关键发现横跨两窗。

坑 5：把 3D 容积当 2D 处理而不做任何空间聚合

坑：简单地把每张切片独立喂给 2D 模型，最后拼一段报告，导致空间关系（如"中线向左移位"是三维判断）无法建模。
避：至少采用 2.5D 或分块聚合策略，让模型能感知切片间的空间关系。报告中的"移位"“受压”"扩张"都是三维概念。

坑 6：忽略数据的时间与版本口径差异

坑：不同官方页面给出的发布日期不一致（见 §5.4 双口径存照 A：5 月 1-8 日 vs 5 月 9 日），如果据此写进论文的时间线，可能出错。
避：引用时间线时注明"以官方最新公告为准"，或并列记录两个口径。不要单取一个数字当作确定事实。

坑 7：把单中心数据当成"通用临床"结论

坑：HEADLINE 数据来自单一机构（波恩大学医院）。在它上面表现好的模型，未必能泛化到其他医院的不同设备、不同协议、不同报告风格。
避：在论文/项目中明确说明单中心局限（见 §10 下文的局限小节，以及 §2.2）。不要声称模型"达到了临床可用水平"——S_Human 只是专家评分，不等于前瞻性临床验证。

坑 8：混淆 license 类型，臆造 SPDX 名

坑：给 HEADLINE 硬安一个"CC-BY-4.0"或"MIT"之类的许可证名。它实际上用的是自定义 DUA。
避：如实描述为"自定义数据使用协议，研究用途，禁止商用"。需要精确许可条款时，直接引用官方 DUA 文本，不要自行映射到标准 SPDX 标识。

补充局限说明（非坑点，但值得注意）

规模带来的算力门槛：16,000+ 例 3D 容积的训练对算力要求高，小团队可能需要在数据子集上做实验。
评估的时滞：Stage 2 人工评分只在 Top 5 进行，意味着绝大多数参赛者拿不到人工反馈，只能靠自动指标迭代。
测试集不可见：无法在测试集上做误差分析，只能依赖 validation 集。这要求参赛者把 validation 集用得更充分。

§10.5 DAIMS 数据成熟度评估

以下按 DAIMS（Data Maturity Assessment）框架对 HEADLINE 做定性评估。评分为本条目基于公开信息的判断，仅供参考。

维度	评分（1-5）	说明
文档完备度	4	官网提供时间线、评估框架、任务描述，但深层数据格式需 DUA 后确认
数据可获取性	3	受控访问，注册 + DUA，非完全开放
数据规模	5	16,000+ 训练病例，3D 容积，报告生成领域属大级别
标注质量	4	报告来自临床常规，有真实性优势；但表述不统一
评估严谨度	5	两阶段混合评估，含 board 认证放射科医生人工评分
模态丰富度	4	3D 容积 + 双窗（软组织/骨），但为单一模态（CT）
任务难度契合度	5	报告生成比分类/检测更接近真实阅片
伦理与治理	4	DUA + 禁商用 + 受控访问，合规性强
复现友好度	3	Docker 提交规范，但受控数据 + 高算力门槛
社区活跃度	3	MICCAI 2026 挑战赛，属新兴，长期影响待观察
综合	4.0	方法学设计突出，可获取性与复现门槛是主要限制

一句话读法：HEADLINE 在"评估严谨度"和"任务难度契合度"上拿满分，是它最硬的资产；在"可获取性"和"复现友好度"上受限于受控访问与算力门槛，这是使用者的主要代价。

§11 总结

11.1 一段话总结

HEADLINE 是 MICCAI 2026 的头部 CT 报告生成挑战赛数据集，由波恩大学医院的 CCIBonn 发布。它提供 16,000+ 例训练、500 例验证、500 例测试的 3D 头部 CT 容积，每例配对结构化自由文本放射学报告。其最大特色是两阶段混合评估：先用 BERTScore 为主的自动指标（权重 70%）筛出 Top 5 团队，再由 board 认证的放射科医生在 50 个测试用例上从归因/幻觉、完整性、安全性三个维度评分，最终分数为自动分与人工分各占 50% 的加权和。数据受 DUA 保护、禁止商用，通过 Docker 容器在 Grand Challenge 平台提交。它在"3D 容积 + 报告生成 + 专家临床评分"这个组合上填补了重要空白。

11.2 五条最值得记住的点

规模：16,000+ / 500 / 500，报告生成领域的大规模 3D 数据集。
任务：3D 头部 CT → 结构化自由文本报告，不是分类、不是分割。
评估：两阶段混合，Final = 0.5 × S_Auto + 0.5 × S_Human。
获取：注册 + DUA，研究用途，禁止商用。
组织：波恩大学医院 CCIBonn / Prof. Philipp Vollmuth，MICCAI 2026。

