信息速览

数据集名称mBRSET — 移动巴西视网膜数据集 5,164 张手持眼底照

数据类型人工标注,影像数据,原始数据

规模1,291 名糖尿病患者 / 5,164 张眼底彩照（单次筛查活动，2022 年 11 月）

接入方式巴西巴伊亚州伊塔布纳市 Itabuna Diabetes Campaign 现场采集的 5,164 张眼底彩照（Phelcom Eyer + Samsung Galaxy S10，1600×1600 px JPEG）+ labels_mbrset.csv（24 列元数据与标签）

AI 就绪度

mBRSET (mbrset) — 移动巴西视网膜数据集

一句话定位：mBRSET 是眼科 AI 数据谱系里第一个把「手持便携眼底相机」和「中低收入国家真实筛查现场」两个条件同时满足的公开糖尿病视网膜病变（diabetic retinopathy, DR）数据集——它证明了一部手机加一枚便携镜头，在巴西东北部一次社区糖尿病筛查活动里，就能产出一份带 ICDR 分级、黄斑水肿判读和公平性元数据的可用语料。

INFOBOX	内容
官方全称	mBRSET, a Mobile Brazilian Retinal Dataset
slug	mbrset
等价索引名	MBRSET（论文早期题名与学术索引大写形式）
发表	Scientific Data（Nature Portfolio）2025, 12:323
DOI	10.1038/s41597-025-04627-3（论文）；10.13026/qxpd-1y65（PhysioNet v1.0）
PMID / PMCID	39987104 / PMC11846882
首次公开	PhysioNet v1.0，2024-06-26
规模	5,164 张眼底彩照 / 1,291 名糖尿病患者
采集	2022 年 11 月，巴西巴伊亚州伊塔布纳 Itabuna Diabetes Campaign
相机	Phelcom Eyer（手持智能手机眼底相机）+ Samsung Galaxy S10
模态	彩色眼底照（color fundus photography）
任务	DR 分级（ICDR 0-4）、DR 二分类、黄斑水肿、公平性（教育/医保/性别）
许可	PhysioNet Credentialed Health Data License 1.5.0
访问	Credentialed Access（credentialed user + CITI 培训 + DUA）
代码	https://github.com/luisnakayama/mBRSET
托管	PhysioNet /content/mbrset/1.0/
姊妹数据集	BRSET（库内 `brset`，台式机，16,266 图 / 8,524 患者）

§0 导读：这个数据集解决什么问题

0.1 一句话背景

糖尿病视网膜病变是全球工作年龄人群可预防性失明的首要病因。筛查它的金标准工具是散瞳后的眼底彩照，而传统的台式眼底相机（tabletop fundus camera）贵、大、重、操作复杂，在眼科医生本就稀缺的中低收入国家（low- and middle-income countries, LMICs）几乎无法铺开。近十年，一类便携式手持视网膜相机——把镜头扣在智能手机上——把设备成本压到了台式机的零头，理论上让社区筛查、远程会诊、基层卫生站成为可能。

但算法要训练、要验证、要评测公平性，就必须有数据。而当时的公开 DR 数据集——美国的 EyePACS、法国的 Messidor-2、印度的 RFMiD——几乎清一色来自台式机、来自有医疗资源的场景。便携机采的、真实高负担场景下的、带丰富人口学元数据的 DR 数据，是一片空白。

mBRSET 填的就是这个空白。

0.2 它到底提供了什么

mBRSET 用一枚 Phelcom Eyer 手持相机（集成在三星 Galaxy S10 上），在 2022 年 11 月巴西东北部巴伊亚州伊塔布纳市的一场糖尿病筛查活动中，拍下了 1,291 名患者的 5,164 张眼底彩照。这些照片：

每张都带一个 ICDR 分级（International Clinical Diabetic Retinopathy，国际临床糖尿病视网膜病变分级）0 到 4 级，由两名视网膜专科医师判读、第三名资深专家裁决；
每张都带一个黄斑水肿（macular edema）yes/no 标签；
每张都带眼别、伪影、图像质量三个评估字段；
每张都挂在一张包含年龄、性别、糖尿病病程、胰岛素使用、教育水平、医保状态、七八种并发症的元数据表上。

前三类让它能训练临床诊断模型，最后一类让它能训练公平性（fairness）模型——去预测一个人的教育水平、医保状态、性别，从而检验算法会不会在不同社会经济子群里表现失偏。

0.3 为什么值得为它写一个条目

三个理由：

第一，它是「便携眼底 + LMIC」这一细分品类的开山数据集。在它之前，公开 DR 数据集全是台式机；在它之后，任何声称「我们的算法适用于基层筛查」的论文，都得把它放进对照表。

第二，它是 BRSET 的姊妹数据集，构成一个天然的方法学对照。同一支团队（Nakayama 等），先做了台式机的 BRSET（16,266 图 / 8,524 患者），再做手持机的 mBRSET。把两者并排看，你几乎是在读一篇关于「相机硬件如何影响数据分布与模型表现」的准实验。

第三，它的工程坑点密集且真实。凭证访问、单点采集、类别极度不平衡（76.8% 是 0 级）、82.7% 图像带伪影、水肿标签一致性明显低于 DR——这些不是教科书里的干净假设，而是每一个真正想用它的人都会撞上的墙。

0.4 阅读路线图

想快速判断「要不要用」→ 直接跳到 §1 十问十答和 §11 决策卡。
想知道「数据长什么样」→ §2 数据构成与规格。
想复现论文基准 → §5 基准与评估 + §6 获取与许可。
想避开陷阱 → §10 避坑清单（8 个坑）。
想做准入评估 → §7 DAIMS 评估全表。

§1 数据集速览：十问十答

Q1：mBRSET 的官方全称是什么？
A：PhysioNet 页面与论文正题写作 mBRSET, a Mobile Brazilian Retinal Dataset。论文在 Scientific Data 的标题是 A portable retina fundus photos dataset for clinical, demographic, and diabetic retinopathy prediction，早期 medRxiv 预印本标题写作 MBRSET: A portable retina fundus photos benchmark dataset for clinical and demographic prediction。官方拼写用小写 m（mBRSET），学术索引常写成全大写 MBRSET，指向同一数据集。

Q2：它有多大？
A：5,164 张眼底彩照，来自 1,291 名糖尿病患者。这两个数字在 PhysioNet 摘要与论文摘要中完全一致。注意：DR 分级评估实际覆盖约 4,885 张（有 281 张 ICDR 缺失），引用图像数时须声明口径。

Q3：图像是用什么相机拍的？
A：Phelcom Eyer——巴西 Phelcom Technologies（圣卡洛斯）出品的便携式手持智能手机眼底相机，集成在一部 Samsung Galaxy S10（Android 11） 上。45° 视场，1200 万像素传感器，标称图像尺寸 1600×1600 像素，自动对焦范围 −20 至 +20 屈光度。

Q4：在哪里、什么时候采的？
A：2022 年 11 月，巴西巴伊亚州伊塔布纳市（Itabuna）的一场糖尿病筛查活动（Itabuna Diabetes Campaign）。属于社区/门诊筛查场景，不含医院住院数据；是单次、单点采集。

Q5：标签体系是什么？
A：核心是 ICDR 0-4 分级（0 正常 / 1 轻度非增殖 / 2 中度非增殖 / 3 重度非增殖 / 4 增殖性）加 黄斑水肿 yes/no。判读由两名视网膜/玻璃体专科医师完成，分歧由第三名资深专家裁决；ICDR 加权 Kappa 0.863，黄斑水肿加权 Kappa 0.618。另有眼别、伪影、质量三项辅助标签。

Q6：元数据里有什么特别的？
A：最特别的是公平性字段：教育水平（1-7 级）、医保状态、性别。此外还有年龄、糖尿病病程、胰岛素使用、口服降糖治疗，以及系统性高血压、血管疾病、急性心梗、肾病、神经病变、糖尿病足等合并症。

Q7：怎么获取？
A：PhysioNet 凭证访问（Credentialed Access）。须为 credentialed user、完成 CITI “Data or Specimens Only Research” 培训、签署 Data Use Agreement。许可证为 PhysioNet Credentialed Health Data License 1.5.0。

