信息速览
RARE26 是 EndoVis 2026 的子挑战，全称 Recognition of Anomalies in low-pREvalence cancer（低流行率肿瘤异常识别）。它要求参赛算法判断一张 Barrett 食管内镜图里有没有早期肿瘤性病变，标注训练集 3,095 张，另有 4,820,653 张未标注胃肠道内镜图供自监督预训练。举办方是荷兰 BONSAI 联盟，由阿姆斯特丹大学医学中心与埃因霍温理工大学牵头，赛事在 grand-challenge 平台运行，2026 年 5 月 1 日开赛。
内镜人工智能在实验室里的成绩长期好看，在真实监测流程里却容易失灵，原因不在模型容量，而在患病率。Barrett 食管监测人群的早期肿瘤检出率低于 1%，一篇灵敏度 95% 的论文放到这样的场景里，可能意味着每查出一个真病灶要陪上几十个假警报。RARE26 针对的就是这个落差：它把评测指标从 AUC 换成召回率固定 90% 时的阳性预测值，并在每一轮评估里按 1:100 重新采样，让分数直接对齐临床工作点。
准备用这批数据的研究者，第一件事是分清哪一部分是 2026 届新增、哪一部分沿用了上一届。训练集的每一张图都与 RARE25 相同，本届真正的增量是那个近五百万张的未标注池。第二件事是在本地复现评测的重采样协议，否则自己算出的 PPV 与官方榜单不可比。第三件事是先把许可链条读清楚，NC 与 ND 两条限制会直接影响成果能不能进入产品。
§1 它是什么：一场围绕患病率的比赛
1.1 名称、缩写与届次
RARE 是 Recognition of Anomalies in low-pREvalence cancer 的首字母缩写，官方把 prevalence 一词中间的字母大写，写成 low-pREvalence，这是发布方自己的排版习惯，不是拼写错误。EndoVis 2026 的结构化设计文档在标题里又写成 low-pREvalance，多了一个 a，两处不一致，官方未统一。检索时缩写全大写加年份（RARE26、RARE2026）都能命中，但在学术检索库里以「Barrett neoplasia challenge」「low-prevalence CADe」为关键词更可靠。
届次是第一道门槛。RARE 是按年重复的系列赛事，2025 届叫 RARE25，2026 届叫 RARE26，EndoVis 侧文档称 RARE2026。两届各有独立站点，RARE25 首页有链接指向下一届；RARE25 的结果页（路径 /rare25-results/）挂在 RARE26 站点下，这是发布方把历史结果随新站迁移的做法，不构成两届合并的证据。
RARE26 与 RARE25 的关系之所以需要反复澄清，是因为 2026 届并没有换数据。官方设计文档的原话是：本届训练数据集与上一届完全相同，上一届时该数据集全部是此前未见、未发表的新病例，此后没有再增加任何数据。换句话说，2026 届换的是比赛规则与可用资源，不是标注样本。把 RARE26 当成「新一代数据集」会直接误判它的价值边界。
1.2 它属于哪个赛事体系
RARE26 是 EndoVis 2026 的一个子挑战。EndoVis 全称 Endoscopic Vision Challenge，中文常译内窥镜视觉挑战，是 MICCAI 会议系列中长期运行的内镜视觉算法竞赛集群。EndoVis 2026 被 MICCAI 2026 接收为全天活动，这件事发生在 2026 年 3 月 13 日，同一天 RARE26 被接收为 EndoVis 2026 的子挑战。这两条公告都写在 RARE26 站点的公告页上，日期与措辞一致。
EndoVis 2026 旗下不止 RARE 一条赛道。结构化设计文档按 TASK 编号排列，TASK 1 即 RARE2026，后面还有 SurgVu2026（手术视觉理解）、STIR2026（组织追踪）、TIGER-SQ-AI2026（淋巴结清扫质量评估）、CLiMB2026（结肠镜定位建图）、iMED2026（多端镜新视角合成）等。六条赛道合在一起构成一个异构集群，各有独立的数据集、许可与评估协议。关于这个集群的整体结构，库内另有专门条目；本节只处理 RARE 这一条，不重复集群层面的横向对照。
需要注意一个常被忽略的组织关系：EndoVis 由 MICCAI 挑战赛工作组按其 BIAS（Biomedical Image Analysis ChallengeS）模板统一征集设计文档，因此每一条赛道的设计都要按同一套提纲填写——从摘要、组织者、伦理审批一直到统计分析方法。RARE26 的全部可核查细节，很大一部分就藏在这份按模板填写的文档里，而不是在站点页面上。站点擅长给时间线与指标，文档擅长给规模与协议，两者缺一不可。
