信息速览
RADCURE 是加拿大多伦多大学健康网络（UHN）一系头颈癌放疗病例的计划 CT 集合，托管在 TCIA 上。它收的是 2005 至 2017 年间在 Princess Margaret Cancer Centre 接受根治性放疗的三千三百四十六位病人，每人一份治疗前 CT，配一套放射治疗结构集，把原发肿瘤、淋巴结转移和十九个危及器官分别圈出来；另附一份覆盖人口学、诊断、暴露、随访与治疗的临床表。集合于 2023 年 6 月首发，现行第四版更新于 2024 年 12 月 19 日。
它的分量不在图像数量，而在这批数据填的那个位置。头颈方向的公开影像集长期停在百例级：要么是挑战赛发的固定训练测试划分，要么是一篇论文的配套队列，规模够做一次实验，不够做一次像样的外部验证。这一份是三千例量级的连续临床队列，轮廓按行业命名规范统一过，因而成了这个方向上少有的、能把「训练—内部验证—时移验证」三段撑起来的地基。
边界得先摆在前面。它是单中心、单时段、三家机型混用的回顾性队列；轮廓来自临床周会质量保证流程，不是为评测画的标注；影像因可能被用于重建人脸而整体受控，只有临床表是公开直链。下文按轮廓层、许可层、工程层三层展开，最后给使用路径与已知问题。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方名 | Computed Tomography Images from Large Head and Neck Cohort（RADCURE） |
| 别名 | 旧称 OPC-Radiomics 的完整超集；正式短名为 RADCURE |
| 执行机构 | University Health Network（UHN）与 Princess Margaret Cancer Centre，多伦多 |
| 托管方 | The Cancer Imaging Archive（TCIA） |
| 规模 | 3,346 例（检查数同）/ 6,683 序列 / 615,827 幅图像 |
| 体量 | 版本表标 333.13 GB，页面顶部标 391.68 GB，两数并存 |
| 模态 | CT 与 RTSTRUCT 两种，无 PET、无 MRI、无病理切片 |
| 结构集 | 原发大体肿瘤体积、淋巴结大体肿瘤体积、十九个危及器官，命名按 TG263 |
| 临床数据 | 单份 XLSX，463 KB，五类 Data Type，CC BY 4.0 |
| 许可 | 影像与结构集走 NIH 受控访问；临床表与两张映射表为 CC BY 4.0 |
| 版本 | Version 4，2024/12/19，状态 Complete |
| 数据引用 | Welch 等，DOI 10.7937/J47W-NM11 |
| 数据描述论文 | Welch 等，Medical Physics，2024，DOI 10.1002/mp.16972 |
| 子集 | 口咽癌 606 例，即已弃用的 OPC-Radiomics 之更新版 |
| 库内同域 | headneck-radiomics、hnscc-ct-atlas、head-neck-pet-ct、hecktor、hnsc |
§1 它是什么：头颈方向唯一的大样本底座
1.1 一句话定义
一句话：它是一份十三年连续收治的放疗计划 CT 档案，被人为整理成机器可读的形态——影像是常规临床产物，结构集是周会审核的副产品，表格是把放疗信息系统的字段摊平。
这三样东西在任何一个放疗科都存在，但通常锁在计划系统里，导出需要一次专门的工程。RADCURE 做的事，是把「本来就在那儿」的临床沉淀转成「别人也能用」的结构化资产，并且把命名这一层做平了。命名做平听起来是小事，实际是这一批数据从「一堆文件夹」变成「可用队列」的分水岭，§3 会展开。
1.2 这一份填的是哪个断层
库内头颈方向已有五份公开数据，逐一看它们的性质，就能看出断层在哪。
| 集合 | 例数 | 模态 | 轮廓 | 终点 | 划分 |
|---|---|---|---|---|---|
| headneck-radiomics（HN1） | 137 | CT | 仅有 GTV | 总生存 | 论文自定 |
| hnscc-ct-atlas | 215 | CT，诊断/计划/随访三期 | GTV 与部分器官 | 无 | 无 |
| head-neck-pet-ct | 298 | PET/CT 四中心 | GTV | 复发、转移、生存 | 赛制固定 |
| hecktor | 挑战赛规模 | PET/CT | GTVp 与 GTVn | 分割加预后 | 赛方固定 |
| hnsc（TCGA-HNSC） | 528 | 以分子与临床为主 | 无影像轮廓 | 生存 | 无 |
| RADCURE | 三千余 | CT | GTVp、GTVn、十九个器官 | 随访表多字段 | 完全自定 |
前五行的共同点是「一次实验够用，一次验证不够」。137 例、215 例、298 例这个量级，训练一个影像组学模型勉强，切出训练与验证两半之后每半只剩百例上下，置信区间宽得能盖住大多数真实差异。挑战赛的做法是用固定划分换可比性：所有人都在这几百例上比，排名有意义，外推没有。
第六行换了一种结构。三千余例的体量允许切三段：一段训练，一段内部验证，一段按收治年代切开做时移验证。这是临床预测模型真正需要的结构，也是公开头颈数据里长期缺的一环。
时移这件事值得单说。队列跨 2005 至 2017 年，这十三年正好覆盖放疗技术从三维适形到调强、再到容积旋转调强的换代。同一个中心、同一套勾画规范、同一个信息系统，技术却换了两三轮，于是年代本身成了一个可切分的变量。用早期病例训练、晚期病例验证，测的是模型对技术变迁的耐受度；这种测法在横断面数据集上做不出来，因为横断面数据集只有一个年代。
1.3 你的处境，它能帮什么
| 你的处境 | 它能帮你什么 | 你要自己补什么 |
|---|---|---|
| 手上有一个头颈预后模型，想找外部验证集 | 三千例量级、单一机构、随访字段齐全，足以做独立验证而非再切一半 | 影像需走受控申请；验证前要先确认自己的特征定义能落到 TG263 名字上 |
| 想训练一个自动勾画模型 | 十九个器官加靶区的真实临床轮廓，覆盖三家机型 | 没有官方划分与一致性基线，评测协议要自建 |
| 研究放疗技术换代对影像表型的影响 | 单一机构内跨十三年的连续队列，技术变量与年代共线 | 技术细节不在表内，需按年代或机型字段自建代理变量 |
| 需要一个能写进方法学的公开对照 | 有 DOI、有同行评议的数据描述论文、有版本号 | 引用格式与许可分层要写清，见 §4.6 |
| 做多中心联合建模 | 可作为其中一极，与 HN1、PET/CT 队列、挑战赛数据合并 | 各家的轮廓命名、层厚、终点定义都不同，需先做名称与口径映射 |
| 只想先看看数据结构再决定 | 临床表 463 KB 直链可下，不进申请流程就能读到字段 | 表里没有影像衍生量，看不到图像质量 |
1.4 不适合谁：五条边界
第一，不适合只想下载就能跑的人。影像受控，申请有等待期与用途声明，不能像 CC BY 数据集那样当天下完。若项目周期只有两周，这个流程本身就是障碍。
第二，不适合把轮廓当金标准做分割评测的人。这批轮廓是临床产物，一个人画、周会过，没有第二人复核，也没有标注者间一致性实验。拿它算 Dice 能算出数，但那个数说明的是「你的模型像不像这位医师」，不是「你的模型准不准」。要评测，得另找带双人标注或专家共识的集合。
第三，不适合需要多模态的人。只有 CT。没有 PET，没有 MRI，没有病理切片，没有基因组。要做影像基因组学，缺的正是另一半。
第四，不适合需要治疗中或治疗后影像的人。每例只有一次治疗前计划 CT。复发灶长在哪里、剂量分布落在哪、放疗后改变如何演变，这份数据一律不回答。
第五，不适合把三千余例当成「头颈癌总体」的人。这是单中心连续病例，收治年代跨十三年，治疗范式在队列内部就已经变过。它的代表性止于「一家大型教学医院十三年间的根治性放疗人群」，跨国家、跨人种、跨医疗体系的外推都缺依据。
1.5 一句话判断
如果要问的是「一个头颈预后模型换一批病人还成不成立」，它是公开数据里少数撑得住的答案；如果要问的是「这张 CT 上的肿瘤画得准不准」，它连评测协议都没给。
1.6 名字与身份：四个容易混淆的指称
这份数据在不同语境下有四种叫法，指的不是四样东西。
其一，RADCURE，正式短名，TCIA 页面与 DOI 记录都用它。其二，Computed Tomography Images from Large Head and Neck Cohort，全名，出现在 Data Citation 里。其三，OPC-Radiomics，一个 2019 年发布、2020 年后被弃用的旧集合名，它的全部数据已被 RADCURE 吸收。其四，10.7937/J47W-NM11，DOI，是引用时真正需要的那个标识。