Q8：有没有官方代码？
A：有。GitHub 仓库 **https://github.com/luisnakayama/mBRSET**，提供 2 分类/3 分类/7 分类实验 notebook、辅助函数、多个骨干（DINOv2、CLIP、ConvNeXtV2、Swin、ViT、RETFound）的预训练嵌入。环境为 Python 3.9.7。

Q9：论文的基线表现如何？
A：用 ConvNeXt V2 Large、DINO V2 Large、Swin V2 Large 三个骨干：DR 三分类最佳 F1 约 80.3；DR 二分类最佳 F1 约 87.4；黄斑水肿最佳 F1 约 83.1；公平性任务中性别预测 F1 约 84.4、医保约 76.1、教育约 72.3。

Q10：它和 BRSET 是什么关系？
A：姊妹数据集——同一支团队（Nakayama 等）先后产出。BRSET 用台式相机（Canon CR-2 / Nikon NF505），16,266 张 / 8,524 名患者；mBRSET 用手持机（Phelcom Eyer），5,164 张 / 1,291 名患者。两者是不同数据集，mBRSET 不是 BRSET 的别名或子集。

§2 数据构成与规格

2.1 规模、来源与患者构成

mBRSET 的规模一句话概括就是「5,164 张图 / 1,291 个人」。这个比例（约 4 张/人）本身就在提示你一件工程事实：多数患者双眼都拍了，且可能因筛查需要有多张。因此任何划分都必须以 patient（患者）为单位做分组，否则同一只眼的图会同时落进训练集和测试集，造成数据泄漏——这是 §10 里排在第一位要讲的坑。

患者层面的人口学画像（论文报告）：

变量	数值
患者总数	1,291
女性	840（65.06%）
男性	451（34.93%）
平均年龄	61.44 ± 11.63 岁
糖尿病平均病程	约 9.53 年
无医保	1,180（92.3%）
有医保	99（7.7%）
医保缺失	12

这里有两个信号值得停下来看：女性占比近三分之二，无医保占比超过九成。前者可能与糖尿病筛查活动的参与结构有关；后者直接告诉你，这批人来自巴西公共卫生体系的边缘地带。这正是 mBRSET 声称的「高负担场景（high-burden scenarios）」的实证——它不是一个被精心平衡过的研究队列，而是一次真实筛查活动留下的横截面。

教育水平的分布同样能说明问题：

教育水平	占比	人数
文盲（Illiterate）	13.8%	176
小学未完成	42.2%	539
小学完成	9.1%	—
初中未完成	9.4%	—
初中完成	19.3%	—
高中未完成	1.6%	—
高中完成	4.6%	—

文盲加小学未完成合计超过一半。所谓「公平性任务」在教育预测上之所以有意义，就藏在这张表里：如果模型的错误率随教育水平系统性变化，它就可能把「是否受教育」当成 DR 的伪信号，从而对该群体产生歧视性后果。

2.2 图像规格与文件组织

规格项	值
模态	彩色眼底照（color fundus photography）
文件格式	JPEG（自 Eyer 云系统导出，无预处理）
标称分辨率	1600 × 1600 px
实际高范围	874 – 2304 px
实际宽范围	951 – 2984 px
视场角	45°
传感器	1200 万像素
拍摄条件	药理性散瞳（pharmacological mydriasis）
拍摄者	受训非医务人员（trained non-medical personnel）

标称 1600×1600 而实际尺寸有大范围浮动，这一条务必记住：不要硬编码 resize 前的尺寸假设。数据是从真实设备的云系统里原样导出的 JPEG，压缩、裁剪、机型固件差异全都保留着。

文件组织很朴素：

mbrset/1.0/
├── labels_mbrset.csv      # 24 列元数据与标签，逗号分隔
└── <图像集合>              # 关联的 JPEG 文件

labels_mbrset.csv 中的 file 列是不带扩展名的图像 ID——若图像文件名为 00123.jpg，则 file 列为 00123。这是做图像与元数据对齐时的第一道关：不要拿 00123.jpg 去 join 00123，会全部落空。

2.3 labels_mbrset.csv 字段字典（24 列）

下面把 24 个字段按语义分组，并标注取值含义。这张表是使用 mBRSET 时最常回来查的东西。

（1）标识与图像字段

字段	含义	取值
`patient`	患者标识符	整数
`file`	图像标识符（无扩展名）	字符串
`laterality`	眼别	左眼 / 右眼

（2）人口学字段

字段	含义	取值
`age`	年龄	整数（岁）
`sex`	性别	0=女，1=男

（3）糖尿病背景与治疗

字段	含义	取值
`dm_time`	糖尿病确诊时长	年
`insulin`	是否使用胰岛素（自报）	0=否，1=是
`insulin_time`	胰岛素使用时长	年
`oraltreatment_dm`	是否口服降糖药（自报）	0=否，1=是

（4）合并症字段（均自报，0=否 / 1=是）

字段	含义
`systemic_hypertension`	系统性动脉高血压
`vascular_disease`	糖尿病相关血管疾病
`acute_myocardial_infarction`	既往急性心肌梗死
`nephropathy`	糖尿病相关肾病
`neuropathy`	糖尿病相关神经病变
`diabetic_foot`	糖尿病足

（5）社会经济与生活方式字段

字段	含义	取值
`insurance`	医保状态	0=无，1=有
`educational_level`	最高教育程度	1–7
`alcohol_consumption`	规律饮酒	0=否，1=是
`smoking`	主动吸烟	0=否，1=是
`obesity`	肥胖诊断	0=否，1=是

（6）四项影像判读标签

字段	含义	取值
`final_artifacts`	是否存在伪影	yes / no
`final_quality`	最终质量是否适合临床评估	yes / no
`final_icdr`	ICDR 分级	0–4
`final_edema`	黄斑水肿	yes / no

educational_level 的 1–7 编码是：

文盲（Illiterate）
小学未完成（Incomplete Primary）
小学完成（Complete Primary）
初中未完成（Incomplete Secondary）
初中完成（Complete Secondary）
高中/大学未完成（Incomplete Tertiary）
高中/大学完成（Complete Tertiary）

注意 PhysioNet 把 6/7 写作 “Tertiary”，而论文正文有时写成 “high school”——这两处措辞在源文档里并不完全统一，落地做标签映射时以你实际采用的版本为准，并在报告中声明。

2.4 ICDR 分级体系

mBRSET 的 DR 标签采用 ICDR（International Clinical Diabetic Retinopathy） 五级体系，这是国际眼科理事会推广的临床分级：

级别	名称	判定要点
0	正常（Normal）	无异常
1	轻度非增殖性 DR	仅有微动脉瘤
2	中度非增殖性 DR	多于微动脉瘤但轻于重度
3	重度非增殖性 DR	4 个象限各 >20 处视网膜内出血，或 ≥2 象限明确静脉串珠，或 ≥1 象限显著视网膜内微血管异常，或无增殖性迹象
4	增殖性 DR	新生血管和/或玻璃体/视网膜前出血和/或全视网膜光凝瘢痕

黄斑水肿的定义是：距黄斑中心凹一个视盘直径范围内存在渗出或明显增厚。

2.5 标签分布：一个被 0 级主导的样本

图像级 ICDR 分布（基于被评估的 4,885 张，281 张 ICDR 缺失）：

ICDR	数量	占比
0 正常	3,750	76.8%
1 轻度	272	5.6%
2 中度	568	11.6%
3 重度	82	1.7%
4 增殖性	212	4.3%

派生指标：

可转诊 DR（referable DR）：997 张（19.3%）——即需要转诊眼科处理的病例。
黄斑水肿：有 427 张（8.7%）/ 无 4,472 张（91.3%）。
眼别：左 2,584（50.0%）/ 右 2,580（50.0%），近乎完美平衡。
伪影：有 4,272（82.7%）/ 无 892（17.3%）。
图像质量：合格 4,872（94.3%）/ 不合格 292（5.7%）。

