信息速览

数据集名称MIMIC-IV-Ext-PE — 肺栓塞 CTPA 报告标签集 AI-Ready Wikipedia

数据类型结构化标签,临床文本,人工标注

规模19,942 份 CTPA 报告 / 15,875 名患者（MIMIC-IV v3.1 派生，双人共识五类标签）

接入方式MIMIC-IV v3.1 影像报告经五步 RegEx 识别+双人医生共识标注（VTE-BERT 与 ICD 编码双自动基准对照）

AI 就绪度

INFOBOX：mimic-iv-ext-pe 速览

字段	值
数据集	MIMIC-IV-Ext-PE: Pulmonary Embolism Labels for CTPA Radiology Reports v1.0.0
slug	mimic-iv-ext-pe
发布	2026-03-23｜PhysioNet（全库次新，比 516 早两天）
DOI	10.13026/5qq1-zv65（v1.0.0）/ 10.13026/f77d-vr35（latest）
访问	Credentialed（License 1.5.0 + DUA 1.5.0 + CITI 课程）
母项目	MIMIC-IV v3.1
规模	19,942 份 CTPA 报告 / 15,875 患者（232 万份报告中筛出）
标签	五类：Acute 1,358 / Subsegmental 233 / Chronic 345 / Equivocal 104 / Negative 17,902
标注	双人共识制（一人看模型预测+一人盲审）｜κ=0.82｜504 分歧全解决
对垒	VTE-BERT（Sens 92.4%/PPV 87.8%）vs ICD 编码（Sens 95.4%/PPV 83.8%）
团队	BIDMC 血液科/信息科 + Baylor + UPMC + MIT CSAIL 七人（Lam/Horng 等）
论文	RPTH 2025;9(4):102896（2025-05-21）+ arXiv 2411.00044
一句话	血液科医生给 MIMIC-IV 装的 PE 开关：双人共识金标准 + 两条自动路的诚实对照

§0 摘要卡：从"232 万份报告"到"2 万个 PE 开关"

§0.1 名称与口径声明

本条目记录 PhysioNet 数据集 MIMIC-IV-Ext-PE（slug：mimic-iv-ext-pe），v1.0.0，2026-03-23 发布，DOI 10.13026/5qq1-zv65，Credentialed。形态口径存照：批次清单标 modality=CT，实测为 CTPA 放射报告的文本层标签集——CT 图像本体不在库，"CTPA"是报告的检查类型。标题口径存照：arXiv 版标题称 “large language model”，实际模型是微调 BERT（VTE-BERT）——论文正文自纠。

§0.2 读者收益清单

血栓研究团队：1,591 例急性 PE（含 233 亚段）的即开即用队列——subject_id/hadm_id 直通 MIMIC-IV 全生态（EHR/超声/胸片/心电图）
医学 NLP 工程师：双人共识金标准（κ=0.82）+ 五类分级标签——比弱监督标签高一个可靠性的标注参照
方法学研究者：VTE-BERT vs ICD 的同金标准对垒——"自动标注 vs 编码标注谁更准"的公开教案
急危重症数据科学家：38% 仅急诊报告——ICD 覆盖盲区的实证样本
MIMIC 生态用户：本库 617（MIMIC-CXR-JPG）之外的第二条报告加工层路径——临床文本侧的姊妹篇

§0.3 本条目与其他条目的阅读组合

617 mimic-cxr-jpg：同为报告加工层——617 是双 labeler 弱监督 14 类（规模换精度），518 是双人共识五类（精度换规模）；两种标注工程的正面参照系
MIMIC-IV 主线（ED/ECG 等在库条目）：hadm_id/subject_id 直连——PE 队列的结局变量在 MIMIC-IV 临床表
616 mimic-cxr-ext-ils：同属 MIMIC-Ext 派生系列——616 指令分割（影像），518 PE 标签（文本）；Ext 家族的两种"增值标注"
RSNA PE CT / INSPECT（未单列）：PE 领域影像层与多模态先例——本集是 MIMIC 生态文本层补位

§0.4 身份卡：一条命令背下这个数据集

名称   MIMIC-IV-Ext-PE: PE Labels for CTPA Radiology Reports
版本   v1.0.0（2026-03-23，唯一版本）
DOI    10.13026/5qq1-zv65（latest f77d-vr35）
访问   Credentialed（License 1.5.0 + DUA 1.5.0 + CITI）
规模   19,942 CTPA 报告｜15,875 患者｜232 万报告中筛出
标签   五类（Acute/Subsegmental/Chronic/Equivocal/Negative）
标注   双人共识｜κ=0.82｜504 分歧全讨论解决
对垒   VTE-BERT 92.4/87.8 vs ICD 95.4/83.8（Sens/PPV%）
论文   RPTH 2025;9(4):102896（早于数据集 10 个月）

它的故事一句话：血液科医生受够了 ICD 编码的不靠谱，于是双人盲审了 2 万份报告装上"PE 开关"——顺手证明了机器和编码都还需要这个金标准当裁判。

§1 身份卡：一张速览

MIMIC-IV-Ext-PE 是 MIMIC-IV 的第一个血液科主导的扩展数据集：把 232 万份放射报告中经五步管线确认的 19,942 份 CTPA（CT 肺动脉造影）报告，由两位医生按共识协议标注为五类 PE（肺栓塞）标签，并附上 VTE-BERT 模型与 ICD 编码两条自动路径的对照成绩单。

字段	值
完整标题	MIMIC-IV-Ext-PE: Pulmonary Embolism Labels for CT Pulmonary Angiography Radiology Reports
版本	v1.0.0（2026-03-23，唯一版本；latest DOI 10.13026/f77d-vr35）
版本 DOI	10.13026/5qq1-zv65
母项目	MIMIC-IV v3.1（BIDMC 2008-2019）
发布方	PhysioNet（MIT LCP 维护）
访问级别	Credentialed（License 1.5.0 + DUA 1.5.0）
训练门槛	CITI “Data or Specimens Only Research”
规模	19,942 份 CTPA 报告 / 15,875 名患者（住院关联 62% / 仅急诊 38%）
标签	五类：Acute 1,358 / Subsegmental 233 / Chronic 345 / Equivocal 104 / Negative 17,902
标注协议	双人共识：BDL（看句子+模型预测）+ IK（盲审句子）；κ=0.82；504 份分歧全员讨论解决
人口学	中位 63 岁；女 56.7%；White 58.8%
自动对照	VTE-BERT（Sens 92.4%/PPV 87.8%）vs ICD（Sens 95.4%/PPV 83.8%，仅住院子集）
团队	7 人：Lam（BIDMC 血液+信息）/ Kovalenko（UPMC）/ Horng（BIDMC 信息+急诊）/ Ma+Li（Baylor，共同通讯）/ Jafari（Baylor ICTR）/ Wang（MIT CSAIL）
论文	RPTH 2025;9(4):102896（2025-05-21）+ arXiv 2411.00044（2024-11）
Ethics	派生自 MIMIC-IV，无新患者数据采集
COI	无（作者声明）；资助 Google Cloud Research Credits（GCP19980904）
Views	121（2026-03 挂牌，新集）

§2 背景：血液科为什么要自己动手做数据集

§2.1 PE：可预防院内死亡的头部原因

肺栓塞是院内可预防死亡的主要原因——页面开篇即引用 VTE 公共卫生综述（Beckman 2010，Am J Prev Med）与急性 VTE 治疗综述（Becattini & Agnelli，Blood 2020）。典型症状（心动过速、呼吸困难、胸痛）不特异，诊断依赖 CTPA 影像；而 PE 的发病率报告已成为医院质量指标——识别病历中的 PE 病例不仅是研究问题，也是公共卫生监测问题。

§2.2 金标准荒：血栓领域的公开数据集缺口

论文说得直白：止血与血栓领域"缺少大型公开数据集"。此前领域内只有两个：RSNA PE CT Dataset（12,000+ CT study，DICOM 影像+PE 类型标签）与 INSPECT（23,248 CT+报告+纵向 EHR）。两者都不与 MIMIC 生态互通——而 MIMIC 的独特价值恰是 EHR/超声/胸片/心电图的纵向链接。本集的定位就是补上 MIMIC 生态的 PE 文本层，让 PE 队列研究可以直接 join 出多模态画像。

