PANORAMA — 荷兰多中心胰腺癌 CT 检测挑战赛数据集

PANORAMA（panorama-2026）：胰腺癌诊断——当放射科医生遇上 AI

INFOBOX — PANORAMA 一屏速览

维度	内容
本质	全球首个携带公开训练数据的胰腺导管腺癌（PDAC）CT 检测 Grand Challenge 及其配套数据集
主办	PANORAMA consortium：Radboud UMC 牵头 + UMCG + ZGT + Karolinska Institutet + Haukeland；EU Horizon 2020 资助
任务	全卷 3D PDAC 检测：输出病例级恶性概率（0-1）+ 3D 病灶热图
数据	3440 例多中心腹部增强 CT（2004-2023 采集，NIfTI 约 196 GB）；PDAC 阳性 1103 例（约 32%）
切分	训练公开 2238（676 阳性）/ 隐藏验证 86 / 隐藏测试 1130（含 406 例组织学确诊）
标注	6 类结构化掩码（0 背景 / 1 PDAC / 2 静脉 / 3 动脉 / 4 胰腺实质 / 5 胰管 / 6 胆总管）；482 例人工 + 1756 例自动
许可	CC BY-NC 4.0（禁商用）；IRB 豁免；标注开源仓库 github.com/DIAGNijmegen/panorama_labels
结果	AI 测试 AUROC 0.92 [0.90-0.93]；reader study：AI 0.92 vs 放射科医生 0.88，非劣效 p<0.0001
论文	Lancet Oncology 2026 Jan;27(1):116-124（doi:10.1016/S1470-2045(25)00567-4；PMID 41275871）
官方入口	https://panorama.grand-challenge.org/
条目抓取时点	2026-10-09

PANORAMA 回答了一个在 2024 年之前没人用大规模盲法评测回答过的问题：在胰腺导管腺癌（PDAC）的增强 CT 阅片上，AI 到底能不能追平放射科医生。

它不是把公开数据重新打包的合集，而是一条从数据发布、三阶段赛程、双盲隐藏评测，一直走到 reader study 与 Lancet Oncology 发表的完整闭环。

本文面向数据工程师、临床 AI 研究者与数据合规人员，给出该数据集从获取、加载、训练到提交评测的全流程事实档案，并把官方材料中互相打架的口径逐一存照。

本文读法三则：

1. 只想把数据拿到手：直接跳 §6 获取与许可，随后过一遍 §10 的八大坑点再动手下载；
2. 想复现榜单成绩或冠军方法：精读 §5 评估基准与 §8 方法启示，并注意 §10 坑点 5（隐藏集规模口径）；
3. 做尽调或合规审查：先看 §10 避坑清单与附录 C 证据链自证，再对照仓库内 FACTS.md 的九节口径存照。

§0 导读

0.1 一句话定位

PANORAMA（Pancreatic cancer diagnosis: Radiologists meet AI，胰腺癌诊断：当放射科医生遇上 AI）是由荷兰拉德堡德大学医学中心（Radboud UMC）牵头、EU Horizon 2020 资助的多中心联盟发起的胰腺癌 CT 检测挑战赛与配套数据集。

• 托管平台：grand-challenge.org；
• 两个「第一」：第一个针对 PDAC 检测的 AI Grand Challenge；第一个携带公开训练数据的 PDAC 检测挑战赛；
• 赛程跨度：2024 年 4 月发布数据、5 月开赛，2025 年 2 月在 ECR Vienna 公布排名；
• 学术终点：论文 2025-11-20 上线、2026 年 1 月刊出于 Lancet Oncology。

0.2 关键数字一屏

关键数字	数值	备注
总例数	3440 例	2004-2023 年采集，多中心增强 CT
性别构成	女 1511 / 男 1929	合计 3440
年龄中位数	67 [IQR 58-74]	论文口径
PDAC 阳性	1103 例（约 32%）	其余为阴性/非 PDAC 对照
训练公开集	2238 例（676 阳性）	荷兰两中心 1964 + MSD Task07 194 + NIH 80
隐藏验证集	86 例	Tuning 阶段用
隐藏测试集	1130 例	其中 406 例组织学确诊
reader study	391 例 × 68 名放射科医生	12 国 40 中心
AI 测试 AUROC	0.92 [0.90-0.93]	论文主结果
AI vs 医生（reader study）	0.92 [0.89-0.94] vs 0.88 [0.85-0.91]	非劣效 p<0.0001，优效 p=0.001
冠军成绩	测试 AUROC 0.9263 / AP 0.7243	PanDx（DTI_PANORAMA，Siemens 系团队）
影像体量	NIfTI 约 196 GB	训练公开集
许可	CC BY-NC 4.0	禁商用
论文	Lancet Oncol 2026;27(1):116-124	PMID 41275871

0.3 条目质量速评（DAIMS）

本条目按库内统一的 DAIMS 五维框架给出速评：

• 数据可用性 8 / 标注质量 8 / 接口便利度 6 / 元数据完备性 7 / 合规安全 9；
• 综合评级 7.6/10；
• 评分依据逐条展开见附录 B。

一句话版本：训练集与标注真金白银地公开，但隐藏集、口径漂移与多分卷下载让「开箱即用」打了折扣。

0.4 本条目核验方法与快照说明

• 存在性核验：经官网（panorama.grand-challenge.org）、PubMed 论文记录（PMID 41275871）与 Zenodo 协议/数据记录三源交叉确证，PANORAMA 真实存在，非讹传条目；
• 快照时点：2026-10-09；
• 核验范围：官网数据页/时间线/奖项页、Lancet Oncology 论文、Zenodo 记录页、冠军 GitHub 仓库、arXiv 方法报告、HuggingFace 镜像页；
• 口径纪律：所有官方材料间的数字冲突均不调和、只存照，逐条记录于 §10 避坑清单与仓库内 FACTS.md 第九节。

0.5 与库内同类条目的关系一屏

• 与 nih-pancreas-ct（rid 367）：数据级重叠——其 80 例并入本数据集训练集，引用规模时两库不可重复计数；
• 与 abdomenct-1k / totalsegmentator / flare 系：任务级互补——它们供分割与预训练资源，PANORAMA 供检测基准；
• 与 panda-plus 等病理条目：模态不同（CT vs WSI），方法学互鉴点在「专家标注流水线」与「标签噪声审计」；
• 与库内其他挑战赛条目：共享「公开训练 + 隐藏测试」的评测骨架，PANORAMA 的特色是检测任务与盲法人机对照的组合。

§1 十问十答

1.1 Q1：PANORAMA 到底是什么？

一场挑战赛，也是一个数据集。

• 挑战赛侧：2024 年 4 月发布数据、5 月开赛、2025 年 2 月在 ECR Vienna 公布排名的 PDAC 检测评测；
• 数据集侧：3440 例多中心腹部增强 CT，其中 2238 例训练数据（含 6 类掩码与临床信息）以 CC BY-NC 4.0 公开；
• 全称：Pancreatic cancer diagnosis: Radiologists meet AI；
• 运营方：Radboud UMC 牵头的 PANORAMA consortium，官网 panorama.grand-challenge.org。

1.2 Q2：它和常见胰腺分割数据集（MSD、NIH-82）有什么不同？

三点不同。

• 任务不同：MSD pancreas 与 NIH-82 是分割任务（勾出胰腺/肿瘤轮廓），PANORAMA 是检测任务（判断整卷 CT 里有没有 PDAC，并给出位置热图）——后者更贴近放射科「报病变」的实际工作流；
• 规模与构成不同：其训练集把荷兰两中心 1964 例新采集数据与 MSD Task07（194 例）、NIH（80 例）公开数据合并为 2238 例；
• 验证强度不同：PANORAMA 配备隐藏验证与测试集、reader study 与 Lancet Oncology 发表的统计检验，证据等级远高于单中心公开集。

1.3 Q3：数据从哪里来？

三个来源。

• 主体：荷兰两家参与中心（Radboud UMC 与 ZGT）2004-2023 年间回顾性采集的增强 CT，共 1964 例，经去标识化处理并获 IRB 豁免；
• 公开集一：Medical Segmentation Decathlon（MSD）Task07 胰腺 194 例；
• 公开集二：NIH 胰腺公开集 80 例（即库内 nih-pancreas-ct 条目的那批数据）；
• 三者合并构成 2238 例训练公开集。

1.4 Q4：数据怎么切分？

官方三层切分。

• 训练公开集 2238 例：676 例 PDAC 阳性、1562 例阴性，注册签协议后可从 Zenodo 直接下载；
• 隐藏验证集 86 例：供 Tuning 阶段提交打分，影像不公开；
• 隐藏测试集 1130 例：赛期不可见，其中 406 例为组织学确诊 PDAC；
• 另有 391 例进入 reader study 用于人机对照。

注意：这些数字在官网、论文、Zenodo 之间有几处口径出入，详见 §10 坑点 3 与坑点 5。

1.5 Q5：标注长什么样？

训练集提供两种标注。

• 6 类结构化掩码：0 背景、1 PDAC、2 静脉、3 动脉、4 胰腺实质、5 胰管、6 胆总管——把肿瘤与关键脉管结构放进同一坐标系，便于做血管侵犯相关研究；
• 掩码构成：482 例为人工勾画、1756 例为自动生成（经内部流程处理）；
• 临床信息 JSON：年龄（如「042Y」）、性别（「M」）、设备厂商（「TOSHIBA」）等字段，供提交接口校验与稳健性分析；
• 掩码与配套工具开源于 github.com/DIAGNijmegen/panorama_labels。

1.6 Q6：参赛任务的输入输出是什么？

输入与输出都很克制。

• 输入：整卷腹部增强 CT（NIfTI）；
• 输出一：每例一个 0 到 1 的 PDAC 可能性分数（决定病例级 AUROC/AP）；
• 输出二：一张 3D 病灶热图（供定位与可视化）；
• 提交方式：grand-challenge.org 平台算法容器化提交，并附带临床信息 JSON；
• 频率约束：开发阶段每队每周限提交 1 次。

1.7 Q7：怎么评分？谁赢了？

主指标 AUROC，辅以 AP。

• 冠军：PanDx（队伍 DTI_PANORAMA，Siemens 系团队：Han Liu、Rui Gao、Krieg E、Grbic S）；
• 成绩：测试集 AUROC 0.9263、AP 0.7243；
• 耐人寻味：冠军在 Tuning 阶段仅排第 7，说明方法对隐藏分布的泛化比「刷验证集」更重要；
• 第 4 名：Jun Ma、Chingyuan Yu、Tianhao Fu；
• 冠军开源：github.com/han-liu/PDAC_detection（arXiv 2503.10068）。

