信息速览

数据集名称lung-segment-mimic-cxr — 胸片肺分割与种族识别证据集 AI-Ready Wikipedia

数据类型分割图像,可解释性,人口学

规模1,141 张胸片的分割图像对（女 616/男 525；四族群）

接入方式MIMIC-CXR 随机选取 4,091 张经 TernausNet 分割+人工筛检的派生图像

AI 就绪度

INFOBOX：lung-segment-mimic-cxr 速览

字段	值
数据集	Chest X-ray segmentation images based on MIMIC-CXR v1.0.0
slug	lung-segment-mimic-cxr
发布	2022-08-18｜PhysioNet
DOI	10.13026/d9zv-4d92
访问	Credentialed（License 1.5.0 + DUA 1.5.0 实测）
规模	1,141 对 Lung/Non-lung 分割图像（512×512 JPEG，从 4,091 张人工筛出）
质控	TernausNet 自动分割+人工剔除（>70% 不合格率——诚实数字）
人口学	女 616/男 525；White 148/Black 382/Hispanic 411/Asian 200
团队	台湾清华三人 + Emory Gichoya + MIT Celi（三方）
论文	Gichoya et al. Lancet Digit Health 2022;4(6):e406-e414——引用 711 次
用途	捷径学习检测/模型可解释性/种族识别排除性证据
一句话	证明"模型识别种族不靠肺区"的 1,141 对排除性证据

§0 摘要卡：一份为"说不清"服务的基础设施

§0.1 名称与口径声明

本条目记录 PhysioNet 数据集 Chest X-ray segmentation images based on MIMIC-CXR（slug：lung-segment-mimic-cxr），v1.0.0，2022-08-18 发布，DOI 10.13026/d9zv-4d92，Credentialed（License 1.5.0）。形态澄清：它不是掩码集（对照 510）——是分割后的图像对：每张胸片被切成"肺区图"与"非肺区图"两张 JPEG。产物形态决定用途：掩码回答"肺在哪"，本集回答"只看肺/不看肺，模型分别表现如何"。

§0.2 读者收益清单

可解释性研究者：现成的"区域消融"实验素材——模型在肺区/非肺区的表现差=捷径学习的直接证据
公平性审计团队：四族群人口学齐全（White/Black/Hispanic/Asian）+Lancet 论文的种族识别实验框架——AI 公平性研究的入门基础设施
胸片模型开发者：训练前的 shortcut 自检——“模型是不是在学背景和医院 token”（页面引用 Geirhos 2020 捷径学习概念）
医学AI教育者：1,141 对+双代码库+著名论文——"负结果与怀疑精神"的教学案例

§0.3 本条目与其他条目的阅读组合

heart-lung-segmentations-data（510）：形态对照——510 是二值掩码（训练分割器用），本集是分割后的图像对（区域消融用）；同属"解剖结构资产"但产物形态不同
cxr-cardiomegaly 家族（506-511）：MIMIC 图像层的又一衍生；本集的独特性在用途（捷径检测）而非覆盖
cxr-phone（507）：Celi 生态的台湾线——507 的 Tsai 与本集三位作者同属台湾清华

§0.4 身份卡：一条命令背下这个数据集

名称   Chest X-ray segmentation images based on MIMIC-CXR
版本   v1.0.0（2022-08-18，唯一版本）
DOI    10.13026/d9zv-4d92
访问   Credentialed（License 1.5.0 + DUA 1.5.0）
规模   1,141 对 Lung/Non-lung 图像（512×512 JPEG）
流程   4,091 张 → TernausNet 自动分割 → 人工剔除（>70% 不合格）→ 1,141 对
人口学 女 616/男 525；四族群；年龄五段
团队   台湾清华×3 + Emory Gichoya + MIT Celi
论文   Lancet Digit Health 2022;4(6):e406-e414——引用 711 次

它的故事一句话：一篇"AI 能从胸片看出种族但没人知道为什么"的 711 引论文，需要一套排除性证据——“不是靠肺区”——本集就是那套证据的载体。

§1 出身与谱系：一篇 Lancet 论文的基础设施层

§1.1 Gichoya 2022：种族识别研究的量级

Lancet Digital Health 2022;4(6):e406-e414（DOI 10.1016/S2589-7500(22)00063-2，2022-06-01）——Google Scholar 引用 711 次（核查时点，本批全部条目中关联论文引用最高）。20 名作者跨国团队（Emory/MIT/Stanford/Georgia Tech/台湾等）。核心发现三层：

AI 能识别种族：从胸片（AUC 0.91-0.99）、胸部 CT（0.87-0.96）、乳腺（0.81）——人类专家做不到
代理变量全排除：BMI（AUC 0.55）、疾病分布（0.61）、乳腺密度（0.61）都解释不了
机制未明：降质/裁剪/噪声后依然准确——"hidden signals"至今无定论

§1.2 本集在论文中的角色：排除性证据

论文的第二层评估需要回答：“识别种族靠的是肺里的东西吗？”——方法：把胸片分成肺区图与非肺区图，分别测分类性能。结果：非肺区 AUC 0.715 > 仅肺区 0.62——种族信息更多藏在肺外（背景/肩部/设备/体表）！这推翻了"模型看肺识别种族"的假设，把嫌疑指向图像的非诊断区域——正是 shortcut learning（Geirhos 2020）的教科书式检验。

§1.3 三方团队的构成

Li-Ching Chen / Po-Chih Kuo / Ryan Wang（台湾清华——Celi 生态的台湾线，与 507 的 Chia-Hung Tsai 同校）负责分割管线与人工筛检；Judy Gichoya（Emory，Lancet 论文一作，Healthcare Innovations Lab 主任）提供公平性研究框架；Leo Celi（MIT）是生态 PI。资助含 NIBIB/MIDRC/NSF/NLM/台湾科技部——与 507 的资助链部分重合。

§1.4 时间线年表

2021-07     Gichoya 预印本（种族识别研究初稿）
2022-06-01  Lancet Digit Health 发表（4(6):e406-e414）
2022-08-18  本集 PhysioNet 挂牌
2026-09     Views 439；论文引用 711（持续增长中）

§1.5 用户画像：谁该用、谁不该用

该用：① 模型可解释性/捷径检测研究（本集的设计用途）；② 医学 AI 公平性教学（人口学+著名论文案例）；③ 肺区/非肺区对照实验（区域消融）；④ 分割质量人工评估的研究（1,141 张筛后样本是"自动分割可行率"的实证）。

不该用：① 当掩码集用（是图像对不是二值掩码）；② 大规模分割训练（1,141 张太小且已经过筛）；③ 病灶级任务（无病灶标注）；④ 忽略人口学敏感性的使用场景。

§1.6 名词速查表

术语	含义
shortcut learning	模型学到非诊断性捷径（背景/医院 token/设备）——Geirhos 2020 术语
Lung/Non-lung 对	同一胸片切成"仅肺区"与"仅非肺区"两张图
TernausNet	U-Net+VGG11 encoder 的分割架构（Iglovikov & Shvets 2018）
人工筛检	4,091 张自动结果逐张人工检查剔错（>70% 不合格）
区域消融	用区域受限的输入测模型依赖（本集的实验形态）
hidden signals	Lancet 论文对"未知种族信息载体"的称呼
区域消融实验	肺区 vs 非肺区分别测 AUC 的排除性设计

§1.7 与 510 的形态对照（掩码 vs 分割图像对）

维度	510（heart-lung-segmentations）	513（本集）
产物	二值 PNG 掩码	分割后的图像对（JPEG）
用途	训练分割器	区域消融/捷径检测
器官	心+肺	仅肺（肺 vs 非肺）
质控	NHS 审校（掩码级）	人工筛检（图像级，>70% 弃）
团队	牛津	清华+Emory+MIT
许可	ODC-BY	Credentialed 1.5.0

§2 语境与设计逻辑：负结果的基础设施化

§2.1 “模型没在学肺”：一个反直觉实验的设施需求

Gichoya 团队的疑问链：AI 能识别种族 → 靠什么？→ 假设一：靠肺区（肺里有个体特征）→ 检验需要"只给肺区"与"只给非肺区"的对照输入 → 没有现成设施 → 本集诞生。这个链条展示了基础设施型数据集的一种诞生方式：它不是研究的产物，而是研究的仪器——为了做一个排除性实验，先把仪器造出来，然后把仪器也公开（因为别的怀疑者也需要）。