§2.3 为什么不用 ICD 编码？——被伤过的血液科

历史上 PE 病例识别靠人工病历审查（劳动密集不可规模化）；用 ICD 编码替代则在门诊与急诊场景暴露出 poor predictive value（论文引用 [6][7]）。团队此前做的 VTE AI 系统综述（Chiasakul 2023，Eur J Haematol——本集作者 Lam/Rosovsky 参与的先导工作）发现：极少有团队做过外部验证，更没有人用 transformer 从非结构化病历里识别 PE。于是血液科自己上手：先构建金标准，再量化两条自动路（模型/编码）与金标准的差距。

§2.4 团队构成的临床意义

七人团队里，第一作者与第二位标注医生来自 BIDMC 血液科/临床信息科，通讯作者在 Baylor 血液肿瘤科与 BIDMC 信息/急诊科——没有一位"纯 ML 背景"的第一作者（唯一的 CSAIL 作者 Peiqi Wang 排第五）。这与 KAIST 班底的 516（工程主导全自动管线）形成方法论光谱的两端：临床科室自产数据集，标注协议与临床工作流（双人阅片+意见分歧讨论制）直接同构。

§3 管线解剖：232 万份报告怎么变成 2 万个标签

§3.1 五步 CTPA 识别

取材：MIMIC-IV 全部 2,321,355 份影像报告中取 subtype=“RR”（radiology report）的note；
分段：把报告切成 History / Indication / Procedure / Examination / Study / Technique 六类节；
操作段筛：Procedure/Examination/Study/Technique 段含 CTPA 相关术语；
病史段筛：History/Indication 段含 PE 相关术语（临床开单理由）；
标题段筛：存在以 CTPA 为标题的独立段落。
候选 21,948 份 → 两位医生逐份人工确认 → 19,942 份真 CTPA（15,875 患者）。

纳入边界细节：混合检查只要有胸部 CT 血管造影即纳入（全身 CTA、心血管 CTA 都算）；核医学的 V/Q（通气/灌注）扫描明确排除——影像模态边界与临床习惯一致。

§3.2 RegEx 句子隔离

对确认的 CTPA 报告，用 RegEx 算法找含 PE 关键词的句子，隔离出来合并成"snippet note"（术语表见补充材料 Table 1/Table 2）。这一步的成绩：19,942 份中 18,748 份（94.1%）成功隔离出至少一句；剩下 1,194 份无句可提——人工核查发现其中只有 1 份是真急性 PE。也就是说，"句子隔离"这个看似粗暴的预处理，召回率是 1,590/1,591 = 99.94%——规则式预处理在高度模板化的放射报告上依然很强。

§3.3 VTE-BERT：一个"外来"的分类器

VTE-BERT 不是为本集重新训练的：它是 Maghsoudi 等人先前用 800 名癌症患者的 3,000 份临床笔记（progress notes/出院小结/影像报告，来自 Harris Health System）微调 Bio_ClinicalBERT 得到的 VTE（DVT+PE）识别模型，已在 VA 癌症队列外部验证过。本集直接拿来用——模型训练语料与本集 CTPA 报告零重叠，因此 VTE-BERT 在本集的成绩是真外部验证而非同分布测试。这在 NLP 标注工具的文献里是少见的老实做法。

无句即阴的约定：预处理没隔离出任何句子的报告，直接标为阴性（no PE）——由上面的召回数字背书（1,194 份里只漏了 1 个真阳性）。

§3.4 双人共识裁决：一明一盲

医生 1（BDL，Lam）：看隔离句子 + VTE-BERT 的预测结果（模型辅助阅片）；
医生 2（IK，Kovalenko）：只看隔离句子，对模型预测全盲；
无句可提的报告两人都看全文；
五类标准（详见 §4）：Positive（Acute/Subsegmental）与 Negative（Chronic/Equivocal/Negative）；
冲突处理：504 份（2.5%）存在不一致，全部通过两人讨论达成一致（讨论至共识，无仲裁第三人）；
一致性：五类并成二值（阳/阴）后算 Cohen’s κ = 0.82——"substantial agreement"上缘。

一明一盲的设计哲学：医生 1 看得到模型预测，模拟的是"人机协同阅片"的未来工作流；医生 2 全盲，保住的是"纯人类金标准"的独立性。κ=0.82 是在盲侧可计算的独立性指标——这比两个都看模型的"共识"更有说服力。

§4 五类标签体系：比"阳/阴"多想三步

§4.1 为什么是五类而不是二类

两位医生的裁决手册把 PE 发现切成五类——每类都对应一个真实的临床决策分歧点：

类	定义	n	临床含义
Acute	急性 PE，或急慢性混合	1,358	需要抗凝治疗
Subsegmental	仅亚段动脉的急性 PE	233	治疗存在争议的灰色地带
Chronic	慢性 PE/病程不明/与既往扫描相似	345	不是新事件——抗凝决策不同
Equivocal	存疑发现（如运动伪影 vs PE）	104	需进一步检查或临床判断
Negative	无 PE/影像质量不足以判断/未描述肺动脉	17,902	阴性对照池

阳性合计 1,591（7.98%），阴性 18,351。"仅慢性"与"存疑"没有被塞进阴性而各自成类——这是本集比多数 ICD/弱监督标签精细的地方：研究者可以按研究问题自行决定"慢性算不算暴露"“存疑进不进训练集”。

§4.2 亚段（subsegmental）为何单列

亚段 PE 的临床处理是血液学的经典争议（是否抗凝因人而异）。金标准专门单列了 233 份仅亚段受累的急性 PE；ICD 对照里 1,276 份正确阳性中 169 份实为亚段——而 ICD 码里只有 4 份用了亚段专用编码。编码粒度跟不上临床粒度，这是五类设计给出的隐含批评。

§4.3 κ=0.82 的读法

504 份（2.5%）初始不一致在五类并二值后计算 κ=0.82。三点读法：其一，分歧主要发生在类间细界（慢性 vs 阴性、存疑 vs 阳性）而非阳/阴主轴；其二，全部 504 份经讨论达成一致——共识制没有"留白"样本（对照 517 五值里 disagreement 类的存在）；其三，κ 是二值化的，五类原始一致性只会更低——引用时别把 0.82 说成"五类 κ"。

§5 对垒结果：模型、编码与人工的三角

§5.1 VTE-BERT 的成绩单

指标	VTE-BERT	95% CI
灵敏度 Sensitivity	92.4%	0.91-0.94
阳性预测值 PPV	87.8%	0.86-0.89
特异度 Specificity	98.9%	—（emergentmind 口径）

最常见错误：把仅描述慢性 PE 的报告判为阳性——恰好是五类设计里单列 Chronic 的原因：自动模型分不清"急"与"慢"，而这对治疗决策是天壤之别。

覆盖面：全部 19,942 份（含急诊 38%）。

§5.2 ICD 编码的成绩单

住院子集（12,355 份报告/11,990 次住院；365 份同住院多图只计一次）上：Sens 95.4%（0.94-0.96）/ PPV 83.8%（0.82-0.86）。

错误账本（308 份错标）：61 份急性 PE 无任何相关 ICD 码（漏报）；有急性 PE 码的里面，108 份实为慢性、115 份根本阴性、24 份存疑——假阳性 247 份。亚段粒度：1,276 份正确阳性中 169 份亚段，仅 4 份有亚段专用码。

§5.3 三角关系的读法

维度	VTE-BERT	ICD 编码	人工共识
灵敏度	92.4%	95.4%	金标准
精确率 PPV	87.8%	83.8%	金标准
覆盖	全部（含急诊）	仅住院	全部
粒度	二值（阳/阴）	二值+4 个亚段码	五类
成本	零边际	零边际	2 医生×2 万份

三个结论：其一，ICD 查全略优但假阳性多 247 份——流行病学发病率统计若基于 ICD 会系统性虚高；其二，VTE-BERT 精确率优势换来的是急诊覆盖（ICD 在急诊没有对应 discharge 编码）；其三，两条自动路都在"急 vs 慢"上翻车——这正是人工五类金标准不可替代的部分。

§5.4 局限声明（页面原文精神）

标签仅基于影像报告——报告上写 equivocal 的病例，临床可能已按急性 PE 抗凝（“报告≠处置”）；ICD 对照无法覆盖急诊 38%；VTE-BERT 的跨域误差（癌症语料→一般人群）未在集内进一步拆解。

