Intel & MobileODT Cervical Cancer Screening — Kaggle 十万美元宫颈癌筛查竞赛 — EVA System 阴道镜图像三分类，512 张公开测试标签被 98 轮 logloss 逆推全中

Intel 与 MobileODT 联合主办的 10 万美元 Kaggle 竞赛数据集——6733 张宫颈图像按转化区分型三分类（Type 1/2/3），multi-class logloss 评测，Stage 1 全部 512 个测试标签被 AAAI 论文算法 98 轮逆推，组织者以 87% private 集冻结管线应对

来源 MobileODT EVA System（Enhanced Visual Assessment，便携式阴道镜设备）拍摄的宫颈图像，转化区分型标注由阴道镜专家 Prof. Albert Singer 完成；配套 fixed_labels_v2.csv 标注修正包、solution_stg1_release.csv Stage 1 答案、test_stg2.7z Stage 2 测试包发布时间: 2026-10-04最后更新: 2026-10-20 阅读 67
Intel & MobileODT Cervical Cancer Screening — Kaggle 十万美元宫颈癌筛查竞赛 — EVA System 阴道镜图像三分类，512 张公开测试标签被 98 轮 logloss 逆推全中

信息速览

数据集名称Intel & MobileODT Cervical Cancer Screening — Kaggle 十万美元宫颈癌筛查竞赛 — EVA System 阴道镜图像三分类，512 张公开测试标签被 98 轮 logloss 逆推全中
数据类型人工标注,影像数据,原始数据
规模6733 张标注宫颈图像（train+additional：Type 1 为 1191 张、Type 2 为 3565 张、Type 3 为 1976 张）；Stage 1 公开测试 512 张；St
接入方式MobileODT EVA System（Enhanced Visual Assessment，便携式阴道镜设备）拍摄的宫颈图像，转化区分型标注由阴道镜专家 Prof. Albert Singer 完成；配套 fixed_labels_v2.csv 标注修正包、solution_stg1_release.csv Stage 1 答案、test_stg2.7z Stage 2 测试包
AI 就绪度

INFOBOX — Intel & MobileODT Cervical Cancer Screening 一屏速览

维度 内容
本质 Intel 与 MobileODT 联合主办的 Kaggle 竞赛数据集：EVA System 阴道镜宫颈图像转化区分型三分类（Type 1/2/3）
时间线 2017-03-15 开赛（另有 03-16 口径）→ 2017-06-22 结束 → 2017-08-02 获奖新闻稿
奖金 $100,000（1st $50k / 2nd $20k / 3rd $10k / Intel 工具专项 $20k）
数据 8734 files / 46.53 GB；6733 张标注 JPG（Type 1: 1191 / Type 2: 3565 / Type 3: 1976）；Stage 1 公开测试 512 张
任务 阴道镜图像按转化区（TZ）分型三分类——Type 1 完全可见于外宫颈、Type 2 部分伸入内宫颈、Type 3 不可见
标注 MobileODT EVA System 拍摄；阴道镜专家 Prof. Albert Singer 分型背书
指标 multi-class logarithmic loss（多类对数损失）——非 QWK、非 AUC
重磅事件 AAAI 论文实证：98 轮查询逆推全部 512 个公开测试标签，public LB 0.00000 冲上第 4 名
组织者对策 Stage 2 私有集占约 87% 测试数据 + 冻结管线重跑；但 test_stg2.7z 密码后被论文公开
获奖者 1st 立陶宛三人组（Namajunas/Bialopetravičius/Barušauskas）；2nd Indrayana Rustandi；3rd Titericz/Wolfinger/Yang/Chui；工具奖 Dutra E Silva
获取 Kaggle 竞赛页下载，需接受竞赛规则（Subject to Competition Rules）
库内互链 SIPaKMeD（rid 490）、Herlev（rid 483）、PAPILA（rid 765）——同为宫颈癌筛查视角

Intel & MobileODT Cervical Cancer Screening 是一场「把阴道镜判读装进手机」的竞赛：2017 年上半年，芯片巨头英特尔与宫颈癌筛查设备创业公司 MobileODT 在 Kaggle 上悬赏十万美元，请全球数据科学家为 MobileODT EVA System（Enhanced Visual Assessment，增强视觉评估系统）拍摄的宫颈照片做转化区分型——判断鳞柱交界与转化区可见到什么程度，从而决定一名筛查异常的女性应当直接治疗还是转诊活检。竞赛本身顺风顺水地结束了，但它留在数据集史上的最重要印记却是一个反面教材：因为评测指标是对数损失、公开测试集只有 512 张，一支团队用 98 轮提交就把全部 512 个测试标签从排行榜分数里完整逆推出来，公开榜刷到满分 0.00000——AAAI 工作坊论文后来把这次攻击写成了教科书案例。

这个条目因此有三重身份。第一重是医学影像竞赛数据集：6733 张真实阴道镜图像、专家分型背书、三分类任务定义直接来自 IFCPC（International Federation of Cervical Pathology and Colposcopy，国际宫颈病理与阴道镜联合会）2011 年里约命名法，是宫颈癌筛查 AI 少见的「组织水平、在体拍摄」样本。第二重是竞赛方法论标本：双阶段设计、private 集占比 87%、冻结管线重跑——今天 Kaggle 主流竞赛的防作弊机制正是在这类事故中逐步进化出来的。第三重是产业史存照：主办公司 MobileODT 从 22 国部署的明星创业公司到创始人被罢免、公司陷入 insolvency（资不抵困境地）的全过程，恰好横跨本竞赛举办期，为「AI 筛查设备商业化」提供了一个完整生命周期的观察窗口。

导语读法三则：

  1. 只想下数据：直奔 §6 获取与许可——注意许可是竞赛规则制而非标准开源许可，且训练集与 additional 存在同患者重复，切分见坑 4。
  2. 关心任务定义：直奔 §3——Type 1/2/3 的三种口径（IFCPC 官方、二次整理版、社区视觉版）逐条对照，1 vs 2 是公认最难边界。
  3. 研究排行榜逆向攻击：直奔 §4——AAAI 论文 98 轮逆推的完整过程、组织者的 87% private 对策、以及密码泄露的后续。

§0 导读：这个数据集解决什么问题

宫颈癌筛查是一条多级流水线：细胞学（TCT/巴氏涂片）或 HPV 检测做初筛，初筛异常者转诊阴道镜检查（colposcopy，借助放大镜观察宫颈表面血管与上皮形态），阴道镜下再决定是否取活检或直接治疗。这条流水线的瓶颈在阴道镜一环：它高度依赖专家经验，判读一致性低，而在宫颈癌负担最重的低资源地区（正是 MobileODT 的目标市场），受过训练的阴道镜医生恰恰最稀缺。WHO 长期推荐的「即筛即治」（see-and-treat）策略——筛查异常当场处理——在缺乏阴道镜判读能力时无法安全执行。

MobileODT 的商业方案是把阴道镜「手机化」：EVA System 是一台可以连到智能手机上的便携式放大成像设备，让基层医护人员也能拍出质量可用的宫颈图像。但设备只解决「拍得到」，解决不了「看得懂」——对图像做转化区分型（transform zone typing，详见 §3）依然是专家技能。于是 2017 年 3 月，MobileODT 找上 Intel，联合在 Kaggle 上发起这场竞赛：给出 EVA System 拍摄的宫颈图像（分型由资深阴道镜专家 Prof. Albert Singer 背书），悬赏 $100,000，请参赛者训练「输入一张宫颈照片、输出 Type 1/2/3」的自动判读算法。Intel 的动机同样清晰：把自家工具链（Intel 工具专项奖占奖金池五分之一）推广给医学影像开发者社区。

竞赛问题定义看似简单——一个三分类——但医学语境让它并不平凡。Type 3（转化区不可见）意味着「即便切了活检也可能取不到病灶」，直接决定临床决策路径；Type 1 与 Type 2 的边界又是最难判读的情形（§3.4）。换句话说，这不是「猫狗分类」式的娱乐任务，而是把一本阴道镜教科书压缩进卷积神经网络的尝试。

竞赛最终收到 1000+ 参与者、800+ 团队的提交（Intel 新闻稿口径为「超过 1000 支数据科学团队」），四个奖项名花有主（§5），获奖算法由 MobileODT 验证并承诺集成进 EVA System。但真正让这个数据集被反复引用的，是三件后来才发生的事：

  1. 排行榜被逆向攻破：Stage 1 结束后，参赛者发现公开榜前排出现了一串 0.00000 的满分成绩——有人利用对数损失指标的单点可解性，把 512 个测试标签全部猜了出来。2021 年的 AAAI 工作坊论文《Climbing the Kaggle Leaderboard by Exploiting the Log-Loss Oracle》把这次攻击系统化：仅用 98 轮提交，512 个标签全部命中（§4.3）。
  2. 组织者的防御成为范式：Stage 2 把约 87% 测试数据转入 private 集、冻结参赛者的预测管线重跑——这套「冻结管线+大 private 集」机制随后成为 Kaggle 大型竞赛的标准配置。
  3. 防御本身也被攻破：Stage 2 测试包 test_stg2.7z 以密码分发，而密码「byecervicalcancer」后来被一篇 Authorea 论文明文写出——私密性防线在人性面前同样脆弱（§6.3）。

§0 读法三则：

  1. 本条目的「数据集」与「竞赛」不可拆分：图像、标签、评测协议、公开/私有切分全部由竞赛规则定义，离开 Kaggle 竞赛页语境谈 license 与获取方式没有意义（§6）。
  2. 全文统计数字均有来源口径存照——竞赛开始日期、entry deadline、train 规模等字段存在多口径，逐条对应关系见 §10 坑 3 与坑 7，引用时必须注明口径。
  3. 检索此数据集时最常见的错误是把公开榜分数当模型实力——0.00000 是标签挖掘产物（坑 2），任何引用本竞赛 LB 成绩的工作都应先核对前排成绩是否为逆推产物。

§1 数据集速览：十问十答

Q1：这个数据集到底是什么？
它是一场 Kaggle 竞赛的完整资产：6733 张带转化区分型标签的宫颈 JPG 图像（train 与 additional 两个训练来源）、512 张无标签公开测试图（test_stg1，答案在竞赛结束后公布）、以及一个 Stage 2 私有测试包（test_stg2.7z）。全部数据由 MobileODT EVA System 拍摄，分型标注由阴道镜专家 Prof. Albert Singer 完成。主办方为 Intel 与 MobileODT，奖金池 $100,000。

Q2：图像是怎么拍的、质量如何？
EVA System 是连在智能手机上的便携式阴道镜设备，图像拍摄于真实临床筛查场景而非实验室摆拍。代价是质量参差：二次整理文献（Authorea 论文）归纳了五类常见缺陷——阴道壁遮挡、阴影、黏液或血液污染、窥器遮挡、模糊。图像尺寸跨度很大，从 480×480 到 4128×4160，中位数约 3096×3264。这批「带缺陷的真实世界图像」既是本数据集的临床价值所在，也是其分类难度的来源。

Q3：Type 1/2/3 到底在分什么？
分的是转化区（transformation zone，TZ，鳞状上皮与柱状上皮交界处的转化区域——宫颈癌前病变绝大多数发生于此）的可见性。IFCPC 2011 里约命名法的口径：Type 1 转化区完全位于外宫颈、鳞柱交界（SCJ）全周可见；Type 2 转化区部分或完全伸入宫颈管内、但 SCJ 仍全周可见；Type 3 转化区部分或完全位于宫颈管内且 SCJ 无法全周可见。Type 3 意味着阴道镜下看不清病灶最可能的位置，直接影响治疗决策。三种口径的对照表见 §3.2。

Q4：数据量有多大？
Kaggle data 页总口径为 8734 files / 46.53 GB（含 jpg、csv、7z）。其中标注图像 6733 张：Type 1 为 1191 张（17.68%）、Type 2 为 3565 张（52.94%）、Type 3 为 1976 张（29.34%）。公开测试 512 张。注意「6733」只是主口径——不同二次整理文献给出过 6788（raw）、4315（curated）等口径，引用时务必注明（坑 3）。

Q5：标签可靠吗？
标注背书来自资深阴道镜专家 Prof. Albert Singer，这是本数据集标签权威性的主要来源。但标签在竞赛期间经历过多轮修正：2017-03-24/27 发布 fixed_labels_v2.csv 修正包，2017-05-22 又对三张训练图改标（train/Type_1/80 改为 Type 3；train/Type_3/968 与 train/Type_3/1120 改为 Type 1）。此外 additional 与 train 存在同患者强相关样本——把两类混切验证集会显著虚高成绩（坑 4）。

