LIDC-annot-NLST501 — NLST 队列 501 例胸部 CT 的 LIDC-IDRI 式多读者肺结节标注

INFOBOX — LIDC-annot-NLST501 一屏速览

维度	内容
本质	NLST 筛查队列 501 例胸部 CT 的 LIDC-IDRI 式多读者肺结节标注（TCIA analysis result，非独立 image collection）
生产者	Median Technologies（法国，Euronext: ALMDT）；标注执行外包 Ingedata；DICOM 校正用其专有 LMS 软件
论文	arXiv:2512.00281 v3（2026-05-19）「Beyond Size and Growth…」（v2/TCIA 引用旧题——三题并存，见坑 2）
数据	501 CT series + 24 校正 CT + 2,004 DICOM SEG = 2,529 series，13.65 GB；NIfTI mask 另附 734 MB
读者	20 名执业放射科医师（junior 8 / middle 7 / senior 5），每例恰好 4 人独立阅读
标注	23,099 病灶报告；6,505 最可疑结节：3D 分割 + 8 项形态特征 + 1-10 恶性 likelihood
协议	改编 k-fold Split-Plot MRMC；读者对 NLST 临床数据设盲；恶性评分假设「60 岁男性吸烟者」
活动	标注 2022-12 至 2023-10；TCIA 上架 2026-08-05
许可	CC BY 4.0（analysis-result 口径，官方字段待逐字复核——坑 3）；引用须含 NLST 主 collection
获取	TCIA manifest（NBIA/Data Retriever）+ NIfTI 打包直下；零门槛无需注册
源系统	LEM（Large Ensemble Model）：AUC 内部 0.98 / 外部 0.945，优于 Lung-RADS 与放射科医师
库内互链	nlst（317，影像母集）、lidc-idri（19，协议蓝本）、lctsc（277，同构先例）、rider-lung-ct（267）

LIDC-annot-NLST501 是一次「把两块拼图焊在一起」的标注工程：肺结节标注领域最精细的协议（LIDC-IDRI 式四读者独立阅片）被搬到肺癌筛查领域最有分量的队列（NLST，美国国家肺筛查试验）上——501 例胸部 CT，每例由 4 名执业放射科医师独立完成结节检出、三维分割、形态特征评分与恶性 likelihood 评分，产出 2,004 个 DICOM SEG 与配套 NIfTI mask。NLST 队列有病理确诊、没有结节分割；LIDC-IDRI 队列有精细标注、多缺恶性金标准——这个数据集把两种稀缺资源第一次在同一批扫描上对齐，也为源论文的 LEM 筛查系统（AUC 内部 0.98 / 外部 0.945）提供了训练与评估底座。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——TCIA manifest + NIfTI 打包两条通道，零注册门槛；注意 24 个校正 CT 的对齐坑（坑 8）。
2. 关心标注质量：直奔 §3 读者团队与 §5 单读者对比——20 人资历构成、每例 4 读的 MRMC 改编协议、一致性资源属性三段连读。
3. 做筛查 AI 评测：直奔 §5 LEM 与基线对比——Ardila 2019、Lung-RADS 2019、Sybil 的对比语境与单读者性能入口都在那里。

§0 导读：这个数据集解决什么问题

肺癌筛查 AI 有一个长期的结构性错位：最好的标注在最小的队列上，最大的队列只有最粗的标注。LIDC-IDRI（1,010 患者、1,018 次 CT、四读者两阶段 XML 标注，Armato 2011，被引 3,090 次）把「多读者独立阅片 + 逐结节三维分割 + 系统性形态特征评分」做成了行业协议模板，但它是一个以诊断为目的的回顾性队列，大部分病例缺少病理确诊的恶性金标准。另一边，NLST（NCT00047385，53,454 人随机对照筛查试验）拥有大规模筛查场景的影像与随访病理金标准，但其公开的异常记录只提供轴位层号加肺叶位置——没有结节轮廓、没有分割、没有结构化形态评分（库内 nlst 条目核验口径）。

结果是两类研究互相卡脖子：想训练分割/检测模型的人拿不到筛查队列的像素级监督；想在真实筛查人群上验证恶性诊断模型的人发现 LIDC-IDRI 的标注语义（诊断场景、富集结节）与筛查场景（低患病率、大量小结节）对不上。LIDC-annot-NLST501 的回答是直接补上中间那块：从 NLST 里选 501 例（非癌患者需 ≥3 年随访排除结局不确定者；癌症病例聚焦实性/部分实性结节、排除纯磨玻璃确诊癌），由 Ingedata 招募的 20 名执业放射科医师按改编 k-fold Split-Plot MRMC 协议每人独立阅片，保证每例恰好被 4 名不同读者独立标注——LIDC-IDRI 式的语义，筛查队列的人群。

§0 读法三则：

1. 这个条目是 TCIA 的 analysis result 类目：影像本体仍是 NLST 资产，本数据集的增量是标注层（SEG/mask/CSV 三件套）——引用时两个 DOI 都要给（§6.3）。
2. 全文硬数字均出自 TCIA 官方页、arXiv v3 论文与 TCIA analysis-results 总表三源互证；6,505 结节与「up to 6 per scan」的口径张力按「4 次阅读累计」解读处理并在坑 1 存照。
3. 检索时注意：这个数据集不会出现在 TCIA 的 image collection 列表里（坑 4），按 collection 浏览会漏掉它。

§1 数据集速览：十问十答

Q1：LIDC-annot-NLST501 到底是什么？
对 NLST 中 501 例胸部 CT 的 LIDC-IDRI 式多读者肺结节标注，官方副题为 LIDC-IDRI-like Multi-Reader annotations of lung nodules on NLST CT scans。它在 TCIA 属于 analysis result 类目——不是新采集的影像集合，而是「既有影像 + 新标注」的叠加层。生产者为法国医学影像 AI 公司 Median Technologies，标注活动执行外包给标注公司 Ingedata。

Q2：名字怎么读解？
LIDC（LIDC-IDRI 式标注协议）+ annot（annotations，标注）+ NLST（队列来源）+ 501（例数）。名字本身就是成分表：协议 × 标注 × 队列 × 规模。

Q3：下载后能拿到什么？
manifest 三件套：501 个原始 NLST CT series + 24 个经 LMS 软件校正的 CT + 2,004 个 DICOM SEG（每次阅读一个），合计 2,529 series、13.65 GB；另有 NIfTI mask 打包单独下载（734 MB，2,004 个 .nii.gz）。表格层：annotations.csv（23,099 条病灶报告）、readers.csv（20 名读者资历表）、correction.csv（24 处校正记录）与流程图 PNG。

Q4：谁标注的，什么资历？
Ingedata 招募的 20 名执业放射科医师（有效执照、胸部 CT 阅片经验 ≥1 年）：junior 8 人（毕业后 ≤2 年）、middle 7 人（2-4 年）、senior 5 人（≥4 年）。每人标注 5-297 例不等；资历与标注量无显著相关（ρ=-0.208, p=0.38）。标注活动期 2022-12 至 2023-10。

Q5：23,099 和 6,505 两个数字什么关系？
23,099 是 2,004 次阅读报告的全部病灶（定位/类型/大小，含 Mass、目标结节 TL、非结节病变 NTL）；其中 6,505 个最可疑结节走完整流程——恶性 likelihood 评分 + 三维分割 + 8 项 LIDC-IDRI 式形态特征。注意 6,505 是 4 次阅读的累计口径（每次阅读每扫描至多 6 个），不是 501 例各含 13 个结节（坑 1）。

Q6：恶性评分怎么打的？
1-10 分制：1=明确良性；2-3=可能良性建议短期随访；4-5=可疑需进一步检查；6-10=高度可疑需组织采样。读者对 NLST 临床数据设盲，评分时假设「扫描来自 60 岁男性吸烟者」——统一情境下的视觉判断，不含真实人口学信息。

Q7：为什么每例是 4 个读者？协议是什么？
改编自 k-fold Split-Plot MRMC（multi-reader multi-case）设计：放宽了经典 MRMC「每读者同量」的约束以适配个人档期，但保证每例恰好被 4 名不同读者独立标注（db 字段 s01-s04 区分批次）。经典 MRMC 全面研究由团队另行发表。

Q8：和 NLSTSeg 是一回事吗？
不是。NLSTSeg（Chen et al.，Zenodo 10.5281/zenodo.17362625，经 IDC 谐和化）是另一团队对 NLST 的独立结节 mask 标注；本数据集是 Median Technologies 主导的多读者标注——两套标注在标注者、协议、规模上都不同，不可混用（坑 7）。IDC 生态里对 NLST 还有 TotalSegmentator 器官 mask 与 Sybil 包围盒等衍生资源，同属「NLST + 各家标注」的家族。

Q9：怎么获取？
TCIA 官方页（cancerimagingarchive.net/analysis-result/lidc-annot-nlst501）→ manifest 下载 → NBIA 或 TCIA Data Retriever 拉取 DICOM（原始 NLST series + 24 校正 series + 2,004 SEG）；NIfTI mask 打包（734 MB）单独下载。无需注册、无需申请——NLST 影像 2021-09 解禁后即公开，本标注层延续同一口径。

Q10：它对 AI-Ready 的意义是什么？
它是「顶级队列 × 金标准协议」的公开标注层样本：格式层（DICOM SEG 双标准 + NIfTI + CSV 数据字典）机器可读性极好，获取层零门槛；扣分项在语义层——癌/非癌构成比未公布、恶性评分是假设情景、论文尚为预印本（§6.4 逐项评估）。

§2 数据构成与规格

2.1 manifest 总账：2,529 series 的三层结构

按 TCIA manifest 口径，数据集的 DICOM 通道共 2,529 个 series、13.65 GB，由三层叠成：

层	内容	series 数	说明
L1 影像本体	NLST 原始胸部 CT	501	每例患者 1 个 series，影像版权归 NLST collection
L2 校正影像	LMS 软件校正后的 CT	24	修复原始数据缺陷（明细见 §2.4）
L3 标注层	多读者 DICOM SEG	2,004	每例 4 次阅读 × 501 例，每次阅读 1 个 SEG
合计	—	2,529	13.65 GB

NIfTI 通道在 manifest 之外：2,004 个 .nii.gz（与 DICOM SEG 一一对应），打包下载 734 MB。双格式并存不是冗余——DICOM SEG 是临床互操作标准（可进 PACS/影像组学管线），NIfTI 是科研管线的事实标准（nibabel/SimpleITK 秒级读入），双格式覆盖了两类用户的零转换入口。

体积细分（库内 nlst 条目核验口径）：NIfTI 分割 734 MB / DICOM 分割 10.67 GB / 校正 CT 2.26 GB，合计约 13.66 GB，与官方 13.65 GB 吻合——量级差主要在 DICOM SEG 的逐帧封装开销上。

2.2 队列选取：501 例怎么从 5 万多人里出来

501 例选自 NLST 筛查队列，选取标准按癌症状态分两轨：

1. 非癌患者：要求 ≥3 年随访，排除结局不确定或中途脱落的对象——保证「良性」标签有足够长的观察窗口背书，不会把尚未显形的癌症错记为阴性。
2. 癌症患者：聚焦实性（solid）与部分实性（part-solid）结节确诊的病例，排除纯磨玻璃（pure GGO）确诊癌——理由是纯 GGO 生长惰性、恶性风险低，与筛查决策的主战场（实性结节的检出与定性）不同。

两条标准合起来塑造了这个数据集的人群画像：它面向的是筛查决策中最纠缠的场景——实性/部分实性结节的检出、定性与会诊分歧。代价是纯 GGO 为主的病变覆盖有限（rai:dataLimitations 已存照）。

需要如实交代的空白：官方来源只给选择标准，未公布 501 例中癌症与非癌症的构成比。条目全文按「构成比未公布」处理；使用者在做患病率相关统计前，应先自行从 annotations.csv 的 finding 分布与 NLST 随访记录推断，或等待论文正式发表后的补充披露。

2.3 标注量账本：2,004 次阅读的三层展开

口径	数字	计算链
患者 / CT series	501	1 例 = 1 series
独立阅读	2,004	501 × 4 读者/例
DICOM SEG	2,004	1 阅读 = 1 SEG
NIfTI mask	2,004	与 SEG 一一对应
病灶报告	23,099	全部被报告的病灶（定位/类型/大小）
完整评分结节	6,505	最可疑结节：恶性 likelihood + 3D 分割 + 8 特征
单读者性能对比池	12 人	标注 ≥15 例癌症的读者

23,099 与 6,505 的差值就是「报告了但未走完整流程」的部分： NTL（非结节病变）与 Mass 类病灶只记录定位/类型/大小，不强制恶性评分与分割；只有被读者判定为最可疑的目标结节（每扫描至多 6 个）才进入「评分+分割+特征」全流程。这继承了 LIDC-IDRI 的「标记即报告、可疑才深标」分层标注经济学。

2.4 CT 校正：24 个 series 的 23 处手术

Median Technologies 用其专有软件 LMS（Lesion Management Solutions，原为肿瘤影像复盘设计的商用平台）对 NLST 原始数据做了质检，发现并修复三类缺陷，全部记录在 correction.csv：

缺陷类型	处理	处数
同一 table position 存在多张 slice	每处保留一片	16
一个 series 内混入多个 acquisition	保留主采集	5
slice 缺失	复制前片填补	2
合计	—	23

被修正的 series 在 manifest 中以校正后版本提供（共 24 个），correction.csv 给出 series_uid_original → series_uid_after 的映射、患者号、检查年、校正前后 slice 数与校正类型。