四种叫法混用会造成两类错误。一类是把 OPC-Radiomics 当成独立数据集去找，找到的是标记为弃用的旧页面；另一类是把 RADCURE 当成「口咽癌数据集」，因为旧名的 OPC 是口咽癌的缩写——实际上这一队列覆盖头颈多个亚部位，口咽不到五分之一。页面自己的癌种字段也写着口咽癌，这是从旧集合继承下来的字段口径，见 §7.2 第六条。
§2 数据构成：三千余例、六千余序列、六十一万幅
2.1 规模与体量
官方表格给四列：三千三百四十六位受试者、同样数目的检查、六千六百八十三个序列、六十一万五千八百二十七幅图像。检查数与受试者数完全相等，人均一次，没有重复扫描。序列数约为病例数的两倍，图像数则是六十万量级。
这四个数之间能对上，而且对得很规整，此处先说结论，验算放到 §2.2。
体量有两个数字并存。版本表里写的是 333.13 GB，页面顶部的集合摘要写的是 391.68 GB。差五十八 GB 左右，官方未说明差异来源。常见解释有两种：一种认为顶部数字是解压后的总占用、表内数字是传输包大小；另一种认为顶部数字含重复计数的旧版本对象。两种解释都无法从页面直接证实，规划存储时应按较大的那个留余量。
每幅平均约 0.54 MB（按表内体量与图像数相除），落在 512×512、十六位灰度、常规层厚 CT 的典型区间，说明集合里没有额外的派生图像在撑体积。层厚官方未给逐例统计，但计划 CT 通常在三毫米量级，做各向异性体素处理时必须逐例读头，不能假设统一。
2.2 三套计数口径与一处算术自洽
| 口径 | 数值 | 含义 | 常见误用 |
|---|---|---|---|
| 受试者与检查 | 3,346 | 病例数，也是 Study 层对象数，人均一次 | 被误读为六千余，把序列当检查 |
| 序列 | 6,683 | CT 序列与 RTSTRUCT 序列之和 | 被当作扫描次数 |
| 图像 | 615,827 | Instance 数，RTSTRUCT 按对象计一幅 | 被当作 CT 层数 |
第二个数字最容易错。六千六百八十三看起来像「每人做了两次检查」，实际是每人一个 CT 序列加一个结构集序列。第三版之前序列数只有三千三百四十六，正是这一结构的反证：那时只有 CT，没有结构集。
三处算术可以互相验证，且都对得上。
第一处：序列总数等于 CT 序列数加结构集序列数。第三版增补了三千三百三十七个第二期结构集，基线是三千三百四十六个 CT 序列，两者相加恰好是六千六百八十三。
第二处：图像总数等于第一版加结构集数。第一版与第二版的图像数是六十一万二千四百九十，加三千三百三十七，恰好是六十一万五千八百二十七。这说明 RTSTRUCT 在计数上按「一个序列一幅图像」处理，而不是按轮廓层数累加。
第三处：口咽癌子集。第四版该子集是一千二百零九序列、十万八千八百零二幅；第三版是六百零六序列、十万八千一百九十九幅。差值恰好是六百零三，与「新增六百零三个第二期结构集」一字不差。
这三处自洽说明一件事：官方的计数是机械生成的，不是手工填的。这对使用者是好消息——数字可信度高；也是提醒——数字反映的是文件清单的形态，不是临床上的「扫描次数」或「切片数」。
有一处不自洽必须点出来。第四版说明写「全量清单移除两千九百九十四个第一期结构集」，但版本表里全量集的序列数在第三版与第四版完全相同，都是六千六百八十三。若第一期结构集曾计入序列总数，移除后应当减少才对。合理解释是那两千九百九十四个对象从未进入过版本表统计的六千六百八十三，或版本表只统计保留下来的对象。官方未解释，此处存疑，不做推定。
2.3 四级 DICOM 结构与一条病例的磁盘形态
集合按患者、检查、序列、图像四级组织。一条病例在磁盘上大致是这个样子。
#-- 目录层级与关键 DICOM 标签（值为示意，非真实病例）
RADCURE/
RADCURE-0xxx/
<StudyInstanceUID>/ #-- 唯一的一次计划检查
<SeriesInstanceUID_ct>/ #-- 计划 CT，约百层
0001.dcm
0002.dcm
<SeriesInstanceUID_rt>/ #-- 结构集，单文件
0001.dcm
#-- 读头可见的关键字段
PatientID = "RADCURE-0xxx"
Modality = "CT" 或 "RTSTRUCT"
StudyInstanceUID = "1.3.6.1.4.1..."
SeriesInstanceUID = "1.3.6.1.4.1..."
SliceThickness = 逐例不同，须读头
ROIName = "GTVp" / "GTVn" / "Parotid_L" 等 TG263 名
三个直接后果。
第一，结构集是一个序列一个文件，里面装该例全部轮廓，读法与传统图像序列不同。按层取轮廓的做法在 RTSTRUCT 上不成立，必须先把轮廓的等值线栅格化成掩膜。
第二，CT 与结构集共用 StudyInstanceUID，这是连接两者最可靠的外键。用病例号也能连，但病例号在跨集合拼接时会撞，UID 不会。
第三，患者目录名与表格主键必须能对上。RADCURE 提供了一张六百零六行的旧编号映射表，专门解决「旧论文里叫 OPC-xxx、新集合里叫 RADCURE-xxx」的对齐问题。这张表的存在本身就说明编号体系换过一次，任何跨新旧文献的合并都要先过这张表。
2.4 临床表：一份工作簿，五类信息
临床数据不是多张按表单拆分的表，而是一份 463 KB 的 XLSX。官方把它的 Data Type 标成五类：Demographic（人口学）、Diagnosis（诊断）、Exposure（暴露）、Follow-Up（随访）、Treatment（治疗），另有一个 Other 兜底。
五类的划分透露了这份表的设计意图。它不只是一张「病人清单」，而是一份按临床研究习惯组织的变量集：诊断类放分期与部位，治疗类放放疗与系统治疗的执行情况，随访类放时间与事件，暴露类放与风险相关的行为或环境因素。
表格在两个版本里动过列，都没动过行。第二版删了一列 RT_Tech，理由是含义不清；同版加了一列 Contrast Enhanced，标明该例是否使用造影剂。第四版清掉了两个列名里的问号与多余空格。三次改动都指向同一件事：这份表的字段是从临床系统里硬导出来的，列名带着录入时的痕迹，需要人工清理。
版本之间的行数从未变过，一直是三千三百四十六。这一点比字段更重要——它意味着临床表与影像侧的主键关系稳定，跨版本合并时不需要重新对齐。
#-- 临床表读取要点（列名为官方变量类别，非完整字段清单）
第一列 #-- 主键，形如 RADCURE-0xxx
Demographic 类 #-- 人口学
Diagnosis 类 #-- 诊断与分期
Exposure 类 #-- 暴露
Treatment 类 #-- 治疗，含放疗与系统治疗
Follow-Up 类 #-- 随访时间与事件
Contrast Enhanced #-- V2 起新增，是否使用造影剂
第二版加 Contrast Enhanced 这一列值得多说一句。它把「这批 CT 是否增强」从一个不可知的属性变成了一个可筛选的字段。影像组学里，增强与平扫的灰度分布完全不同，混在一起提特征会让纹理度量失去意义。有了这一列，至少可以做分层或敏感性分析。这是一个很小的改动，但对复用质量的影响不小。
2.5 版本链：四个版本，两次结构变化
| 版本 | 日期 | 结构集 | 体量 | 主要变化 |
|---|---|---|---|---|
| V1 | 2023-06-14 | 无 | 323.27 GB | 首发，只有 CT，无结构集 |
| V2 | 2023-11-30 | 无 | 323.27 GB | 删 RT_Tech 列，加 Contrast Enhanced 列 |
| V3 | 2024-03-27 | 3,337 | 333.13 GB | 增补第二期标准化结构集，序列数翻倍 |
| V4 | 2024-12-19 | 3,337 | 333.13 GB | 清退第一期结构集，只留 TG263 版，加轮廓映射表 |
受试者数四版恒为三千三百四十六。序列数在前两版等于该数，第三版起跳到六千六百八十三；图像数相应从六十一万二千四百九十增到六十一万五千八百二十七。
四个版本可以分成两段看。前两段是「只有影像」的阶段：首版发布时，三千三百四十六例 CT 已经在，但没有任何轮廓。第二版只补了一列临床字段，影像一字未动。
后两段是「补轮廓」的阶段。第三版一次性补入三千三百三十七个标准化的结构集，序列数从三千余跳到六千余。第四版做的是清理：把旧的第一期结构集撤掉，只留标准化版本，同时补一张对照表，让使用者能查到原名与标准名的对应关系。
这条版本链对使用者的含义很具体：如果你的工作是纯影像分析，第一版就够；如果你要用轮廓，必须第三版以上；如果你要复现 2024 年之前发表的结果，可能还需要旧的第一期结构集，而它已从清单里移除——这是一个真实存在的复现断层。
2.6 三条取数后果
第一，计数要按序列核对，不要按目录数。目录数等于病例数，序列目录数是病例数的两倍左右，两者混用会让规模估计翻倍。