1.3 临床动因：为什么是 Barrett 食管
Barrett 食管指食管下段鳞状上皮被柱状上皮伴肠化生替代，是长期胃食管反流的结果，也是食管腺癌最重要的癌前状态。患者进入定期内镜监测流程后，医生按时复查，寻找黏膜上的早期肿瘤性改变。这类改变在内镜下的表现往往极不显眼——一片轻微发红的区域、色泽略异的斑块、血管纹理的微小紊乱，夹在成百上千张看起来正常的图像之间。
官方文档引用的两组临床数字说明了利害。若在早期发现并处理，患者可以接受内镜下黏膜切除等微创治疗，长期成功率超过九成；若病变进展为进展期癌，五年生存率降到约 15%。两端之间只隔着一次「看见或没看见」。而监测人群的早期肿瘤患病率典型值低于 1%，这意味着绝大多数图像都是阴性的，任何以「平均表现」为优化目标的系统都会被多数类主导。
RARE 系列把这一临床结构直接搬进了机器学习问题。它不要求算法学会所有内镜疾病，只要求在一个特定的、患病率极低的场景里，把罕见的阳性从海量阴性中挑出来，同时不让假警报淹没使用者。这个设定比通用分类基准苛刻得多，也是它值得独立成条的理由。
1.4 主办方与组织者
赛事由 BONSAI 联盟发起。BONSAI 是 Barrett’s Oesophagus Imaging for Artificial Intelligence 的缩写，站点描述它是一个跨十余年、联合多家学术医院的跨学科合作体，由荷兰阿姆斯特丹大学医学中心（Amsterdam University Medical Centers）与埃因霍温理工大学（Eindhoven University of Technology）牵头，长期从事 Barrett 肿瘤的图像分析与检测研究。
按 EndoVis 2026 设计文档列出的组织者，可以分成两翼。技术侧在埃因霍温理工大学电子工程系 ARIA Lab：Tim Jaspers、Cris Claessens、Francisco Caetano、Fons van der Sommen。临床侧在阿姆斯特丹大学医学中心消化与肝病科：Martijn Jong、Rixta an Eijck van Heslinga、Floor Slooter、Jeroen de Groof、Jacques Bergman。主联系人是 Tim Jaspers，邮箱 t.j.m.jaspers@tue.nl。
这个双翼结构决定了赛事的两条底线：数据由临床侧按病理金标准整理，指标由临床侧认可。设计文档说明临床医生的职责包括监督数据收集与整理、指导性能指标与整体评估方案的选择。解读 PPV@90Recall 时这一点很重要——它是消化科医生参与确定的工作点，不是统计学家凭空挑的指标。
1.5 版本与届次对照
把两届摆在一起，能看清 2026 届到底改了什么。下表按官方可查信息整理，未公布的项目留空，不做推测。
| 维度 | RARE25（2025 届） | RARE26（2026 届） | 依据 |
|---|---|---|---|
| 官网 | rare25.grand-challenge.org | rare26.grand-challenge.org | 两站互相链接 |
| 赛事归属 | EndoVis 2025 子挑战 | EndoVis 2026 子挑战 | 两届站点 |
| 标注训练集 | 2,937 + 158 = 3,095 张 | 同左，官方称未新增 | 设计文档明文 |
| 未标注预训练集 | 未开放为赛道资源 | 4,820,653 张，明确开放 | 站点 Overview + 设计文档 |
| 验证集 | 未完整公开 | 1,100 张（1,000 + 100） | 设计文档 |
| 测试集 | 26,416 张 | 26,416 张 | 设计文档 |
| 主指标 | PPV@90Recall | PPV@90Recall | 两届站点 |
| 结果页 | 挂在 RARE26 站点 /rare25-results/ | 本站终测榜 | 站点导航 |
表里最容易被误读的是「训练集不变」。这不是组织方偷懒，而是一个方法论选择：如果 2026 届同时换数据又换规则，就无法判断成绩变化来自数据还是来自方法。保持标注数据不变、只放大未标注资源，等于把变量控制在一个方向上——看自监督与表征学习能不能在稀有事件任务上补上标注不足的短板。
1.6 一句话定位与使用边界