使用纪律：与 NLST 原库对齐时必须经这张映射表，直接拿 annotations.csv 的 series_uid 去 NLST 原库检索会在 24 个 series 上错位（坑 8）。校正的意义不在美观——slice 重复与缺失会直接污染三维分割的 z 轴几何，进而在体积/直径自动提取里产生系统性偏差。

2.5 annotations.csv 数据字典（主标注表）

annotations.csv 一行 = 一次阅读中的一个病灶报告。字段全录：

字段	含义
db	阅读批次 s01-s04（同例 4 次独立阅读的代号，不是中心/年份）
series_uid	CT series 标识（校正后口径，24 个 series 见坑 8）
pid	NLST 患者号
study_yr	NLST 检查年（T0/T1…队列原生时间轴）
reader_id	读者代号 r01-r20（资历查 readers.csv）
finding_type	Mass（肿块）/ TL（目标结节）/ NTL（非结节病变）
finding_id	同一次阅读内的病灶序号
location_x / location_y / location_z	病灶定位（体素坐标）
mask_id	分割实例号（= NIfTI mask 内强度值 1…n）
reported_measure	读者报告的病灶大小（mm）
extracted_x / extracted_y / extracted_z	自动提取质心（置于最大面积 slice）
extracted_lax / extracted_sax / extracted_lad	自动提取长轴/短轴/平均直径（mm）
extracted_volume	自动提取体积（mm³）
ntl_details	NTL 子型详情（12 子型，见 §3.6）
comment	读者自由备注
tl_spiculation / tl_texture / tl_calcification	目标结节的毛刺/质地/钙化评分档位

三组 extracted_* 度量是自动计算的（基于分割结果），与 reported_measure（读者手报）并列——两套尺子同表存放，研究「读者感知大小 vs 几何大小」时不必再重算。

2.6 NIfTI 布局与强度编码

• 路径规则：/masks_nifti/[db]/[pid]_[series_uid].nii.gz，db ∈ {s01, s02, s03, s04}。
• 强度编码：背景 0；结节按 mask_id 从 1 到 n 编号——同一次阅读的多个结节在同一文件里以整数强度区分，与 annotations.csv 的 mask_id 列严格对齐。
• 一次阅读 = 一个文件：4 个 db 目录合计 2,004 个文件，与 DICOM SEG 一一对应。
• 语义提醒：db 是阅读批次，四个 db 加起来才是一例的完整标注；只取 s01 会丢掉四分之三的标注（坑 5）。

2.7 DICOM SEG 规格：一个 SEG 里的三层内容

每个 DICOM SEG 对应一次阅读，内嵌三层信息：

层	内容	落点
结节分割	读者分割的结节实例（强度 1…n）	SEG 帧数据
器官分割	TotalSegmentator v2.4.0 自动肺 mask（强度值 3）	SEG 帧数据（Wasserthal 2023 引用）
阅读元数据	读者 ID / 阅读批次 / CT 引用	序列属性

元数据的 DICOM 标签落点：读者 ID 存 PersonIdentificationCodeSequence (0040,1101)；阅读批次 db 存 Institution Code Sequence (0008,0082)（借用该标签承载批次语义——解析时按语义读，别按字面机构名读）；被标注的 CT 引用存 Referenced Series Sequence (0008,1115)。

坑 6 预告：SEG 里的强度 3 是 TotalSegmentator 的自动肺 mask，不是结节标签——把肺实质当结节读出来是新手最常见的翻车点，§10 完整存照。

2.8 辅助文件清单

文件	内容	用途
annotations.csv	23,099 病灶报告（§2.5 字段）	主标注表
readers.csv	reader_id / experience（年）/ class（junior/middle/senior）	读者分层、一致性分析
correction.csv	校正前后 series_uid / pid / study_yr / slice 数 / 校正类型	与 NLST 原库对齐
LIDC-annot-NLST501_workflow.png	生产流程图	快速理解管线

2.9 自动形态度量：三把尺子和一个质心

对每个分割实例，流水线自动计算：

• volume（mm³）：体素计数 × 体素体积——三维最完整的载荷指标。
• 质心（x, y, z）：置于最大面积 slice——定位复现的锚点。
• LAX（long axis，最大轴）/ SAX（short axis，最大垂直轴）/ LAD（long axis diameter，平均直径）：三个直径口径覆盖临床报告习惯（LAD 最接近临床「平均直径」叙事，LAX/SAX 对应一维径线）。

这套度量让 annotations.csv 天然支持径线 vs 体积的对比研究——源论文「Beyond Size and Growth」的标题立意（超越大小与生长）正是建立在这套几何底座之上。

2.10 项目时间线总表：从标注活动到公开上架

时点	事件	依据
（上游）2021-09	NLST 影像解禁公开	IDC discourse / 库内 nlst 条目核验口径
2022-12	标注活动开始（Ingedata 组织 20 名读者）	arXiv v3 Methods
2023-10	标注活动结束（2,004 次阅读完成）	arXiv v3 Methods
2025-11-29	arXiv v1 提交	arXiv 版本链
2026-04-22	arXiv v2（改题：Integrated AI Nodule Detection…）	arXiv 版本链
2026-05-19	arXiv v3（现行题：Beyond Size and Growth…）	arXiv 版本链
2026-08-05	TCIA analysis-results 总表登记 Updated	TCIA 总表
2026-10-09	本条目抓取与核验时点	FACTS.md 抓取时点

时间线的两个读法：

1. 标注到公开隔了两年零十个月（2023-10 → 2026-08）：窗口主要花在 LEM 系统研发与论文三轮迭代上——数据先于论文成熟，公开以论文发布为锚（论文自述数据集随论文公开发布）。
2. TCIA 上架晚于论文 v3 两个半月：arXiv 预印本先行、TCIA 托管随后——这是「analysis result 随论文发布」模式的典型节奏，也解释了 TCIA 页面为何仍标注论文 in submission（期刊评审滞后于预印本与数据公开）。

§3 标注流水线：20 名读者、4 读/例的 MRMC 改编

3.1 生产者与执行者：一家公司 + 一家标注商

角色	主体	职责
数据集生产者 / TCIA 提交方	Median Technologies（法国，Euronext: ALMDT）	方案设计、LMS 软件校正、质控、TCIA 提交
标注活动执行	Ingedata（独立标注公司）	招募 20 名执业放射科医师、管理标注活动
论文与系统	Median + 学术合作者（15 人署名）	LEM 模型、基准实验、论文撰写

分工是典型的工业标注架构：影像 AI 公司出协议与质控，专业标注商出人力管理，执业医师出判读——与 LIDC-IDRI 当年由学术联盟自发标注的组织形态完全不同，这也解释了它为什么能在 10 个月内完成 2,004 次阅读。

3.2 读者团队：20 人的资历构成

Ingedata 的招募门槛：有效执业执照 + 胸部 CT 阅片经验 ≥1 年。最终团队：

资历档	定义	人数
junior	毕业后 ≤2 年	8
middle	毕业后 2-4 年	7
senior	毕业后 ≥4 年	5
合计	—	20

两个值得记住的统计事实：

1. 标注量悬殊但与资历无关：每人标注 5-297 例，资历与标注量的相关性不显著（ρ=-0.208, p=0.38）——标注量分配由档期驱动（MRMC 放编的直接后果），不是「资深者多标」。
2. 单读者性能对比池：标注 ≥15 例癌症的 12 名读者纳入论文的单读者性能对比——不够 15 例癌症的读者不进对比池，避免小样本噪声。

readers.csv 记录每人的 experience（年数）与 class（档位），做读者分层分析时不必反推。

3.3 协议：k-fold Split-Plot MRMC 的两处改编

原型是 k-fold Split-Plot MRMC（multi-reader multi-case）设计——读者研究方法学的标准框架。本项目的两处改编：

1. 放宽「每读者同量」：经典 MRMC 要求每读者阅读同量病例以平衡统计功效；本项目适配真实档期，允许 5-297 例的悬殊分布，代价是读者间比较需要按标注量加权处理。
2. 保住核心不变量：每例恰好被 4 名不同读者独立标注（db s01-s04），读者间不互通结果——这保住了「每例 4 个独立观测」的判读者一致性结构，是本数据集作为一致性资源的根基。

团队声明经典 MRMC 全面研究将另行发表——本数据集是工程先行版，统计意义上的严格读者功效分析在后续论文。

3.4 盲法与假设情景：两次「假装不知道」

标注过程中的两处防污染设计：

1. 对临床数据设盲：读者不接触 NLST 的临床记录（随访结局、病理结果、既往影像）——评的是影像本身，不是「事后诸葛亮」式的回溯判断。
2. 统一假设情景：恶性 likelihood 评分时假设「扫描来自 60 岁男性吸烟者」——把先验概率锚定在高危筛查人群的典型画像上，消除读者各自「这家医院人群不一样」的隐性先验。

组合效果：6,505 个恶性评分是同一情境下的独立视觉判断，读者间差异可以直接归因于判读本身。代价也要说清：评分不携带真实人口学信息，把它当「无条件恶性概率」用是错的（rai:dataLimitations 已存照）。

3.5 分割规则：五条边界怎么画

规则	内容
三维连续	分割为 3 维连续结构，逐 slice 勾画成体
GGO/部分实性	按磨玻璃 opacity 边界分割——不要求「实性核」，跟着密度走
多组件病灶	一个病灶多个分离组件 → 多个分割实例（各自 mask_id）
邻近结构归属	血管/气道/胸膜邻近处的边界由读者自行决定——协议不强制
强度编码	实例号 = mask_id = NIfTI 强度值（§2.6）

第三、四条规则是理解标注方差的关键：多组件病灶的实例拆分粒度、邻近血管是否划入，都是读者自由裁量区——这正是多读者数据的价值所在（分歧被原样保留），也是单读者派生分析需要做敏感性检验的原因。

3.6 评分体系：8 特征 + 1-10 恶性分 + NTL 12 子型

6,505 个最可疑结节的完整评分（LIDC-IDRI 式 8 项特征）：

#	特征	英文	备注
1	球形度	sphericity	形态接近球体的程度
2	边缘	margin	边界清晰/模糊
3	分叶	lobulation	表面分叶状轮廓
4	毛刺	spiculation	周围放射状线影
5	质地	texture	GGO / 部分实性 / 实性 三档
6	与支气管关系	与支气管的关系	截断/受压/穿行等
7	与血管关系	与血管的关系	血管聚集/中断等
8	钙化	calcification	6 档：Popcorn（爆米花）/ Laminated（层状）/ Solid（致密）/ Non-central（非中心）/ Central（中心）/ Absent（无）

恶性 likelihood：1-10 分制，分段语义——1=明确良性；2-3=可能良性建议短期随访；4-5=可疑需进一步检查；6-10=高度可疑需组织采样。这是 LIDC-IDRI 语义的延续（LIDC 原版为 1-5 分制，此处扩展为 10 分制以获得更细的置信梯度）。

NTL（非结节病变）12 子型：atelectasis（肺不张）/ big mass（大肿块）/ bronchial thickening（支气管壁增厚）/ focal fibrosis（局灶纤维化）/ outside lung tissue（肺外组织）/ pleural fluid（胸腔积液）/ pleural plaque（胸膜斑）/ pleural thickening（胸膜增厚）/ scar tissue（瘢痕）/ scissural thickening（叶间裂增厚）/ vessel intrapul.（肺内血管）/ other（其他）。

TL 附加档位：目标结节的 spiculation 3 档、texture 3 档（GGO/Part Solid/Solid）、calcification 6 档单独存于 annotations.csv 的 tl_* 列。

3.7 时间线与吞吐

标注活动期 2022-12 至 2023-10，约 11 个月完成 2,004 次阅读——平均每月约 182 次、每天约 6 次阅读的稳态吞吐（考虑 20 人轮转与档期波动，属于可持续的低强度安排，这与「执业医师兼职标注」的人力模型一致）。TCIA 上架在 2026-08-05，距标注完成约两年八个月——窗口主要花在 LEM 系统研发与论文迭代上（v1 2025-11 → v3 2026-05，见 §5）。

3.8 与 LIDC-IDRI 阅读协议的逐项对照

「LIDC-IDRI-like」的 like 到底落在哪些条目上？逐项核对：

协议要素	LIDC-IDRI 原版	本条目	保真判定
独立阅读（读者间不见结果）	✅ 四读者盲读	✅ 四读者盲读（db s01-s04）	保真
三维逐层勾画	✅ XML 勾画	✅ 三维连续分割	保真
结节形态特征评分	✅ 8 特征	✅ 8 特征（同语义）	保真
恶性 likelihood	✅ 1-5 分制	✅ 1-10 分制	变形（分辨率提升）
读者组织	固定 4 人学术组，全读	20 人轮转，每例 4 人	变形（组织形态）
阅读阶段	两阶段（盲读→合并复查）	单阶段独立阅读	变形（无共识环节）
结节纳入线	≥3 mm	最可疑至多 6 个/扫描/阅读	变形（经济学导向）
非结节病灶	不系统收集	NTL 12 子型系统报告	扩展
扫描队列	诊断场景	筛查队列（NLST）	场景迁移
病理金标准	多缺	继承 NLST 随访	升级