第二，结构集的存在不是全覆盖。三千三百三十七小于三千三百四十六，差的九例没有 GTVp 轮廓，因而没有结构集。批量脚本必须容忍「某例只有 CT」的情况，否则会在第九例上抛异常。
第三，体量要按较大数字规划。三百三十三与三百九十二两个数字并存，按前者规划磁盘，解压后可能不够。
§3 轮廓层：TG263 与十九个器官
3.1 为什么命名统一是这份数据的硬通货
放疗科的轮廓名字是一笔糊涂账。同一个左侧腮腺，在不同年代、不同医师、不同计划系统里可以写成 Parotid_L、Parotid Left、Left Parotid、Parotid-L、PG_L、腮腺左，甚至写成 Parotid_L_1 表示第二版。这在临床上没有影响，因为计划系统按对象引用而不按名字；一旦导出做批量分析，就成了灾难：同一批数据里，一个器官可能有七八种写法，脚本按名字取结构，取到的是一部分。
TG263 是 AAPM 报告 263 给出的标准命名法，把每个解剖结构的推荐名、可用别名、类型码都规定下来。它的价值不在于「有个统一名字」，而在于「统一名字有据可查」——不是这家机构自己定的方言，是行业共识。
RADCURE 把轮廓名按 TG263 改了一遍，并且额外做了一件少见的事：发布了一张原名到标准名的对照表，512 KB，随集合一起给。这张表的分量比它的体积重得多。有了它，任何人可以反查「我拿到的一个叫 XXX 的结构，原本是什么意思」，也可以在复现旧论文时把旧名映射回新名。
对照表还解决了另一类问题：不同机构之间的对齐。做多中心联合建模时，最耗时的不是建模，是把各家的轮廓名对齐到同一套词表。RADCURE 已经完成了自己这一半，另一半由使用者按同一套 TG263 完成，工作量减半。
3.2 结构集到底装了什么
按第三版的更新说明，全量集的结构集包含三类对象：原发大体肿瘤体积（GTVp）、淋巴结大体肿瘤体积（GTVn）、十九个危及器官。
| 类别 | 内容 | 用途 | 注意 |
|---|---|---|---|
| GTVp | 原发灶大体肿瘤体积 | 靶区分割、影像组学掩膜、剂量覆盖评估 | 必有才有结构集；缺则整例无结构集 |
| GTVn | 转移性淋巴结大体肿瘤体积 | 淋巴结分期、区域复发建模 | 不是每例都有，缺失是临床事实不是错误 |
| OAR | 十九个危及器官 | 自动勾画、毒性预测、剂量约束 | 具体清单以轮廓映射表为准，页面未逐一点名 |
十九个器官的具体名单，官方页面没有逐一列出，只在轮廓映射表里以对照行的形式存在。这是一个实操上的小坑：想知道到底有哪十九个，必须下那张 512 KB 的 CSV 去数，不能从页面文字里得到。
GTVn 的存在值得单独提一句。多数公开头颈分割集只标原发灶，淋巴结要么并入靶区一起标，要么完全不给。RADCURE 把两者分开，于是「原发灶与淋巴结分别建模」成为可能——这对区域复发的研究是必要的，因为两者的失败模式不同：原发失败多为局部未控，淋巴结失败多为区域播散。
3.3 官方两句话互相打架的地方
这是这份数据最需要在动手前搞清的一处口径问题。
页面在「数据格式与使用说明」一段里写：为提高结构集可用性，原发肿瘤体积与十九个危及器官的轮廓名已被标准化。同一段的末尾又写：按 TG263 标准化的结构集只包含 GTVp 轮廓，没有对应 GTVp 轮廓的病人不会获得结构集。
两句并置，不加区分地读，会得出两个互相矛盾的结论：一处说十九个器官都标了，一处说只有 GTVp。
合理的读法是按来源分层。前一句描述的是全量集的第二期结构集，即第三版一次性补入的那三千三百三十七个对象，它们来自临床系统，含 GTVp、GTVn 与十九个器官。后一句紧接在「OPC-Radiomics 的结构集已按 TG263 标准化」之后，描述的是由旧子集重发的那部分结构集，那部分确实只保留了 GTVp。
这个解释能对上两处算术：口咽癌子集第四版一千二百零九序列，减去六百零六例 CT，恰得六百零三个结构集；全量集六千六百八十三序列减去三千三百四十六例 CT，得三千三百三十七，与第三版「增补三千三百三十七」严丝合缝。
实践含义有两条。其一，取全量集的人，拿到的是含器官的版本；取口咽癌子集的人，拿到的可能只有靶区。其二，若研究依赖器官轮廓，不要走子集入口，直接取全量集再按病例号筛出那六百零六例。后一条是这份数据最实用的一个操作建议。
3.4 三千三百三十七与三千三百四十六之间差的九例
九例没有结构集，原因写在页面里：没有 GTVp 轮廓的病人不会获得结构集。这句话把缺失的机制说得很清楚——不是导出失败，是源头就没有。
九例在临床上可能是什么情况，官方没说。常见的可能是术后复发再程放疗、靶区完全由影像学判断而未单独勾画原发、或原发已切除仅做区域照射。这些都属于「没有可勾画的原发灶」，而不是数据缺陷。
对批量处理的影响有三层。浅层是脚本会崩：按「每例必有结构集」写的循环，跑到第九例就断。中层是统计会偏：若把缺结构集的九例默默丢掉，样本量从三千三百四十六降到三千三百三十七，降幅很小但非随机。深层是任务定义会错：做「有靶区的病例」与「全部病例」的生存分析，人群并不相同，方法学里必须声明用的是哪一个分母。
3.5 轮廓映射表怎么用
那张 512 KB 的 CSV 有三个实际用法。
其一，反查。拿到一个陌生结构名，查它在标准体系下是什么。这在读旧文献时最有用：2019 年的论文说「我们用了 parotid glands」，具体是左右合并还是分开，回到映射表能看出当年的写法。
其二，正向映射。把自己的分析流程写死成 TG263 名，然后在不同数据集上复用同一套取结构的代码。这是把一次性脚本变成可迁移工具的关键一步。
其三，审计。数一遍映射表里出现的标准名，就知道这批数据实际覆盖了哪些器官、哪些器官只有部分病例有。这比读页面文字可靠。
一个提醒：映射表是「原始名到标准名」的对照，不是「每个病例有哪些结构」的清单。要知道某例有哪些结构，仍需读该例的 RTSTRUCT 头。两者不是一回事，容易混。
3.6 勾画质量的上限在哪
页面写得很直白：轮廓在每周质量保证例会上生成并复核。这句话给出了质量的上限，也给出了它的性质。
周会复核是临床流程，不是标注实验。它的目标是「这个靶区能不能拿去治病」，不是「这个轮廓与金标准差几个百分点」。两者的标准不同：临床可接受的轮廓允许相当大的个体差异，只要覆盖够、器官不超限；标注实验要求的是可重复，即换一个人画，结果要接近。
所以这批轮廓的可信度应当理解为「临床级」而不是「评测级」。它足以支撑掩膜提取、特征计算、自动勾画的预训练，不足以支撑「本方法在 RADCURE 上达到 0.9 Dice」这类结论——因为没有官方基线，任何 Dice 都是对着某一位医师的个人习惯算的。
另有一点：官方未提供标注者人数、年资分布或一致性实验。这不是隐瞒，是这类临床导出数据的常态——轮廓是流程产物，画的人是谁、画了几遍，系统里未必留痕。
3.7 用轮廓做特征提取的三条纪律
第一条，掩膜必须按物理坐标栅格化，不能按像素索引对齐。RTSTRUCT 存的是等值线，转掩膜时要以 CT 的参考系为准，层厚不一致时还要插值。直接用等值线的包围盒当掩膜，会把器官边缘削掉一圈。
第二条，缺失要显式建模。GTVn 不是每例都有，某个器官也可能整例缺失。把缺失当零值会让「没有淋巴结」与「淋巴结体积为零」混为一谈，前者是临床事实，后者是测量结果。
第三条，靶区与器官要分开处理。靶区的边界由肿瘤生物学决定，器官的边界由解剖决定；前者的勾画者间差异远大于后者。把两者放在同一个分割任务里训练，模型会学到两种完全不同的边界先验，指标被靶区拖低。
§4 许可层：能拿到表，拿不到图
4.1 两条门，一张表说清
| 对象 | 许可 | 获取方式 | 是否需要申请 | 体量 |
|---|---|---|---|---|
| 影像与 RTSTRUCT（全量） | NIH 受控访问政策 | TCIA Data Retriever | 是 | 333.13 GB |
| 影像与 RTSTRUCT（口咽子集） | NIH 受控访问政策 | 同上 | 是 | 58.55 GB |
| 临床表 XLSX | CC BY 4.0 | 直链 | 否 | 463 KB |
| 患者 ID 映射表 CSV | CC BY 4.0 | 直链 | 否 | 14.22 KB |
| 轮廓映射表 CSV | CC BY 4.0 | 直链 | 否 | 512 KB |
这张表是整份数据最该先看的一张。它的形状不对称：开放的三样加起来不到一兆，受控的两样是几百 GB——一份 463 KB 的表格是敞开的，图像是关着的。
4.2 影像为什么受控
页面给出的理由只有一句：集合中部分影像含有可被用于重建人脸的层段，申请流程见 NIH 受控访问政策页。
这句话的技术背景值得展开。头颈部 CT 的扫描范围通常从头颅顶到上胸部，包含完整的面部骨骼与软组织；CT 的层厚足以支持三维重建，重建出的面壳在多数情况下可以被人辨认。这类风险在体部 CT 上小得多，在头颈与脑部 CT 上则是主要顾虑。
因此受控不是机构的保守，是几何决定的。同一份数据里，腹部图像可以开放，头颈图像不能，差别不在隐私政策而在解剖位置。