如果用一句话概括：RARE26 是一个以临床患病率为设计中心的早期肿瘤检测基准，它的价值不在数据量，而在评测协议把「精确率在极端不平衡下还剩多少」这件事量化了出来。
由此可以划出三条使用边界。它不是通用内镜数据集，只覆盖 Barrett 食管监测场景，两类标签之间没有低级别异型增生这一档；它不是定位数据集，没有像素级真值，输出只能是「这张图有没有」；它不是患者级数据集，病例被明确写成单张图像，也不提供任何患者信息。三条边界之外，CADe（computer-aided detection，计算机辅助检测）类研究可以直接受益，分割、病理分型与患者级因果分析则需要另找数据。
§2 数据构成：四个子集与它们的真实用途
2.1 总表
RARE26 的数据分四块，性质差别很大，混在一起看会得出错误结论。下表是全部可核实的规模数字，取自 EndoVis 2026 结构化设计文档的 Training and test case characteristics 一节。这是全篇唯一一处集中列出四项规模的表格，后文提到规模时只给比例与派生量。
| 子集 | 图像数 | 类别构成 | 采集来源 | 公开性 | 许可 |
|---|---|---|---|---|---|
| 未标注预训练集 | 4,820,653 | 无标签，全胃肠道 | 荷兰 8 家医院，2012–2020 | 经数据集门户申请 | CC BY-NC-ND 4.0（上游样本包） |
| 标注训练集 | 3,095 | 2,937 非异型增生 + 158 肿瘤性 | 荷兰至少两家中心 | 挑战页授权下载 | CC BY-NC |
| 验证集 | 1,100 | 1,000 非异型增生 + 100 肿瘤性 | 12 家 BONSAI 中心 | 挑战页授权下载 | CC BY-NC |
| 测试集 | 26,416 | 23,216 非异型增生 + 3,200 肿瘤性 | 12 家 BONSAI 中心 | 不公开，仅容器评估 | 组织方保留 |
四个子集的阳性比例各不相同，这是最实用的一条信息。预训练集没有标签；训练集阳性约 5.1%；验证集约 9.1%；测试集阴性与阳性之比约 7.2:1。而评测时还要再按 1:100 重采样。也就是说，同一批数据会被使用在三个不同的患病率上：训练分布、测试分布、评测分布，任何一个环节用错了比例，得到的数字都无法与榜单对齐。
2.2 未标注预训练集：本届唯一的实质增量
上表这个数字来自 EndoVis 2026 设计文档，与 Gastroenterology 2025 年发表的 GastroNet-5M 论文完全一致。该论文描述的数据集包含约 50 万次内镜操作产生的四百八十余万张图像，采集于 2012 至 2020 年间的 8 家荷兰医院，覆盖上、下消化道，使用各大厂商的内镜系统。RARE26 没有另建预训练集，而是把这套已有的公开数据集接入赛道，作为选手可用的额外资源。
GastroNet-5M 的定位是基础模型预训练语料，不是诊断数据。论文报告它被用于自监督预训练，并在 17 项消化道内镜下游任务上评测，结论是预训练后的模型在多数分类与分割任务上优于公开内镜基础模型与非基础模型，且对数据异构性更稳健。RARE26 把它引进来的意图写在站点总览里：为自监督、无监督与半监督方法打开空间，让表征学习与数据高效方法有机会对付临床低流行率场景。
获取路径与许可需要分开说。全量数据不在 Zenodo，也不在 HuggingFace 官方仓库，而是通过 Theta Vision Cortex 的数据集门户申请。Zenodo 上只有一份千张量级的代表性子集（记录 17273108），单文件约 403,702,997 字节。这份子集的许可是 CC BY-NC-ND 4.0，比挑战数据的 CC BY-NC 多一个 ND（NoDerivatives，禁止演绎）。样本包与全量包的许可是否一致，公开页面没有明说，使用者应按更严的一侧准备。
预训练集的预处理链条也值得记一笔。图像在各医院现场脱敏，用专有软件遮盖可识别患者的文字与元数据，随后由中心做人工质量审查，剔除残留的敏感或无关图像。文档承认部分图像可能带有脱敏痕迹。这些痕迹在自监督预训练里通常无害，但如果把预训练集当作有标签数据重新标注后再用，就需要考虑痕迹是否会被模型当成捷径特征。
2.3 标注训练集的两个来源说法
训练集由多数类的非异型增生图像与少数类的肿瘤性图像组成，两档相加即上表的三千余张，阳性占比约 5.1%。这组数字在 RARE25 与 RARE26 两届完全相同，设计文档的原话是本届训练数据与上一届相同、此后未增加。
