KNOAP2020 膝骨关节炎发病预测挑战赛

KNOAP2020 是「KNee OsteoArthritis Prediction」的缩写，即膝关节骨关节炎预测挑战赛，由荷兰鹿特丹 Erasmus MC 医学中心主办，2020 年集中运行。它的数据来自荷兰 PROOF 随机对照试验：从 407 名超重或肥胖中年女性中筛出 453 个基线无病的膝关节，其中 423 膝作为盲测集、30 膝作为带结局标签的训练集。每膝附半屈位后前位数字化 X 线、两套低场 MRI 序列与 13 项临床危险因素，任务是在 78 个月内判断哪一膝会发展成有症状的放射学膝骨关节炎。

它要补的是一个具体空缺。膝骨关节炎的发病预测长期缺乏可比基准：各团队在自有数据上报告 AUC，样本、随访长度、结局定义各不相同，跨研究比较几乎无意义；公开的 OAI 队列虽大，却被反复当作训练集，很难充当独立测试场。KNOAP2020 的做法是拿一个此前很少被影像 AI 使用的欧洲预防试验队列做盲测，结局由主办方单独持有，参赛者可自由用 OAI 等外部数据训练。

适用者分三类：想验证发病预测模型能否跨队列迁移的团队、想做临床与影像特征融合的研究者、需要 2021 年前后膝 OA 预测基准坐标的综述作者。动手前先确认两件事：数据为协议制且挑战赛已关闭，获取要走主办方审核；测试集结局标签从未公开，任何声称在该测试集上复现排名的说法都需额外说明依据。

§1 它是什么：一份预防试验队列切片出的盲测基准

1.1 名称、主办方与身份边界

KNOAP2020 的完整名称是 KNee OsteoArthritis Prediction challenge 2020，中文可直译为「膝关节骨关节炎预测挑战赛」。名称中的 KNOAP 不是现有任何医学缩写体系的成员，而是组织者自行取的英文词首拼接：KNee + OsteoArthritis + Prediction。这一点在检索时很关键，因为以 KNOAP 为关键词的结果大多指向挑战赛本身，而不会像 MRI、CT 这类通用缩写那样被大量无关条目淹没。

主办方是荷兰鹿特丹的 Erasmus MC 大学医学中心，具体涉及全科医学系与放射学系两个部门。论文作者名单里既有影像方法学者（Stefan Klein 所在的 Biomedical Imaging Group Rotterdam），也有骨关节炎流行病学团队（Sita Bierma-Zeinstra、Jos Runhaar），还有放射科医师 Edwin Oei 与 Jukka Hirvasniemi。这种组合决定了挑战赛的两条主线：一条是把影像特征工程与深度学习放在同一个盲测集上比较，另一条是回答「临床危险因素之外，影像到底还能补充多少信息」。

需要划清三条身份边界。第一，它不是影像分割数据集，不提供软骨、半月板、骨赘的逐像素标注；竞赛的全部输出是每个膝关节一个发病概率。第二，它不是 OAI 的派生集或子集，两者在受试者、国家、设计、年龄构成上完全不同。第三，它不是一份可以随取随用的开放数据，挑战赛在 2021 年结束后为关闭状态，数据获取须经主办方审核，这一点在后文许可一节展开。

1.2 它为什么在 2020 年出现

把这个挑战赛放回 2018–2020 年的语境里，它回应的是三个同时存在的问题。

一是结局定义混乱。膝骨关节炎的「发病」至少有三种常见口径：单纯放射学进展（KL 分级升高）、单纯症状出现、以及症状与放射学同时满足。三者的发病率相差数倍，直接决定了模型的学习难度与可达到的 AUC 上限。KNOAP2020 选择了最严格的一种，即症状性放射学膝骨关节炎（symptomatic radiographic knee osteoarthritis，SROA），并要求受试者在基线时确实没有这一状态。

二是训练数据被少数几个公开队列垄断。OAI 自 2004 年起公开，到 2020 年已经成为几乎所有膝 OA 影像研究的事实训练集。用 OAI 训练、用 OAI 的另一部分测试，很容易高估模型能力。挑战赛的组织者显然注意到这一点，在论文中反复比较各队在自己 OAI 验证集上的表现与在 KNOAP 测试集上的表现，并明确指出前者普遍高于后者。

三是「多模态到底有没有用」缺乏统一评估。MRI 在理论上能更早看到软骨与骨髓的形态改变，但成本高、扫描时间长；X 线便宜、普及，却只反映骨性结构。此前没有一份数据能让两种模态在同一批受试者、同一个结局、同一套评分下直接对撞。

1.3 挑战赛的组织形态

KNOAP2020 采用医学影像领域常见的 grand challenge 模式：主办方在固定日期一次性放出测试集，参赛者在截止日期前通过网页提交预测结果，主办方在盲测标签上统一评分并公布排行榜。这套模式的优点是排名可审计，缺点是它天然制造了「一次性」的数据使用窗口。

具体安排是：2020 年 2 月 17 日发布挑战赛公告，7 月 16 日开放注册，8 月 17 日放出测试集，10 月 1 日开放提交系统，原定 2020 年 11 月 30 日截止，后两次延期至 2021 年 1 月 11 日；结果于 2021 年 2 月 25 日的网络研讨会公布，并在同年 7 月的 IWOAI（International Workshop on Osteoarthritis Imaging）研讨会上报告。数据论文于 2022 年 10 月 12 日发表在 Osteoarthritis and Cartilage。

奖励方面，荷兰关节炎基金会 ReumaNederland 于 2020 年 12 月 1 日宣布成为奖金赞助方。与许多把奖金直接发给排名第一的挑战赛不同，KNOAP2020 对参赛者的实际激励更多来自论文共同署名：站点写明，主办方会与提供充分方法信息的活跃参赛者共同撰写结果论文。这在论文作者名单里可以直接看到，7 支提交队伍中有 6 支的成员出现在了作者列表中。

1.4 与同类资源的定位差异

在膝骨关节炎相关数据资源里，KNOAP2020 的位置相当特殊。它既不是最大的，也不是标注最细的，但它可能是唯一一个「结局由主办方封闭持有、测试集人群与主流训练集不同源」的发病预测基准。

与 OAI 相比，它小两个数量级，但它的价值不在规模而在独立性：OAI 的受试者已经被反复用于训练，任何在 OAI 上报告的提升都难以排除过拟合；KNOAP 的受试者是荷兰预防试验人群，此前几乎没有被影像 AI 社区触碰。

与影像分割类数据集相比，它不提供结构标注，因此不能直接用于训练软骨分割网络；它的标签只有一个二值结局，每个膝关节对应一个时间窗内的发病与否。这种「低标签密度、高临床意义」的组合，正是发病预测任务的真实形态：临床上没有人会为每个膝关节逐层勾画软骨，能拿到的只有随访结束时的一个诊断。

与近年的多模态基础模型评测集相比，它规模小、模态少，但提供了一个难得的「外部验证」参照：当一个模型在 OAI 上把 AUC 做到 0.75，在 KNOAP 上却只有 0.6，这个落差本身就是信息。

§2 数据构成：453 膝的横截面

2.1 规模与拆分

KNOAP2020 的样本来自 PROOF 研究（Prevention of Knee Osteoarthritis in Overweight Females，超重女性膝骨关节炎预防研究），这是一项在荷兰开展的随机对照试验，注册号 ISRCTN 42823086。该试验在基线纳入 407 名中年、超重或肥胖女性，随机分入饮食与运动干预组或对照组，随访至 6.5 年。

挑战赛从这一队列中筛选出符合条件的膝关节，筛选规则有三条：基线时不存在症状性放射学膝骨关节炎（按 ACR 临床加放射学联合标准）；基线 KL 分级不超过 1；具备基线 X 线、基线 MRI，以及 2.5 年和（或）6.5 年随访数据。此外，在最后随访前退出且此前未发病的受试者被排除，因为无法判定结局。

筛选结果是 453 个膝关节，来自 242 名受试者。这个数字比队列总人数对应的膝关节数要少，原因一是部分受试者没有完成全部影像采集，二是部分受试者在基线就已有症状性放射学 OA 被排除。453 膝被拆成两半用途不同的集合：423 膝构成测试集，30 膝构成训练集。

集合	膝数	结局标签	用途
测试集	423	不公开	评分，决定性排名
训练集	30	公开（5 膝发病）	微调、流程验证
合计	453	仅训练集公开	—

这个拆分比例值得注意：训练集只占 6.6%，且其中只有 5 个阳性样本。任何试图仅用这 30 膝从头训练深度网络的尝试都会立即过拟合。主办方在站点上把这一点讲得很直白：训练集「用于微调」，算法可以在任何合适的数据上训练和调参，例如 OAI。

2.2 影像数据：X 线与 MRI

X 线部分采纳的是半屈位后前位（posteroanterior，PA）投照，摆位遵循跖趾关节（metatarsophalangeal，MTP）协议。这一协议把 X 射线束对准膝关节后方的关节间隙，使胫股关节在负重屈曲约 20–30 度时成像，比传统的站立位伸直投照更容易显示关节间隙狭窄，是欧洲骨关节炎影像研究常用的标准摆位。

设备来自两套系统，参数并不统一：

设备	管电压	曝光量	像素尺寸
Swissray ddR Compact（瑞士 Hochdorf）	60 kVp	10 mAs	0.104 mm × 0.104 mm
GE Thunder Platform（美国 Waukesha）	60–70 kVp	3–5 mAs	0.190–0.192 mm × 0.190–0.192 mm