受控的具体形态是：清单文件本身可公开取得，但影像的批量下载须经 Data Retriever 在授权下执行。也就是说，知道有什么不难，拿到像素要过一道门。
4.3 只有表能做什么，不能做什么
这是最容易踩的坑，值得单独一节。
先说什么能做。表格 463 KB、三千三百四十六行、五类变量，公开直链。可以做的事有三件：其一，做纯临床变量的预后建模，比如用分期、部位、治疗方式预测生存，不需要任何影像；其二，做样本量与人群结构的可行性评估，判断这个队列是否适合某个研究问题；其三，做研究设计，比如算需要多大的验证集、按什么比例分层。
再说不能做的，也是三件。其一，任何影像组学。表里没有任何影像衍生量——没有体积、没有灰度统计、没有纹理特征。所有从图像里算出来的东西，都要先拿到图像。其二，任何分割或检测。表格不知道肿瘤在哪。其三，任何影像与临床的联合分析。这是这份数据最核心的用法，而它恰好被门挡在外面。
于是出现一个很具体的失败路径：研究者看到「CC BY 4.0」四个字，下载了表，写好分析计划，投稿时被要求提供影像来源，才发现图像要申请，申请又要几周。整条时间线被这一道门推翻。
正确的顺序是反过来的：先确认申请能否获批、批复要多久，再决定项目排期。表可以先下，用来做设计与预算，但不能用来承诺结果。
4.4 申请流程的实际形态
申请的对象不是「RADCURE 这个数据集」，而是 NIH 受控访问政策下的一个通用授权。流程大致是：在 TCIA 侧提交用途声明与机构信息，获批后在 Data Retriever 里以授权身份下载。
三个实务要点。
第一，用途声明要写得具体。泛泛写「用于人工智能研究」容易被打回，写清研究问题、数据类型、保存位置与销毁计划更顺。
第二，授权通常绑定到机构与具体人员，团队换人需要更新。多机构合作里最容易在这里卡住：合作方成员不在授权名单内就取不到数据，需各自申请或补列入名单。
第三，下载不等于可再分发。受控数据的条款一般禁止把原始影像转给第三方。做多中心研究时，各方需各自申请，不能由一家下完再拷给别人。这一条经常被忽略，因为它与 CC BY 的直觉冲突。
4.5 匿名化的两个动作
页面写了两条，都很具体。
第一条：九十岁及以上视为受保护健康信息，统一设为九十岁。这是一个标准的年龄折叠做法，目的是防止「九十七岁男性、某罕见部位」这种组合被反推。代价是高龄段的年龄信息被压平，做年龄相关分析时，九十岁以上的人全部堆在同一个值上，任何以年龄为连续变量的模型都会在尾部失真。
第二条：影像与临床元数据的日期整体偏移了一个未公开的天数。
这一条的影响比它看起来大。日期偏移意味着：同一次住院内的各个时间点之间的相对间隔是准的（因为整体平移），但任何与外部日历对齐的操作都会错——比如把影像日期与公开的节假日、天气、政策变更对齐，或者把本队列的收治曲线与全国发病率曲线叠在一起看。这类分析在流行病学里不少见，做之前必须知道日期不可信。
两条合起来说明一件事：这份数据在隐私上做了实质处理，不是只改了个名字。处理是有代价的，代价落在年龄与日期这两个维度上。
4.6 引用义务与三个标识的区别
引用这份数据涉及三个不同的标识，混用会出错。
第一个是 DOI 10.7937/J47W-NM11，数据集本身的标识，Data Citation 必须带它。第二个是 10.1002/mp.16972，数据描述论文的 DOI，讲方法时引。第三个是 10.7937/tcia.2019.8dho2gls，旧 OPC-Radiomics 集合的 DOI，只有在确实使用了旧版本数据时才引。
TCIA 的使用政策要求：使用该集合的成果必须附 Data Citation 与 DOI。临床表虽然单独标了 CC BY 4.0，但整体仍受 TCIA 使用政策约束，包括不尝试重新识别受试者这一条。
一个常见的引用错误是只引论文不引数据集。论文描述的是设计与方法，数据集才是数据本体；审稿人若查不到数据来源，可复现性一项会被扣分。
§5 工程层：取数、解析与对账
5.1 三条取数路径
第一条，TCIA Data Retriever。官方推荐路径，按清单文件批量下载，支持断点续传，需要授权。适合取全量。
第二条，NBIA 检索界面。网页端按病例挑选取，适合先试几例看结构。缺点是逐例操作，量大时效率低。
第三条，清单文件加自建下载器。清单是可公开取得的文本文件，里面列出每个序列的 UID 与下载地址。自建脚本可以精确控制并发与重试，适合在集群上跑。前提仍是授权。
三条路径的共同点是都要过授权这道门；差别只在自动化程度。若只是评估数据结构，不必下影像——清单加临床表就够看清规模与字段。
5.2 先核对四个数
拿到清单后，第一件事不是下载，是数。
#-- 取全量序列清单并核对四个计数
from tcia_utils import nbia
series = nbia.getSeries(collection="RADCURE")
n_series = len(series)
n_images = sum(int(s["ImageCount"]) for s in series)
n_study = len({s["StudyInstanceUID"] for s in series})
print(n_series, n_images, n_study)
跑完应得到六千六百八十三、六十一万五千八百二十七、三千三百四十六三个数。若序列数只有一半，说明取到的是第三版之前的旧清单；若图像数对不上，多半是清单文件版本不同。
这一步看着多余，实际能省掉后面几小时的返工：清单版本不对，下载下来的目录结构与代码假设不符，所有路径都要重写。
5.3 把 RTSTRUCT 变成掩膜
结构集不能直接当掩膜用，必须先栅格化。
#-- 取一例的 GTVp 掩膜，并核对层数与 CT 是否一致
import glob
from rt_utils import RTStructBuilder
ct_dirs = sorted(glob.glob("./data/RADCURE-*/**/CT_*", recursive=True))
rt_files = sorted(glob.glob("./data/RADCURE-*/**/RTSTRUCT_*/*.dcm", recursive=True))
rt = RTStructBuilder.create_from(
dicom_series_path=ct_dirs[0],
rt_struct_path=rt_files[0],
)
names = rt.get_roi_names()
print(len(names), names)
mask = rt.get_roi_mask_by_name("GTVp")
print(mask.shape, int(mask.sum()))
三处容易出错。第一，目录命名随下载工具不同而变，glob 模式要按实际结构调整，不要照抄。第二，get_roi_names 返回的是该例全部结构名，先打印再取，能立刻看出这一例有没有器官、有没有 GTVn。第三，掩膜的形状是「层数 × 行 × 列」，层序与 CT 一致，但方向不一定与影像的物理坐标一致，做体积计算前要按方向余弦核对。
若某例返回空结构列表，多半是拿到了没有结构集的那九例之一。这属于预期内的缺失，不是解析失败。
5.4 与临床表对账
影像侧与表格侧的对账只有一步，但必须做。
#-- 临床表主键与影像目录名对账
import glob
import os
import pandas as pd
df = pd.read_excel("RADCURE_Clinical_v04_20241219.xlsx")
print(df.shape)
print(df.columns[:12].tolist())
df = df.set_index(df.columns[0])
patient_dirs = {
os.path.basename(p) for p in glob.glob("./data/RADCURE-*") if os.path.isdir(p)
}
print(len(df.index), len(patient_dirs))
print(sorted(set(df.index) - patient_dirs)[:5])
print(sorted(patient_dirs - set(df.index))[:5])
两边差集应为空。若表格多出若干行，可能是该例影像未发布；若目录多出，可能是编号大小写或前导零不一致。两种都在合并阶段静默发生，等到建模时才发现样本量对不上。
一个补充动作：把行数与三千三百四十六对一次，把目录数与实际下载的病例数对一次。三个数齐了，才能确认手里这份是全量而非子集。
5.5 存储与算力
按较大体量估，三百九十二 GB 原始数据，解压后若按 DICOM 逐层文件存放，占用基本不变（DICOM 本身未压缩）。若转成 NIfTI 或 NumPy 缓存，体积会因重采样策略变化，通常膨胀一到两倍。