§2.2 >70% 不合格率：自动分割的诚实质检

页面 Background 的坦白：“more than 70% of auto-segmented images were identified with incorrect anatomical landmarks”——4,091 张 TernausNet 自动分割中七成以上有解剖标志错误。这个数字的 triple 价值：① 对使用者：1,141 对是"筛后质量"，可信度高于裸自动输出；② 对方法学：肺区自动分割在真实 ICU 分布（含设备/伪影/病变）上的失败率被量化——与文献里"在正常片上 95% Dice"形成刺眼对照（本集 Background 引 Reza 2020 的 94.9% Dice——那是 Montgomery 正常片！）；③ 对标注工程：人工筛检的不可替代性实证。

§2.3 捷径学习的检测方法论

Geirhos et al.（Nature Machine Intelligence 2020）定义捷径学习：模型学到与任务伪相关的非目标特征。本集的检测设计：区域受限输入法——把可疑捷径载体（背景/非肺区）物理切除，看性能变化。三类解读：① 肺区性能 ≈ 全图性能 → 模型真在看肺；② 非肺区性能 > 肺区性能 → 模型在学非诊断捷径（本集实验的结果：种族识别正是如此）；③ 两者都差 → 信息载体在别处。这套方法论可推广到任何"怀疑模型走捷径"的场景——医疗设备token、文字烧录、采集年份指纹。

§2.4 种族识别研究的伦理纵深

本集参与的研究是医学 AI 公平性领域的里程碑（711 引用），其结论的伦理重量：“AI 能从影像识别种族但人类不能，且机制不明”——对部署的警示（Celi 的引用语：“This paper should make us pause”）。本集作为其基础设施，继承了这一伦理重量：使用本集做新实验时，种族相关结论的表述要过严格审查（本集人口学的四族群字段是研究资产也是伦理责任）。

§2.5 证据层级小结

本集的证据位置：筛检后的派生图像层+区域消融方法论载体。它的价值不在数据本身（1,141 张 512×512 JPEG）而在实验设计的可复制性——区域消融作为 shortcut 检测的标准动作，本集提供了全套素材与先例。

§2.6 一句话语境总结

当一篇 711 引用的论文说"AI 看胸片就能看出种族，但我们不知道它看哪里"，本集提供了第一个排除法：不是肺——然后所有的怀疑都转向了非诊断区域，而这正是 shortcut learning 最该被警惕的形状。

§3 数据切片：两个文件夹与一张索引表

§3.1 总账与目录

Lung/      1,141 张肺区图（512×512 JPEG）
Non-lung/  1,141 张非肺区图（512×512 JPEG）
CSV        文件名 ↔ subject_id/study_id/view 索引
命名       non-lung_img-<subject_id>_<study_id>.jpg 式

§3.2 人口学分布卡（MIMIC-IV 来源）

维度	分布
性别	女 616（54.0%）/男 525（46.0%）
种族	White 148/Black 382/Hispanic 411/Asian 200
年龄	<20:9 / 20-40:230 / 40-60:425 / 60-80:249 / >80:79

四族群+全年龄段的覆盖是公平性研究的关键配置——种族识别实验需要各族群样本，本集的 Black 382+Hispanic 411 提供了少数族裔的充足样本（对照多数公开集的 White 主导）。

§3.3 与母体的 join

subject_id+study_id 双键 join MIMIC-CXR（原图/标签/报告）与 MIMIC-IV（人口学/结局）。注意：本集的图像已经过 512×512 重采样——与 MIMIC 原始 DICOM 分辨率不同，像素级对齐需重采样处理。

§3.4 获取与代码

入口：physionet.org/content/lung-segment-mimic-cxr/1.0.0/
门槛：CITI+DUA（Credentialed 1.5.0）
代码：github.com/lichingcat/Chest-X-rays-Segmentation-Images-Based-on-MIMIC-CXR（本集生成）
     github.com/IlliaOvcharenko/lung-segmentation（TernausNet 训练）

§4 结构深查：筛检制质控的解剖

§4.1 4,091→1,141 的漏斗账

4,091 张随机 MIMIC-CXR
  → TernausNet 自动分割（100 epochs，80-10-10 训练）
  → 人工逐张检查：双肺叶完整？沿心界？锁骨-膈肌边界清晰？
  → >70% 不合格（解剖标志错误）
  → 1,141 对通过（27.9% 通过率）

通过率 27.9% 的含义：TernausNet 在真实 ICU 分布（非正常片、含设备伪影）上的可用率不到三成——与文献在正常片上的 94.9% Dice 形成方法学警示：分割论文的数字是"舒适分布"上的数字。

§4.2 筛检标准的可操作化

三条验收标准（双肺叶完整/沿心界/锁骨-膈肌清晰边界）都是可目检的几何判据——比"看起来对"可操作。但未披露：① 筛检者人数与一致性；② 边缘案例的裁决流程。与 509 的 κ 协议/510 的 NHS 审校对照，本集的质控是单人/小团队筛检制——透明度中等。

§4.3 区域消融的方法学边界

区域消融实验的三个解释陷阱：① 肺区图与原图的信息不等价（512 重采样+区域裁剪的双重变换）——性能差不能全归因"区域"；② 非肺区包含肩部/心脏边缘/设备——不是纯"背景"；③ 消融改变分布（肺区图的肺占比 100%，与训练分布不同）——分布外效应与捷径效应混杂。引用本集实验时（如种族识别的排除性结论），这三个陷阱要显式声明。

§4.4 结构小结

层 1  自动分割   TernausNet（文献锚：94.9% Dice on MC——非本集场景）
层 2  人工筛检   >70% 不合格剔除（诚实数字）
层 3  产物       1,141 对区域消融素材
层 4  下游       Lancet 种族识别研究的排除性实验（711 引）

§5 使用协议：从 DUA 到区域消融实验

§5.1 全流程地图

[第 0 步] PhysioNet 账号 + CITI GCP + DUA 1.5.0
[第 1 步] 下载 Lung/Non-lung 文件夹 + CSV 索引
[第 2 步] （可选）join MIMIC-CXR 原图 / MIMIC-IV 人口学
[第 3 步] 选任务线（A 捷径检测 / B 可解释性 / C 分割研究）
[第 4 步] 患者级切分 + 区域对照设计
[第 5 步] 引用三件套：本集 DOI + Lancet 论文 + MIMIC-CXR

§5.2 任务线 A：捷径检测（本集设计用途）

复现/扩展 Lancet 论文的区域消融：① 选定你的胸片分类模型（任意任务）；② 分别喂 Lung 图与 Non-lung 图；③ 比较性能——若非肺区性能 ≥ 肺区性能，模型在走捷径；④ 进一步：热图可视化（Grad-CAM）确认注意力区域。这个实验的价值不在刷 SOTA，在审计你自己的模型。

§5.3 任务线 B：分割质量研究

1,141 张"人工确认可用"的分割图是自动分割可行性的实证样本：① 统计可用率与图像特征（设备/体位/病理）的相关——什么样的胸片自动分割会失败？② 用本集+510 掩码做分割模型的跨集验证。这条线是"自动分割在真实分布上到底行不行"的定量研究——临床部署的前置审计。

§5.4 任务线 C：公平性研究（进阶）

四族群人口学支持种族相关实验（对照 Lancet 论文）：① 复现种族识别（图像→种族分类）；② 区域消融的种族维度（非肺区识别种族的机制探索）；③ 分割可用率的族群差异（自动分割对不同族群的失败率是否不同——公平性的分割层）。伦理：种族实验的表述需过审查——研究目的是检测偏见而非固化标签。

§5.5 常见踩坑清单

坑	后果	避法
坑点1：当掩码集用	产物形态不符（是图像对）	理解 Lung/Non-lung 是图不是 mask
坑点2：随机切分	同患者泄漏	subject_id 患者级切分
坑点3：区域消融结论过度泛化	分布外效应混淆捷径效应	§4.3 三陷阱声明
坑点4：人口学字段的不当使用	种族研究的伦理风险	明确研究目的+审查表述
坑点5：与 510 混淆	用错资产形态	掩码（510）vs 图像对（513）
坑点6：漏引 Lancet 论文	本集的用途出处失引	三件套引用
坑点7：假设 1,141 张代表 MIMIC 全库	随机样本但经筛检	声明筛选口径
坑点8：忽略 512 重采样	与原图像素不对齐	重采样声明

§5.9 引用与许可义务

三件套：本集 DOI（10.13026/d9zv-4d92）+ Lancet 论文（DOI 10.1016/S2589-7500(22)00063-2）+ MIMIC-CXR（DOI 10.13026/C2JT1Q，用原图时）。DUA 1.5.0 标准义务（禁再分发/禁重识别）。人口学的特别义务：种族字段的二次分析需在论文中说明目的与防歧视措施——这是本集区别于其他 Credentialed 集的伦理附加项。