两套设备的像素尺寸相差接近一倍，换算成实际视场，同一解剖结构在两类图像中的像素数并不相同。主办方把设备厂商、管电压、曝光量、像素尺寸作为元数据一并提供，这意味着研究者可以显式地把设备差异纳入模型，也可以用它做设备偏倚的敏感性分析。对于任何要把 X 线模型产品化的团队，这份元数据比图像本身更值得先看一遍。

MRI 部分来自三台扫描仪：1.0T Philips Intera（荷兰 Eindhoven）、1.5T Siemens Symphony（德国 Erlangen）、1.5T Siemens Magnetom Essenza（德国 Erlangen）。场强为 1.0T 与 1.5T，低于当代肌骨 MRI 常用的 3T。序列只有两套：

一套是冠状位的 2D 质子密度（proton density，PD）加权序列，主要用于观察内外侧胫股关节间隙、软骨轮廓与半月板信号；另一套是矢状位的 3D 水激发（water excitation）序列，通过选择性激发水信号抑制脂肪，使软骨与骨髓水肿在低信号背景上更易辨识。

两套序列的组合覆盖了膝 OA 影像评估最常用的两个视角，但它并不是完整的肌骨 MRI 协议：没有 T2 定量序列，没有骨髓水肿专用的脂肪抑制序列（除 3D 水激发外），也没有矢状位之外的冠状多层 T2 mapping。这一点直接限制了研究者的任务范围，凡是需要 T2 relaxation time 或需要逐层定量软骨成分的方案，在这份数据上都无法实施。

主办方同样提供了扫描仪厂商、重复时间（TR）、回波时间（TE）、翻转角、层厚与层间距、体素尺寸等参数。提供这些参数的动机与 X 线一致：低场 MRI 的图像质量与序列差异显著，若不告知，参赛者会让模型隐式地学到「哪台机器的图长什么样」，而不是学到疾病本身。

全部影像统一转换为 NIfTI 格式（Neuroimaging Informatics Technology Initiative），这是一种在神经影像领域最通用的三维体数据格式，一个文件包含完整的体积数据与仿射变换信息。对机器学习流程而言，NIfTI 的好处是可以直接用 nibabel 或 SimpleITK 读取；代价是 DICOM 头中的部分元数据在转换时会丢失，如果研究者需要原始采集参数，仍需回到 XNAT 平台查元数据表。

2.3 临床变量：13 项的构成与语义

临床变量是 KNOAP2020 与纯影像数据集最大的区别。站点与论文给出的变量清单如下：

变量	含义与取值	备注
受试者编号	匿名 ID	用于关联影像与随访
年龄	岁，连续	测试集均值 55.7，标准差 3.2
BMI	kg/m²，连续	测试集均值 31.7，标准差 3.7
侧别	左/右	同一受试者可有两个膝
基线 KL 分级	0 或 1	因排除 KL > 1，实际为二值
膝损伤史	无/有	定义为是否曾因膝伤就医
轻度症状	无/有	过去 12 个月内膝部或膝周是否疼痛
内翻畸形	无/有	站立位下肢力线评估
Heberden 结节	无/有	远端指间关节骨性结节，OA 的全身性标志
关节线压痛	无/有	体检项目
骨摩擦音	无/有	主动屈伸膝时触诊
晨僵	无/有	与 ACR 标准中的「< 30 分钟」相关
绝经状态	已绝经/否	全部为女性受试者

这份清单的设计与 ACR 膝 OA 分类标准高度呼应。ACR 1986 年标准要求膝痛加上放射学骨赘，再从年龄、晨僵、骨摩擦音、关节线压痛、关节肿胀等条件中满足若干项。KNOAP2020 的变量集几乎逐条覆盖了这些临床要素，再加上全身性标志（Heberden 结节）与力学因素（内翻畸形），构成一个相当完整的表型描述。

与此同时，这份清单有明显缺口。它没有影像学之外的生物标志物，没有血清或尿液指标，没有遗传信息，也没有疼痛强度量表（如 WOMAC 或 KOOS）。论文在讨论中明确把「纳入遗传学等其他模态」列为未来方向，说明组织者清楚这些缺口的存在。

2.4 结局标签的判定方式

结局是症状性放射学膝骨关节炎，判定要同时满足两条：膝关节疼痛，且同一膝关节存在明确的胫股骨赘。疼痛通过问卷获取，原文表述为「过去一个月的大多数日子里，是否感到左膝、右膝或双膝疼痛」。骨赘由放射科医师在随访 X 线上判读。

论文对判定逻辑有一段容易被误读的说明：满足上述定义者同时也满足 ACR 联合标准（膝痛加明确骨赘，再加上年龄大于 50 岁、晨僵少于 30 分钟、骨摩擦音三者之一），因为测试集全部受试者在基线时已超过 50 岁。这句话的意思是，ACR 标准在这里并不提供额外的排除力，判断实际只落在「疼痛」与「骨赘」两项上。

发病的时间窗取 2.5 年与 6.5 年两个随访时点。基线阴性，而 2.5 年或 6.5 年任一时点阳性，即判为发生。这个「任一」的设计扩大了可判定的人群，因为部分受试者只完成了其中一个时点的随访；代价是不同阳性样本的观察时长不一致，一个在 2.5 年发病的膝与一个在 6.5 年发病的膝被当作同一类结局处理。

事件率方面，训练集 30 膝中 5 膝发病（16.7%），测试集 423 膝中 70 膝发病（16.5%）。两个比例高度接近，说明随机拆分是平衡的。对建模而言，16.5% 的正例率意味着随机猜全阴性能得到 83.5% 的准确率，这就是为什么挑战赛没有用准确率作为指标，而用 ROCAUC 与平衡准确率（BACC）。

2.5 人群特征与代表性

测试集的年龄均值 55.7 岁（标准差 3.2），BMI 均值 31.7（标准差 3.7）；训练集年龄均值 56.0 岁（标准差 2.8），BMI 均值 32.4（标准差 3.7）。两组在年龄与 BMI 上几乎无差异，再次说明拆分的随机性。

这组数字放在膝 OA 流行病学里有什么含义？首先，全部受试者为女性，且全部超重或肥胖（入组要求 BMI 不低于 27），这对应的是膝 OA 的一个高风险亚群，而不是一般人群。其次，年龄跨度窄，集中在 50–62 岁之间，这个区间恰好是 OA 发病率快速上升的阶段，但不足以支撑年龄效应的建模——在一个 12 岁的跨度内，年龄作为连续变量的信息量有限。第三，基线 KL 分级被限制在 0 或 1，意味着研究的是「影像学尚属正常或仅可疑」的膝关节，这与临床上常见的「已有明显骨赘的患者随访进展」是两种不同的问题。

论文在局限部分明确承认：测试集人群为 50–62 岁超重女性，年龄与性别的预测力受限，泛化性不明。这句话的实际含义是，如果把这个数据集上得到的模型直接用于 40 岁正常体重男性，模型可能退化为一个「年龄 + BMI」的线性打分器。

2.6 每个膝关节实际能拿到什么

把上述内容按受试者视角整理，一个膝关节的数据包包含：

1. 一张半屈位后前位 X 线（可能来自两套设备之一，像素尺寸不同）；
2. 一套冠状位 2D PD MRI；
3. 一套矢状位 3D 水激发 MRI；
4. 一份 DICOM 转 NIfTI 后的元数据表（设备、TR、TE、翻转角、层厚、体素尺寸）；
5. 13 项临床与背景变量；
6. 若是训练集，还有 2.5 年与 6.5 年的结局标签。

没有的东西同样重要：没有软骨分割、没有骨赘位置标注、没有骨髓水肿的三维勾画、没有 KL 分级的逐年序列（只有基线值）、没有 WOMAC 疼痛评分的变化轨迹、没有随访影像。这意味着研究者无法做「影像变化预测影像变化」的任务，只能做「基线的静态影像预测未来的诊断事件」。

§3 怎么拿到：协议制获取与许可解读

3.1 获取路径的历史与现状

KNOAP2020 的数据获取走的是「挑战赛注册 + 数据使用协议」双闸门。原流程分为四步：在挑战赛网站注册团队，填写真实姓名、单位与机构邮箱；下载数据使用协议模板，签署后发到主办方指定的 Gmail 邮箱；主办方审核通过后，在 Health-RI XNAT 平台上开通账号；从 XNAT 下载影像与变量表。

这三步中有两步已经失效。第一，挑战赛详情页现在明确写着「本挑战赛现已关闭」，注册通道关闭。第二，站点对数据用途的限定是「所提供数据仅可用于准备提交给本挑战赛的作品」，而挑战赛已经结束，这一限定在字面上不再有对应的合法用途。因此当前的现实是：没有公开的持续下载入口，任何新的使用都需要向主办方单独申请并说明用途。

这对不同使用者的影响完全不同。对于只想「看看数据长什么样」的探索者，这是一道硬门槛；对于有明确研究计划、能够提供机构伦理审批的研究团队，通过邮件联系通讯作者（论文标注通讯作者为 Stefan Klein 与 Edwin Oei，另有挑战赛专用邮箱）通常是可以走通的，但这属于主办方逐案裁量，不存在自动化通道。

3.2 许可条款的实际含义

严格来说，KNOAP2020 没有「许可证」。许可证（license）是一份事先拟定的、任何人满足条件即可使用的授权文本，例如 CC BY 4.0 允许在署名前提下商用。KNOAP2020 采用的是数据使用协议（data use agreement，DUA），这是一份需要逐份签署、限定具体用途的合同。