Q6：评测指标是什么？
官方 overview 明确为 multi-class logarithmic loss（多类对数损失）——衡量预测概率分布与真实标签的交叉熵，对「自信地犯错误」惩罚极重。注意：一些资料误传本竞赛使用二次加权 kappa（QWK）或准确率，均为以讹传讹——指标口径以官方 overview 为准（坑 1）。正是对数损失的「单点可解」性质，埋下了 §4.3 标签逆推事件的伏笔。

Q7：为什么它在数据集史上出名？
因为一次教科书级的排行榜逆向攻击：AAAI-2021 工作坊论文以本竞赛 Stage 1 为实验对象，利用对数损失在「预测概率接近单点分布」时的可解性，仅用 98 轮提交就把 512 个公开测试标签全部逆推出来，public LB 达到满分 0.00000、冲上排行榜第 4 名。论文图 2 显示 Carlos Grajeda、r4mOn、Paul Stadnikov、JacobWhitehill 四个账号均为 0.00000——他们是标签挖掘者，不是算法强者（坑 2）。

Q8：双阶段设计是怎么回事？
竞赛分两阶段：Stage 1 用 512 张公开测试图计分；Stage 1 结束后释放 Stage 2 测试包（test_stg2.7z），参赛者须提交冻结的预测管线（frozen pipeline），由组织者在私有测试集（约占全部测试数据的 87%）上统一重跑出最终排名。这套设计的直接动机就是防止 Stage 1 式的标签逆推——虽然 87% private 集让逆推的性价比大幅下降，但密码分发环节后来仍告失守（§6.3）。

Q9：现在还能拿到数据吗？
能，但路径是 Kaggle 竞赛页：注册账号、进入竞赛页面接受竞赛规则（Subject to Competition Rules）后即可下载全部数据。这不是标准开源许可——学术使用基本没有障碍，但商用或再分发前应核对竞赛规则原文。所有历史数据包（含修正包 fixed_labels_v2.csv 与 Stage 1 答案 solution_stg1_release.csv）都在 data 页保留。

Q10：它对 AI-Ready 评估的意义是什么？
本条目是「竞赛规则制许可」与「排行榜可逆推」两个 AI-Ready 议题的典型样本：一方面，竞赛数据集天然具备完整任务定义与评测协议，可直接训练评测；另一方面，它的标签质量经不起 too-good-to-be-true 的诱惑考验——公开榜上限被数据本身的结构（小公开集+单点可解指标）击穿。对库内使用者的提示是：竞赛数据集的「排行榜成绩」不能当作模型能力先验来引用。

§2 数据构成与规格

2.1 文件清单与目录结构

Kaggle data 页的总口径为 8734 files / 46.53 GB（文件类型标注为 jpg, csv, 7z + 1）。数据包的目录结构按竞赛阶段与用途切分：

顶层路径 内容 标签 说明
train/Type_1/ Type 1 宫颈 JPG 有（目录名即标签） 训练集 Type 1 部分
train/Type_2/ Type 2 宫颈 JPG 有 训练集主体（占比过半）
train/Type_3/ Type 3 宫颈 JPG 有 训练集 Type 3 部分
additional/Type_1..3/ 增补训练 JPG 有 2017-03-24/27 增补发布，含同患者样本
test_stg1/ 公开测试 JPG（512 张） 无 Stage 1 计分依据；答案赛后公布
test_stg2.7z Stage 2 测试 JPG 无（参赛者本地推理） 密码分发；确切图像数官方未公布
fixed_labels_v2.csv 标注修正包（41.65 kB） — 2017-03-24/27 发布的 additional 修正
solution_stg1_release.csv Stage 1 答案（512 行） 有 2017-06-15 发布

三处目录结构层面的要点：

  1. 训练集标签藏在目录名里：train 与 additional 均按 Type_1/Type_2/Type_3 分目录，读入时目录名即标签——这是 Kaggle 竞赛的惯例布局，也是后来诸多转载版本被改平铺结构时引入标签错位的常见来源。
  2. additional 不是独立测试集：它是对训练集的增补（2017-03-24/27 发布），且与 train 存在同患者强相关样本——把它当验证集用是最常见的成绩虚高错误（坑 4）。
  3. test_stg2.7z 是唯一需要密码的资产：密码「byecervicalcancer」在竞赛期通过私密渠道分发，后被一篇 Authorea 论文明文公开（§6.3）。

2.2 类别分布：中间重两头轻的三分类

6733 张标注 JPG（train + additional 合计主口径）的分布：

类别 张数 占比
Type 1 1191 17.68%
Type 2 3565 52.94%
Type 3 1976 29.34%
合计 6733 100%

三个观察：

  1. Type 2 独占过半——恰与临床判读难度形成倒挂：§3.4 会说明 Type 1 vs Type 2 边界恰是最难判读的区间，而数据集中与 Type 2 相关的判读任务占比最大。
  2. Type 1 稀缺（约 1/6）——类别比约 1:3:1.7，三分类任务存在实质性类别失衡，做建模时需要类加权或重采样，直接比照准确率或损失均值会偏向 Type 2。
  3. 分布失衡但未失衡到极端——与许多医学影像数据集（阳性样本 <10%）相比，本数据集的失衡程度温和，多数标准分类流水线可直接工作。

2.3 图像规格

属性 规格
拍摄设备 MobileODT EVA System（连智能手机的便携式阴道镜）
格式 JPG
最小尺寸 480×480
中位尺寸 约 3096×3264
最大尺寸 4128×4160
尺寸策略 原始分辨率直存，无统一缩放——建模时需自行处理尺寸方差

尺寸方差跨度约 8.6 倍（480 → 4128），这是真实临床工作流的直接痕迹：不同手机、不同存储设置、不同拍摄批次都会改变输出分辨率。训练管线里常见的处理是短边缩放或中心裁切，但裁切比例的选择对 TZ 分型有额外含义——判读依据的鳞柱交界形态可能只占画面一小部分，过度裁切会把判读区域裁掉（§3.3）。

2.4 图像质量五缺陷（Authorea 口径）

Authorea 论文对本数据集的图像质量问题做过系统整理，五类缺陷在训练集中均常见：

  1. 阴道壁遮挡：窥器撑开不充分或体位原因，阴道壁组织部分覆盖宫颈视野——遮挡区域可能恰好压在鳞柱交界上。
  2. 阴影：光源角度或设备自遮挡在宫颈表面投下阴影，与「Type 3 看不清」的判读依据在图像特征上难以区分。
  3. 黏液/血液污染：宫颈表面黏液栓或接触性出血直接覆盖上皮形态——而黏液与血液的颜色恰与 Type 1 判读依据的柱状上皮红色接近。
  4. 窥器遮挡：金属窥器叶片进入画面，占据边缘或切掉部分宫颈轮廓。
  5. 模糊：对焦失败或手部抖动导致的运动模糊——EVA System 是基层设备，操作者拍摄熟练度参差。

这五类缺陷对建模者的含义是双重的。一方面，它们天然构成「分布内困难样本」，任何在本数据集上报告的成绩都隐含了对这些噪声的鲁棒性；另一方面，它们提醒使用者：本数据集不能当作「干净阴道镜图像」的基准——若你的模型在 ImageNet 式的干净医学图像上验证过，直接迁移到本数据集会遇到明显的域差。

2.5 二次整理口径：raw 6788 与 curated 4315（MDPI）

2026 年发表的 MDPI Computers 论文（Computers 15(7):450）对本数据集做了一次系统的二次整理，给出另一套口径：

阶段 Type 1 Type 2 Type 3 合计
raw（MDPI 口径） 1440 2926 2422 6788
curated（MDPI 筛后） 914 1945 1456 4315
Kaggle 主口径 1191 3565 1976 6733

MDPI 的 raw 口径（6788）与 Kaggle 主口径（6733）相差 55 张，属于不同计数边界（对 additional 修正、剔除策略的口径差）；curated 口径则是经过质量筛选后的子集，砍掉约 36.4%。该论文还把三分类改造成二分类（健康 vs CIN/癌倾向）供其下游任务使用——这是本数据集最常见的下游改造方式之一，但注意改造后的标签语义与原竞赛任务定义已经不同，引用时必须区分。

2.6 规模多口径对照表（检索防坑）

数字 出处 含义 可信度处理
8734 files / 46.53 GB Kaggle data 页 全部文件（含 csv/7z） 官方主口径，直接引用
6733 JPG Kaggle data 页分型分布 标注训练图像合计 官方主口径，直接引用
512 solution_stg1_release.csv Stage 1 公开测试图 官方口径，直接引用
6788 raw / 4315 curated MDPI Computers 15(7):450 二次整理计数 引用时注明「MDPI 口径」
8430 / 1481 零散社区口径 含义不明或仅覆盖部分目录 不建议引用（坑 3）

结论：对外报告一律用 8734 files / 6733 JPG / 512 test 三件套，其余口径只在与特定二手文献对话时出现并注明出处。

§3 任务与标注：转化区分型解剖

3.1 医学背景：转化区为什么是分型对象

宫颈表面覆盖两种上皮：外宫颈的鳞状上皮（粉红、多层）与宫颈管的柱状上皮（红色、单层）。两者交界处并非固定不动——青春期、妊娠、口服避孕药等激素变化会使柱状上皮外翻，随后在阴道酸性环境中逐步化生为鳞状上皮，这个动态交界的区域就是转化区（transformation zone，TZ）。高危型 HPV 感染的致癌事件几乎全部发生在转化区的化生上皮内——转化区是宫颈癌前病变（CIN，cervical intraepithelial neoplasia，宫颈上皮内瘤变）与宫颈癌的摇篮。

阴道镜判读的第一步因此不是找病灶，而是先找到并评估转化区：转化区完全可见，则病灶（若有）可以被充分观察，阴道镜结论可信；转化区部分或全部藏进宫颈管，则阴道镜存在盲区，即便没看到病灶也不能排除病变。这就是 IFCPC 分型系统的临床逻辑：Type 数字越大，阴道镜的「可见性保证」越弱。Type 3 的女性即便阴道镜下「未见异常」，也可能需要宫颈管搔刮或诊断性切除——分型直接改变诊疗路径。

把分型交给算法的动机由此清晰：在 MobileODT 设想的低资源场景里，基层医护用 EVA System 拍照后，若算法能自动分型，就能立即给出「可以即筛即治」还是「必须转诊」的决策提示——这正是本竞赛任务定义的全部医学含义。

3.2 Type 1/2/3：三种口径对照表

本数据集的类型定义存在三个流传口径，细节措辞不同但指向一致。成稿以 IFCPC 官方口径为主：

类型 IFCPC Rio 2011（官方主口径） Awesome-Medical-Dataset 版 visoft 社区视觉版
Type 1 SCJ（鳞柱交界）全周可见，转化区完全位于外宫颈 Exophytic cervix, fully visible（外生型宫颈、完全可见） 可见红色单层柱状上皮
Type 2 SCJ 全周可见，转化区部分或完全伸入内宫颈（宫颈管） 有内宫颈成分、完全可见 混合形态，最难辨认
Type 3 SCJ 全周不可见（部分或完全在内宫颈），转化区部分或完全在内宫颈 有内宫颈成分、不完全可见 仅见粉色（化生/鳞状上皮）

三处口径差异的说明：

  1. IFCPC 版以 SCJ 可见性为纲——这是阴道镜教科书的正宗表述，本条目正文与 FACTS 档案均以其为主口径。
  2. Awesome-Medical-Dataset 版强调「内宫颈成分」——语义等价但把「SCJ 不可见」换成了「转化区不完全可见」的表述，便于非阴道镜背景读者理解。
  3. visoft 社区版是给算法工程师的人眼识别速查——直接映射到图像颜色特征（红色柱状上皮 vs 粉色化生上皮），是参赛者社区流传的判读技巧帖（56th 名次作者所写，kaggle.com/discussions/getting-started/30471）。

3.3 逐型展开：每一型在图像上长什么样

Type 1——转化区完全外置。判读依据是宫颈口周围可见完整的柱状上皮带（红色、天鹅绒样）及其与鳞状上皮的交界。图像特征最鲜明：宫颈口周围有一圈明显的红色区域。对算法而言，Type 1 的视觉证据最「表层」，也是三型中样本最少（1191 张）的一类。

Type 2——转化区部分伸入宫颈管但仍完全可见。SCJ 全周可辨，但转化区的上界探进宫颈管开口内。视觉上是红色柱状上皮与粉色鳞状上皮的混合形态，且混合比例个体差异极大。这是三型中判读最难的一类——社区教程直接说它「最难辨认」，也是 Type 2 占据数据集 52.94% 的原因之一（真实筛查人群中 Type 2 本就是多数，混合形态在视觉上覆盖最广）。