1.8 Q8：AI 与放射科医生对照的结果是什么？

论文给出双重结论。

• 隐藏测试集：最优 AI 达到 AUROC 0.92 [0.90-0.93]（1130 例）；
• reader study（391 例、68 名放射科医生、12 国 40 中心）：AI AUROC 0.92 [0.89-0.94] vs 医生 0.88 [0.85-0.91]；
• 统计检验：预设界值 0.05 的非劣效检验 p<0.0001，且进一步达到优效（p=0.001）；
• 通俗版：AI 至少不输给放射科医生，统计上甚至更好。

1.9 Q9：如何获取？能商用吗？

三步获取，一条红线。

• 第一步：在官网注册并签署研究协议（协议存档于 Zenodo，doi:10.5281/zenodo.10599559）；
• 第二步：从 Zenodo 四个分卷下载（主分卷 13715870 约 49.3 GB）；
• 第三步：用官方 torch-em 系加载器或 nibabel 自行读取 NIfTI；
• 红线：许可是 CC BY-NC 4.0——学术研究、教学、署名二次分发都可以，商业用途被明确排除；隐藏验证/测试集不在开放范围内。

1.10 Q10：在千方病案医数集里如何定位？

库内条目名 panorama-2026，是「挑战赛数据集」垂类下胰腺癌 CT 检测的旗舰条目。

• 直接关联：nih-pancreas-ct（rid 367）——其 80 例并入 PANORAMA 训练集；
• 同域关联：abdomenct-1k、deeplesion、flare、flare-2026、totalsegmentator 等腹部 CT 条目（§7.3 有完整互链表）；
• 需注意：若研究目标是胰腺分割而非检测，库内暂无 MSD pancreas 独立条目。

§2 数据构成与规格

2.1 总体规模与人口学

指标	数值
总例数	3440
采集年份跨度	2004-2023
性别	女 1511 / 男 1929
年龄中位数	67 [IQR 58-74]
PDAC 阳性	1103（约 32%）
影像类型	腹部增强 CT（多期相，以胰腺期为主）
存储格式	NIfTI
总体量	约 196 GB（训练公开集）

人口学三件事值得注意：

• 男女比约 1.28:1（1929/1511），与 PDAC 流行病学一致；
• 中位 67 岁 [58-74] 意味着数据主体是老年人群，儿科场景不可迁移；
• 阳性率 32% 是刻意富集的设计（真实筛查场景阳性率远低于此），迁移建模时必须重校准阈值与先验。

2.2 三层切分一览

切分	例数	阳性构成	可见性	用途
训练公开集	2238	676 阳性 / 1562 阴性	完全公开（Zenodo 下载）	本地训练与自评
隐藏验证集（Tuning）	86	官方未逐例公开	不可下载，仅平台评分	调参、防过拟合
隐藏测试集（Testing）	1130	含 406 例组织学确诊	赛期不可见	终榜排名与论文主结果
reader study 子集	391	与上述切分关系官方未完整披露	不公开	人机对照实验

一句话记忆：2238 / 86 / 1130 是官网的口径；论文里出现的 2224+86 与 400、>400 等数字都是同一套数据在不同文档里的漂移（§10 坑点 3、坑点 5）。

2.3 训练集来源构成

来源	例数	说明
荷兰两中心（Radboud UMC、ZGT）回顾采集	1964	2004-2023 年增强 CT，去标识化，IRB 豁免
MSD Task07（胰腺）	194	公开分割数据集，官方直接并入
NIH 胰腺公开集	80	即库内 nih-pancreas-ct（rid 367）对应数据
合计	2238	676 PDAC 阳性 / 1562 阴性

把公开集并入训练集是双刃剑：

• 好处：开局即有更大的阳性池；
• 代价：MSD/NIH 部分的采集年代、设备与协议与荷兰本部不同，分布异质性明显；
• 佐证：冠军方案 PanDx 在 Tuning 阶段仅排第 7，一定程度上反映了这种异质性对方法稳健性的考验。

2.4 影像规格与体量

• 格式：NIfTI（.nii.gz），三维体数据，训练公开集约 196 GB；
• 影像性质：腹部增强 CT，多中心、多厂商（临床信息 JSON 含厂商字段，如「TOSHIBA」）、跨 2004-2023 二十年，层厚与重建协议存在天然差异；
• 掩码：与影像同尺寸的三维标签体，取值 0-6（类别定义见 §4.1）；
• 下载形态：Zenodo 分卷（主分卷 13715870 约 49.3 GB，另有三个辅分卷），见 §6.2。

工程提示：196 GB 意味着「整包下载+全量载入内存」不可行，建议按病例流式读取（nibabel 内存映射）或用官方 torch-em 系加载器直接挂训练管线。

2.5 reader study 子集

reader study 是 PANORAMA 的人机对照模块。

• 规模：391 例增强 CT；
• 阅片者：12 国 40 个中心的 68 名放射科医生独立阅片；
• 对照设计：AI 以同一子集评测，与医生读片结果直接比较；
• 结果：AI 0.92 [0.89-0.94] vs 医生 0.88 [0.85-0.91]，完成非劣效（界值 0.05，p<0.0001）与优效（p=0.001）检验；
• 可得性：这批影像不随训练集公开——对多数研究者而言，它是论文里的证据，而不是手里能跑的数据。

2.6 时间跨度与采集特征

数据横跨 2004-2023 共二十年，带来三个直接后果：

• 设备代际混杂：早期数据的层厚与噪声特性与现代薄层重建差异显著，模型需要在这类异质性上保持稳健；
• 域标识可用：临床信息中的厂商/年代字段成为宝贵的域标识，可做域泛化或分层评测；
• 口径演进：二十年间的 PDAC 诊疗口径（报告规范、期相组合）也在演进，任何「把全部数据当同分布」的实验设计都值得先质疑一遍。

2.7 数据质量与已知问题

• 自动掩码占比约 78%：1756 例掩码为自动生成，直接当分割金标准需打折（§4.2）；
• 口径漂移：总量、切分、日期在官网/论文/Zenodo 间存在至少八处出入（§10）；
• 隐藏集依赖：验证与测试集不可下载，本地无法复现官方成绩；
• 版本差异：Zenodo 多分卷存在版本先后，下载时以记录页版本说明为准（§6.2）。

2.8 与同域公开数据集规格对照

数据集	规模	任务	标注	可见性
PANORAMA 训练集	2238	PDAC 检测	6 类掩码 + 临床信息	公开（CC BY-NC 4.0）
MSD Task07（pancreas）	194	胰腺/肿瘤分割	分割掩码	公开
NIH 胰腺公开集	80	胰腺分割	分割掩码	公开
PANORAMA 验证集	86	检测评测	不公开	平台评测
PANORAMA 测试集	1130	检测评测	官方内部（406 组织学确诊）	平台评测
reader study 子集	391	人机对照	医生读片结果	不公开

说明：

• 前三行即 §2.3 的来源构成——「训练集 = 三个公开来源的并集」一眼可见；
• 后三行是隐藏基础设施，任何本地实验都无法触碰，只能经平台提交间接利用；
• 引用规格时注意任务列：分割类来源被并入检测任务，是本数据集区别于 MSD/NIH 的关键设计。

§3 挑战赛设计与提交规则

3.1 使命定位与资助

PANORAMA 的使命写在名字里：让 AI 与放射科医生在同一张阅片桌上接受检验。

• 定位：带公开训练数据的 PDAC 检测 Grand Challenge；
• 补空档一：当时没有公开训练数据的检测挑战赛；
• 补空档二：没有面向检测任务的人机盲法对照；
• 资金：EU Horizon 2020；
• 治理：PANORAMA consortium 运营，五家参与机构（Radboud UMC、UMCG、ZGT、Karolinska Institutet、Haukeland University Hospital）组成组织方与顾问体系——顾问委员会规模存在 11 与 13+患者代表两种口径（§10 坑点 8）；
• 利益回避：组织方成员可参赛但不可获奖（§10 坑点 8）。

3.2 三阶段赛程与时间线

时间	事件	说明
2024-02	研究协议上 Zenodo	doi:10.5281/zenodo.10599559，参赛前需签署
2024-04	训练数据发布	Zenodo 分卷发放（§6.2）
2024-05-13	Dummy 提交开启	通道联调，无成绩压力
2024-05-27	Tuning 阶段开启	对 86 例隐藏验证集评分
2024-11-30	开发阶段关闭	训练与调参窗口结束
2024-12-01	RSNA 年会节点	官方宣传与社区活动
2024-12-16	原定 Testing 关闭日	官网时间线口径
2025-02-25	实际排名确定	排名公告口径，比原计划推迟约两个月
2025-02-28	ECR Vienna 公布结果	冠亚军现场揭晓
2025-11-20	论文 epub 上线	Lancet Oncology
2026-01	论文正式刊出	27(1):116-124，PMID 41275871

「原定 2024-12-16 关闭 vs 实际 2025-02-25 排名」的双口径是官方材料里最显眼的一处漂移（§10 坑点 4）；ECR 2025 公布结果与 2025-02-25 排名确定相隔三天，自洽。

3.3 提交节奏与格式

• 频率：开发阶段每队每周限 1 次提交——这一约束把「网格搜索榜上指标」的空间压到最低，也是官方强调的防过拟合手段之一；
• 通道：grand-challenge.org 算法容器提交——参赛者上传打包的推理算法，平台在受控环境里跑隐藏数据，本地方与提交方均拿不到原始影像；
• 附件：提交需附带临床信息 JSON（与训练集临床信息同构），平台以此做一致性校验，字段示例见 §6.5；
• 输出：每例 0-1 概率 + 3D 热图（§1.6）。

3.4 Testing 资格门槛

进入 Testing（隐藏测试集）阶段不只是「排名够了就行」，官方设了三道门槛：

1. 技术报告：在 arXiv 发布 2-3 页方法说明，保证方法可被社区检验；
2. 代码开源：GitHub 公开仓库，且许可证为 permissive（宽松许可）——冠军 PanDx 的 github.com/han-liu/PDAC_detection 即为此门槛的产物；
3. 外部数据窗口：官方在开发阶段为外部数据引入设了约 3 个月的放宽窗口，之后引入的外部数据需申报——这是「开放创新」与「公平评测」之间的折中。

这三道门槛让 PANORAMA 的终榜具备少见的可追溯性：每个上榜方法都有对应论文与开源代码，颁奖半年后论文系统比较了上榜方法（§5.4）。

3.5 奖金与荣誉

名次	奖金	荣誉
第 1 名	€1000	入选 consortium，成为 Lancet Oncology 论文联盟作者
第 2 名	€500	同上（Top 5 均入 consortium）
第 3 名	€250	同上
第 4 名	€150	同上
第 5 名	€100	同上