11.3 适合谁用

医学 VLM 研究者：需要一个有难度、有临床评估的 3D 报告生成基准。
放射学 AI 团队：想把报告生成落地到头部 CT 这一高需求场景。
评估方法学研究者：想研究"自动指标 + 专家评分"如何结合。
医学影像教育者：想用真实临床报告数据做教学。

11.4 不适合谁用

想找开源、可自由下载数据的人：HEADLINE 受控访问，不适合。
只想做快速分类实验的人：报告生成任务重、门槛高，杀鸡用牛刀。
想直接商用的团队：DUA 明确禁止商用。
算力极度受限的研究者：16,000+ 例 3D 容积的训练成本较高。

FAQ 常见问题

关于数据集本身

Q1：HEADLINE 是哪个会议的挑战赛？
A：MICCAI 2026 的正式挑战赛，全称 Benchmarking VLMs in Head CT Reporting。

Q2：数据集有多大？
A：官方公布 16,000+ 训练病例、500 验证病例、500 测试病例。

Q3：每个病例包含什么？
A：一个 3D 头部 CT 容积（含软组织重建与骨重建），以及一份对应的结构化自由文本放射学报告。

Q4：报告是自动生成的还是医生写的？
A：来自临床常规流程，由放射科医生撰写，属于真实报告而非合成文本。

Q5：数据集名称 HEADLINE 是什么缩写？
A：它是对"头部（HEAD）"与"报告/头条"语义的双关命名，官方全称是 Benchmarking VLMs in Head CT Reporting。

关于任务

Q6：任务是分类还是生成？
A：报告生成（条件文本生成）。输入影像，输出整段报告文本。

Q7：任务包含解剖结构分割吗？
A：不包含。HEADLINE 的核心任务是报告生成。部分二手来源把它写成含"分割"，是不准确的（见 §10 坑 2）。

Q8：为什么报告生成比分类难？
A：因为它要求模型同时具备影像理解、解剖知识、临床表述能力，且必须忠实于影像（不能幻觉）。评估也更复杂。

关于评估

Q9：评估用什么指标？
A：两阶段。自动阶段 S_Auto = 0.7 × BERTScore(F1) + 0.3 × 辅助指标（METEOR/ROUGE-L/BLEU-4）；人工阶段由放射科医生评 Clinical Utility Score。

Q10：BERTScore 用什么模型算？
A：microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract。

Q11：人工评分评哪些团队、多少样本？
A：自动分排名 Top 5 的团队，在 50 个测试用例上评分。

Q12：人工评分有哪几个维度？
A：三个——Attribution/Hallucination（归因/幻觉）、Completeness（完整性）、Safety（安全性）。

Q13：最终分数怎么算？
A：Final = 0.5 × S_Auto + 0.5 × S_Human。

Q14：为什么人工分占一半？
A：因为文本指标衡量的是"像不像"，而临床质量要看"对不对"。人工分保证报告忠实、完整、安全。

关于获取与许可

Q15：数据集是公开下载的吗？
A：不是。需要注册并签署 Data Transfer and Usage Agreement (DUA)。

Q16：可以商用吗？
A：不可以。DUA 明确限定为研究用途。

Q17：license 是什么？
A：自定义协议（custom DUA），不是标准开源许可证。不要臆造 SPDX 名（见 §10 坑 8）。

Q18：怎么提交结果？
A：通过 Grand Challenge 平台提交 Docker 容器，平台在受控环境运行测试集。

关于组织与时间

Q19：谁组织的？
A：波恩大学医院（University Hospital Bonn）的计算放射学与临床 AI 部门（CCIBonn），负责人 Prof. Dr. Philipp Vollmuth。

Q20：什么时候办？
A：2026 年。网站 4 月上线，数据 5-6 月发布，validation/test 在 6-7 月，评审 8 月，MICCAI session 在 10 月。