Type 3——SCJ 无法全周可见。宫颈口周围看不到明确的柱状上皮带，画面以粉色上皮为主——判读依据是「该看见的东西看不见」。这是对算法最反直觉的一类：证据是缺失而非存在，模型必须学会「识别看不到关键结构」本身。临床含义也最重：Type 3 意味着潜在的盲区检查，直接触发转诊。

3.4 为什么 1 vs 2 是最难边界

社区教程与判读实践共同指向：Type 1 与 Type 2 的边界是本任务最大的错误来源。原因有三：

  1. 判据是连续量上的切线：SCJ「全周可见」在 Type 1 与 Type 2 之间共享同一个可见性判据，差别只在转化区上界的解剖位置——一张正面照片并不总能提供进深信息。
  2. 视觉特征高度重叠：两型都可见红色柱状上皮，差别只是「是否探进宫颈管」，而这在静态照片上常常无法确定——这恰是训练数据里 1/2 混淆样本多的结构原因。
  3. Type 3 反而有独立证据：「看不到红色柱状上皮」与另两型形成清晰对照，因此三分类里 1↔2 互混远多于 2↔3 或 1↔3。

对使用者的实操建议：评估模型时除了三分类混淆矩阵，单独拆出 1↔2 的混淆率；若你的应用场景里「1 误判为 2」或反之有不同临床代价，考虑把三分类包装为「Type 3 检出 + 1/2 细分」的两级任务。

3.5 标注主体：Singer 的权威性与结构性局限

竞赛标注由 Prof. Albert Singer 完成分型——他是国际阴道镜领域的领军专家（IFCPC 领域权威之一），这为标签提供了教科书级的权威背书，也是本数据集标签可信度的核心来源。参赛者社区对标签质量的整体评价是「专家级但存在固有难度」——难度来自任务本身（§3.4）与图像质量（§2.4），而非标注者资历。

但两点结构性局限必须存照：

  1. 单专家标注：分型出自单一权威专家（团队）之手，无第二专家独立复标、无观察者间一致性数据发布——标签的专家间可靠性未知。
  2. 静态照片的分型极限：阴道镜判读在临床上依赖动态观察（醋酸/碘染反应、进深视角），静态照片天然丢失部分判读信息——这解释了为何即使专家标注，1/2 边界样本仍存在本质模糊（修正链三图改标正是这类模糊的实证，§3.6）。

3.6 标注修正链：两次公开修正的时间线

竞赛期内标注经历两轮公开修正，时间线如下：

时间 修正动作 内容
2017-03-24/27 additional 发布 + 修正包 增补训练图发布，随附 fixed_labels_v2.csv（41.65 kB）修正既有标注
2017-05-22 三图改标 train/Type_1/80 改为 Type 3；train/Type_3/968 改为 Type 1；train/Type_3/1120 改为 Type 1

两轮修正的三点含义：

  1. 标签在竞赛期是「活的」——任何基于早期快照的离线实验都与官方终版标签存在差异，复现工作必须核对修正链。
  2. 改标方向有信息量：三张改标图两张从 Type 3 改为 Type 1、一张从 Type 1 改为 Type 3——集中在 1↔3 互换，与 §3.4 的「1↔2 最难」并不矛盾：1/3 混淆是「红与粉」的极端混淆，多见于图像质量差的样本（80 号恰是 Type 1 目录中的图）。
  3. fixed_labels_v2.csv 的 41.65 kB 体量——按 CSV 行均宽估算约覆盖数百行修正记录，提示 additional 初版标注的修正面不小；使用 additional 时务必应用 v2 修正。

3.7 患者级泄漏与切分纪律（建模者必读）

本数据集存在一个容易被忽视的强陷阱：additional 与 train 存在同患者强相关样本。同一女性的多次拍摄（同一轮筛查的不同照片或随访照片）可能分别落在 train 与 additional 里，且同患者图像在颜色、构图、设备特征上高度相似。

后果：若按图像级随机切分训练/验证集，同患者图像同时出现在两侧，验证成绩会系统性虚高——模型可能学到的是「这位患者的拍摄风格」而非「转化区形态」。正确做法：

  1. 按患者级切分：把同患者图像整组划入同一侧；官方未提供患者 ID 映射文件，需自行用图像相似度或文件名线索聚类（社区有现成讨论可参考）。
  2. 对 additional 保持警惕：不要默认 additional 是「独立同分布的新数据」——它与 train 的关系是「同池增补」。
  3. 报告成绩时注明切分口径：患者级切分与图像级切分的成绩差异可观，二者不可直接比较。

这条纪律对「用本数据集训练、到其他阴道镜数据集测试」的跨数据集实验同样成立：患者级信息泄漏是所有筛查影像数据集的通病，本条目只是把它摆在了明面上（坑 4）。

§4 评估与排行榜逆推事件：本数据集最著名的学术公案

本条目将评估机制单独成章，原因有二：其一，官方指标 multi-class logloss 与小规模公开测试集的组合，催生了机器学习竞赛史上被写入 AAAI 论文的排行榜逆推案例；其二，围绕指标与排行榜流传着若干讹误（如「QWK 指标」假说、把 0.00000 挖掘账号误认作获奖者），本节一并证伪存照。引用本数据集做基准对比的读者，务必先读完本节再引用任何分数。

4.1 官方指标：多类对数损失（multi-class logarithmic loss）

竞赛官方 overview 明确评测指标为 multi-class logarithmic loss（多类对数损失）——本研究档案于 2026-10-04 对 Kaggle overview 页面 WebFetch 实抓确认，属一手口径。

其计算形式为：

L = -(1/N) * Σ_i Σ_j y_ij * log(p_ij)

其中 N 为测试样本数（Stage 1 为 512 张），y_ij 是第 i 张图属于第 j 类的独热指示，p_ij 是参赛模型对第 i 张图第 j 类的预测概率。对三分类任务（Type 1 / Type 2 / Type 3），每张图提交一个三元概率向量，五个数字约束归一（和为 1，实际自由度 2）。

logloss 的关键性质，是理解 §4.3 逆推事件的前提：

  • 指数惩罚：预测概率越偏离真实标签，损失呈对数尺度放大；给出接近 0 的概率于真实类别，损失趋近无穷大（实践中参赛者普遍对概率做 clip，如截断到 1e-15，防止单图爆炸）。
  • 概率敏感：与 0/1 准确率不同，logloss 奖励「诚实校准」的概率输出，也对过度自信极度敏感。
  • 单一标量反馈：Kaggle 每次提交返回的只是 512 张图上的平均值——这个平均值本身就是关于标签的信息载体（见 §4.3）。

4.2 「二次加权 Kappa」假说证伪存照

本研究档案在早期研究轮次中，曾假设本竞赛使用二次加权 Kappa（Quadratic Weighted Kappa，QWK）作为评测指标——这是一个被官方 overview 原文证伪的假说，特在本条目双处存照（此处与 FACTS 档案 §7），防止后续维护者或引用者复活该错误。

误判的来源可以理解：QWK 常见于医学评分、有序回归类竞赛（如糖尿病视网膜病变分级）， cervix 三分类同属医学影像分级语境，先验上容易联想。但事实是：官方指标自始至终为 multi-class logloss，与 QWK 无关。

给引用者的净结论：凡看到把本竞赛基准表述为 QWK 的二手材料，一律以官方 overview 的 logloss 口径为准；本条目所有分数讨论均基于 logloss。

4.3 可逆推性：logloss + 512 张公开测试图的危险组合

Stage 1 的评测结构是：512 张公开测试图 + 每次提交返回一个 logloss 标量。这个组合在信息论意义上是脆弱的——每次提交本质上是一次「查询」，oracle 返回的不是对错二值，而是提交概率向量与真实标签之间的交叉熵，信息量远大于一个比特。

极端情形可以直觉化：如果参赛者对每张图提交「接近独热」的概率向量，oracle 返回的损失大小就直接编码了猜中与否及其置信程度。即便平均到 512 张图上，精心设计的查询序列仍能逐轮约束真值空间。换句话说：512 张图的标签空间虽大，但每次提交都在收缩它，而 Kaggle 允许反复提交。

这不是事后诸葛式的理论推演——它被学术研究完整实现并量化了，即 §4.4 的 AAAI 论文：98 轮查询，恢复全部 512 个标签。

4.4 AAAI 论文复盘：98 轮查询攻下全部 512 个标签

本条目最重磅的学术存照，是论文 Climbing the Kaggle Leaderboard by Exploiting the Log-Loss Oracle（AAAI 研讨会论文，PDF 存于 cdn.aaai.org/ocs/ws/ws0421/16161-75972-1-PB.pdf）。该论文直接以本竞赛 Stage 1 为实验对象，实证了 §4.3 的可逆推性：

  • 攻击目标：通过反复提交构造的查询，利用每次返回的 logloss 标量，逆推 512 张公开测试图的真实标签。
  • 攻击成本：98 轮提交——远小于暴力枚举所需规模，属于「常规参赛工作量」量级。
  • 攻击效果：全部 512 个标签被恢复，public LB 分数刷至 0.00000，冲上排行榜第 4 名。
  • 攻击原理：以优化方式设计每轮提交的概率分布，使 oracle 返回值对未知标签的信息增益最大化，逐轮收缩可行标签集合。

需要强调的伦理与叙事边界：该论文是研究者对机制漏洞的学术实证，不是对本竞赛获奖者的指控——0.00000 的排行榜位置属于信息挖掘行为，与最终基于 private LB 的评奖（§4.6、§5.4）是两条线。但论文以此演示的机制风险是真实的：任何「单一标量 oracle + 小规模 public 集」的评测设计，都可能被同等手段攻击。

4.5 四个 0.00000 账号与社区反应存照

论文图 2 存照：排行榜上 Carlos Grajeda、r4mOn、Paul Stadnikov、JacobWhitehill 四个账号的 public LB 分数均为 0.00000——即标签已被完全恢复的确定性信号。

社区侧的反应同样有存照：竞赛讨论帖 35115（标题含 not crying over spilled milk）下出现评论 Don’t use the leak, Luke——印证当时社区对 public LB 存在 leak 的共识与规劝。换言之，逆推行为在赛期已不是秘密，只是其学术定量化（98 轮、可完全恢复）要等到 AAAI 论文发表才被完整记录。

两条必须写明的边界，防止引用者张冠李戴：

  • 这四个 0.00000 账号不是本竞赛的获奖者。获奖名单（§5.4）基于 private LB（约 87% 测试数据）产生，与 public 挖掘无关。
  • 第一名团队最终 private LB 分数未见于本研究可抓取的任何页面，属遗留疑点（附录 F），本条目不写具体数字。

4.6 组织者对策：约 87% private 与冻结管线

面对 public LB 的可逆推性，组织方的机制对策有三层，均可在官方页面口径中得到印证：

  • 提高.private 权重：private LB 覆盖约 87% 的测试数据（Kaggle leaderboard 页口径），public 512 张仅占约 13%——在 public 上刷出来的分数，对最终名次影响有限。
  • Stage 2 换题重跑：赛程末段发布 test_stg2（Stage 2 测试包，2017-06-15 随 solution_stg1_release.csv 一同放出），参赛者在完全未见的图像上锁定提交管线（冻结代码与模型，不可再人工干预），由组织者用 Stage 2 数据重跑得分。
  • 答案延迟与保密：Stage 1 的 512 张答案在 Stage 2 发布时才公开（solution_stg1_release.csv）；Stage 2 的标签始终未公开。

这套「小 public 引导 + 大 private 定胜负 + 冻结管线」的组合，事后看正是对 §4.4 类攻击的直接免疫设计：即便攻击者恢复全部 512 张 public 标签，也无法从 public 信息中推导 Stage 2 标签，且冻结管线剥夺了在 private 上实施自适应查询的通道。

4.7 密码失守：test_stg2.7z 泄露事件存照

Stage 2 测试包 test_stg2.7z 以加密压缩包 + 密码分发，密码为 byecervicalcancer。该密码后被 Authorea 论文（authorea.com/users/330831/articles/457667）明文写出——本条目将此记为安全事件存照：组织者以密码分发 Stage 2 数据，密码后被学术论文公开。

影响评估需要克制，不夸大也不淡化：

  • 密码公开使 Stage 2 输入图像失去保密性，任何人可解包查看测试图像本体。
  • 但 Stage 2 标签从未公开，且评奖时管线已冻结——仅凭输入图像不构成对 private LB 的直接攻击面。真正依赖图像保密性的场景（如防止人工目测标注测试集）会受影响。
  • 方法论教训：以「口口相传的密码」保护数据是弱机制，尤其当相关学术写作的作者并不把密码视为机密时。凡以密码分发的研究数据，撰写论文时应默认密码终将公开。