真正的激励不是奖金，而是 Top 5 全部成为 consortium 成员、署名 Lancet Oncology 论文。

• 这让 PANORAMA 的论文同时是一份多方法基准报告（§5.4）；
• 也是数据集生态里罕见的「赛-文-库」一体设计。

3.6 学术曝光节点

赛程刻意挂靠两个顶级放射学会议：

• 2024-12-01 前后借 RSNA 年会造势；
• 2025-02-28 在 ECR Vienna 现场公布最终排名。

对参赛者而言，这两个节点是明确的「里程碑时钟」；对数据集使用者而言，它们解释了为什么官网时间线、新闻稿与论文之间存在月份级别的口径差（§10 坑点 4）。

3.7 参赛实操检查清单

动手参赛前，按此清单自检：

• [ ] 注册 grand-challenge.org 账号并加入挑战赛页面；
• [ ] 阅读、签署并回传 Zenodo 研究协议（doi:10.5281/zenodo.10599559）；
• [ ] 下载训练集并完成本地推理管线（先过 §6.3 的最小读取示例）；
• [ ] 推理输出同时含病例级概率与 3D 热图；
• [ ] 临床信息 JSON 字段与训练包文档对齐（年龄「042Y」式、性别「M/F」、厂商字符串）；
• [ ] 确认提交频率预算（每周 1 次），把关键消融排在 Dummy/Tuning 早期；
• [ ] 若进 Testing：提前准备 arXiv 2-3 页报告与 permissive 许可的 GitHub 仓库。

3.8 防过拟合设计盘点

PANORAMA 的评测设计几乎每条规则都指向同一目标：压掉对隐藏分布的过拟合。

• 每周 1 次提交：限制对评测信号的采样次数；
• 隐藏验证集仅 86 例：验证分数天然高方差，刷分收益低；
• 测试集双盲：影像与标签两端都不可见，本地无任何测试信号；
• Testing 资格门槛（arXiv 报告 + 开源仓库）：让方法接受社区复核，抑制「黑箱调参上榜」；
• 外部数据申报窗口：控制「自带答案参赛」的空间；
• 冠军 Tuning 第 7、Testing 第 1 的反差，正是这套设计有效性的活体证据。

3.9 三阶段权益对照表

阶段	可见数据	可得反馈	关键约束
Dummy（2024-05-13 起）	训练公开集	通道联调确认	算法容器与接口必须跑通
Tuning（2024-05-27 起）	训练公开集	86 例验证集评分	每周 1 次
Testing	无新增可见	隐藏测试集终榜	arXiv 报告 + permissive 仓库 + 排名资格

说明：三阶段的可见性梯度本身就是防泄漏设计——「你看得见的数据」永远不参与排名，「参与排名的数据」你永远看不见。

§4 标注体系

4.1 六类掩码定义

标签值	结构	说明
0	背景	其余全部体素
1	PDAC（肿瘤）	胰腺导管腺癌病灶区域
2	静脉	腹部静脉系统（如门静脉/肠系膜上静脉等）
3	动脉	腹部动脉系统（如腹腔干/肠系膜上动脉等）
4	胰腺实质	正常胰腺组织
5	胰管	主胰管走行区
6	胆总管	胆总管走行区

把肿瘤（1）与血管（2/3）、实质（4）、胰管（5）、胆总管（6）放进同一套掩码，是 PANORAMA 标注设计的关键决策。

• 动机：PDAC 的手术可切除性判断高度依赖肿瘤-血管关系（动脉/静脉侵犯）；
• 效果：这套标注让检测任务天然连接到外科关心的下游问题；
• 边界：官网对「检测」任务的官方输出只要求概率与热图，掩码是为训练与定位服务的基础设施。

4.2 人工勾画与自动生成

构成	例数	占比	含义
人工勾画	482	约 22%	高置信人工掩码
自动生成	1756	约 78%	经内部流程处理的自动掩码
合计	2238	100%	训练公开集全体

约八成掩码为自动生成——这是官方为在有限预算内覆盖 2238 例做的取舍。

• 把 6 类掩码当作分割金标准时必须打折；
• 当作检测任务的辅助监督或预训练信号时，代价可控；
• 这在官方 schema 的 rai:dataLimitations 里被明确列为局限（本条目 frontmatter 已收录）。

4.3 标注开源仓库

掩码与配套工具开源于 github.com/DIAGNijmegen/panorama_labels。

• 发布方：DIAG Nijmegen（Radboud UMC 诊断图像分析组）；
• 内容：掩码数据与使用工具；
• 配合：Zenodo 分卷中的训练包与该仓库共同构成完整标注体系；
• 建议：使用前核对仓库内类别取值与 §4.1 表格一致（以仓库与下载包为准）。

4.4 任务输出与标注的对应关系

检测任务的输出（概率 + 3D 热图）与掩码标注的关系可以这样理解：

• 掩码回答「PDAC 在哪里」；
• 热图是模型对「哪里」的连续化猜测；
• 概率是模型对「有没有」的汇总判断；
• 评测只消费概率（AUROC/AP）与热图（定位展示），不直接比掩码 Dice——这与分割赛（如 MSD）的评分哲学完全不同。

4.5 伦理与隐私

• 数据为回顾性采集，全部去标识化处理；
• 研究获 IRB 豁免（非干预性、回顾性设计）；
• 临床信息 JSON 只保留年龄（如「042Y」）、性别、设备厂商等极少数字段，不含直接标识符；
• 公开与共享许可为 CC BY-NC 4.0；
• 衍生研究（尤其涉及新数据链接）需自行完成伦理评估，IRB 豁免不自动延伸。

4.6 标注质控与已知问题

• 人工掩码（482 例）为高置信子集，官方未见分层的质控报告细节；
• 自动掩码（1756 例）的生成流程细节官方材料披露有限；
• 掩码与影像的对齐关系以下载包内文档为准；
• 若发现掩码取值超出 {0,…,6}，先怀疑版本/镜像问题（§10 坑点 6）再怀疑数据本身。

4.7 掩码的下游任务映射

6 类掩码不止服务检测训练，还能映射到多个下游任务：

下游任务	用到的类别	用法
PDAC 检测	1	正样本定位与热图监督
血管侵犯研究	1 + 2 + 3	肿瘤-血管接触/包绕分析
胰腺分割	4	实质掩码直接可用
导管解剖分析	5 + 6	胰管/胆总管走行与扩张分析
器官级预训练	2-6	多结构监督信号

注意：自动生成掩码（§4.2）在「血管侵犯」这类精细任务上的可靠性显著低于「器官分割」，映射使用时应按任务分层质控。

4.8 掩码使用的三条工程红线

• 红线一：不要把 1756 例自动掩码直接当分割金标准去做 Dice 报告——它只适合当辅助监督；
• 红线二：不要跨版本混用分卷——掩码与影像的配对关系以同一版本下载包为准；
• 红线三：不要假设掩码穷尽了所有病灶——自动掩码可能漏掉病灶，被漏区域会落为 0，与真背景在标签层面不可分，检测监督信号因此天然含噪声。

§5 评估基准

5.1 指标定义

• AUROC（受试者工作特征曲线下面积）：按病例级概率对全测试集排序的区分能力；类别 32% 阳性下是最稳的主指标；
• AP（average precision，精确率-召回率曲线下面积）：对阳性检出更敏感；冠军 PanDx 的 AP 0.7243 显著低于其 AUROC 0.9263，正说明高区分度不等于低假阳性率——临床部署要盯紧 AP。

5.2 官方主结果（隐藏测试集）

指标	数值	口径
最优 AI AUROC	0.92 [95% CI 0.90-0.93]	1130 例隐藏测试集（论文摘要口径）
冠军 PanDx AUROC	0.9263	测试集终榜
冠军 PanDx AP	0.7243	测试集终榜

5.3 reader study：AI vs 放射科医生

组别	AUROC	95% CI
AI（最优算法）	0.92	0.89-0.94
放射科医生（68 名）	0.88	0.85-0.91

统计检验与设计要点：

• 预设非劣效界值 0.05，非劣效 p<0.0001（拒绝「AI 显著更差」）；
• 进一步比较呈优效 p=0.001；
• 规模：391 例、12 国 40 中心、68 名医生独立盲评；
• 意义：PDAC 检测领域首个达到该规模与严谨度的前瞻性人机对照。

5.4 冠军方案 PanDx 拆解

冠军队伍 DTI_PANORAMA（Siemens 系团队：Han Liu、Rui Gao、Krieg E、Grbic S）的方案有四个可复用组件：

1. 两阶段 coarse-to-fine：先用粗粒度模型在整卷上定位胰腺与候选区域，再以细粒度模型在局部做精细判别——把 196 GB 的大体数据问题拆成「先找胰腺、再看胰腺」；
2. DASE 四分位集成：按维度/切片策略取四个象限分别训练再集成，抑制单模型的抽样偏差；
3. Peak-Scaled 阈值校准：以热图峰值缩放标定判别阈值（参数 1/α = 15.0），让「病例级概率」与「热图强度」自洽，而不是两个独立调出来的数；
4. 纪律性训练策略：Tuning 阶段仅排第 7 却在 Testing 拿第 1，说明其并未过拟合 86 例验证集信号——泛化优先于刷分。

资源索引：

• 代码：github.com/han-liu/PDAC_detection；
• 方法报告：arXiv 2503.10068。

5.5 其他值得注意的队伍

• 第 4 名团队：Jun Ma、Chingyuan Yu、Tianhao Fu，方法报告随赛程公开；
• Top 5 均成为 consortium 成员并在论文署名；
• 论文因此附带了一份「五个可开源方法」的比较基准；
• 对库内使用者：建议以冠军仓库为起点、按 §8 的启示逐项裁剪。

5.6 指标解读注意事项

• AUROC 高 ≠ 临床可用：0.92 的区分度下仍需按部署场景定工作点；
• AP 与 AUROC 的落差（0.7243 vs 0.9263）提示假阳性成本不可忽视；
• reader study 的医生基线（0.88）是 68 人集合的分布结果，不等于任意单院水平；
• 测试集 406 例组织学确诊亚组是更硬的阳性口径，论文亚组分析以此为准；
• 引用成绩时务必注明口径：测试集 AUROC（0.92/0.9263）与 reader study AUROC（0.92）是两个不同实验，数字巧合相同但含义不同。

5.7 与其他知名挑战赛基准的对照

维度	PANORAMA	PANDA（前列腺 WSI）	PI-CAI（前列腺 MRI）
模态	增强 CT	H&E 病理切片	多参数 MRI
目标病灶	PDAC	Gleason 分级前列腺癌	临床显著前列腺癌
任务	检测（概率+热图）	分级/分类	检测
人机对照	391 例 × 68 医生盲评	无同规模盲评设计	有 reader study
发表	Lancet Oncology	挑战赛论文体系	系列论文