三种判定合起来读：

1. 保真项（独立阅读、三维分割、8 特征语义）是「like」的实体——模型与协议层面的可比性由此保证，LIDC-IDRI 上训练的分割/特征模型可以直接迁移尝试。
2. 变形项都有明确动机：1-10 分制换取更细置信梯度；轮转制换取规模化；单阶段换取 11 个月吞吐。代价是 LIDC-IDRI 的两阶段共识语义（盲读后的合并复查环节）在本条目中不存在——需要「共识金标准」的研究要么自行聚合 4 份标注，要么改用 LIDC-IDRI。
3. 扩展与升级（NTL 子型、病理背书）是队列属性带来的增量，不是协议发明。

迁移实操建议：跨库训练时以「保真项」为接口（分割格式转换 + 特征语义对齐），以「变形项」为差异声明（分数制映射 1-5→1-10 需要重标定研究支撑），以「升级项」为卖点（筛查人群泛化验证）。

§4 双源互补：它和 NLST、LIDC-IDRI 是什么关系

4.1 三个数据集的三角关系

维度	NLST（rid 317）	LIDC-IDRI（rid 19）	LIDC-annot-NLST501（本条目）
队列性质	53,454 人随机对照筛查试验（NCT00047385）	1,010 患者诊断场景回顾性队列	NLST 筛查队列 501 例子集
影像	大规模筛查 LDCT	1,018 次诊断级 CT	NLST 影像（501 series）
结节标注	异常记录仅轴位层号 + 肺叶位置	四读者两阶段 XML：分割 + 8 特征 + 1-5 恶性分	四读者改编 MRMC：分割 + 8 特征 + 1-10 恶性分
恶性金标准	随访病理确诊（强）	多缺病理确诊（弱）	继承 NLST 的随访病理（强）
标注者	不适用（非标注资源）	学术联盟四读者	20 名执业医师轮转
关系	影像与病理母集	协议模板	两者交集的显影

一句话：LIDC-annot-NLST501 = LIDC-IDRI 的标注协议 × NLST 的队列与病理金标准。它不改影像、不造队列，做的是把成熟标注语义注入高价值队列的「标注迁移」。

4.2 动机的互补性：两个缺口对一个填补

1. NLST 的缺口：筛查试验的影像是公开的（2021-09 解禁），但结节级像素监督缺位——训练分割/检测模型的人只能拿层号自己写启发式，或者退回 LIDC-IDRI 场景。
2. LIDC-IDRI 的缺口：标注精细但队列是诊断场景（结节富集、多为大结节）、病理金标准覆盖不全——筛查场景的低患病率、小结节、纵向对照语义无法从它外推。
3. 本数据集的填补：在筛查队列上原样落地 LIDC 式标注（分割 + 特征 + 恶性分），且队列选取已与随访结局挂钩（非癌 ≥3 年随访、癌症聚焦实性/部分实性）——训练数据与评估金标准第一次同框。

样本量与确诊能力的双升级是相对 LIDC-IDRI 说的（501 例全部来自有系统随访的筛查试验）；标注深度的升级是相对 NLST 原生记录说的（层号 → 三维分割）。

4.3 与 LCTSC 的同构先例

库内 LCTSC（rid 277）是「既有影像 + 新标注」在 TCIA 独立立目的先例：影像取自既有 collection、标注层（器官勾画）由第三方新增，两者打包成一个 analysis/collection 条目。LIDC-annot-NLST501 的结构与此同构（NLST 影像 + Median 标注层），且增量更厚（影像+分割+评分三层）。这条先例是本条目独立立目的库内合法性来源之一（见 FACTS §1 查重结论）。

4.4 引用纪律：两个 DOI 缺一不可

• 标注层：DOI 10.7937/Y2DX-E334（TCIA 页面顶部 Data Citation Required）。
• 影像层：NLST 主 collection DOI 10.7937/TCIA.HMQ8-J677（使用本数据集必须同时引用）。

只引标注层不引影像层，等于只给厨师署名不给食材产地——TCIA 对 analysis result 的引用规范明确要求回溯主 collection，写论文时把两个 DOI 都放进 data availability 段。

§5 评估与基准：LEM 系统与它的对照组

5.1 源论文与版本链（三题并存）

项	内容
arXiv 编号	2512.00281（doi 10.48550/arXiv.2512.00281）
v1	2025-11-29
v2	2026-04-22，题「Integrated AI Nodule Detection and Diagnosis for Lung Cancer Screening Beyond Size and Growth-Based Standards Compared with Radiologists and Leading Models」
v3（现行）	2026-05-19，题「Beyond Size and Growth: Rethinking Lung Cancer Screening with AI Based Nodule Detection and Diagnosis」
篇幅	25 pages + 8 figures + 补充材料 11 figures
TCIA 页面引用题	「Rethinking Lung Cancer Screening: AI Nodule Detection and Diagnosis Outperforms Radiologists…」（旧题）

三题并存是本条目最显眼的文档坑：v2 题、v3 题、TCIA 页面引用的旧题各不相同，检索时按任一题目单独搜都可能漏命中（坑 2 完整存照）。论文自述「This dataset (named LIDC-annot-NLST501) is made publicly available with the publication of this paper」；TCIA 页面另注源论文「in submission」——截至抓取时点期刊同行评审状态未定（§6.4 存照）。

5.2 LEM 系统：数据集的源任务

属性	规格
名称	LEM（Large Ensemble Model）
架构	浅层深度学习 + 特征模型集成
任务形态	nodule 级 CADe/CADx 一体化（检测与诊断不分离）
训练/评估规模	25,709 scans、69,449 个标注结节 + 外部独立队列验证
结果	AUC 内部 0.98 / 外部 0.945

LEM 的设计立场是「一体化」：不做「先检测、后诊断」的两段式，而是让集成模型在结节级同时输出检出与恶性评估——这与主流 CADe→CADx 流水线是刻意的技术分歧。标题「Beyond Size and Growth」点出立场：不用「大小 + 生长速度」这类筛查指南的主流决策变量，直接学影像表征。

5.3 对比结果：赢了谁、赢在哪

论文口径的对比维度（全部为 LEM 优于对象）：

1. 所有 growth-based 指标（基于生长速度的恶性判断）。
2. Lung-RADS 大小分诊（美国放射学会筛查报告系统的大小阈值逻辑）。
3. 欧洲体积与 VDT 筛查标准（体积倍增时间路线）。
4. 放射科医师（含 6 名医师的 Lung-RADS 2019 对照组，含/不含既往 TP 信息两种设定；Ardila et al. Google 2019 模型预测同集患者级对比）。
5. 领先 AI 模型（含 Sybil 等的系统对比，详见论文正文）。

优势集中于小结节与早期癌；论文称 LEM 可比放射科医师提前至多 1 年对不确定与慢生长结节给出恶性评估。对本数据集使用者的含义：6,505 个带 1-10 恶性分的结节 + 12 读者单读者性能对比池，构成了「AI vs 单个医师 vs 医师共识」三级比较的公开底座。

5.4 读者间一致性：数据集本身就是资源

每例 4 读 × 20 人轮转的结构使这个数据集天然是判读者一致性资源（interobserver variability resource）：

• 同一结节最多 4 个独立分割与 4 个独立恶性分——可直接算读者间 Dice/ICC/κ。
• 读者资历分层（junior/middle/senior）可检验「经验效应」。
• 库内 nlst 条目已把该资源用作「判读者一致性代理」素材（nlst_Wikipedia.md 互链语境）。

与 LIDC-IDRI 的区别在于：LIDC 的四读者是固定的学术小组（每人读全部病例），本数据集是 20 人轮转（每人只读 5-297 例）——后者更接近真实筛查劳动力的组织形态，一致性结构也因此更「野外」：读者对不是全连接的，多数结节对之间只有部分读者组合可比。

5.5 使用边界

• LEM 的 AUC 数字属论文口径，评测协议（外部队列构成、阳性定义）以论文正文为准，条目不转述未披露细节。
• 本数据集 501 例是 LEM 工作的一个公开切片，不等于 LEM 的训练全量（25,709 scans）——拿 501 例复现「外部 0.945」是错误预期。
• 12 人单读者对比池的入选线是「≥15 例癌症」——用 annotations.csv 复算时先按 readers.csv + 癌症例数过滤。

5.6 单读者性能对比的操作化：12 人池怎么用

论文以 12 名读者（≥15 例癌症线）做了单读者性能对比，支撑「优于放射科医师」的结论。二次研究者复用这条线时的操作要点：

1. 池子构建：以 pid 为粒度数「癌症例数」——每读者的癌症例数 = 其标注过的病例中最终确诊癌症的数量。构成本身未公布（§2.2），所以先用 annotations.csv 的 TL 分布与 NLST 随访记录联合估计，或等论文正式发表后的拆分披露。
2. 指标对齐：读者性能用什么口径（结节级敏感度/特异度、患者级 AUC、Lung-RADS 分诊一致性）决定你能和论文的哪个数字对话——论文以 AUC 与分诊对照为主线，颗粒度更细的读者指标以论文正文表格为准。
3. AI vs 读者的公平比较：LEM 是 nodule 级一体化输出，读者是 1-10 分——把两者放进同一 ROC 需要选定共同操作点（如阈值扫描），并声明 4 读/例的读者端如何聚合（逐读者、读者均值还是共识）。
4. 外推边界：12 人池来自 20 人团队、5-297 例悬殊标注——「医师平均水平」的代表性以这 12 人的构成为准，别外推为「全体放射科医师」；论文自己的措辞（compared with radiologists）也限定在这一对照组上。

这套操作化逻辑同样适用于把本数据集当第三方评测床的场景：先固定读者的聚合协议，再谈 AI 的相对位置。

§6 获取与许可：零门槛的两条通道

6.1 获取路径

通道	内容	入口
TCIA manifest	501 原始 NLST series + 24 校正 CT + 2,004 DICOM SEG（2,529 series / 13.65 GB）	TCIA 官方页 → Download → manifest → NBIA / TCIA Data Retriever
NIfTI 打包	2,004 个 .nii.gz（734 MB）	TCIA 官方页单独下载链接
表格层	annotations.csv / readers.csv / correction.csv / workflow.png	TCIA 官方页附属文件

官方页：https://www.cancerimagingarchive.net/analysis-result/lidc-annot-nlst501。零门槛：无需注册、无需申请、无需签署协议——NLST 影像 2021-09 解禁后即为公开获取，本标注层延续同一口径（IDC discourse 帖亦确认 NLST 影像免申请）。

6.2 许可：CC BY 4.0（一处待复核存照）

• 库内既有核验口径与 TCIA analysis-results 惯例均为 CC BY 4.0（署名即可自由使用、修改、再分发，含商业用途）。
• 存照：TCIA 官方页面 license 字段因 JS 渲染两次抓取失败（curl 超时 + WebFetch 空返回），未能逐字确认——本条目按转引口径成稿，正式引用前建议自行到官方页复核一次（坑 3）。
• 关联义务：数据引用必须同时覆盖标注层 DOI（10.7937/Y2DX-E334）与 NLST 主 collection DOI（10.7937/TCIA.HMQ8-J677）。

6.3 AI-Ready 评估

以库内 AI-Ready 检查单逐项过：

• 机器可读元数据：TCIA 页面 + annotations.csv 完整数据字典 + DICOM SEG 标准标签——优。
• 公开直链：manifest + NIfTI 打包双通道，NBIA/Data Retriever 均为程序可调用——优。
• 许可明确性：CC BY 4.0 口径宽松；唯官方字段未逐字复核（坑 3）——良。
• 格式互操作：DICOM SEG（临床标准）+ NIfTI（科研标准）双格式，CSV 数据字典完备——优。
• 文档自洽性：6,505 口径张力（坑 1）、三题并存（坑 2）、构成比未公布——三处需按存照处理——中上。
• 可复现性：源论文为预印本（v3），期刊评审未定；LEM 全量训练集未公开——中。

综合：AI-Ready 等级「良」——获取与格式层接近满分，语义层（构成比、口径、论文状态）有三处需要使用者带脑子消费的存照项。

6.4 与库内可获取性光谱的对照

档位	库内参照	本条目对应
注册墙	LMC2 型（注册+审批）	—
请求制	upon request 型	—
平台托管	Zenodo 型	NIfTI 打包（TCIA 托管）
Registry/平台收录	AWS Registry 型	—
公开直链（零门槛）	TCIA/NBIA 直下型	全部三层资产

本条目是库内「零门槛 + 重标注层」的代表作：获取摩擦接近零，复杂度全部集中在标注语义的正确消费上——与「注册墙 + 简单格式」的条目构成光谱另一端的对照。

§7 生态与影响：TCIA analysis-result 家族与 NLST 标注生态

7.1 TCIA 的 analysis result 类目：它住在哪里

TCIA 的资源分两类：image collection（影像集合本体）与 analysis result（对既有影像的新标注/分析层）。LIDC-annot-NLST501 属于后者——这在检索时有三个实际后果：

1. 它不在 TCIA 的 image collection 列表里，按 collection 浏览会漏掉（坑 4）。
2. TCIA analysis-results 总表中它的登记项：Cancer Types = Malignant Lung Neoplasm, Healthy Subject；Location = Chest；Data Types = CT, SEG, Segmentation, Other；Updated = 2026/08/05；Views 1.1k（抓取时点）。
3. 影像本体不是它的资产——下载 manifest 时拉到的是 NLST 原始 series 的引用加标注层。