4.8 方法学启示：给数据集复用者的四条净结论

  • 不要引用 public LB 分数评价模型：public 侧被证明可被 98 轮逆推至 0.00000，其分数不代表泛化能力；任何严肃对比应以官方公布的获奖结果或自建患者级验证为准。
  • 指标口径以官方 overview 为准：multi-class logloss，QWK 假说已证伪（§4.2）。
  • 逆推攻击是机制问题不是道德问题：AAAI 论文的价值在于把「single-scalar oracle + small public set」的风险定量化，任何自建基准的设计者都应以此为镜——扩大 private 占比、冻结管线、避免可反复查询的小集合。
  • 密码分发不等于保密：test_stg2.7z 密码泄露事件（§4.7）与标签逆推事件共同构成本数据集对评测安全研究的双重教学价值。

§5 竞赛机制、时间线与获奖者

本节把赛事事实集中存档：双阶段机制、逐日时间线（多口径存照）、参赛规模、完整获奖名单、Intel 专项奖，以及主办方之一 MobileODT 赛后的公司命运——后者是理解「竞赛光环与现实商业之间落差」的罕见完整样本。

5.1 双阶段机制设计

竞赛采用 Kaggle 经典的双阶段（Two-stage）结构，在本数据集语境下的具体形态为：

  • Stage 1（public 阶段）：测试集为 512 张公开图像（test_stg1，初版数据包中随 train/additional 一同提供但无标签），实时更新 public LB；评测指标 multi-class logloss（§4.1）。
  • 阶段切换：2017-06-15 发布 solution_stg1_release.csv（512 张 Stage 1 答案）与 test_stg2.7z（Stage 2 测试包，7z 加密、密码分发，§4.7）；参赛者提交冻结的预测管线。
  • Stage 2（private 阶段）：组织者用参赛者冻结的管线在 test_stg2 上重跑，产出 private LB——覆盖约 87% 测试数据（§4.6），并以之为最终评奖依据。

奖金池 $100,000，结构为：第一名 $50,000、第二名 $20,000、第三名 $10,000、Special Intel Tools Usage Prize $20,000（Intel 工具使用专项奖，§5.5）。

5.2 完整时间线（多口径逐条存照）

下表将赛事与主办方公司两条时间线合并存档；凡存在多口径的日期，均在「口径存照」列注明，引用时以主口径为准：

日期 事件 口径存照
2012-10 MobileODT 创立（Ariel Beery 与 Dr. David Levitz） Times of Israel 口径
2017-03-15 竞赛开始（主口径） Kaggle overview 实抓
2017-03-16 竞赛开始（另一口径） 页面快照口径，与上并存
2017-03-24/27 additional 修正包 fixed_labels_v2.csv（41.65 kB） Kaggle data 页
2017-05-22 三图改标（Type_1/80→3、Type_3/968→1、Type_3/1120→1） Kaggle 版本记录
2017-06-07 entry/merger deadline（主口径） Kaggle overview
2017-06-14 entry/merger deadline（另一口径） Intel 新闻稿口径，不混用
2017-06-15 发布 solution_stg1_release.csv + test_stg2.7z Kaggle data 页
2017-06-22 竞赛结束（Close） Kaggle overview
2017-07-31 获奖宣布（Kaggle 页口径） Kaggle leaderboard/页
2017-08-02 获奖宣布（主口径，Intel 新闻稿发布） Publicnow 转载
2017-08-05 获奖报道（Becker’s Hospital Review，Jessica Kim Cohen 撰） Becker’s 转载
2017 OrbiMed 首投 MobileODT $5.3M 换 20% 股权 Times of Israel 等三源
2019-11 OrbiMed SPA 约 $9M 投资协议（估值 $38M） Times of Israel
2020-04 创始人 Ariel Beery 被董事会解职；公司 insolvency Times of Israel 报道

三个双口径的取舍原则已在 §9 存照（多口径对照）：开始日期用 2017-03-15 为主、entry deadline 用 2017-06-07 为主、获奖宣布用 2017-08-02（新闻稿发布日）为主；引用另一口径时须注明出处，不得混排。

5.3 参赛规模与口径差异

参赛规模存在两个不算矛盾的口径，差异来自计数单位：

  • Kaggle overview 口径：1000+ 参与者 / 800+ 团队——本条目主口径。
  • Intel 新闻稿口径（Becker’s 转载同源）：more than 1,000 data science teams——以「团队」计数并做约数表述。

两者可以自洽：1000+ 人组成 800+ 团队，与 more than 1,000 teams 的宣传口径在同一量级。引用时建议注明计数单位（参与者还是团队），避免把 800+ 与 1000+ 当作同一指标的冲突读数。

5.4 获奖名单（四组完整确认）

获奖名单由 Becker’s Hospital Review 2017-08-05 报道（作者 Jessica Kim Cohen）完整确认，四组如下：

名次 奖金 获奖者 地区背景
第一名 $50,000 Ignas Namajunas、Jonas Bialopetravičius、Darius Barušauskas 立陶宛三人团队
第二名 $20,000 Indrayana Rustandi 纽约
第三名 $10,000 Gilberto Titericz Jr.、Russ Wolfinger、Xulei Yang、Joseph Chui 旧金山 / Cary, N.C. / 新加坡 / 费城
Intel 工具使用专项奖 $20,000 Luis Andre Dutra E Silva 巴西

三点补充存照：

  • 第三名为四人共享 $10,000；Gilberto Titericz Jr. 是 Kaggle 著名竞赛选手，Russ Wolfinger 来自 SAS 系统计量背景——但本条目只写 Becker’s 确认的名单事实，不展开选手履历。
  • 获奖依据是 private LB（约 87% 测试数据上的冻结管线重跑，§4.6），与 §4.5 的 public 0.00000 挖掘账号无涉。
  • MobileODT 赛后承诺验证获奖者算法并集成进 EVA System（Becker’s 原文口径）——竞赛成果到产品的转化承诺有明确存照。

5.5 Intel 工具使用专项奖与颁奖方

Special Intel Tools Usage Prize（$20,000）是本竞赛奖金结构的特色：在常规名次奖之外，单列一个以 Intel 工具链使用为导向的专项奖，获评者为巴西的 Luis Andre Dutra E Silva。该奖项设计与 Intel 作为联合主办方的身份直接相关——竞赛同时也是 Intel 医疗 AI 工具生态的展示窗口。

颁奖层面，Intel 方面由 Doug Fisher（SVP, Software and Services Group）出面发言，见于 2017-08-02 Intel 新闻稿（Publicnow 转载）；Becker’s 2017-08-05 报道为同一事件的二手确认。

5.6 MobileODT 公司后续命运（2012-2020 完整链）

主办方之一 MobileODT 的公司史，是本条目区别于纯数据集条目的独特存照——从创立、融资、竞赛高光到创始人出局，链条完整且有三源互证：

  • 2012-10：Ariel Beery 与 Dr. David Levitz（两人是童年好友）创立 MobileODT；使命指向低资源地区的宫颈癌筛查缺口（§8.4）。
  • 竞赛期（2017）：EVA System 部署于 31 个美国医院系统、22 国（Authorea 确认口径，§5.7）；同年 OrbiMed 首投 $5.3M 换 20% 股权（按比例隐含估值约 $26.5M——此为按投资比例的推算值，非官方披露口径，仅作理解辅助）。
  • 2019-11：OrbiMed SPA 约 $9M 投资协议，估值 $38M。
  • 2020-04：创始人 Ariel Beery 被董事会解职，公司陷入 insolvency（Times of Israel 以创始人-VC 争端为主题的报道，三源互证：Times of Israel ×2 + MarketScreener profile）。
  • 2020 年度：销售额 $2.4M；公司累计融资 $22M + $8M 赠款（含 NIH）。

给读者的净观察：$100,000 奖金竞赛、Intel 背书、31 个医院系统部署——这些高光存照并未转化为可持续的商业轨道；引用本数据集论述「AI 竞赛推动医疗落地」时，公司后续命运是必须一并呈现的另一半事实。

5.7 EVA System 部署规模口径演化

MobileODT EVA System（Enhanced Visual Assessment，便携式阴道镜设备，本数据集全部图像的采集硬件）的部署规模存在一组随时间演化的口径，本条目按时间轴存档，明确其为演化而非矛盾：

  • 竞赛期（2017）：31 个美国医院系统 / 22 国——Authorea 论文确认，本条目主口径。
  • 后期宣传：40+ 医院系统 / 60+ 国家。
  • 更后期：42 国。

引用规范：按所研究的时间点选取对应口径，并注明出处；论述竞赛本身的语境下一律使用 31 医院/22 国口径（与竞赛同期、有 Authorea 存照）。EVA System 的设备形态（便携、以手机为核心、面向低资源场景）决定了图像质量缺陷目录（§2 质量五缺陷），两者应配套引用。

§6 获取、版本链与许可

6.1 数据获取方式

数据集通过 Kaggle 竞赛页分发（kaggle.com/competitions/intel-mobileodt-cervical-cancer-screening），获取前提与步骤：

  • 注册 Kaggle 账号并进入竞赛页，接受竞赛规则（Late Submission 通道同样要求先接受规则）。
  • 在 Data 页下载各文件；总量 8734 files / 46.53 GB（jpg、csv、7z 等，Kaggle data 页口径）。
  • Stage 2 测试包 test_stg2.7z 为加密压缩包，密码见 §4.7 事件存照（密码本身已因 Authorea 论文公开，但读者仍应理解该机制的本意是受控分发）。

数据包内的一级构成（与 §2 多口径对照配套阅读）：train（Type_1 / Type_2 / Type_3 三个目录）、additional（补充图像）、test_stg1（512 张无标签）、若干 csv（labels、fixed_labels_v2、solution_stg1_release 等）与 7z 包。

6.2 版本链（4 版完整记录）

数据集在竞赛期内共经历 4 个版本节点，全部有 Kaggle data 页存照。复用历史代码或复现历史结果时，必须核对所用版本：

版本 日期 内容变化 复用注意
v1 initial 竞赛开始（2017-03 中旬） train 三目录 + additional + test_stg1（512 张，无标签） 早期 kernel/论文多基于此版
v2 2017-03-24/27 additional 修正包 fixed_labels_v2.csv（41.65 kB） 引用 additional 时须叠加该修正
v3 2017-05-22 三图改标：train/Type_1/80 → Type_3；train/Type_3/968 → Type_1；train/Type_3/1120 → Type_1 直接影响三分类标签，逐图核对
v4 2017-06-15 新增 solution_stg1_release.csv（Stage 1 答案）+ test_stg2.7z（Stage 2 输入） Stage 1 答案自此可对照

修正链的方法论意义（§3.6 已展开，此处从复用角度重申）：2017-03 的 fixed_labels_v2.csv 与 2017-05-22 的三图改标共同构成标签修正证据链，说明官方标签在赛期内并非冻结。任何声称「百分之百复现官方分数」的下游工作，都应声明所用版本与修正叠加状态。

6.3 许可条款细读：Subject to Competition Rules

本数据集的许可标识为 Subject to Competition Rules（受竞赛规则约束）——不是任何标准开源许可（非 CC、非 MIT、非 Apache）。对复用者的实际含义：

  • 获取前提：下载与使用以接受 Kaggle 竞赛规则为前提，规则文本以 Kaggle 页面现行版本为准。
  • 用途边界：实践上大量学术研究引用并使用该数据（MDPI、AAAI、Authorea、PLOS 等论文存照，§8.2），学术研究用途有充分先例；但商业性再利用、再分发均应回到竞赛规则原文核对，本条目不做超出规则文本的承诺性解读。
  • 再分发限制：由于许可非标准且附条件，不建议将图像本体转发至 HuggingFace Datasets、网盘镜像等第三方渠道——这也是库内收录口径（仅收录元数据与获取指引、不镜像本体）的一致做法。
  • 引用规范：无官方 BibTeX 时，建议引用竞赛 URL + 本条目 §8.2 所列学术论文链。

与常见误读的对照：把 Subject to Competition Rules 读成「开源可用」或「完全禁止研究使用」都是错的——前者忽视了规则约束，后者与大量已发表学术使用事实不符。准确表述是：可用于接受规则约束下的研究，条件以规则文本为准。

6.4 学术引用与复现边界

复现与引用的三条实用边界：

  • 分数引用：引用排行榜成绩时，区分 public LB（可被逆推污染，§4.4）与 private LB（评奖依据）；不要引用 public 侧的 0.00000 类分数作为模型性能证据。
  • 版本引用：注明所用数据版本（§6.2 四版链）与是否叠加 fixed_labels_v2.csv；MDPI 口径（raw 6788 → curated 4315）属于下游再加工口径，引用时不得与 Kaggle 6733 口径混排（§2.5）。
  • 切分引用：验证集必须按患者切分（§3.7 患者级泄漏），引用他人结果时核对切分方式——随机切分的分数系统性虚高，不可比。