来源的表述在文档里被排版打断了。原文写作「The training set is constructed with data from: Medical Center Spectrum Twente, Medical Center Spaarne,」——句子到这里换页，后面的内容没有续上，因此只能确认至少包括荷兰特温特医学中心与斯帕尔内医学中心两家。特温特位于恩斯赫德，斯帕尔内位于霍夫多普，两家都不在阿姆斯特丹。训练集由常规监测流程中采集，文档特意说明没有指定专门的专家操作，因为是标准临床实践，所以无法提供采集者专业水平的细节。
这条说明很重要。训练集的质量、曝光、退镜速度、拍摄习惯都反映普通临床实践，测试集的采集者则是专门做 Barrett 筛查的专家内镜医师。采集端的系统性差异在文档的 cohorts 与数据采集两节分别出现，是后文讨论域偏移的第一条证据。
文档还说训练集的类别平衡反映真实分布。5% 的阳性与临床上低于 1% 的患病率相比已经算「富集」，但相对于常见的平衡采样（50:50）仍然极度倾斜。理解这个中间状态，才能理解为什么评测还要再压一次到 1:100。
2.4 验证集与「显著扩大」的口径差
验证集包含多数类与少数类两档，阳性占比约 9.1%，比训练集更高，也高于测试集。站点总览把它作为 2026 届的两大改进之一，原话是验证集被显著扩大，以便在验证与测试表现之间取得更好的平衡。
设计文档对同一集合的描述则明显更保守。它说这是一个小的集合，专门用于让参赛者确认提交流程能跑通，不应被视为模型性能的可靠指标；并说明验证集的评估方法与测试集保持一致，阳性比例也与测试集相同，只是规模更小。这两段话放在一起读，会产生一个张力：一个被宣称「显著扩大」的集合，同时又被描述为「小集合、只用来验证流程」。
更麻烦的是历史对照。上一届验证集的规模在本库此前的两份稿件里口径不一，一份记为未披露，另一份记为与本表相同的千余张。若上一届也是这个数，那「显著扩大」就无法由现有材料支撑；若上一届更小，扩大幅度也无从计算。目前可用的三份材料——RARE26 站点、EndoVis 2026 设计文档、RARE25 的两份二手记录——无法给出唯一答案。可操作的结论只有一条：验证集规模只有千余张、阳性百余例，用它做模型选择会过拟合，官方自己也这么提醒。
2.5 测试集与一个 8 张的差异
测试集的两档图像相加即上表的规模，阳性占比约 13.8%，是三处分布里最高的一处。它的采集用了两种方式：一部分从归档系统按患者列表回溯检索，附带每个患者的病理结果；另一部分按标准化的前瞻采集协议现场采集。两种来源合在一起，构成最终的 12 家 BONSAI 中心测试集。
回溯部分的做法是先按患者列表取图，再由人工逐张复核判断有无异常；前瞻部分的依据是 Fockens 等 2023 年发表于 Lancet Digital Health 的深度学习早癌检测系统研究，该研究给出了标准化的采集方案。这两条路径的差别在于选择偏倚：回溯数据受制于当年的拍摄习惯，前瞻数据受制于协议规定的视野与站位，两者混在一起会让测试集内部也不完全同质。
测试集的规模存在一个小的口径差。本库此前的 RARE25 条目记录的四个分项与本节不同，总数比设计文档少 8 张；而本库的 EndoVis 2026 集群条目与设计文档一致。本节按设计文档写，因为它是 RARE26 的一手来源；四组数字的逐项对照与差值记在页脚，不在这里重复。
测试集的可见性是另一个关键事实。设计文档明确测试标签的可见范围限于埃因霍温理工大学与阿姆斯特丹医学中心的组织团队，参赛队只能通过 grand-challenge 提交算法容器，图像不离开平台。这条限制意味着任何声称「在 RARE26 测试集上训练过」的说法都不成立，除非说话者是组织方本身。
2.6 字段字典与可靠性
RARE26 的每条记录结构极简。设计文档对 case 的定义是一张内镜图像加上类别标签，标签取值为肿瘤性或非异型增生。除此之外，文档在同一节明确写「不提供额外的患者信息」。下表把能确认与不能确认的字段分开。
| 字段 | 类型 | 取值 | 可靠性 | 说明 |
|---|---|---|---|---|
| image | 图像文件 | 内镜 RGB 图 | 已确认 | 训练与测试设备为 Olympus Exera III；仅裁黑边 |
| label | 二值类别 | neoplasia / NDBE | 已确认 | DDL 级定义见 §2.7 |
| subset | 集合归属 | train / val / test / unlabeled | 已确认 | 由发布方切分 |