§6 生态位：PE 数据集三件套与 MIMIC 链接权

§6.1 三件套对照

维度	RSNA PE CT（2021）	INSPECT（2023）	本集（2026）
规模	12,000+ CT studies	23,248 CT	19,942 报告
模态	DICOM 影像	CT+报告+EHR	报告文本+标签
标签	PE 类型（影像层）	PE 类型	五类（双人共识）
生态	独立竞赛集	独立	MIMIC-IV 全生态
访问	需协议	需协议	Credentialed

§6.2 MIMIC 链接权：本集的真正卖点

note_id/subject_id/hadm_id 三键直通 MIMIC-IV 的全部临床表——一条 join 就能拉出 PE 患者的纵向 EHR、用药（抗凝处方）、超声心动、胸片（本库 617）、心电图。Usage Notes 把这个卖点说得明确：支持"多模态 PE 管理"研究与"模型外推验证"。对 MIMIC 生态内的团队，这是最快的一条 PE 队列组装路径。

§6.3 与 617 的方法论对照

同是"放射报告加工层"，两条路线值得并排看：

	617 MIMIC-CXR-JPG	518 本集
标注引擎	CheXpert+NegBio 规则 NLP	双人医生共识（+VTE-BERT 基准）
标签性质	弱监督（验证集 687 份）	金标准（全量 19,942 份）
粒度	14 类五值	五类单值
规模哲学	全库 37.7 万图全标	精筛 2 万份全标
不确定性处理	uncertain/disagreement 显式值	Equivocal 独立成类
发表	arXiv（工程叙事）	RPTH 期刊（临床叙事）

规模换精度 vs 精度换规模——两条路线没有优劣，取决于下游任务要的是训练信号量还是评估可信度。

§7 AI-Ready 十问

一问：什么格式？ 单个 CSV（MIMIC-IV-Ext-PE.csv）：note_id/subject_id/hadm_id/text 报告全文/Type_of_PE/charttime/storetime——零解析成本。

二问：多大规模？ 19,942 份 CTPA 报告/15,875 患者；1,591 阳性（7.98%）/18,351 阴性；单文件即全库。

三问：标注是什么性质？ 双人医生共识金标准（一明一盲协议，κ=0.82，全量标注非抽样）——比弱监督高一级；另有 VTE-BERT 自动预测可对照。

四问：许可与门槛？ Credentialed：License 1.5.0+DUA 1.5.0+CITI 课程；发表必须开源代码。

五问：伦理完备度？ 派生自 MIMIC-IV（其 BIDMC IRB 免知情同意框架），无新患者数据；COI 无；资助（Google Cloud Credits）披露。

六问：可复现性？ 五步识别管线+RegEx 术语表+代码（GitHub+Supplementary）全公开；VTE-BERT 外部验证设计避免了同分布作弊。

七问：标签的可信边界？ 共识制消除了标注者间分歧，但"报告≠处置"——Equivocal 104 份与慢性 345 份的治疗语义要研究者自行裁定；亚段类 233 份样本量有限。

八问：适合什么任务？ PE 队列组装（join MIMIC-IV 全生态）、医学 NLP 微调/评估（报告→标签）、NLP 算法基准（对垒 VTE-BERT/ICD 成绩单）、流行病学修正（ICD 虚高量化）。

九问：不适合什么？ 影像模型训练（无 CT 图像——影像需求走 RSNA PE CT/INSPECT）；抗凝结局研究需另 join 处方与随访表；儿科不适用（MIMIC-IV 为成人）。

十问：一句话定位？ 血液科亲手做的 PE 金标准——用 2 万份双人共识报告，给"编码不靠谱、模型待验证"两个老问题立了一面公开的镜子。

§8 误解与反直觉

误解一：“这是 CT 影像数据集。” 不是——影像本体不在库，这是 CTPA 报告的文本层标签集。要影像走 RSNA PE CT（12,000 studies DICOM）或 INSPECT（23,248 CT）。

误解二：“arXiv 标题说 large language model，所以用的是 GPT 类模型。” 标题党存照：实际是微调的 Bio_ClinicalBERT（VTE-BERT，1.1 亿参数级），论文正文自我纠正为 “transformer language model”。

误解三：“VTE-BERT 是为这个数据集训练的。” 恰相反——它训练于 800 名癌症患者的 3,000 份笔记（Harris Health System），与本集 CTPA 语料零重叠，成绩是真外部验证。这是本集方法上最老实的一笔。

误解四：“ICD 灵敏度 95.4% 比 VTE-BERT 92.4% 高，所以编码更好。” 灵敏度只是半张成绩单：ICD 的 PPV 只有 83.8%（308 份错标，假阳性 247），且只能覆盖住院 62%——急诊 38% 的报告编码无从谈起。

误解五：“7.98% 的阳性率代表 MIMIC-IV 的 PE 患病率。” 这是"CTPA 检查"中的阳性率（临床开单已有选择性偏倚），不是人群或住院人群患病率——引用时注意分母是"做了 CTPA 的人"。

误解六：“κ=0.82 是五类一致性。” 五类并成二值（阳/阴）后才算的 κ——类间细界（慢性/存疑/亚段）的一致性没有单独报告，五类原始 κ 必然更低。

误解七：“Equivocal 是标注错误。” 不是——104 份存疑是报告本身的模糊（如运动伪影 vs PE），独立成类是给研究者的自由度：抗凝结局研究可排除，鲁棒性研究可保留。

误解八：“数据集 2026 年发布，所以是 2026 年的研究。” 正式论文 2025 年 5 月已在 RPTH 发表——先论文后数据，数据集挂牌是研究的"出厂后置"。

误解九：“双人共识就没有不确定。” 共识制消除的是标注者间分歧；报告文本本身的模糊（报告≠处置）依然存在——Usage Notes 明确承认 equivocal 可能被临床按急性 PE 处理。

误解十：“RegEx 句子隔离会漏掉很多阳性。” 1,194 份无句可提的报告里只有 1 份真急性 PE——预处理召回 99.94%。在高度模板化的放射报告上，规则式预处理的召回远比想象可靠（代价在精度端，由人工把守）。

误解十一：“可以用它研究儿童 PE。” MIMIC-IV 是成人库——儿科 PE 研究需要其他数据源。

误解十二：“拿到 CSV 就能直接发表临床结论。” DUA 条款照旧：发表必须开源代码；且标签是报告层——任何"治疗-结局"结论都需要 join MIMIC-IV 处方/随访表自行验证。

§9 工作实例：从 CSV 到 PE 队列

§9.1 加载与分布盘点（纯 pandas）

import pandas as pd

pe = pd.read_csv('MIMIC-IV-Ext-PE.csv')
print(pe['Type_of_PE'].value_counts())
# Acute          1358
# Negative     17902  (按 final 页面口径换算)
# Chronic         345
# Subsegmental    233
# Equivocal       104
print(pe['subject_id'].nunique())   # 15,875

# 阳性队列（急性含亚段）
acute = pe[pe['Type_of_PE'].isin(['Acute', 'Subsegmental'])]   # 1,591 份报告

§9.2 join 出多模态 PE 画像（MIMIC 生态）

# hadm_id -> MIMIC-IV hospitalizations（用药/实验室/结局）
# subject_id -> MIMIC-CXR-JPG 图像（本库 rid 617，键 dicom_id 经 metadata）
# 急性 PE 患者的抗凝处方：join prescriptions 表筛抗凝药
# 超声/心电图：echoecg 表与 MIMIC-IV-ECG（本库在册条目）

§9.3 复现"模型 vs 编码"对垒

# VTE-BERT：github 开源权重（Maghsoudi et al.），输入 text 列
#   预处理按 Supplementary Table 2 的 RegEx 隔离句子；无句 -> 阴性
# ICD 对比：join MIMIC-IV diagnoses_icd，筛 I26 系列（肺栓塞）
#   分母 = 住院子集 11,990 stays（急诊报告无 discharge 编码）
# 目标：复现 Sens 92.4/PPV 87.8 vs Sens 95.4/PPV 83.8

§9.4 标注工程的三课

一明一盲：如果想既有独立性又有人机协同的真实感，复制本集的双评审设计——盲侧保 κ 可算，明侧模拟真实工作流；
无句即阴要背书：本集用"1,194 份无句仅 1 阳性"给默认阴性兜底——你的规则式预处理也要给出等价的召回证据；
五类比二值值钱：Chronic/Equivocal 单列后，"自动模型分不清急慢"这个发现才成为可能——粒度设计决定能发现什么。