两者的法律后果差别很大：

维度	CC 类开放许可	KNOAP2020 的 DUA
授权对象	不特定公众	签署方
授权范围	许可文本规定	协议逐条约定
用途限制	通常仅要求署名	限定为挑战赛提交
再分发	视条款而定	通常禁止
商用	CC BY 允许	未授权
有效期	永久	随用途终止

站点原文的那句限定值得逐字看：「所提供数据仅可用于准备提交给本挑战赛的作品。」这句话在 2020–2021 年是合理的，因为挑战赛需要防止参赛者用测试集做半监督训练或反复调参。但在挑战赛结束后，它变成了一句悬置的条款：数据已经分发到参赛者手中，用途却已经终结。实践中的处理方式是：参赛者手头的数据一般不会再分发，新用户需要重新申请并约定新的用途。

对产品团队而言，这里的结论很直接：不能把 KNOAP2020 当作可商用数据源。即使通过申请拿到了数据，也应默认授权范围限于学术研究，商用需要单独谈判。

3.3 上游 PROOF 研究带来的额外约束

KNOAP2020 的数据不是为挑战赛专门采集的，而是 PROOF 试验的二手使用。这带来三层额外的约束。

第一层是伦理。PROOF 研究由 Erasmus MC 医学伦理委员会批准，受试者签署了书面知情同意。挑战赛对数据的使用属于二次利用，通常需要在原始同意范围内，或经伦理委员会另行批准。研究者若在自己的机构做二次分析，一般也需要本地伦理审查（IRB 或同等机构）的豁免或批准。

第二层是随机对照试验的原始设计。PROOF 是一项干预试验，受试者被随机分配至饮食与运动干预组或对照组。挑战赛的论文没有把干预分组作为变量提供，也没有说明测试集中两组的比例。这意味着如果干预确实影响了发病风险，那么 KNOAP2020 的结局分布是「干预后的混合分布」，与自然人群的发病率不完全可比。

第三层是随访完整性。论文提到，在最后随访前退出且此前未发病的受试者被排除。这是生存分析中典型的「完整病例」处理，会引入选择偏倚：能够完成 6.5 年随访的人，往往比失访者更健康或更有依从性，因此观察到的发病率可能偏低。

3.4 影像层面的技术准备

拿到数据后，第一步不是训练模型，而是把 NIfTI 文件与临床变量表对齐。这一步有三个常见坑。

坑之一是文件命名。不同受试者的左右膝在同一受试者下有独立编号，但 X 线与 MRI 的文件命名规则并不总是一致；如果按文件名排序后直接 zip 两个列表，很容易把左膝的 X 线与右膝的 MRI 配到一起。稳妥做法是用受试者编号加侧别作为主键，逐条比对。

坑之二是 NIfTI 的方向。医学影像的 NIfTI 文件携带 qform 与 sform 两套仿射矩阵，不同工具链（nibabel、SimpleITK、FSL）对方向的解释略有差异。在冠状位与矢状位序列上，如果方向搞反，模型学到的「内侧」与「外侧」会互换，而内外侧在膝 OA 中恰恰是不对称的（内侧间室受累更常见）。

坑之三是层厚与层间距。矢状位 3D 序列是各向同性或近各向同性的，冠状位 2D PD 则层厚较大。若把两者简单堆叠成多通道输入，需要先重采样到统一体素尺寸；重采样方法（线性、样条、最近邻）会显著影响软骨边界的锐利度。

3.5 与 OAI 配合使用的实际做法

几乎所有参赛队伍都用 OAI 训练模型，因此 OAI 与 KNOAP 的协议配准是无法回避的问题。

OAI 的 MRI 协议包括矢状位 3D DESS（dual-echo in steady state，双回波稳态）加选择性水激发，以及冠状位 2D 中间加权快速自旋回波（TSE IW）。KNOAP 的序列是冠状位 2D PD 与矢状位 3D 水激发，场强为 1.0T 与 1.5T，而 OAI 为 3T。

结果是，即便解剖部位相同，两类图像在对比度、信噪比、部分容积效应上都有明显差异。直接拿 OAI 训练的模型在 KNOAP 上测试，性能下降几乎是必然的。参赛队伍中表现较好的做法包括：用 OAI 训练后在 KNOAP 的 30 膝训练集上做微调；或者干脆放弃 MRI，只用 X 线与临床变量训练，X 线在不同队列之间的差异相对小得多。

论文对此有一段直接的观察：多数算法在 OAI 验证子集上的 ROCAUC 高于在 KNOAP 测试集上的 ROCAUC，作者把这一现象解读为「可能存在对 OAI 的过拟合与数据集间的分布偏移」。这句话几乎是给所有「在 OAI 上刷高分」的研究的提醒。

§4 挑战赛设计与评分：盲测集上的七队对撞

4.1 参赛流程的规则细节

KNOAP2020 的提交规则比一般挑战赛更细，原因在于主办方要控制统计比较中的多重比较问题。

第一条规则是提交格式固定。参赛者需按模板提交一个表格，每行对应一个膝关节，三列：膝关节编号（形如 KNOAP_test001_L）、对照概率、发病概率。模板格式禁止改动，因为评分是自动化的。这里有一个容易忽略的细节：提交的是两个概率而不是一个，这使得评分时既能用发病概率算 ROCAUC，也能在需要时用一个阈值把两列拼成硬分类。

第二条规则是每名参赛者最多五份提交。主办方给出的理由是减少多重比较带来的统计问题。在 423 个样本、70 个阳性的测试集上，多投几次总会碰运气拿到一个较高的 AUC，因此限制提交次数是必要的。同时，主办方也预见到了「拆组刷榜」的风险，写明如果不同组提交的方法足够相似，可能要求其合并。

第三条规则是每份提交须附一份不超过四页 A4 的方法说明，页面参数也有明确规定（1 cm 页边距、11 磅 Times New Roman）。说明必须覆盖六项内容：训练数据集及其在训练/验证集上的 ROCAUC 与 BACC、使用的影像模态与序列、所用特征的数量与来源（自动或手工）、缺失值处理方式、单个膝关节的平均预测耗时与训练算力、方法的完整描述。

这六项要求实际上构成了一个轻量的可复现性清单。与很多只要求写一段简介的挑战赛相比，KNOAP2020 的方法说明迫使参赛者披露训练数据来源，这正是后来能比较「OAI 训练 vs 其他训练」的基础。

4.2 评分指标：ROCAUC 与 BACC

挑战赛用两个指标：ROC 曲线下面积（ROCAUC）作为主指标，平衡准确率（balanced accuracy，BACC）作为次要指标。论文另报了 PR AUC（precision-recall curve 下面积）作为补充，但不用于排名。

ROCAUC 的优点是阈值无关，衡量的是模型对正负样本的排序能力；在正例率 16.5% 的情形下，它比准确率稳定得多。BACC 的定义是灵敏度与特异度的算术平均，等价于在阈值处对两类样本各自计算召回率再平均，它的存在是为了防止模型把所有人都判为阴性——因为那样会得到很高的准确率，但灵敏度为零。

两个指标给出的排名并不一致，这一点被论文拿来作为局限之一。以最优的几份提交为例，Inbetweeners-1 的 ROCAUC 最高（0.636），但 BACC 只有 0.549；OuluMIPT-3 的 ROCAUC 排第二（0.624），BACC 却是全场最高（0.587）。如果以 BACC 排名，冠军会换人。这意味着「KNOAP2020 冠军」这个说法必须附带指标限定，否则会产生歧义。

置信区间用自助法（bootstrap）估计，论文中的 95% CI 宽度普遍在 0.11–0.14 之间。以冠军的 0.636（0.571–0.699）为例，其下限 0.571 已经落入了多份其他提交的 CI 范围。主办方因此在论文中明确写道：排名需谨慎解读。