§7 DAIMS 评估

本节以 DAIMS 框架对数据集做结构化评分（D/A/I/M/S 五维、各 10 分制、总分 50）。评分是本研究档案基于 §2-§6 全部存照做出的 editorial 判断，供选型者快速定位短板；逐维依据见各小节，评分明细账见附录 B。

7.1 DAIMS 总表

维度 评分（10 分制） 一句话评语
D 数据本体质量 7 6733 张真实阴道镜图像、三分类、真实场景噪声丰富；类别不均衡（Type 2 占 52.94%）是主要扣分点
A 可获取性 6 Kaggle 免费下载、46.53 GB 一次到位；但需接受竞赛规则、许可非标准、无患者 ID 元数据
I 标注与文档 5 图像级三分类标签有领军专家背书；但仅此一层标注、标注过程文档薄、官方文档散落于页面与讨论帖
M 维护与修正 6 修正链四版有存照（fixed_labels_v2 + 三图改标）；竞赛结束即冻结，2017 后无官方维护
S 安全与伦理 4 患者级泄漏、Stage 2 密码失守、无公开的知情同意与患者隐私处理文档
总分 28/50 真实世界价值高、治理文档弱：典型「竞赛遗产型」数据集画像

7.2 D 维：数据本体质量（7/10）

加分项：图像来自真实筛查流程的 EVA System 采集（§5.7），尺寸跨度 480×480 至 4128×4160（中位 3096×3264），含阴道壁遮挡、阴影、黏液/血液、窥器遮挡、模糊五类真实缺陷（§2.4）——对训练鲁棒的真实世界模型是高价值噪声。6733 张的规模在阴道镜类别中仍属可观。

扣分项：类别不均衡显著（Type 1 1191 / 17.68%，Type 2 3565 / 52.94%，Type 3 1976 / 29.34%）；1 vs 2 边界人眼都难辨（§3.4）；患者级重复样本混叠 train 与 additional（§3.7），本体层面即埋有切分陷阱。

7.3 A 维：可获取性（6/10）

加分项：Kaggle 平台免费、下载通道稳定、体积（46.53 GB）与图像数量（8734 files）在医学影像数据集中属于「一次会话可完成」的量级；Late Submission 通道长期开放，赛后仍可提交。

扣分项：获取以接受竞赛规则为前提（§6.3），许可非标准导致合规判断成本高；除图像与标签外几乎无结构化元数据（无患者 ID、无采集参数、无站点信息），限制了按患者/按中心的分层分析。

7.4 I 维：标注与文档（5/10）

加分项：三分类标签由领军阴道镜专家 Prof. Albert Singer 分类背书（§3.5），标签的医学权威性高于众包标注；IFCPC Rio 2011 命名体系（§3.2）给出三型的正式定义；修正链有文件级存照。

扣分项：标注仅到图像级三分类，无分割、无病灶区域、无组织学金标准对照；标注主体流程（单专家还是委员会、仲裁机制）无公开文档；任务定义散落于 overview、讨论帖与第三方论文，官方文档不成体系；社区教程（visoft 讨论帖 30471）实际承担了任务难点的解释功能，属非官方补充。

7.5 M 维：维护与修正（6/10）

加分项：赛期内修正响应快（03 月修正包、05 月改标，§6.2），版本链完整可考；Stage 1 答案赛后释放（solution_stg1_release.csv），使赛后复现成为可能。

扣分项：2017-06 竞赛结束即冻结，此后七年无官方版本演进、无 issue 响应通道；修正仅覆盖被发现的错误，无全量标签复核承诺；MDPI 等下游的 curated 口径（§2.5）属第三方行为，官方未吸收。

7.6 S 维：安全与伦理（4/10）

扣分项集中且严重，是五维最低分：

  • 患者级泄漏：additional 与 train 存在同患者强相关样本（§3.7），说明数据组织时未做患者级隔离——这既是评测陷阱也是隐私治理欠账的表征。
  • 密码失守：test_stg2.7z 密码 byecervicalcancer 被学术论文明文公开（§4.7），受控分发机制失效。
  • 文档缺失：图像拍摄涉及临床检查场景，但数据集无公开的知情同意说明、无去标识化流程文档、无伦理审批披露——本条目以「无公开文档」为限如实存照，不推断实际合规状态。

加分项（有限）：图像为检查部位特写、无面部等直接标识物；受控分发 + 竞赛规则约束在 2017 年属主流做法。

§8 生态与影响

8.1 在 Kaggle 竞赛生态中的位置

本竞赛是 2017 年 Intel 联合 Kaggle 与 MobileODT 推出的医疗影像赛事：$100,000 奖金池、1000+ 参与者 / 800+ 团队（§5.3）、Intel SVP 级别人物颁奖（§5.5）——无论从奖金、主办方分量还是参赛规模衡量，都是当年 Kaggle 医疗类别的标志性赛事之一。

其机制遗产同样重要：约 87% private + 冻结管线的对抗设计（§4.6），与 AAAI 论文对 logloss oracle 的定量化攻击研究（§4.4），使本竞赛成为「评测机制安全」议题的常引案例——它既展示了竞赛机制被利用的方式，也展示了组织者的机制应答，是少有的攻防两侧都有完整存照的样本。

8.2 下游学术引用链

数据集的学术影响有明确的论文链存照，按功能分四类：

  • 基准使用类：MDPI Computers 15(7):450——将数据重整为 raw 6788 张（1440/2926/2422）→ curated 4315 张（914/1945/1456）口径，并做健康 vs CIN/癌的二值化改造（§2.5、§3.8）；是「下游再加工」的代表存照。
  • 评测安全类：AAAI 论文 Climbing the Kaggle Leaderboard by Exploiting the Log-Loss Oracle（§4.4）——以本竞赛 Stage 1 为实验对象的逆推实证。
  • 教训复盘类：Authorea 论文（authorea.com/users/330831/articles/457667）——记录质量五缺陷、密码事件，承担「赛后复盘」功能。
  • 术语确认类：PLOS Global Public Health 2023（加纳 Battor 论文）——其引用的 IFCPC Rio 2011 阴道镜命名是本条目三型定义（§3.2）的确认链一环。

四类合观：一个 2017 年的竞赛数据集，在基准方法、评测安全、数据治理、临床术语四个方向都有可引的学术痕迹——引用面的宽度超出其「三分类基准」的第一印象。

8.3 对基准评测机制的警示价值

把 §4 的个案上升为一般经验，本数据集对自建基准者的启示有三条：

  • 指标即攻击面：logloss 这类对概率敏感、可反复查询的指标，配合小规模 public 集，等价于向全体参赛者开放一个信息通道；设计与公布指标时应预先评估可逆推性。
  • 机制应答要纵深：单一手段（只扩 private 占比、或只冻结管线）都有绕行空间；本案例的 87% private + Stage 2 换题 + 管线冻结三层叠加才是有效防御。
  • 泄密假设要最坏化：密码分发、内部文档、学术写作中的引用，都应按「终将公开」假设设计（§4.7 密码事件即此假设的现实注脚）。

8.4 与全球宫颈癌筛查运动的关联

医学语境定位：宫颈癌是全球第四常见女性癌症；筛查体系呈金字塔结构——HPV 疫苗（一级预防）→ 细胞学/HPV 检测（初筛）→ 阴道镜（转诊确诊）。本数据集处于金字塔第三层：阴道镜下转化区分型，是决定「即查即治还是转诊活检」的关键判断。

MobileODT 的立项动机正是金字塔的覆盖缺口：传统阴道镜设备昂贵且依赖专科医生，低资源地区难以铺开；EVA System 以便携设备 + 手机为核心降低门槛，竞赛则以 AI 补充分型判断力。因此本数据集的每个技术细节（低分辨率样本、质量缺陷、Type 2 边界模糊）都对应着一个真实的临床落地难题——这是它区别于实验室采集数据集的根本特征，也是其 S 维治理欠账（§7.6）的真实约束背景。

§9 与库内条目的关系

9.1 库内已收录的同类条目

以下互链已在本研究档案中经 SQL 实跑验证（2026-10-04，ai_ready_dataset 表，rid 与 url_name 均确认）：

库内条目 rid 视角 与本条目的关系
sipakmed 490 宫颈液基薄层细胞学（涂片单细胞级） 同属宫颈癌筛查数据生态；细胞学初筛视角
herlev-pap 483 Herlev 宫颈细胞学经典基准（单细胞级） 同筛查任务、经典老基准；常作方法对照
papila 765 PAPILA 宫颈细胞学数据集（涂片级） 同筛查任务；不同采集人群与设备

9.2 阴道镜组织级与细胞学视角的互补

本条目在库内宫颈癌数据生态中的独特位置是「组织水平阴道镜影像」：拍摄对象是宫颈表面的转化区形态，判断依据是上皮颜色、血管形态与 SCJ 可见性（§3.2）——对应筛查金字塔的转诊确诊层。

库内三个互链条目（sipakmed、herlev-pap、papila）均为细胞学视角：对象是脱落的单细胞或细胞团，判断依据是核浆比、染色质形态——对应初筛层。两个视角在临床流程上前后相接，在机器学习任务上不可互换（卷积网络看到的形态结构完全不同），但在数据集选型论述中常被混为一谈。选型建议：研究初筛自动化选细胞学条目，研究转诊分型与即查即治决策选本条目；跨视角联合建模属于多模态/流程级研究，需明确声明。

9.3 同类阴道镜数据集生态扩容说明

阴道镜影像方向还有若干公开数据集（如 93 例规模的阴道镜数据集等）处于库外或收录流程中，本库同类阴道镜影像数据集生态正在扩容；本条目遵循保守互链原则——仅将已验证收录的条目写入互链，对收录中的候选不作硬编码互链，待其正式收录后由维护流程补充。读者如需更广的阴道镜数据集清单，可从本条目 §8.2 的论文引用链反向检索。

复现与工程实践指南

本节从零到一给出复用本数据集的工程骨架。注意：本节是本研究档案基于正文存照整理的实践建议（editorial 内容），代码为示意代码——文件名、字段名以实际下载的数据包为准，不构成对官方文件结构的断言。

环境与下载

  • 平台要求：Kaggle 账号 + 接受竞赛规则（§6.1）；下载总量 8734 files / 46.53 GB，建议预留 100 GB 磁盘（解压后含 train/additional/test_stg1 目录与 csv、7z 文件）。
  • 官方 API 路径：kaggle competitions download -c intel-mobileodt-cervical-cancer-screening；赛后复用走 Late Submission 通道验证提交格式。
  • Stage 2 包：test_stg2.7z 需 p7zip/7-Zip 解压（§4.7 事件存照）；其确切张数未公开（附录 F 疑点 2），不要基于任何具体数字预分配标签数组后再校验——应先解压清点。

数据加载与版本核对

第一个工程动作是把 §6.2 四版版本链落进代码，确保读入的标签是叠加全部修正后的最终态：

import pandas as pd
from pathlib import Path

ROOT = Path("data/intel-mobileodt")
# 示意代码：以下文件名与字段名以实际数据包为准
labels = pd.read_csv(ROOT / "train_labels.csv")

# 叠加 2017-05-22 三图改标（v3 版本链，§6.2）
RELABEL_20170522 = {
    "Type_1/80":  3,   # train/Type_1/80  -> Type_3
    "Type_3/968": 1,   # train/Type_3/968 -> Type_1
    "Type_3/1120": 1,  # train/Type_3/1120 -> Type_1
}
for img_key, new_label in RELABEL_20170522.items():
    labels.loc[labels["image_name"].str.contains(img_key), "type"] = new_label

# 若使用 additional：叠加 fixed_labels_v2.csv（v2 版本链，2017-03-24/27，41.65 kB）
# fixed = pd.read_csv(ROOT / "fixed_labels_v2.csv")
# labels = labels.merge(fixed, on="image_name", how="left", suffixes=("", "_fixed"))
# labels["type"] = labels["type_fixed"].fillna(labels["type"])

核对清单：加载后立即断言总数与分型分布（1191 / 3565 / 1976，占比 17.68% / 52.94% / 29.34%，§2.2）——任何对不上都说明版本链没有叠加完整。

验证切分：患者级分组是第一原则

正文 §3.7 已存照患者级泄漏：train 与 additional 存在同患者强相关样本，随机切分必然虚高。工程上分两种情形：

from sklearn.model_selection import GroupKFold

# 情形 A：持有患者映射（如来自采集元数据或人工核对表）
# groups = [patient_of(img) for img in image_ids]
# gkf = GroupKFold(n_splits=5)
# for tr_idx, va_idx in gkf.split(image_ids, y, groups=groups):
#     ...  # 同一患者的全部图像只会出现在同一侧