算力方面，真正吃资源的是掩膜栅格化与特征提取，不是读取。三千余例、每例百余层、每层十余个结构，串行跑一遍栅格化在单机上要按天计。可行做法是先只提取需要的结构（比如只取 GTVp 与腮腺），把每例的处理结果缓存成压缩数组，再批量算特征。
一个容易被低估的点：结构集是单文件，读一次要解析该例全部轮廓。只需其中一个器官也要付全部代价，所以按器官分组批处理比按病例循环更省时间。
5.6 三个常见的解析失败
其一，层厚不一致导致掩膜错位。计划 CT 的层厚逐例不同，RTSTRUCT 的等值线按参考帧定义，若栅格化时用了固定层厚，掩膜会整体偏移。
其二，轮廓名带后缀。TG263 标准名是干净的，但个别病例可能带 _1、_2 后缀表示多段。精确匹配会漏，模糊匹配会误取，稳妥做法是先列出全部名字再决定。
其三，空轮廓。某例的某个器官可能是一个空等值线（零面积），栅格化后得到全零掩膜。这与「该例没有这个器官」在数值上无法区分，但临床含义不同，需要在元数据层记录。
§6 与库内条目的关系
6.1 家族图谱
| 集合 | 与 RADCURE 的关系 | 读法 |
|---|---|---|
| headneck-radiomics（HN1） | 同为单中心放疗 CT 队列，规模差二十余倍 | 做小样本基线或历史对照时读它，做大样本验证时读本篇 |
| hnscc-ct-atlas | 同病种，三期影像，规模差十五倍 | 需要诊断期或随访期影像时读它，本篇只有治疗前一次 |
| head-neck-pet-ct | 同病种，PET/CT 四中心，规模差十一倍 | 需要代谢信息或多中心时读它 |
| hecktor | 同病种，挑战赛 PET/CT | 需要官方划分与榜单对标时读它，本篇无划分 |
| hnsc（TCGA-HNSC） | 同病种，分子与临床为主 | 需要组学与影像配对时，两边都要读 |
这张表的读法是：五份都不是本篇的替代品，而是同一任务谱系上的不同点。规模、模态、终点、划分四个维度上，本篇只在规模与轮廓体系两项占优，模态与评测可比性两项明显弱于挑战赛数据。
6.2 三条检索路径
按用途找：要做预后模型的外部验证，从本篇入手；要做分割算法评测，从 hecktor 或 hnscc-ct-atlas 入手；要做 PET 相关，从 head-neck-pet-ct 入手。
按规模找：三千例量级只有本篇；五百例量级是 hnsc；两百至三百例是 hnscc-ct-atlas 与 head-neck-pet-ct；百例级是 HN1。
按许可找：要当天可用、不申请，只能选全开放的那些；能接受申请流程，本篇与上述几份都要过门，差别只在门的形式。
6.3 互链建议
本篇与 headneck-radiomics 的互链价值最高：两者都是单中心放疗 CT 队列，一个百例一个三千例，合读正好演示「小样本建型、大样本验型」的完整链条。与 hnscc-ct-atlas 的互链价值在模态对比：一个只有治疗前，一个有诊断、计划、随访三期。与 hnsc 的互链价值在数据层次：一个有影像无组学，一个有组学缺影像，两者的拼接是头颈多模态研究的常见起点。
§7 质量评估与已知问题
7.0 读这一节前的一个前置校正
评估这份数据，最容易犯的错是拿「基准数据集」的尺子量它。
第一种错位是拿基准数据集的尺子量它。这套尺子的维度是标注一致性多高、有没有官方划分、榜单上排第几、Dice 能到多少。按它量，RADCURE 处处不合格——没有划分，没有一致性实验，没有榜单，轮廓是临床产物。
合适的框架是另一套：它是一份「临床档案的机器可读化产物」。按这个框架，要问的是四件事——身份能否唯一定位、层级是否自洽、模态是否配对、访问是否可复现。这四件事决定了它能不能被工程化地使用，而不是能不能被排名。
第二种错位是拿「多中心队列」的尺子量它。它不是多中心，是一家医院十三年。要求它有跨机构的外部验证，等于要求它做自己没有做的事。
第三种错位是把它当成「数据量大的版本」而忽略结构差异。三千例的临床导出档案与三百例的挑战赛数据，差别不在数量，在生成逻辑：前者为治病而生，后者为比赛而生。用后者的问题去问前者，多数问不出答案。
7.1 DAIMS 八维评分
| 层 | 维度 | 评分 | 依据 |
|---|---|---|---|
| 描述层 | 描述层身份与边界 | 4 / 5 | 集合名、DOI、版本、收治年代、机构、取代关系全部写明；扣分在癌种字段只标口咽癌，与实际覆盖的亚部位不符 |
| 描述层 | 描述层文档完备度 | 4 / 5 | 有同行评议的数据描述论文、轮廓映射表、影像摘要与版本说明；扣分在器官清单未在页面逐一点名，字段级单位与编码需自行读表 |
| 结构层 | 结构层标识体系 | 5 / 5 | 病例号作主键，Study 与 Series 的 UID 齐备，轮廓按 TG263 命名，另附旧编号映射表 |
| 结构层 | 结构层层级一致性 | 4 / 5 | 序列总数等于 CT 序列加结构集序列，图像总数等于旧版图像加结构集数，两处算术自洽；扣分在移除两千九百九十四个对象后序列数未变，官方未解释 |
| 结构层 | 结构层模态配对 | 5 / 5 | CT 与 RTSTRUCT 共检查层级，一对一配对，缺结构集的九例有明确成因说明 |
| 访问层 | 访问层开放程度 | 2 / 5 | 影像与结构集全部受控，需申请与授权；仅表格与两张映射表开放 |
| 访问层 | 访问层可复现性 | 3 / 5 | 表格可即时复现，影像受控导致第三方无法随时复核；无官方划分、无预提取特征、无基线脚本 |
| 访问层 | 访问层许可清晰度 | 4 / 5 | 两层许可各自明确、指向具体文件与具体政策页；扣分在页面未用一句话总结「一半受控一半开放」，需自行从两张表拼出全貌 |
八项里一项满分、四项四分、一项三分、一项两分。最低的开放程度是设计使然——头颈 CT 的几何决定了它不能开放，这一项的分数低不代表数据差，代表门槛高。次低的可复现性是真正的短板：不是数据不全，是缺少把数据变成数字的那一层公共约定。
7.2 可枚举的边界与缺口
第一条，单中心。一家医院十三年，扫描协议与勾画规范内部一致，跨机构外推缺锚点。
第二条，单时间点。每人一次治疗前 CT，无治疗中、无治疗后影像。
第三条，单模态。只有 CT，无 PET、无 MRI、无病理、无组学。
第四条，轮廓非评测级。临床周会产物，无标注者间一致性实验，无金标准。
第五条，九例无结构集。缺失有成因说明，但对「全部病例」类的统计构成非随机缺口。
第六条，癌种字段口径滞后。页面癌种栏只写口咽癌，是从旧集合继承的字段；实际队列覆盖头颈多个亚部位。以字段筛数据的人会误判范围。
第七条，体量双数字。三百三十三与三百九十二并存，差异未说明。
第八条，第一期结构集已移除。想复现 2023 年至 2024 年初基于第一期结构集的结果，需另找存档。
7.3 外部印证
| 角度 | 证据 | 结论 |
|---|---|---|
| 学术背书 | 数据描述论文发表于 Medical Physics，同行评议 | 采集与整理流程经外部审阅 |
| 二次索引 | 集合在 NCI 的公共影像检索入口可查 | 结构经得起再索引 |
| 使用强度 | DataCite 记录显示万次量级浏览与十余次引用 | 在专科队列里属常用 |
| 方法学延伸 | 有基于该队列的多机构预后建模研究发表 | 已被用于回答「模型能否跨机构泛化」 |
| 血统可溯 | 由 OPC-Radiomics 扩展而来，旧集合页面明确指向新集合 | 版本迁移路径清晰，不留孤岛 |
第四条值得展开：这份数据被引用的方式，多数不是「用它训练一个模型」，而是「用它检验一个模型」。被使用的方式本身就是它存在理由的证明。
7.4 三个具体的失败模式
第一个失败模式是把表格当成数据的全部。表能下、图要申请，这个不对称会让没有读许可条款的人误以为数据已到手。识别方法很简单：看自己手里有没有 DICOM 文件。没有，就还没开始。
第二个失败模式是按切片划分训练测试。一份 CT 有百余层，若按层随机划分，同一病人的相邻层会同时出现在两侧，模型靠层间连续性拿虚高分数。正确单位是病例：三千余例分成两组，任一组内的所有层只属于该组。
第三个失败模式是把口咽子集当全量用。子集只有六百余例，且其结构集可能只含靶区不含器官。用子集做「十九个器官的自动勾画」研究，会发现大部分器官根本不存在。识别方法是下载后先数结构名，而不是先写模型。
§8 版本与生态
8.1 时间线
| 时间 | 事件 |
|---|---|
| 2005–2017 | 队列收治期，多伦多 UHN 根治性放疗 |
| 2019 | OPC-Radiomics 集合发布，六百零六例，口咽癌 |
| 2020-01-29 | OPC-Radiomics 最后一次更新 |
| 2023-06-14 | RADCURE 首发，三千余例 CT，无结构集 |
| 2023-11-30 | 第二版，临床表增删两列 |
| 2024-03-27 | 第三版，增补三千三百三十七个标准化结构集 |
| 2024-12-19 | 第四版，清退旧结构集，补轮廓映射表 |