4.3 全部提交的结果

23 份提交中，18 份参与排名，5 份为参考提交（不参与排名）。按 ROCAUC 排序的完整结果如下：

排名	提交	模态	ROCAUC (95% CI)	BACC (95% CI)	PR AUC	训练数据
1	Inbetweeners-1	X 线 + 临床	0.636 (0.571–0.699)	0.549 (0.507–0.592)	0.245	OAI 1,581 膝
2	OuluMIPT-3	X 线 + MRI + 临床	0.624 (0.546–0.692)	0.587 (0.520–0.648)	0.254	OAI 432 膝
3	OuluMIPT-5	X 线 + MRI + 临床	0.621 (0.539–0.690)	0.562 (0.501–0.616)	0.271	OAI 432 膝
4	Inbetweeners-5	X 线 + 临床	0.614 (0.546–0.675)	0.531 (0.472–0.585)	0.227	OAI 1,581 膝
5	CCF-MR	MRI + 临床	0.612 (0.546–0.679)	0.553 (0.493–0.617)	0.237	OAI 427 膝 + 训练集 30 膝
6	OuluMIPT-4	X 线 + 临床	0.602 (0.524–0.670)	0.579 (0.512–0.639)	0.237	OAI 432 膝
7	Inbetweeners-3	X 线 + 临床	0.598 (0.524–0.665)	0.541 (0.489–0.592)	0.222	OAI 1,581 膝
8	CCF-Xray	X 线 + 临床	0.595 (0.521–0.658)	0.571 (0.504–0.629)	0.239	OAI 427 膝
9	OuluMIPT-1	X 线 + MRI + 临床	0.594 (0.512–0.662)	0.578 (0.506–0.639)	0.229	OAI 432 膝
—	EMC-4（参考）	仅临床	0.592 (0.519–0.656)	0.506 (0.479–0.534)	0.224	OAI 432 膝
10	Akousist	X 线 + MRI + 临床	0.592 (0.515–0.661)	0.550 (0.485–0.610)	0.216	OAI 3,654 膝
—	EMC-3（参考）	仅临床	0.585 (0.505–0.655)	0.500 (0.500–0.500)	0.244	OAI 432 膝
11	TheRollingPebbles-Filtered	X 线 + MRI + 临床	0.574 (0.505–0.637)	0.560 (0.494–0.615)	0.198	OAI 3,654 膝
12	OuluMIPT-2	仅 X 线	0.570 (0.484–0.645)	0.547 (0.481–0.605)	0.276	OAI 432 膝
13	Inbetweeners-2	X 线 + 临床	0.569 (0.495–0.636)	0.512 (0.490–0.539)	0.225	OAI 1,767 膝
14	Inbetweeners-4	X 线 + 临床	0.567 (0.490–0.636)	0.522 (0.493–0.553)	0.210	OAI 1,581 膝
—	EMC-2（参考）	仅临床	0.551 (0.465–0.621)	0.500 (0.500–0.500)	0.221	OAI 432 膝
—	EMC-1（参考）	仅临床	0.550 (0.462–0.620)	0.500 (0.500–0.500)	0.223	OAI 432 膝
—	UC-MRI（参考）	仅 MRI	0.537 (0.467–0.604)	0.506 (0.477–0.542)	0.177	训练集 30 膝
15	TheRollingPebbles-Full	X 线 + MRI + 临床	0.530 (0.456–0.601)	0.527 (0.469–0.581)	0.175	OAI 3,654 膝
16	TheRollingPebbles-Ensemble	X 线 + MRI + 临床	0.528 (0.454–0.596)	0.515 (0.449–0.578)	0.178	OAI 3,654 膝
17	TheRollingPebbles-0	X 线 + 临床	0.506 (0.427–0.578)	0.479 (0.413–0.536)	0.171	OAI 3,654 膝
18	TheRollingPebbles-1	X 线 + MRI + 临床	0.501 (0.423–0.568)	0.504 (0.434–0.562)	0.167	OAI 3,654 膝

几点值得注意的结构性事实。

第一，全部 18 份排名提交的 ROCAUC 落在 0.501 至 0.636 之间。即使是表现最差的提交，也没有显著低于随机水平，但整套分布的整体位置很低——0.6 附近是上限，而临床上一般认为 AUC 至少要到 0.7 才具备分诊价值。

第二，PR AUC 的第一名是 OuluMIPT-2（0.276，仅用 X 线），而它的 ROCAUC 只排第 12。PR AUC 在正例稀少时对高精度区间更敏感，这一背离说明不同评分口径会选出不同的「最佳」模型。论文没有把 PR AUC 纳入排名，但把它列为补充报告，这是一个相对诚实的处理。

第三，参考提交提供了一个关键的下界参照。EMC 系列四个纯临床变量模型（EMC-1 至 EMC-4）的 ROCAUC 在 0.550–0.592 之间，BACC 固定在 0.500 附近——BACC 恰好 0.500 是因为这些模型输出的是一个固定概率，没有可调阈值，任何阈值下灵敏度与特异度互补。换句话说，仅凭 13 项临床变量，就能拿到接近 0.6 的 ROCAUC；影像特征在这个基础上只能再加不到 0.05。

第四，UC-MRI 是唯一一个纯 MRI 模型，ROCAUC 0.537，是全部提交中最低的几个之一。它只用 30 膝训练集训练，这既说明了 MRI 信息的独立预测力弱，也说明了训练样本量对结果的影响——这个模型的说服力受限于样本量，不能单独作为「MRI 无用」的证据。

4.4 冠军模型的构造

Inbetweeners-1 的做法相对朴素：用预训练的 ResNet34 从 X 线图像提取特征，再把年龄、BMI、基线 KL 分级作为额外输入，送入逻辑回归做二分类。训练数据是 OAI 的 1,581 个膝关节样本，没有使用 KNOAP 的 30 膝训练集，也没有使用 MRI。

它的成功说明两点。其一，在样本量有限、跨队列的设定下，浅层分类器加预训练特征的组合比端到端训练更稳。其二，X 线在膝 OA 发病预测中携带的信息量并不比 MRI 少——至少在 6.5 年这个时间尺度上，X 线上能看到的关节间隙、骨赘、软骨下骨硬化，已经包含了相当一部分预测信号。

不过要注意，逻辑回归的可解释性在这里未必是优点：模型学到的权重是在 OAI 上拟合的，迁移到 KNOAP 时，各特征的尺度与分布都发生了变化，没有做任何校准。ROCAUC 是排序指标，不受校准影响；但若要把它当作概率用于临床决策，必须先做校准。

4.5 最高 BACC 模型的构造

OuluMIPT-3 走的是集成路线：把三个子模型的高斯朴素贝叶斯输出融合。三个子模型分别基于 ResNet18 提取的 X 线特征加关节形状-关节间隙（joint shape and joint space，JS2）特征、从 MRI 自动提取的软骨形态特征、以及临床变量。训练数据是 OAI 的 432 膝。

这个模型选择融合而非单模型，反映出团队对任务难度的判断：没有任何单一信号足够强，只能靠组合把不同来源的弱信号叠加起来。BACC 最高（0.587）说明它在灵敏度与特异度之间找到了较平衡的阈值，这恰恰是临床筛查场景更关心的性质。

但融合也带来了一个解释上的问题：朴素贝叶斯假设各特征条件独立，而 X 线特征、MRI 特征与临床变量显然不独立（BMI 与关节间隙狭窄相关，年龄与骨赘相关）。在 423 个样本的测试集上，这一假设的违反对排序的影响难以量化。

4.6 OuluMIPT 团队的五份提交说明了什么

OuluMIPT 一家提交了五份，覆盖不同的模态组合：-1（三模态）、-2（仅 X 线）、-3（三模态，最高 BACC）、-4（X 线 + 临床）、-5（三模态）。这构成了一个天然的消融实验。

按 ROCAUC 看，三模态的 -3（0.624）与 -5（0.621）略高于 X 线加临床的 -4（0.602），仅 X 线的 -2（0.570）最低。按 BACC 看，-4（0.579）反而高于 -5（0.562）。

这组数字有两个解读方向。乐观的解读是：加入 MRI 能带来约 0.02 的 ROCAUC 提升，虽然小但方向一致。悲观的解读是：0.02 的提升落在置信区间内，且不同指标下排序翻转，不足以支撑「MRI 有独立价值」的结论。论文作者倾向于后者，他们在讨论中写道，由于训练集（3T）与测试集（1.0/1.5T）的 MRI 协议差异显著，存在分布偏移，难以就 MRI 的作用下结论。

4.7 被论文单独点出的过拟合现象

结果讨论中有一段观察值得单列：多数模型在 OAI 验证子集上的表现优于在 KNOAP 测试集上。OAI 的验证子集由主办方提供，108 膝，年龄、BMI、性别与 KNOAP 测试集匹配。

这个落差的方向是一致的，而非个别现象。论文把原因归结为两点：一是模型在训练过程中已经以某种方式接触过 OAI 的分布（即使是不同的划分子集，同一队列的图像风格、设备、协议是一致的）；二是队列之间的真实差异，包括国家、年龄构成、扫描仪场强。

对使用者的实际含义是：如果一篇论文报告在 OAI 上做了交叉验证并得到 0.72 的 AUC，那么这个数字不能直接与 KNOAP2020 的 0.636 比较，两者衡量的不是同一件事。跨队列的 AUC 通常会比同队列交叉验证低 0.08–0.12，这个量级与 KNOAP 论文中观察到的落差相符。

§5 质量与已知问题：能信到什么程度

5.1 数据质量的正面事实

先说可靠的部分。KNOAP2020 的影像不是网络上抓来的，而是临床试验按协议采集、由研究护士与放射技师在固定设备上完成，采集参数有完整记录。这在影像数据集里属于较高标准：大多数公开数据集只有图像，没有设备与序列参数；KNOAP 提供了厂商、管电压、曝光量、像素尺寸、TR、TE、翻转角、层厚与层间距、体素尺寸。

结局标签的质量同样值得肯定。症状性放射学膝骨关节炎的判定需要两个来源：问卷（疼痛）与放射科医师读片（骨赘）。前者在 PROOF 试验里有统一的问卷流程，后者由中心化读片完成。这比「用 ICD 编码反推诊断」的做法可靠得多。

临床变量的采集也遵循试验标准操作规程。13 项变量里，BMI、年龄、绝经状态是客观测量；膝损伤史、轻度症状来自问卷；内翻畸形、Heberden 结节、关节线压痛、骨摩擦音、晨僵来自体格检查。后一组依赖检查者的经验，存在观察者间变异，但这是临床数据无法避免的属性。

5.2 样本量与统计功效

423 个测试样本、70 个阳性事件，这个规模在小样本医学影像研究里不算罕见，但它决定了结果的不确定性。

以 ROCAUC 的标准误估算，在正例 70、负例 353 的设定下，AUC 约 0.64 时的标准误大致在 0.03–0.04 之间，95% CI 半宽约 0.06–0.08。这与论文报告的 CI（0.571–0.699，半宽 0.064）一致。换句话说，冠军的 0.636 与第 5 名的 0.612 之间，差距完全在噪声范围内。

样本量的另一个后果是排名的不稳定性。论文做了敏感性分析，把双膝受试者随机取一膝，以消除双膝相关性带来的方差低估。结果是绝对指标略有上升，但置信区间变宽。这个方向符合预期：去相关后有效样本量下降，估计更不确定。

5.3 双膝相关性问题

多数受试者双膝均入选，242 人贡献 453 膝，平均每人 1.87 膝。这意味着同一受试者的两个膝关节在年龄、BMI、激素状态、遗传背景上完全共享，其结局也不是独立的——如果一个人的一侧膝发病，另一侧膝的发病概率也会升高。