| center | 来源中心 | 无此字段 | 已确认缺失 | 文档明示不提供患者信息；中心标识未随图像发布 |
| patient_id | 患者标识 | 无此字段 | 已确认缺失 | 同上 |
| age / sex | 人口学 | 无此字段 | 已确认缺失 | 同上 |
| lesion_bbox | 病灶框 | 无此字段 | 已确认缺失 | 任务为图像级分类 |
| lesion_mask | 病灶掩膜 | 无此字段 | 已确认缺失 | 同上 |
| endoscope_model | 内镜型号 | 无此字段 | 依设计文档推定 | 训练与测试统一为 Exera III，但逐图未标注 |
| pathology | 病理结果 | 仅测试集内部使用 | 已确认 | 训练集标签来自视觉评估，非病理 |
这张表最该记住的是最后一行。训练集标签来自专家视觉判断，测试集与验证集标签来自视觉加病理的双重确认。训练侧的真值是「专家觉得像」，测试侧的真值是「专家觉得像且切片证实」。两侧的真值硬度不同，这是理解「训练集准确率高但测试集分数低」这类现象的物理基础。
2.7 标注流程与真值硬度
训练集的标注流程按设计文档分两层。第一层是每张图像至少由一名评估者判定；第二层是在存疑时请第二名评估者复核。判定规则很直接：存在可疑早期肿瘤的可见病灶就标为肿瘤性，没有可见病灶就标为非异型增生。文档没有给出评估者人数、没有给出双读比例、没有给出观察者间一致性系数。
测试集与验证集的标注是双重的。第一步仍是视觉检查，第二步加入组织病理评估。判为肿瘤性需要同时满足两点：图像上存在可见病灶，且内镜切除标本的组织学显示高级别异型增生或腺癌；判为非异型增生需要同时满足：图像上没有可见病灶，且所有随机活检均为肿瘤阴性。所有入组患者均未接受过 Barrett 食管相关治疗，这条限制排除了治疗后再生的黏膜改变干扰判读。
标注者资质写得比较具体。所有标注者都有四年以上 Barrett 食管内镜的临床经验，来自一个研究该病种十余年的联盟；边界病例交给有二十年以上诊断与治疗经验的专家内镜医师判定。文档还说明没有给标注者额外培训，理由是他们本来就在做这件事。这条说明在方法学上意味着标注流程高度依赖既有团队惯例，外部复现者无法完全复制其判定标准。
误差来源只有一句话。文档说训练集标签基于有经验的视觉检查，测试与验证集的标签基于病理、不预期有误差。这句话对测试集是合理自信，对训练集则回避了量化——没有报观察者间 kappa，没有报复核后改判率。做迁移学习时，把训练集标签当成纯净真值会高估上限。
2.8 图像预处理与格式
预处理极其克制。设计文档的原话是：原始训练数据在交给参赛者前只做最小预处理，具体是从图像裁去黑边以去除多余边框，不加其他处理；如需要，同一处理在训练、验证、测试三处一致应用。
裁黑边是内镜图像的常规操作。内镜视野是圆形或略椭圆的，四周本来就有黑色边框，裁掉后有效像素占比提高，也避免了模型把黑边当成固定几何线索。这一处理不改变分辨率以外的任何信息，但也意味着原始分辨率未被统一重采样——文档没有说统一缩放，因此不同内镜与不同设置下拍出的图尺寸可能不一，训练时需要自行 resize 或裁剪。
格式方面，站点数据集页需要登录授权，未登录访问返回 403，因此本节不写文件命名规则与目录结构。可以确认的是上游 GastroNet-5M 以 PNG 存储，按每包不超过一万张切分，并提供一份可直接下载的千张量级子集。RARE26 挑战数据是否沿用同一存储形态，公开材料没有说明，不做推定。
2.9 规模之外：这批数据没有覆盖什么
数据构成一节如果不写缺什么，就只是复制了官方表格。RARE26 明确没有覆盖的至少有六项。
其一，没有低级别异型增生这一档。临床上低级别异型增生是介于非异型增生与高级别异型增生之间的状态，处理策略不同。RARE26 的标签只有两档，中间态被压进了其中一侧，具体压向哪边，文档未说明。
其二，没有病变亚型。Barrett 相关肿瘤在巴黎分型下有形态学分类，不同形态的治疗方式不同，数据没有记录。
其三，没有病变范围。病灶长度、环周占比、与齿状线的距离这些决定治疗方案的参数都不在数据里。
其四，没有患者纵向随访。RARE26 是横断面图像集合，无法回答同一患者随时间怎么变。
其五，没有设备与设置元数据。逐图的增强模式、电子染色、放大倍数均未记录，而这些设置会显著改变同一病灶的外观。
其六，没有非 Barrett 的食管病变。食管鳞癌、食管炎、静脉曲张都不在标注体系内，阴性类被严格定义为非异型增生的 Barrett 食管，一个食管静脉曲张的病例在这套标签下会被如何归类，文档没有交代。