| 2024 | 数据描述论文发表于 Medical Physics |
从这条线能读出两件事。其一是节奏：首发到补轮廓用了九个月，补轮廓到清退旧版又用了九个月，两轮都围绕「结构集该以什么形态交付」这个同一问题。其二是血统：2019 年的小集合先存在，2023 年的大集合把它整个吞掉，2024 年再把吞掉的这部分重新整理一遍。
8.2 OPC-Radiomics 的退场：一个 606 例的两套数字
这是理解版本迁移最好的一个切面。
六百零六这个数字在两个页面上都出现，指的也是同一批病人，但两边的描述完全不同。
| 项 | 旧 OPC-Radiomics | RADCURE 口咽子集（V4） |
|---|---|---|
| 状态 | 已弃用，页面仍可访问但不再展示 | 现行 |
| 受试者 | 606 | 606 |
| 检查 | 606 | 606 |
| 序列 | 1,220 | 1,209 |
| 图像 | 108,813 | 108,802 |
| 体量 | 61.75 GB | 58.55 GB |
| 临床表 | 独立 XLSX，94.79 KB，CC BY 3.0 | 并入总表，CC BY 4.0 |
| DOI | 10.7937/tcia.2019.8dho2gls | 10.7937/J47W-NM11 |
三处差异各有原因。序列与图像各少十一，对应十一个结构集对象——旧集合里有一批未被标准化替换的结构集，新子集只留 TG263 版。体量少三 GB，与结构集精简一致。临床表从 CC BY 3.0 升到 4.0，从独立文件并入总表。
这张表对使用者的含义是：同一批病人，两套数字，引用时必须指明用的是哪一套。写「使用了 606 例 OPC-Radiomics 数据」在 2024 年之后不够，必须写清是旧集合还是 RADCURE 子集，因为图像数、序列数、许可都不同，别人无法据此复现。
更深一层的含义在于「弃用」这件事的处理方式。旧页面没有被删除，而是保留并加了一行指向新集合的说明。这是数据治理里比较好的做法：既不让人误用，也不让旧文献的引用变成死链。
8.3 生态位
在 TCIA 的头颈相关集合里，RADCURE 的位置是「规模最大、结构最规整、门槛最高」的那一档。
规模最大不必解释。结构最规整指的是 TG263 加轮廓映射表这套组合——命名统一之外还给出原名对照表的同类集合并不多。门槛最高指的是受控访问，这一条把它与同站多数 CC BY 集合区分开。
在挑战赛生态里，它不在榜上。HECKTOR 一类的赛事有自己的数据与划分，RADCURE 不参与，也不提供榜单。这既是短板也是长处：没有榜单意味着没有可比分数，也意味着没有被赛题固定的划分，使用者可以按自己的研究问题切分。
8.4 它为何能持续
这份数据没有活跃的维护团队，四个版本之后进入稳定状态，却仍在被引用。原因有三条，都不在维护强度上。
第一，规模不可复制。三千例连续队列需要一家大型中心十年以上的完整电子病历与计划系统留痕，还要有一次把两者打通的工程。全世界能做出这个组合的机构不多，做过的更少。稀缺性不会随时间衰减。
第二，命名层已做平。TG263 加映射表意味着任何人拿到数据都能脚本化地取结构，不需要为每个新数据集重写一遍名称映射。这一层工作一旦完成就长期有效，后来者没有动力重做。
第三，被使用的方式是「验证」而非「训练」。验证类使用对数据的新鲜度不敏感，一份 2017 年截止的队列在 2026 年仍然是有效的外部验证集，因为验证要的正是「与训练集不同的另一批人」，越独立越好。
三条叠起来形成一种刚性：不靠更新维持存在感，靠不可替代维持必要性。
8.5 作为「临床档案如何变成 AI-Ready」的样本
除了做研究，这份数据还有一层常被忽略的用途：它是一份把临床沉淀转成结构化资产的施工记录。
翻一遍版本链，能看到四件典型的事。其一，影像先到位，标注后补——首版只有 CT，九个月后才补结构集，说明「有图」与「有标注」在工程上是两个阶段。其二，标注的形态会反复——第一期、第二期两套结构集并存过一段，最后清退旧的，说明标准化不是一次性动作。其三，缺什么要写清——九例没有结构集这件事被明确写进说明，而不是默默留在数据里。其四，表格与影像分许可——这个决定让数据可用性最大化，同时把风险限定在影像侧。
这四件事对要建设类似数据集的人有直接参考价值：先发布能发布的，再补需要时间的；标准化要配套映射表，否则旧名一丢就再也对不上；缺失要有书面成因，否则使用者会当成缺陷。
§9 使用指引
9.1 三类角色的路径
影像组学与预后建模者的路径最长：先确认申请，再取影像，再栅格化掩膜，再提特征，最后与表格连接。关键动作是把特征定义写死在 TG263 名字上，否则换一个数据集就要重做一遍映射。
放疗科物理师与自动勾画开发者的路径居中：重点是结构集的解析与病例筛选。要注意的是别用口咽子集做器官任务，子集的结构集可能只含靶区。
数据工程与研究设计者的路径最短：不必下影像，读临床表、轮廓映射表、版本说明与清单，就能判断这份数据能否支撑某个研究问题，以及需要多大的验证集。
9.2 一条最短的可用流程
#-- 一、先取能公开取得的三样，不进申请流程
curl -O https://www.cancerimagingarchive.net/wp-content/uploads/RADCURE_Clinical_v04_20241219.xlsx
curl -O https://www.cancerimagingarchive.net/wp-content/uploads/RADCURE_OAR_contour_mapping_v04_20241219.csv
curl -O https://www.cancerimagingarchive.net/wp-content/uploads/RADCURE-patient-id-to-OPC-Radiomics-patient-id-mapping.csv
#-- 二、数一遍字段与映射，判断是否值得走申请
python3.11 -c "import pandas as pd; d=pd.read_excel('RADCURE_Clinical_v04_20241219.xlsx'); print(d.shape, d.columns[:10].tolist())"
#-- 三、获批后按清单取影像（清单文件由 TCIA 提供，需授权身份）
python3.11 -c "from tcia_utils import nbia; nbia.downloadSeries('manifest.tcia', format='tcia', dir='./data')"
三步的顺序有讲究：先用零成本的三样判断可行性，再决定是否投入申请周期。反过来做，容易在等待之后才发现字段不够用。
9.3 写方法学时的最小信息集
用这份数据写论文，方法部分至少要交代八项：一是数据引用与 DOI；二是版本号（第三版与第四版的结构集不同）；三是取的是全量还是口咽子集；四是所用结构（GTVp、GTVn、哪些器官）；五是掩膜栅格化的层厚与插值方式；六是终点定义与随访切分；七是划分单位（必须以病例为界）；八是许可与申请信息。
第三与第五两项最容易被略过，也最影响可比性。取子集还是全量，决定了有没有器官；栅格化参数不同，同一例的体积能差几个百分点。
9.4 合规动作清单
下载前确认已获授权；使用时附 Data Citation 与 DOI；在数据可用性声明里写明版本号与集合名；不尝试重新识别；不把原始影像转发给未获授权的第三方；若对影像做过重采样或裁剪，在方法里声明为修改。六步做完，义务履行完毕。
第五条是多机构合作里最常出问题的一条，理由与 §4.4 相同：授权绑定人与机构，合作方各自申请。
9.5 三种任务的推荐组合
| 任务 | 最小数据配置 | 必须先做的处理 | 主要风险 |
|---|---|---|---|
| 预后模型外部验证 | CT 加 GTVp 掩膜加随访字段 | 特征定义对齐 TG263、按病例划分 | 特征口径与训练集不一致，验证变成另一次训练 |
| 器官自动勾画 | CT 加全量结构集 | 筛出含器官的病例、剔除空轮廓 | 误用口咽子集，器官缺失 |
| 影像表型的年代漂移研究 | CT 加治疗年份与机型代理变量 | 按年代分层、控制技术变量 | 年代与技术在队列内共线，效应无法分离 |
三行任务的共同点是：难点都不在建模，在把临床档案转成可比数据的那一步。前者决定结果能不能比，后者决定结果是不是真的。
§10 AI 使用声明
| 项目 | 说明 |
|---|---|
| 本页 AI 参与程度 | 由 AI 助手依据 TCIA 集合页与数据描述论文起草，人工复核关键数字 |
| 数字来源层级 | 见附录 B，集合页为一级，数据描述论文与姊妹集合页为二级 |
| 未核实项 | 十九个器官的逐一名单、各例层数分布、九例缺结构集的具体临床原因、两个体量数字的差异来源 |
| 版本信息 | 以 2026 年 10 月读取的集合页为准，现行版本为 2024-12-19 的第四版 |