标准做法有两种：按受试者聚类稳健标准误，或按受试者拆分训练/测试。挑战赛在拆分时做了后者吗？论文没有明确说明测试集与训练集是否按受试者拆分。这是一个信息缺口。如果拆分是按膝随机，同一受试者的两膝可能一在训练集、一在测试集，那就存在轻微的信息泄漏（模型可以从训练集中的一侧膝推断测试集中另一侧膝的表型）。考虑到训练集只有 30 膝，这一泄漏的实际影响有限，但研究者应当知道这个不确定性。

论文自己的处理是在事后做敏感性分析，而不是在设计阶段就按受试者拆分。这一顺序说明了挑战赛组织的一个常见取舍：为了最大化测试集规模，牺牲了独立性假设的严格性。

5.4 随访与失访

PROOF 试验的随访设计是 2.5 年与 6.5 年两个时点。挑战赛的结局取「任一时点阳性」，这意味着两个时点的数据被合并。

问题在于，不同受试者的观察时长并不相同。一个在 2.5 年时发病的膝，随即被判定为阳性；一个在 2.5 年时阴性、但未参加 6.5 年随访的受试者，其结局只能依据 2.5 年的数据，观察窗短了 4 年。论文对被排除者的描述是「在最后随访前退出且此前未发病的受试者被排除」，这解决了「结局未知」的问题，但没有解决「观察时长不等」的问题。

在生存分析框架下，正确的处理是时间到事件（time-to-event）建模，用删失（censoring）处理不同观察时长；而挑战赛把它简化成了二分类，所有阳性样本被等同对待，所有阴性样本也被等同对待。这一简化的代价是丢失了时间信息：一个 2 年发病的膝比一个 6 年发病的膝风险更高，但模型不需要区分它们。

5.5 人群外的泛化风险

人群单一这一点已经反复提及，这里要具体说明它会怎样影响模型。

第一，年龄的方差极小。测试集年龄均值 55.7、标准差 3.2，意味着 95% 的受试者落在 49.4 至 62.0 岁之间。在一个方差如此小的变量上，模型很难学到「年龄越大风险越高」的稳定关系；即使学到了，外推到 70 岁人群时，线性假设是否成立完全无法验证。

第二，性别完全缺失。男性膝 OA 的发病年龄分布、与肥胖的关联强度、影像表现（如骨赘更明显、软骨丢失相对慢）都与女性不同。一个只在女性上验证过的模型，用于男性时的表现未知。

第三，BMI 全在 27 以上。这意味着模型没有见过「正常体重」的膝关节，而正常体重人群的发病机制可能更依赖创伤、力线异常、遗传，而非代谢负荷。

第四，种族与地域单一。PROOF 是荷兰单国试验，受试者几乎全为白人。影像设备也集中于欧洲常见的两个品牌（Swissray、GE、Philips、Siemens），若用于亚洲或非洲人群，图像风格与解剖比例都可能有系统差异。

5.6 假设—支持—反对三列评估

对于几项关键判断，把「已知」与「未知」拆成三列更清楚：

假设	支持证据	反对证据或保留
MRI 对发病预测有独立价值	OuluMIPT 三模态模型的 ROCAUC 略高于 X 线加临床模型；MRI 理论上能更早看到软骨形态改变	冠军模型未用 MRI；纯 MRI 参考模型 ROCAUC 0.537；提升量落在 CI 内；训练/测试 MRI 协议不同源
该数据集能代表自然人群的膝 OA 发病风险	来自随机对照试验，采集协议标准，结局判定严格	仅 50–62 岁超重女性；干预组与对照组混合；完整病例分析排除了失访者
训练集可用于微调	主办方明确说明 30 膝带标签是为了微调	仅 5 个阳性样本，微调容易过拟合；30 膝不足以做交叉验证
提交结果可用于跨研究比较	盲测集统一、评分指标公开、方法说明强制披露训练数据	测试集标签未公开，第三方无法重算；不同提交的 CI 重叠严重
数据仍可获取	主办方有专用联系邮箱，学术申请有先例	站点标注挑战赛已关闭；DUA 限定用途为挑战赛提交；无自动化通道

5.7 论文自述的六条局限

论文在讨论部分列出了六条局限，按原文顺序：

第一，可用训练数据有限。要判定发病结局，需要基线与随访的临床加影像评估，成本高、周期长，因此带标签的样本天然稀缺。这不是 KNOAP 一家的问题，而是整个 OA 预测领域的结构性问题。

第二，未提供预计算特征、分割结果或预处理后的图像。参赛者需要自己完成配准、分割、特征提取，工作量大。主办方的考虑是避免把某一种预处理方式强加给参赛者，但代价是门槛提高，部分潜在参与者因此退出。

第三，多数参与者贡献了双膝，可能引入分析偏倚。这一条即上文讨论的相关性问题。

第四，测试集人群单一，年龄与性别的预测力受限，泛化性不明。

第五，置信区间较宽，最终排名依赖所选指标，ROCAUC 与 BACC 的排序不一致，排名需谨慎解读。

第六，随访期内的敏感度范围 0.00–0.757、特异度范围 0.297–1.00，变异极大。这意味着不同提交在实际阈值下的临床表现差异远比 AUC 显示的大：有的模型几乎不报警（敏感度 0），有的模型把三分之一健康膝判为高风险（特异度 0.297）。

这六条局限的坦白程度在挑战赛论文里属于中上。值得注意的是，论文没有提到的一条是：测试集标签从未公开，这直接限制了数据集的长期学术价值——它只能作为一次性基准，无法作为可持续的外部验证集。

转述时须区分两层可靠性：采集、变量、结局定义的描述属 A 级（多方一致、可追溯）；「MRI 相对 X 线有多少增量价值」的判断属 C 级（单篇论文、单一测试集、效应量在置信区间内）。

5.8 与 OAI 对照时的已知偏差

由于几乎所有参赛者都用 OAI 训练，OAI 与 KNOAP 之间的系统差异会以「模型性能下降」的形式表现出来，而这一下降容易被误读为「模型不行」。

已知的差异至少有四项。场强：OAI 为 3T，KNOAP 为 1.0T 与 1.5T。序列：OAI 用矢状位 3D DESS 加冠状位 2D TSE IW，KNOAP 用冠状位 2D PD 加矢状位 3D 水激发。发病定义：OAI 的 72 个月发病变量由主办方为参赛者提供，其定义与 KNOAP 的 SROA 未必逐字一致，论文只说「提供了一个 OAI 72 个月发病变量」，没有展开其判定细节。人群：OAI 为 45–79 岁男女混合，KNOAP 为 50–62 岁超重女性。

这四项差异中，任何一项都足以造成显著的分布偏移。因此，把 KNOAP 上的低分直接解读为「方法不好」，是把数据差异误当成了方法缺陷。

§6 能做什么：任务清单与最小可执行示例

6.1 任务清单

KNOAP2020 支持的任务类型由它的标签结构决定：每个膝关节一个二值结局，一个随访时间窗。由此可以展开出以下几类任务。

任务	输入	输出	可行性判断
发病二分类预测	基线 X 线 / MRI / 临床变量	6.5 年内是否发病	核心任务，挑战赛已跑通
跨队列泛化评估	OAI 训练的模型 + KNOAP 测试集	泛化性能落差	可行，但需申请测试集标签
模态消融	不同模态组合	各模态边际贡献	可行，OuluMIPT 五份提交即范例
临床变量基线建模	13 项变量	发病概率	可行，EMC 参考提交即范例
影像组学特征探索	MRI 软骨形态、X 线关节间隙	特征与结局的关联	可行，样本量限制结论强度
分割或检测	—	软骨、骨赘掩码	不可行，无结构标注
时间到事件建模	基线 + 两个随访时点	发病时间分布	部分可行，2.5 年阳性者可视为早期事件，但时点粗

上表第七行的可行性判断需要展开。挑战赛把结局化简为二分类，但原始随访数据其实保留了两个时点。如果主办方在重新申请时愿意提供「每一膝在哪一个时点转阳」，就可以构造离散时间生存模型；若只能拿到合并后的二分类标签，那么时间到事件建模只能停留在理论层面。这一点在申请数据时就应当问清楚，因为两种数据形态决定了后续整个建模路线。

第六行「分割或检测不可行」也有一个例外值得说明：研究者完全可以自己在 KNOAP 的 MRI 上标注软骨，用于训练分割网络，再用分割结果派生定量指标（如软骨厚度、T2 值）去预测结局。这条路在方法学上成立，但它已经超出了「使用 KNOAP2020 数据集」的范畴，变成了「以 KNOAP 影像为素材自建标注集」。若走这条路，标注质量与可重复性由研究者自己负责，不能援引挑战赛的公正性。

第三行的模态消融是最有分析价值的用法。挑战赛本身就提供了一组准消融结果：同一团队、同一训练集、不同模态组合的五份提交，可以直接读出各模态的边际贡献。

6.2 最小可执行示例：仅用临床变量的基线模型

这段示例的目的不是拿高分，而是建立一条可复现的下界。任何影像模型若不能显著超过它，就不值得部署。

import numpy as np
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import StratifiedKFold, cross_val_score
from sklearn.metrics import roc_auc_score, balanced_accuracy_score

df = pd.read_csv("clinical.csv")   # 列含 age / bmi / kl_grade / 七项二值体征 / label

feats = ["age", "bmi", "kl_grade", "injury", "mild_symptoms", "varus",
         "heberden", "joint_line_tenderness", "crepitus",
         "morning_stiffness", "menopause"]
X = df[feats].values
y = df["label"].values          # 1 = 6.5 年内新发 SROA（1 阳性，0 阴性）

pipe = make_pipeline(StandardScaler(), LogisticRegression(max_iter=1000, class_weight="balanced"))
cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=0)
auc = cross_val_score(pipe, X, y, cv=cv, scoring="roc_auc")
print("ROCAUC 均值 %.3f  标准差 %.3f" % (auc.mean(), auc.std()))

pipe.fit(X, y)
p = pipe.predict_proba(X)[:, 1]
print("BACC（阈值 0.5）%.3f" % balanced_accuracy_score(y, (p >= 0.5).astype(int)))