7.2 NLST 标注生态：同一位母亲的孩子们

NLST 影像解禁后已成为多家团队的标注宿主，公开生态包括：

资源	团队	形态	与本条目关系
TotalSegmentator 器官 mask	Wasserthal et al.	经 IDC 分发的全身器官分割	肺 mask 被内嵌进本数据集的每个 DICOM SEG（v2.4.0）
NLSTSeg 结节 mask	Chen et al.（Zenodo 10.5281/zenodo.17362625，经 IDC 谐和化）	单一标注团队的结节分割	不同团队的独立标注（坑 7）
Sybil 包围盒	Mikhael et al.（MIT）	癌症风险模型的检测框	粒度粗于本条目的逐 reader 分割
LIDC-annot-NLST501	Median Technologies + Ingedata	20 读者轮转、4 读/例、分割+特征+恶性分	本条目

三个差别点把本条目从家族里区分出来：多读者（生态内唯一的多读者轮转标注）、语义最全（分割之外还有 8 特征与 1-10 恶性分）、工业生产（公司+标注商架构而非学术自发）。与 NLSTSeg 的混用是最危险的坑——两者都是「NLST + 结节 mask」字面命中，但标注者、协议、规模全不同，引用前必须核对 DOI（坑 7）。

7.3 在肺结节标注数据集景观中的位置

以 GitHub Awesome-Lung-CT-Datasets（noureddinekhiati）收录体系的对照视角：

数据集	队列	读者结构	标注语义	病理金标准
LIDC-IDRI	1,010 诊断场景	固定 4 读者全读	分割+8 特征+1-5 恶性分	多缺
LUNA16	LIDC 衍生	—	检测坐标（共识筛选）	无
LCTSC（rid 277）	60 例放疗定位	单读者+审核	器官勾画	不适用
RIDER Lung CT（rid 267）	32 例重复扫描	测试-重测试	结节标注（变异性研究用）	无
NLSTSeg	NLST 子集	单一团队	结节 mask	继承 NLST
本条目	NLST 501（筛查队列）	20 读者轮转、4 读/例	分割+8 特征+1-10 恶性分+NTL	继承 NLST 随访病理

定位一句话：它是唯一同时具备「筛查队列人群 + 多读者独立分割 + 恶性评分 + 病理随访背书」四要素的公开肺 CT 标注资源——LIDC-IDRI 缺病理、NLSTSeg 缺多读者、RIDER 缺规模，四要素齐全的当前只有它。

7.4 外部索引与能见度

• TCIA analysis-results 总表收录（Updated 2026-08-05）。
• GitHub Awesome-Lung-CT-Datasets 收录体系与 LIDC-IDRI/LUNA16/LCTSC 同级并列。
• TCIA 页面 Views 1.1k（抓取时点）——上架两个月的中等热度，社区第三方评测尚未形成，检索时别期待大量引用可参照。
• 源论文 arXiv v3（2026-05-19）25 页 + 8 图 + 补充材料 11 图；15 人署名横跨 Median Technologies 与学术机构（Sylvain Bodard、Pierre Baudot、Benjamin Renoust、Charles Voyton、Gwendoline De Bie、Ezequiel Geremia、Van-Khoa Le、Danny Francis、Pierre-Henri Siot、Yousra Haddou、Vincent Bobin、Jean-Christophe Brisset、Carey C. Thomson、Valerie Bourdes、Benoit Huet）。

§8 方法学启示：三条可迁移的经验

8.1 「协议迁移」是数据集工程的高杠杆动作

本数据集没有发明新协议——它把 LIDC-IDRI 的成熟标注语义（四读者独立、分割+特征+恶性分）迁移到高价值队列。可迁移性来自协议本身的完备性：标注手册化的特征定义、1-10 分制的置信梯度、多读者独立观测的结构。对其他「大队列 + 粗标注」的资源（乳腺筛查、心血管 CT 等），这是可复制的工程模板：协议借成熟的不动，队列换价值高的。

8.2 工业标注架构与学术标注架构的取舍

维度	学术联盟式（LIDC-IDRI）	工业流水线式（本条目）
速度	慢（志愿协作）	快（11 个月 2,004 读）
读者结构	固定小组全读	20 人轮转、量悬殊
一致性结构	全连接（人人可比）	部分连接（按 db 组合）
成本	隐性（学术劳动）	显性（商业合同）

工业架构换来了吞吐与可持续性，代价是读者对的结构复杂化（§5.4）。复用者设计标注项目时按需取舍：要统计功效干净选前者，要规模与速度选后者。

8.3 假设情景评分：把先验显式化

「假设扫描来自 60 岁男性吸烟者」是一个值得抄的设计：多读者恶性评分最大的噪声源之一是各自内化的先验（医院人群、地域、经验），统一假设情景把这部分噪声变成了受控变量。代价是评分失去个体化语义（rai:dataLimitations 存照）——但在「测读者判读能力」这个目标函数下，受控先验是净收益。任何多读者评分研究都可借鉴：先声明评分的先验锚点，再谈一致性。

8.4 校正先行：标注前的数据质检是标配

LMS 的 23 处校正（16 处 slice 重复、5 处多 acquisition、2 处 slice 缺失）说明：即便是一流试验的影像，进标注前也需要逐 series 质检——slice 级几何缺陷会直接污染三维分割与体积度量。correction.csv 的存在把质检从「暗知识」变成了数据资产的一部分。任何大规模标注项目都应配一张同构的校正表：原始 → 校正的映射必须可追溯。

§9 与库内条目的关系

9.1 互链图谱（frontmatter relatedLink 四条）

• nlst（rid 317）：影像与病理母集。本条目是其标注层的第一次多读者扩充；两篇同读拼出「NLST 影像全貌」（原生记录 + 结节级标注）。
• lidc-idri（rid 19）：协议蓝本。8 特征、多读者独立、分割语义全部承袭；两篇对照读可理解「诊断场景协议 → 筛查队列迁移」中哪些语义保真、哪些变形（1-5 → 1-10 分制、固定组 → 轮转）。
• lctsc（rid 277）：同构先例。「既有影像 + 新标注」独立立目的库内合法性来源；LCTSC 是器官勾画、本条目是结节级，深度递进。
• rider-lung-ct（rid 267）：另一支 CT 结节标注系（测试-重测试变异性研究向）。与本条目共享「读者/扫描变异性」的问题意识，人群与协议不同。

9.2 检索路径建议

• 检索词组合：LIDC-annot-NLST501（精确）+ NLST + multi-reader；或 DOI 10.7937/Y2DX-E334 直达。
• 勿用「LIDC-NLST」「NLST-annot」等变体——官方名只有一种连字符形态。
• 按 collection 浏览 TCIA 会漏（坑 4）；用 analysis-results 总表或 slug 直达。
• 要对比标注：NLSTSeg（Zenodo 10.5281/zenodo.17362625）与本条目并行存在，先读坑 7 再决定用哪套。

9.3 家族导航

肺 CT 标注家族的库内检索面：nlst（317，队列与原生记录）→ lidc-idri（19，协议源头）→ lctsc（277，器官级新标注先例）→ rider-lung-ct（267，变异性研究资源）→ 本条目（筛查队列的多读者结节标注）。五条覆盖「队列—协议—器官—变异性—结节」五个切面。

§10 避坑清单：八个已踩过或必然有人踩的坑

坑 1：6,505 vs「up to 6 per scan」的口径张力。501×6=3,006 < 6,505——官方摘要「The 6,505 most suspicious nodules (up to 6 per scan)」里的 6,505 是 4 次阅读的累计结节总数（每次阅读单扫描至多 6 个），不是 501 例各含 13 个结节，也不是「每例 6 个 × 501」。本条目全文按「4 次阅读累计」口径解读并注。做结节级统计前先想清楚你的分析单位是「阅读-结节对」还是「去重后的结节」——4 个读者对同一病灶的重复计数在汇总数字里是存在的。

坑 2：论文三题并存。v2 题（Integrated AI Nodule Detection and Diagnosis…）、v3 题（Beyond Size and Growth…）、TCIA 页面引用旧题（…Outperforms Radiologists…）三个标题指向同一篇 arXiv:2512.00281。检索按 DOI 或 arXiv 编号，别按标题；引用一律以 v3 题为准并注明版本号。

坑 3：license 未逐字复核。CC BY 4.0 取自库内 nlst 条目既有核验与 TCIA analysis-results 惯例；官方页面 license 字段因 JS 渲染两次抓取失败未逐字确认。商用前请自行到官方页复核一眼——转引口径不构成法律意见。

坑 4：它是 analysis result，不是 image collection。在 TCIA 按 collection 列表浏览永远看不到它；manifest 里的影像引用指向 NLST 主 collection。把「501 例 = 新采集影像」写进论文会被审稿人纠正。

坑 5：db 字段是阅读批次，不是中心或年份。s01-s04 只是同例 4 次独立阅读的代号（s = split/批次语义），与医院中心、扫描时间无关；扫描时间是 NLST 原生的 study_yr。只取单个 db 的 NIfTI 目录会丢四分之三标注。

坑 6：DICOM SEG 强度 3 是肺 mask 不是结节。每个 SEG 内嵌 TotalSegmentator v2.4.0 的自动肺分割（强度值 3，Wasserthal 2023）；读者结节是强度 1…n。把强度 3 当「第 3 号结节」读进统计，会得到一个巨大的假结节。解析时按 PersonIdentificationCodeSequence (0040,1101) 取读者、Institution Code Sequence (0008,0082) 取批次（语义借用，别按字面机构名读）。

坑 7：NLSTSeg 是另一套独立标注。同为「NLST + 结节 mask」，NLSTSeg（Chen et al.，Zenodo 10.5281/zenodo.17362625）与本条目（Median Technologies，DOI 10.7937/Y2DX-E334）的标注者、协议、规模全不同，不存在互为子集关系。跨库对比前先核对 DOI；两者混用会把「读者间变异」和「团队间方法差异」搅在一起。

坑 8：24 个校正 CT 的 series_uid 已变。correction.csv 的 series_uid_original → series_uid_after 映射是唯一对齐通道：16 处 slice 重复修复、5 处多 acquisition 保留主采集、2 处 slice 缺失填补，校正后 slice 数与 NLST 原始不同。直接拿 annotations.csv 的 series_uid 去 NLST 原库检索会在这些 series 上错位或 404。

§11 总结

11.1 三句话总结

1. LIDC-annot-NLST501 把 LIDC-IDRI 式多读者标注协议落到 NLST 筛查队列：501 例 × 4 读者 = 2,004 次独立阅读，6,505 个最可疑结节带 3D 分割、8 项形态特征与 1-10 恶性评分，23,099 条病灶报告。
2. 它是目前唯一同时具备「筛查队列人群 + 多读者独立分割 + 恶性评分 + 病理随访背书」四要素的公开肺 CT 标注资源，源论文的 LEM 系统（AUC 内部 0.98 / 外部 0.945）是其任务能力的论据。
3. 获取零门槛（TCIA manifest + NIfTI 打包，CC BY 4.0 口径），复杂度集中在语义消费：6,505 累计口径、三题并存、构成比未公布、24 个校正 series——四处存照是正确使用的入场券。

11.2 适合谁

• 肺结节检测/分割团队：要筛查队列分布（小结节多、低患病率语义）的像素级监督。
• 判读者一致性研究者：4 读/例 × 20 人轮转 + 资历分层，天然的读者变异资源。
• 筛查 AI 评测者：LEM、Ardila 2019、Lung-RADS、Sybil 的对比语境与单读者对比池。
• 医学影像标注工程团队：协议迁移 + 工业标注架构 + 校正表管理的完整案例。

11.3 不适合谁

• 需要 GGO 主导病变标注的研究（纯 GGO 确诊癌被排除）。
• 需要「每例一个公认金标准」的项目——它的价值恰恰在保留 4 份独立标注。
• 需要 LEM 全量训练数据的人——公开的是 501 例切片，不是 25,709 scans。
• 需要读者对全连接结构的 MRMC 功效分析——20 人轮转是部分连接（经典 MRMC 研究待团队另行发表）。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据	TCIA manifest（NBIA/Data Retriever）+ NIfTI 打包 734 MB，零注册
要训练分割模型	NIfTI 通道 + annotations.csv 的 mask_id 对齐；先读坑 1/5/8
要研究读者一致性	readers.csv 分层 + db 四读结构；注意部分连接（§5.4）
要对比恶性评分	1-10 分制分段语义（§3.6）+ 假设情景存照（§3.4）
要与 NLSTSeg 对比	先读坑 7——两套独立标注，DOI 先行
要引用	标注层 DOI 10.7937/Y2DX-E334 + NLST 主 collection DOI 10.7937/TCIA.HMQ8-J677 双引（§4.4）

FAQ（高频问答 47 问）

A. 基础认知

Q1：LIDC-annot-NLST501 是一个影像数据集吗？
不完全是。它是 TCIA 的 analysis result——标注层（分割/评分/表格）是它的资产，影像本体是 NLST 的。下载 manifest 拉到的是 NLST 影像引用 + 标注。

Q2：501 例是随机抽的吗？
官方只披露选择标准：非癌需 ≥3 年随访、癌症聚焦实性/部分实性并排除纯 GGO 确诊癌；未声明随机抽样，癌/非癌构成比未公布（§2.2）。

Q3：「LIDC-IDRI-like」是「像」到什么程度？
继承核心语义：多读者独立阅片、三维分割、8 项形态特征、恶性 likelihood。变形处：1-5 分制扩为 1-10、固定四读者组改为 20 人轮转（每例恰好 4 人）、扫描队列从诊断场景换成筛查队列。

Q4：为什么是 4 个读者？
对齐 LIDC-IDRI 的「四读者独立观测」传统，同时满足改编 k-fold Split-Plot MRMC 的设计——每例 4 读者是统计功效与标注成本的平衡点。