这组数字里藏着三个必须内化的结论：

76.8% 是 0 级，而 3 级只有 1.7%。任何不等权处理的分类器都会学会「一律判 0」。论文用 focal loss（γ=2）+ 逆类别权重来对抗，这是必抄的一步。
82.7% 的图带伪影，94.3% 的图质量合格——这两个数不矛盾，它说明「有伪影」不等于「不能用」。伪造影字段是给你做稳健性分析用的，不是用来一刀切删数据的。
眼别平衡，但患者层面人数少（1,291），意味着一旦按患者分组，测试集可能只剩几百人，置信区间会很宽。做统计比较时要老实交代。

2.6 机构与人物谱系

mBRSET 的作者群横跨四个机构：

University of Michigan，电气工程与计算机科学系（Chenwei Wu、Zitao Shuai）——负责建模与实验。
MIT Laboratory for Computational Physiology（LCP）（David Restrepo、Luis Filipe Nakayama、Lucas Zago Ribeiro）——通讯作者所在，负责方法学与数据科学。
巴西圣保罗联邦大学（UNIFESP） 眼科与视觉科学系（Luis Filipe Nakayama、Caio Vinicius Saito Regatieri、Fernando Korn Malerbi）——临床判读。
Unidos pelo Diabetes（NGO） 与 Phelcom Technologies——现场采集与设备支持。

第一作者 Chenwei Wu 与 David Restrepo 为并列贡献（equal contribution）。这套「美国工科 + 美国计算生理 + 巴西临床 + 本地 NGO/厂商」的组合，是 LMIC 数据集的典型生产结构：硬件与临床在本地，方法与国际发表在对岸。

§3 采集与判读流程

3.1 现场：一次糖尿病筛查活动

mBRSET 的采集不是一项独立的科研取图像流程，而是嵌进了一次公共卫生筛查活动。2022 年 11 月，巴伊亚州伊塔布纳市开展糖尿病筛查，参与者多为当地糖尿病患者（含糖尿病足、肾病、神经病变等高负担体征的人群）。采集由受训的非医务人员执行，相机是手持的 Phelcom Eyer。

这个事实决定了 mBRSET 的「性格」：

它不是随机抽样的队列，而是筛查活动的参与者——有自我选择偏倚。
它不是标准化的实验室成像，而是真实场景下由非专家操作的成像——有操作者变异。
它只有一次、一个地点——时间与空间代表性都有限。

理解这三点，你才不会对它的分布之「脏」感到意外，也不会错把它当成一个可以直接外推到全国甚至全球的基准。

3.2 相机：Phelcom Eyer 的规格

Phelcom Eyer 是巴西本土公司 Phelcom Technologies 的产品，属于「智能手机眼底相机」一类：把专用光学镜头扣在一部普通手机上，用手机的传感器与屏幕完成成像与预览。mBRSET 中具体集成的是 Samsung Galaxy S10（Android 11）。

规格	值
相机	Phelcom Eyer（Phelcom Technologies, 巴西圣卡洛斯）
—	—
类型	便携式、手持、智能手机眼底相机
主机	Samsung Galaxy S10
系统	Android 11
视场角	45°
传感器	1200 万像素
标称分辨率	1600 × 1600 px
自动对焦	−20 至 +20 屈光度
拍摄条件	药理性散瞳

为什么这些规格重要？因为手持机与台式机的光学差异会直接反映到数据分布上。手持机视场更小、边缘更易失焦、伪影更多（82.7% 图像带伪影就是证据），而台式机的 BRSET 在这方面干净得多。这就是为什么把 mBRSET 与 BRSET 并排比较，本质是在比较两种成像硬件。

3.3 数据准备：从云到 CSV

图像从 Eyer 云系统导出为 JPEG，未做任何预处理。这意味着：

没有统一的尺寸。
没有去噪、没有裁边、没有色卡校正。
保留了真实的压缩痕迹与设备元数据。

元数据与标签汇总进 labels_mbrset.csv。图像与标签通过 file 列（无扩展名）关联。整个数据包在 PhysioNet 上以凭证方式发布，v1.0 总计约 3.0 GB（第三方目录记录，PhysioNet 受限页未公示，以实际下载为准）。

3.4 判读：两名专科医师 + 第三名裁决

标签的临床部分由两名视网膜/玻璃体专科眼科医师独立判读，分歧由第三名资深专家裁决。判读内容覆盖：ICDR 分级、黄斑水肿、伪影、质量。

标注一致性用加权 Kappa 衡量：

ICDR：0.863（近乎完美一致，almost perfect）
黄斑水肿：0.618（高度一致，substantial）

这个不对称非常重要。ICDR 的一致性高，说明分级标签相对可靠；水肿的一致性明显低，说明水肿判读本身更难、更主观。任何用 mBRSET 训练水肿模型的实验，都应在结论里承认这个标签噪声上界。

3.5 质量与伪影的诚实记录

mBRSET 有一处我特别欣赏的设计：它没有通过剔除「脏数据」来制造干净的假象，而是把伪影与质量作为两个显式字段记录下来——final_artifacts 与 final_quality。

82.7% 的图像被标为「有伪影」。
5.7% 的图像被标为「质量不合格」。

这意味着研究者有两种用法：（a）用全部数据训练，顺便检验模型对伪影的鲁棒性；（b）只保留质量合格子集。愿意公开这个「脏」的事实，是真实场景数据集最宝贵的品质之一——它替你把「真实部署会遇到的噪声」提前收录进了语料。

3.6 与采集相关的三个边界

最后明确三条边界，避免误用：

不是医院数据：全部来自社区/门诊筛查，不含住院、不含手术、不含随访纵向记录。
不是多中心：单一城市、单一活动、单一时间窗（2022 年 11 月）。
不是随机队列：参与者是主动前来筛查的糖尿病人群，存在自我选择偏倚。

这三条不是缺陷，而是 mBRSET 的定位声明——它要复现的正是基层筛查的真实难度。

3.7 一次筛查活动的社会学切片

把 mBRSET 放回它诞生的场景，会看到一个不太像「科研数据集」的画面：一个巴西东北部城市的社区大厅，糖尿病患者被叫来免费查眼底，用的是扣在手机上的镜头，操作的是没受过医学训练的志愿者。5,164 张照片是这个下午流量的副产品。

这个背景解释了数据里许多「不完美」的来源：

为什么女性占三分之二——筛查活动的参与行为本身有性别差异，女性更可能响应社区健康动员。
为什么无医保占九成——活动面向的是公共卫生体系的覆盖盲区。
为什么文盲与小学未完成过半——教育水平与筛查参与、与糖尿病管理能力交织。
为什么伪影那么多——志愿者操作、现场光线、非理想瞳孔条件，全靠真实。

研究者若忽略这层社会学语境，就可能把「这批人恰好如此」误读成「糖尿病人群普遍如此」。数据集的人口学分布是采集场景的函数，不是疾病的函数。

3.8 元数据的采集方式与信度

mBRSET 的元数据大多是自报（self-reported）。insulin、oraltreatment_dm、systemic_hypertension、smoking、obesity 等字段都明确标注为自报。这带来两类不确定性：

回忆偏倚：糖尿病病程（dm_time）、胰岛素使用时长（insulin_time）依赖患者回忆，精度有限。
社会期望偏倚：饮酒、吸烟、肥胖等敏感项可能被低报。

与之相对，final_icdr、final_edema、final_artifacts、final_quality 四项是临床判读，信度由 Kappa 背书（ICDR 0.863、水肿 0.618）。使用时应对这两类字段给予不同的信任权重：临床标签可作 ground truth，自报字段宜作协变量而非金标准。

3.9 患者级 vs 图像级的计数口径

这是数据条目里最容易被引用错的地方，单独拎出来讲。

口径	数字	用途
患者级	1,291	描述队列规模
图像级（总）	5,164	描述语料规模
图像级（DR 已评估）	4,885	DR 任务的可用样本
ICDR 缺失	281	需在报告中声明

「5,164」与「4,885」的差不是错误，而是「有多少图，」与「有多少图被 DR 判读」两个问题的答案。论文摘要给 5,164（语料总规模），分布表基于 4,885（判读子集）。引用时写清你指的是哪一个。

3.10 图像质量的双字段设计

再强调一次这两个字段的分工，因为它们在工程上会被反复用到：

字段	问题	分布	建议用途
`final_artifacts`	图里有没有伪影？	82.7% 有	鲁棒性分析的分层变量
`final_quality`	图能不能用于临床评估？	94.3% 合格	数据清洗的筛选条件