实操提醒：text 列是报告全文（含模板段落），直接拿去训分类器会引入模板噪声——本集管线已示范"先隔离相关句再喂模型"的正确姿势。

§5.6 常见踩坑清单

坑	后果	避法
坑点1：当影像数据集用	找不到 CT 文件	文本层标签集；影像走 RSNA PE/INSPECT
坑点2：阳性率当患病率	流行病学推断错误	分母是 CTPA 检查（选择性偏倚）
坑点3：ICD 数字外推到急诊	覆盖虚高	ICD 仅住院 62%；急诊 38% 无编码
坑点4：κ=0.82 当五类一致性	高估类间一致	二值化后计算；类间细界未单独报告
坑点5：Equivocal 直接丢	白白放弃鲁棒性素材	按研究问题裁定（§4.1 表）
坑点6：VTE-BERT 当同分布基线	复现不出论文数字	外部验证设计；重训后数字不可比
坑点7：全文直训分类器	模板噪声进模型	先句子隔离（§3.2）再喂模型
坑点8：忽略"报告≠处置"	治疗-结局结论失真	join 处方/随访表自行验证（§5.4）

DAIMS 评估：数据可得性 6（Credentialed 标准流程）/ 标注 9（双人共识全量金标准 κ=0.82，全库标注最高档）/ 方法 8（管线全开源+外部验证设计+双基准对照）/ 影响力 6（2026 新集，RPTH 期刊影响力待累积）/ 规模 6（2 万份报告，单文件）——DAIMS：7.0（对照：617 弱监督全量 7.8、616 全自动指令分割 7.0、510 人工掩码 8.0）。

§10 FAQ：九十问速查

§10.1 身份与获取（10 问）

Q1：MIMIC-IV-Ext-PE 是什么？

A：MIMIC-IV 的 PE 标签扩展：19,942 份 CTPA 放射报告（15,875 患者）由两位医生共识标注五类肺栓塞标签。

Q2：它和 MIMIC-IV 是什么关系？

A：wholly derived 派生——报告全文与键（note_id/subject_id/hadm_id）都来自母库 MIMIC-IV v3.1，本集只加标签层。

Q3：包含 CT 影像吗？

A：不包含——这是报告的文本层标签集；CT 影像需求走 RSNA PE CT Dataset 或 INSPECT。

Q4：最新版本？

A：v1.0.0（2026-03-23，唯一版本）。

Q5：DOI 怎么引？

A：版本 DOI 10.13026/5qq1-zv65；latest DOI 10.13026/f77d-vr35；论文 DOI 10.1016/j.rpth.2025.102896。

Q6：在哪里下载？

A：PhysioNet：physionet.org/content/mimic-iv-ext-pe/，Credentialed 档位。

Q7：申请门槛？

A：CITI ‘Data or Specimens Only Research’ 课程（每位合作者）+ 签署 DUA 1.5.0 + MIT LCP 审核。

Q8：要花钱吗？

A：免费——Credentialed 是身份与用途门槛，非付费墙。

Q9：论文是哪篇？

A：Lam et al. Res Pract Thromb Haemost 2025;9(4):102896（2025-05-21）；另有 arXiv 2411.00044（2024-11 预印本）。

Q10：团队是谁？

A：七人：BIDMC 血液科/信息科（Lam、Horng）+ Baylor 血液肿瘤（Ma、Li，共同通讯）+ UPMC Harrisburg（Kovalenko）+ Baylor ICTR（Jafari）+ MIT CSAIL（Wang）。

§10.2 规模与口径（10 问）

Q11：母库报告总量多少？

A：2,321,355 份（MIMIC-IV 全部影像报告）。

Q12：候选与确认多少？

A：RegEx+query 候选 21,948 份 → 双医生人工确认 19,942 份真 CTPA。

Q13：多少名患者？

A：15,875 名（成人）。

Q14：住院与急诊比例？

A：住院关联 12,355 份（62%）；仅急诊 7,587 份（38%）——后者无 ICD 对照。

Q15：阳性多少？

A：急性 PE 1,591 份（Acute 1,358 + Subsegmental 233），阳性率 7.98%（以 CTPA 检查为分母）。

Q16：阴性细类？

A：Negative 17,902 / Chronic 345 / Equivocal 104（合计 18,351）。

Q17：人口学？

A：中位 63 岁；女 56.7%；White 58.8%（final 页面口径——arXiv 早期版数字不同，以 final 为准）。

Q18：CSV 有哪些列？

A：note_id / subject_id / hadm_id / text（报告全文）/ Type_of_PE（五类）/ charttime / storetime。

Q19：时间跨度？

A：母库 MIMIC-IV 的 2008-2019（BIDMC）。

Q20：V/Q 扫描在库里吗？

A：不在——明确排除（仅 CTPA 及含胸部 CTA 的混合检查）。

§10.3 管线与标注（12 问）

Q21：CTPA 怎么识别的？

A：五步：RR subtype 报告→六段切分→操作段含 CTPA 术语→病史段含 PE 术语→含 CTPA 标题段→人工确认。

Q22：两个人怎么分工？

A：医生 1（Lam）看隔离句子+VTE-BERT 预测（明）；医生 2（Kovalenko）只看句子（盲）；无句看全文。

Q23：为什么一明一盲？

A：盲侧保金标准独立性与 κ 可算；明侧模拟人机协同工作流——两种真实性都要。

Q24：分歧怎么处理？

A：504 份（2.5%）不一致全部两人讨论达成共识——无仲裁第三人、无留白样本。

Q25：κ 是多少？

A：0.82（五类并二值后计算）——substantial agreement 上缘。

Q26：句子隔离是什么？

A：RegEx 找含 PE 关键词的句子合并成 snippet——19,942 份中 18,748 份命中（94.1%）。

Q27：无句可提的报告怎么办？

A：1,194 份默认标阴性——人工核查其中仅 1 份真急性 PE，预处理召回 99.94%。

Q28：VTE-BERT 是什么？

A：Maghsoudi 等用 800 癌症患者 3,000 笔记微调的 Bio_ClinicalBERT（识别 DVT+PE），已在 VA 癌症队列外部验证。

Q29：VTE-BERT 是为本集训练的吗？

A：不是——训练语料与本集零重叠，本集成绩是真外部验证（方法上的老实设计）。

Q30：标签的舍入路径？

A：先五类（Acute/Subsegmental/Chronic/Equivocal/Negative）——研究问题决定并类方式。

Q31：混合检查怎么处理？

A：含胸部 CTA 即纳入（全身 CTA/心血管 CTA 算）；一个住院多图取一份（急性优先）。

Q32：用的什么 Python？

A：全部分析 Python 3.11（页面明示）；代码开源在 GitHub。

§10.4 对垒与性能（10 问）

Q33：VTE-BERT 的成绩？

A：Sens 92.4%（0.91-0.94）/ PPV 87.8%（0.86-0.89）/ Spec 98.9%（emergentmind 口径）——覆盖全部 19,942 份。