Q21：CCIBonn 还做过什么？
A：参与组织/参与过 BraTS、FeTS 等医学影像挑战赛。

关于使用

Q22：训练需要多少算力？
A：16,000+ 例 3D 容积，算力需求不低。建议先在小数据子集上验证方案，再上全量。

Q23：可以只处理软组织窗吗？
A：不建议。骨窗对骨折类发现很重要，漏掉会显著影响完整性（Completeness）评分。

Q24：怎么避免幻觉？
A：把"忠实性"作为第一优化目标，可引入基于影像的 grounding 约束、检索增强，以及针对幻觉的训练信号。

Q25：模型表现好就能临床部署了吗？
A：不能。S_Human 只是专家评分，不等于前瞻性临床验证。真实部署需注册审批与前瞻性研究。

事实清单（可核查要点）

官方全名：HEADLINE: Benchmarking VLMs in Head CT Reporting。
slug：headline。
组织方：University Hospital Bonn，Division for Computational Radiology & Clinical AI（CCIBonn）。
负责人：Prof. Dr. Philipp Vollmuth（Else Kröner CS Professor for AI in Medical Imaging）。
关联会议：MICCAI 2026。
训练病例数：16,000+。
验证病例数：500。
测试病例数：500。
影像模态：3D 头部 CT 容积（软组织重建 + 骨重建）。
标签形态：结构化自由文本放射学报告（临床常规来源）。
任务：头部 CT 报告生成（非分类、非分割）。
自动主指标：BERTScore(F1)，权重 70%。
自动辅指标：METEOR / ROUGE-L / BLEU-4，合计权重 30%。
BERTScore 编码器：microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract。
人工评分对象：自动分 Top 5 团队。
人工评分样本：50 个测试用例。
人工评分维度：Attribution/Hallucination、Completeness、Safety。
人工评分者：board-certified 放射科医生。
最终分数公式：Final = 0.5 × S_Auto + 0.5 × S_Human。
提交方式：Docker 容器，Grand Challenge 平台。
获取方式：注册 + 签署 DUA。
许可性质：自定义协议，研究用途，禁止商用。
挑战赛官网：https://headline26.grand-challenge.org/。
机构站：https://headline.ccibonn.ai/。
双口径存照 A：首批训练数据发布日 5 月 1-8 日（Timeline）vs 5 月 9 日（Updates）。
双口径存照 B：MICCAI session 时间 10 月 1 日 13:30-15:30 Room Etoile C vs “9 月 27 日或 10 月 1 日”。
双口径存照 C：二手来源称任务含"解剖结构分割" vs 官方为纯报告生成。

术语表

术语	英文	说明
视觉语言模型	Vision Language Model (VLM)	同时处理图像与文本的模型
报告生成	Report Generation	从影像自动生成诊断报告文本
头部 CT	Head CT	头部的计算机断层扫描
容积 CT	Volumetric CT	三维的 CT 数据
软组织窗	Soft Tissue Window	突出软组织的 CT 显示映射
骨窗	Bone Window	突出骨骼的 CT 显示映射
BERTScore	BERTScore	基于 BERT 嵌入的语义相似度指标
METEOR	METEOR	考虑同义词的词级匹配指标
ROUGE-L	ROUGE-L	基于最长公共子序列的覆盖度指标
BLEU-4	BLEU-4	基于 4-gram 精确匹配的指标
幻觉	Hallucination	报告中出现影像不存在的发现
归因	Attribution	报告陈述能否追溯到影像依据
临床效用评分	Clinical Utility Score	放射科医生对报告临床价值的评分
数据使用协议	Data Transfer and Usage Agreement (DUA)	数据提供方与使用者的法律协议
受控访问	Controlled Access	需审核/签署协议后才能获取的数据
头脑认证	board-certified	经专科委员会认证的医生
MICCAI	MICCAI	医学影像计算顶级会议
Grand Challenge	Grand Challenge	医学挑战赛托管平台
CCIBonn	CCIBonn	波恩大学医院计算放射学与临床 AI 部门
BraTS	BraTS	脑肿瘤分割挑战赛
FeTS	FeTS	联邦学习肿瘤分割挑战赛

附录 A：评分流程伪代码

# HEADLINE 评估流程（概念示意，非官方实现）

def evaluate(predictions, references, test_cases):
    # Stage 1: 自动评估
    bertscore_f1 = compute_bertscore(
        predictions, references,
        model="microsoft/BiomedNLP-BiomedBERT-base-uncased-abstract"
    )
    meteor = compute_meteor(predictions, references)
    rouge_l = compute_rouge_l(predictions, references)
    bleu4 = compute_bleu4(predictions, references)

    aux = (meteor + rouge_l + bleu4) / 3.0          # 辅助指标组合
    s_auto = 0.70 * bertscore_f1 + 0.30 * aux       # 自动分