# 情形 B：没有患者映射——用感知哈希近邻聚类做近似分组（社区通行近似）
# 思路：同患者的检查图像往往背景/光照/取样区域高度相似，
# 以 imagehash.phash 汉明距离做近邻聚类，把每簇当作一个“伪患者”分组。
# 注意：近似分组只能缓解、不能根治泄漏，报告结果时应声明切分方式。

一条可检验的自检信号：随机切分与分组切分的验证 logloss 差距应当显著（差距不明显反而提示近似分组没生效）。论文写作时须明确报告切分协议，否则分数不可比（§6.4）。

提交格式与概率处理

官方指标是 multi-class logloss（§4.1），提交为每张图的三元概率向量。logloss 对 0 概率无限惩罚，clip 是提交前的强制动作：

import numpy as np

def make_submission(probs):
    # probs: shape (N, 3)，来自模型的 softmax 输出
    p = np.asarray(probs, dtype=np.float64)
    p = np.clip(p, 1e-15, 1.0)              # 防 log(0) 爆炸
    p = p / p.sum(axis=1, keepdims=True)    # 重新归一化
    return p

两个常见反模式：其一，用 label smoothing 的常数兜底代替 clip——会系统性惩罚模型的真实信心，logloss 场景不划算；其二，在验证集上忘了与提交侧使用同一 clip 参数，导致本地/LB 分数系统性偏移。

错误分析：按混淆对统计

三分类任务的错误分析应围绕混淆对组织，尤其是 1 vs 2 最难边界（§3.4）：

from sklearn.metrics import confusion_matrix
import numpy as np

# y_true, y_pred: 0/1/2 -> Type_1/Type_2/Type_3
cm = confusion_matrix(y_true, y_pred, labels=[0, 1, 2])
cm_norm = cm / cm.sum(axis=1, keepdims=True)

# 关注两个非对角元：cm[0,1]（1->2）与 cm[1,0]（2->1）的归一化值。
# 若二者之和显著超过其他非对角元之和，说明主要瓶颈是 1vs2 边界而非整体容量。

针对性的工程选项（按正文 §3.2 医学定义落地）：把「SCJ 可见性」与「转化区位置」拆成两个辅助头的多任务学习，让 1/2 与 2/3 的判别分别对齐两个医学判据；对混淆对损失加权；采样上保证每个 mini-batch 内 1 与 2 的配对比例（对不均衡的另一面做补偿，§坑 5）。

复现评估协议清单

把正文全部方法论要求压成一张可勾选协议表，跑实验前过一遍：

  • 版本链：声明所用版本，叠加 fixed_labels_v2.csv 与三图改标（§6.2）。
  • 口径：统计口径用 6733 JPG 主口径，不混入 6788/4315（§2.5、坑 7）。
  • 切分：患者级分组切分；报告随机切分作对照时明确标注其虚高性质（§3.7）。
  • 指标：multi-class logloss + clip；同步报告准确率与 1vs2 混淆对指标（§4.1）。
  • 基线对照：引用他人结果先核对切分协议与版本；public LB 分数不作为性能证据（§4.8）。
  • 二值化改造：若复用 MDPI 二分类协议，须声明 curated 口径（4315）与改造规则（§2.5）。
  • 许可：成果表述用 available under the competition rules，不写 open-sourced（§6.3、坑 8）。

与 Late Submission 通道的关系

赛后没有实时 LB 反馈的增量价值——public 侧已被证明可逆推（§4.4），且赛后台账冻结。赛后再提交的正当用途只剩两个：验证提交格式正确性（管道冒烟测试）、留存版本快照。任何「赛后又涨分」的说法都应先检查其验证协议是否踩了坑 2/坑 3。

数据集统计自动体检

在训练任何模型之前，先把正文全部硬数字做成一次性体检脚本，加载结果不达标即止步：

from collections import Counter
from PIL import Image

def dataset_healthcheck(image_paths, labels):
    # 1) 总量断言：train + additional 合计 6733 张 JPG（§2.2 主口径）
    n = len(image_paths)
    assert n == 6733, f"总数 {n} != 6733，检查是否漏载目录或重复叠加修正包"

    # 2) 分型分布断言（1191 / 3565 / 1976）
    dist = Counter(labels)
    assert dist["Type_1"] == 1191, "Type_1 数量不符——检查三图改标是否叠加"
    assert dist["Type_2"] == 3565, "Type_2 数量不符"
    assert dist["Type_3"] == 1976, "Type_3 数量不符"

    # 3) 占比打印（应得 17.68% / 52.94% / 29.34%）
    for k in ("Type_1", "Type_2", "Type_3"):
        print(f"{k}: {dist[k]} ({dist[k] / n:.2%})")

    # 4) 尺寸分布抽检（应得 min 480x480 / median 3096x3264 / max 4128x4160 量级，§2.3）
    widths, heights = zip(*(Image.open(p).size for p in image_paths[:500]))
    print("min:", min(widths), min(heights), "| max:", max(widths), max(heights))

体检脚本的价值在于把 §6.2 版本链变成可执行约束：任何一处断言失败，都精确指向「修正包漏叠加」「三图改标漏叠加」「目录漏载」三类事故之一，而不是等到训练曲线异常再回头排查。

类别不均衡与边界难的双重处理

本数据集的不均衡（Type 1 仅 17.68%）与边界难（1 vs 2 最难，§3.4）是两个独立问题，处理手段也不同：

import torch
import torch.nn as nn

# 手段一：类加权损失，对冲不均衡（对 1vs2 边界无能为力）
counts = torch.tensor([1191, 3565, 1976], dtype=torch.float32)
weights = counts.sum() / (3 * counts)          # 逆频率权重
criterion = nn.CrossEntropyLoss(weight=weights)

# 手段二：针对 1vs2 混淆对的损失加权（bounds 可按混淆矩阵动态统计）
class PairWeightedCE(nn.Module):
    def __init__(self, base_weights, pair_boost=2.0):
        super().__init__()
        self.base = nn.CrossEntropyLoss(weight=base_weights, reduction="none")
        self.pair_boost = pair_boost

    def forward(self, logits, target):
        loss = self.base(logits, target)
        # 对真实标签为 0（Type_1）而预测为 1（Type_2）的样本加倍惩罚，反之亦然
        pred = logits.argmax(dim=1)
        hard_pair = ((target == 0) & (pred == 1)) | ((target == 1) & (pred == 0))
        loss = loss * torch.where(hard_pair, self.pair_boost, 1.0)
        return loss.mean()

更结构化的做法是把医学判据显式化（§3.2）：SCJ 可见性（区分 3 与 1/2）与转化区位置（区分 1 与 2）拆成两个辅助监督头，让网络的三分类决策对齐两条判据而不是依赖整体相似度。该设计是 editorial 建议（官方标签只有三型，辅助头需自行构建监督信号，见 FAQ Q44）。

§10 避坑清单：本数据集的八个高频翻车点

以下八坑按「踩中概率 × 后果严重度」排序整理，每坑给出症状、机理与正确姿势。前四坑有学术级存照（AAAI/Authorea/官方修正链），后四坑来自数据结构与许可文本的直接推演。

坑 1：把评测指标当成 QWK。 症状：论文或技术报告里写「本竞赛采用二次加权 Kappa 评测」。机理：三分类 + 医学分级语境极易联想到 QWK（视网膜病变分级等竞赛的惯用指标），以讹传讹。事实：官方 overview 明确指标为 multi-class logarithmic loss（§4.1、§4.2 证伪存照）。正确姿势：一律以 logloss 口径引用；发现 QWK 表述即视为二手讹误证据。

坑 2：随机切分验证集导致分数虚高。 症状：交叉验证分数很高，提交后 LB 掉一大截，或者论文分数与官方获奖结果不可比。机理：train 与 additional 之间存在同患者强相关样本（患者级泄漏，§3.7），随机切分把同一患者的高相似图像分进训练与验证两侧，验证指标被「背答案」抬高。正确姿势：按患者聚类分组后做 Group 切分；引用任何他人分数先核对切分方式。

坑 3：在 public LB 上刷出 0.00000 并当成实力。 症状：public LB 名次极高甚至满分，冻结管线重跑后 private 大幅回落。机理：logloss + 512 张公开测试图构成可逆推 oracle，AAAI 论文证明 98 轮提交即可恢复全部标签（§4.4），0.00000 是标签泄露的确定性信号而非模型能力。正确姿势：public 分数只作方向参考；评测结论以 private/官方结果或自建患者级验证集为准。

坑 4：无视修正链直接用初始标签。 症状：复现结果与论文对不上；训练集中个别图像标签与权威说法矛盾。机理：数据集有四版版本链——fixed_labels_v2.csv（2017-03-24/27）修正 additional 标签、2017-05-22 三图改标（Type_1/80 → 3、Type_3/968 → 1、Type_3/1120 → 1）（§6.2），旧代码常基于 v1 标签。正确姿势：声明所用版本；叠加 fixed_labels_v2.csv；对三张改标图逐图核对。

坑 5：把 1 vs 2 边界当普通二分类难题。 症状：模型在 Type 1 与 Type 2 之间大量混淆，调参收效甚微。机理：Type 2 的定义本质是「部分或完全伸入内宫颈但 SCJ 仍可见」（§3.2），与 Type 1 的视觉差异远小于 Type 3；社区人眼识别教程（visoft 讨论帖 30471）明确指出 1 vs 2 是最难分类边界。正确姿势：针对性设计（更细粒度的颜色/血管特征、混淆对加权损失、错误分析按混淆对统计），并把预期建立在医学难点而非工程缺陷上。

坑 6：把 test_stg2.7z 当普通 zip 解压。 症状：解压失败或解压出损坏目录。机理：Stage 2 包为 7z 格式且密码分发（§4.7），且其规模与 test_stg1 无从换算——确切张数官方未公开，任何具体数字（如记忆值 1557）都不可靠，本条目不写死。正确姿势：用 7-Zip/p7zip 解压；引用 Stage 2 规模时写「约数千张、确切数目未公开」。

坑 7：把 6733 / 6788 / 8430 / 8734 / 1481 当同一指标混用。 症状：综述表格里同一数据集出现多个「张数」，读者无法判断哪个正确。机理：多口径并存——8734 files（data 页全包文件数，含 csv/7z）、6733 JPG（train+additional 分型分布主口径）、6788/4315（MDPI raw/curated 再加工口径）、8430 与 1481 为零散来源口径（§2.6 对照表）。正确姿势：分型分布与建模用 6733，包体规模用 8734 files / 46.53 GB，引用 MDPI 时标注 curated 口径；绝不出现在同一句里。

坑 8：把 Subject to Competition Rules 当开源许可。 症状：把图像本体打包上传 HuggingFace/网盘二次分发；或在论文里写 the dataset is open-sourced。机理：该标识是「受竞赛规则约束」的条件许可，不是 CC/MIT 类标准许可（§6.3）。正确姿势：引用获取指引而非镜像本体；学术使用有先例但仍需自行核对新版竞赛规则；表述统一为 available under the competition rules。

FAQ：常见问题速查

以下 32 问按 A-G 七组组织，全部答案以本条目正文为准，句尾括号给出可回溯的小节。

A 组：身份与定位

Q1：Intel & MobileODT 数据集是什么？
Kaggle 竞赛 Intel & MobileODT Cervical Cancer Screening 的官方数据：基于 MobileODT EVA System 便携阴道镜设备拍摄的宫颈图像，做 Type 1/2/3 转化区三分类，辅助宫颈癌筛查分诊。（§1、§3.1）

Q2：EVA System 是什么设备？
Enhanced Visual Assessment——MobileODT 的便携式阴道镜/筛查设备，以手机为核心、面向低资源场景；本数据集全部图像由其采集，竞赛期部署于 31 个美国医院系统、22 国。（§5.7）

Q3：竞赛什么时候举办、奖金多少？
2017 年 3 月 15 日开始（另有 03-16 快照口径）、6 月 22 日结束；奖金池 $100,000（$50k/$20k/$10k/$20k 四份）。（§5.2）

Q4：主办方有谁？
Intel 与 MobileODT 联合主办、Kaggle 承办；Intel 方由 SVP Doug Fisher 颁奖发言，MobileODT 创始人为 Ariel Beery。（§1、§5.5、§5.6）

Q5：这个数据集为什么有名？
三点：真实低资源筛查语境的大规模阴道镜影像；$100k 奖金 + Intel 背书的 2017 年标志性医疗竞赛；以及被 AAAI 论文定量化研究的排行榜逆推公案。（§4.4、§8.1）

B 组：数据与规模

Q6：数据总量多大？
8734 files / 46.53 GB（Kaggle data 页口径，含 jpg、csv、7z）。（§2.1）

Q7：三分类各有多少张图？
train + additional 合计 6733 张 JPG：Type_1 1191（17.68%）、Type_2 3565（52.94%）、Type_3 1976（29.34%）。（§2.2）