§6 实证图景：区域消融的全部数字

§6.1 Lancet 论文的区域消融结果（14 类）

发现	非肺区 AUC	仅肺区 AUC
平均（14 类）	0.715 [0.68-0.75]	0.62 [0.59-0.65]
edema	0.784	0.728
consolidation	0.678	0.674
pleural effusion	0.849	0.625
pneumothorax	0.807	0.550
atelectasis	0.745	0.595
cardiomegaly	0.848	0.691

读法：非肺区全面优于肺区——种族信息的主要载体在肺外。cardiomegaly 的落差最大（0.848→0.691）——心影在非肺区（纵隔）可见，而肺区图把心切掉了。这个对照表本身就是"区域消融方法论"的最佳教学案例。

§6.2 筛检率的数字

4,091 → 1,141（通过率 27.9%，不合格 >70%）——TernausNet 在真实 ICU 分布上的自动分割可用率。对照文献（Montgomery 正常片 94.9% Dice）的落差，是"分布难度"的定量呈现。

§6.3 实证小结

Lancet Digit Health 2022;4(6):e406-e414（引用 711）
种族识别：X-ray AUC 0.91-0.99（跨模态泛化）
区域消融：非肺区 0.715 > 肺区 0.62（排除"靠肺区"假设）
筛检漏斗：4,091 → 1,141（27.9% 通过，>70% 不合格）
结论：种族信息的载体在肺外——shortcut learning 的实锤案例

§7 AI 实践指南：把区域消融用对

§7.1 技术定位的三条铁律

它是图像对不是掩码——训练分割器请回 510
区域消融是对照实验——单臂结果无意义，肺区/非肺区必须成对报告
人口学是责任——四族群字段是公平性研究的燃料也是伦理的火药

§7.2 推荐管线（捷径自检）

# ===== 阶段 0：加载与对齐 =====
csv = load_csv("index.csv")             # 文件名↔subject_id/study_id/view
pairs = load_pairs(csv)                  # Lung/Non-lung 成对加载
splits = patient_split(csv.subject_id)   # 患者级切分

# ===== 阶段 1：区域消融实验 =====
for region in ["lung", "non-lung"]:
    auc[region] = eval(model, pairs[region], labels)
report(f"AUC(lung)={auc['lung']:.3f} vs AUC(non-lung)={auc['non-lung']:.3f}")

# ===== 阶段 2：热图复核 =====
gradcam(model, pairs) → 与肺区边界叠加 → 目检注意力落点
# 判定：注意力在肺外 = 捷径学习的红旗

§7.3 报告规范

三件套：① 数字+口径（“非肺区 0.715 vs 肺区 0.62（14 类平均，Lancet 2022）”）；② 消融声明（“区域受限输入+512 重采样”）；③ 伦理声明（种族实验的目的与防护）。反面教材：“该数据集证明 AI 靠背景识别种族”——原论文的结论是"不靠肺区、机制未明"，过度声明的转述会歪曲科学。

§7.4 反模式清单

❌ 当掩码集用（形态错误）
❌ 单臂报告（无对照的区域实验）
❌ 种族字段的无目的使用
❌ 把 1,141 当 MIMIC 代表（筛检口径）
❌ 漏引 Lancet 论文（用途出处）
❌ 跨 510/513 混淆形态

§7.8 教学用法：AI 公平性的一堂课

本集+Lancet 论文=医学 AI 公平性的完整教学包：论文读"AI 能识别种族"（现象）→ 本集读"不是靠肺"（排除法）→ 讨论"hidden signals 是什么"（开放问题）→ 学生用四族群人口学设计审计实验。负结果与未解之谜的教学价值，常常高于又一篇 SOTA。

§8 伦理与合规：人口学数据的特殊责任

§8.1 Credentialed 的理由

派生图像保留了像素级解剖信息（肺区/非肺区图可拼回近似原图）——可逆性风险高于 506/510 的低维派生，Credentialed（License 1.5.0）是母体框架的合理继承。种族/年龄字段叠加像素信息，重识别的组合空间进一步扩大。

§8.2 种族字段的双面性

四族群人口学是公平性研究的必要资产（没有它，Lancet 式研究无法做）——同时也是敏感字段（标签固化/歧视风险）。DUA 框架+发表审查是双重控制。本条目的立场：种族数据的最佳用途是检测与消除偏见——这正是 Lancet 论文与本集的初衷。

§8.3 门槛的总账

维度	得	失
用途独特性	shortcut 检测的先例资产	形态易被误用（非掩码）
质控诚实	>70% 不合格的坦白	筛检一致性未量化
人口学	四族群公平性配置	种族字段的伦理重量
许可	Credentialed（母体继承）	门槛存在

DAIMS：6.5（§10.6 论证——用途独特但形态与体量限制明显）。

§9 FAQ：90 问快答

出身与身份（10 问）

这个数据集是什么？ 1,141 对 Lung/Non-lung 分割图像（512×512 JPEG）——用于捷径学习检测与模型可解释性。
谁做的？ 台湾清华三人（Li-Ching Chen/Po-Chih Kuo/Ryan Wang）+ Emory Gichoya + MIT Celi。
何时发布？ 2022-08-18，v1.0.0，唯一版本。
DOI？ 10.13026/d9zv-4d92。
访问级别？ Credentialed（License 1.5.0 + DUA 1.5.0 实测）。
关联论文？ Gichoya et al. Lancet Digit Health 2022;4(6):e406-e414——AI 从医学影像识别种族，引用 711 次。
它是掩码集吗？ 不是——是分割后的图像对（肺区图+非肺区图）。
与 510 什么关系？ 形态对照：510 是二值掩码，本集是分割图像对。
Ethics？ 随 MIMIC-CXR 同一 IRB。
为什么重要？ 它是 711 引论文的区域消融证据载体——“模型识别种族不靠肺区”。

内容与规模（10 问）

多少对？ 1,141 对 Lung/Non-lung。
流程？ 4,091 张随机 MIMIC-CXR → TernausNet 自动分割 → 人工剔除 → 1,141 对。
不合格率多少？ >70%（页面 Background 原话）。
验收标准？ 双肺叶完整+沿心界+锁骨到膈肌边界清晰。
分辨率？ 512×512（重采样后）。
人口学？ 女 616/男 525；White 148/Black 382/Hispanic 411/Asian 200；五年龄段。
人口学从哪来？ MIMIC-IV（subject_id join）。
文件命名？ non-lung_img-<subject_id>_<study_id>.jpg 式+CSV 索引。
有原图吗？ 没有原图——原图在 MIMIC-CXR（Credentialed 另取）。
有病灶标注吗？ 没有——只有区域分割。

方法与统计（10 问）

分割模型？ TernausNet（U-Net+VGG11 encoder 预训练）。
训练配置？ 100 epochs、Adam lr 0.0005、80-10-10 切分、512×512 输入。
区域消融的结果？ 非肺区 0.715 > 肺区 0.62（14 类平均）——种族识别不靠肺区。
哪类落差最大？ cardiomegaly（0.848→0.691）——心影在非肺区。
哪种解释是"捷径学习"？ 模型用非诊断区域（背景/设备/体表）的信息。
hypothesis 的代理变量排除？ BMI 0.55/疾病分布 0.61/乳腺密度 0.61——都解释不了。
hidden signals 是什么？ 未知——Lancet 论文的开放问题（机制至今未明）。
本集的质控为什么重要？ >70% 不合格证明自动分割在真实分布上不可直接用。
筛选是单人还是多人？ 页面未披露人数与一致性——透明度中等（存照）。
与 510 的 NHS 审校对照？ 510 是掩码级审校（牛津）、本集是图像级筛检（清华）——两种人工质控。

与母体的关系（10 问）

和 MIMIC-CXR 什么关系？ 派生图像层（随机 4,091 张的分割产物）。
需要下载 MIMIC 吗？ 落图实验/加标签需要；纯区域消融用本集即可。
和 510 什么关系？ 形态对照（掩码 vs 图像对）——用途不同。
和 Lancet 论文什么关系？ 本集是论文区域消融实验的素材载体。
论文引用多少？ 711（Google Scholar 核查时点——本批最高）。
论文有本集外的实验吗？ 有——多模态（CT/乳腺/手骨）、代理变量、图像腐蚀等。
和 507 的团队重合吗？ 台湾清华重合（Celi 生态台湾线）。
和 Gichoya 的其他工作？ 她是医学 AI 公平性领域的代表学者（Emory HITI Lab 主任）。
引用三件套？ 本集 DOI+Lancet 论文+MIMIC-CXR。
资助？ NIBIB/MIDRC/NSF/NLM/台湾科技部。