    # 取 Top 5 团队
    top5 = rank_teams_by(s_auto).top(5)

    # Stage 2: 人工评分（仅 Top 5）
    for team in top5:
        reports = team.predictions_on(test_cases, n=50)
        s_human = radiologist_clinical_utility_score(
            reports,
            dimensions=["attribution_hallucination",
                        "completeness",
                        "safety"]
        )
        final = 0.50 * s_auto[team] + 0.50 * s_human

    return ranked_results

说明：上述代码为概念示意，用于帮助理解两阶段流程，不是官方实现细节。各辅助指标的内部组合方式（平均还是加权）以官方文档为准。

附录 B：HEADLINE 与同类数据集速查对照

维度	HEADLINE	MIMIC-CXR	CT-RATE	VQA-RAD
模态	3D 头部 CT	2D 胸片	3D 胸部 CT	2D 放射影像
任务	报告生成	报告生成	报告生成	视觉问答
规模	16,000+	数十万	约 25,000	约 3,515 QA
有显式问题	否	否	否	是
人工临床评分	是（Top5/50例）	常无	视评测	无需
获取门槛	中（DUA）	中（DUA）	中-高	低-中
主指标	BERTScore 70%	文本指标	文本+临床指标	准确率

附录 C：参赛检查清单

□ 已在 headline26.grand-challenge.org 注册
□ 已签署 DUA 并获批准
□ 已下载训练数据与验证数据
□ 已确认影像格式（DICOM / NIfTI / NRRD）
□ 已确认报告格式（CSV / JSON / TXT）
□ 已搭建 baseline 并跑通 Docker 提交流水线
□ 已通过 sanity check
□ 已建立本地验证脚本，能复现 S_Auto 各分项
□ 已分别处理软组织窗与骨窗
□ 已设计防幻觉机制
□ 已在小数据子集上验证，再上全量训练
□ 已阅读官方评估细则（权重、Top 5、50 例等）

附录 D：待核事项

以下事项在本条目撰写时未能完全从一手来源确认，建议读者以官方为准：

数据文件格式：影像是以 DICOM 序列、NIfTI 还是 NRRD 提供，报告以何种格式组织——需 DUA 后确认。
报告结构细节：报告是否固定包含"检查技术/所见/印象"等部分，具体模板待官方文档确认。
是否全部为非对比 CT：本条目按急性头部 CT 的常规推断为非对比，但没有逐例确认。
相关论文/预印本：HEADLINE 是否已有配套论文或预印本，DOI 待核。
validation/test 集的精确内容与是否包含报告：需 DUA 后确认。
辅助指标的内部权重：METEOR / ROUGE-L / BLEU-4 之间的具体组合方式待确认。
MICCAI session 确切日期：见 §5.5 双口径存照 B。

附录 E：一手来源

来源	URL
挑战赛官网	https://headline26.grand-challenge.org/
机构站	https://headline.ccibonn.ai/
CCIBonn 官网	https://ccibonn.ai/

附录 F：双口径存照汇总

存照 A —— 首批训练数据发布日

口径一：2026-05-01 ~ 2026-05-08（Timeline 页）
口径二：“May 9, 2026 first batch”（Updates 页）
处理：并列记录，以官方最新公告为准。

存照 B —— MICCAI session 日期

口径一：2026-10-01，13:30-15:30，Room Etoile C
口径二：“September 27 or October 1, 2026”
处理：并列记录，以 MICCAI 2026 官方日程为准。

存照 C —— 任务范围

口径一（一手）：头部 CT 报告生成。
口径二（二手）：含解剖结构分割。
处理：采信一手口径，二手口径标注为不准确。

附录 G：DAIMS 评分卡（明细）

序号	维度	评分	备注
1	文档完备度	4	公开层齐全，深层需 DUA
2	可获取性	3	受控访问
3	规模	5	16,000+ 训练
4	标注质量	4	临床真实，但表述不统一
5	评估严谨度	5	两阶段 + 专家评分
6	模态丰富度	4	双窗 3D CT
7	任务契合度	5	贴近真实阅片
8	伦理治理	4	DUA + 禁商用
9	复现友好度	3	受控 + 算力门槛
10	社区活跃度	3	新兴挑战赛
—	综合	4.0	—

附录 H：常用英文术语对照速查

head CT report generation → 头部 CT 报告生成
volumetric CT → 容积 CT
soft tissue reconstruction → 软组织重建
bone reconstruction → 骨重建
structured free-text report → 结构化自由文本报告
clinical utility score → 临床效用评分
attribution / hallucination → 归因 / 幻觉
completeness → 完整性
safety → 安全性
weighted composite score → 加权综合分
board-certified radiologist → 专科认证放射科医生
data transfer and usage agreement → 数据传输与使用协议
controlled access → 受控访问
sanity check → 健全性检查
camera-ready → 定稿版