一句话：要清洗用 quality，要分析用 artifacts。 前者回答「能不能用」，后者回答「有多难用」。

3.11 与 ICDR 分级相关的临床背景

为了让非临床读者也能读懂标签，这里补一点 ICDR 分级的病理背景：

0 级（正常）：视网膜无明显异常。在 mBRSET 中占 76.8%，意味着数据集主体是「阴性」人群——这符合筛查活动的实际构成。
1 级（轻度非增殖）：仅见微动脉瘤。这是最早的可见病变，临床上通常只需随访。
2 级（中度非增殖）：病变多于微动脉瘤但未达重度。这一档是「可转诊」边界附近的灰色地带，判读主观性较高。
3 级（重度非增殖）：出现 4-2-1 规则中的任一征象（4 象限出血、2 象限静脉串珠、1 象限 IRMA）。mBRSET 中仅 1.7%，样本稀缺。
4 级（增殖性）：新生血管、玻璃体/视网膜前出血或全视网膜光凝瘢痕。4.3%。

「可转诊 DR」为什么重要？ 因为临床决策的关键分界不是「有没有病」，而是「要不要转给眼科医生」。mBRSET 的可转诊比例 19.3%，这个数字直接对应筛查系统的阳性率预算——决定了后续转诊资源要准备多少。

3.12 为什么水肿标签比 DR 标签更难

黄斑水肿加权 Kappa 0.618，明显低于 ICDR 的 0.863。这不是标注者不用心，而是任务本身更难：

边界模糊：水肿的「一个视盘直径」范围是几何定义，但渗出的可见性受图像质量影响大。
与成像质量耦合：82.7% 的图带伪影，渗出细节容易被遮挡。
分级正负失衡：阳性仅 8.7%，判读时阳性先验低。

结论：用 mBRSET 训水肿模型，先接受标签噪声上界，再谈模型上限。 论文报告的水肿 F1 约 83，其中有一部分误差来自标签本身。

§4 任务定义与标签体系

4.1 两类任务：临床任务与公平性任务

mBRSET 论文明确把任务分成两组，这个拆分是它区别于一般 DR 数据集的关键设计。

临床任务（clinical tasks）：

任务	定义	标签来源
DR 三分类	把 DR 归入三档（如 no DR / non-referable / referable，或按论文口径）	`final_icdr` 折叠
DR 二分类	有 DR vs 无 DR	`final_icdr >= 1`
黄斑水肿二分类	有 vs 无	`final_edema`

公平性任务（fairness tasks）：

任务	定义	标签来源
性别预测	从眼底图预测患者性别	`sex`
教育水平预测	文盲 vs 受过教育（二元化）	`educational_level`
医保状态预测	有医保 vs 无医保	`insurance`

公平性任务乍看奇怪——眼底照片凭什么预测一个人的受教育程度？但这正是设计意图：如果模型能从眼底图里以高于随机的准确率预测社会经济属性，说明图像中携带了与疾病无关的群体信号。这些信号在真实部署中可能成为偏见放大器。把这件事量化出来，本身就是一种审计。

4.2 类别不平衡与焦点损失

前面说过，ICDR 0 级占 76.8%。在这种分布下，朴素交叉熵几乎必然收敛到「全判多数类」。论文的处理是：focal loss（焦点损失，聚焦参数 γ=2）+ 逆类别权重。

focal loss 的作用是压低「已经容易分对的样本」的权重，把梯度集中到难分样本上；逆类别权重则直接放大小类（如 3 级）的损失贡献。两者叠加，让稀有的 3 级、4 级样本不至于被淹没。复现时这一步不能省，否则你的 F1 会跟论文差一大截。

4.3 标签的折叠口径

论文在不同实验里对同一批 ICDR 标签做了不同折叠。这是复现时最容易搞错的地方。常见口径：

二分类（DR vs no DR）：final_icdr == 0 为阴性，>= 1 为阳性。
三分类：一种折叠是按临床严重度（无 / 非转诊 / 可转诊），另一种是把 0 单列、1-2 合并、3-4 合并。具体采用哪种，必须以你要复现的那个实验的代码为准（GitHub 上的 3class_DR* notebook）。
黄斑水肿：final_edema 直接二值化。

GitHub 仓库里出现了 2class_、3class_、7class_ 三类前缀的 notebook，说明官方自己也用不同粒度做过实验。遇到「论文数字对不上」时，先回头核对折叠口径，而不是怀疑数据。

4.4 与 BRSET 标签体系的异同

维度	BRSET（台式机）	mBRSET（手持机）
图像数	16,266	5,164
患者数	8,524	1,291
DR 分级	ICDR + 苏格兰 SDRG 双分级	ICDR 单分级
疾病标签	13 类多标签	ICDR + 黄斑水肿 + 质量
公平性字段	有（教育、医保等）	有（教育、医保、性别）
采集场景	三家门诊中心 2010-2020	单次筛查活动 2022-11
相机	Canon CR-2 / Nikon NF505	Phelcom Eyer

关键差异：BRSET 是「多标签疾病语料」，mBRSET 是「便携筛查语料」。前者适合做细粒度多标签研究，后者适合做真实场景鲁棒性与公平性研究。两者互补而非替代。

§5 划分策略与基准复现

5.1 划分：分组分层，无患者泄漏

论文的划分是 训练 70% / 验证 10% / 测试 20%，方法为 分组分层（grouped stratification）。

这两个词都关键：

分层（stratification）：保证各集合的类别比例与总体一致，尤其是稀有的 3/4 级不能被某个集合漏掉。
分组（grouping）：以 patient 为单位分组，同一患者的图只能落进同一个集合。

为什么分组是硬要求？因为一个人双眼的图高度相似，如果左眼进训练、右眼进测试，模型在测试时其实「见过」这个人，指标会被系统性高估。这正是 §10 的坑点一。

5.2 预处理管线

论文的标准化预处理是：

缩放至 384 × 384；
像素值除以 255，归一化到 [0, 1]；
套用 ImageNet 归一化统计量（均值/标准差）。

注意第 3 步：因为骨干网络都是 ImageNet 预训练的，所以输入必须匹配 ImageNet 的分布假设。若你自己从头训，可以省掉；若做迁移学习，保留。

5.3 训练超参数

超参	值
初始化	ImageNet 预训练权重
最大 epoch	50
早停	验证集 F1，patience=10
优化器	Adam
学习率	1e-5
权重衰减	1e-6
batch size	16
硬件	单张 Nvidia A40（48 GB）
类别不平衡	focal loss（γ=2）+ 逆类别权重

这套配置不算激进——单卡、小 batch、低学习率——说明 mBRSET 的规模（5,164 图）对算力友好，一个实验室单卡就能复现。

5.4 基准骨干与结果

论文用三个代表性骨干：ConvNeXt V2 Large（现代 CNN）、DINO V2 Large（自监督 ViT）、Swin V2 Large（层次化 ViT）。

主要结果（论文 Table 8，节选）：

任务	模型	Accuracy	F1
DR 三分类	Swin V2 Large	89.06	80.26
DR 三分类	DINO V2 Large	87.51	79.19
DR 三分类	ConvNeXt V2 Large	88.67	80.33
DR 二分类	Swin V2 Large	89.55	85.98
DR 二分类	DINO V2 Large	90.03	87.40
DR 二分类	ConvNeXt V2 Large	89.55	86.26
黄斑水肿	Swin V2 Large	92.55	82.66
黄斑水肿	DINO V2 Large	92.64	82.94
黄斑水肿	ConvNeXt V2 Large	92.64	83.06
医保预测	Swin V2 Large	91.38	76.11
教育预测	Swin V2 Large	72.73	72.33
性别预测	ConvNeXt V2 Large	85.67	84.38

5.5 怎么读这组数字

读法一：临床任务表现尚可，但别被 Accuracy 骗了。 黄斑水肿的 Accuracy 高达 92.6%，可 F1 只有约 83——因为 91.3% 的样本是阴性，高 Accuracy 里有相当一部分来自「全判阴性」。看 F1，别看 Accuracy。