Q5：db 的 s01-s04 是四次复查吗？
不是。是同一份扫描的 4 次独立阅读批次——同一 CT 被 4 个不同读者各读一遍。扫描时间是 NLST 原生 study_yr 字段（坑 5）。

Q6：数据集多大？下载要多久？
DICOM 通道 2,529 series / 13.65 GB（影像 501 + 校正 24 + SEG 2,004），NIfTI 打包 734 MB。NBIA/Data Retriever 支持断点续传。

Q7：和 NLSTSeg 什么关系？
不同团队的独立标注，无互为子集关系（坑 7）。选型逻辑：要读者间变异/恶性评分选本条目；要单一团队大范围结节 mask 看 NLSTSeg 的论文口径。

Q8：和 LUNA16 什么关系？
无直接关系。LUNA16 是 LIDC-IDRI 的检测坐标共识衍生集；本条目是 NLST 队列的多读者全语义标注。两者在「标注哲学」上同源（都承 LIDC），在队列与任务上正交。

Q9：最大的卖点一句话？
筛查队列 + 多读者分割 + 恶性评分 + 病理随访四要素首次同框——之前你要在两个数据集间二选一。

Q10：它自己承认的局限是什么？
构成比未公布、纯 GGO 排除、假设情景评分、license 转引口径、论文预印本状态、读者标注量悬殊——rai:dataLimitations 八条全录。

B. 数据与获取

Q11：具体下载步骤？
TCIA 官方页 → Download manifest → NBIA 或 TCIA Data Retriever 导入 manifest 拉取 2,529 series；NIfTI 打包（734 MB）从页面单独链接下载；annotations.csv 等附属文件同页。

Q12：需要注册或申请吗？
不需要。零门槛公开获取（NLST 影像 2021-09 解禁后的公开口径延续）。

Q13：NIfTI 和 DICOM SEG 用哪个？
科研管线（Python/nibabel）用 NIfTI 秒级上手；要进 PACS/临床工具链或需要读者元数据（DICOM 标签）用 SEG。两者一一对应，内容等价。

Q14：NIfTI 文件里强度值是什么意思？
0=背景，1…n=结节实例（= annotations.csv 的 mask_id）。注意 SEG 里另有强度 3 = TotalSegmentator 肺 mask（坑 6）——NIfTI 文件与 SEG 的强度语义不完全同构，以各自文档为准。

Q15：annotations.csv 一行是什么？
一次阅读中的一个病灶报告：db+series_uid+pid+study_yr+reader_id 锁定阅读上下文，finding_type/finding_id/mask_id 定位病灶，location/mask_id/度量列携带几何，tl_*/ntl_details/comment 携带语义（§2.5 字段表）。

Q16：怎么和 NLST 原库对齐？
series_uid 直接对齐大部分 series；24 个校正 series 必须经 correction.csv 的 original→after 映射（坑 8）。患者级用 pid（NLST 患者号）。

Q17：readers.csv 里有什么？
reader_id（r01-r20）、experience（年数）、class（junior/middle/senior）。用于读者分层与一致性分析，不必反推资历。

Q18：能用它训练商用模型吗？
按 CC BY 4.0 口径署名即可（含商用）；但因官方 license 字段未逐字复核（坑 3），商用前建议到 TCIA 页面确认一眼并保留截图存档。

C. 标注与统计

Q19：6,505 个结节的「累计口径」具体怎么理解？
每次阅读每扫描至多报 6 个最可疑结节；同一病灶会被不同读者分别报告。6,505 = 2,004 次阅读中「最可疑结节报告」的总条数。分析单位用「阅读-结节对」，去重需要空间聚类（坑 1）。

Q20：23,099 里除了结节还有什么？
Mass（肿块）、TL（目标结节）、NTL（非结节病变 12 子型：肺不张、胸腔积液、胸膜增厚、瘢痕等）。NTL 只记录定位/类型/大小，不强制恶性评分与分割。

Q21：恶性评分 1-10 怎么分段解读？
1=明确良性；2-3=可能良性建议短期随访；4-5=可疑需进一步检查；6-10=高度可疑需组织采样。评分前提是「60 岁男性吸烟者」假设情景（§3.4）。

Q22：读者之间分歧大吗？
数据集本身没有给一致性汇总统计——它是原始分歧的保存者：同例 4 份独立分割与评分都在，一致性由你自己算。这正是它作为一致性资源的设计意图（§5.4）。

Q23：资历（junior/middle/senior）影响标注质量吗？
资历与标注量无显著相关（ρ=-0.208, p=0.38）；资历与质量的关系数据集未给结论——留给使用者按 readers.csv 分层自证。

Q24：哪些读者进了单读者性能对比？
标注 ≥15 例癌症的 12 名读者（共 20 人）。复现对比实验先按此线过滤。

Q25：分割的边界规则是什么？
3 维连续；GGO/部分实性按 opacity 边界；多组件病灶拆多实例；邻血管/气道/胸膜由读者自行裁量（§3.5）——后两条是标注方差的主要来源。

D. 论文与系统

Q26：源论文的标题到底是什么？
v3（2026-05-19）题为 Beyond Size and Growth: Rethinking Lung Cancer Screening with AI Based Nodule Detection and Diagnosis；v2 与 TCIA 引用旧题不同——三题并存，按 DOI/arXiv 编号检索（坑 2）。

Q27：LEM 是什么？
源论文的 Large Ensemble Model：浅层深度学习+特征模型集成，nodule 级 CADe/CADx 一体化；AUC 内部 0.98 / 外部 0.945，优于 growth-based 指标、Lung-RADS、欧洲体积/VDT 标准、放射科医师与领先 AI 模型（含 Sybil 对比）。

Q28：论文正式发表了吗？
截至抓取时点为 arXiv 预印本 v3；TCIA 页面标注 in submission，期刊状态未定。引用时注明预印本与版本号。

Q29：501 例能复现 LEM 的 AUC 吗？
不能。LEM 训练/评估用 25,709 scans、69,449 结节加外部队列；公开的 501 例是其工作的标注切片，不是训练全量（§5.5）。

E. 库内与生态

Q30：和库内哪些条目一起读？
nlst（317，影像与病理母集）、lidc-idri（19，协议蓝本）、lctsc（277，「影像+新标注」同构先例）、rider-lung-ct（267，变异性研究资源）——frontmatter relatedLink 四条站内互链，家族导航见 §9.3。

F. 深水区（复现与二次分析）

Q31：想自己算读者间 Dice，匹配协议怎么定？
先声明跨读者结节匹配规则（质心距离阈值或最优传输匹配），再逐 db 对对计算；注意 20 人轮转是部分连接——同例 4 读者给出 6 个读者对，但全库读者对矩阵是稀疏的（附录 H 骨架起步）。

Q32：能把 4 份标注聚合成一个「共识金标准」吗？
技术上可以（多数投票/STAPLE/评分中位数），但会丢掉数据集的核心资产——原始分歧。建议：训练管线可用共识聚合，评测管线保留 4 份独立标注做鲁棒性区间。LIDC-IDRI 式两阶段共识环节本协议没有（§3.8）。

Q33：extracted_ 度量和 reported_measure 冲突时信谁？*
两者语义不同：reported_measure 是读者手报（视觉评估），extracted_* 是分割几何自动提取（volume/质心/LAX/SAX/LAD）。研究「感知 vs 几何」时两者同报；做检测评估时报告值更贴读者意图，做体积分析时用 extracted_volume。

Q34：NTL 数据有什么用法？
12 子型的非结节病变报告（定位/类型/大小）可用于假阳性分析（CADe 把胸膜增厚当结节？）、病变检出辅助任务、以及筛查人群的偶发影像所见研究——这是 LIDC-IDRI 没有的扩展语义（§3.8）。

Q35：同一病灶被 4 个读者报了不同大小，算矛盾吗？
不算，这是设计内的观测多样性。reported_measure 的读者间分布本身就是「一维径线测量变异性」的真实样本——正好可用于测量变异性研究或给 AI 的径线回归任务做软标签。

Q36：恶性评分能否直接当标签训练 10 分类？
可以但要想清楚：1-10 分是序数标签（ordinal），且是假设情景下的视觉判断。常见做法是序数回归或映射到低/中/高三级；直接当 10 类互斥分类会浪费序数结构（§3.6 分段语义）。

Q37：能把它和 LIDC-IDRI 混合训练吗？
可以，接口是保真项（分割+8 特征语义，附录 F）；但必须处理的差异：分数制（1-5 vs 1-10）、队列场景（诊断 vs 筛查）、结节纳入线（≥3 mm vs 最可疑 6 个）。建议分层采样并报告跨库消融。

Q38：24 个校正 series 不对齐会怎样？
最轻是样本对不齐（404 级错误）；最重是 z 轴几何错位——slice 重复/填补使三维分割与 CT 帧数不匹配，体积/直径全错。correction.csv 是唯一对齐通道（坑 8、附录 G）。

Q39：怎么引用「数据集还是论文」的观点？
数据与标注事实引 TCIA DOI（+NLST DOI）；AUC/对比结论引 arXiv v3 并注明预印本；协议语义承袭处可加引 LIDC-IDRI（Armato 2011）。三段引用链各管一段（附录 L）。

Q40：如果只记住一件事？
它是「LIDC 式标注 × NLST 队列」的交集显影：6,505 个累计评分结节、4 读/例的原样分歧、零门槛下载——用之前把坑 1/5/6/8 四个解析坑过一遍，数据就非常好用。

G. 环境与工具链

Q41：用什么工具下载最省事？
批量走 TCIA Data Retriever（图形界面，导入 manifest 断点续传）；脚本化走 NBIA 客户端或 dcmclient 类库。NIfTI 打包是单文件直下，浏览器或 wget 均可。

Q42：NIfTI 读完发现强度不连续（如只有 1,3,5）正常吗？
正常。强度值对应 mask_id，读者没报或未分割的实例号不会出现——连续性不是约束，以 annotations.csv 的 mask_id 集合为准对账。

Q43：annotations.csv 的 comment 列有统一格式吗？
没有。comment 是读者自由备注，风格因人而异——做 NLP 类二次利用时按自由文本处理，别假设受控词表。

Q44：readers.csv 的 experience 是入组时点还是标注时点的年数？
官方数据字典只标 experience（年）与 class（档位），未声明基准时点；按「标注活动期间（2022-12 至 2023-10）的资历」理解最稳妥，精确到个人的时点差异不构成分析障碍（档位边界 ±1 年）。

Q45：能按这份数据做胸片或 MRI 的迁移吗？
数据集只有胸部 CT——跨模态迁移只能借「标注语义」（8 特征、恶性分段）与「读者变异性结构」，影像域差异需要各自的域适应方案。

Q46：1-10 分和 LIDC-IDRI 的 1-5 分有官方映射吗？
没有。任何对位（如线性折算）都是二次研究者自定义，引用时必须声明映射规则并标注非官方口径；跨库混训优先按附录 F 的语义接口处理而非分数硬折算。

Q47：数据集之后会更新吗？
官方未声明更新计划。可预期的更新触发点（论文正式发表、构成比披露、经典 MRMC 论文、license 逐字确认）已在附录 K 登记为维护条件。