附录 I：延伸阅读方向

报告生成综述：了解从 2D 胸片到 3D 容积的报告生成方法演进。
医学 VLM：LLaVA-Med、BiomedGPT 等医学视觉语言模型的架构与训练。
评估指标：BERTScore、METEOR、ROUGE、BLEU 的原理与适用边界。
3D 医学影像建模：2.5D、3D patch、多分辨率等策略的取舍。
数据治理：受控访问、DUA、GDPR 在医学数据共享中的实践。
相邻挑战赛：BraTS、FeTS、CT-RATE 相关评测，理解医学影像基准的整体图景。

附录 J：本条目编写说明

本条目依据官方挑战赛页面、机构站公开信息与任务头要求编写。所有硬数字（16,000+/500/500、70%/30%、50/50、Top 5、50 例、三维度）均来自官方公开描述。对于无法从一手来源完全确认的事项（数据格式、论文 DOI、报告模板细节等），已在附录 D 明确列为待核，不做臆断。双口径差异（附录 F）并列存照，不擅自裁定。许可类型如实描述为自定义 DUA，未臆造 SPDX 标识。

（本条目为千方病案医数集 AI-Ready Wikipedia 数据集条目之一。发布与入库由主会话负责。）

§2.7 影像规格的深入说明（补充）

2.7.1 为什么头部 CT 的分辨率与层厚很关键

CT 容积的"质量"由几个参数决定：层厚（slice thickness）、重建核（kernel）、像素间距（pixel spacing）。对头部 CT 报告生成而言，这些参数直接决定了模型能看到什么：

层厚：薄层（如 1 mm 级）能清晰显示细小骨折线与小血肿；厚层（如 5 mm）则可能漏掉薄层才可见的病灶。报告中的"少量蛛网膜下腔出血"这类发现，往往依赖薄层才能确认。
重建核：软组织核与骨核是两种不同的滤波。软组织核平滑、噪声低、适合看脑实质；骨核锐利、突出骨缘、适合看骨折。官方提供软组织重建与骨重建，实质上是给了模型两种重建核下的容积——这是设计上对"骨折 + 颅内发现"双需求的直接回应。
像素间距：决定层面内的空间分辨率。各向同性（各方向间距接近）的容积对三维建模更友好。

2.7.2 双窗输入对建模的启示

融合双窗的常见做法有三类：

早期融合：把软组织窗与骨窗作为两个通道拼接，送入同一个编码器。
中期融合：分别编码两窗，在特征层做注意力/拼接融合。
晚期融合：各自生成部分报告或特征，再统一解码。

三种做法各有权衡：早期融合简单但要求两窗已配准；中期融合灵活但参数更多；晚期融合模块化但可能丢失跨窗关联。头部 CT 的"骨折导致出血"这类跨窗因果，更依赖中期或晚期融合来捕捉。

2.7.3 报告文本的长度与信息量

放射学报告并不总是等长。有的报告只有一两句（“未见明显异常”），有的可能罗列多项发现。这种信息量不均对训练的影响是：

模型容易偏向生成"平均长度"的报告。
对罕见但重要的发现，训练信号稀疏。
自动指标（尤其是长度敏感的 BLEU）可能被长报告或短报告系统性偏置。

这也是 HEADLINE 把 BERTScore 作为主指标的原因之一——语义指标对长度差异的鲁棒性优于 n-gram 指标。

§4.7 自动指标的细粒度讨论（补充）

4.7.1 BERTScore 的 F1 与 precision/recall 之别

BERTScore 常报告 precision、recall、F1 三个值。官方指定使用 F1，这在报告生成任务中是合理的中立选择：

只取 precision：会奖励"少说少错"的报告（只说确定的，不写不确定的），但可能遗漏重要发现。
只取 recall：会奖励"说全"的报告，但也鼓励堆砌甚至编造。
F1：在两者间平衡。

HEADLINE 明确用 F1，说明官方希望模型既覆盖充分、又不冗余。这一点与人工评分里"完整性 vs 幻觉"的张力是一致的。

4.7.2 辅助指标各自偏向什么

指标	本质	偏向	在本任务中的角色
METEOR	unigram 匹配 + 同义词/词形	语义宽容匹配	修正 BLEU 的过度严苛
ROUGE-L	最长公共子序列	recall（覆盖度）	补足"内容覆盖"视角
BLEU-4	4-gram 精确匹配	precision（精确度）	提供词汇精确度视角