读法二：公平性任务里的数字才是信号。 性别预测 F1 约 84、医保约 76、教育约 72——三者都显著高于随机基线。这意味着眼底图确实携带了社会经济与人口学信息。这不是模型的「能力」，而是潜在的「偏见源」。作者把它公开，是要求你在部署前先做偏差审计。

读法三：三个骨干的差距不大。 在很多任务上 DINO V2 与 ConvNeXt V2 咬得很紧，说明在这个规模上，骨干选择不是决定性变量，数据质量与标签口径才是。

5.6 官方代码仓库的用法

GitHub 仓库 https://github.com/luisnakayama/mBRSET 的结构：

eda.ipynb / stats.ipynb：探索性分析与统计。
2class_* / 3class_* / 7class_* notebook：按「分类数-目标-模型」命名，如 2class_DR-SWINV2.ipynb、3class_DR-dinov2large.ipynb、7class_edu.ipynb。
modeling_embeddings.ipynb / embeddings.ipynb：提取与使用预训练嵌入。
retfound_embeddings.ipynb / ssl_byol.ipynb：RETFound 嵌入与 BYOL 自监督实验。
retfound/、saliency_maps/、src/：相关代码与显著性图。
dataframe_brsetmobile.csv：配套的元数据数据框。

仓库支持从 DINOv2（small/base/large/giant）、CLIP、ConvNeXtV2、ConvNeXt、Swin、ViT 到 RETFound 的多种骨干嵌入，用意是降低算力门槛——你可以下载预计算嵌入，跳过昂贵的骨干前向。

环境要求 Python 3.9.7，pip install -r requirements.txt。注意 README 里部分文字是从 BRSET 项目继承来的，出现 “BRSET” 表述混用，这是历史遗留而非错误。

5.7 复现的最小路径

如果你想快速验证自己能否复现论文量级，建议走这条最小路径：

通过 PhysioNet 凭证访问拿到 labels_mbrset.csv 与图像。
按 patient 做分组分层划分（70/10/20）。
只挑一个任务——推荐 DR 二分类，最稳。
用仓库里的 2class_DR-* notebook 作模板，套 focal loss + 逆类别权重。
图像 resize 到 384×384，ImageNet 归一化。
报告 F1，而不是 Accuracy。
与论文 Table 8 的 DR 二分类行（F1 约 85.98–87.40）比对。

如果 F1 落在 80 上下而论文是 87，先查两件事：（a）划分是否真的按患者分组；（b）是否用了 focal loss。

5.8 参数选择的经验法则

基于论文超参，给出几条可迁移的经验：

决策点	论文选择	经验法则
输入分辨率	384×384	眼底全局病变用 384 够；微动脉瘤等细粒度任务可上 512
学习率	1e-5	迁移学习下偏小，适合小数据防过拟合
batch size	16	单卡 48GB 可再大，但小 batch 对不平衡更友好
早停指标	验证集 F1	不平衡任务别用 loss 或 accuracy 早停
损失函数	focal + 逆权重	双管齐下；单用 focal 仍可能欠拟合稀有类
骨干	ConvNeXt V2 / DINO V2	二者接近；算力吃紧用小号变体

5.9 一个可复现的最小代码骨架

下面给出数据加载与分组划分的骨架（伪代码级，示意划分的关键步骤）：

import pandas as pd
from sklearn.model_selection import StratifiedGroupKFold

df = pd.read_csv("labels_mbrset.csv")
# 关键：把 ICDR 折叠成二分类标签
df["y"] = (df["final_icdr"].fillna(0) >= 1).astype(int)
# 关键：按 patient 分组，按 y 分层
sgkf = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=42)
groups = df["patient"].values
for tr, te in sgkf.split(df, df["y"], groups=groups):
    assert not set(df.iloc[tr]["patient"]) & set(df.iloc[te]["patient"])
    break

这段骨架的两个 关键 注释，对应 §10 的坑点一和坑点四——分组防泄漏、类别定义明确。

5.10 与其它划分方案的对比

方案	泄漏风险	类别平衡	适用
图像级随机划分	高	好	不推荐
患者级随机划分	低	差	类别不极端时可用
患者级分组分层	低	好	推荐（论文方案）
留一患者	低	不稳	小样本研究

论文选的第三行，是这类「一对多图」数据集的黄金标准。

§6 获取与许可

6.1 访问路径：PhysioNet 凭证访问

mBRSET 托管在 PhysioNet，路径 **https://physionet.org/content/mbrset/1.0/**，访问类型为 Database Credentialed Access（数据库凭证访问）。

要拿到文件，必须同时满足三个条件：

成为 credentialed user（凭证用户）——在 PhysioNet 完成身份核验。
完成指定培训——CITI “Data or Specimens Only Research” 课程。
为本项目签署 Data Use Agreement（DUA）。

三者缺一不可。这与 BRSET 的门槛一致，也与 MIMIC 系列等 PhysioNet 主站数据集的流程相同。

6.2 许可条款

项	内容
许可证	PhysioNet Credentialed Health Data License 1.5.0
使用协议	PhysioNet Credentialed Health Data Use Agreement 1.5.0
用途限制	研究用途（research）
再分发	禁止向未授权方再分发
论文本体	CC BY 4.0（Scientific Data 开放获取）
代码	GitHub 仓库内 LICENSE（独立于数据许可）

务必分清三套授权对象：数据（本科目核心，凭证访问）、论文正文（CC BY 4.0，可自由引用）、代码（仓库 LICENSE）。它们可以不同。

6.3 DOI 与引用

对象	DOI
论文	10.1038/s41597-025-04627-3
PhysioNet v1.0	10.13026/qxpd-1y65
PhysioNet latest	10.13026/m10j-dj56
RRID	SCR_007345

引用建议：学术论文中引用数据时，用 PhysioNet v1.0 的固定 DOI（10.13026/qxpd-1y65），因为它绑定具体版本，不会随后续更新漂移；引用方法时用期刊 DOI。PhysioNet 给的推荐引用是：

Nakayama, L. F., Zago Ribeiro, L., Restrepo, D., Santos Barboza, N., Dias Fiterman, R., Vieira Sousa, M. l., Pereira, A. D. A., Regatieri, C., Malerbi, F. K., & Andrade, R. (2024). mBRSET, a Mobile Brazilian Retinal Dataset (version 1.0). PhysioNet.

6.4 获取成本与实操

数据体积：约 3.0 GB（第三方目录记录；PhysioNet 受限页未公示）。
获取摩擦：中等偏高。凭证流程需要人工审核，通常不是当日可达。
替代方案：若只需嵌入而非原图，可用仓库的预训练嵌入（见 §5.6）降低带宽与算力需求；但嵌入不能替代对原始图像的完整分析。
伦理合规：使用前确认你的机构伦理审查覆盖此类数据的次级分析。

6.5 与库内可获取性光谱的对照

在「千方病案」的 AI-Ready 光谱里，数据可获取性大致分四档：全开放直链、注册即可下载、凭证访问、请求制。mBRSET 属凭证访问档——比 request-only（如某些 WSI 需邮件申请）友好，比注册即得（如多数 Kaggle 数据集）麻烦。它的姊妹 BRSET 也在同一档。

§7 AI-Ready 与 DAIMS 评估

7.1 DAIMS 评估全表

DAIMS（Data and Analytics Infrastructure Maturity Scorecard）是一套评估数据集「就绪度」的框架。下面按维度给出 mBRSET 的评估。