| 已知不一致 | 癌种字段只写口咽癌；标准化范围一处写靶区加器官、一处写只含靶区；体量有两个数字 |
| 适用边界 | 描述数据集的结构、规模与边界，不评价任何具体研究的效能结论，不转引生存统计 |
| 更新机制 | 集合自 2024 年 12 月后未再改版，本页不承诺随版本同步刷新 |
| 许可提示 | 影像受控、表格开放，引用与分发须分别遵守两套条款 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 「三千多例都带轮廓」 | 只有三千三百三十七例有结构集，九例无 GTVp 轮廓 | 第三版增补数与序列总数之差恰为九 |
| 「影像也能直接下」 | 影像与结构集受控，须申请与授权 | 集合页访问栏标 NIH 受控访问政策 |
| 「临床表也要申请」 | 表格与两张映射表是 CC BY 4.0 直链 | 三份文件各自标注 CC BY 4.0 |
| 「这是口咽癌数据集」 | 队列覆盖头颈多个亚部位，口咽只是其一 | 描述段列了多个亚部位，癌种字段是旧口径 |
| 「轮廓一定含十九个器官」 | 全量集含，由旧子集重发的结构集可能只含靶区 | 同页两句并置，一句写靶区加器官，一句写只含 GTVp |
| 「TG263 是这家机构自定的」 | 是 AAPM 报告 263 的行业命名法 | 集合页直接链接该报告 |
| 「九十岁以上照实记录」 | 九十岁及以上统一折叠为九十 | 数据格式说明段原文 |
| 「日期是真实治疗日期」 | 影像与临床元数据整体偏移未公开天数 | 同上 |
| 「旧 OPC-Radiomics 与新子集是同一份」 | 同六百零六人，序列、图像、体量、许可都不同 | 两页表格逐项对照 |
| 「体量就是三百多 GB」 | 页面顶部另标三百九十一 GB | 两个数字并存，来源未说明 |
| 「轮廓是双人标注，有 Dice 基线」 | 临床周会产物，无一致性实验 | 采集说明只提周会复核 |
| 「可以直接当分割基准」 | 无官方划分、无评测协议、无榜单 | 集合不属任何挑战赛 |
| 「第一版就有轮廓」 | 第一、二版只有 CT，第三版才补结构集 | 版本表序列数从三千余跳到六千余 |
FAQ
Q1：三千三百四十六例都是头颈癌吗？
是。但「头颈癌」在这里是统称，覆盖口腔、口咽、喉、鼻咽、下咽等亚部位。页面癌种字段只写口咽癌，是从旧集合继承的字段，不代表实际范围。
Q2：六千六百八十三是序列数还是检查数？
序列数。检查数与受试者数相等，都是三千三百四十六，人均一次。序列数约为病例数两倍，对应一个 CT 序列加一个结构集序列。
Q3：影像到底要不要申请？
要。影像与 RTSTRUCT 标为 NIH 受控访问，原因是部分影像可被用于重建人脸。下载需经 Data Retriever 并在授权下执行。临床表不需要申请。
Q4：六百零六例的子集和 OPC-Radiomics 是什么关系？
同一批病人，不同交付。旧集合已标记弃用，新子集是它的更新版，序列与图像数各少十一，体量少三 GB，临床表许可从 3.0 升到 4.0 并入总表。
Q5：轮廓里到底有没有十九个器官？
全量集有，按第三版说明含靶区、淋巴结与十九个器官。由旧子集重发的结构集可能只含靶区。要器官就用全量集按病例号筛，不要走子集入口。
Q6：能不能直接拿来做分割训练？
能做训练，不能做评测。轮廓是临床产物，没有一致性实验与官方划分，任何 Dice 都是对着单个医师的习惯算的。适合当预训练或域适应的素材，不适合当基准。
Q7：有没有 HPV 状态或基因组？
集合本体只有 CT、结构集与临床表三类，不含基因组、不含病理切片。表格里是否有病毒相关状态字段，需下 463 KB 的工作簿按列名确认，页面未汇总。
Q8：临床表有哪些字段？
五类 Data Type：人口学、诊断、暴露、随访、治疗，另有兜底类。具体列名以工作簿首行为准。版本改动集中在列：第二版删 RT_Tech、加 Contrast Enhanced，第四版清理列名。
Q9：为什么有两个体量数字？
页面顶部标三百九十一 GB，版本表标三百三十三 GB，差约五十八 GB，官方未说明。规划存储按大的留余量。
Q10：这份数据适合做外部验证吗？
适合，这正是它的主要用途。三千例量级、单一机构、随访齐全，足以作为独立验证集。前提是特征定义能落到 TG263 名字上，且影像申请已获批。
Q11：能不能商用？
临床表可以，CC BY 4.0 允许商用与改编，须署名并附许可链接。影像则受 NIH 受控访问条款约束，商用需在申请时说明用途并遵守不转发、不重新识别的约定。
Q12：引用该引哪一篇？
引数据集用 10.7937/J47W-NM11，讲方法与设计引 10.1002/mp.16972。只有在确实使用旧集合时才引 10.7937/tcia.2019.8dho2gls。
术语表
| 术语 | 含义 |
|---|---|
| RADCURE | 本集合正式短名，页面与 DOI 记录均以它指代 |
| OPC | 口咽癌，oropharyngeal cancer 的缩写，也是旧集合名的来源 |
| GTVp | 原发大体肿瘤体积，影像上可见的原发灶范围 |
| GTVn | 淋巴结大体肿瘤体积，影像上可见的转移淋巴结范围 |
| OAR | 危及器官，需要限制受照剂量的正常结构 |
| TG263 | AAPM 报告 263 给出的放疗结构命名规范 |
| RTSTRUCT | 存放放疗轮廓的 DICOM 对象，一个文件可含多套轮廓 |
| DICOM | 医学影像与通信标准，定义文件格式与网络协议 |
| 四级层级 | 患者、检查、序列、图像四级对象组织方式 |
| 序列 | 同一次采集参数下的一组图像，或一个结构集对象 |
| 根治性放疗 | 以治愈为目的的放疗，区别于姑息性放疗 |
| 计划 CT | 放疗前用于设计剂量分布的定位 CT |
| 影像组学 | 从影像中批量提取定量特征并建模的方法 |
| 外部验证 | 在与训练集独立的另一批数据上检验模型 |
| 时移验证 | 按时间切分训练与验证，检验模型对年代变迁的耐受 |
| 分布漂移 | 训练与部署人群在特征分布上的差异 |
| 周会质量保证 | 放疗科每周集体复核靶区与器官轮廓的流程 |
| 掩膜栅格化 | 把矢量轮廓转成体素掩膜的过程 |
| PHI | 受保护健康信息，可识别个人身份的健康数据 |
| 去标识 | 移除或变换标识信息以降低再识别风险 |
| 受控访问 | 需申请与授权方可取得数据的访问制度 |
| CC BY 4.0 | 署名即可使用的知识共享许可，允许商用 |
| DataCite | 数据集 DOI 的注册与引用统计机构 |
| DAIMS | 数据资产管理的评估框架，分描述、结构、访问三层 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 层级 |
|---|---|---|---|
| 受试者与检查 | 3,346 | 集合页版本表 | 一级 |
| 序列 | 6,683 | 集合页版本表 | 一级 |
| 图像 | 615,827 | 集合页版本表 | 一级 |
| 体量（表内） | 333.13 GB | 集合页版本表 | 一级 |
| 体量（顶部） | 391.68 GB | 集合页摘要 | 一级 |
| 口咽子集 | 606 例 / 1,209 序列 / 108,802 幅 | 集合页版本表 | 一级 |
| 口咽子集体量 | 58.55 GB | 集合页版本表 | 一级 |
| 结构集数 | 3,337 | 第三版更新说明 | 一级 |
| 临床表 | 463 KB，五类 Data Type | 集合页 | 一级 |
| 轮廓映射表 | 512 KB | 集合页 | 一级 |
| 编号映射表 | 14.22 KB，606 行 | 集合页 | 一级 |
| 收治年代 | 2005–2017 | 集合页描述 | 一级 |
| 版本 | 第四版，2024-12-19 | 集合页 | 一级 |
| 数据引用 DOI | 10.7937/J47W-NM11 | 集合页 | 一级 |
| 论文 DOI | 10.1002/mp.16972 | 集合页 | 一级 |
| 旧集合体量 | 61.75 GB | OPC-Radiomics 页 | 二级 |
附录 B：数字的来源分层
一级：集合页。 受试者、检查、序列、图像、两个体量、口咽子集四项、三份可公开下载文件的体量与许可、四个版本与日期、结构集增补数、DOI、收治年代、三家机型、周会复核、九十岁折叠与日期偏移，均取自这一层，彼此自洽。
二级：旧集合页与论文。 旧 OPC-Radiomics 的序列、图像、体量、临床表许可与大小、弃用声明，取自旧集合页；队列的临床设计与研究问题，取自 Medical Physics 的论文与多机构预后建模研究。
三级：未展开。 十九个器官的逐一名单、各例层数分布、九例缺结构集的具体临床原因、两个体量数字的差异来源、各亚部位的例数构成，页面与摘要均未给出，标注为未核实而不作推定。