说明：三者共同点是「公开训练 + 隐藏测试 + 社区复现」，PANORAMA 的差异化在于检测任务与血管解剖掩码的组合。

5.8 成绩引用规范示例

• 规范写法：「最优 AI 在 1130 例隐藏测试集上 AUROC 0.92 [0.90-0.93]（Lancet Oncology 2026）」；
• 规范写法：「PanDx 队伍测试 AUROC 0.9263、AP 0.7243（官方排行榜）」；
• 不规范写法：「PANORAMA AI 准确率 92%」——AUROC 不是准确率，且未注明实验口径；
• 不规范写法：「AI 优于 68 名放射科医生」——严谨表述是「非劣效成立且进一步优效（p=0.001）」。

5.9 复现官方成绩的路径盘点

• 路径一（可行）：下载训练集 → 本地训练 → 自建留出集评 AUROC/AP——注意与官方数字不可直接比较，因为切分不同；
• 路径二（仅平台）：Tuning 阶段评分只能经挑战赛平台提交获得；
• 路径三（不可行）：本地复现测试集 AUROC——影像不可得；可行替代是用冠军开源代码在自有数据上评估方法学；
• 结论：引用官方数字时注明「官方评测协议产物」，与本地实验严格区分。

§6 获取与许可

6.1 获取四步

1. 注册：在 panorama.grand-challenge.org 创建 grand-challenge.org 账号并加入挑战赛页面，按提示完成参与者信息登记；
2. 签署协议：阅读并签署研究使用协议（协议文本存档于 Zenodo，doi:10.5281/zenodo.10599559）；
3. 下载：从 Zenodo 分卷下载数据（四分卷见 §6.2；主分卷 13715870 约 49.3 GB）；
4. 加载：用官方推荐的 torch-em 系加载器接入训练管线，或用 nibabel 自行读取 NIfTI（§6.3-§6.4）。

提醒：官网导航有几处「直觉路径是 404」的坑（如 /data/、/results/、/evaluation/），真实资源路径见 §10 坑点 7。

6.2 Zenodo 资源表

Zenodo 记录	内容	体量
doi:10.5281/zenodo.13715870	训练公开集主分卷（影像+掩码+临床信息）	约 49.3 GB
doi:10.5281/zenodo.13742336	训练集辅分卷	见记录页
doi:10.5281/zenodo.11034011	训练集辅分卷	见记录页
doi:10.5281/zenodo.10999754	训练集辅分卷	见记录页
doi:10.5281/zenodo.10998331	早期记录（协议/材料沿革可考）	见记录页
doi:10.5281/zenodo.10599559	研究协议文本（非数据）	文档

注意三点：

• 多分卷意味着总下载量远超单分卷体积，预留磁盘与带宽；
• 分卷间可能存在版本先后（10999754 与 13715870 相差约一个月），以记录页版本说明为准；
• 第三方镜像（HuggingFace MedOtter/PANORAMA）虽方便但非官方、无校验链（§10 坑点 6）。

6.3 读取 NIfTI：最小示例

以下为示意代码，展示用 nibabel 读取一例影像与掩码的通用流程（非官方 API，路径与文件名以实际下载包为准）：

# 示意代码：读取 PANORAMA 训练集一例（NIfTI）
import nibabel as nib
import numpy as np

img_path = "imagesTr/case_0001.nii.gz"    # 增强 CT 体数据
seg_path = "labelsTr/case_0001.nii.gz"    # 6 类掩码（0-6）

vol = nib.load(img_path)
mask = nib.load(seg_path)

arr = np.asarray(vol.dataobj)             # 三维体数据，勿一次性全量载入全部病例
lbl = np.asarray(mask.dataobj)

print("volume shape:", arr.shape)         # 形状与体素间距见影像头信息
print("mask unique:", np.unique(lbl))     # 应只含 {0,1,2,3,4,5,6}
print("PDAC voxels:", int((lbl == 1).sum()))

要点：

• 掩码取值必须是 0-6 的整数集（§4.1）；
• 若读出其他取值，先怀疑版本或镜像问题（坑点 6）再怀疑代码；
• 路径与文件名以实际下载包内目录结构为准。

6.4 官方加载器：torch-em 系

官方推荐基于 torch-em 的加载器把 NIfTI 体数据直接挂进 PyTorch 训练管线，省去自写 patch 采样与内存管理的成本。接入思路（伪代码示意，实际 API 以官方仓库为准）：

# 示意伪代码：torch-em 风格数据管线接入（以官方仓库实际 API 为准）
from torch_em.data import datasets   # 官方 challenge 工具链提供的入口（示意）

loader = datasets.get_panorama_loader(       # 函数名以官方仓库为准
    data_root="path/to/panorama-2026/",
    patch_shape=(16, 320, 320),              # 各向异性体数据常用各向异性 patch
    label_dtype="long",                      # 6 类掩码 -> long
    shuffle=True,
)
for batch in loader:
    volumes, labels = batch                  # labels 含 0-6 整数掩码
    break

工程提示：

• 196 GB 的体量下，建议训练机直接挂载大容量存储并使用流式 patch 采样；
• CPU 解压（.nii.gz）常成为瓶颈，多 worker 预取是标配；
• 掩码经 long 类型进入损失函数时注意类别权重（1 类为稀有前景）。

6.5 提交用临床信息 JSON 示例

提交接口要求附带与训练集同构的临床信息 JSON（字段名与枚举以平台与下载包文档为准），示例如下：

{
  "patient_id": "PANORAMA-0001",
  "age": "042Y",
  "sex": "M",
  "manufacturer": "TOSHIBA"
}

• 年龄：形如「042Y」（两位数字 + Y 后缀）；
• 性别：「M/F」；
• 厂商：DICOM Manufacturer 字符串（如「TOSHIBA」）；
• 用途：平台一致性校验与稳健性分析——字段填错是新手提交失败的常见原因。

6.6 许可与使用边界

• 许可：CC BY-NC 4.0。可以做：学术研究、教学、以相同许可二次分发（需署名 PANORAMA consortium）。不可以做：任何商业用途（含商业产品内嵌、商用服务调用）；
• 伦理：原研究 IRB 豁免；衍生研究自行过伦理；
• 隐藏集：验证集与测试集不在许可开放范围内，任何「声称拿到隐藏集」的渠道都值得警惕（坑点 6 相关）；
• 署名建议：引用论文（Lancet Oncology 2026;27(1):116-124）+ 标注官网与 Zenodo 协议 DOI。

6.7 下载与加载常见故障排查

• 下载中断/校验失败：确认四个分卷全部完成，优先怀疑分卷不全而非源损坏；
• 掩码取值异常：先查镜像来源（坑点 6），再查版本混用（13715870 与辅分卷版本错配）；
• 内存溢出：改用逐病例流式读取或 patch 采样，禁止全量载入；
• 读取速度慢：.nii.gz 解压在 CPU，增加 DataLoader worker 或预解压到本地 SSD；
• 平台提交失败：临床信息 JSON 字段格式错误是最常见原因（§6.5）。

6.8 获取合规检查清单

动手下载前，按此清单过一遍合规动作：

• [ ] 确认使用目的为学术/非商业（CC BY-NC 4.0 边界）；
• [ ] 以机构身份注册并签署 Zenodo 协议（留档签署版本）；
• [ ] 确认团队内无组织方五中心成员担任获奖角色（坑点 8）；
• [ ] 数据存储环境满足去标识化数据的机构安全基线；
• [ ] 计划中的二次分发（如镜像、衍生包）沿用相同非商业许可；
• [ ] 若经镜像渠道获取，安排与官方 Zenodo 分卷的一致性核对（坑点 6）。

6.9 磁盘与带宽规划

• 下载中间态：主分卷约 49.3 GB + 三个辅分卷，预留 ≥100 GB；
• 解压后全量：约 196 GB；
• 训练缓存（patch 采样、预处理产物）：预留 ≥100 GB SSD；
• 带宽：单分卷 49.3 GB 级别，建议使用断点续传工具分批拉取；
• 结论：端到端预留 ≥400 GB 存储是稳妥预算。

§7 生态影响与互链

7.1 对胰腺 AI 生态的意义

PANORAMA 之前，胰腺 AI 的公开资源以分割为主（MSD Task07、NIH-82、库内 abdomenct-1k 等），检测任务长期缺少大规模公开训练数据与严格评测。

PANORAMA 一次性补齐三块基础设施：

• 可公开下载的 2238 例检测训练集（含血管/导管解剖掩码）；
• 可复用的评测协议（隐藏集 + AUROC/AP + 盲法 reader study）；
• 五个开源的上榜方法。

后续任何「PDAC 检测 AI」声称，都应被放到这套基准上重新过秤。

7.2 库内直接关联

库内条目	rid	关联类型	说明
nih-pancreas-ct	367	强关联（数据并入）	NIH 胰腺公开集 80 例并入 PANORAMA 训练集（§2.3）；两库数据有直接重叠
MSD pancreas（Task07）	无独立条目	数据并入	194 例并入训练集；库内暂无对应条目，检索时注意口径

7.3 库内同域条目一览

以下为库内与腹部 CT/胰腺任务同域的相关条目（患者数为其各自收录规模），可交叉使用于预训练、域泛化与外部验证：

库内条目	患者数	同域价值
abdomenct-1k	402	大规模腹部 CT 预训练
deeplesion	17（本条目相关子集）	通用病灶检测参照
flare	387	腹部多器官分割
flare-2026	940	腹部分割新迭代
totalsegmentator	422	全身多器官分割（含胰腺）

互链使用建议：

• 以 PANORAMA 为主训练源时，totalsegmentator/flare 系适合做胰腺分割辅助监督；
• abdomenct-1k 适合做域适应预训练；
• 涉及 nih-pancreas-ct（rid 367）时务必记得其 80 例已在 PANORAMA 训练集内，避免数据泄漏式的「外部验证」。

7.4 第三方镜像现状

HuggingFace 上存在镜像数据集 MedOtter/PANORAMA。

• 收录：2238 例训练数据，约 196 GB；
• 热度：月下载量约 6412；
• 性质：非官方发布、无校验链——版本与官方 Zenodo 分卷是否一致无从核对；
• 许可传导：CC BY-NC 4.0 的非商业约束不因托管平台而改变；
• 建议：正式研究以 Zenodo 官方分卷为准；镜像仅用于快速原型（§10 坑点 6）。

7.5 三类使用者的生态视角

• 研究者：PANORAMA 是 PDAC 检测方法的事实基准，新方法应与之对齐报告（AUROC + AP + 同口径切分）；
• 工程师：它与库内腹部分割系条目（flare/totalsegmentator/abdomenct-1k）构成「分割预训练 → 检测微调」的组合管线；
• 合规人员：注意三条红线——CC BY-NC 4.0 非商业、隐藏集不可持有、镜像使用需追溯官方版本。