§3 怎么拿到：三条入口与两张许可
3.1 三条获取路径
第一条是挑战数据。训练集与验证集通过 rare26.grand-challenge.org 获取，但数据集页面在未登录或未获授权时返回 403 Forbidden，正文只显示无权访问的提示。这意味着不能像下载 Kaggle 数据集那样直接拿到文件，必须先注册 grand-challenge 账号并接受使用条款。具体条款文本在登录后才可见，本节无法转录。
第二条是未标注预训练集。全量数据走 Theta Vision Cortex 的数据集门户（cortex.thetavision.nl 的 dataset-provider 页面）申请，这是 GastroNet-5M 论文指定的分发渠道。门户要求研究者提交申请，具体审核周期与条件未公开。需要快速验证流程的人可以用 Zenodo 的千张量级子集，记录号 17273108，单个压缩包约 403.7 MB，无需审核即可下载。
第三条是上一届训练集的间接镜像。RARE25 的训练集曾以 gated 仓库形式放在 HuggingFace（账号 TimJaspersTue 名下），需人工审核通过后才能拉取。由于 2026 届训练集与 RARE25 完全相同，这个仓库在理论上等价于本届训练集。但这条路径的现状未能在当前环境中复核：沙箱内对 huggingface.co 的域名解析失败，无法确认仓库是否仍在线、文件是否完整、许可标注是否仍是上一届记录的 CC BY-NC-SA 4.0。把它当作备份通道可以，当作主通道不合适。
三条路径对应三种门槛：挑战数据要身份与条款，预训练集要申请，子集要带宽。真正的约束不在技术，而在第三条里说的许可——下一节展开。
3.2 许可条款逐条
挑战数据按 CC BY-NC 发布。这是 EndoVis 2026 设计文档在 data usage agreement 一栏里逐字写明的：「CC BY-NC (Attribution-NonCommercial)」。需要强调两点。其一，设计文档同一栏明确要求数据许可在不同来源之间不应不同，若必须变更需向 MICCAI 挑战赛团队报备。其二，这条许可与此前记录的 RARE25 训练集许可（CC BY-NC-SA 4.0）并不相同——SA（相同方式共享）在 2026 届的文档里没有出现。
上游预训练集的许可更严。Zenodo 上 GastroNet-5M 样本包的元数据字段 license 取值为 cc-by-nc-nd-4.0。ND 意味着不得发布基于原作的改编版本。把这条与本赛道做对照，就出现了一个文档没有解决的问题：挑战数据说 CC BY-NC，上游样本包说 CC BY-NC-ND，而设计文档又要求不同来源的许可应当一致。
参赛代码有独立的义务。站点规则要求所有参赛者以 MIT 许可公开代码，唯有如此才有进入最终榜单的资格。这条规则的作用是保证结果可复现，代价是参赛方法的核心实现必须公开。对工业界团队而言，这等于把进入终榜与保留知识产权变成了二选一。
3.3 合规推理：NC 与 ND 到底卡住什么
NC 卡住的是用途，不是主体。非商业研究、教学、内部验证、发表论文，都在 NC 允许范围内；把模型或数据用于收费产品、商业筛查服务、对外售卖的分析工具，则越界。边界看的是使用是否具有商业目的，而不是使用者是不是公司：公司做内部科研发表论文通常可以归入允许范围，把模型装进产品卖则不行。
ND 卡住的是演绎，不是使用。授权文本允许复制与分发原样作品，不允许分发改编作品。用数据训练模型是否构成对数据的改编，在著作权法上是一个长期争议的问题：一派认为训练不复制表达、只提取统计规律，不构成改编；另一派认为模型权重在某种意义上是数据的衍生。CC 官方对 ND 与训练的关系没有给出确定性解释。这条不确定性在 RARE26 上被放大，因为设计文档要求不同来源许可一致，而它自己给出的两个许可就不一致。
可行的做法是把风险分层。纯学术发表：按 CC BY-NC 引用，注明数据来源与届次，风险低。发布预训练权重：如果权重是在 GastroNet-5M 上自监督训练得到的，ND 条款的适用性存疑，应在发布页明确说明权重来源并附上许可原文，把判断权交给下游。商业部署：需要单独取得授权，不能依赖公开许可。这三层不是法律意见，而是把已知条款映射到常见使用形态的对照表。
3.4 伦理与数据保护
所有数据在荷兰试验注册号 NL8411 下采集。每个参与中心的本地伦理审查委员会或医学伦理委员会都审查过数据收集方案。图像经过严格匿名化处理，处理后的数据按设计文档的表述不再属于《通用数据保护条例》（GDPR）意义上的个人数据。