维度	评估	说明
可发现性（Findability）	高	有稳定 DOI（双 DOI）、PMID/PMCID、RRID，PhysioNet 与 GitHub 双向互引
可访问性（Accessibility）	中	Credentialed Access，需培训+DUA，非即取即用
互操作性（Interoperability）	中	CSV + JPEG 的简单结构，无标准本体对齐（非 DICOM/OMOP）
可复用性（Reusability）	高	论文开放获取 + 官方代码仓库 + SCC 式字段字典（PhysioNet Data Description）
数据质量（Quality）	中	双专家+裁决标注、Kappa 透明；但 82.7% 带伪影、水肿 Kappa 偏低
元数据完备（Metadata）	高	24 列字段完整覆盖人口学、临床、社会经济
文档（Documentation）	高	PhysioNet 页 + 论文 + GitHub README 三层文档
版本管理（Versioning）	中	v1.0 明确，但 latest DOI 与 v1.0 并存，长期引用需注意
许可清晰（Licensing）	高	PhysioNet 1.5.0 标准许可，条款明确
伦理透明（Ethics）	高	有伦理批号（CAAE 64219922.3.0000.9667）、知情同意、去标识说明
可复现（Reproducibility）	高	官方 notebook + 预训练嵌入 + 超参全公开
偏差记录（Bias）	高	显式提供公平性标签与质量标签，主动暴露偏差
规模充分（Scale）	中	5,164 图 / 1,291 人，单点单次，代表性有限
临床有效性（Validity）	高	专科医师判读 + 第三名裁决 + Kappa 报告
更新活跃（Maintenance）	中	v1.0 有明确扩充计划，但截至核验未见新版

7.2 双轨结构的得失

mBRSET 的 AI-Ready 形象是「一条腿长一条腿短」：

长腿：文档、可复现性、伦理透明度、偏差记录四项都做得漂亮。它几乎是「如何诚实地发布一个真实场景数据集」的范本。
短腿：可访问性受凭证制约，规模受单点限制。

对于做算法的人，长腿足够支撑一篇对照实验；对于做产品的人，短腿决定了它只能作验证集而非生产数据源。

7.3 准入建议

你的角色	建议
眼科 AI 研究者	强烈推荐——便携场景的标准对照集
公平性/偏差研究者	强烈推荐——三套公平性标签难得
产品团队	可作为外部验证集，不宜作生产训练集
纯教学	需先解决访问，可先用论文数字讲方法

§8 生态与谱系

8.1 与 BRSET 的姊妹关系

mBRSET 与 BRSET 是同团队的双生子，两者的关系是整个条目里最需要讲清的一点：

维度	BRSET	mBRSET
全称	Brazilian Multilabel Ophthalmological Dataset	Mobile Brazilian Retinal Dataset
相机	Canon CR-2 / Nikon NF505（台式）	Phelcom Eyer（手持）
规模	16,266 图 / 8,524 患者	5,164 图 / 1,291 患者
时间	2010-2020	2022-11
地点	圣保罗三家门诊中心	巴伊亚州伊塔布纳单次活动
DR 分级	ICDR + 苏格兰 SDRG	ICDR
标签	13 类多标签	ICDR + 水肿 + 质量
库内条目	`brset`	本条目 `mbrset`

它们不是同一数据集。任何把 mBRSET 当成 BRSET 别名的做法都会撞库出错。PhysioNet 上另有 brset_mbrset_embeddings（跨两者图像的预计算表征），说明官方也承认两者是需要区分并可能联合的对象。

8.2 在 DR 数据集景观中的位置

数据集	规模	国家	相机类型	特点
mBRSET	5,164	巴西	手持	LMIC + 公平性标签
BRSET	16,266	巴西	台式	多标签
EyePACS	88,702	美国	台式	规模最大
Messidor-2	1,748	法国	台式	经典基准
RFMiD	3,200	印度	台式	多疾病
IDRiD	516	印度	台式	像素级分割

mBRSET 的差异化标签是「手持 + LMIC + 公平性」三合一。论规模它排不上号，论场景真实性它独树一帜。

8.3 衍生与下游

预训练嵌入：仓库提供多种骨干嵌入，供跨数据集迁移。
brset_mbrset_embeddings：PhysioNet 上为 mBRSET 图像提供的预计算表征，是跨数据集联合建模的接口。
可迁移方向：从 mBRSET 学到的「小样本 + 不平衡 + 高伪影」鲁棒性，可迁移到其他便携筛查场景。

8.4 库内互链建议

在「千方病案医数集」中，mBRSET 与以下条目构成自然互链：

brset（rid 待核）——姊妹数据集，必链。
idrid（rid 待核）——印度 DR 像素级分割，同为 DR 家族。
deepdrid（rid 待核）——DeepDR 挑战赛数据集，DR 分级对照。
messidor（若库内）——经典 DR 基准。
rfmid（rid 待核）——印度多疾病眼底集。

§9 方法学启示

9.1 「便携相机」是一个分布位移变量

mBRSET 最可迁移的方法学教训是：相机硬件不是中性的采集工具，而是数据分布的决定因素之一。手持机带来更小的视场、更多的伪影、更高的边缘失焦率，这些都会系统性地改变模型的输入分布。把 mBRSET 与 BRSET 并排，你看到的不是两个数据集，而是两个成像域（imaging domain）。做跨域迁移研究的人，应当把它们当成天然的域适应实验台。

9.2 公平性标签要正经当作首要结果

很多论文把公平性预测当成附录小实验。mBRSET 把它提到了与临床任务并列的位置。这个姿态值得学习：当你发布一个用于基层部署的数据集时，「模型能不能从图里读出社会经济属性」和「模型能不能诊断疾病」同等重要，因为前者决定了后者在真实人群中的伤害半径。

9.3 诚实发布「脏数据」是一种贡献

82.7% 图像带伪影、5.7% 质量不合格——mBRSET 没有把这些图删掉来粉饰。相反，它用 final_artifacts 与 final_quality 两个字段把「脏」变成了可查询的元数据。对真实场景数据集而言，伪影不是噪声，是特征。 保留它，才能训练出对真实部署鲁棒的模型。

8.5 与 Phelcom Eyer 产品生态的关系

mBRSET 的采集硬件 Phelcom Eyer 来自 Phelcom Technologies（巴西圣卡洛斯），这家公司是 mBRSET 作者群之一。这一重身份值得研究者注意：

数据集的相机是商业产品，其固件、云系统、成像参数会随产品迭代变化。
未来版本的可比性：PhysioNet 的 Release Note 提到计划扩充数据；若用新版相机采集，与 v1.0 的图像分布可能产生漂移。
工业界参与的正反面：一方面它证明了便携眼底设备的实际可用性，另一方面也提示研究者在引用时区分「学术数据」与「厂商设备评测」的边界。

这不影响 mBRSET 的科研价值，但提醒使用者：这类由设备厂商参与的公开数据集，其相机域（camera domain）是绑定到特定产品版本的。

8.6 公平性研究的使用范式

mBRSET 的公平性标签支持至少三种研究范式：

（1）偏差审计。 训练 DR 模型后，分别在各教育水平、医保状态、性别子群上测 F1，看是否存在系统性落差。

（2）属性泄漏检测。 直接训练性别/教育/医保预测模型，量化「眼底图里有多少社会经济信息」。mBRSET 论文给出的数字（性别 F1 约 84）表明泄漏确实存在。

（3）去偏实验。 用公平性标签作约束，训练在保持 DR 性能的同时减少子群差距的模型（如对抗去偏、重加权）。

第三种最难，也最有价值。mBRSET 之所以适合做这件事，正因为它同时有临床标签和公平性标签——很多数据集只有其一。

8.7 与其它巴西/拉美数据资源的对照

拉美地区的公开医学影像资源本就稀少，mBRSET 与 BRSET 几乎构成了巴西眼底数据的双支柱。放在更大的拉美语境里：

资源	国家	模态	规模
BRSET	巴西	眼底（台式）	16,266 图
mBRSET	巴西	眼底（手持）	5,164 图
MIMIC-BR	巴西	重症	见库内条目

mBRSET 的意义因此不止于 DR 算法本身，它也是 LMIC 数据主权（data sovereignty）讨论的一个样本——数据由本地的 NGO 与厂商参与采集，由本地临床团队判读。

8.8 复现社区与引用现状

自 2024 年 medRxiv 预印本发布、2025 年正式发表以来，mBRSET 已被便携眼底、公平性 AI、基础模型评测等方向的工作引用。它的引用模式与 BRSET 高度重叠，很多论文把两者作为「拉美眼底数据」的联合对照。这再次印证了 §8.1 的结论：它们是一个数据集家族的两个成员，应被区别引用、可能被联合使用。