三点使用说明。第一，这段代码跑在训练集（30 膝）上意义不大，5 个阳性样本连交叉验证都做不了；它的实际用途是在自己的外部数据（例如 OAI 子集）上建立基线，再到 KNOAP 测试集上验证。第二，class_weight="balanced" 是必要的，否则逻辑回归会偏向多数类，BACC 会掉到 0.5 附近。第三，这个模型的系数可以直接解释，在论文的 Limitations 里写「我们的影像模型仅比临床基线高 0.03 AUC」时，这个基线就是参照点。

6.3 影像分支的最小示例

影像分支的关键不是网络结构，而是把三个异质来源（X 线、两套 MRI、临床表）对齐到同一行索引。

import glob, os
from pathlib import Path
import numpy as np
import nibabel as nib

def load_nifti(path):
    img = nib.load(str(path))
    arr = img.get_fdata(dtype=np.float32)
    # 统一到 RAS 方向，避免左右翻转：膝 OA 内外侧不对称，翻错方向会毁掉特征
    arr = nib.as_closest_canonical(img).get_fdata(dtype=np.float32)
    return arr

root = Path("KNOAP")
rows = []
for xray in sorted(glob.glob(str(root / "xray" / "*.nii*"))):
    stem = Path(xray).stem.split(".")[0]          # 形如 KNOAP_test001_L
    mri_pd = root / "mri" / "pd" / (stem + ".nii.gz")
    mri_we = root / "mri" / "we" / (stem + ".nii.gz")
    if not (mri_pd.exists() and mri_we.exists()):
        continue                                   # 缺序列的膝要单独记录，不要静默丢弃
    rows.append(dict(knee=stem, xray=xray, pd=str(mri_pd), we=str(mri_we)))

print("对齐成功 %d 个膝关节" % len(rows))

这段代码省略了重采样与强度归一化，因为那一步取决于具体方法。但两个细节必须保留：as_closest_canonical 解决方向问题，stem.split(".")[0] 解决 .nii.gz 双扩展名导致的键不匹配。后者看似琐碎，实际是跨模态对齐最常见的失败点。

6.4 一个完整的实验设计模板

如果目标是写一篇「在 KNOAP 上评估某方法」的论文，建议的实验矩阵如下：

实验	训练数据	测试数据	报告指标
同队列交叉验证	OAI 训练折	OAI 验证折	ROCAUC、BACC
跨队列直接迁移	OAI 全量	KNOAP 测试集	ROCAUC、BACC、校准误差
微调后迁移	OAI + KNOAP 30 膝	KNOAP 测试集	同上
临床基线	同上	同上	同上
模态消融	同迁移设置	同上	同上

这个五行的设计能回答三个问题：方法在熟悉分布上有多强、迁移到新队列后掉多少、掉的部分能否被微调补回。它与 KNOAP 论文的分析框架基本一致，可以直接对照。

6.5 适合与不适合的用法

适合的用法包括：把 KNOAP 当作外部验证集检验模型的跨队列稳健性；用 13 项临床变量构建低成本的风险分层工具原型；把 OuluMIPT 的五份提交当作模态消融的对照基准；研究小样本下特征工程与深度学习的相对优势。

不适合的用法包括：把 KNOAP 当作训练数据的主力来源（30 膝远不够）；用它训练软骨分割或骨赘检测（没有结构标注）；把最佳 AUC 0.64 当作「AI 可以预测膝 OA」的证据（论文自己的结论是这个问题尚未解决）；把测试集上的排名直接写进产品宣传（样本量不足以支撑排名差异）。

§7 常见误读与引用陷阱

下表把误读说法、实际口径与证据位置并列。

常见说法	实际口径	证据位置
KNOAP 是膝骨关节炎分割挑战赛	是发病预测挑战赛，无任何分割标签，输出为每膝一个概率	站点 Details 页提交模板；论文 Results
KNOAP2020 有几千个膝关节	453 膝（242 人），测试集 423、训练集 30	论文 Methods；站点 Home
训练集足够训练一个深度网络	30 膝，其中 5 个阳性，只能微调	站点 Home「a small set of data (30 knees)」
数据可以像 OAI 一样自由下载	DUA 制，挑战赛已关闭，需向主办方申请	站点 Details：数据仅可用于本挑战赛提交
它是 OAI 的荷兰子集	完全独立的 PROOF 试验（ISRCTN 42823086）	论文 Methods；PROOF 试验注册号
冠军模型用了 MRI 所以 MRI 有用	冠军 Inbetweeners-1 只用 X 线与临床；纯 MRI 参考仅 0.537	论文 Table II
最佳成绩 AUC 0.64 说明方法有效	论文结论为「复杂且尚未解决」，0.64 距临床可用仍有距离	论文 Abstract 与 Conclusion
测试集标签可以申请获得	论文与站点均未声明测试集标签在赛后开放	站点无后续发布公告
6.5 年随访意味着每个膝都随访了 6.5 年	结局取 2.5 年或 6.5 年任一时点，观察时长不等	论文 Methods 结局定义
13 项临床变量含 WOMAC 疼痛评分	不含任何量表评分，疼痛只有二值问卷	站点 Details 变量清单
KL 分级是 0–4 的完整量表	因排除 KL > 1，实际只有 0 与 1 两个值	论文 Methods 纳入标准
数据是 3T MRI	1.0T 与 1.5T 三台扫描仪，无 3T	论文 Methods 影像采集
主办方提供分割好的软骨掩码	论文明确写入局限：未提供预计算特征或分割	论文 Limitations 第 2 条

7.2 技术陷阱

陷阱一：把「242 人 453 膝」当成 453 个独立样本。
双膝相关性会使标准误被低估。任何重算置信区间的分析都应按受试者聚类，或采用每受试者随机取一膝的敏感性分析。论文自己做了后者，报告绝对指标略升、CI 变宽。

陷阱二：把基线 KL 分级当作连续变量。
由于纳入标准排除了 KL > 1，这个变量在数据里只有 0 和 1。若按 0–4 量表处理（例如做 five-grade 的相关分析），会得出错误结论。同理，若把「KL 分级」写进方法描述为「Kellgren-Lawrence 分级」，应注明是截断版本。

陷阱三：混用「放射学 OA」「症状性 OA」「SROA」三个词。
放射学 OA 只看骨赘与关节间隙（KL 分级）；症状性 OA 要求疼痛存在；SROA 要求两者同时满足于同一膝。KNOAP 的结局是第三种。文献转述时若把 KNOAP 写成「预测放射学 OA 进展」，是把结局口径扩大了一层——本研究的人群基线 KL 不超过 1，讨论的不是「已确诊患者的进展」。

陷阱四：把 OAI 的数字直接与 KNOAP 的数字并列比较。
在 OAI 上做五折交叉验证得到的 AUC，与在 KNOAP 独立测试集上得到的 AUC，是两个不同的估计量。前者是同一分布内的泛化，后者是跨分布的迁移。两者相差 0.08–0.12 是正常现象，不应被解读为方法退化。

陷阱五：忽略 X 线设备的像素尺寸差异。
两套设备的像素尺寸分别为 0.104 mm 与 0.190–0.192 mm，相差近一倍。若把图像统一 resize 到固定尺寸（例如 512×512），那么同一解剖结构在两套设备上的实际采样率不同，模型可能学到「设备指纹」而非解剖特征。正确做法是先把像素尺寸归一化到物理尺度，再做重采样。

陷阱六：把「训练集 30 膝」当作验证集使用。
30 膝里只有 5 个阳性，任何在它上面计算的 AUC 都有极大方差。若一定要用，应当做留一法而非单次划分，并报告完整的置信区间。更稳妥的做法是把它只用于超参数的最后确认，主验证放在 OAI 上。

陷阱七：认为「提交了 23 份」等于「23 个独立方法」。
7 支队伍提交 23 份，其中 OuluMIPT 一家提交 5 份、Inbetweeners 一家 5 份、TheRollingPebbles 一家 5 份。排名的实际差异更多反映同一团队内部的参数选择，而非 23 种独立思路的对决。引用时写「7 支队伍 23 份提交」比写「23 种方法」准确。

7.3 引用时的建议写法

若要在论文中引用 KNOAP2020，比较稳妥的表述是：引用数据论文本身（Hirvasniemi 等，Osteoarthritis and Cartilage，2022），说明其为 PROOF 队列的 423 膝盲测集与 30 膝训练集；报告成绩时同时给出 ROCAUC 与 BACC，并注明各自的最优者不同；在提及 MRI 作用时，引用论文中关于协议差异与分布偏移的讨论，而不是仅引用单份提交的数字。

不推荐的写法包括：把 KNOAP 称为「最大的膝 OA 预测数据集」（它不是）；把它与 OAI 并列为「两个公开基准」（它不是公开的，是协议制）；把 0.636 写成「AUC 达到 0.64 的 SOTA」（在 2022 年之后已有其他研究在更大队列上报告更高的数字，但这个数字不能与之直接比较）。