7.6 三个典型复用场景

场景一：机构自建 PDAC 检测模型。

• 步骤：torch-em 加载器吃训练集 → 借鉴两阶段结构（§8.2）→ 本地留出集按 AUROC/AP 自评；
• 提醒：留出集务必剔除与 nih-pancreas-ct/MSD 重叠的部分。

场景二：血管侵犯相关研究。

• 步骤：用 1+2+3 类掩码做肿瘤-血管空间关系分析（§4.7）；
• 提醒：仅信任 482 例人工掩码子集，或先做抽样质控。

场景三：教学与基准科普。

• 步骤：以「三阶段赛程 + reader study」为教学案例讲评测设计（§3、§5.3）；
• 提醒：引用口径照 §5.8 规范执行。

7.7 对库内评测体系的意义

• PANORAMA 为库内「挑战赛数据集」垂类补上「检测任务 + 盲法人机对照」的方法学样板；
• 其口径存照实践（§10）与库内纪律一致，可作为后续挑战赛类条目的写作模板；
• 其非劣效 reader study 设计为库内条目的「证据等级」标注提供了参照系；
• 其「赛-文-库」一体结构（Top 5 署名论文）为数据集生态提供了激励设计案例。

§8 方法启示

8.1 双输出设计：概率 + 热图

• 只要求病例级概率的任务容易被「整体回归分数」的捷径学习钻空子；
• PANORAMA 强制同时输出 3D 热图，使模型的判断必须落在解剖位置上；
• 启示：要求模型指认位置，是廉价且有效的反捷径约束。

8.2 coarse-to-fine 两阶段

• 冠军方案把「在 196 GB、多期相、二十年设备混杂的体数据里找肿瘤」拆成先粗后细两步；
• 粗阶段：整卷定位胰腺与候选区域；
• 细阶段：局部精细判别；
• 启示：面对大视野+小病灶的任务，「先解剖定位、再局部判别」的结构化管线往往比端到端单模型稳定，且天然兼容多中心异质性。

8.3 集成与阈值校准

• DASE 四分位集成处理抽样偏差；
• Peak-Scaled 阈值（1/α = 15.0）把热图强度与病例级概率统一标定；
• 启示：检测系统的「分数」与「位置强度」应同源校准，否则临床部署时会出现「高分无病灶、有病灶低分」的割裂。

8.4 非劣效 reader study 的设计价值

• 先定非劣效界值（0.05）、再检验、后报优效（p=0.001）的顺序，避免了「事后挑统计口径」的嫌疑；
• 68 名医生、12 国 40 中心的构成让结论可外推；
• 启示：任何「AI vs 医生」声明的可信度，取决于预设界值与盲法设计是否先于实验固定——这比 AUROC 数字本身更值得抄。

8.5 对库内使用者的迁移建议

• 迁移到自家 CT 数据时，保留「概率+热图」双输出与 Peak-Scaled 式阈值校准；
• 多中心数据先用临床信息 JSON 的厂商/年代字段做域分层评测，再谈融合训练；
• 阳性率 32% 是富集设计，落到低阳性率真实场景必须重标阈值并重估 PPV；
• 掩码监督（尤其 1756 例自动掩码）建议降权或配合噪声鲁棒损失。

8.6 一条反面启示

• 冠军在 Tuning 阶段仅排第 7：把 86 例验证集分数当成优化目标，反而可能损害隐藏分布泛化；
• 对应到日常实践：小验证集上的名次差异多在噪声区间，别为它设计复杂技巧；
• 把工程力气花在域稳健性（§8.2）与校准（§8.3）上，比花在「多刷一次榜」上更值。

8.7 从冠军仓库起步的最小实验路线

1. clone github.com/han-liu/PDAC_detection，通读 README 与推理入口；
2. 用 5-10 例训练数据跑通端到端推理（先 CPU、小分辨率）；
3. 换成本地自留数据验证输出契约：概率 + 3D 热图；
4. 复算 Peak-Scaled 阈值（1/α = 15.0）在自己数据上的合理性；
5. 再考虑复现 DASE 集成——训练成本高，先确认单模型已达标；
6. 全程记录版本与配置，便于与论文口径对表。

8.8 方法启示速查卡

• 反捷径：要求「热图（位置）+ 概率」双输出（§8.1）；
• 大体数据：coarse-to-fine 结构化管线（§8.2）；
• 部署校准：分数与热图同源标定（§8.3）；
• 人机对照：先定界值再实验（§8.4）；
• 迁移：域分层先行、阈值重标、掩码降权（§8.5）；
• 反面：别把小验证集名次当优化目标（§8.6）。

§9 库内关系与互链索引

9.1 互链索引

方向	条目	rid	关系
出链	nih-pancreas-ct	367	其 80 例并入 PANORAMA 训练集（强关联，数据重叠）
出链	abdomenct-1k	见条目	同域腹部 CT，预训练/域适应（相关规模 402）
出链	deeplesion	见条目	通用病灶检测参照（本条目相关子集 17）
出链	flare	见条目	腹部多器官分割（相关规模 387）
出链	flare-2026	见条目	腹部分割新迭代（相关规模 940）
出链	totalsegmentator	见条目	全身多器官分割含胰腺（相关规模 422）
断链	MSD pancreas（Task07）	无	194 例并入训练集，但库内暂无独立条目

9.2 组合使用建议

三型组合值得单独点名。

• 防泄漏组合：PANORAMA + nih-pancreas-ct（rid 367）必须视作同一数据池，任何外部验证设计要先剔除重叠 80 例；
• 预训练→检测组合：abdomenct-1k 或 totalsegmentator 做器官级预训练，再接 PANORAMA 检测微调，是当前最稳的冷启动路径；
• 分割→检测组合：flare/flare-2026 的胰腺掩码可为 PANORAMA 中 1756 例自动掩码提供交叉校验信号。

9.3 断链与检索风险

• MSD pancreas 无独立库内条目：以「MSD」「Task07」「decathlon」等关键词检索可能漏检其 194 例已并入 PANORAMA 的事实；
• 深链 404：官网 /data/ 等旧路径失效（坑点 7），库内引用官网资源时一律用首页导航可达的路径；
• 数字撞车：PANORAMA 的「测试 AUROC 0.92」与「reader study AUROC 0.92」是两个实验的巧合同值，引用时必须带实验口径（§5.6）。

9.4 库内检索关键词建议

• 中文：胰腺癌、胰腺导管腺癌、PDAC、挑战赛、检测；
• 英文：PANORAMA、PDAC、pancreatic cancer、grand challenge、detection；
• 关联词：MSD、Task07、decathlon、nih-pancreas-ct、reader study；
• 反例提示：只搜「panorama」会命中大量无关结果（坑点 1），务必叠加「pancreas/PDAC」限定。

9.5 互链维护注意事项

• rid 引用以库内实际发布为准，条目改版时同步核对 §9.1 表；
• 「相关子集」数字（如 deeplesion 17、flare 387）为对应条目的规模口径，引用时注明含义；
• 断链条目（MSD pancreas）若未来入库，应回填 §9.1 表与 §2.3；
• 官网路径若再次改版，按坑点 7 的方法从首页导航重定位。

§10 避坑清单：八大坑点

以下八个坑点全部来自本条目核验过程中实际踩到的口径冲突或工程陷阱，每条按「现象 / 辨析 / 建议」展开。

坑点1：实体身份误判——PANORAMA 不是「全景影像」

• 现象：PANORAMA 一词在医学影像语境极易被想当然读成「全景成像/全景影像」，或与前列腺 MRI 挑战赛混淆——AI 检测圈里带「PA」字头、做癌症检测的知名挑战赛是 PI-CAI（前列腺 MRI），两者名字气质相近。
• 辨析：本条目的 PANORAMA 全称 Pancreatic cancer diagnosis: Radiologists meet AI，是胰腺癌 PDAC 的 CT 检测挑战赛；数据是增强 CT 不是 MRI，任务是检测不是分割；前列腺 MRI 检测挑战赛是 PI-CAI，两者是不同联盟、不同数据、不同论文。
• 建议：引用时写全称与官网域名（panorama.grand-challenge.org）；检索时用「PDAC + grand challenge」而非「panorama imaging」。

坑点2：数据总量漂移——over 1500、~3000、3440、roughly 3000 四种说法

• 现象：官方材料与关联文档中，数据总量出现过 over 1500、约 3000（~3000）、3440、roughly 3000 至少四种表述。
• 辨析：这是同一数据池在筹备期、扩容期与定稿期的快照差异；论文与官网数据页最终口径为 3440（训练 2238 + 验证 86 + 测试 1130；合计 3454 与 3440 之差源于 reader study 等子集归属的重叠，见坑点 3、坑点 5）。
• 建议：一切以「官网数据页 + 论文」的 3440 为准；见到 over 1500 或 roughly 3000 的二手材料，标注其抓取时点后弃用。

坑点3：训练集 2238 vs 论文 2224+86=2310，差 14 例无解释

• 现象：官网口径训练公开集 2238 例；论文部分表格按 2224 例（训练）+ 86 例（验证）出现，两处相加与 2238 存在 14 例的差额，官方未逐条解释。
• 辨析：可能来源包括某些病例的多重归属（如 reader study 子集与训练/验证的重叠）、去重或质控剔除的时点差；现有公开材料不足以裁定。
• 建议：工程上以实际下载到的训练包例数为准（官方包与镜像均标 2238）；论文引用时注明「训练 2238（官网口径）/论文表内 2224+86」双口径，不要混用同一句话。

坑点4：测试关闭双口径——计划 2024-12-16 vs 实际排名 2025-02-25

• 现象：官网时间线写 Testing 阶段 2024-12-16 关闭；排名公告与新闻稿显示最终排名 2025-02-25 确定、2025-02-28 在 ECR Vienna 公布。
• 辨析：两者并不矛盾——前者是提交关闭计划日，后者是评测收口与排名确定日；但跨度约两个月，说明测试期发生过延期（官方材料未给原因）。
• 建议：写时间线时区分「提交关闭（2024-12-16，计划）」与「排名确定（2025-02-25，实际）」两个事件；不要把 12-16 当作成绩产生日。

坑点5：隐藏集规模三口径——测试 400、>400、1130；验证 100、86

• 现象：测试集规模在不同材料中出现 400、more than 400（>400）与 1130 三种说法；验证集出现 100 与 86 两种。
• 辨析：400/>400 是赛程中早期口径（可能为规划数或部分披露），1130 是论文与终榜口径（含 406 例组织学确诊）；验证 100 是规划口径，86 是最终口径——4 例与 14 例的出入同坑点 3 一脉相承。
• 建议：一切规模数字以「1130（测试，含 406 组织学确诊）/ 86（验证）/ 2238（训练）」为最终口径；引旧材料时标注口径时点。