三者组合覆盖了"语义/覆盖/精确"三个侧面。把它们放在 30%（而非更高），反映了官方对纯 n-gram 指标局限性的清醒认识。

4.7.3 为什么不用临床 F1（如 CheXpert 的 14 类标签 F1）

CheXpert、MIMIC-CXR 等评测常用"从报告中抽取若干临床标签，再算标签级 F1（如 CheXbert）"。这种做法的优点是临床可解释性强，缺点是：

需要一套标签抽取器（如 CheXbert）作为中间层，抽取器的错误会传导。
标签体系是预先定义的，对头部 CT 这种发现维度与胸片不同的模态需要重新设计。
会丢失报告中的细粒度描述（程度、位置、大小）。

HEADLINE 选择"直接比较报告文本（BERTScore）+ 专家直接读报告评分"，跳过了标签抽取中间层，避免了抽取器偏差，代价是自动指标的可解释性不如标签级 F1。这是一个明确的取舍。

4.7.4 50 个测试用例的统计功效

人工评分用 50 个用例。这个数量对"排序 Top 5 团队"是否足够？定性地说：

50 例能提供相当的区分度，尤其当团队间差距明显时。
但如果两团队水平接近（差距在噪声范围内），50 例可能不足以稳定区分。这意味着最终排名的置信区间不可忽视，第 3 名与第 5 名之间未必有统计显著差异。
采用"5 团队 × 50 例 = 250 次评分"，是在成本与功效之间的折中。

使用该基准的研究者，在引用排名时应注意这一统计限制。

§6.7 数据获取的实务流程（补充）

6.7.1 从注册到拿到数据的典型步骤

第 1 步：注册 Grand Challenge 账号
        ↓
第 2 步：前往 HEADLINE 挑战赛页，点击参与/注册
        ↓
第 3 步：下载并阅读 DUA，确认研究用途与禁商用条款
        ↓
第 4 步：签署 DUA 并提交（可能需要机构/导师信息）
        ↓
第 5 步：等待审核（时长不定，建议尽早启动）
        ↓
第 6 步：审核通过后获得数据下载权限
        ↓
第 7 步：下载训练/验证数据，搭建流水线
        ↓
第 8 步：跑通 sanity check，确认提交流程

6.7.2 提前准备的清单

机构邮箱：注册与协议签署通常建议使用机构邮箱，以证明学术身份。
导师/负责人信息：DUA 可能需要责任人签署。
存储规划：16,000+ 例 3D 容积的存储需求不小（取决于格式与分辨率），应提前规划磁盘。
算力规划：训练与推理的 GPU 需求应提前评估，尤其是 3D 方案。

6.7.3 DUA 常见条款的通俗解读

条款	通俗含义	对使用者的影响
Research use only	只能做研究	不能用于产品、不能商用
No redistribution	不得再分发	不能把数据传给别人或公开
No re-identification	不得尝试反匿名	不能试图识别患者
Security measures	需保护数据安全	需加密存储、限制访问
Citation requirement	需按约定引用	论文中要正确引用

理解这些条款，不是为了"钻空子"，而是为了在使用中不越界——受控数据一旦违规，可能影响整个团队乃至机构的后续访问资格。

§7.5 头部 CT AI 的现实痛点（补充背景）

7.5.1 报告量的压力

放射科的工作负荷是长期问题。头部 CT 作为急诊高频检查，报告量巨大，而夜班、急诊时段的人力尤其紧张。这是"报告生成"在头部 CT 上具有现实驱动力的根本原因——它不是炫技，而是针对真实痛点的技术探索。

7.5.2 "阴性报告"的自动化价值

相当比例的头部 CT 是阴性或近阴性（无急性发现）。这类报告写作高度模式化（“未见颅内出血、骨折、占位效应”）。如果能可靠地自动生成阴性报告草稿，就能把医生从重复劳动中解放出来，把精力集中在阳性病例上。这也是报告生成最现实、最容易落地的价值点。

7.5.3 为什么"漏诊"比"误报"更危险

在头部 CT 场景中：

漏诊（false negative）：把有出血的片子报成正常，可能延误手术/干预，后果严重。
误报（false positive）：把正常报成异常，会引发额外检查，但通常不会直接伤害患者。

这一不对称性，意味着评估时应更关注 recall 与"完整性（Completeness）"维度。HEADLINE 把 Completeness 单列为人工评分维度，正是对这种不对称性的回应。

7.5.4 人机协作的正确姿势

当前阶段，报告生成系统最合理的定位是**“草稿生成器"而非"诊断者”**：

模型生成草稿 → 医生审核修改 → 医生签署负责。
医生始终是最终责任人。
系统的价值在于"减少打字、加快周转"，而非"替代判断"。

任何宣称"AI 自动出报告可直接用于临床"的说法，在通过注册审批与前瞻性验证之前都不成立。HEADLINE 的 S_Human 只是专家评分，不是监管意义上的临床验证。