Q34：VTE-BERT 最常见错误？

A：把仅慢性 PE 的报告判为阳性——急慢不分是规则/模型的共同短板。

Q35：ICD 的成绩？

A：Sens 95.4%（0.94-0.96）/ PPV 83.8%（0.82-0.86）——仅住院子集 11,990 stays。

Q36：ICD 错在哪？

A：308 份错标：61 漏标（急性无码）+108 慢性误急性+115 阴性误阳性+24 存疑误阳性——假阳性 247。

Q37：亚段在 ICD 里什么地位？

A：1,276 正确阳性中 169 份亚段——只有 4 份用了亚段专用码，编码粒度跟不上临床。

Q38：谁更好？

A：各赢一半：ICD 查全、VTE-BERT 精确+急诊覆盖——都到不了人工共识的可靠性。

Q39：能复现对垒吗？

A：能——VTE-BERT 权重开源、RegEx 表公开、ICD join 逻辑在论文 Table 2。

Q40：特异度是多少？

A：VTE-BERT 98.9%（emergentmind 引论文口径；页面给 Sens/PPV 为主）。

Q41：为什么 ICD 查全更高？

A：住院 discharge 编码由编码员按病历全貌填写，不只看影像报告——信息源更宽（但更不准）。

Q42：这个对垒的普适教训？

A：编码（宽信息源+低粒度+覆盖缺口）vs NLP（窄信息源+高速度+跨域误差）——任何 phenotyping 研究都该像本集一样给两者同台。

§10.5 标签语义与研究设计（10 问）

Q43：7.98% 是患病率吗？

A：不是——是 CTPA 检查中的阳性率（临床开单已有选择偏倚），非人群/住院患病率。

Q44：Equivocal 104 份怎么用？

A：按研究问题裁定：抗凝结局研究可排除；鲁棒性/不确定性研究可保留或单独建模。

Q45：Chronic 345 份算暴露吗？

A：看研究定义——慢性 PE 不是急性事件，但与慢性血栓栓塞性肺高压（CTEPH）研究相关。

Q46：Subsegmental 为什么值得单列？

A：抗凝决策的临床争议地带；ICD 仅 4/169 有专用码——粒度鸿沟的实证。

Q47：'报告≠处置’什么意思？

A：报告写 equivocal 的病例可能已被按急性 PE 抗凝——标签是报告层，治疗语义要 join 处方表自行验证。

Q48：能研究儿童吗？

A：不能——MIMIC-IV 是成人库。

Q49：能直接下治疗结论吗？

A：不能——需要 join MIMIC-IV prescriptions/随访表；标签只描述报告说了什么。

Q50：阳性率与其他库可比吗？

A：谨慎——RSNA/INSPECT 的分母与纳入标准不同；本集是’临床怀疑 PE 而做 CTPA’的真实流。

Q51：急诊报告的特殊价值？

A：38% 仅急诊——这是 ICD 编码无法覆盖的人群，NLP 标签是唯一选择。

Q52：纵向研究怎么设计？

A：charttime/storetime 支持同一患者多次 CTPA 的时间排序——急转慢、复发研究的入口。

§10.6 伦理与合规（8 问）

Q53：伦理审查情况？

A：派生自 MIMIC-IV（BIDMC IRB 免知情同意框架），无新患者数据采集。

Q54：COI？

A：作者声明无利益冲突。

Q55：资助方？

A：Google Cloud Research Credits（GCP19980904）；PhysioNet 基建由 NIBIB/NHLBI/NIH-OD 支持（U24EB037545+R01EB030362）。

Q56：DUA 义务？

A：不共享/不再识别/发表必须公开代码——MIMIC 家族标准三条。

Q57：能再分发吗？

A：不能直接再分发报告全文；派生统计与模型共享以 DUA 1.5.0 为准。

Q58：患者隐私怎么保护？

A：继承 MIMIC-IV 的 Safe Harbor 去标识；text 列为已去标识报告。

Q59：商用可以吗？

A：限研究用途；商用需另行授权。

Q60：撤回风险？

A：2026-03 挂牌至今稳定；PhysioNet 有标准撤回政策。

§10.7 与家族和同类（10 问）

Q61：本库有哪些 MIMIC-IV 系条目？

A：MIMIC-IV-ED、mimic-iv-ecg 等已在库——本集（518）是 PE 侧翼；hadm_id/subject_id 可直连。

Q62：与 617 MIMIC-CXR-JPG 什么关系？

A：同为报告加工层——617 弱监督 14 类（规模），518 双人共识五类（精度）；方法论光谱两端。

Q63：与 616 Ext-ILS 什么关系？

A：同属 MIMIC-Ext 系列——616 影像侧指令分割，518 文本侧 PE 标签；Ext 家族的两种增值标注。

Q64：Steven Horng 是谁？

A：BIDMC 临床信息科+急诊科——517 MIMIC-CXR-JPG 论文共同作者，MIMIC 生态 NLP 线的常客。

Q65：RSNA PE CT 是什么？

A：12,000+ CT studies 的 DICOM 影像+PE 标签基准（Colak 2021）——影像层互补。

Q66：INSPECT 是什么？

A：23,248 CT+报告+纵向 EHR 的多模态 PE 数据集（arXiv 2311.10798）——先例与对照。

Q67：PE 三件套怎么选？

A：影像训练选 RSNA；多模态独立研究选 INSPECT；MIMIC 生态队列选本集。

Q68：和 VTE-BERT 原论文什么关系？

A：Maghsoudi et al. 训练（癌症队列），本集是它的第二个外部验证场景（一般人群急诊+住院）。

Q69：与其他 MIMIC-Ext 家族（pe/ils）的共性？

A：都是’给母库加一层专家/自动标注’——Ext = extension 语义。

Q70：引用时最容易犯的错？

A：把 arXiv 早期人口学数字当 final（以 PhysioNet 页面为准）；把’LLM’当真（实为微调 BERT）。

§10.8 生产与版本（10 问）

Q71：发布时间线？

A：arXiv 2024-11 → RPTH 正式发表 2025-05 → PhysioNet 挂牌 2026-03——先论文后数据。

Q72：Views 多少？

A：121（新集时间效应）。

Q73：版本只有 1.0.0 吗？

A：是——首发即唯一版本；latest DOI（f77d-vr35）与版本 DOI 并存是 PhysioNet 惯例。

Q74：代码在哪？

A：GitHub（页面引用 [14]）+ Supplementary File 1——五步管线与 RegEx 术语表全公开。

Q75：补充材料有什么？

A：Table 1（CTPA 术语）/Table 2（PE 关键词 RegEx）/Figure 1（筛选漏斗）/Supp File 1（代码）。

Q76：批次七排位？

A：3/10（order 518，预期 rid 618）——继 516（指令分割）、517（JPG 枢纽）之后。

Q77：类目怎么定？

A：批次清单标 CT——实测为报告文本层，条目按医疗NLP（临床文本）归类，条目内说明形态。

Q78：核查了几轮？

A：3 轮——页面全量、论文链（RPTH+arXiv）、多源交叉（emergentmind/Scholar）。

Q79：预判修正了什么？

A：modality CT→文本层；发现先论文后数据的发布顺序；arXiv 早期数字与 final 的演化。

Q80：一句话总结？

A：血液科医生亲手做的 PE 金标准：2 万份双人共识报告+两条自动路的诚实成绩单。

§11 事实清单：核查记录

§11.1 身份与版本（15 条）

完整挂牌名：MIMIC-IV-Ext-PE: Pulmonary Embolism Labels for CT Pulmonary Angiography Radiology Reports v1.0.0
发布日：2026-03-23（全库次新——比 516 的 3-25 早两天）
版本 DOI：10.13026/5qq1-zv65；latest DOI：10.13026/f77d-vr35
母项目：MIMIC-IV v3.1（BIDMC 2008-2019）
访问：Credentialed（License 1.5.0 + DUA 1.5.0 + CITI ‘Data or Specimens Only Research’）
类型：报告文本层标签集（CT 影像本体不在库）
Views：121（新集）
维护：MIT LCP；基建资助 NIBIB/NHLBI/NIH-OD（U24EB037545 + R01EB030362）
Ethics：派生自 MIMIC-IV，无新患者数据采集
COI：作者声明无
资助：Google Cloud Research Credits（GCP19980904）
代码开源：GitHub（[14]）+ Supplementary File 1
分析环境：Python 3.11（页面明示）
形态预判修正：批次清单 modality=CT，实测为报告文本层——按医疗NLP 归类
标题口径存照：arXiv 版称 ‘large language model’，实为微调 BERT

§11.2 规模与人群（15 条）

母库报告总量：2,321,355 份
RegEx+query 候选：21,948 份
人工确认 CTPA：19,942 份
患者数：15,875
住院关联：12,355 份（62%）
仅急诊：7,587 份（38%）
中位年龄：63 岁
女性：56.7%
White：58.8%
阳性率：7.98%（Acute+Subsegmental 1,591 / 19,942，分母为 CTPA 检查）
arXiv 早期数字与 final 不同（median 58/51.3% female/v3.0）——以 PhysioNet final 为准（版本演化存照）
V/Q 扫描明确排除
混合检查含胸部 CTA 即纳入（全身 CTA/心血管 CTA）
同住院多图取一份（急性优先）——365 份为此情形
CSV 七列：note_id/subject_id/hadm_id/text/Type_of_PE/charttime/storetime

§11.3 标签体系（14 条）

五类：Acute / Subsegmental / Chronic / Equivocal / Negative
Acute（急性或急慢性混合）：1,358
Subsegmental（仅亚段急性）：233
Chronic（慢性/病程不明/与既往相似）：345
Equivocal（存疑如运动伪影 vs PE）：104
Negative（无 PE/影像不佳/未描述肺动脉）：17,902
阳性合计 1,591；阴性合计 18,351
双人共识制：一明（Lam 看句子+模型预测）一盲（Kovalenko 只看句子）
无句可提时两人审全文
504 份初始分歧（2.5%）全员讨论解决——无仲裁第三人
κ=0.82（五类并二值计算）
共识制无留白样本——对照 517 的 disagreement 显式值
标签仅基于影像报告——'报告≠处置’局限明示
Equivocal 的临床现实：可能已被按急性 PE 抗凝