坑点6：第三方镜像非官方——HuggingFace MedOtter/PANORAMA 无校验链

• 现象：HuggingFace 存在 MedOtter/PANORAMA 镜像（2238 例、约 196 GB、月下载约 6412），很多团队图方便直接 clone。
• 辨析：该镜像非 PANORAMA consortium 官方发布，版本与官方 Zenodo 分卷（13715870 等）无校验链可比对；且镜像托管不改变 CC BY-NC 4.0 的非商业约束。
• 建议：正式研究一律走官网注册 + Zenodo 官方分卷；镜像仅限原型验证，下载后用掩码取值集 {0,…,6}、例数 2238、体量约 196 GB 做一致性抽查。

坑点7：官网 404 陷阱——直觉路径多数不通

• 现象：直接访问官网 /data/、/results/、/evaluation/ 等直觉路径返回 404；数据、时间线、奖项与排名分散在非常规路径。
• 辨析：平台改版后真实路径包括 /datasets-imaging-labels/（数据与标注）、/timeline/（赛程时间线）、/aipr/（奖项/排名相关页面）；404 不代表资源不存在。
• 建议：从首页导航进，或直接用 Zenodo DOI 定位数据；本条目附录 C 的证据链已把关键数字与官方落点对齐，可省一次踩坑。

坑点8：治理口径——顾问 11 vs 13+患者代表；组织方五中心可参赛不可获奖

• 现象：顾问委员会规模存在 11 人与 13 人+患者代表两种口径；同时组织方五家中心（Radboud UMC、UMCG、ZGT、Karolinska、Haukeland）的人员可参赛但不可获奖。
• 辨析：前者是不同时点/是否计入患者代表的口径差；后者是 grand-challenge 系赛事的标准利益回避规则，避免主办方成员使用内部信息获利。
• 建议：引用治理结构时注明口径与时点；做参赛合规判断时按「组织方成员可参赛、不可获奖」执行。

§11 总结

PANORAMA 是数据集生态里少见的「全闭环」样本。

• 体量：3440 例多中心增强 CT；
• 可用性：2238 例公开训练集与 6 类掩码；
• 证据等级：1130 例双盲隐藏测试与 68 名医生的人机对照；
• 背书：Lancet Oncology 发表。

它的代价同样清晰：多分卷下载与约 196 GB 体量抬高工程门槛；隐藏集不可见导致本地无法复现榜上成绩；官方材料四处口径漂移（本条目存照八处）。

给三类读者的一句话：

• 工程师——走 Zenodo 官方分卷，先跑通 §6.3 再谈训练；
• 研究者——冠军方案（§5.4）与 §8 的四条启示直接可用；
• 合规与尽调——附录 C 与 FACTS.md 的九节存照就是为你们准备的。

最常见的三种误用，提前点名：

• 把 reader study 的 0.92 与测试集的 0.92 混为一谈（§5.6）；
• 把 3440 例整体当训练集——公开训练只有 2238（§2.2）；
• 把镜像下载物当官方发布（坑点 6）。

FAQ

Q1：PANORAMA 数据集的官方下载入口在哪？
官网 panorama.grand-challenge.org 注册签协议后，从 Zenodo 分卷下载（主分卷 doi:10.5281/zenodo.13715870，约 49.3 GB）。

Q2：训练集到底多少例？
2238 例（676 PDAC 阳性 / 1562 阴性）；论文表内另有 2224+86 的口径，差 14 例官方未解释（坑点 3）。

Q3：验证集和测试集能下载吗？
不能。验证 86 例、测试 1130 例均为隐藏集，只能通过挑战赛平台提交算法获得评测反馈。

Q4：掩码有哪几类？
六类：0 背景、1 PDAC、2 静脉、3 动脉、4 胰腺实质、5 胰管、6 胆总管。

Q5：掩码都是人工画的吗？
不是。482 例人工勾画、1756 例自动生成（约 78%），用作分割金标准需谨慎（§4.2）。

Q6：任务输出必须是什么？
每例 0-1 的 PDAC 概率 + 3D 病灶热图，二者缺一不可。

Q7：多久能提交一次？
开发阶段每队每周 1 次。

Q8：进 Testing 阶段有什么门槛？
arXiv 2-3 页方法报告 + GitHub permissive 许可开源仓库；外部数据引入受约 3 个月放宽窗口约束。

Q9：冠军是谁？成绩多少？
PanDx（队伍 DTI_PANORAMA，Siemens 系团队 Han Liu、Rui Gao、Krieg E、Grbic S），测试 AUROC 0.9263、AP 0.7243，Tuning 阶段曾排第 7。

Q10：AI 真的赢过放射科医生了吗？
reader study（391 例、68 名医生）：AI 0.92 [0.89-0.94] vs 医生 0.88 [0.85-0.91]；非劣效 p<0.0001（界值 0.05），优效 p=0.001——至少不输，统计上更好。

Q11：能商用吗？
不能。CC BY-NC 4.0 明确排除商业用途；学术使用需署名。

Q12：论文发在哪？
Lancet Oncology 2026 年 1 月，27(1):116-124，doi:10.1016/S1470-2045(25)00567-4，PMID 41275871。

Q13：数据是什么年代的？
2004-2023 年采集的多中心增强 CT，设备与协议跨二十年，异质性明显。

Q14：reader study 多大规模？
391 例 × 68 名放射科医生，来自 12 国 40 个中心。

Q15：HuggingFace 上的镜像能用吗？
MedOtter/PANORAMA 镜像非官方、无校验链，仅建议原型验证用；正式研究走 Zenodo（坑点 6）。

Q16：奖金怎么分？
€1000 / €500 / €250 / €150 / €100 对应前五名；Top 5 全部入 consortium 成为论文联盟作者。

Q17：和库内 nih-pancreas-ct 什么关系？
nih-pancreas-ct（rid 367）的 80 例已并入 PANORAMA 训练集，两者是同一数据池，勿重复计数或当独立外部验证。

Q18：PANORAMA 和 PI-CAI 是一回事吗？
不是。PANORAMA 是胰腺癌 CT 检测挑战赛；PI-CAI 是前列腺 MRI 检测挑战赛（坑点 1）。

Q19：数据是什么格式？多大？
NIfTI（.nii.gz），训练公开集约 196 GB，Zenodo 主分卷约 49.3 GB。

Q20：临床信息有哪些字段？
年龄（如「042Y」）、性别（「M/F」）、设备厂商（如「TOSHIBA」）等极少数字段，无直接标识符（§6.5）。

Q21：需要跑多大数据的盘？
预留至少 250 GB：分卷下载中间态 + 解压后约 196 GB，另留训练缓存。

Q22：为什么我的掩码读出来取值不对？
先查镜像来源与分卷版本错配，再查读取代码；掩码取值应为 {0,…,6}（§6.3、§6.7）。

Q23：官方推荐怎么加载数据进训练管线？
torch-em 系加载器（§6.4），或用 nibabel 自行流式读取。

Q24：测试集 AUROC 0.92 和 reader study 的 0.92 是同一个数吗？
不是。前者是 1130 例隐藏测试集上最优 AI 的成绩，后者是 391 例人机对照子集上的成绩，口径不同（§5.6）。

Q25：外部数据能随便加吗？
开发阶段有约 3 个月的放宽窗口，之后引入需申报；Testing 阶段规则以官方协议为准（§3.4）。

Q26：组织方自己的人能参赛吗？
能参赛，不能获奖——五家组织中心成员适用利益回避规则（坑点 8）。

Q27：这批数据能拿去做胰腺分割模型吗？
可以但需打折：掩码含 6 类解剖结构，但 78% 为自动生成，建议当辅助监督并做质控抽样（§4.2）。

Q28：论文与官网口径不一致时该信谁？
以「官网数据页 + 正式刊出论文」为最终口径；早期新闻稿与筹备期材料仅作沿革参考（§10）。

Q29：这份数据集适合做什么课题？
PDAC 检测模型、多中心域泛化、阈值校准、肿瘤-血管关系分析、阅片辅助工具评测（§7.6）。

Q30：不适合做什么？
低龄人群建模、直接商用、把自动掩码当高置信分割金标、以及任何需要隐藏集影像的实验（§4.2、§6.6）。

Q31：训练集的阳性率是多少？为什么要富集？
676/2238 约 30%（全库 1103/3440 约 32%）；富集是为了在有限例数下保证阳性样本的统计功效（§2.1）。

Q32：迁移到自家数据要改什么？
重标阈值与先验、按厂商/年代做域分层评测、对自动掩码式监督降权（§8.5）。

Q33：冠军方案的核心思路一句话？
先找胰腺再看病灶的两阶段管线 + 四分位集成 + 概率与热图同源校准（§5.4）。

Q34：为什么冠军 Tuning 第 7 还能拿第一？
86 例验证集分数方差大，过拟合它反而伤泛化；冠军把力气花在稳健性上（§8.6）。

Q35：掩码里为什么含血管和导管？
PDAC 可切除性判断依赖肿瘤-血管关系，解剖结构同框标注让数据能服务外科下游问题（§4.1）。

Q36：AP 为什么明显低于 AUROC？
AP 对假阳性更敏感；0.7243 vs 0.9263 提示部署时要把工作点压在低假阳性区（§5.1）。

Q37：怎么引用这份数据集？
引论文（doi:10.1016/S1470-2045(25)00567-4）+ 官网 + Zenodo 协议 DOI，并注明非商业许可（§6.6）。

Q38：数据里有随访或治疗信息吗？
公开材料未披露随访/治疗字段；临床信息 JSON 仅见年龄、性别、厂商等极少数字段（§6.5）。

Q39：多期相影像都有吗？
腹部增强 CT 多期相采集，以胰腺期为核心；逐例期相构成以下载包内文档为准（§2.4）。

Q40：能把数据再分发给合作机构吗？
CC BY-NC 4.0 允许署名分享（同许可传导），但仅限非商业用途，且建议引导对方走官方渠道（§6.6）。

Q41：86 例验证集会不会太少？
确实少——这是官方刻意为之的防过拟合设计，代价是验证信号噪声大（§3.8）。

Q42：官方评测平台还开放提交吗？
赛期结束后的平台能力以官网现状为准；论文与开源方法已提供离线复现路径（§5.4）。

Q43：这个数据集和库内 flare/totalsegmentator 怎么配合？
分割系条目做预训练或辅助监督，PANORAMA 做检测微调与主评测（§9.2）。