§8.5 参赛系统的工程实践（补充）

8.5.1 一个可落地的 baseline 架构

对第一次接触 HEADLINE 的团队，一个稳妥的 baseline 可以这样搭：

输入：3D 头部 CT 容积（软组织窗 + 骨窗）
   │
   ├─ 预处理
   │   ├─ 重采样到统一间距
   │   ├─ 强度归一化 / HU 窗宽窗位映射
   │   └─ 生成两窗图像
   │
   ├─ 视觉编码
   │   ├─ 方案 A：2.5D — 抽取关键层面，多通道输入 CNN/ViT
   │   └─ 方案 B：3D — 分块 3D 编码器，特征池化
   │
   ├─ 跨模态投影
   │   └─ MLP / Q-Former 类适配器，把视觉特征映射到语言空间
   │
   ├─ 语言解码
   │   └─ 医学或通用 LLM 生成报告
   │
   └─ 后处理
       ├─ 去重、术语规范化
       └─ 格式整理

先跑通再优化：建议先用方案 A（2.5D）快速建立 end-to-end 管道，确认 Docker 提交能过 sanity check，再逐步升级到 3D 方案。

8.5.2 数据加载的性能陷阱

3D 容积的数据加载很容易成为训练瓶颈。常见对策：

预转格式：把 DICOM 序列预先转为 NIfTI/NPZ，避免训练时反复解析。
缓存：把预处理后的容积缓存到高速存储。
按需加载：只加载当前 batch 需要的病例，避免一次性载入全量。
并行 I/O：用多进程 DataLoader 提高吞吐。

8.5.3 类别/发现不均衡的处理

头部 CT 的发现分布高度不均衡——大量阴性、少数阳性，且阳性中各类出血/骨折的频率也不同。对策：

采样策略：对稀有发现病例适度过采样。
损失加权：对关键发现对应的文本片段加权。
分层验证：按发现类型分层评估，避免总体指标掩盖稀有发现的差表现。

8.5.4 防幻觉的工程手段

手段	思路	代价
Grounding 约束	要求生成的每条陈述可追溯到影像特征	需要额外的 grounding 模块
检索增强（RAG）	用相似病例的报告辅助生成	增加推理开销
对照训练	用"正确报告 vs 篡改报告"对比学习	需构造负样本
后验校验	生成后用独立模型核查陈述是否有影像依据	两阶段推理，慢
保守解码	对不确定发现用含糊/省略表述	可能损害 Completeness

防幻觉与保完整性之间存在张力：越保守越不幻觉，但越可能遗漏。HEADLINE 的最终评分同时含这两个维度，正是要求模型在两者间找平衡。

8.5.5 提交前的自查要点

容器能在他机环境稳定运行（无隐式依赖）。
推理时间在平台限制内。
输出格式严格符合要求（不然会自动判失败）。
对测试集不做任何"记忆式"拟合（挑战赛伦理）。

§9.4 与报告生成数据集的方法学对照（补充）

9.4.1 标签形态的光谱

报告生成相关数据集的标签形态可以排成一条光谱：

严格模板填空  ←──────────────────────────→  完全自由文本
   （最结构化）                                  （最自由）
   SNOMED 编码      半结构化报告      结构化自由文本      纯叙述
                      （MIMIC）      （HEADLINE 所属）

越靠左越容易自动评估（可比标签），但越不自然；越靠右越自然，但越难评估。HEADLINE 位于"结构化自由文本"位置——既有临床结构，又保留表述自由，评估上必须借助语义指标与专家评分。

9.4.2 模态维度上的位置

2D 单模态  →  2D 多视图  →  2.5D  →  3D 容积  →  4D（时间序列）
  胸片分类     多视角胸片      多切片堆叠    头部/胸部CT     心脏/功能
                          HEADLINE 位于 3D 容积档

HEADLINE 处在"3D 容积"这一档，比主流 2D 报告生成任务更接近真实临床的空间复杂性，但也带来更高的建模与算力门槛。

9.4.3 评估维度上的位置

纯自动 n-gram  →  纯自动语义  →  自动 + 少量人工  →  自动 + 系统人工
   BLEU/ROUGE      BERTScore        （部分基准）        HEADLINE 所属