§11.4 管线与模型（11 条）

五步识别：RR subtype→六段切分→操作段 CTPA 术语→病史段 PE 术语→CTPA 标题段→人工确认
RegEx 句子隔离：19,942 中 18,748 份命中（94.1%）
无句可提 1,194 份——其中仅 1 份真急性 PE（预处理召回 1,590/1,591=99.94%）
无句默认标阴性（由召回数字背书）
VTE-BERT：Bio_ClinicalBERT 微调（Maghsoudi et al.）
训练语料：800 癌症患者 3,000 笔记（Harris Health System）
原设计识别 DVT+PE；已在 VA 癌症队列外部验证
本集成绩=真外部验证（训练语料与本集零重叠）
术语表：Supplementary Table 1（CTPA）/Table 2（PE 关键词 RegEx）
筛选漏斗：Figure 1
代码：GitHub + Supplementary File 1

§11.5 对垒结果（13 条）

VTE-BERT Sens 92.4%（95%CI 0.91-0.94）
VTE-BERT PPV 87.8%（0.86-0.89）
VTE-BERT Spec 98.9%（emergentmind 口径）
VTE-BERT 最常见错误：仅慢性 PE 误判阳性
VTE-BERT 覆盖：全部 19,942 份（含急诊 38%）
ICD Sens 95.4%（0.94-0.96）
ICD PPV 83.8%（0.82-0.86）
ICD 覆盖：仅住院子集（11,990 stays）
ICD 错误 308 份：61 漏标+108 慢性误急性+115 阴性误阳性+24 存疑误阳性
假阳性 247 份——基于 ICD 的发病率统计系统性虚高
ICD 正确阳性 1,276 份中 169 亚段——仅 4 份有亚段专用码
结论模式：编码查全优/精确劣；模型精确优/查全略逊——都到不了人工共识可靠性
对垒设计价值：同金标准同台——phenotyping 研究的方法学范本

§11.6 论文与发表（12 条）

正式版：Lam BD, Ma S, Kovalenko I, Wang P, Jafari O, Li A, Horng S. Res Pract Thromb Haemost 2025;9(4):102896
正式版 DOI：10.1016/j.rpth.2025.102896；PMID 40606764；PMCID PMC12213262
发表日：2025-05-21（RPTH，ISTH 旗下期刊）
arXiv 版：2411.00044（2024-11）
发布顺序：先论文（2025-05）后数据（2026-03）——存照
一作 Barbara D. Lam：BIDMC 血液科+临床信息科双科（第一位标注医生 BDL）
第二位标注医生：Iuliia Kovalenko（UPMC Harrisburg，IK）
共同通讯：Shengling Ma + Ang Li（Baylor 血液肿瘤）+ Steven Horng（BIDMC 信息+急诊）
Steven Horng 同时是 517 MIMIC-CXR-JPG 论文共同作者——MIMIC NLP 线常客
Peiqi Wang：MIT CSAIL（团队唯一纯 CS 机构作者，排第五）
团队无’纯 ML 一作’——临床科室自产数据集范本
团队先导工作：Chiasakul 2023 Eur J Haematol VTE AI 系统综述（Lam 参与）

§11.7 对照系（10 条）

RSNA PE CT Dataset（Colak 2021，Radiol AI）：12,000+ CT studies DICOM+PE 标签——影像层基准
INSPECT（arXiv 2311.10798）：23,248 CT+报告+纵向 EHR——多模态先例
本集定位：MIMIC 生态的 PE 文本层——三件套互补
MIMIC 链接权：subject_id/hadm_id 直通 EHR/超声/胸片/心电图
胸片链接：本库 617（MIMIC-CXR-JPG）同患者可 join
与 617 对照：弱监督 14 类 vs 共识五类——规模与精度的方法论光谱
与 616 对照：同属 MIMIC-Ext 家族的两种增值标注
VTE 公共卫生背景：Beckman 2010（Am J Prev Med）
急性 VTE 治疗背景：Becattini & Agnelli 2020（Blood）
PE 发病率报告=医院质量指标——识别不止是研究问题

§11.8 伦理与合规（10 条）

DUA 三条款：不共享/不再识别/发表必须公开代码
CITI 课程覆盖每位合作者
研究用途限定——商用另授权
报告全文不可直接再分发
去标识：继承 MIMIC-IV Safe Harbor
IRB：母库 BIDMC 框架，无新数据
COI：无
资助披露：Google Cloud Credits + NIH 基建
PhysioNet 撤回政策适用
2026-03 挂牌至今无撤回事件

§11.9 生产与版本（15 条）

批次七 3/10（order 518，预期 rid 618）
FACTS.md：writing/mimic-iv-ext-pe/FACTS.md（三轮核查全录）
核查快照：/tmp/518_page.html（59,296 B）
核查轮次：页面全量→论文链（RPTH+arXiv）→多源交叉（Scholar/emergentmind）
预判修正一：modality CT→报告文本层
预判修正二：发现先论文后数据发布顺序
存照一：arXiv 早期数字 vs final 演化
存照二：LLM 标题党（实为微调 BERT）
存照三：先论文后数据
类目：医疗NLP（临床文本）
双检：check_md + preflight_check
查重：url_name=‘mimic-iv-ext-pe’ 精确匹配
互链计划：617/616/MIMIC-IV 系在库条目
DAIMS：7.0（标注 9/方法 8/规模 6）
一句话：血液科亲手做的 PE 金标准+两条自动路的诚实成绩单