§8 在生态中的位置

8.1 上游：PROOF 试验

KNOAP2020 的上游是 PROOF 研究，一项在荷兰开展的随机对照试验，考察饮食与运动干预能否预防超重女性发生膝骨关节炎。试验在基线纳入 407 名 BMI 不低于 27 的中年女性，随机分组后随访至 6.5 年，注册号 ISRCTN 42823086。

PROOF 本身的研究成果在骨关节炎预防领域有独立影响，KNOAP2020 只是它的影像数据在机器学习社区的一次再利用。理解这层关系有助于判断数据的性质：它不是为 AI 采集的，而是临床试验的副产品，因此它的标签定义、随访结构、伦理框架都服从临床试验的逻辑，而不是竞赛的逻辑。

这种「副产品」身份带来一个具体后果：影像采集方案在试验设计阶段就固定了，挑战赛组织者无法为了 AI 任务而增加序列或提高场强。KNOAP 只有两套 MRI 序列、场强停在 1.0T/1.5T，并不是组织者的技术判断，而是 2005 年前后荷兰临床试验的常规配置。反过来，这一约束也保证了数据的真实性——没有为了「更适合深度学习」而重新扫描或统一设备，设备异质性被原样保留下来，这在方法学上是优点，在使用上则是负担。

8.2 平级：OAI 与其他膝 OA 队列

Osteoarthritis Initiative（OAI）是膝骨关节炎研究中最常被引用的公开资源，由美国国立卫生研究院资助，2004 年起纳入 4,796 名 45–79 岁男女受试者，随访 9 年，包含临床、影像、生物样本三类数据。OAI 的规模、模态丰富度、随访长度都远超 KNOAP2020。

KNOAP2020 与 OAI 的关系不是竞争，而是互补：OAI 适合训练与内部验证，KNOAP 适合外部盲测。KNOAP 论文自己就建议参赛者用 OAI 训练，并提供了一个 OAI 的 72 个月发病变量与 108 膝验证子集。

除 OAI 外，MOST（Multicenter Osteoarthritis Study）与 CHECK（Cohort Hip and Cohort Knee）也是常见的膝 OA 队列，两者的影像与临床数据获取方式各不相同，多数需要单独申请。KNOAP2020 在其中的位置是「规模最小、但测试集封闭」的那一个。

8.3 下游：在 KNOAP 之后出现的相关研究

KNOAP2020 于 2021 年发表结果，此后膝 OA 预测领域在几个方向上继续推进：一是更大队列的外部验证，二是多模态基础模型在肌骨影像上的应用，三是把时间到事件建模引入 OA 预测。

KNOAP2020 的直接引用多出现在三类文献中：综述类文章把它列为「膝 OA 影像 AI 的早期基准」；方法类文章把它用作外部验证集；少量文章把它作为「为什么需要更大标注数据」的论据。由于测试集标签未公开，它没有被广泛用作持续基准，这也是它影响力受限的原因之一。

8.4 库内可互链条目

以下条目与 KNOAP2020 在疾病、模态或设计上有实质关联，可作为参见：

条目	record_id	关联点
OAI（骨关节炎倡议）	391	最常被用作 KNOAP 训练数据的上游队列，模态与人群相近，两者应成对引用
3DReasonKnee	728	同样基于 OAI 膝关节 MRI，但任务是 3D 定位推理与 MOAKS 分级，属「读图分级」而非「预测发病」
MRNet	381	膝关节 MRI 异常检测（半月板撕裂、前交叉韧带撕裂），同一解剖部位的不同任务
RSNA Knee Abnormality Detection 2026	973	膝关节 MRI 多类异常检测挑战赛，规模与标签体系均不同，可作为「同期膝部影像挑战赛」对照

与这四个条目并列时，需要强调任务的差异：KNOAP2020 是纵向预测（基线影像预测未来诊断），其余三条主要是横截面判读（单次影像判读当前状态）。两者不可直接比较性能，但可比较数据组织方式与标签成本。

8.5 在方法学谱系中的位置

从方法学看，KNOAP2020 属于「小型盲测基准」这一类。这类基准的共同特征是：样本量中等（数百），结局由主办方封闭，挑战赛结束后不再更新，论文成为永久记录。它们在 2015–2022 年间的医学影像领域非常流行，因为组织成本低、能快速形成社区关注。

这类基准的局限也相似：一次性、标签不公开、难以复现排名、样本量不足以发现小效应。近年的趋势是转向更大规模的持续基准（例如把测试集标签公开、允许补交），或转向多任务基准。KNOAP2020 是这一转变之前的典型产物，理解它的局限，也就理解了那一代挑战赛的共同边界。

§9 总结与应用建议

9.1 三句话概括

KNOAP2020 是 Erasmus MC 基于荷兰 PROOF 预防试验队列构建的膝骨关节炎发病预测挑战赛，423 膝盲测集加 30 膝带标签训练集，含半屈位 PA X 线、两套低场 MRI 与 13 项临床危险因素。

7 支队伍提交 23 份结果，最佳 ROCAUC 为 0.636（X 线加临床），最佳 BACC 为 0.587（三模态融合），纯 MRI 参考模型仅 0.537，论文结论是发病预测仍是未解决的问题。

数据为协议制、挑战赛已关闭、测试集标签未公开，适合作为外部验证或跨队列泛化研究的参照，不适合作为训练数据主力，也不适合商用。

9.2 适用判断

使用场景	是否适用	理由
检验模型跨队列泛化	适用	人群与主流训练队列不同源，是天然的外部测试场
构建低成本风险分层原型	适用	13 项临床变量加 X 线即可，成本低
模态贡献的准消融研究	适用	OuluMIPT 五份提交提供了现成的对照结构
综述与教学中的基准案例	适用	结果清晰、局限自述充分
训练软骨分割或骨赘检测	不适用	无结构标注
作为深度网络的主训练集	不适用	30 膝、5 个阳性
产品化与商用	不适用	DUA 限定用途，未授权商用
复现挑战赛排名	受限	测试集标签未公开，只能复现方法不能复现分数

9.3 DAIMS 评估

DAIMS（Data and AI Maturity/Readiness 框架）从数据可用性、可获取性、可理解性、可维护性等维度评估数据集的 AI 就绪程度。以下评分基于公开信息，满分 5 分。

维度	评分	依据
数据文档完备度	4	论文与站点对采集参数、变量、结局定义披露充分；缺欠测试集人群构成的逐年分布
数据可获取性	2	DUA 制、挑战赛已关闭、无自动化通道，需逐案申请
标签质量	4	结局判定有问卷与读片双来源，训练集标签公开；测试集标签封闭
标注粒度	1	仅膝级二值结局，无结构标注、无位置标注
模态丰富度	3	X 线加 MRI 加临床变量，但 MRI 序列只有两套、场强低
规模	2	453 膝，与当代深度学习需求相比偏小
可复现性	2	方法可复现，排名不可复现（标签封闭）
许可清晰度	2	明确是协议制、明确限制用途，但缺少后续使用的标准化路径
综合	2.5	适合做外部验证与教学案例，不适合作为主训练资源

9.4 使用前的三件事

第一件，先确认能否合法拿到数据。写邮件说明研究目的、机构、伦理审批状态，比直接索要数据更容易通过。若只是想做方法对比，考虑用 OAI 的公开部分做替代实验，把 KNOAP 作为最后的验证环节。

第二件，先建立临床变量基线。在动手做影像模型之前，用 13 项变量跑一个逻辑回归，得到 ROCAUC。这个数字通常会落在 0.55–0.59 之间，它是影像模型必须超越的参照线。没有这条线，任何「影像提升了 AUC」的说法都缺乏依据。

第三件，先想清楚要报告什么指标。ROCAUC 与 BACC 在这份数据上会给出不同的排序，PR AUC 又会给出第三套排序。如果目标是临床筛查（关心灵敏度与特异度的平衡），BACC 更贴近需求；如果目标是排序与风险分层，ROCAUC 更合适。论文里同时报告三者的，比只报一个的更可信。

§10 检索与引用实操

10.1 检索关键词组合

KNOAP2020 的检索难点在于名称短、易与无关内容混淆。以下关键词组合按用途分组，可直接用于文献库或搜索引擎。

用途	关键词组合
找一手论文	“KNOAP2020” AND (Osteoarthritis OR “knee osteoarthritis”)
找数据页	“knoap2020” site:grand-challenge.org
找上游试验	“PROOF study” AND (knee OR osteoarthritis) AND Runhaar
找训练队列	“Osteoarthritis Initiative” AND “incident” AND “symptomatic radiographic”
找结局定义	“symptomatic radiographic knee osteoarthritis” AND “ACR criteria” AND “definite osteophyte”
找方法类似研究	“knee osteoarthritis” AND (“incident” OR “prediction”) AND “external validation”
找引用它的文章	引用检索：DOI 10.1016/j.joca.2022.10.001 的被引文献

若以「KNOAP」单独检索，结果中会混入若干拼写相近但无关的条目；建议始终带上 “knee” 或 “osteoarthritis” 之一。

10.2 关键标识符

标识符类型	值
DOI（论文）	10.1016/j.joca.2022.10.001
PMID	36243308
PMCID	PMC10323696
NIHMSID	NIHMS1905689
挑战赛站点	knoap2020.grand-challenge.org
上游试验注册号	ISRCTN 42823086
数据平台	Health-RI XNAT（health-ri.nl/services/xnat）

注意 PMID 与 PMCID 的区分：前者用于 PubMed 检索，后者用于 PMC 全文访问。论文在 PMC 上是作者手稿版（author manuscript），其排版与 Elsevier 正式版存在差异，页码与图表编号可能不同。引用具体页码时，应以正式出版版为准。