§9 方法学启示（续）

9.4 「负样本为主」是筛查数据集的常态，不是缺陷

mBRSET 76.8% 的 0 级占比，会让习惯平衡数据集的算法研究者不适应。但换个角度看：筛查场景的阳性率本来就不高。真实社区筛查的 DR 阳性率大致就在这个量级。mBRSET 忠实还原了这个先验，而不是通过过采样把它抹平。因此，用它训练出的模型，其 Precision/Recall 权衡更接近真实部署，而不是实验室幻觉。

9.5 可获取性设计与科学价值的权衡

mBRSET 采用凭证访问，牺牲了「即取即用」的便利，换来了对敏感健康数据的合规控制。这种权衡在医学数据里是常态。研究者应当把「获取摩擦」当作选型的一个正式维度——一个数据集的科学价值再高，如果团队无法在项目周期内通过审核，它对你就是不可用的。可获取性不是数据集的附属属性，而是它的一半。

9.6 基础模型时代的定位

在 RETFound 等视网膜基础模型（retinal foundation model）兴起的当下，mBRSET 这类中小型真实场景数据集的价值不是「预训练语料」，而是「域外评测集」。基础模型多在大型台式机数据集上预训练，它们能否迁移到手持机、LMIC、高伪影的场景？mBRSET 正是回答这个问题的天然试验场。仓库提供 RETFound 嵌入提取代码，也是这个用途的佐证。

9.7 一句话带走

如果只能从 mBRSET 带走一条方法学教训，那就是：「真实」本身是有成本的——它带来伪影、带来不平衡、带来不完美的标签一致性（水肿 Kappa 0.618），但也正因为这些成本，它比任何清洗过的基准都更接近临床落地的真相。

§10 避坑清单：八个已踩过的坑

坑 1：按图像随机划分导致患者泄漏

现象：你把 5,164 张图直接 train_test_split(random_state=42)，DR 二分类 F1 冲到 95+，比论文高出一大截，欣喜若狂。
根因：同一患者双眼（甚至同一眼多张）的图高度相似，随机划分把「这个人」同时放进了训练和测试，模型在测试时等于开卷考试。
对策：以 patient 分组做分层划分（GroupShuffleSplit 或 StratifiedGroupKFold），保证患者不跨集。论文用的就是 grouped stratification，照抄。

坑 2：`file` 列带不带扩展名对不上

现象：读 labels_mbrset.csv 后想 merge 图像路径，join 后全空。
根因：file 列是不带扩展名的 ID（如图像 00123.jpg 对应 file='00123'）。
对策：join 前统一去扩展名，或拼接 f"{file}.jpg"。别想当然地假设带后缀。

坑 3：用 Accuracy 评估被 0 级淹没

现象：黄斑水肿准确率 92.6%，看起来很成功，但模型其实几乎没抓到任何阳性。
根因：0 级占 76.8%、水肿阴性占 91.3%，多数类基线本身就极高。
对策：主指标用 F1/召回/PR-AUC，报告时同时给出多数类基线，明确说清「比基线高多少」。

坑 4：忘了 focal loss，稀有权重失控

现象：F1 死活卡在 60 上下，3 级、4 级完全学不出来。
根因：朴素交叉熵下，1.7% 的 3 级样本梯度被 76.8% 的 0 级淹没。
对策：抄论文的 focal loss（γ=2）+ 逆类别权重。这两个一起用，缺一不可。

坑 5：把 82.7% 的伪影率当成「数据不能用」

现象：一看 82.7% 有伪影，直接把大部分数据删了重训，样本骤减。
根因：混淆了「有伪影」和「质量不合格」。实际 94.3% 的图像质量是合格的。
对策：伪影字段用于鲁棒性分析而非删数据。想清洗就用 final_quality == 'yes'，不要用 artifacts。

坑 6：把 mBRSET 与 BRSET 混为一谈

现象：写论文时引用 mBRSET 却在正文里描述 16,266 张 / 8,524 患者，或当成同一数据集合并使用。
根因：两者同团队、同国别、名字都含 “BRSET”，极易混淆。
对策：牢记 mBRSET = 5,164/1,291、手持机、2022 单次；BRSET = 16,266/8,524、台式机、2010-2020 多中心。它们是两个数据集，合并使用须显式声明并处理域差异。

坑 7：硬编码 1600×1600 假设

现象：预处理按正方形 1600×1600 crop/resize，结果部分图被拉变形。
根因：标称分辨率 1600×1600，但实际高 874-2304 px、宽 951-2984 px，宽高比并不固定。
对策：先读取每图真实尺寸，resize 时保持宽高比或用带 padding 的 letterbox；不要假设输入是正方形。

坑 8：引用 DOI 时用错版本口径

现象：论文里引用 PhysioNet 链接，几年后发现 DOI 指向的版本变了。
根因：PhysioNet 同时存在 v1.0 固定 DOI（10.13026/qxpd-1y65）与 “latest” DOI（10.13026/m10j-dj56），后者随版本漂移。
对策：固定引用 v1.0 DOI 并注明 version 1.0；若引用论文方法学，用期刊 DOI（10.1038/s41597-025-04627-3）。

§11 导航与总结

11.1 三句话总结

mBRSET 是首个用手持便携相机在巴西高负担社区场景采集的公开 DR 数据集，5,164 张图 / 1,291 名患者，2022 年 11 月单次筛查活动采集。
它同时提供临床标签（ICDR、黄斑水肿）与公平性标签（教育、医保、性别），后者是它在 DR 家族中的独特价值。
使用要点：按患者分组划分、focal loss 对抗不平衡、用 F1 而非 Accuracy、别把它和台式机的 BRSET 混为一谈。

11.2 适合谁

研究便携眼底筛查算法的团队。
研究医学影像公平性与偏差的学者。
需要真实、带伪影、非理想化数据的鲁棒性研究者。
做跨成像域（台式 vs 手持）迁移实验的人。

11.3 不适合谁

追求大规模训练语料的生产团队（5,164 图偏小）。
需要多中心、纵向、随访数据的临床研究。
需要多标签细粒度疾病标注（如 BRSET 的 13 类）的病理研究者。
无法通过 PhysioNet 凭证审核的个人。

11.4 30 秒决策卡

你的问题	答案
我要真实便携筛查数据？	是 → mBRSET
我要公平性审计标签？	是 → mBRSET
我要海量训练数据？	否 → 看 EyePACS
我要多标签疾病？	否 → 看 BRSET
我要像素级分割？	否 → 看 IDRiD
我能过凭证审核？	否 → 先解决访问

11.5 延伸阅读

论文：10.1038/s41597-025-04627-3（Scientific Data 12:323, 2025）。
数据：https://physionet.org/content/mbrset/1.0/ 。
代码：https://github.com/luisnakayama/mBRSET 。
预印本：medRxiv 2024.07.11.24310293。
姊妹集：BRSET（PhysioNet /content/brazilian-ophthalmological/）。

FAQ（高频问答）

Q1：mBRSET 和 MBRSET 是同一个东西吗？
A：是。小写 m 是官方拼写，全大写是学术索引（如 Google Scholar）的写法。同一数据集。

Q2：为什么名字里有 BRSET？
A：因为它是 BRSET 团队的姊妹数据集，前缀 “m” 表示 “mobile”（移动/手持），强调与台式机 BRSET 的成像差异。

Q3：图像是彩色的吗？
A：是，彩色眼底照（color fundus photography），JPEG 格式。

Q4：有多少患者有双眼图？
A：患者 1,291、图像 5,164，约 4 张/人。眼别近乎 50/50 平衡。具体双眼比例论文未逐人披露。

Q5：能拿到原始未压缩图吗？
A：不能。图像是从 Eyer 云系统导出的 JPEG，本身已经是压缩格式，且未提供 RAW。

Q6：ICDR 和 SDRG 有什么区别？
A：ICDR 是国际临床分级（0-4），SDRG 是苏格兰分级。mBRSET 只用 ICDR；BRSET 两者都有。

Q7：我能用它训练商用模型吗？
A：不能直接用于商业产品。许可为 PhysioNet Credentialed Health Data License 1.5.0，限定研究用途。