Q8：图像分辨率如何？
最小 480×480，中位 3096×3264，最大 4128×4160——跨度极大，低分辨率样本是建模难点之一。（§2.3）

Q9：为什么有 6788 和 4315 两个数字？
那是 MDPI 论文的下游再加工口径：raw 6788 张 → curated 4315 张（含二值化改造），与 Kaggle 官方 6733 口径并存，引用时须标注出处不可混用。（§2.5）

Q10：数据质量有哪些已知问题？
官方复盘（Authorea）记录五类：阴道壁遮挡、阴影、黏液/血液、窥器遮挡、模糊；另有患者级重复与类别不均衡。（§2.4、§3.7）

C 组：任务与标注

Q11：Type 1/2/3 的准确定义是什么？
按 IFCPC Rio 2011 命名：Type 1——SCJ 全周可见、转化区完全在外宫颈；Type 2——SCJ 全周可见、转化区部分或完全伸入内宫颈；Type 3——SCJ 全周不可见、转化区部分或完全在内宫颈。（§3.2）

Q12：标签是谁标的？
由领军阴道镜专家 Prof. Albert Singer 分类背书，图像由 EVA System 拍摄；标注流程细节（仲裁、多人复核）无公开文档。（§3.5）

Q13：标签改过吗？
改过且有两轮存照：2017-03 的 fixed_labels_v2.csv 修正包，与 2017-05-22 的三图改标（80→3、968→1、1120→1）。（§3.6、§6.2）

Q14：哪个类别边界最难？
Type 1 vs Type 2——社区人眼识别教程明确指出这是最难边界；Type 3（SCJ 不可见）反而相对可辨。（§3.4）

Q15：患者身份在数据里可追踪吗？
官方数据不含患者 ID 元数据；但 train 与 additional 存在同患者强相关样本（患者级泄漏），说明同患者样本在两侧混叠——切分必须按患者分组。（§3.7）

D 组：评估与排行榜事件

Q16：官方评测指标是什么？
multi-class logarithmic loss（多类对数损失）；官方 overview 一手口径确认。（§4.1）

Q17：QWK 是这个竞赛的指标吗？
不是。QWK 假说已被官方口径证伪，属二手讹误；本条目双处存照。（§4.2）

Q18：public LB 的 0.00000 是怎么来的？
logloss + 512 张公开测试图可被逆推：AAAI 论文用 98 轮提交恢复全部标签、刷到 0.00000 冲上 #4；Carlos Grajeda、r4mOn、Paul Stadnikov、JacobWhitehill 四账号均为 0.00000。（§4.4、§4.5）

Q19：这些 0.00000 账号获奖了吗？
没有。评奖依据 private LB（约 87% 测试数据、冻结管线重跑），与 public 挖掘无关；获奖者名单见 §5.4。（§4.6、§5.4）

Q20：test_stg2.7z 的密码是怎么回事？
组织者以密码分发 Stage 2 数据，密码 byecervicalcancer 后被 Authorea 论文明文公开——安全事件存照；Stage 2 标签从未公开，故未构成对评奖的直接攻击。（§4.7）

E 组：获取、许可与合规

Q21：怎么获取数据？
Kaggle 竞赛页注册并接受竞赛规则后下载，8734 files / 46.53 GB；Late Submission 通道赛后仍开放。（§6.1）

Q22：数据是什么许可？
Subject to Competition Rules——受竞赛规则约束的条件许可，不是标准开源许可；学术研究有大量先例，再分发受限。（§6.3）

Q23：能把数据转发到 HuggingFace 吗？
不建议。许可非标准且附条件，二次分发应回到竞赛规则原文核对；规范做法是引用获取指引而非镜像本体。（§6.3）

Q24：数据有几个版本？
四个版本节点：initial → 2017-03 修正包 → 2017-05 三图改标 → 2017-06 Stage 1 答案 + Stage 2 包；复现时必须声明所用版本。（§6.2）

F 组：生态、公司与影响

Q25：库内有哪些同类数据集？
sipakmed（rid 490）、herlev-pap（rid 483）、papila（rid 765）——均为细胞学视角，与本条目（组织水平阴道镜）互补。（§9.1）

Q26：MobileODT 公司后来怎么样了？
2017 年 OrbiMed 首投 $5.3M、2019-11 SPA 约 $9M（估值 $38M）、2020-04 创始人被解职并陷入 insolvency；2020 年销售 $2.4M，累计融资 $22M + $8M 赠款（含 NIH）。（§5.6）

Q27：竞赛算法真的进产品了吗？
MobileODT 赛后承诺验证获奖者算法并集成进 EVA System（Becker’s 原文）；集成的后续落地细节无公开存照。（§5.4）

Q28：这个数据集对学界还有什么独特价值？
它是评测机制安全的完整教学样本：可逆推指标 + 组织者三层机制应答 + 密码失守事件，攻防两侧都有存照。（§4.8、§8.3）

G 组：建模使用建议

Q29：验证集应该怎么切？
按患者分组切分（GroupKFold 类方案）；随机切分因患者级泄漏必然虚高。（§3.7、坑 2）

Q30：类别不均衡怎么处理？
Type 1 仅 17.68%；常用手段为类加权损失/重采样，但更优先的是针对 1 vs 2 混淆对做错误分析——不均衡与边界难是两个问题。（坑 5、§3.4）

Q31：低分辨率图像要过滤吗？
不建议简单过滤：最小 480×480 的样本对应真实低资源采集条件，直接过滤会把部署场景中最常见的输入排除在训练分布外。（§2.3、§8.4）

Q32：可以引用 public LB 分数吗？
不可以作为模型性能证据——public 侧被证明可逆推；请引用官方获奖结果或自建患者级验证分数。（坑 3、§4.8）

H 组：工程与复现细节

Q33：fixed_labels_v2.csv 具体怎么叠加？
它修正 additional 侧标签，按图像名左连接后以修正值覆盖原值；叠加后用 1191/3565/1976 的分型分布断言校验加载正确性。（§6.2、复现指南）

Q34：没有患者 ID，怎么做患者级切分？
优先寻找采集侧元数据或人工核对表；无映射时可用感知哈希近邻聚类近似同患者分组，并声明这是近似方案，验证分数差距要自查。（§3.7、复现指南）

Q35：概率提交前要做什么处理？
clip 到 1e-15 再重新归一化，防止单图 log(0) 无穷惩罚；本地验证与提交侧使用同一 clip 参数。（§4.1、复现指南）

Q36：错误分析为什么按混淆对组织？
三分类的主要瓶颈集中在 1 vs 2 最难边界（§3.4）；按混淆对统计才能定位「边界难」与「整体容量」两类性质不同的错误。（§3.4、复现指南）

Q37：低分辨率样本直接丢掉行不行？
不建议。480×480 端样本对应真实低资源采集条件，过滤会把部署场景的常见输入移出训练分布；应做分辨率感知的增强与评估分层。（§2.3、§8.4）

Q38：赛后再提交还有意义吗？
只剩格式冒烟测试与版本留档两个用途：public 侧可逆推（§4.4）、赛后台账冻结，赛后再提交不产生可信的增量评估信号。（复现指南）

I 组：对比与选型

Q39：研究阴道镜分型，选本数据集还是 sipakmed？
选本数据集：sipakmed 是液基细胞学（涂片单细胞级），本条目是组织水平阴道镜图像，任务对象与临床层位不同。（§9.2）

Q40：做二分类（健康 vs 病变）可行吗？
可行且有先例：MDPI 论文在 curated 口径（4315 张）上做了健康 vs CIN/癌的二值化改造（§2.5）；引用时声明改造协议，不与三分类结果混比。

Q41：能和 herlev-pap 上的模型直接比分数吗？
不能。两者采集模态（组织 vs 细胞）、粒度、类别体系都不同，只有任务方法论可互鉴，分数不可直接横比。（§9.2）

Q42：低资源部署场景的论文该引用哪些口径？
部署语境引用 EVA 竞赛期口径（31 医院/22 国，Authorea）；数据语境引用 6733 JPG 主口径；机制语境引用 87% private + 冻结管线。（§5.7、§4.6）

J 组：方法论与边界

Q43：能不能只做 Type 2 与非 Type 2 的二分类？
协议上可以，但必须声明改造协议；且 Type 2 占 52.94% 后不均衡方向反转，评估要重新设计，不能与三分类结果混比。（§2.2）

Q44：模型能直接输出 SCJ 可见性等医学判据吗？
不能。官方标签只有三型，SCJ 可见性与转化区位置是定义里的判据（§3.2）而非独立标注；要用作辅助任务需自行构建监督信号。（§3.2、复现指南）

Q45：发现疑似错误标签该怎么办？
先对照修正链（§3.6、§6.2）确认不在已知修正范围内，再在自己的复现仓库记录证据；不要直接改训练数据 silently，下游会失去可比性。（坑 4）

Q46：这个数据集适合教学吗？
非常适合且维度独特：真实质量缺陷五类、类别不均衡、患者级泄漏、可逆推机制——每个工程坑都有存照可讲。（§2.4、§3.7、§4.4）

K 组：维护与版本

Q47：本条目何时更新？
按触发器维护（附录 G）：Kaggle 数据页版本变化、引用链更新、MobileODT 公司状态变化任一发生时复核；无触发不定期改写。（附录 G）

Q48：发现条目错误向谁反馈？
按尾注维护说明流程：先核对 FACTS.md 存照，事实冲突以 FACTS 为基线；确认 FACTS 有误才回溯上游来源修订。（尾注、附录 G）

Q49：与其他条目事实冲突时以谁为准？
以各条目 FACTS 存照为准并在条目内注明口径差异；本条目的多口径对照总表（附录 D）即为此设计。（附录 D）

Q50：数据集未来会有新版本吗？
官方侧 2017 年赛后即冻结（§7.5），Kaggle 页无新增计划；下游 MDPI curated 口径属第三方加工，不会被官方吸收为正式版本。（§7.5、§2.5）

附录

附录 A：数字速查卡

数字 含义 口径来源
$100,000 奖金池总额（50/20/10/20） Kaggle overview
8734 files / 46.53 GB 数据包总量 Kaggle data 页
6733 train + additional JPG 总数 分型分布主口径
1191 / 3565 / 1976 Type_1 / Type_2 / Type_3 张数 分型分布主口径
17.68% / 52.94% / 29.34% 三类占比 同上
480×480 → 4128×4160 图像尺寸范围（中位 3096×3264） 图像规格存照
512 Stage 1 public 测试张数 solution_stg1_release.csv
≈87% private LB 测试占比 Kaggle leaderboard 页
98 轮 AAAI 论文恢复 512 标签所需提交数 AAAI 论文
0.00000 / #4 逆推攻击后的 public 分数与名次 AAAI 论文图 2
1000+ / 800+ 参与者 / 团队数 Kaggle overview
$5.3M / 20% OrbiMed 2017 首投 Times of Israel
~$9M / $38M OrbiMed 2019-11 SPA 与估值 Times of Israel
$22M + $8M MobileODT 累计融资 + 赠款（含 NIH） Times of Israel
$2.4M MobileODT 2020 销售额 Times of Israel
31 医院 / 22 国 竞赛期 EVA 部署主口径 Authorea
4 数据版本链节点数 Kaggle data 页

附录 B：DAIMS 评分依据明细

维度 得分 加分依据 扣分依据
D 数据本体 7 真实采集 6733 张、五类真实噪声、尺寸跨度大 类别不均衡、1vs2 边界难、患者级混叠
A 可获取性 6 免费下载、46.53 GB 单包、Late Submission 开放 规则前置、许可非标准、无结构化元数据
I 标注与文档 5 Singer 专家背书、IFCPC 定义、修正链存照 仅图像级标签、流程文档缺失、文档散落
M 维护与修正 6 赛期响应快（两轮修正）、Stage 1 答案释放 2017 后冻结、无全量复核、无官方通道
S 安全与伦理 4 部位特写无面部、受控分发属当时主流 患者级泄漏、密码失守、伦理文档缺失
总分 28/50 — —

评分为本条目 editorial 判断，与 bci-ihc 等库内条目的评分尺度保持同一 10 分制语义；选型者应结合自身任务（分型建模 / 治理研究 / 评测安全研究）加权解读。

附录 C：证据链与来源清单

一手官方源（4 条）：Kaggle 竞赛页 overview / data / leaderboard / discussion 35115；讨论帖 30471（visoft 人眼识别教程）。

媒体报道源（3 条）：Becker’s Hospital Review 2017-08-05（获奖名单完整确认，Jessica Kim Cohen）；Intel 新闻稿 2017-08-02（Publicnow 转载，Doug Fisher 发言）；Times of Israel 两篇（MobileODT 创立、创始人-VC 争端与解职）。