§12 术语表：五十条

1. MIMIC-IV-Ext-PE —— 本条目：MIMIC-IV 的 CTPA 报告 PE 五类标签扩展

2. MIMIC-IV v3.1 —— 母库：BIDMC 2008-2019 成人急危重症 EHR（含全部影像报告）

3. CTPA —— CT 肺动脉造影——PE 诊断的标准影像检查

4. 肺栓塞（PE） —— 血栓阻塞肺动脉——院内可预防死亡主因之一

5. VTE —— 静脉血栓栓塞（DVT+PE 的总称）——VTE-BERT 的识别目标

6. Subsegmental —— 亚段肺动脉——PE 抗凝决策的临床争议地带，本集单列 233 份

7. Equivocal —— 存疑发现（如运动伪影 vs PE）——本集独立成类的第四值

8. Chronic PE —— 慢性 PE——非急性事件，与 CTEPH 相关，本集单列 345 份

9. 金标准（gold standard） —— 双人共识全量标注——本集的标签性质定位

10. 一明一盲 —— 本集双评审协议：一人看模型预测、一人盲审——独立性与真实工作流兼顾

11. Cohen’s kappa —— 标注者间一致性系数——本集 κ=0.82（二值化后）

12. 共识裁决 —— 504 份分歧全讨论解决——无仲裁第三人的二人制

13. VTE-BERT —— Maghsoudi 等微调的 Bio_ClinicalBERT（DVT+PE 识别）——本集的自动基准

14. Bio_ClinicalBERT —— 在 MIMIC-III 临床笔记上续训的 BERT——VTE-BERT 的底座

15. 外部验证 —— 训练语料与评估数据零重叠——本集 VTE-BERT 成绩的性质

16. RegEx —— 正则表达式——CTPA 识别与 PE 句子隔离的引擎

17. snippet —— 隔离出的 PE 相关句子集——人工与模型评审的输入单元

18. ICD 编码 —— 国际疾病分类——本集对垒的’传统 phenotyping’路径（I26=PE）

19. PPV —— 阳性预测值——对垒的核心指标之一（编码 83.8% vs 模型 87.8%）

20. Sensitivity —— 灵敏度——对垒的另一核心（编码 95.4% vs 模型 92.4%）

21. 假阳性 —— 编码误标阳性的代价——本集量化 247 份

22. phenotyping —— 从病历数据识别疾病状态——本集是 PE phenotyping 的方法学教案

23. hadm_id —— MIMIC-IV 住院标识——join 临床表的钥匙

24. subject_id —— MIMIC 患者标识——跨库（含 617 胸片）join 的钥匙

25. note_id —— MIMIC-IV 笔记标识——本集 CSV 的主键

26. charttime/storetime —— 记录时间/入库时间——纵向排序的依据

27. RSNA PE CT Dataset —— 12,000+ CT 的影像层 PE 基准（Colak 2021）——三件套之一

28. INSPECT —— 23,248 CT+报告+EHR 的多模态 PE 集（2023）——三件套之二

29. RPTH —— Research and Practice in Thrombosis and Haemostasis——ISTH 旗下期刊，正式论文发表处

30. BIDMC —— Beth Israel Deaconess Medical Center——母库数据源与本集主力团队所在

31. Baylor College of Medicine —— 共同通讯（Ma/Li）所在机构

32. MIT CSAIL —— Peiqi Wang 所在——团队唯一纯 CS 机构

33. Steven Horng —— BIDMC 信息+急诊——517/518 双论文共同作者，MIMIC NLP 线常客

34. 弱监督 —— 自动生成的标签（如 617 双 labeler）——本集共识制的高一档对照

35. 双人共识制 —— 两位医生讨论达成一致的标注协议——标注工程的精度档

36. 无句即阴 —— 预处理无句可提时默认阴性的约定——由 99.94% 召回背书

37. 选择性偏倚 —— CTPA 开单已含临床怀疑——7.98% 不能当患病率的学理

38. ‘报告≠处置’ —— 影像报告结论与最终治疗决策的落差——本集明示的局限

39. CTEPH —— 慢性血栓栓塞性肺高压——Chronic 类标签的下游研究价值

40. MIMIC-Ext 家族 —— MIMIC 母库+专家/自动增值标注的派生系列（pe/ils 等）

41. DAIMS —— 本库条目评估体系（数据/标注/方法/影响力/规模）——本集 7.0

42. 标注工程光谱 —— 本库方法论叙事：全自动（616）—弱监督（617）—共识金标准（518）

43. 外部验证设计 —— 不重训、直接拿来用——本集方法上最老实的一笔

44. 编码粒度 —— ICD 无法表达亚段级（169 份中仅 4 份专用码）——五类设计的隐含批评

45. 急诊覆盖缺口 —— ICD 只覆盖住院 62%——急诊 38% 是 NLP 的独占领地

46. 发病率虚高 —— 基于 ICD 的 PE 发病统计因假阳性系统性偏高——公共卫生监测的含义

47. 一作双科 —— Lam 同属血液科与临床信息科——临床-信息复合型作者的样本

48. 半结构化报告 —— 放射报告的模板化文体——RegEx 高召回（99.94%）的文体基础

49. 先论文后数据 —— 正式发表（2025-05）先于数据挂牌（2026-03）——发布顺序存照

§10.9 研究设计实战（20 问）

Q81：想做 PE 抗凝结局研究，怎么起步？

A：Acute 类 1,358 份报告取 subject_id/hadm_id → join MIMIC-IV prescriptions 筛抗凝药 → join 结局表；Equivocal/Chronic 按排除标准处理；务必报告"报告≠处置"的局限。

Q82：想训练自己的报告分类器，怎么用这个金标准？

A：text 列先按 Supp Table 2 RegEx 隔离句子再喂模型（照抄管线）；五类可并二值或保留五类；留出集按患者切分防泄漏。

Q83：想复现 VTE-BERT 的成绩？

A：权重与代码开源（GitHub）；预处理照抄（无句即阴）；对照 Table 2 的 92.4/87.8——注意它是外部验证口径，不要在本集重训后再比。

Q84：想量化 ICD 的虚高？

A：join diagnoses_icd 的 I26 码 vs 金标准——308 份错标账本（61/108/115/24）可直接复算；假阳性 247 份是"发病率虚高"的实证素材。

Q85：想研究亚段 PE 的管理争议？

A：Subsegmental 233 份单列可取；样本量有限（169 份住院可 ICD 对照但仅 4 份有专用码）——适合作为亚组分析而非主研究。

Q86：想建多模态 PE 模型？

A：本集给文本标签与队列键 → 影像走 RSNA PE CT/INSPECT（或 MIMIC-CXR 家族本库 606-617 的胸片）→ EHR/用药/超声经 hadm_id join——三源对齐靠 subject_id。

Q87：急诊 PE 研究为什么只能用本集？

A：38% 仅急诊报告无 discharge 编码——ICD 路径结构性缺位；这是 NLP 标签的独占领地。

Q88：想做不确定性建模？

A：Equivocal 104 份是现成的"报告层模糊"样本；对照 617 的 uncertain/disagreement 五值设计，两种不确定性语义（报告模糊 vs 模型冲突）可对比研究。

Q89：想做复发/慢性化纵向研究？

A：charttime 排序同一患者多次 CTPA；Chronic 345 份中"与既往相似"的表述本身含纵向信息；CTEPH 队列可从慢性反复者起步。

Q90：样本量够做深度学习吗？

A：文本分类够（2 万份/1,591 阳性——BERT 级微调常规量级）；图像深度学习不适用（无影像）；亚段级细粒度研究（233 份）建议经典 ML 或迁移学习。

Q91：标注协议能搬到我的科室吗？

A：能——一明一盲+分歧讨论制+二值化 κ 是通用协议；本集的裁决手册五类划分展示了"类=临床决策点"的设计思路。

Q92：怎么向伦理委员会论证使用合规？

A：Credentialed 框架（CITI+DUA）+ 派生数据无新采集 + 发表开源承诺——MIMIC 家族的标准论证路径，本集无新增风险点。

Q93：引用格式？

A：数据集 DOI（10.13026/5qq1-zv65）+ RPTH 论文（10.1016/j.rpth.2025.102896）+ MIMIC-IV 母库三件套。