---

事实清单（硬事实 46 条）

1. LIDC-annot-NLST501 官方副题：LIDC-IDRI-like Multi-Reader annotations of lung nodules on NLST CT scans（TCIA analysis-result 类目）。
2. 生产者 Median Technologies（法国医学影像 AI 公司，Euronext: ALMDT）；标注活动执行外包 Ingedata。
3. 501 例患者 = 501 个 CT series，选自 NLST 筛查队列（NCT00047385，53,454 人试验）。
4. 非癌患者选取要求 ≥3 年随访，排除结局不确定脱落者。
5. 癌症病例聚焦实性/部分实性结节，排除纯 GGO（磨玻璃）确诊癌（生长惰性、恶性风险低）。
6. 癌/非癌构成比未公布——官方仅给选择标准。
7. 每例恰好被 4 名不同读者独立标注；db 字段 s01-s04 区分批次。
8. 2,004 次独立阅读 = 2,004 个 DICOM SEG = 2,004 个 NIfTI mask。
9. 20 名执业放射科医师（有效执照、胸部 CT 阅片 ≥1 年）由 Ingedata 招募。
10. 读者资历：junior 8 人（毕业后 ≤2 年）/ middle 7 人（2-4 年）/ senior 5 人（≥4 年）。
11. 每人标注 5-297 例；资历与标注量无显著相关（ρ=-0.208, p=0.38）。
12. 标注 ≥15 例癌症的 12 名读者纳入单读者性能对比。
13. 标注活动期 2022-12 至 2023-10（约 11 个月）。
14. TCIA 上架/更新 2026-08-05（analysis-results 总表 Updated 列）。
15. 协议为改编 k-fold Split-Plot MRMC：放宽「每读者同量」约束，保留「每例 4 读者」不变量；经典 MRMC 全面研究另行发表。
16. 读者对 NLST 临床数据设盲；恶性评分假设「扫描来自 60 岁男性吸烟者」。
17. 恶性 likelihood 1-10 分制：1=明确良性；2-3=可能良性短期随访；4-5=可疑进一步检查；6-10=高度可疑需组织采样。
18. 23,099 个病灶被报告（定位/类型/大小；finding_type ∈ Mass/TL/NTL）。
19. 6,505 个最可疑结节（每扫描至多 6 个）有恶性 likelihood + 3D 分割 + 完整诊断特征；6,505 为 4 次阅读累计口径（501×6=3,006 < 6,505）。
20. LIDC-IDRI 式 8 项特征：sphericity/margin/lobulation/spiculation/texture/与支气管关系/与血管关系/calcification。
21. texture 3 档（GGO/Part Solid/Solid）；calcification 6 档（Popcorn/Laminated/Solid/Non-central/Central/Absent）；spiculation 3 档。
22. NTL 12 子型：atelectasis/big mass/bronchial thickening/focal fibrosis/outside lung tissue/pleural fluid/pleural plaque/pleural thickening/scar tissue/scissural thickening/vessel intrapul./other。
23. 分割规则：3 维连续；GGO/部分实性按 opacity 边界；一个病灶多组件→多分割实例；邻血管/气道/胸膜归属由读者自行决定。
24. NIfTI 布局 /masks_nifti/[db]/[pid]_[series_uid].nii.gz；背景 0，结节强度 1…n（= annotations.csv mask_id）。
25. DICOM SEG 内嵌 TotalSegmentator v2.4.0 肺 mask（强度值 3；Wasserthal 2023）。
26. 读者 ID 存 PersonIdentificationCodeSequence (0040,1101)；db 存 Institution Code Sequence (0008,0082)；CT 引用存 Referenced Series Sequence (0008,1115)。
27. manifest 三件套：501 原始 NLST series + 24 校正 CT + 2,004 DICOM SEG = 2,529 series；总大小 13.65 GB。
28. 体积细分：NIfTI 734 MB / DICOM 分割 10.67 GB / 校正 CT 2.26 GB（合计 ≈13.66 GB，与官方吻合）。
29. LMS（Lesion Management Solutions，Median 专有软件）执行 CT 校正，共 23 处。
30. 校正明细：同一 table position 多 slice 保留一片 16 处；一 series 多 acquisition 保留主采集 5 处；slice 缺失复制前片填补 2 处。
31. correction.csv 字段：series_uid_original/after、pid、study_yr、nb_slices_original/after、correction_type。
32. 自动形态度量：volume、质心（置于最大面积 slice）、LAX/SAX/LAD；与读者手报 reported_measure 并列存储。
33. 辅助文件：annotations.csv（19 字段数据字典见 §2.5）、readers.csv、correction.csv、LIDC-annot-NLST501_workflow.png。
34. License：CC BY 4.0（库内既有核验 + analysis-results 惯例转引口径；官方页面字段因 JS 渲染两次抓取失败未逐字复核）。
35. 数据引用义务：标注层 DOI 10.7937/Y2DX-E334 + NLST 主 collection DOI 10.7937/TCIA.HMQ8-J677 双引。
36. 获取零门槛：无需注册/申请；TCIA manifest（NBIA/Data Retriever）+ NIfTI 打包单独下载。
37. 源论文 arXiv:2512.00281（doi 10.48550/arXiv.2512.00281），25 pages + 8 figures + 补充材料 11 figures；作者 15 人。
38. 版本链：v1 2025-11-29 / v2 2026-04-22（题 Integrated AI Nodule Detection and Diagnosis…）/ v3 2026-05-19（题 Beyond Size and Growth…）；TCIA 页面引用旧题（…Outperforms Radiologists…）——三题并存。
39. 论文自述数据集随论文公开发布；TCIA 页面标注论文 in submission——期刊状态未定。
40. LEM（Large Ensemble Model）：浅层深度学习+特征模型集成，nodule 级 CADe/CADx 一体化；训练/评估 25,709 scans、69,449 结节 + 外部独立队列。
41. LEM 结果：AUC 内部 0.98 / 外部 0.945；优于 growth-based 指标、Lung-RADS 大小分诊、欧洲体积与 VDT 标准、放射科医师、领先 AI 模型；小结节/早期癌优势明显；可比放射科医师提前至多 1 年。
42. 对比基线：Ardila et al.（Google 2019）预测 + Lung-RADS 2019（6 名放射科医师，含/不含既往 TP 信息）；Sybil 等模型对比见论文正文。
43. TCIA 总表登记：Cancer Types = Malignant Lung Neoplasm, Healthy Subject；Location = Chest；Data Types = CT, SEG, Segmentation, Other；Views 1.1k（抓取时点）。
44. NLSTSeg（Chen et al.，Zenodo 10.5281/zenodo.17362625，经 IDC 谐和化）与本数据集是不同团队的两套独立标注；IDC 对 NLST 另有 TotalSegmentator 器官 mask、Sybil 包围盒等衍生资源。
45. 库内互链：nlst（record 317）、lidc-idri（record 19）、lctsc（record 277）、rider-lung-ct（record 267）；LCTSC 为「既有影像+新标注」同构先例。
46. 查重结论（2026-10-09）：与 nlst、lidc-idri 不同物——独立 DOI、独立许可、独立生产者、实质新增内容；R002 四模式排除（非别名/版本后继/合并视图/臆造名）。

---

术语表（32 条）

术语	释义
LIDC-IDRI	Lung Image Database Consortium-Image Database Resource Initiative，1,010 患者的肺 CT 四读者标注数据集，本条目的协议模板
NLST	National Lung Screening Trial，美国国家肺筛查试验（NCT00047385），53,454 人的 LDCT vs 胸片随机对照，本条目的队列来源
TCIA	The Cancer Imaging Archive，开放癌症影像档案库；本条目以 analysis result 类目托管
analysis result	TCIA 资源类目：对既有影像集合的新标注/分析层（区别于 image collection）
DICOM SEG	DICOM 分割对象标准，以帧序列存储二值/实例分割，可入 PACS
NIfTI	Neuroimaging Informatics Technology Initiative 格式，科研影像管线事实标准；本条目为 .nii.gz
多读者标注（multi-reader annotation）	同一影像由多名医师独立阅片标注，保留分歧而非强制共识
MRMC	Multi-Reader Multi-Case，读者研究方法学框架；本条目为 k-fold Split-Plot 改编
判读者一致性（interobserver variability）	不同读者对同一病例判读的差异；本数据集以原始分歧形态保存
恶性 likelihood	1-10 分制的恶性可能性评分；分段语义见 Q21
假设情景	恶性评分时统一假设「60 岁男性吸烟者」，控制先验噪声的设计
实性结节（solid nodule）	完全遮盖肺实质的结节；本队列癌症病例的主要形态
部分实性（part-solid）	含磨玻璃与实性成分的混合结节；本队列纳入
纯 GGO（pure ground-glass opacity）	纯磨玻璃结节，不遮盖肺实质；确诊癌被本队列排除
毛刺（spiculation）	结节周围放射状线影，恶性征象之一；3 档评分
分叶（lobulation）	结节表面分叶状轮廓；8 特征之一
球形度（sphericity）	结节形态接近球体的程度；8 特征之一
钙化（calcification）	6 档：Popcorn/Laminated/Solid/Non-central/Central/Absent；良性征象的重要线索
NTL	Non-Target Lesion，非结节病变；12 子型见事实 22
TL	Target Lesion，目标结节；走完整「评分+分割+特征」流程的对象
mask_id	分割实例号；= NIfTI 强度值 1…n，主表与分割文件的对接键
TotalSegmentator	自动全身器官分割工具（Wasserthal 2023）；v2.4.0 肺 mask 内嵌于每个 SEG（强度 3）
LMS	Lesion Management Solutions，Median Technologies 专有软件；执行 CT 校正
NBIA	National Biomedical Imaging Archive，TCIA 的影像下载客户端之一
Data Retriever	TCIA 官方桌面下载工具，导入 manifest 批量拉取
LAX/SAX/LAD	长轴/短轴/平均直径——自动形态度量三口径
VDT	Volume Doubling Time，体积倍增时间；欧洲筛查标准的决策变量，LEM 的对比基线之一
Lung-RADS	美国放射学会肺筛查报告与数据系统；基于大小的分诊逻辑，LEM 的对比基线之一
CADe / CADx	计算机辅助检测（detection）/ 诊断（diagnosis）；LEM 的一体化设计不分离两者
LEM	Large Ensemble Model，源论文系统：浅层深度学习+特征模型集成
Sybil	Mikhael et al. 的肺癌风险预测模型；论文对比的领先 AI 之一
CC BY 4.0	署名 4.0 国际许可：署名即可自由使用/修改/再分发（含商用）；本条目许可的转引口径

附录

附录 A：条目信息速查卡

项	值
条目名	LIDC-annot-NLST501
url_name	lidc-annot-nlst501
slug 语义	LIDC（协议蓝本）+ annot（标注）+ NLST（队列来源）+ 501（例数）
站内条目 URL	https://www.qianfanghub.com/ai-ready-dataset/lidc-annot-nlst501/955
类型	TCIA analysis result（影像引用 + 多读者标注层）
官方副题	LIDC-IDRI-like Multi-Reader annotations of lung nodules on NLST CT scans
生产者	Median Technologies（标注执行：Ingedata）
规模	501 例 / 2,529 series / 13.65 GB + NIfTI 734 MB
标注	2,004 阅读 / 23,099 病灶 / 6,505 完整评分结节
许可	CC BY 4.0（转引口径，坑 3）
DOI	10.7937/Y2DX-E334（标注层）+ 10.7937/TCIA.HMQ8-J677（NLST 影像层）
论文	arXiv:2512.00281 v3（2026-05-19，预印本）
抓取时点	2026-10-09
库内互链	nlst(317)/lidc-idri(19)/lctsc(277)/rider-lung-ct(267)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	TCIA 页面 + analysis-results 总表 + Awesome-Lung-CT-Datasets 收录；但 analysis result 类目不被 collection 浏览命中（坑 4）、三题并存拖累检索（坑 2）
A 可获取性	9	零门槛双通道（manifest + NIfTI 打包），无需注册申请；扣 1 分：NIfTI 与 manifest 分开发放
I 可互操作	9	DICOM SEG 临床标准 + NIfTI 科研标准双格式 + CSV 数据字典完备；扣 1 分：SEG 强度语义与 NIfTI 不完全同构（坑 6）
M 元数据质量	8	readers/correction/annotations 三表齐全、DICOM 标签承载阅读元数据；扣分：构成比未公布、6,505 口径张力需存照（坑 1）
S 可持续性	8	TCIA 平台长期托管 + DOI 双锚点；扣分：论文未正式发表、Median 为上市公司（存续风险低于初创但高于学术联盟）
综合评级	8.2/10（良）	获取与格式接近满分；语义层三处存照与论文状态为主要扣分项

附录 C：逐项证据链自证

关键数字	来源	位置/口径
501 例 / 2,004 阅读 / 2,004 SEG	TCIA analysis-result 页 + arXiv v3 摘要	三源互证
23,099 病灶 / 6,505 完整评分结节	arXiv v3 摘要（The 6,505 most suspicious nodules…）	论文口径，累计解读存照
2,529 series / 13.65 GB	TCIA manifest 结构 + 总表	官方口径
体积细分 734 MB / 10.67 GB / 2.26 GB	库内 nlst 条目核验（nlst_Wikipedia.md:355）	转引口径，与官方 13.65 GB 吻合
24 校正 CT / 16+5+2 处	arXiv v3 Methods + correction.csv 结构	论文与附属文件互证
20 读者 / 8-7-5 资历档 / 5-297 例	arXiv v3 Methods + readers.csv 结构	论文口径
ρ=-0.208, p=0.38	arXiv v3（资历-标注量相关）	论文口径
1-10 恶性分分段语义	arXiv v3（评分协议段）	论文口径
标注期 2022-12 至 2023-10	arXiv v3 Methods	论文口径
TCIA 上架 2026-08-05	TCIA analysis-results 总表 Updated 列	总表口径
AUC 0.98 / 0.945	arXiv v3 结果	论文口径
DOI 10.7937/Y2DX-E334	TCIA 页面顶部 Data Citation Required	官方口径
CC BY 4.0	库内 nlst/FACTS.md:37 既有核验 + analysis-results 惯例	转引口径（坑 3 存照）

附录 D：数据获取决策树

需求是什么？
├── 只想快速看标注长什么样
│   └── NIfTI 打包（734 MB）+ annotations.csv：nibabel 读 mask，pandas 读表
├── 要进 PACS/临床工具链或需要读者元数据
│   └── manifest → NBIA/Data Retriever 拉 2,529 series（13.65 GB）
│       └── SEG 按 PersonIdentificationCodeSequence 取读者、
│           Institution Code Sequence 取批次（语义借用）
├── 要和 NLST 原库联合分析
│   └── 1) pid 对齐患者级
│       2) series_uid 直接对齐非校正 series
│       3) 24 个校正 series 走 correction.csv 映射（坑 8）
├── 要研究读者一致性
│   └── readers.csv 分层 + db 四读结构 + 附录 H 骨架
└── 要对比恶性评分与 AI
    └── 1-10 分分段语义 + 12 人对比池（≥15 例癌症线）+ §5 语境

附录 E：annotations.csv 读取与结节提取骨架（Python）

import pandas as pd
import nibabel as nib
import numpy as np

ann = pd.read_csv("annotations.csv")
readers = pd.read_csv("readers.csv")
corr = pd.read_csv("correction.csv")

# 1) 取某一例的全部 4 份阅读报告
one_case = ann[ann["pid"] == "<目标pid>"]
assert one_case["db"].nunique() <= 4          # s01-s04

# 2) 完整评分结节（TL 且有 mask_id）的恶性相关行
tl = one_case[one_case["finding_type"] == "TL"]
scored = tl.dropna(subset=["mask_id"])         # 6,505 累计口径的一份子集