学术源（4 条）：AAAI 论文（cdn.aaai.org/ocs/ws/ws0421/16161-75972-1-PB.pdf）；Authorea 论文（authorea.com/users/330831/articles/457667）；MDPI Computers 15(7):450；PLOS Global Public Health 2023（pgph.0001830，IFCPC 定义确认链）。

机构与人物源（2 条）：MarketScreener（Intel 新闻稿转载 + Ariel Beery profile）；GitHub Awesome-Medical-Dataset（定义变体存照）。

以上合计 13 条来源，全部在 FACTS.md 来源 URL 清单中逐条存照（FACTS §9）。

来源 URL 逐条清单（供核验，与 FACTS.md §9 一致；个别转载链接在 FACTS 中仅存部分路径，此处列其站点级定位）：

附录 D：多口径对照总表

事实点 口径 A 口径 B/C 本条目采用
竞赛开始日 2017-03-15（overview 实抓） 2017-03-16（页面快照） 03-15 主口径 + 存照
entry deadline 2017-06-07（Kaggle） June 14（Intel 新闻稿） 06-07 主口径 + 存照
获奖宣布 2017-07-31（Kaggle 页） 08-02（新闻稿）/ 08-05（Becker’s） 08-02 主口径 + 存照
数据规模 8734 files（data 页） 6733 JPG / 6788 raw / 4315 curated / 8430 / 1481 8734 + 6733 主口径，MDPI 作下游口径
三型定义 IFCPC Rio 2011（SCJ + 位置） Awesome-Medical-Dataset 变体 / visoft 颜色特征 IFCPC 主口径
EVA 部署 31 医院 / 22 国（竞赛期，Authorea） 40+/60+ → 42 国（后期宣传） 按时间轴分档，竞赛语境用 31/22
评测指标 multi-class logloss（官方原文） QWK（讹误假说） logloss，QWK 证伪存照

附录 E：术语表

  • SCJ（Squamocolumnar Junction）：鳞柱交界，宫颈鳞状上皮与柱状上皮的移行带；其可见性是三型定义的第一判据。
  • 转化区（Transformation Zone）：鳞状化生最活跃的区域，宫颈癌前病变与癌的好发部位；本数据集三分类的对象。
  • 阴道镜（Colposcopy）：以光学放大观察宫颈的检查手段；EVA System 为其便携化实现。
  • multi-class logloss：多类对数损失，对预测概率与真值的交叉熵取平均，本竞赛官方指标。
  • QWK（Quadratic Weighted Kappa）：二次加权 Kappa，有序分级任务的常见指标；本竞赛不使用，讹误存照见 §4.2。
  • private LB：以未公开测试标签计算的最终排行榜；本竞赛 private 占比约 87%。
  • 冻结管线（frozen pipeline）：赛末提交固定代码/模型由组织方在 hidden 数据上重跑的机制，阻断对 private 的自适应查询。
  • CIN（Cervical Intraepithelial Neoplasia）：宫颈上皮内瘤变，癌前病变分级体系；MDPI 二值化改造的「病变侧」定义。
  • 即查即治（See-and-Treat）：筛查与治疗在同次阴道镜访视中完成的策略，三型分型是其核心依据之一。

附录 F：开放问题与遗留疑点

  • 疑点 1：第一名团队（立陶宛三人组）的最终 private LB 分数——两轮检索未取得，本条目不写具体数字；有新证据时由维护流程补入。
  • 疑点 2：Stage 2 test_stg2 的确切图像数——官方未明示，记忆值 1557 不可靠，本条目按「约数千张、确切数目未公开」表述。
  • 开放问题 3：MobileODT 承诺的获奖算法集成在 EVA System 中的实际落地状态——公司 2020 年后公开资料稀少，无法核实。
  • 开放问题 4：Singer 标注流程的细节（单人判定还是委员会、与 IFCPC 定义的对应精度）——官方无文档，只能存疑。

附录 G：版本与维护记录

  • 2026-10-04：FACTS.md 三源互证完成（前实例 agent-a-intelmobileodt 研究轮）。
  • 2026-10-04：成稿撰写（本条目 v2 接管轮，见尾注接管轨迹）。

附录 H：五类图像质量缺陷核查指南

Authorea 官方复盘记录的五类质量缺陷，逐类给出建模含义与缓解思路（缺陷目录为官方存照，缓解思路为本条目 editorial 建议）：

缺陷 表现 建模影响 缓解思路
阴道壁遮挡 宫颈视野被阴道壁部分或全部遮挡 有效判别区域缩小，标签噪声相对放大 检测/分割出可视区域后再分类；遮挡比例做评估分层
阴影 光照不均导致的暗区 SCJ 可见性判据被阴影破坏，1/3 与 2/3 边界误判 光照归一化、阴影增强扩充、评估按阴影强度分桶
黏液/血液 反光或覆盖物 颜色特征（柱状上皮红色 vs 化生上皮粉色）失真 去反光预处理；把「覆盖物存在」作辅助任务
窥器遮挡 金属器械进入视野 固定性伪影，模型可能走捷径学器械外观 遮挡增强；检查模型注意力是否落在器械区
模糊 失焦/运动模糊 低分辨率端样本叠加模糊后细节判据完全失效 清晰度质量分作输入；训练时模糊增强提升鲁棒

核查顺序建议：先跑一个轻量分类器取全部验证错误，把错误图逐类归入上表，确认主要错误来自哪一类缺陷——缓解动作只对占比最高的缺陷做，避免过早优化。

附录 I：开工复现检查清单

按序执行，每项不通过不进入下一步：

  • 已接受竞赛规则并完成全量下载（8734 files / 46.53 GB 清点一致）。
  • 版本链核对：叠加 fixed_labels_v2.csv（additional 侧）与三图改标（train 侧三图）。
  • 分型分布断言：1191 / 3565 / 1976（17.68% / 52.94% / 29.34%）全部命中。
  • 尺寸分布抽检：min 480×480 / median 3096×3264 / max 4128×4160 量级吻合。
  • 切分协议：患者级分组（或声明的近似方案）已固定并写入实验配置。
  • clip 参数：验证侧与提交侧一致（1e-15 量级）。
  • 指标实现：multi-class logloss 与官方定义对齐（含归一化）。
  • 混淆对监控：1vs2、2vs3 非对角元进入常规报表。
  • 口径声明：论文/报告中的数字口径已按附录 D 对照表选择并标注。
  • 许可表述：available under the competition rules；无镜像再分发。

附录 J：竞赛机制攻防对照表

§4 全部事件按「攻击面-组织者防御-事后验证」三列重组，供评测安全研究者快查：

攻击面 利用方式 组织者防御 事后验证
logloss 单点 oracle 优化查询逐轮恢复标签（98 轮） 无（当时未预见） AAAI 论文定量化：512 标签全恢复、0.00000 #4
小规模 public 集（512 张） 全部标签空间可被查询收缩 private 占比提到约 87% 挖掘账号与获奖名单完全分离
提交互动通道 反复提交做自适应查询 Stage 2 冻结管线重跑 private 分数不随赛后提交变化
受控分发的密码机制 密码口口相传 7z + 密码（弱机制） 密码 byecervicalcancer 被学术论文明文公开
public 答案 赛中不可见 solution_stg1_release.csv 赛末释放 512 张答案可对照，复现成为可能

对照表的方法论读法：前两行是「指标即攻击面」的完整因果链，第三行是机制应答的核心，第四五行是分发与复现侧的教训——四类问题（oracle 设计、集合规模、通道管控、凭证管理）在每个自建基准上都会以不同形式重现。

附录 K：三类读者一分钟速查卡

给建模团队的三句话：

  • 先做患者级切分再谈模型（§3.7），先叠版本链再谈复现（§6.2），先 clip 再谈 logloss（§4.1）。
  • 把 1 vs 2 当作任务主战场做错误分析，别把全部预算押在整体容量上（§3.4）。
  • 引用分数只用官方获奖结果或自建患者级验证，public LB 不作性能证据（§4.8）。

给评测机制研究者的三句话：

  • 本竞赛是「可逆推指标 + 小 public 集」的完整实证样本，攻击 98 轮、防御三层（§4.4、§4.6）。
  • 密码分发机制失守（§4.7）说明凭证管理要按「终将公开」假设设计。
  • 攻防两侧行动全部有论文或页面存照（附录 J），可直接引用。

给临床信息学与筛查政策研究者的三句话：

  • 本数据集对应筛查金字塔转诊层，与库内细胞学条目（sipakmed/herlev-pap/papila）构成两视角互补（§9.2）。
  • EVA 部署口径按时间轴分档引用，竞赛语境用 31 医院/22 国（§5.7）。
  • 竞赛高光与公司 2020 年 insolvency 应配套引用，避免幸存者偏差叙事（§5.6）。

尾注

条目定位

本条目是千方库内宫颈癌筛查数据生态的阴道镜组织级拼图：与 sipakmed（rid 490）、herlev-pap（rid 483）、papila（rid 765）三个细胞学条目构成「初筛-转诊」两视角覆盖。在数据集类型学上，它是「竞赛遗产型」数据集的典型样本：真实世界价值（真实采集、专家标签、临床语境）与治理欠账（患者级泄漏、密码失守、文档缺失）高度并存，DAIMS 28/50 的总分画像即由此而来。在评测方法学上，它是 AAAI 论文逆推研究的实验对象与「87% private + 冻结管线」防御设计的案例载体——引用本数据集的任何工作，都应同时引用它的价值面与事故面。

口径声明

  • 主口径：竞赛开始 2017-03-15；entry deadline 2017-06-07；获奖宣布 2017-08-02；数据规模 8734 files / 46.53 GB 与 6733 JPG 并行使用（各自语境）；三型定义用 IFCPC Rio 2011；EVA 部署竞赛期用 31 医院 / 22 国；指标为 multi-class logloss。
  • 并存口径全部在 §5.2 与附录 D 存照，引用另一口径须注明出处。
  • 不写死项：第一名 private 分数、test_stg2 确切张数（附录 F 疑点 1/2）。
  • QWK 已证伪；cervix93 未收录故不设硬互链（§9.3）。

生产档案与接管轨迹

  • 本条目生产跨两个 RSI 实例：
    • 前实例 agent-a-intelmobileodt（锁时间 2026-10-04T00:24:01Z）：完成 FACTS.md 三源互证研究，并留有私有区 .parts_agent-a-intelmobileodt_1791073441_1779799 的 part1.md（frontmatter + INFOBOX + 导语 + §0 + §1）与 part2.md（§2 + §3）两份合格 part，写正文时被中断。
    • 接管实例 agent-a-intelmobileodt-v2（锁时间 2026-10-04T00:56:06Z）：按接管原则沿用 FACTS 与前实例合格 part——part1.md、part2.md 经质量检查后原样吸收进成稿（frontmatter、§0-§3 全部来自该两份 part，其中 relatedLink 缺口由本实例补齐）；§4-§10、FAQ、附录、尾注为本实例补写，写入私有区 .parts_agent-a-intelmobileodt-v2_1791075496_1843080（part3.md、part4.md、part5.md）。
  • 接管原则执行情况：未推翻任何 FACTS 已核实内容；slug 查重复跑为 0 rows；锁已覆写为本实例持有。

维护说明

  • 修正入口：Kaggle 页面与 FACTS.md 为唯一事实上游；本条目与其余库内条目的事实冲突以 FACTS 存照为准。
  • 版本触发器：Kaggle 数据页版本变化、AAAI/Authorea/MDPI/PLOS 引用链更新、MobileODT 公司状态变化（疑点清单附录 F）任一发生时，应触发复核。
  • 疑点处置：附录 F 四项疑点任何一项取得新证据时，先更新 FACTS.md 再改条目正文，保持「档案先行」纪律。
  • 维护者接手时，应先读 FACTS.md（三源互证基线）与本尾注接管轨迹，再动正文。

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

  • rare25 — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 挑战赛数据集 / 肿瘤学
  • cystods — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
  • prostatex — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 肿瘤学
  • gastroendonet — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
  • bladder-tissue — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
  • ercpmp-gx — 共享标签：医学影像 / 内窥镜影像 / 图像分类 / 肿瘤学
  • rare26 — 共享标签：内窥镜影像 / 图像分类 / 挑战赛数据集 / 肿瘤学
  • acouslic-ai — 共享标签：医学影像 / 图像分类 / 挑战赛数据集
  • echorisk — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 肿瘤学
  • endo-aid — 共享标签：医学影像 / 图像分类 / 挑战赛数据集 / 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。

返回 AI-Ready 数据集

数据定制

标注服务

欢迎联系咨询

客服二维码

客服二维码

客服二维码
电话咨询

直接咨询

18892062214

微信同号

微信咨询

微信咨询

18892062214

微信同号

邮箱咨询

邮箱咨询

collab@qianfanghub.cn