使用与实操（10 问）

推荐第一步？ 区域消融自检（对你自己的胸片模型）——§5.2。
需要 GPU 吗？ 评估型 CPU 可；训练型单卡。
切分纪律？ subject_id 患者级。
与原图怎么对齐？ subject_id+study_id join+512 重采样声明。
热图怎么做？ Grad-CAM 叠加肺区边界——目检注意力落点。
能训练分割器吗？ 不适合（本集是分割图不是掩码；且已经筛检）——分割训练回 510。
人口学怎么用？ 公平性分组分析——非诊断用途。
种族实验的伦理？ 目的=检测偏见；表述需审查（§5.4）。
最大的坑？ 当掩码用+单臂报告。
体量与训练？ 1,141 对太小——预训练+轻量头的审计用法。

评分与定位（10 问）

AI-Ready 程度？ 中——用途独特/人口学齐，但形态受限/体量小/门槛存在。
DAIMS？ 6.5（§10.6 论证）。
不可替代性？ 捷径学习检测的先例资产+Lancet 论文的证据层。
适合做什么？ 区域消融/捷径自检/公平性教学/分割可行率研究。
不适合做什么？ 分割训练/掩码用途/病灶任务/大模型训练。
Views 439 说明什么？ 中等曝光——Credentialed+细分用途。
重分析空间？ 筛检标准量化/可用率-图像特征相关/跨集分割验证。
与 511 谁更 AI-Ready？ 511 赢算力与覆盖；本集赢在"负结果基础设施"的独特性——不同维度。
和 510 谁该先用？ 训分割器用 510；审计模型用本集——任务决定。
只记一件事？ 证明"模型不靠肺识别种族"的 1,141 对排除性证据——负结果也是基础设施。

伦理与合规（10 问）

为什么 Credentialed？ 分割图像可逆性+人口学敏感性——母体继承。
种族字段的双面性？ 公平性研究的燃料+歧视风险的火药（§8.2）。
DUA 义务？ 禁再分发/禁重识别/禁超范围。
种族实验的表述要求？ 目的=检测偏见；防固化标签的审查（§5.4）。
教学使用？ 可以——Lancet 论文是绝佳案例。
能喂第三方 API 吗？ 谨慎——受控派生物。
违反 DUA 后果？ 访问撤销+机构通报。
发表配图？ 分割图对本身低风险；与人口学交叉展示需谨慎。
与 MIMIC-CXR 的 IRB？ 同一 IRB（页面 Ethics）。
有伦理缺陷吗？ 无原则性缺陷；筛检一致性未量化是文档缺口。

比较与延伸（10 问）

与 510 最大的形态差异？ 掩码（二值 PNG）vs 图像对（512 JPEG）。
与 506 的关系？ 同母体不同层——506 几何数值、本集区域消融素材。
Lancet 论文的 688 倍……不对，那是 508/511 的数字？ 对——本集论文的核心是种族识别（AUC 0.91-0.99），与 508/511 的数字无关。
shortcut learning 的出处？ Geirhos et al. Nature Machine Intelligence 2020（页面引用 [3]）。
Grad-CAM 的局限（页面引用）？ 页面引 Grad-CAM++（Chattopadhyay 2018）——单方法不足，需区域消融补充。
Oh et al. 2020 的启示？ 仅用肺区 patch 训练提升 COVID 分类灵敏度——区域受限也可以是正面设计。
JSRT/Montgomery 的对照？ 经典分割集无临床数据且病种限定——MIMIC 域缺分割标签正是本集动机。
Reza 2020 的 94.9% Dice？ Montgomery 正常片上的数字——与真实 ICU 分布的 27.9% 通过率对照。
未来版本？ v1.0.0 无更新；社区期待掩码版/多模型共识版。
能贡献吗？ GitHub（lichingcat）开放；数据变更走 PhysioNet。

与同批条目的对照（10 问）

与 510 掩码能否互补？ 能——510 训练分割器+本集验证区域消融=完整管线。
种族识别研究现状？ hidden signals 机制仍未解——本集是早期排除性证据。
与本批 510 的审校制对照？ 510 NHS 审校 vs 本集人工筛检——同为人工质控的两档强度。
对 507 的呼应？ 同为 Celi 生态台湾线（清华）——507 采集照片、513 处理分割。
能扩展到侧位/AP 吗？ 本集仅 front-view——扩展需新管线。
TernausNet 的现代替代？ nnU-Net/Swin-UNet 等——但自动分割的失败模式（设备/伪影）依然存在。
毕业设计级题目？ “自动分割失败率的图像特征预测器”——用本集的 4,091→1,141 漏斗做监督信号。
与 Grad-CAM 的关系？ Grad-CAM 给热图、本集给"该看哪"的先验——两者结合评估注意力合理性。
对医学AI监管的意义？ 区域消融是模型审计的最便宜形式——监管科学的角度。
三分钟了解读哪节？ §0.4+§2.2+§6.3——三个数字讲完本集。

§10 存档：证据、引用与维护

§10.1 核查证据清单（三轮）

第 1 轮  WebFetch 页面全量（标题/团队/流程/人口学/用法/引用 21 条）
第 2 轮  curl 页面 HTML（/tmp/513_page.html 50,723 B）
         → Views 439 / Credentialed / License 1.5.0 / 作者机构（清华/Emory/MIT）
第 3 轮  WebSearch Lancet 论文（Scholar 711 引 / MTMT 卷期页 / Emory 新闻）
         → 论文核心数字（AUC 0.91-0.99/代理排除/hidden signals）与本集角色确认

§10.2 批次清单预判修正记录

项	预判	实测	处置
访问级别	待核	Credentialed（1.5.0）	已核
规模	待核	1,141 对（4,091→筛检）	已核
形态	—	分割图像对（非掩码）	关键澄清

§10.3 引用格式

数据集：Chen, L., Kuo, P., Wang, R., Gichoya, J., & Celi, L. A. (2022). Chest X-ray segmentation images based on MIMIC-CXR (version 1.0.0). PhysioNet. DOI 10.13026/d9zv-4d92.

论文：Gichoya, J.W., et al. (2022). AI recognition of patient race in medical imaging: a modelling study. Lancet Digital Health 4(6):e406-e414. DOI 10.1016/S2589-7500(22)00063-2.

§10.4 页面事实的待查与存照边界

筛检者人数与一致性未披露
分割图像与原图的分辨率对应关系需实测
区域消融的三陷阱（重采样/分布外/裁剪效应）为方法论声明
种族字段的采集口径（self-reported）随 MIMIC-IV
Views 439 口径=unique registered users

§10.5 slug 互链登记

目标 slug	互文点
heart-lung-segmentations-data（510）	形态对照（掩码 vs 图像对）
cxr-phone（507）	Celi 生态台湾线（清华）
MIMIC-CXR 家族（506-511）	图像层衍生；dicom_id/subject_id 连通
MIMIC-IV	人口学来源

§10.6 DAIMS 评分论证（区间制）

文档完整性    高（页面+Lancet 论文+双代码库）              +1.5
用途独特性    高（捷径检测先例+区域消融载体）              +1.5
质控透明      中（>70% 数字诚实但一致性未量化）            +0.5
人口学配置    高（四族群+全年龄段——公平性研究友好）        +1.0
形态与体量    中下（图像对非掩码；1,141 张小）             -1.0
可获取性      中（Credentialed）                           -0.5
实证背书      高（Lancet 711 引用论文的官方使用示范）      +1.0

区间评定：6.5（用途与人口学的独特价值；形态与体量是硬边界）。

§10.7 发布验收单

[✓] frontmatter 双检（category_tags 全在 VOCAB）
[✓] check_md ≥1200 行
[✓] preflight_check PASS
[✓] 发布前 DB 查重（url_name LIKE '%lung-segment%' / content LIKE '%d9zv-4d92%'）
[✓] publish.sh PASS → rid 验证（status=1）
[✓] 封面生成 + cover_url 挂载
[✓] link_builder 内链 + 导航重建 + json_ld
[✓] 线上 HTTP 200 + 内容抽查（1,141/4,091/d9zv-4d92/711）
[✓] tracker 追加 513 行
[✓] 工单评论（r3i2Os）

§10.8 维护记录

2026-09-23  初版核查三轮完成，FACTS.md 落档
2026-09-23  两段组装（/tmp 安全区），本文发布

§10.9 给下一位核查者的信

复核优先验证：① DOI 10.13026/d9zv-4d92 仍解析且无 v2；② Lancet 论文引用数增长（711→? 只增不减属正常）；③ 双 GitHub repo 活性；④ 页面人口学数字与本条目 §3.2 一致；⑤ 若社区产出掩码版衍生集，§1.7 的形态对照表更新。本集最易被误转述的点是形态——"分割掩码集"的错称要警惕（是分割图像对）。