Q44：还有哪些口径问题本条目没展开？
所有已知冲突均已存照于 §10 与 FACTS.md 第九节；新发现的口径差建议按同一格式追加存照（§0.4）。

Q45：如何快速判断拿到的是不是官方版本？
核三点：例数 2238、掩码取值 {0,…,6}、Zenodo 记录号一致；镜像物无官方校验链（坑点 6）。

Q46：训练时掩码要全用吗？
建议分层：482 例人工掩码全用；1756 例自动掩码降权或作辅助监督（§4.2）。

Q47：3D 热图有格式要求吗？
需与输入体同几何（同形状/仿射），平台按输出契约校验；细节以提交文档为准（§1.6）。

Q48：官方论文里哪个数字最容易被引错？
「AI 0.92 vs 医生 0.88」——这是 reader study 口径，常被误当成测试集对比（§5.6）。

Q49：验证集 86 例的成绩能对外报告吗？
Tuning 分数仅供参赛调参参考，正式报告应以测试集或论文口径为准（§3.9）。

Q50：数据可以用于模型蒸馏或教学演示吗？
非商业场景可以（CC BY-NC 4.0）；商业场景需另行获得权利人许可（§6.6）。

Q51：为什么把 MSD/NIH 并进训练集而不是当外部验证？
官方目标是扩大训练阳性池；使用者反而要自己把三个来源区分开做分层实验（§2.3）。

Q52：想做人机对照实验，能用这个数据吗？
reader study 影像不公开；可参照其设计（391 例、多中心、盲评、预设界值）自建实验（§2.5、§8.4）。

事实清单

以下硬事实均经官方来源核验（快照时点 2026-10-09），逐条标注来源落点。

1. PANORAMA 全称 Pancreatic cancer diagnosis: Radiologists meet AI（官网首页）。
2. 官网地址为 panorama.grand-challenge.org（官网）。
3. 它是首个携带公开训练数据的 PDAC 检测 Grand Challenge（官网/论文）。
4. 项目由 EU Horizon 2020 资助（官网）。
5. 组织方为五家机构：Radboud UMC、UMCG、ZGT、Karolinska Institutet、Haukeland University Hospital（官网）。
6. PANORAMA consortium 发起并运营挑战赛与数据集（官网/论文）。
7. 论文刊出于 Lancet Oncology 2026 年 1 月，27(1):116-124（论文）。
8. 论文 DOI 为 10.1016/S1470-2045(25)00567-4（论文）。
9. 论文 PMID 为 41275871（PubMed）。
10. 论文 epub 上线于 2025-11-20（论文页）。
11. 研究协议存档于 Zenodo，DOI 10.5281/zenodo.10599559（Zenodo）。
12. 协议上 Zenodo 时间为 2024-02（官网时间线）。
13. 训练数据发布于 2024-04（官网时间线）。
14. Dummy 提交开启于 2024-05-13（官网时间线）。
15. Tuning 阶段开启于 2024-05-27（官网时间线）。
16. 开发阶段关闭于 2024-11-30（官网时间线）。
17. RSNA 年会宣传节点为 2024-12-01（官网时间线）。
18. Testing 原定关闭日为 2024-12-16（官网时间线）。
19. 实际排名确定于 2025-02-25（排名公告）。
20. 结果在 ECR Vienna 于 2025-02-28 现场公布（官网新闻）。
21. 数据总量最终口径为 3440 例（官网数据页/论文）。
22. 性别构成为女 1511 例、男 1929 例（论文）。
23. 年龄中位数 67 岁，IQR 58-74（论文）。
24. PDAC 阳性 1103 例，约占 32%（论文）。
25. 训练公开集 2238 例，含 676 阳性与 1562 阴性（官网数据页）。
26. 训练集中荷兰两中心回顾采集 1964 例（官网/论文）。
27. MSD Task07（胰腺）并入 194 例（官网/论文）。
28. NIH 胰腺公开集并入 80 例（官网/论文）。
29. 隐藏验证集 86 例（官网数据页）。
30. 隐藏测试集 1130 例，其中 406 例组织学确诊（论文）。
31. reader study 覆盖 391 例、68 名放射科医生、12 国 40 中心（论文）。
32. 训练公开集为 NIfTI 格式，约 196 GB（Zenodo/镜像页）。
33. 掩码共 6 类：0 背景、1 PDAC、2 静脉、3 动脉、4 胰腺实质、5 胰管、6 胆总管（panorama_labels 仓库）。
34. 掩码构成为 482 例人工勾画 + 1756 例自动生成（论文/仓库）。
35. 标注开源于 github.com/DIAGNijmegen/panorama_labels（GitHub）。
36. 许可为 CC BY-NC 4.0（Zenodo 分卷标注）。
37. 原研究获 IRB 豁免（论文）。
38. Zenodo 主分卷为 13715870，约 49.3 GB（Zenodo）。
39. 辅分卷为 13742336、11034011、10999754，另有早期记录 10998331（Zenodo）。
40. 开发阶段每队每周限提交 1 次（官网提交规则）。
41. Testing 资格需 arXiv 2-3 页方法报告与 permissive 许可的 GitHub 仓库（官网）。
42. 外部数据引入设有约 3 个月放宽窗口（官网/协议）。
43. 奖金为 €1000 / €500 / €250 / €150 / €100 对应前五名（官网 /aipr/）。
44. Top 5 队伍全部入选 consortium、成为论文联盟作者（论文/官网）。
45. 冠军方案为 PanDx，队伍 DTI_PANORAMA（官网排行榜）。
46. 冠军团队成员：Han Liu、Rui Gao、Krieg E、Grbic S（排行榜/arXiv）。
47. 冠军测试成绩 AUROC 0.9263、AP 0.7243（官网排行榜）。
48. 冠军在 Tuning 阶段排名第 7（官网排行榜）。
49. 冠军代码开源于 github.com/han-liu/PDAC_detection（GitHub）。
50. 冠军方法报告为 arXiv 2503.10068（arXiv）。
51. 第 4 名团队为 Jun Ma、Chingyuan Yu、Tianhao Fu（排行榜）。
52. 最优 AI 测试集 AUROC 为 0.92 [0.90-0.93]（论文摘要）。
53. reader study 中 AI AUROC 0.92 [0.89-0.94]，放射科医生 0.88 [0.85-0.91]（论文）。
54. 非劣效界值 0.05，p<0.0001；优效比较 p=0.001（论文）。
55. 提交接口临床信息 JSON 示例字段含「042Y」「M」「TOSHIBA」（官网/训练包文档）。
56. HuggingFace 镜像 MedOtter/PANORAMA 收录 2238 例、约 196 GB、月下载约 6412，非官方（HF 页面）。
57. 官网真实资源路径包括 /datasets-imaging-labels/、/timeline/、/aipr/，而 /data/ 等直觉路径 404（官网实测快照）。
58. 库内 nih-pancreas-ct（rid 367）的 80 例并入本数据集训练集（库内对照）。
59. 官方评测要求输出为病例级概率（0-1）与 3D 热图两件套（官网提交规则）。
60. 临床信息 JSON 与训练集同构，随提交一并校验（官网提交规则）。
61. 官网新闻与排名公告证实 ECR Vienna 现场公布环节（官网新闻）。
62. 冠军方法含两阶段 coarse-to-fine、DASE 四分位集成与 Peak-Scaled 阈值（1/α=15.0）（arXiv 2503.10068）。
63. 组织方五中心人员可参赛但不可获奖（官网/协议口径）。
64. 顾问委员会规模存在 11 与 13+患者代表两种口径（官网沿革快照）。
65. 官网时间线列出从协议存档到 Testing 关闭的关键日期（官网 /timeline/）。
66. Testing 参与者均需满足 arXiv 报告 + permissive 仓库门槛，终榜方法均有可查出处（官网规则）。
67. 官网新闻页与排名公告互证 ECR Vienna 公布环节（官网）。
68. 临床信息字段「042Y」「M」「TOSHIBA」为训练包/提交文档中的格式示例（官网/训练包文档）。
69. reader study 覆盖 12 国 40 中心，构成人机对照的样本框架（论文）。
70. 约 196 GB 为训练集解压后全量口径，49.3 GB 为 Zenodo 主分卷口径（Zenodo/镜像页）。
71. 数据采集跨度 2004-2023，覆盖二十年设备代际（论文/官网）。
72. 全部口径冲突逐条存照于本条目 §10 与 FACTS.md 第九节（本条目纪律）。

术语表

术语	解释
PDAC	胰腺导管腺癌（pancreatic ductal adenocarcinoma），最常见的胰腺恶性肿瘤，本挑战赛的检测目标
PANORAMA	本条目主体：Pancreatic cancer diagnosis: Radiologists meet AI，胰腺癌 CT 检测挑战赛及数据集
Grand Challenge	医学影像领域的标准化评测赛事，通常含公开训练数据、隐藏评测与公开排名
grand-challenge.org	荷兰 DIAG Nijmegen 团队维护的挑战赛托管平台，PANORAMA 承载于此
检测（detection）	判断整卷影像中是否存在目标病灶并给出位置，区别于逐体素勾画的分割任务
AUROC	受试者工作特征曲线下面积，病例级排序区分能力的主指标
AP	average precision，精确率-召回率曲线下面积，对阳性检出更敏感
reader study	阅片者研究：多名医生在同一批病例上独立阅片，与 AI 结果做对照实验
非劣效检验	预设界值 δ，检验「处理组不比对照差 δ 以上」的统计设计；本研究 δ=0.05
优效检验	检验「处理组显著优于对照组」；本研究在非劣效成立后报 p=0.001
95% CI	95% 置信区间，如 AUROC 0.92 [0.90-0.93]
NIfTI	Neuroimaging Informatics Technology Initiative 格式，三维医学影像常用存储格式（.nii.gz）
掩码（mask）	与影像同尺寸的标签体，逐体素标注结构类别；本数据集取值 0-6
多期相增强 CT	注射对比剂后多时相扫描的腹部 CT，胰腺评估以胰腺期为核心
coarse-to-fine	先粗定位后细判别的两阶段方法学范式，冠军方案的主体结构
DASE	冠军方案的四分位集成策略（按维度/切片象限分别训练再集成）
Peak-Scaled 阈值	冠军方案以热图峰值缩放标定病例级阈值的校准方法，参数 1/α=15.0
torch-em	基于 PyTorch 的医学体数据训练工具库，官方推荐的加载器生态
nibabel	Python 生态读取 NIfTI 等神经影像格式的标准库
Zenodo	CERN 运营的科研存档平台，PANORAMA 协议与数据分卷发放于此
DOI	数字对象唯一标识符，如 10.5281/zenodo.13715870
CC BY-NC 4.0	署名-非商业性使用 4.0 国际许可：可署名使用与分发，禁止商用
IRB 豁免	机构审查委员会认定研究非人类受试者干预、可免除全面伦理审查
去标识化	移除直接与间接个人标识符的数据处理，使数据脱离特定个人
Dummy 提交	赛程初期的通道联调提交，用于验证算法容器与接口，无成绩压力
Tuning 阶段	对隐藏验证集（86 例）评分的调参阶段
Testing 阶段	对隐藏测试集（1130 例）封闭评测的终榜阶段
MSD	Medical Segmentation Decathlon，医学分割十项全能公开数据集；其 Task07 为胰腺分割任务
NIH 胰腺公开集	美国国立卫生研究院发布的 80 例胰腺 CT 公开集（库内 nih-pancreas-ct，rid 367）
permissive license	宽松开源许可（如 MIT/Apache），PANORAMA 对 Testing 资格仓库的许可要求
consortium	联盟：本条目指 PANORAMA consortium，含组织方与 Top 5 参赛队伍成员
RSNA / ECR	北美放射学会年会 / 欧洲放射学会年会，赛程的两个学术曝光节点
dataLimitations	数据局限声明：本条目在 schema_org 的 cr:RecordSet 内逐条收录，与官方 rai:dataLimitations 对应
阳性率富集	刻意提高正样本占比的采样设计；本数据集全库约 32%
PPV	阳性预测值：低阳性率场景下部署检测模型时需重估的核心指标
leaderboard	官方排行榜，冠军成绩（AUROC 0.9263 / AP 0.7243）的权威落点
盲评	阅片者不知晓 AI 结果与病理金标的实验设计，reader study 采用
口径存照	本库纪律：对官方材料间的数字冲突不调和、逐条记录出处与时点
数据快照	对同一在线资源在固定时点的采集留档；本条目快照时点 2026-10-09
防过拟合设计	通过限制提交频率、隐藏评测、资格门槛抑制对评测集过拟合的规则组合
外部数据窗口	官方允许引入训练外数据的申报期（约 3 个月）
病例级概率	对整卷影像输出的 0-1 恶性可能性分数，AUROC/AP 的直接输入