Q94：与 RSNA PE CT 竞赛标签兼容吗？

A：不直接兼容——RSNA 是影像层 binary/类型标签，本集是报告层五类；跨库研究需自建映射并在论文中披露映射规则。

Q95：负面清单里"影像不理想"占了多少？

A：页面未单独给出 Negative 内部构成（17,902 的细分未披露）——引用时把 Negative 当黑箱，别脑补构成。

Q96：能拿到 VTE-BERT 的逐份预测吗？

A：页面/CSV 未包含模型预测列——只有金标准标签；要对照需自己跑开源权重。

Q97：外部验证为什么重要到被反复强调？

A：团队系统综述发现 VTE AI 几乎无人做外部验证——本集把"外来模型直接考试"设为设计原则，是给领域的方法论示范。

Q98：中文研究者使用有什么特别注意？

A：报告为英文（BIDMC 文体）；RegEx 术语表是英文的——中文语境复用需重建术语表；其余流程（共识制/对垒设计）语言无关。

Q99：能用它教课吗？

A：极适合——管线漏斗/对垒设计/κ 读法/偏倚辨析（阳性率≠患病率）都是现成教案；Credentialed 门槛下课堂使用需每位学生过 CITI。

Q100：一句话记住这个数据集？

A：2 万份 CTPA 报告、五位数的共识 κ、两条自动路的诚实成绩单——PE 研究的"标尺"由此立起。

§11.7 研究设计与复现指南（40 条）

队列组装起点：Acute+Subsegmental=1,591 份报告（15,875 患者中的急性 PE 者）
结局变量来源：MIMIC-IV hospitals/prescriptions/labevents/ICU 表（经 hadm_id/subject_id）
影像侧补全：MIMIC-CXR 家族（本库 606-617）——胸片；CT 影像需 RSNA PE/INSPECT
心电侧补全：MIMIC-IV-ECG（本库在册）——PE 的 ECG 表型研究入口
超声侧补全：MIMIC-IV echo 表——右心负荷研究的经典搭配
复现对垒一：VTE-BERT 开源权重+Supp Table 2 RegEx+无句即阴 → 对照 92.4/87.8
复现对垒二：diagnoses_icd I26 码 vs 金标准（住院子集）→ 对照 95.4/83.8
错误账本复算：308=61+108+115+24；假阳性 247=108+115+24
κ 复算：五类并二值（阳=Acute+Subsegmental）→ Cohen’s κ 应≈0.82
患者级去重：15,875 患者<19,942 报告——患者级 split 防泄漏
住院 stay 去重：12,355 报告→11,990 stays（365 同 stay 多图）
亚段研究注意：233 份总量/169 份住院/4 份 ICD 专用码——三级粒度损耗
Equivocal 处置策略 A：排除（结局研究）
Equivocal 处置策略 B：单列建模（不确定性/鲁棒性研究）
Equivocal 处置策略 C：并入阳性（敏感性分析——模拟"临床按 PE 治疗"）
Chronic 处置：CTEPH 研究的入口队列；急性研究中的"既往史"协变量
时间窗：charttime 排序支持治疗前基线锁定
负样本利用：17,902 份 Negative 是"临床怀疑但除外"的高质量阴对照——非健康人群
偏倚三层：开单偏倚（谁做 CTPA）→阳性率≠患病率；编码偏倚（ICD 误标）；报告偏倚（报告≠处置）
外推边界：BIDMC 单中心 2008-2019 成人——外推需在目标域重新验证
英文报告文体：模板化程度高是 RegEx 高召回的文体基础——跨机构复用先估文体差
术语表复用：Supp Table 1/2 可直接搬用——英文语境免费资产
中文语境：需重建术语表+重估"无句即阴"的召回——语言无关的只有协议骨架
与 617 联动：MIMIC-CXR-JPG 的 view position/metadata 可为 PE 患者拉胸片子集（subject_id 对齐）
与 616 联动：指令分割语料不含 PE 标签——本集补上文本层后多模态指令研究可行
与 MIMIC-IV-ED 联动：急诊 PE 的分诊-影像- disposition 链路可拼
与 mimic-iv-ecg 联动：PE 的 ECG 征象（S1Q3T3 等）研究入口
方法论引用：外部验证设计/一明一盲/分歧讨论制均可作为独立方法贡献引用
教学用法：漏斗图+对垒表+κ 读法三件套是 NLP 医学课程现成教案
评审应对：被问"标签可信吗"→κ=0.82+共识制+全量非抽样三层作答
被问"为什么不用 LLM"→论文正文本已自纠（BERT 够用+外部验证优先）
被问"为什么不只用 ICD"→247 假阳性+38% 急诊盲区双杀
样本量对照：1,591 阳性 vs RSNA 影像级标签量级相当——文本层成本低一个数量级
成本结构：2 医生×19,942 份 vs 影像像素级标注——临床班底的性价比路线
发布顺序启示：先论文后数据让金标准先获同行评议背书——数据集工程的新时序
版本风险：唯一版本（v1.0.0）——无版本碎片化困扰；latest DOI 跟踪未来更新
补充材料清单：Table 1 术语/Table 2 RegEx/Figure 1 漏斗/File 1 代码
DUA 红线：报告全文不可再分发——派生嵌入/统计可共享（以 DUA 为准）
团队合作启示：临床科室+信息科+CS 的三方构成（血液科主导）值得复制
一句话方法论：金标准先行，自动路同台，局限自曝——phenotyping 的完整公开课

附录 A：发布时间线与版本对照

研究-数据双轨时间线

时间	事件	载体
2024-11	arXiv 预印本（2411.00044）	“large language model” 标题（后被自纠），早期人口学数字
2025-05-21	正式发表	RPTH 2025;9(4):102896（ISTH 旗下；PMID 40606764）
2026-03-23	PhysioNet 挂牌	v1.0.0，DOI 10.13026/5qq1-zv65

版本口径演化对照（arXiv 2024 vs PhysioNet final 2026）

项	arXiv 版	final 版（本条目采用）
母库版本	MIMIC-IV v3.0	v3.1
中位年龄	58	63
女性	51.3%	56.7%
White	59.8%	58.8%
标题用词	large language model	transformer（正文自纠为微调 BERT）

存照纪律：引用一律以 PhysioNet final 页面为准；arXiv 数字只作演化痕迹。

附录 B：五类标签全定义（裁决手册精神）

类	纳入（原文精神）	排除/边界	n	研究含义
Acute	急性 PE；急慢性混合（按急性计）	亚段-only 另立	1,358	抗凝指征
Subsegmental	仅亚段动脉急性 PE	混合段归 Acute	233	争议决策带
Chronic	慢性 PE；病程不明；“与既往相似”	—	345	非新事件
Equivocal	运动伪影 vs PE 等存疑	—	104	灰区自由度
Negative	无 PE；影像不理想；未描述肺动脉	—	17,902	阴性池

二值化口径（κ 计算用）：阳 = Acute+Subsegmental（1,591）；阴 = 其余（18,351）。

附录 C：对垒成绩单全录（Table 2 精神）

VTE-BERT（全量 19,942）

Sensitivity 92.4%（95%CI 0.91-0.94）
PPV 87.8%（0.86-0.89）
Specificity 98.9%（emergentmind 引论文口径）
错误模式 Top1：慢性-only → 判阳
覆盖：住院+急诊全量

ICD 编码（住院子集 12,355 报告/11,990 stays）

Sensitivity 95.4%（0.94-0.96）
PPV 83.8%（0.82-0.86）
错误 308 份 = 漏标 61 + 误阳 247（慢性 108/阴性 115/存疑 24）
亚段粒度：正确阳性 1,276 中亚段 169，专用码仅 4

读法：两者主轴都是"急慢不分"——五类金标准正是为此设计；自动路的价值在覆盖与成本，人工共识的价值在粒度与可信。

附录 D：页面与论文的口径差异存照

母库版本：emergentmind/早期版本称 v3.0——PhysioNet 页面 Parent Projects 明确 v3.1
人口学漂移：arXiv（median 58/51.3%/59.8%）vs final（63/56.7%/58.8%）——final 为准
LLM 标题党：arXiv 标题 “large language model”——实为 1.1 亿参数微调 BERT
** specificity 数字**：页面只给 Sens/PPV；98.9% 来自 emergentmind 引论文——引用注明出处
阳性率分母：7.98% 是 CTPA 检查口径——不可外推为患病率

附录 E：五步识别管线步骤表（复现用）

步	操作	关键术语表
1	取 subtype=“RR” 的 note	—
2	切六段：History/Indication/Procedure/Examination/Study/Technique	—
3	操作四段含 CTPA 术语	Supp Table 1
4	病史两段含 PE 术语	Supp Table 1
5	存在 CTPA 标题段	—
6	双医生逐份确认	人工
7	RegEx 隔离 PE 句	Supp Table 2
8	VTE-BERT 分类（无句→阴）	github 权重
9	双人共识裁决	κ=0.82

漏斗：2,321,355 → 21,948 → 19,942（15,875 患者）。

附录 F：PE 数据集三件套对照

维度	RSNA PE CT（2021）	INSPECT（2023）	MIMIC-IV-Ext-PE（本集 2026）
规模	12,000+ studies	23,248 CT	19,942 报告
模态	DICOM	CT+报告+EHR	报告文本
标签	PE 类型	PE 类型	五类双人共识
生态	独立	独立	MIMIC-IV 全生态
NLP 基准	无	有（报告）	有（+VTE-BERT 对垒）
急诊覆盖	—	—	38%（独家）
团队性质	学会+业界	Stanford 系	血液科临床班底

选型：影像模型训练→RSNA；多模态独立研究→INSPECT；生态内队列+NLP→本集。

附录 G：本库 MIMIC 谱系与互链

本库 rid	slug	关系
16	mimic-cxr	MIMIC-CXR 母库（不同分册）
606-616	CXR 家族九条目	图像侧（617 为其枢纽）
617	mimic-cxr-jpg	报告加工层姊妹篇：弱监督 vs 共识
MIMIC-IV 系在库条目	MIMIC-IV-ED / mimic-iv-ecg 等	hadm_id/subject_id 直连
618	mimic-iv-ext-pe（本条目）	PE 文本层
616	mimic-cxr-ext-ils	Ext 家族影像侧

方法论光谱：全自动管线（616）→ 双 labeler 弱监督（617）→ 双人共识金标准（本集）——标注可信度的三级阶梯在 MIMIC 家族内齐了。

附录 H：批次七生产存照（518 号）

生产序号：批次七 3/10（order 518，预期 rid 618）
事实核查：3 轮——curl 页面全量（59,296 B）→ 论文链（RPTH 102896+arXiv 2411.00044）→ 多源交叉（Scholar 引用卡/emergentmind）
预判修正：modality CT→报告文本层（类目改医疗NLP）；发布顺序先论文后数据
三大存照：版本演化（v3.0→v3.1/人口学漂移）、LLM 标题党、先论文后数据
方法论贡献条目：标注工程三级阶梯（全自动/弱监督/共识）在 MIMIC 家族内集齐
双检：check_md + preflight_check（发布前）
查重：url_name=‘mimic-iv-ext-pe’ 精确匹配（发布前）
下一发：519 MS-CXR-T（批次七 4/10）