# 3) 加载对应 NIfTI mask（路径规则见 §2.6）
def load_mask(db, pid, series_uid):
    p = f"masks_nifti/{db}/{pid}_{series_uid}.nii.gz"
    m = nib.load(p).get_fdata()
    return m                                    # 背景 0，结节 1..n

# 4) 按实例提取三维结节体素
def extract_voxel(mask, mask_id):
    return np.argwhere(mask == mask_id)         # (N,3) 体素坐标

附录 F：LIDC-IDRI 与本条目语义对照表

维度	LIDC-IDRI	LIDC-annot-NLST501
队列	1,010 患者，诊断场景	NLST 筛查队列 501 例
读者	固定 4 人学术组，全读	20 人轮转，每例恰好 4 人
分数制	恶性 1-5	恶性 1-10
特征评分	8 特征（XML 标注）	8 特征（同语义）+ NTL 12 子型
标注格式	XML 勾画	DICOM SEG + NIfTI + CSV
分割对象	结节 ≥3 mm	最可疑结节（至多 6/扫描/阅读）+ NTL 报告
病理金标准	多缺	继承 NLST 随访
获取	TCIA image collection	TCIA analysis result

迁移保真度评注：特征语义与多读者结构保真；分数制分辨率、读者组织形态、队列人群三处为有意变形——跨库训练/评测时按此表声明差异。

附录 G：与 NLST 原库对齐操作序列

Step 1 患者级：annotations.csv.pid ↔ NLST 主 collection 患者 ID（直接相等）
Step 2 series 级（非校正 477 个）：
        annotations.csv.series_uid ↔ NLST SERIES UID（直接相等）
Step 3 series 级（校正 24 个）：
        corr[series_uid_original → series_uid_after] 反查
        → annotations.csv.series_uid 是 after 口径
        → NLST 原库检索用 original 口径
Step 4 校验：nb_slices_original vs nb_slices_after 不等的记录
        → 三维重采样前先统一 z 轴（16 处重复 slice 修复 + 2 处填补均改变 slice 数）
Step 5 时间轴：study_yr 沿用 NLST 原生 T0/T1…，勿与 db 混淆

附录 H：读者一致性分析骨架（代码）

from itertools import combinations

def reader_pairs_for_case(pid, ann):
    """同一病例的 4 次阅读 → 6 个读者对。"""
    dbs = ann[ann["pid"] == pid].groupby("db")["reader_id"].first()
    return list(combinations(dbs.items(), 2))    # 部分连接结构（§5.4）

def nodule_match_by_centroid(a, b, tol_mm=4.0):
    """跨读者结节匹配：质心距离阈值法（简化版）。
    严谨研究请替换为 Dice/最小距离多目标匹配。"""
    return ((a[["extracted_x","extracted_y","extracted_z"]] -
             b[["extracted_x","extracted_y","extracted_z"]])**2).sum(1) \
           .pow(0.5).min() <= tol_mm

# 恶性分一致性：同例同结节 4 个 1-10 分 → ICC/Krippendorff α
# 读者分层：merge readers.csv 后按 class 分 junior/middle/senior 对比
# 注意：仅 12 名（≥15 例癌症）读者进入论文单读者性能对比池

附录 I：坑点档案（与 §10 对照）

坑	一句话档案	触发场景
坑 1	6,505 是 4 次阅读累计，非每例 13 个	结节级统计
坑 2	论文三题并存（v2/v3/TCIA 旧题）	检索/引用
坑 3	CC BY 4.0 为转引口径，官方字段未逐字复核	商用/再分发
坑 4	analysis result 不在 collection 列表	TCIA 浏览
坑 5	db 是阅读批次，非中心/年份；单 db 丢 3/4 标注	子集提取
坑 6	SEG 强度 3 是 TotalSegmentator 肺 mask	SEG 解析
坑 7	NLSTSeg 是另一团队独立标注	跨库对比
坑 8	24 个校正 series 的 uid 已变	NLST 对齐

附录 J：双口径与存照登记表

#	项	口径 A	口径 B	处理
1	结节总数	6,505（4 次阅读累计）	up to 6 per scan（单读单扫上限）	累计口径成稿并注（坑 1）
2	论文标题	v3 Beyond Size and Growth…	v2 Integrated AI…/TCIA 旧题	按 v3 引用并注版本（坑 2）
3	license	CC BY 4.0（转引）	官方页面字段（未逐字复核）	转引口径成稿，正式引用前复核（坑 3）
4	论文状态	arXiv v3 预印本	TCIA 页 in submission	双记，期刊状态待核
5	癌/非癌构成	选择标准（非癌 ≥3 年随访等）	具体拆分数字	按「未公布」处理

附录 K：维护计划与触发点

触发点	条件	动作	优先级
论文正式发表	期刊接收/上线	§5.1 版本链追记、坑 2 收敛、rai:dataLimitations 论文状态条目更新	1
license 逐字复核	官方页 JS 渲染可抓取或人工访问确认	坑 3 收敛，frontmatter license 字段去「待复核」注记	1
构成比披露	论文/官方公布癌/非癌拆分	§2.2 空白填补、rai:dataLimitations 首条更新	2
经典 MRMC 论文	团队另行发表的读者研究上线	§3.3/§5.4 追记、互链	2
第三方评测出现	新论文用本数据集评测新模型	§5/§7.4 扩表	3
NLSTSeg 对比研究	两套标注的头对头比较出现	坑 7 扩注	4

附录 L：引文规范（BibTeX）

@misc{median2026lidcannotnlst501,
  title        = {LIDC-annot-NLST501: LIDC-IDRI-like Multi-Reader annotations
                  of lung nodules on NLST CT scans},
  author       = {Median Technologies},
  year         = {2026},
  howpublished = {The Cancer Imaging Archive, analysis result},
  doi          = {10.7937/Y2DX-E334},
  url          = {https://www.cancerimagingarchive.net/analysis-result/lidc-annot-nlst501}
}

@article{nlst2011reduced,
  title   = {Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening},
  author  = {The National Lung Screening Trial Research Team},
  journal = {New England Journal of Medicine},
  volume  = {365},
  pages   = {395--409},
  year    = {2011},
  doi     = {10.1056/NEJMoa1102873}
}

@misc{arxiv2026beyondsize,
  title  = {Beyond Size and Growth: Rethinking Lung Cancer Screening with AI
            Based Nodule Detection and Diagnosis},
  author = {Bodard, Sylvain and Baudot, Pierre and Renoust, Benjamin and others},
  year   = {2026},
  eprint = {2512.00281},
  archivePrefix = {arXiv},
  note   = {v3, 2026-05-19}
}

引用纪律：数据本体引 median2026lidcannotnlst501 + NLST 主 collection（10.7937/TCIA.HMQ8-J677）；系统结果引 arxiv2026beyondsize 并注明 v3 与预印本状态；LIDC-IDRI 协议语义引用 Armato 2011（doi 10.1118/1.3528204）。

附录 M：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	DOI 10.7937/Y2DX-E334 + arXiv 2512.00281
F2 富元数据	✅	三 CSV 数据字典 + DICOM 标准标签 + workflow 图
F3 元数据关联实体	✅	readers/correction 与主表经 reader_id/series_uid 关联
A1 可访问协议	✅	HTTP 下载（manifest + 打包），零注册
A2 元数据可访问	✅	TCIA 页面与总表公开
I1 互操作格式	✅	DICOM SEG + NIfTI + CSV 三通道
I2 词汇表引用	✅	LIDC-IDRI 特征语义 + NLST study_yr 时间轴 + TotalSegmentator
R1 来源溯源	✅	影像回溯 NLST 主 collection（双 DOI 义务）
R3 可复现流程	⚠️	标注数据完整可复现；LEM 系统（25,709 scans 全量）未公开
AI-Ready 综合	良	获取/格式层优；语义层三处存照、系统层部分可复现

附录 N：缩写速查

缩写	全称
LIDC-IDRI	Lung Image Database Consortium-Image Database Resource Initiative
NLST	National Lung Screening Trial
TCIA	The Cancer Imaging Archive
NTL / TL	Non-Target Lesion / Target Lesion
MRMC	Multi-Reader Multi-Case
LMS	Lesion Management Solutions（Median 专有软件）
SEG	DICOM Segmentation Object
GGO	Ground-Glass Opacity（磨玻璃影）
LAX / SAX / LAD	Long Axis / Short Axis / Long Axis Diameter
VDT	Volume Doubling Time
Lung-RADS	Lung CT Screening Reporting and Data System
CADe / CADx	Computer-Aided Detection / Diagnosis
LEM	Large Ensemble Model
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
NBIA	National Biomedical Imaging Archive

附录 O：基于本数据集的研究检查清单（12 项）

1. 口径声明：任何结节计数先声明分析单位——阅读-结节对（不去重）还是去重结节（需空间聚类）；6,505 属前者累计（坑 1）。
2. 双 DOI 引用：标注层 10.7937/Y2DX-E334 与 NLST 10.7937/TCIA.HMQ8-J677 同引（§4.4）。
3. license 复核：商用或再分发前到 TCIA 官方页逐字确认 license 字段（坑 3）。
4. db 完整性：用到单例分析时确认 4 个 db 都在（坑 5）；db 勿当时间轴（study_yr 才是）。
5. SEG 解析纪律：强度 3 = 肺 mask（TotalSegmentator），结节是 1…n（坑 6）；读者/批次从 DICOM 标签读。
6. 对齐走映射：与 NLST 原库联合分析必经 correction.csv（坑 8），校正 series 的 slice 数不同。
7. 构成比存照：患病率相关结论必须注明「癌/非癌构成比未公布」。
8. GGO 边界：结论不外推到纯磨玻璃人群（队列排除纯 GGO 确诊癌）。
9. 评分语境：恶性 1-10 分是「60 岁男性吸烟者」假设情景下的视觉判断，不携带真实人口学信息（§3.4）。
10. 读者分层：读者间比较按 readers.csv 分层并报告标注量（5-297 例悬殊）；单读者对比仅 12 人池（≥15 例癌症线）。
11. NLSTSeg 辨析：与另一套标注对比前先核对 DOI 与团队（坑 7）；两套 mask 不可混贴于同一监督信号。
12. 论文状态：引用 LEM 结果注明 arXiv v3 预印本；正式发表后按附录 K 触发点 1 更新。

附录 P：检索路径示范（关键词组合与查询式）

目标	推荐查询式	预期命中
数据集本体	“LIDC-annot-NLST501” 或 doi:10.7937/Y2DX-E334	TCIA analysis-result 页
源论文	arXiv:2512.00281 或 “Beyond Size and Growth” + lung screening	arXiv v3
旧题命中	“Rethinking Lung Cancer Screening” + radiologists	TCIA 引用/v2 语境（坑 2）
队列背景	NLST NCT00047385 / 库内 nlst（rid 317）	筛查试验条目
协议源头	LIDC-IDRI Armato 2011 doi:10.1118/1.3528204 / 库内 rid 19	协议蓝本条目
竞品标注	NLSTSeg Zenodo 10.5281/zenodo.17362625	独立标注（坑 7）
同类生态	site:cancerimagingarchive.net analysis-result + lung	TCIA 肺部分析层家族

检索卫生两条：一、别按 image collection 列表找它（坑 4）；二、Views 数与社区热度随时间变化，引用热度时存照抓取日期。

附录 Q：从下载到训练就绪（全流程 SOP）

阶段 0：下载与目录规划

workspace/
├── manifest/                  # TCIA manifest 文件
├── dicom/                     # NBIA/Data Retriever 拉取（13.65 GB）
│   ├── <pid>/<series_uid>/    # 501 原始 NLST series
│   └── .../                   # 24 校正 series + 2,004 SEG（series 命名区分）
├── masks_nifti/               # NIfTI 打包解压（734 MB）
│   ├── s01/ ... s04/          # db 四目录，2,004 个 .nii.gz
├── annotations.csv
├── readers.csv
├── correction.csv
└── LIDC-annot-NLST501_workflow.png

阶段 1：完整性质检（自动化）

checks = {
    "manifest_series": lambda: len(series_dirs) == 2529,
    "nifti_count":     lambda: sum(len(os.listdir(f"masks_nifti/{d}"))
                                   for d in ["s01","s02","s03","s04"]) == 2004,
    "reader_registry": lambda: set(ann.reader_id) <= set(readers.reader_id),
    "mask_id_in_range": lambda: all(1 <= m for m in ann.dropna(subset=["mask_id"]).mask_id),
    "four_readers_per_case": lambda: (ann.groupby("pid")["db"].nunique() == 4).all(),
    "correction_coverage": lambda: len(corr) >= 23,   # 16+5+2
}
# 四读者断言是核心质检：任何 pid 不足 4 个 db 都说明下载不完整或表损

阶段 2：对齐与转换

1. 患者级以 pid 对齐；series 级对齐先跑非校正 477 个（uid 直连），再处理 24 个校正 series（correction.csv 映射，附录 G）。
2. 三维分析统一 z 轴：校正 series 的 slice 数与原始不同（16 处重复修复、2 处填补），以 SEG 的 Referenced Series Sequence (0008,1115) 为准绳。
3. 训练就绪转换建议：NIfTI mask → label map（强度即类别）→ 与 CT 重采样到统一 spacing（记录原始 spacing 以保留 extracted_* 度量的可复算性）。