这个「不再属于个人数据」的判定有前提。它依赖脱敏流程能彻底移除可识别信息，包括画面中的文字、时间戳、设备标识与元数据。文档提到脱敏由现场专有软件完成，随后有中心级人工审查，并承认部分图像可能留有脱敏痕迹。对于再识别风险，文档没有给出定量评估。
研究者在二次利用时还有一层自己的义务。若把 RARE26 图像与其他数据集拼接、或用外部工具做增强后再发布，新的数据组合是否仍属匿名，需要重新评估。特别是内镜图像中偶尔出现的纹身标记、特殊解剖变异，在某些小样本场景下可能具备识别性，文档没有讨论这类边缘情形。
3.5 引用规范
目前没有 RARE26 的正式数据论文。可引用的官方材料只有两份：赛事站点（rare26.grand-challenge.org）与 EndoVis 2026 结构化设计文档。设计文档的下载地址在 EndoVis 官方开放平台上，文件名为 305-Endoscopic_Vision_Challenge_2026_update.pdf，发布于 2026 年 5 月。引用时应注明它是挑战设计文档而非同行评议论文。
若研究使用了未标注预训练集，还必须引用 GastroNet-5M 的原始论文。该论文 2025 年发表于 Gastroenterology，DOI 为 10.1053/j.gastro.2025.07.030，PubMed 号为 40749857，作者列表以 Martijn R. Jong 为首、Jacques J. G. H. M. Bergman 为通讯，署名为 BONS-AI 联盟。Zenodo 页面对引用有明确要求：使用数据集与使用预训练权重应分别引用数据集论文与预训练方法论文，后者是 Boers 等 2024 年发表于 Medical Image Analysis 第 98 卷的论文。
上一届的论文（arXiv:2604.11171）只能用于对比赛事沿革。把它的规模数字当作 2026 届引文，会把两届的数据混为一谈。
§4 质量与已知问题：哪些结论站得住
4.1 假设—支持—反对表
关于 RARE26 的可靠性，公共讨论里反复出现四类假设。下表把它们写成可检验的形态，并给出支持与反对两边的证据，最后标注结论强度。结论强度沿用本库的分级：A 级至少三条独立证据线，B 级两条，C 级单一来源，D 级推断。
| 假设 | 支持 | 反对 | 强度 |
|---|---|---|---|
| 测试集标签可靠，可作为临床金标准参照 | 测试集双重真值：可见病灶 + 组织病理；NDBE 需随机活检全阴；入组患者未治疗 | 文档自述「不预期有误差」但未给观察者间一致性；回溯部分依赖当年病理记录质量 | B |
| 训练集标签足以支撑迁移学习 | 标注者均有四年以上该病种内镜经验；边界病例由二十年经验专家判定 | 无 kappa、无复核改判率、无双读比例；真值仅来自视觉，未经病理确认 | C |
| 数据能反映真实临床分布 | 训练集阳性率 5%、测试集约 12%，均远低于平衡采样；评测再按 1:100 重采样 | 真实监测患病率低于 1%；训练与测试的阳性率都高于真实场景，属于富集 | B |
| 跨中心泛化已得到检验 | 测试集来自 12 家 BONSAI 中心，训练集来自至少两家 | 测试集中心归属不随图像发布，无逐中心结果；训练侧中心类型与测试侧不同 | C |
表中最需要警惕的是第三行。它常被引用成「RARE26 就是真实分布」，这句话只对了一半。评测阶段确实按 1:100 模拟了真实患病率，但训练阶段没有——训练集的 5% 是可得样本的自然比例，不是临床比例。如果用一个在 5% 分布上校验过阈值的模型直接去推 1% 场景的 PPV，会系统性偏高。正确做法是只相信按官方重采样协议算出的数字。
第一行的 B 级结论也有一个隐含前提。测试集的双重真值要求「可见病灶 + 病理阳性」，那些有病理阳性但没有可见病灶的病例会被排除，这类病例在临床上恰恰是最难筛查的。也就是说，测试集在结构上偏向「肉眼可见的肿瘤」，一个擅长发现不可见病变的系统在这里未必有优势，因为它根本没有被要求这么做。
4.2 域偏移：训练与测试之间横着三条沟
第一条是采集者。训练集来自常规监测，没有指定专家操作；测试集由专注筛查的专家内镜医师采集。专家更擅长规范退镜、清理黏液、充分展平黏膜，图像更清晰、覆盖更完整，模型在训练集上学到的「模糊边缘即可疑」这类捷径到测试集可能失效。