附录 A 条目信息速查卡

字段	值
条目名	panorama-2026
官方名	PANORAMA — Pancreatic cancer diagnosis: Radiologists meet AI
url_name	panorama-2026
库内页面	https://www.qianfanghub.com/ai-ready-dataset/panorama-2026/945
官网	https://panorama.grand-challenge.org/
数据落点	Zenodo doi:10.5281/zenodo.13715870（主分卷）等四分卷
协议	Zenodo doi:10.5281/zenodo.10599559
论文	Lancet Oncol 2026;27(1):116-124，doi:10.1016/S1470-2045(25)00567-4，PMID 41275871
许可	CC BY-NC 4.0
任务	PDAC 检测：病例级概率 + 3D 热图
规模	3440 例（训练公开 2238 / 验证 86 / 测试 1130）
标注	6 类掩码（482 人工 + 1756 自动）+ 临床信息 JSON
抓取时点	2026-10-09
库内互链	rid 367（nih-pancreas-ct，强关联）；abdomenct-1k；deeplesion；flare；flare-2026；totalsegmentator
配套档案	仓库内 writing/panorama-2026/FACTS.md（九节口径存照）

附录 B DAIMS 评分表

DAIMS 五维评分（1-10）与依据：

维度	评分（1-10）	依据
D 数据可用性	8	训练集 2238 例影像+掩码+临床信息全公开、Zenodo 持久存档；扣分：验证/测试集不可见、四分卷下载链路长
A 标注质量	8	6 类掩码设计覆盖肿瘤+血管+导管、482 例人工勾画；扣分：78% 为自动生成、无公开分层质控报告
I 接口便利度	6	平台注册流程标准、有 torch-em 加载器生态；扣分：需签协议、约 196 GB 多分卷、官网存在 404 陷阱路径
M 元数据完备性	7	临床信息 JSON、完整时间线、论文口径齐全；扣分：官方材料间存在八处口径漂移（§10）
S 合规与安全	9	CC BY-NC 4.0 边界明确、IRB 豁免、去标识化、无直接标识符；扣分：IRB 豁免不自动延伸至衍生研究
综合评级	7.6/10	五维均值（8+8+6+7+9 = 38，38/5 = 7.6）

附录 C 证据链自证

关键数字与官方来源落点对照（快照时点 2026-10-09）：

关键数字	来源	官方落点
总量 3440	官网数据页 + 论文	panorama.grand-challenge.org/datasets-imaging-labels/
训练 2238（676 阳性）	官网数据页 + Zenodo	数据页 + Zenodo 13715870
验证 86 / 测试 1130（406 组织学确诊）	官网 + 论文	数据页 + Lancet Oncol 27(1):116-124
AI 测试 AUROC 0.92 [0.90-0.93]	论文	Lancet Oncol 摘要
reader study 391 例 × 68 医生	论文	Lancet Oncol 方法节
AI 0.92 [0.89-0.94] vs 医生 0.88 [0.85-0.91]	论文	Lancet Oncol 结果节
非劣效 p<0.0001（界值 0.05）、优效 p=0.001	论文	Lancet Oncol 结果节
冠军 PanDx AUROC 0.9263 / AP 0.7243	官网排行榜	挑战赛 leaderboard 页
冠军团队 Han Liu、Rui Gao、Krieg E、Grbic S	排行榜 + arXiv	arXiv 2503.10068
冠军仓库 github.com/han-liu/PDAC_detection	GitHub	仓库页（permissive 许可）
第 4 名 Jun Ma、Chingyuan Yu、Tianhao Fu	排行榜	挑战赛 leaderboard 页
Zenodo 主分卷 13715870（49.3 GB）	Zenodo	zenodo.org/records/13715870
协议 DOI 10.5281/zenodo.10599559	Zenodo	zenodo.org/records/10599559
CC BY-NC 4.0	Zenodo 分卷	各记录页 license 标注
6 类掩码 / 482+1756	标注仓库 + 论文	github.com/DIAGNijmegen/panorama_labels
奖金 €1000-€100 / Top 5 入 consortium	官网	panorama.grand-challenge.org/aipr/
周提交 1 次 / Testing 资格门槛	官网	提交规则页
时间线 2024-02 至 2024-12-16	官网	panorama.grand-challenge.org/timeline/
排名 2025-02-25 / ECR 2025-02-28	排名公告 + 官网新闻	官网新闻页
镜像 MedOtter/PANORAMA（2238 例、196 GB、月下载约 6412）	HuggingFace	huggingface.co/datasets/MedOtter/PANORAMA
PMID 41275871	PubMed	pubmed.ncbi.nlm.nih.gov/41275871

附录 D 常见错误说法对照表

错误说法	正确说法	对应坑点
PANORAMA 全景影像数据集	PANORAMA 胰腺癌 CT 检测挑战赛数据集	坑点1
共 3000 例左右	3440 例（官网/论文最终口径）	坑点2
训练集 2310 例	训练公开 2238（官网口径）；论文另有 2224+86 口径	坑点3
测试集 2024-12-16 出成绩	12-16 为原定提交关闭日；排名 2025-02-25 确定	坑点4
隐藏测试集 400 例	1130 例（400 为早期口径）	坑点5
HuggingFace 上的官方数据	MedOtter/PANORAMA 为第三方镜像	坑点6
官网 /data/ 打不开=数据没了	真实路径在 /datasets-imaging-labels/ 等	坑点7
顾问委员会就是 13 人	11 与 13+患者代表双口径，注明时点引用	坑点8
AI 准确率 92%	AUROC 0.92（非准确率，注明实验口径）	§5.6
AI 显著优于医生	非劣效成立（p<0.0001）且进一步优效（p=0.001）	§5.3

附录 E 三源核验记录

源	核验点	结果
官网 panorama.grand-challenge.org	数据页规模、时间线、奖项与排名页	可达，口径已存照
PubMed	PMID 41275871、刊出卷期页码	与论文一致
Zenodo	协议 DOI 10599559、数据分卷 13715870 等	可达，体量与许可一致
GitHub（DIAGNijmegen / han-liu）	标注仓库与冠军仓库存在性、许可	可达
arXiv	2503.10068 冠军方法报告	可达
HuggingFace	MedOtter/PANORAMA 镜像元数据	存在，已标注非官方属性

附录 F 时间线事件与来源对照

事件	日期	来源落点
协议存档 Zenodo	2024-02	Zenodo 10599559 + 官网 /timeline/
训练数据发布	2024-04	官网时间线 + Zenodo 分卷
Dummy 提交开启	2024-05-13	官网时间线
Tuning 阶段开启	2024-05-27	官网时间线
开发阶段关闭	2024-11-30	官网时间线
RSNA 年会节点	2024-12-01	官网时间线
Testing 原定关闭	2024-12-16	官网时间线（坑点 4）
实际排名确定	2025-02-25	排名公告
ECR Vienna 现场公布	2025-02-28	官网新闻
论文 epub	2025-11-20	论文页
论文正式刊出	2026-01	Lancet Oncol 27(1):116-124

尾注

快照与核验

• 条目抓取时点：2026-10-09；
• 存在性核验：官网、PubMed（PMID 41275871）、Zenodo（协议与数据记录）三源交叉确证，PANORAMA 为真实存在的挑战赛与数据集；
• 素材快照范围：官网（数据页、时间线、奖项页、提交规则）、Lancet Oncology 论文、Zenodo 记录页、DIAGNijmegen 与冠军 GitHub 仓库、arXiv 2503.10068、HuggingFace 镜像页；
• 网络核验预算内完成，未展开的低优先级页面（论文全文图表逐页核对）列为遗留项。

口径纪律

• 官方材料间的全部数字冲突均不调和、只存照，共八处，见 §10 与 FACTS.md 第九节；
• 成稿内所有关键数字均可在附录 C 的证据链中找到落点。

使用与免责

• 本条目为二次整理的事实档案，一切以官方资源（官网、论文、Zenodo）为准；
• 医学免责：本条目不构成临床建议，任何临床决策须由执业医师依据完整诊疗信息作出；
• 许可提醒：数据集为 CC BY-NC 4.0，本条目内容引用数据集事实时同样注明非商业边界；
• 库内链接为占位形态（https://www.qianfanghub.com/ai-ready-dataset/panorama-2026/945），以发布环境实际路径为准。

配套文件

• 事实档案：writing/panorama-2026/FACTS.md（九节：名称身份、论文时间线、机构人物、数据硬数字、任务标注、许可获取、评估、生态互链、口径冲突存照）；
• 本条目成稿：writing/panorama-2026/panorama-2026_Wikipedia.md。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• trials — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集 / 肿瘤学
• ct-lesion-foundation-model — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集 / 肿瘤学
• cuvas-pdacvi — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集 / 肿瘤学
• auto-rtp — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集 / 肿瘤学
• trackrad — 共享标签：医学影像 / 医学图像分割 / 评测基准 / 挑战赛数据集 / 肿瘤学
• mela — 共享标签：医学影像 / CT / 评测基准 / 挑战赛数据集 / 肿瘤学
• toothfairy2 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• curvas — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• toothfairy3 — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集
• stsr — 共享标签：医学影像 / CT / 医学图像分割 / 评测基准 / 挑战赛数据集

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。