HEADLINE 位于最右端——自动指标做筛选，系统化的人工临床评分做终判。这是评估设计上相对完整的做法。

§10.6 坑点补充（进阶）

坑 9：把 validation 集当测试集反复调参

坑：validation 集有排行榜反馈，容易被反复拟合成"validation 过拟合"。
避：保留部分数据做本地 hold-out；不要在 validation 上无限制地试参数；关注泛化而非刷榜。

坑 10：忽略报告中的"否定表述"

坑：报告大量使用否定句（“未见出血”“无骨折”）。模型如果只学"出血""骨折"这些词，可能把否定学成肯定，产生幻觉。
避：在数据与损失层面显式处理否定语义；评估时专门检查"该否定处是否否定"。

坑 11：把 BERTScore 的具体实现细节当黑盒

坑：不同库（bert-score、evaluate 等）对 BERTScore 的实现（是否 baseline 重标定、是否大小写敏感）可能有差异，导致自测分与官方分不一致。
避：明确官方使用的模型（BiomedBERT）与参数；尽量复现官方设置；把自测分当作"相对参考"而非"绝对真值"。

坑 12：忽视报告的机构风格

坑：单中心数据的报告有特定书写习惯（常用术语、固定句式）。模型可能学到"波恩风格"而非"通用医学表述"。
避：跨机构应用时要意识到这一偏差；必要时做风格归一化或领域适配。

坑 13：用错许可证信息做合规判断

坑：把受控数据的 DUA 误当开源许可，或反之把开源数据的许可当 DUA，导致合规判断出错。
避：每引入一个数据集，先确认它的获取模式（开放/注册/协议/审批）与用途限制，再决定怎么用。

附录 K：HEADLINE 一页速记卡

┌─────────────────────────────────────────────────┐
│  HEADLINE (slug: headline)                      │
│  MICCAI 2026 · Head CT Report Generation        │
├─────────────────────────────────────────────────┤
│  任务：3D 头部 CT → 结构化自由文本报告           │
│  规模：16,000+ 训练 / 500 验证 / 500 测试        │
│  模态：3D 容积 CT（软组织窗 + 骨窗）             │
│  组织：波恩大学医院 CCIBonn / P. Vollmuth        │
├─────────────────────────────────────────────────┤
│  评估：两阶段混合                                │
│   S_Auto   = 0.7×BERTScore(F1) + 0.3×辅助(30%)  │
│   辅助     = METEOR / ROUGE-L / BLEU-4           │
│   S_Human  = 临床效用分（Top5 × 50 例 × 3 维）   │
│   维度     = 幻觉/完整/安全                       │
│   Final    = 0.5×S_Auto + 0.5×S_Human            │
├─────────────────────────────────────────────────┤
│  获取：注册 + DUA · 研究用途 · 禁商用            │
│  提交：Docker · Grand Challenge 平台             │
│  官网：headline26.grand-challenge.org            │
└─────────────────────────────────────────────────┘

附录 L：术语中英对照扩展

中文	英文
硬膜外血肿	epidural hematoma
硬膜下血肿	subdural hematoma
蛛网膜下腔出血	subarachnoid hemorrhage
脑实质出血	intraparenchymal hemorrhage
颅骨骨折	skull fracture
中线移位	midline shift
占位效应	mass effect
脑室系统	ventricular system
脑积水	hydrocephalus
低密度灶	hypodensity
窗宽窗位	window width / window level
层厚	slice thickness
重建核	reconstruction kernel
各向同性	isotropic
阴性报告	negative report
漏诊	false negative
误报	false positive

附录 M：参考与延伸

官方来源

挑战赛官网：https://headline26.grand-challenge.org/
机构站：https://headline.ccibonn.ai/
CCIBonn 官网：https://ccibonn.ai/

方法学参考方向

BERTScore 原始论文与 bert-score 库
METEOR / ROUGE / BLEU 原始论文
MICCAI 系挑战赛的评估设计惯例（BraTS、FeTS 等）

相邻数据集（库内）

MIMIC-CXR、OpenI、CheXpert、CT-RATE、BRAX、VQA-RAD、REG² 等（详见 §9.1）

附录 N：修订与存照记录

项目	内容
撰写代理	agent-b-headline
工作目录	/workspace/qianfanghub-study
私有区	writing/headline/.parts_agent-b-headline_1791473944_675534/
事实档案	writing/headline/FACTS.md
成稿	writing/headline/headline_Wikipedia.md
分块	part1–part5 首轮拼接 + part6–part7 扩写
双口径存照	A（首发数据日）、B（session 日）、C（任务范围）
待核事项	见附录 D
一手来源	headline26.grand-challenge.org / headline.ccibonn.ai / ccibonn.ai