Q8：数据里有没有可识别信息？
A：论文声明所有可识别信息已移除。但眼底图本身可能与生物特征关联，使用仍须遵守 DUA。

Q9：怎么快速看数据长什么样？
A：过凭证后读 labels_mbrset.csv，用仓库的 eda.ipynb 做探索性分析。

Q10：为什么 Accuracy 高 F1 低？
A：类别极度不平衡（0 级 76.8%），多数类基线高。看 F1。

Q11：最小可行复现要多久？
A：单卡（如 A40）数小时级，5,164 图规模不大。

Q12：它和 Chinese DR 数据集能一起用吗？
A：可以，但要处理跨域（不同相机、不同人群）。建议先分别在各自域内评测，再做联合。

事实清单（硬事实）

官方全称：mBRSET, a Mobile Brazilian Retinal Dataset。
规模：5,164 张眼底彩照 / 1,291 名糖尿病患者。
采集：2022 年 11 月，巴西巴伊亚州伊塔布纳 Itabuna Diabetes Campaign。
相机：Phelcom Eyer + Samsung Galaxy S10（Android 11），45°、1200 万像素、标称 1600×1600 px。
论文：Scientific Data 12:323 (2025)，DOI 10.1038/s41597-025-04627-3。
PMID 39987104 / PMCID PMC11846882。
PhysioNet v1.0 发布：2024-06-26。
PhysioNet DOI：v1.0 = 10.13026/qxpd-1y65；latest = 10.13026/m10j-dj56。
许可：PhysioNet Credentialed Health Data License 1.5.0。
访问：Credentialed user + CITI 培训 + DUA。
元数据：labels_mbrset.csv，24 列。
ICDR 分布：0→76.8%、1→5.6%、2→11.6%、3→1.7%、4→4.3%。
黄斑水肿：阳性 8.7% / 阴性 91.3%。
可转诊 DR：19.3%。
伪影：82.7% 有；质量合格：94.3%。
标注一致性：ICDR 加权 Kappa 0.863；水肿 0.618。
女性 65.06% / 男性 34.93%；平均年龄 61.44 ± 11.63 岁。
无医保 92.3%。
划分：训练 70% / 验证 10% / 测试 20%，分组分层。
预处理：384×384，ImageNet 归一化。
训练：Adam lr=1e-5、wd=1e-6、batch 16、最多 50 epoch、A40。
不平衡处理：focal loss（γ=2）+ 逆类别权重。
基准骨干：ConvNeXt V2 Large / DINO V2 Large / Swin V2 Large。
DR 二分类最佳 F1：约 87.40（DINO V2 Large）。
黄斑水肿最佳 F1：约 83.06（ConvNeXt V2 Large）。
公平性——性别预测 F1 约 84.38、医保约 76.11、教育约 72.33。
代码：https://github.com/luisnakayama/mBRSET（Python 3.9.7）。
伦理批号：CAAE 64219922.3.0000.9667。
数据集体积：约 3.0 GB（第三方目录）。
姊妹数据集：BRSET（台式机，16,266 图 / 8,524 患者）。

术语表

术语	英文	释义
眼底彩照	color fundus photography	拍摄视网膜后段的彩色图像，DR 筛查金标准
糖尿病视网膜病变	diabetic retinopathy, DR	糖尿病引起的视网膜微血管病变
ICDR	International Clinical Diabetic Retinopathy	国际临床 DR 分级，0-4 级
黄斑水肿	macular edema	黄斑区渗出或增厚，DR 致盲主因之一
手持视网膜相机	handheld retinal camera	便携式、可握持的眼底成像设备
智能手机眼底相机	smartphone fundus camera	镜头扣在手机上的便携眼底相机
Phelcom Eyer	—	巴西 Phelcom 出品的便携眼底相机
药理性散瞳	pharmacological mydriasis	用药物扩大瞳孔以便成像
伪影	artifact	成像中非解剖结构的干扰（对焦、光照、灰尘等）
可转诊 DR	referable DR	需要转诊专科处理的 DR
焦点损失	focal loss	压低易样本权重、聚焦难样本的损失函数
分组分层	grouped stratification	按患者分组同时保持类别比例的划分方法
加权 Kappa	weighted kappa	衡量有序分类标注一致性的统计量
LMIC	low- and middle-income countries	中低收入国家
公平性任务	fairness task	用模型预测社会经济属性以审计偏差
RETFound	—	视网膜基础模型（retinal foundation model）
凭证访问	credentialed access	需身份核验与协议的数据访问模式
DUA	Data Use Agreement	数据使用协议
DAIMS	Data and Analytics Infrastructure Maturity Scorecard	数据就绪度评估框架

附录

附录 A：条目信息速查卡

项	值
slug	mbrset
官方全称	mBRSET, a Mobile Brazilian Retinal Dataset
category_tags	医学影像 / 眼科影像 / 图像分类 / 糖尿病视网膜病变 / 公共卫生与流行病学 / 评测基准
规模	5,164 图 / 1,291 患者
许可	PhysioNet Credentialed Health Data License 1.5.0
论文 DOI	10.1038/s41597-025-04627-3

附录 B：DAIMS 关键结论

DAIMS 14 维评估中，可复现性、伦理透明、偏差记录、文档四项为强项；可访问性、规模两项为弱项。整体定位：研究友好的中小型真实场景数据集。

附录 C：获取决策树

需要 DR 数据？
├─ 需要便携/LMIC 场景？
│   ├─ 能过 PhysioNet 凭证？ → mBRSET
│   └─ 不能 → 先解决访问，或找注册即得的替代
├─ 需要台式机大规模？
│   └─ EyePACS / BRSET
├─ 需要像素级分割？
│   └─ IDRiD
└─ 需要多标签疾病？
    └─ BRSET

附录 D：字段速查（24 列）

patient, age, sex, dm_time, insulin, insulin_time, oraltreatment_dm, systemic_hypertension, insurance, educational_level, alcohol_consumption, smoking, obesity, vascular_disease, acute_myocardial_infarction, nephropathy, neuropathy, diabetic_foot, file, laterality, final_artifacts, final_quality, final_icdr, final_edema

附录 E：复现检查清单

[ ] 通过 PhysioNet 凭证并签署 DUA
[ ] 读取 labels_mbrset.csv，核对 24 列
[ ] file 列去扩展名后与图像 join
[ ] 按 patient 分组分层划分 70/10/20
[ ] resize 384×384 + ImageNet 归一化
[ ] focal loss（γ=2）+ 逆类别权重
[ ] 主指标报告 F1，给出多数类基线
[ ] 引用 v1.0 DOI 并注明 version 1.0

附录 F：与库内 BRSET 条目的关系声明

mBRSET 与 BRSET 是同一团队（Nakayama 等）的姊妹数据集，但为两个独立数据集：规模、相机、时间、地点均不同。本条目与库内 brset 条目互为对照，不构成重复条目。若研究需联合使用，应显式声明跨域差异并分别评测。

附录 G：存照与双口径

图像数：5,164（总数）vs 4,885（DR 评估覆盖）。
体积：约 3.0 GB（第三方）vs PhysioNet 未公示。
DOI：v1.0 固定 vs latest 漂移。
大小写：官方 mBRSET vs 索引 MBRSET。

附录 H：来源列表

PhysioNet: https://physionet.org/content/mbrset/1.0/
论文: https://doi.org/10.1038/s41597-025-04627-3
PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC11846882/
GitHub: https://github.com/luisnakayama/mBRSET
预印本: https://www.medrxiv.org/content/10.1101/2024.07.11.24310293
第三方目录: https://khosravipooya.com/EyeDataHub/datasets/mbrset

附录 I：贡献者与致谢

数据与论文由 University of Michigan、MIT LCP、UNIFESP、Unidos pelo Diabetes、Phelcom Technologies 合作完成；通讯作者 Luis Filipe Nakayama；第一作者 Chenwei Wu 与 David Restrepo（并列贡献）。本条目由千方病案医学编辑部整理，检索核实于 2026-10-12。

附录 J：免责声明

本条目为数据集百科整理，所有硬事实以 PhysioNet 页面、Scientific Data 论文与官方 GitHub 仓库为准。数据使用须遵守 PhysioNet Credentialed Health Data License 1.5.0 及签署的 DUA；本条目内容不构成法律意见或医学建议。

千方病案医数集 · AI-Ready Wikipedia · mbrset · 检索核实于 2026-10-12