§10.10 收束

4,091 张自动分割、七成被判不合格、1,141 对幸存的肺与非肺——这套资产没有冠冕堂皇的 SOTA，只有一群研究者对"模型到底在看什么"的不放心。当 711 篇论文引用"AI 能看出种族"这个不安的发现时，本集安静地躺在引用列表的地基里：它提供了排除法的素材，让"不是肺"这三个字有了数据支撑。科学的一半是发现，另一半是排除——本集属于后者，而后者常常更稀缺。

附录 A：全库速查总表

维度	值
数据集名	Chest X-ray segmentation images based on MIMIC-CXR
slug / 批次序号	lung-segment-mimic-cxr / 513
版本	v1.0.0（2022-08-18，唯一）
DOI	10.13026/d9zv-4d92
平台	PhysioNet
访问	Credentialed（License 1.5.0 + DUA 1.5.0）
产物	1,141 对 Lung/Non-lung 分割图像（512×512 JPEG）
流程	4,091 张 → TernausNet → 人工筛检（>70% 不合格）
团队	台湾清华×3 + Emory + MIT
论文	Lancet Digit Health 2022;4(6):e406-e414（引用 711）
人口学	女 616/男 525；四族群；五年龄段
Views	439
DAIMS	6.5
rid	613

附录 B：漏斗账（4,091→1,141 的筛检流程）

[4,091] 随机选取 MIMIC-CXR front-view
   ↓ TernausNet（U-Net+VGG11，100 epochs，80-10-10）
[自动分割结果]
   ↓ 人工逐张检查（三验收标准）
   ↓ >70% 判不合格：解剖标志错误
[1,141] 对通过 → Lung/ + Non-lung/ 双文件夹
通过率 27.9% —— 自动分割在真实 ICU 分布上的可用率实证

附录 C：验收三标准卡

[1] 双肺叶完整（左右肺叶轮廓无缺失）
[2] 沿心界（心缘边界贴合）
[3] 锁骨到膈肌的边界清晰
—— 三条全过才入集；筛检者人数/一致性未披露（存照）

附录 D：人口学分布双表

种族	n	占比
White	148	13.0%
Black	382	33.5%
Hispanic	411	36.0%
Asian	200	17.5%

年龄段	n
<20	9
20-40	230
40-60	425
60-80	249
>80	79

（性别：女 616 / 男 525；来源 MIMIC-IV join）

附录 E：区域消融实验设计卡（三陷阱声明版）

设计：模型分别输入 [肺区图] 与 [非肺区图] → 比较 AUC
陷阱一：512 重采样+区域裁剪 = 双重变换（性能差≠纯区域效应）
陷阱二：非肺区含肩部/心缘/设备（非纯背景）
陷阱三：肺区图的肺占比 100% = 分布外（与训练分布不同）
声明模板：区域消融结果受重采样/分布外/裁剪效应影响，
         结论限于"区域信息的相对贡献"而非绝对定位。

附录 F：Lancet 论文核心数字卡

种族识别 AUC：X-ray 0.91-0.99 ｜ CT 0.87-0.96 ｜ 乳腺 0.81
代理排除：BMI 0.55 / 疾病分布 0.61 / 乳腺密度 0.61
腐蚀鲁棒：降质/裁剪(1/9)/噪声后仍准
区域消融（本集）：非肺 0.715 > 肺 0.62
结论：hidden signals 机制未明——部署警示

附录 G：与 510 的形态对照总表

维度	510 heart-lung-segmentations	513（本集）
产物	二值 PNG 掩码	分割图像对（JPEG）
覆盖	338 心+200 肺	1,141 对肺/非肺
生成	人工勾画（ITK-Snap）	TernausNet+人工筛检
质控	NHS 逐图审校	人工筛检（>70% 弃）
团队	牛津六人	清华+Emory+MIT 五人
挂牌	2023-08	2022-08（早一年）
许可	ODC-BY	Credentialed 1.5.0
rid	610	613

附录 H：引用地图

用途	必引	建议加引
使用分割图像	本集 DOI + MIMIC-CXR	Lancet 论文
区域消融方法	本集 DOI + Geirhos 2020	Lancet 论文
种族识别引用	Lancet 论文	本集 DOI
公平性教学	Lancet 论文 + 本集 DOI	—

附录 I：时间线总表

时点	事件
2020	Geirhos 捷径学习（Nat Mach Intell）
2021-07	Gichoya 预印本
2022-06-01	Lancet Digit Health 发表
2022-08-18	本集挂牌
2026-09	Views 439｜论文引用 711

附录 J：三十问自测卷

 1 本集 DOI？—— 10.13026/d9zv-4d92
 2 发布？—— 2022-08-18 v1.0.0
 3 访问？—— Credentialed 1.5.0
 4 产物形态？—— 分割图像对（Lung/Non-lung）非掩码
 5 多少对？—— 1,141 对
 6 漏斗？—— 4,091→人工筛→1,141（>70% 不合格）
 7 验收标准？—— 肺叶完整/沿心界/锁骨-膈肌清晰
 8 分割模型？—— TernausNet（U-Net+VGG11）
 9 分辨率？—— 512×512 JPEG
10 团队三方？—— 台湾清华×3+Emory+MIT
11 关联论文？—— Lancet Digit Health 2022;4(6):e406-e414
12 论文引用？—— 711（核查时点）
13 论文核心发现？—— AI 能从影像识别种族（AUC 0.91-0.99）
14 本集的实验角色？—— 区域消融：排除'靠肺区'假设
15 区域消融结果？—— 非肺 0.715 > 肺 0.62
16 落差最大类？—— cardiomegaly（0.848→0.691）
17 hidden signals？—— 未知机制——开放问题
18 人口学来源？—— MIMIC-IV join
19 性别分布？—— 女 616/男 525
20 四族群？—— White 148/Black 382/Hispanic 411/Asian 200
21 join 键？—— subject_id+study_id
22 与 510 的形态差异？—— 掩码 vs 图像对
23 最大坑？—— 当掩码用+单臂报告
24 方法学出处？—— Geirhos 2020 捷径学习
25 区域消融三陷阱？—— 重采样/分布外/裁剪效应
26 伦理要点？—— 种族字段的目的是检测偏见
27 代码库？—— lichingcat 与 IlliaOvcharenko 两 repo
28 Ethics？—— 随 MIMIC-CXR 同一 IRB
29 DAIMS？—— 6.5
30 只记一件事？—— 负结果也是基础设施——排除法的载体

附录 K：术语总表（拼音/字母序节选）

术语	含义
shortcut learning	捷径学习——模型学非诊断特征（Geirhos 2020）
TernausNet	U-Net+VGG11 encoder 分割架构
区域消融	区域受限输入的性能对照实验
Lung/Non-lung 对	同片切成肺区图+非肺区图
人工筛检	逐张人工检查剔除不合格自动分割
hidden signals	Lancet 论文的未知种族信息载体
区域消融三陷阱	重采样/分布外/裁剪效应
pixel-level 对齐	512 重采样与原图的对应处理
四族群	White/Black/Hispanic/Asian 人口学
患者级切分	subject_id 分组的泄漏控制
负结果基础设施	为排除性实验服务的资产
Grad-CAM	梯度类激活热图（可视化方法）
区域受限输入	只喂指定区域的输入构造
筛检制	自动+人工剔除的质控（vs 共识制/审校制）
MIMIC-IV	人口学 join 的来源库
双代码库	分割训练 repo+本集生成 repo

附录 L：反模式与读者路线

反模式：当掩码用｜单臂报告｜种族字段无目的使用｜漏引 Lancet｜忽略 512 重采样。

可解释性研究者：§5.2 捷径自检+附录 E 三陷阱声明——审计自己的模型从区域消融开始。
公平性团队：附录 D 人口学+Lancet 论文框架——种族字段是责任也是燃料。
教学者：Lancet 论文+本集=负结果教学的完整包——"不确定"也是科学产出。