10.3 常见检索误区

误区一：用「KNOAP」作为唯一关键词。KNOAP 不是通用词，但拼写相似的其他缩写会带来噪声。

误区二：把论文标题中的 “KNee OsteoArthritis Prediction” 当作数据集全名。数据集没有独立的名称，挑战赛名即数据集名。

误区三：搜索 「KNOAP dataset download」期望找到直接链接。站点不提供公开下载链接，所有路径都要经过注册与协议。

误区四：把 PMID 36243308 与 PMC10323696 混用。前者是 PubMed 记录号，后者是 PMC 全文号，两者不能互换。

10.4 引用格式建议

期刊论文引用：

Hirvasniemi J, Runhaar J, van der Heijden RA, et al. The KNee OsteoArthritis Prediction (KNOAP2020) challenge: An image analysis challenge to predict incident symptomatic radiographic knee osteoarthritis from MRI and X-ray images. Osteoarthritis Cartilage. 2023;31(1):115-125. doi:10.1016/j.joca.2022.10.001

数据集引用（若期刊要求单独引用数据）：

KNOAP2020 Challenge. KNee OsteoArthritis Prediction challenge dataset (PROOF cohort) [Data set]. Erasmus MC. https://knoap2020.grand-challenge.org/

第二行的卷期页码以正式出版版为准；若无法确认，可只写年份与 DOI，避免页码错误。

附录

附录 A 关键数字速查

项目	数值
入选膝关节	453（242 人）
测试集	423 膝
训练集	30 膝（5 膝发病）
上游试验受试者	407 名超重/肥胖女性
测试集发病率	16.5%（70/423）
训练集发病率	16.7%（5/30）
测试集年龄均值（标准差）	55.7（3.2）岁
测试集 BMI 均值（标准差）	31.7（3.7）kg/m²
训练集年龄均值（标准差）	56.0（2.8）岁
训练集 BMI 均值（标准差）	32.4（3.7）kg/m²
注册团队	15
提交团队	7
有效提交	23（18 份排名 + 5 份参考）
最佳 ROCAUC	0.636（0.571–0.699）
最佳 BACC	0.587（0.520–0.648）
纯 MRI 参考 ROCAUC	0.537（0.467–0.604）
纯临床参考 ROCAUC 范围	0.550–0.592
随访时间窗	78 个月（2.5 年 / 6.5 年）

附录 B 缩写表

缩写	英文全称	中文
KNOAP	KNee OsteoArthritis Prediction	膝关节骨关节炎预测
OA	Osteoarthritis	骨关节炎
SROA	Symptomatic Radiographic Osteoarthritis	症状性放射学骨关节炎
PROOF	Prevention of Knee Osteoarthritis in Overweight Females	超重女性膝骨关节炎预防研究
OAI	Osteoarthritis Initiative	骨关节炎倡议
KL	Kellgren-Lawrence	凯尔格伦-劳伦斯分级
ACR	American College of Rheumatology	美国风湿病学会
PA	Posteroanterior	后前位
MTP	Metatarsophalangeal	跖趾（关节）
PD	Proton Density	质子密度
TR	Repetition Time	重复时间
TE	Echo Time	回波时间
DESS	Dual-Echo in Steady State	双回波稳态
TSE	Turbo Spin Echo	快速自旋回波
IW	Intermediate Weighted	中间加权
NIfTI	Neuroimaging Informatics Technology Initiative	神经影像信息技术倡议格式
XNAT	Extensible Neuroimaging Archive Toolkit	可扩展神经影像归档工具包
ROCAUC	Area Under the Receiver Operating Characteristic Curve	受试者工作特征曲线下面积
BACC	Balanced Accuracy	平衡准确率
PR AUC	Area Under the Precision-Recall Curve	精确率-召回率曲线下面积
CI	Confidence Interval	置信区间
DUA	Data Use Agreement	数据使用协议
IWOAI	International Workshop on Osteoarthritis Imaging	国际骨关节炎影像研讨会
JS2	Joint Shape and Joint Space	关节形状与关节间隙特征
BMI	Body Mass Index	体质指数
ISRCTN	International Standard Randomised Controlled Trial Number	国际标准随机对照试验注册号

附录 C 使用前检查清单

1. 是否已向主办方申请并取得书面使用许可？
2. 是否确认授权范围覆盖自己的研究目的（学术、商用、再分发）？
3. 是否已取得本地伦理审查的豁免或批准？
4. 是否确认测试集标签确实不可得，并据此调整了实验设计？
5. 是否用受试者编号加侧别作为主键，核对了影像与临床表的一一对应？
6. 是否检查了 NIfTI 的方向（qform/sform），确保内外侧未被翻转？
7. 是否按物理像素尺寸归一化了 X 线，而非直接 resize？
8. 是否建立了仅用临床变量的基线模型？
9. 是否同时报告了 ROCAUC 与 BACC，并说明二者排序可能不一致？
10. 是否在论文中写明该数据为协议制、测试集标签封闭？

附录 D 未覆盖与待核内容

以下内容在公开资料中未找到明确说明，使用时需要自行核实或标注为未知：

• 测试集与训练集的拆分是否按受试者进行。论文只说明 453 膝拆为 423 与 30，未说明同一受试者的两膝是否可能分属两集。
• PROOF 试验的干预组与对照组在 453 膝中的比例。论文未报告，干预是否影响结局分布因而无法判断。
• 测试集发病膝中，2.5 年转阳与 6.5 年转阳各占多少。论文合并报告，未拆分。
• 各影像的设备来源分布。论文给出了三台 MRI 与两套 X 线设备，但未报告测试集中各设备的样本量。
• 挑战赛结束后是否有任何机构获得过测试集标签。站点无相关公告。
• 数据的后续版本或更新。

附录 E 常见提问与简短回答

能否只用 X 线做这个任务？ 能，而且冠军模型就是这么做的。X 线加临床变量的 ROCAUC 为 0.636，是全部提交中最高的。

MRI 是不是完全没用？ 不能这么说。三模态模型在 ROCAUC 上比纯 X 线模型略高，但提升量在置信区间内；纯 MRI 模型表现最弱，但只用了 30 膝训练，样本量是主要限制。

能否把 KNOAP 的数据与 OAI 合并训练？ 技术上可以，但要先解决协议差异（场强、序列、摆位）与许可差异（OAI 有独立的数据使用协议）。合并后的模型在 KNOAP 上评估时，存在训练集包含测试分布的风险。

这个数据集适合做本科教学吗？ 适合做方法教学（小样本、类别不平衡、盲测评分），但数据获取有门槛，教学使用需先解决许可问题。

如果只用临床变量，能达到什么水平？ 参考提交显示 ROCAUC 在 0.550–0.592 之间，BACC 固定在 0.500 附近（因为输出固定概率，无可调阈值）。

编辑说明

本节非正文，记录事实来源、核验方式与遗留问题。

• 核验时间：2026-10-18。
• 核验方式：挑战赛站点三个页面（Home、Details、About）直抓；数据论文 PMC 全文（PMC10323696）直抓；PubMed 摘要页；Grand Challenge 平台页面。三方对核心数字（423 膝、30 膝、453 膝、242 人、70 膝发病）一致。
• 名称核验：KNOAP 经站点首页与论文标题双重确认为 KNee OsteoArthritis Prediction，非膝关节骨关节炎影像分割、非任何厂商膝关节测量工具。任务头未给出全称，此处以官方页为准。
• 规模核验：任务头未提供规模数字，正文全部规模数字取自论文 Methods 与站点 Home。站点写「423 膝测试集」「30 膝训练集」，论文写「453 膝（242 人）入选」，两者不冲突（453 = 423 + 30）。
• 双口径存照：
  1. 摘要写「最高 ROCAUC 0.64（95% CI 0.57–0.70）」与「最高 BACC 0.59（0.52–0.65）」，为四舍五入值；论文结果表给出 0.636（0.571–0.699）与 0.587（0.520–0.648）。正文采用结果表的精确值，并注明摘要为取整。
  2. 站点写「6.5 年随访」，论文写「78 个月」，两者等价。
  3. 站点写测试集 MRI 为「1.5 Tesla」，论文 Methods 写三台扫描仪含 1.0T Philips Intera。正文按论文写「1.0T 与 1.5T」，站点表述视为简化。
  4. 论文标题在不同数据库收录的年份标注不一致（部分数据库标 2022，卷期可能为 2023），引用时以 DOI 为准。
• 未覆盖：测试集与训练集是否按受试者拆分、干预组比例、2.5 年与 6.5 年阳性各占多少、各设备样本分布，论文均未说明，已列入附录 D。
• 版本日志：v1（2026-10-18）首发。
• 下次复核建议：2027-10，关注主办方是否发布测试集标签或数据再分发方案。

---

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：

• rsna-knee-2026 — 共享标签：医学影像 / MRI / 骨骼肌肉影像 / 挑战赛数据集
• copdgene — 共享标签：医学影像 / X光影像 / 队列研究
• oai — 共享标签：医学影像 / 骨骼肌肉影像 / 队列研究
• chest-imagenome — 共享标签：医学影像 / X光影像 / 队列研究
• spider — 共享标签：医学影像 / MRI / 骨骼肌肉影像 / 挑战赛数据集
• fracatlas — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像
• rsna-bone-age — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像
• rsna-series — 共享标签：医学影像 / X光影像 / 挑战赛数据集
• mura — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像
• grazpedwri-dx — 共享标签：医学影像 / X光影像 / 骨骼肌肉影像

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。