阶段 3：任务切片

• 检测（CADe）：annotations.csv 的 location_* + finding_type 过滤。
• 分割：NIfTI mask 全量或 mask_id 选定实例。
• 分级（CADx）：scored 子集（mask_id 非空 TL）× 恶性分；声明假设情景语境。
• 读者一致性：附录 H 骨架；先定匹配协议（质心阈值或 Dice）再算指标。

阶段 4：出报告时的存照清单

报告里必须带的三行声明：①结节计数口径（累计/去重）；②恶性评分假设情景；③与 NLST 影像的双 DOI 引用。附录 O 的 12 项逐条过一遍。

附录 R：标注语义 × 典型任务的字段映射

任务	主用字段/文件	必须处理的坑	输出形态
结节检测 CADe	location_x-y-z、finding_type、reported_measure	坑 1（计数口径）、坑 5（db 全集）	每阅读一组检测框/点
结节分割	NIfTI mask、mask_id	坑 5、坑 6（SEG 强度 3）	实例级 mask
恶性分级 CADx	恶性 likelihood、8 特征列	假设情景存照、构成比存照	结节级风险模型
读者一致性	4×db 分割与评分、readers.csv	部分连接结构、匹配协议自定	ICC/Dice/κ 矩阵
医师 vs AI	12 人对比池 + LEM/Ardila/Sybil 语境	论文协议边界（§5.5）	对比表
纵向分析	study_yr + NLST 随访	校正 series 映射（坑 8）	纵向队列子集

映射逻辑一句话：几何任务走 mask 通道，语义任务走 CSV 通道，元数据任务走 DICOM 标签通道——三通道各有数据字典，不要跨通道硬解析。

附录 S：恶性评分分段与临床行动映射

分段	分值	官方语义	对应临床动作	使用注记
明确良性	1	明确良性	常规筛查间隔	训练阴性锚点
可能良性	2-3	可能良性，建议短期随访	缩短随访间隔	序数回归的中低段
可疑	4-5	可疑，需进一步检查	影像学随访/会诊	决策阈值研究的敏感区
高度可疑	6-10	高度可疑，需组织采样	活检/组织学确认	阳性锚点（上限 10）

三点使用注记：

1. 序数结构：分段是递进的置信梯度，不是互斥类别——10 分类硬标签会浪费结构，序数回归或分段二值化（如 ≥4、≥6 双阈值）更贴语义。
2. 假设情景统一性：所有分值都在「60 岁男性吸烟者」情景下给出（§3.4），读者间可比；跨人群外推（女性、非吸烟者）需自行重校准。
3. 与 Lung-RADS 的对位：论文的对比实验把 LEM 输出与 Lung-RADS 2019 分诊对照（含 6 名医师组）——本表是数据集侧的评分语义，Lung-RADS 侧的分诊逻辑见论文正文，两者不可混写。

附录 T：抓取时点数字快照与复核指引

数字	快照值	抓取时点	复核方式
TCIA 总表 Views	1.1k	2026-10-09	总表页（热度数字随时间变化，引用需存照）
TCIA Updated 列	2026/08/05	2026-10-09	总表页
arXiv 版本	v3（2026-05-19）	2026-10-09	arXiv abs 页
论文状态	in submission	2026-10-09	TCIA 页注记；期刊上线后失效
manifest 体量	13.65 GB / 2,529 series	2026-10-09	manifest 下载后实测
NIfTI 打包	734 MB / 2,004 文件	2026-10-09（转引库内核验口径）	下载实测
license 字段	CC BY 4.0（转引）	—	待复核（坑 3）：官方页 JS 渲染抓取失败，人工浏览器确认后更新

复核指引：上表凡标「随时间变化」的数字（Views、版本链、论文状态）在二次引用时必须重新抓取并注明新时点；「待复核」项（license）是本条目唯一的口径缺口，复核动作优先级最高（附录 K 触发点 1）。

附录 V：DICOM SEG 解析骨架（pydicom，坑 6 的完整答案）

import pydicom
import numpy as np

ds = pydicom.dcmread("<某次阅读的SEG文件>")
seg = ds.pixel_array          # (frames, H, W) 帧序列

# --- 三层内容识别 ---
# 读者层
reader_id = ds.PersonIdentificationCodeSequence[0].CodeMeaning   # (0040,1101)
# 阅读批次（db，语义借用 Institution Code Sequence）
db_code = ds.InstitutionCodeSequence[0].CodeValue                # (0008,0082)
# 被标注 CT 的回指
ref_series = ds.ReferencedSeriesSequence[0].SeriesInstanceUID    # (0008,1115)

# --- 分割段识别（SegmentSequence 逐段声明语义） ---
for seg_item in ds.SegmentSequence:
    num  = int(seg_item.SegmentNumber)
    name = seg_item.SegmentLabel          # 结节实例 vs 肺 mask 的官方区分点
    # 结节段：SegmentLabel/描述对应结节实例（强度 1..n）
    # 肺 mask 段：TotalSegmentator v2.4.0 产物，强度 3 —— 不是结节！

# --- 用 SEG 元数据回填 annotations.csv 上下文 ---
# (reader_id, db_code, ref_series) ↔ (reader_id, db, series_uid)
# 24 个校正 series 的 ref_series 是校正后 uid —— NLST 原库检索走 correction.csv

解析守则三条：

1. 按 SegmentSequence 声明读语义，不按强度值猜——强度 3 = 肺 mask（坑 6）的可靠规避方式就是读段声明而非数强度。
2. 读者/批次从标签序列取，别从文件名正则猜；Institution Code Sequence 在此是语义借用字段，字面「机构」解读会得到无意义结果。
3. 帧几何用 FG（Per-frame Functional Groups）对齐——每帧的 ImagePositionPatient 决定 z 轴位置，与校正后 CT 对齐时以帧序列为准绳（附录 G 阶段 2 第 2 条）。

附录 W：常见误读澄清表（反模式清单）

反模式	为什么错	正解
「501 例各含 13 个结节（6,505÷501）」	6,505 是 4 次阅读累计，含同病灶重复报告	分析单位定为阅读-结节对；去重需空间聚类（坑 1）
「db=s01 是第一次随访扫描」	db 是同一次扫描的 4 个阅读批次	时间轴用 study_yr（坑 5）
「SEG 强度 3 是第 3 个结节」	强度 3 是 TotalSegmentator 肺 mask	按 SegmentSequence 声明读（坑 6、附录 V）
「在 TCIA collection 列表里翻到了它」	它是 analysis result，不在 collection 列表	用 analysis-results 总表或 DOI 直达（坑 4）
「NLSTSeg 就是它的简称」	两套不同团队的独立标注	核对 DOI 与团队（坑 7）
「恶性分 7 = 70% 恶性概率」	1-10 是序数置信分，非校准概率	序数回归或分段阈值；论文概率口径见 LEM 输出
「6 分以上 = 癌」	6-10 语义是「高度可疑需组织采样」，非病理确诊	病理金标准在 NLST 随访层，不在评分里
「501 例是 NLST 随机样本」	官方只给选择标准，未声明随机；构成比未公布	按「富集构造切片」使用并存照（§2.2）
「AUC 0.945 能用 501 例复现」	LEM 训练/评估是 25,709 scans + 外部队列	501 例是标注切片，不是 LEM 评估集（§5.5）
「标注是固定四专家小组」	是 20 人轮转、每例 4 人、量悬殊	readers.csv 分层 + 部分连接结构（§3.2/§5.4）

附录 X：NLST 影像层使用注记（母集侧的正确姿势）

本条目的影像不是独立资产——501 个 series 全部来自 NLST 主 collection。消费影像层时以下注记避免二次踩坑：

NLST 是什么：美国国家肺筛查试验（NCT00047385），53,454 人随机对照，比较低剂量 CT（LDCT）与胸片筛查对肺癌死亡率的影响；其影像与随访病理构成本条目恶性金标准的上游来源。

影像公开时间线：NLST 影像于 2021-09 解禁公开（IDC discourse 确认免申请）——本标注层的零门槛口径即承袭于此。

原生异常记录的粒度：NLST 原库的异常记录只提供轴位层号 + 肺叶位置（库内 nlst 条目核验口径）——没有结节轮廓、没有分割、没有结构化形态评分。这正是本条目存在的理由：把层号粒度升级为体素粒度。

叠加后的语义层次：

层	资产	粒度	来源
影像	501 个 CT series（+24 校正版）	体素	NLST 主 collection
结节标注	2,004 次阅读的分割+评分	体素/结节	本条目
随访结局	病理确诊与随访	患者/结节	NLST 随访（经原库获取）

实操三则：

1. 需要 NLST 全队列背景（试验设计、入组、随访协议）→ 读库内 nlst（rid 317）条目，本条目不重复展开。
2. 需要本条目 501 例之外的 NLST 影像 → 直接到 NLST 主 collection（DOI 10.7937/TCIA.HMQ8-J677）检索，标注层无覆盖不代表影像不存在。
3. 需要把本标注层扩展到更多 NLST 例 → 协议、readers.csv 结构与 correction.csv 模式可直接复用为扩展标注的模板——这也是「协议迁移」模板价值的一部分（§8.1）。

附录 Y：库内互链声明表（rid 逐条理由）

本条目（lidc-annot-nlst501）与库内条目的互链关系及理由，逐条声明：

• nlst（rid 317）：互链。影像与病理母集，本条目的 501 series 全部来自它；两篇同读拼出「NLST 影像全貌」（frontmatter relatedLink 已含）。
• lidc-idri（rid 19）：互链。协议蓝本——8 特征、多读者独立阅读、分割语义的直接源头；附录 F 的逐项对照即两篇的接口说明（relatedLink 已含）。
• lctsc（rid 277）：互链。「既有影像 + 新标注」在库内独立立目的同构先例，是本条目合法性的库内参照；器官勾画（LCTSC）与结节级（本条目）构成标注深度递进（relatedLink 已含）。
• rider-lung-ct（rid 267）：互链。另一支肺 CT 标注系（测试-重测试变异性研究向），与本条目共享「扫描/读者变异性」问题意识，人群与协议互补（relatedLink 已含）。
• nlstseg 类候选：暂无库内条目。NLSTSeg（Chen et al.，Zenodo）是本条目在 NLST 标注生态内最近的平行资源（坑 7）——若未来立目，应与本条目互链并互写辨析。
• 其他肺 CT 条目：弱相关不互链。检测/分割任务型条目经 §5 与附录 R 的任务映射按需引用本条目，不设 frontmatter 关联。

互链实现：frontmatter relatedLink 四条站内 URL（317/19/277/267）+ 正文 §9 家族导航；本表为逐条理由存照。

附录 U：本条目生产档案

• 生产通道：主会话派发候选 lidc-annot-nlst501；前实例 agent-c-lidcannotn 完成三源核验与 FACTS.md（2026-10-09），接管实例 agent-c2-lidcannotn 成稿。
• 事实研究：TCIA analysis-result 页（WebSearch 快照 ×2）、TCIA analysis-results 总表、arXiv abs 页直抓、IDC discourse 帖、库内 nlst/FACTS.md 与 nlst_Wikipedia.md、lctsc/FACTS.md——网络预算未超限，接管零重抓。
• FACTS.md：writing/lidc-annot-nlst501/FACTS.md 九节（查重与锁结论在 §1）。
• 成稿方式：九 part 私有区直写拼接（.parts_agent-c2-lidcannotn_1791499262_1543606/），单 Write ≤400 行，每 part 尾留空行。
• 坑点：§10 八则（坑 1-8「坑 N：」编号制）。
• 查重：qf_psql 只读复查（status=1 命中 nlst 317 / lidc-idri 19，无同名）；ls writing/ 无同名目录。
• 互链实现：frontmatter relatedLink 四条站内 URL（nlst/317、lidc-idri/19、lctsc/277、rider-lung-ct/267）+ 正文 §9 家族导航。
• description：成稿时即 ≤170 字符；title/subtitle/data_source.name 逐字段验长（见汇报）。

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-09，抓取与核验时点见附录 A。事实陈述以 TCIA analysis-result 官方页、TCIA analysis-results 总表、arXiv:2512.00281（v3）与库内 nlst/lctsc 条目既有核验为源；6,505 累计口径、论文三题并存、license 转引、构成比未公布、校正 series 映射等语义边界已在坑点（§10）、rai:dataLimitations 与附录 J 存照。条目与库内 nlst（rid 317）、lidc-idri（rid 19）、lctsc（rid 277）、rider-lung-ct（rid 267）互链，构成肺 CT 标注家族「队列—协议—器官—变异性—结节」五个切面的完整检索面。后续维护触发点见附录 K。

---

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：

• lctsc — 共享标签：医学影像 / CT / 医学图像分割 / 肺癌 / 肿瘤学
• lndb — 共享标签：医学影像 / CT / 医学图像分割 / 目标检测 / 肺癌
• patchchestct — 共享标签：医学影像 / CT / 医学图像分割 / 目标检测 / 肺癌
• luna16 — 共享标签：医学影像 / CT / 目标检测 / 肺癌
• lung-pet-ct-dx — 共享标签：医学影像 / CT / 肺癌 / 肿瘤学
• uls23 — 共享标签：医学影像 / CT / 医学图像分割 / 目标检测 / 肿瘤学
• nlst — 共享标签：医学影像 / CT / 肺癌 / 肿瘤学
• pddca — 共享标签：医学影像 / CT / 医学图像分割 / 肿瘤学
• ct-org — 共享标签：医学影像 / CT / 医学图像分割 / 肿瘤学
• headneck-radiomics — 共享标签：医学影像 / CT / 医学图像分割 / 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。