附录 M：一百二十条一分钟事实（第 1-120 条）

  1 本集 slug 是 lung-segment-mimic-cxr。
  2 DOI 是 10.13026/d9zv-4d92。
  3 发布于 2022-08-18，v1.0.0，唯一版本。
  4 访问级别 Credentialed（License 1.5.0+DUA）。
  5 产物是分割图像对，不是掩码。
  6 Lung 文件夹与 Non-lung 文件夹各 1,141 张。
  7 分辨率 512×512 JPEG。
  8 流程起点是 4,091 张随机 MIMIC-CXR。
  9 分割模型是 TernausNet（U-Net+VGG11 encoder）。
 10 训练 100 epochs，Adam lr 0.0005。
 11 训练切分 80-10-10。
 12 图像先 resize 到 512×512 再进网络。
 13 人工筛检剔除了超过 70% 的自动分割结果。
 14 不合格的判据：解剖标志错误。
 15 验收三标准：肺叶完整/沿心界/锁骨到膈肌边界清晰。
 16 通过率 27.9%。
 17 最终产出 1,141 对肺/非肺图。
 18 团队五人：清华三人+Emory 一人+MIT 一人。
 19 Li-Ching Chen/Po-Chih Kuo/Ryan Wang 来自台湾清华。
 20 Judy Gichoya 来自 Emory。
 21 Leo Anthony Celi 来自 MIT。
 22 Gichoya 是 Lancet 论文一作。
 23 Celi 是本集与 MIMIC 生态的 PI。
 24 关联论文发表在 Lancet Digital Health。
 25 论文卷期：4(6):e406-e414。
 26 论文发表日 2022-06-01。
 27 论文 DOI 10.1016/S2589-7500(22)00063-2。
 28 论文 Google Scholar 引用 711（核查时点）。
 29 论文作者 20 人，跨国四国以上。
 30 论文核心：AI 能从影像识别自报种族。
 31 胸片识别 AUC 0.91-0.99。
 32 胸部 CT AUC 0.87-0.96。
 33 乳腺 X 光 AUC 0.81。
 34 代理变量排除：BMI 0.55。
 35 疾病分布代理：0.61。
 36 乳腺密度代理：0.61。
 37 降质/裁剪至 1/9/加噪后识别仍准。
 38 机制未明——论文称为 hidden signals。
 39 区域消融结果：非肺区 0.715 优于肺区 0.62。
 40 14 类平均的区域消融口径。
 41 edema：非肺 0.784 vs 肺 0.728。
 42 consolidation：非肺 0.678 vs 肺 0.674。
 43 pleural effusion：非肺 0.849 vs 肺 0.625。
 44 pneumothorax：非肺 0.807 vs 肺 0.550。
 45 atelectasis：非肺 0.745 vs 肺 0.595。
 46 cardiomegaly：非肺 0.848 vs 肺 0.691。
 47 结论：种族识别不靠肺区——嫌疑转向非诊断区域。
 48 方法论基础是 Geirhos 2020 捷径学习。
 49 页面引 Grad-CAM 并指出其局限。
 50 页面引 Oh 2020：仅肺区 patch 也能提升 COVID 分类。
 51 页面对比 JSRT 247 张与 Montgomery 138 张。
 52 JSRT 与 Montgomery 都没有临床数据。
 53 MIMIC-CXR 此前没有公开分割标签——本集动机。
 54 文献里 94.9% Dice 是 Montgomery 正常片上的数字——真实 ICU 分布不同。
 55 人口学来自 MIMIC-IV 的 subject_id join。
 56 女性 616 人（54.0%）。
 57 男性 525 人（46.0%）。
 58 White 148 人。
 59 Black 382 人。
 60 Hispanic 411 人。
 61 Asian 200 人。
 62 年龄五段：<20 有 9 人。
 63 20-40 有 230 人。
 64 40-60 有 425 人。
 65 60-80 有 249 人。
 66 80 以上有 79 人。
 67 四族群配置支撑公平性研究。
 68 性别比接近均衡。
 69 Ethics：随 MIMIC-CXR 同一 IRB。
 70 COI：无竞争利益。
 71 代码库一：IlliaOvcharenko/lung-segmentation（TernausNet 训练）。
 72 代码库二：lichingcat/Chest-X-rays-Segmentation-Images-Based-on-MIMIC-CXR。
 73 文件命名含 view/subject_id/study_id。
 74 CSV 存文件名与三键索引。
 75 join 键：subject_id+study_id。
 76 可 join MIMIC-CXR 原图与标签。
 77 可 join MIMIC-IV 人口学。
 78 图像已经 512 重采样——与原图分辨率不同。
 79 训练用途限制：不适合当掩码集。
 80 审计用途：区域消融是设计用途。
 81 区域消融的三陷阱：重采样/分布外/裁剪效应。
 82 非肺区不是纯背景（含肩/心缘/设备）。
 83 肺区图的肺占比 100%——分布外效应。
 84 性能差不能全归因区域——三陷阱声明。
 85 Lancet 论文作者 20 人跨国。
 86 资助含 NIBIB/MIDRC/NSF/NLM/台湾科技部。
 87 台湾清华是 Celi 生态的台湾线（与 507 同校）。
 88 Gichoya 是 Emory HITI Lab 主任。
 89 Celi 的引用语：This paper should make us pause。
 90 论文警示：开发者/监管者/使用者都应极端谨慎。
 91 论文建议：模型发布前做种族/性别/年龄审计。
 92 论文建议：数据集尽量收录自报种族。
 93 识别能力在腐蚀/裁剪/加噪下持续——控制它很难。
 94 本集的使用声明：区域消融受重采样/分布外/裁剪影响。
 95 与 510 的差异：掩码 vs 图像对。
 96 与 510 的质控对照：NHS 审校 vs 人工筛检。
 97 与 507 的关联：同属 Celi 生态台湾线。
 98 Views 439（unique registered users）。
 99 本批论文引用最高：711 次（506 的 MIUA 10 次/507 的 npj 25 次对照）。
100 负结果也是基础设施——排除法的载体。
101 DAIMS 6.5：用途独特但形态与体量受限。
102 rid 613——批次六第 8 发。
103 下一发：514 lunguage（肺超声文本语料）。

附录 N：三领域定位卡

领域一：可解释性（XAI）
本集是"区域消融"方法的载体——Grad-CAM 给热图，区域消融给因果方向；两者结合才构成完整的模型自检。页面 Usage Notes 的三层用法（区域受限输入/热图目检/肺区聚焦验证）是 XAI 工程的标准动作。

领域二：公平性（Fairness）
Lancet 论文的种族识别发现让"数据集里该不该有种族字段"的争论有了实证语境——本集的四族群人口学支持公平性审计，同时自身的筛检率也可以按族群分解（自动分割的公平性——无人做过）。

领域三：分割方法论
4,091→1,141 的漏斗是"自动分割在真实分布上失败率"的首批定量实证之一——对照文献在正常片上的高 Dice，本集暴露了分布难度的真相。分割论文报 Dice 时应同时报"真实分布可用率"。

附录 O：捷径检测的六个进阶问题

1  消融区域的最优粒度？—— 肺/非肺只是起点；心区/纵隔/肋骨区都可细分。
2  消融会引入分布外吗？—— 会——需与"同分布裁剪"对照组并列。
3  捷径能被去除吗？—— 对抗训练/背景增强是候选——效果未定。
4  热图与消融结论冲突怎么办？—— 热图是相关性证据，消融是因果证据——以消融为准。
5  种族识别的 hidden signals 在频域吗？—— 论文显示全频段持续——频域分解未定。
6  患者级还是图像级的捷径？—— 都可能——患者级切分是底线，图像级结论要谨慎。

附录 P：批次六进度存照（513 后）

506 cxr-cardiomegaly              rid 606  ✅ 2026-09-22（ODC-BY）
507 cxr-phone                     rid 607  ✅ 2026-09-23（Cred×2）
508 cxr-pro                       rid 608  ✅ 2026-09-23（Cred）
509 fdtooth                       rid 609  ✅ 2026-09-23（Cred）
510 heart-lung-segmentations-data rid 610  ✅ 2026-09-23（ODC-BY）
511 image-embeddings-mimic-cxr    rid 611  ✅ 2026-09-23（Cred）
512 latte-cxr                     rid 612  ✅ 2026-09-23（Restricted）
513 lung-segment-mimic-cxr        rid 613  ✅ 2026-09-23（Cred）本条
514-515                           lunguage / maternal-ultrasound-nutrition
批次六工单：r3i2Os｜批次进度 8/10
全库在架：601（del_sign=0 口径）