附录 C：参考文献
- Welch ML, Kim S, Hope A, Huang SH, Lu Z, Marsilla J, Kazmierski M, Rey-McIntyre K, Patel T, O’Sullivan B, Waldron J, Kwan J, Su J, Chan HB, Yip K, Giuliani M, Princess Margaret Head and Neck Site Group, Bratman S, Tadic T. Computed Tomography Images from Large Head and Neck Cohort (RADCURE) (Version 4) [Data set]. The Cancer Imaging Archive, 2024. DOI 10.7937/J47W-NM11.
- Welch ML, Kim S, Hope AJ, Huang SH, Lu Z, Marsilla J, Kazmierski M, Rey-McIntyre K, Patel T, O’Sullivan B, Waldron J, Bratman S, Haibe-Kains B, Tadic T. RADCURE: An open-source head and neck cancer CT dataset for clinical radiation therapy insights. Medical Physics, 2024. DOI 10.1002/mp.16972.
- Kazmierski M, Welch M, Kim S, et al. Multi-institutional Prognostic Modeling in Head and Neck Cancer: Evaluating Impact and Generalizability of Deep Learning and Radiomics. Cancer Research Communications, 2023, 3(6): 1140–1151. DOI 10.1158/2767-9764.crc-22-0152.
- Kwan JYY, Su J, Huang SH, et al. Data from Radiomic Biomarkers to Refine Risk Models for Distant Metastasis in Oropharyngeal Carcinoma. The Cancer Imaging Archive, 2019. DOI 10.7937/tcia.2019.8dho2gls.
- AAPM Task Group 263. Standardizing Nomenclatures in Radiation Oncology. AAPM Report 263. https://www.aapm.org/pubs/reports/RPT_263.pdf
- TCIA 集合页，RADCURE，https://www.cancerimagingarchive.net/collection/radcure/ ，2026 年 10 月访问。
- TCIA 集合页，OPC-Radiomics（已弃用），https://www.cancerimagingarchive.net/collection/opc-radiomics/ ，2026 年 10 月访问。
- NIH Controlled Data Access Policy，https://www.cancerimagingarchive.net/nih-controlled-data-access-policy/ 。
附录 D：如果只记五件事
第一，它是多伦多 UHN 三千三百四十六例头颈癌根治性放疗的计划 CT 加结构集加临床表，收治期 2005 至 2017 年。
第二，规模是三千三百四十六例、三千三百四十六个检查、六千六百八十三序列、六十一万五千八百二十七幅；序列约为人均两个，对应一次 CT 加一个结构集。
第三，轮廓按 TG263 统一命名，全量集含靶区、淋巴结与十九个器官，另附原名到标准名的映射表——这是它比多数公开头颈集更好用的真正原因。
第四，许可是分层的：影像与结构集受控，临床表与两张映射表开放。能拿到表不等于能用数据。
第五，它填的是「挑战赛小样本」到「临床级大队列」之间的断层，主要用途是外部验证与时移验证，不是分割评测。
附录 E：文件与字段清单（按官方可确认的范围）
| 类别 | 内容 | 形态 | 说明 |
|---|---|---|---|
| 影像 | 计划 CT | DICOM | 每例一个序列，约百层，须授权下载 |
| 结构集 | 靶区与器官轮廓 | RTSTRUCT | 每例一个对象，含多套轮廓，按 TG263 命名 |
| 影像清单 | 序列清单文件 | CSV 或 tcia | 可公开取得，用于按序列下载 |
| 影像摘要 | NBIA digest | XLSX | 供核对序列与文件数，不替代 DICOM |
| 临床数据 | 五类 Data Type 变量 | XLSX | 463 KB，三千三百四十六行，CC BY 4.0 |
| 编号映射 | RADCURE 号到旧号 | CSV | 606 行，14.22 KB，CC BY 4.0 |
| 轮廓映射 | 原名到 TG263 名 | CSV | 512 KB，CC BY 4.0 |
字段层面，官方可确认的信息有三块。其一是五类 Data Type 的名称。其二是两个版本改动涉及的列：RT_Tech 被删、Contrast Enhanced 被加。其三是临床表行数恒等于受试者数。完整的列清单与取值编码需下工作簿逐列确认，页面未汇总。
编辑说明
本篇核验时间为 2026 年 10 月 29 日。方式为直接读取 TCIA 的 RADCURE 集合页与已弃用的 OPC-Radiomics 集合页，逐项比对受试者、检查、序列、图像、体量、许可、四版日期与更新说明，并核对 DOI 与结构集增补数，对版本说明与数据格式说明做了逐字复核。
需要说明四处口径问题。第一，任务给定的口径写「GTVp 加十九个 OAR」，与页面原文不完全一致：第三版更新说明写的是 GTVp、GTVn 与十九个 OAR 三类对象，GTVn 在给定口径中缺失，本篇按原文补入。第二，同一页另有一句写「TG263 标准化结构集只含 GTVp」，与「靶区加十九个器官」并置，本篇按来源分层解读：全量集含器官，由旧子集重发的部分只含靶区，依据与可验证的算术写在 §3.3。第三，体量有两个数字并存，顶部三百九十一 GB、版本表三百三十三 GB，差异未说明，两个都记。第四，集合页癌种字段只写口咽癌，与描述段列出的多个亚部位不符，判断为从旧集合继承的字段口径。
未覆盖的内容包括：十九个器官的逐一名单、各例层数与重建参数的分布、九例缺结构集的具体临床原因、两个体量数字的差异来源、各亚部位的例数构成、临床表的完整列清单与取值编码。前五项官方页面与论文摘要未展开，第六项需下工作簿确认；涉及分布特征的统计按体例不收录。
另有一处结构性说明：本篇不转引生存率、中位随访、性别或年龄构成等分布类数字。这些是人群描述，随口径变化，不属于数据集的结构参数。需要时回到临床表自行统计，并注明分母是全部病例还是含结构集的那一部分。
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：
- hnscc-ct-atlas — 共享标签：医学影像 / CT / 肿瘤学 / 队列研究
- healthy-total-body-cts — 共享标签：医学影像 / CT / 队列研究 / 医学图像分割
- pddca — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- ct-org — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- headneck-radiomics — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- hcc-tace-seg — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- kipa22 — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- cmb-gec — 共享标签：医学影像 / CT / 肿瘤学 / 队列研究
- lctsc — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
- segrap — 共享标签：医学影像 / CT / 肿瘤学 / 医学图像分割
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。