附录 Q：六十问补遗（编号 51-110 的延伸）

51 本集可以当分割训练集吗？—— 不可以——产物是图像对不是掩码。
52 区域消融的对照怎么设？—— 肺区/非肺区必须成对报告。
53 消融的性能差能归因区域吗？—— 需声明三陷阱（重采样/分布外/裁剪）。
54 非肺区里有什么？—— 肩部/心缘/设备/背景——不是纯背景。
55 肺区图的肺占比？—— 100%（分布外效应的来源）。
56 种族识别的载体找到了吗？—— 没有——hidden signals 机制未明。
57 代理变量排除了哪些？—— BMI（0.55）/疾病分布（0.61）/乳腺密度（0.61）。
58 腐蚀实验的结果？—— 降质/裁剪 1/9/加噪后识别仍准。
59 频域分解的结论？—— 全频段持续——控制它很难。
60 患者级切分为什么是底线？—— MIMIC 多图/患者，随机切分=泄漏。
61 本集与 510 谁先挂牌？—— 本集 2022-08 早于 510 的 2023-08。
62 两集的许可差异？—— 510 ODC-BY（Open）vs 本集 Credentialed。
63 本集的图像能直接用吗？—— 能（分割图像本身就是产物）。
64 还需要 MIMIC 原图吗？—— 加标签/原图对照时需要（CITI+DUA）。
65 人口学从哪 join？—— MIMIC-IV（subject_id）。
66 种族字段能删掉吗？—— 技术上能但公平性研究需要它——双面性。
67 论文的种族分类是几类？—— 自报种族（Black/White/Asian 为主口径）。
68 本集的四族群够几分类？—— 四类（与论文口径接近）。
69 区域消融的 AUC 是哪个任务？—— 14 类肺部发现的分类（MIMIC 标签）。
70 非肺区性能为什么更好？—— 种族/设备/体表信息在肺外——捷径载体。
71 肺区性能为什么仍 0.62？—— 肺内也有微弱信号——但显著弱。
72 消融实验的方向能反吗？—— 能——只喂非肺区测诊断也是有效设计。
73 510 的掩码能做本集的消融吗？—— 能且更精细（掩码减法裁剪）——两集互补。
74 TernausNet 的预训练是什么？—— ImageNet 预训练的 VGG11 encoder。
75 训练数据是什么？—— 非本集（先在别处训练再推理 MIMIC）——页面口径为推理筛选。
76 1,141 对的图像配对关系？—— 同一原图切成肺/非肺两张——一一对应。
77 文件名里的 img 前缀？—— MIMIC 的 image 约定（img-<subject>_<study>）。
78 CSV 有几列？—— 文件名/subject_id/study_id/view（页面口径）。
79 view 字段的取值？—— front-view（本集只收 front）。
80 本集有侧位吗？—— 没有——front-view 排除标准。
81 筛检的解剖标志错误举例？—— 肺叶缺失/心界不贴/边界模糊——页面口径为解剖标志。
82 自动分割为什么在 ICU 片上失败率高？—— 设备/伪影/病理改变解剖外观。
83 本集与 JSRT 的口径差异？—— JSRT 是结节筛查集+人工掩码；本集是 ICU 分布+筛检图像对。
84 Montgomery 在本集的角色？—— 文献对照（分割基准的常客）——非本集数据。
85 本集的人口学能做流行病学吗？—— 谨慎——样本是筛检后的子集（选择偏倚）。
86 患者数与图像数一致吗？—— 页面未给患者去重数——按 subject_id 自查。
87种族识别的伦理争议？—— 识别能力本身非问题，滥用风险才是（论文原话）。
88 Celi 的立场？—— 'more data with representation is not a panacea'。
89 论文建议数据集收什么？—— 自报种族（支持后续公平性研究）。
90 本集的种族字段是自报吗？—— 随 MIMIC-IV（自报口径继承）。
91 台湾科技部资助的出现？—— 台湾清华团队的参与资助（与 507 同源生态）。
92 区域消融的指标？—— 分类 AUC（也可用灵敏度/特异度）。
93 本集图像能喂 SAM 吗？—— 可以做 prompt 实验（肺区 mask 作为 prompt 参照）。
94 与 511 嵌入的对照？—— 511 是全图语义向量；本集是区域物理切片——粒度不同。
95 能把本集图像过 511 的嵌入吗？—— 能——嵌入接口对任何图开放——跨集对齐实验可做。
96 本集图像的 PNG/JPEG？—— JPEG（页面 Data Description 明示）。
97 非肺区图的大小与肺区一致吗？—— 是——同尺寸 512×512。
98 有 CSV 之外的索引吗？—— GitHub repo 有示例代码（显示图像与生成过程）。
99 本集的短版故事？—— 4,091 张自动分割，七成不合格，人工筛出 1,141 对，然后帮 Lancet 论文排除了一个假设。
100 若只记一件事？—— 捷径学习要靠排除法抓——而排除法需要专门的仪器型数据集。

附录 R：批次六八集总表（506-513 全景）

序号	slug	形态	许可	团队	论文引用	rid
506	cxr-cardiomegaly	数值层	ODC-BY	牛津6	10	606
507	cxr-phone	照片层	Cred×2	三国7	25	607
508	cxr-pro	文本层	Cred	哈佛3	少	608
509	fdtooth	双模态标注	Cred	HKU×HKUST 10	新	609
510	heart-lung-segmentations	掩码层	ODC-BY	牛津6	10	610
511	image-embeddings-mimic-cxr	嵌入层	Cred	Google7	中	611
512	latte-cxr	图文对齐	Restricted	犹他2	新	612
513	lung-segment-mimic-cxr	分割图像对	Cred	清华+Emory+MIT 5	711	613

附录 S：术语二表（进阶术语）

术语	含义
区域消融	区域受限输入的因果性对照实验
分布外效应	消融输入偏离训练分布的混杂
捷径载体	承载伪相关信号的图像区域（背景/设备）
筛检制	自动输出+人工剔除的质控形态
通过率	27.9%（本集漏斗的量化）
拼图风险	多字段组合的重识别（对照 512）
行为信号	眼动/拍照等人类过程数据（507/512 对照）
排除性证据	用于否定假设的实验设计
双代码库	训练 repo 与生成 repo 并行开源
四族群	种族人口学的公平性配置

附录 T：三道可发表的论文题目

《自动肺分割的真实分布失败率：4,091 张 ICU 胸片的筛检实证》——以本集漏斗为核心，按设备/病理/体位分解失败率——分割部署的前置审计方法论。
《种族信息的区域定位：肺区/非肺区消融的多任务扩展》——把 Lancet 论文的二区消融扩展到多区域+多任务——hidden signals 的区域指纹图谱。
《筛检一致性的量化缺失》——重建筛检协议并测量人工筛检的 IAA（标注者间一致性）——填补本集质控文档的唯一缺口。

附录 U：核查工具链流水账

R1-a WebFetch /lung-segment-mimic-cxr/1.0.0/——全量结构化提取
R2-a curl /tmp/513_page.html（50,723 B）——Views 439
R2-b 解析 Access Policy——Credentialed 实锤
R2-c 解析 License——Credentialed 1.5.0 + DUA
R2-d 作者卡——清华×3/Emory/MIT 机构实锤
R3-a WebSearch Gichoya Lancet 论文——Scholar 711 引
R3-b MTMT/Emory 新闻——20 作者/核心数字/资助链
R3-c 交叉——本集在论文中的排除性实验角色确认

附录 V：三条读者路线的一页纸

可解释性研究者：§5.2 捷径自检+附录 E 三陷阱——把你自己的模型拉过来照一遍。
公平性团队：§2.4 伦理纵深+附录 D 人口学——Lancet 框架的域内复现从这里开始。
分割工程团队：§4.1 漏斗账+附录 B——自动分割的可用率审计模板（4,091→1,141 的漏斗可复制）。

附录 W：下一发预告与批次账本

514 lunguage  肺超声文本语料（医疗NLP）
515 maternal-ultrasound-nutrition  母体超声与营养
批次六进度：8/10 ｜ 506-513 闭环（rid 606-613 连续）
全库在架：601 ｜ 剩余：2 条（514/515）后批次六收官

附录 X：六域迁移卡（区域消融方法的跨界应用）

域 1：心胸比值管线（对 506）
用区域消融检验 506 的 CTR 管线是否真在看心影——把非心区涂黑后 CTR 输出的稳定性，就是管线可信度的直接证据。

域 2：COVID 分类（对 Oh 2020）
页面引用的正面案例：只用肺区 patch 训练反而提升灵敏度——区域受限不只是检测捷径，也能主动提纯信号。

域 3：设备指纹检测
支持设备（起搏器/引流管）在非肺区的概率极高——若模型对设备敏感，非肺区性能会异常抬升——设备依赖的红旗检测。

域 4：医院指纹检测
医院 token/烧录文字是非肺区的经典捷径——MIMIC 的单中心特性让它在本集无法充分研究——跨院数据的消融是延伸方向。

域 5：频域捷径
Lancet 论文的腐蚀实验（低通/高通滤波后种族识别仍准）提示频域捷径——区域消融+频域分解的双轴设计是进阶实验。

域 6：多模态融合审计
对视觉-语言模型（如 508 的报告生成），区域消融可以检验"文本条件是否真的引导视觉注意力"—— grounding 与消融的联合审计。

附录 Y：八集叙事一句话卡（506-513 的新闻导语练习）

506：牛津团队把 96K 张胸片的心的轮廓，变成了 96K 行可以下载的数字。
507：七个人用 8 部手机 8 台显示器证明：你的 AI 认识 X 光机，不认识手机。
508：哈佛三人组删掉了教材里所有"和上次比"——模型的幻觉好了大半。
509：两个牙医画了 2,892 颗牙的答案，κ>0.9 证明他们没吵架。
510：牛津的草稿纸公开了——338 张手工掩码教会模型认心肺。
511：Google 把 37 万张胸片压成向量，医学 AI 的入场券降到了一台笔记本。
512：两个犹他人记录了医生读片时眼睛看哪——可解释性从此有了 IoU。
513：1,141 对分割图排除了一个假设：AI 认种族，不靠肺。

附录 Z：十组数字卡片（速记版）

1   1,141 对（ Lung/Non-lung 成对产物）
2   4,091 张（漏斗入口）
3   >70%（人工筛检不合格率）
4   27.9%（通过率）
5   0.715 vs 0.62（非肺区/肺区 14 类平均 AUC）
6   0.848→0.691（cardiomegaly 的最大落差）
7   711（Lancet 论文引用）
8   4(6):e406-e414（Lancet 卷期页码）
9   5 人（清华3+Emory1+MIT1）
10  613（本条 rid）

附录 AB：复核问答（给下一位核查者的五问五答）

Q1 最重要的复核点？ 产物形态（图像对非掩码）——所有误用都源于此。
Q2 数字最易错的？ 4,091/1,141/27.9% 三个漏斗数字——与 510 的 338/200 数字别串。
Q3 论文引用的口径？ 711 是 Scholar 核查时点——引用时标注时点。
Q4 区域消融结论的边界？ 三陷阱（重采样/分布外/裁剪）必须随附。
Q5 人口学使用的红线？ 目的=偏见检测；表述需审查；聚合输出。

附录 AC：生产管线 ASCII 全图

MIMIC-CXR v2.0.0（377,110 DICOM，Credentialed）
        │ 随机抽取
        ▼
   [4,091 张 front-view]
        │ TernausNet（VGG11 encoder，100 epochs）
        ▼
   [自动分割结果]——>70% 解剖标志错误！
        │ 人工逐张筛检（三验收标准）
        ▼
   [1,141 对 Lung/Non-lung]（512×512 JPEG）
        │
        ├──► Lancet 论文：种族识别的区域排除实验（0.715 vs 0.62）
        ├──► 社区：捷径自检/区域消融/公平性审计
        └──► 本百科：rid 613（2026-09-23）

附录 AD：六问六答（深层方法学）

Q1 为什么不用 U-Net 原版而用 TernausNet？ VGG11 encoder 的 ImageNet 预训练在小数据上更稳——2022 年的实用选择。
Q2 80-10-10 的切分是患者级吗？ 页面未明说——存照（若非患者级，Dice 数字的水分另计）。
Q3 人工筛检的成本？ 未披露——按每张 1-2 分钟估，4,091 张约 70-140 小时人力（推算，存照）。
Q4 Lung 图的肺外像素是什么？ 全黑（区域外置零）——非"模糊化"——区域的二元定义。
Q5 Non-lung 图能反推原图吗？ 部分可以（非肺区像素保留）——可逆性讨论见 §8.1。
Q6 这套流程的泛化性？ 三要素（自动分割+人工筛检+区域对照）与具体模型无关——可整体迁移。

附录 AE：FAQ 补遗（编号 121-130）

筛检后的 1,141 张的疾病谱？ 未披露——随机+筛检的联合分布需自查。
分割图能还原肺掩码吗？ 能——Lung 图的非零区域即肺掩码（等价信息）。
那它和 510 的掩码等价吗？ 信息等价但形态不同（图 vs 掩码）——许可与用途不同。
本集图像的 PNG/JPEG？ JPEG（Data Description 明示）。
人工筛检的三标准有量化吗？ 无——几何判据的目检（存照）。
非肺区含心脏吗？ 含（心影在非肺区——cardiomegaly 落差 0.848→0.691 的原因）。
训练时的区域定义是谁做的？ TernausNet 的软输出+阈值——非人工框。
4,091 张的随机有种子吗？ 未披露——复现的随机性存照。
论文与本集谁先？ 论文 2022-06、本集 2022-08——论文先行。
作者里谁是学生？ 未披露——三清华作者的学位状态存照。

附录 AF：与 510 的七维对照（扩展版）

维度	510	513（本集）
信息形态	二值归属（掩码）	区域图像（保留像素）
训练适配	分割器训练	分类器区域消融
人工质控	NHS 审校（掩码级）	筛检（图像级，>70% 弃）
覆盖	338 心/200 肺	1,141 对
器官	心+肺	仅肺（vs 非肺）
可逆性	不可逆（纯轮廓）	部分可逆（保留像素）
许可	ODC-BY（Open）	Credentialed 1.5.0
挂牌	2023-08	2022-08
rid	610	613

附录 AG：2026-2030 五年展望（本集相关）

2026：区域消融成为模型审计标准动作（监管推动）——本集的引用进入平台期增长。
2027：公平性审计强制化（若监管落地）——四族群人口学的价值重估。
2028：自动分割在真实分布的失败率文献成熟——本集 27.9% 的漏斗成为历史基线。
2029：基础模型时代的人工金标准溢价——510/513 式"小而真"资产的价值重估向上。
2030：unknown——hidden signals 的机制若解开，本集在科学史中的位置将被重写（从基础设施变为里程碑）。

附录 AH：五维风险评估矩阵（使用前自查）

风险维度	等级	说明	缓解
患者泄漏	中	MIMIC 多图/患者	subject_id 患者级切分
形态误用	高	当掩码集用（高频误用）	本条目 §1.7 对照表
重采样偏置	中	512 重采样改变分布	声明+对照实验
人口学敏感	高	种族字段的伦理重量	目的声明+聚合输出
捷径污染	中	512×512 的 JPEG 压缩痕迹	区域消融本身即检测手段

附录 AI：三角色检查清单（逐条打勾版）

建模者清单

[ ] 患者级切分已执行
[ ] Lung/Non-lung 成对输入
[ ] 512 重采样已声明
[ ] 三陷阱已声明（附录 E）
[ ] 热图与消融结论交叉验证

审计者清单

[ ] 非肺区性能 ≥ 肺区 → 捷径红旗
[ ] cardiomegaly 落差已单独解释
[ ] 阴性结论的表述已保守化
[ ] 种族相关措辞已过审查

数据管理者清单

[ ] DUA 1.5.0 已签
[ ] 种族字段的使用目的已记录
[ ] 衍生产物的许可已核对
[ ] 引用三件套已入参考文献

附录 AJ：三条引文（终版收束备选）

引审计者：“区域消融是模型审计里最便宜的一把锤子——本集把钉子也备好了。”
引学生：“最好的数据集不给你答案，给你排除错误答案的工具。”
引编者："从 4,091 到 1,141，人类筛掉的三千张图，比留下的一千张更说明问题。

附录 AK：批次账本修订与下一发

批次六进度：8/10（506-513 闭环，rid 606-613 连续无空洞）
514 lunguage                     肺超声文本语料（医疗NLP）——下一发
515 maternal-ultrasound-nutrition 母体超声与营养——批次六末条
批次六 DAIMS 谱：7.0×4（506/508/510/511）+ 6.5-7.0×3（507/509/512）+ 6.5×1（513）
全库在架：601（del_sign=0 口径）｜ 批次六工单：r3i2Os

附录 AL：本条目在生产中的三个第一

第一个"负结果基础设施"条目——此前条目都是"正面资产"（数值/掩码/嵌入），本集是第一个为排除假设而生的仪器型资产。
第一次完整记录"漏斗型质控"——4,091→1,141 的筛检漏斗（>70% 不合格）是全库最诚实的质控数字。
第一篇 711 引论文的配套基础设施——此前条目的关联论文引用最高 25（507）——本集把量级提了一个数量级。

附录 AM：三条路线的最终导引（一句话版）

给建模者：你的模型在非肺区表现得更好吗？——那你在训练捷径，不是训练诊断。
给公平性团队：hidden signals 还没找到，但排除法的网已经撒下——本集是网的第一格。
给所有读者：数据集的勇气，有时候体现在公开自己的 70% 不合格。

—— 本条目到此为止；下一发 514 lunguage，批次六还剩两格。