第二条是患者群体。训练集至少来自两家中心，测试集来自十二家。转诊结构、患者构成、随访间隔都有区别，而各中心的患者数、阳性率、设备型号分布均未公布，这条沟的宽度无法量化。
第三条是采集方式。测试集一半回溯、一半前瞻，训练集全部回溯。前瞻按协议执行，视野与站位受控；回溯受制于当年习惯，可能存在角度重复、关键区域漏拍，测试集内部因此也有分布差。
三条沟合起来的意思很清楚：在 RARE26 上拿高分，证明的是对这批中心、设备与采集方式的泛化。设计文档允许使用外部数据与预训练模型、只要求公开许可并披露，本质上是在鼓励用外部数据补足分布覆盖。
4.3 验证集太小带来的模型选择风险
验证集里少数类只占约百分之九。用这样一个集合做阈值选择，任何一次微小的分数波动都会改变最优阈值的位置。官方对此的态度很明确：这个小集合只是为了确认提交流程能跑通，不应作为模型性能的可靠指标。
风险的具体形态可以算出来。100 张阳性里，若某模型正确识别 90 张、漏掉 10 张，召回就是 0.90；换一个随机种子，可能变成 88 张或 92 张，召回在 0.88 到 0.92 之间摆动。PPV@90Recall 要求精确地把召回固定在某一点，验证集上的这点噪声足以让 PPV 出现数量级的跳动。因此参赛者在验证集上看到的名次，与终榜名次不一致是常态。
可行的替代是把验证集只用来看「流程通不通」，模型选择交给交叉验证或独立留出集。若一定要用验证集调参，至少应做多次随机子采样并报告分布，而不是取单次结果。文档没有提供验证集的重复抽样工具，这一层需要参赛者自己搭。
4.4 测试集的统计功效
测试集的图像数量看起来不小，但评测时的重采样会大幅削减有效样本。每一轮评估纳入全部非异型增生图像，肿瘤性图像按 1:100 有放回抽样，也就是每轮只取两百余例阳性来配对。有放回抽样意味着某些阳性图在一轮里被抽中多次，某些一次也没抽中，有效阳性数量远低于表中的阳性总数。
重复一千轮取中位数，缓解的是抽样波动，不改变「有效阳性数只有两百多」这个事实。两个模型的中位 PPV 相差几个百分点时，差异可能落在 bootstrap 置信区间的重叠区。设计文档给出的显著性检验是配对 Wilcoxon 符号秩检验，基于 case 级表现，这比单纯比较中位数更严谨，但它检验的是「在同一批 case 上两个模型的排序是否一致」，不等于「两个模型在临床上真的有差别」。
对使用者的含义是：不要把榜单上的名次差直接读成能力差。尤其是第 3 到第 10 名之间，分数差往往小于置信区间宽度。需要做模型选型时，应该看置信区间、看方法本身的可解释性，而不是只看排名数字。
4.5 文档自身的质量问题
EndoVis 2026 设计文档是按模板填写的，填的过程中留下了几处可核实的瑕疵，使用者需要知道它们的存在。
第一处是拼写。文档标题写 low-pREvalance cancer，站点写 low-pREvalence cancer，正确拼写是 prevalence。检索时两种写法都要试。
第二处是年份。文档的 Challenge schedule 一栏写「Start Open Development Phase: 1st of April 2026」，又写「Final Test phase: Starting 1th of September 2025」。前者与站点的 5 月 1 日不符，后者年份写成 2025、日期写成 1th，两处都是笔误。以站点时间线为准。
第三处是句子截断。训练集来源一句在列出两家中心后换页中断，后面的中心名缺失，因此只能说「至少两家」。
第四处是推断目标一栏的复制粘贴错误。Assessment aim(s) 一栏本应写算法要优化的属性，实际填的是 Target entity 的原文「Neoplastic lesions in Barrett’s esophagus patients」，属于模板填写串行。
这些瑕疵不影响核心数字的可用性，但会影响依赖文档做自动化抽取的工具。若用脚本解析这份 PDF，需要做字段级的容错。
4.6 排行榜的可见性状态
截至 2026 年 10 月 18 日，终测榜页面的表格区域显示「Loading Results…」。静态抓取只能得到列名：序号、队伍、算法、创建时间、分数、PPV@90RECALL 及其 95% 置信区间上下界、AUROC 及其上下界、AUPRC 及其上下界。数据行由前端脚本异步填充，未登录的抓取拿不到任何队伍与数值。
官方公告的时间点是：2026 年 9 月 16 日联系成绩最好的五支队伍，9 月 27 日在斯特拉斯堡的 MICCAI 2026 EndoVis 活动上公布最终排名。竞赛记录在平台上的状态已标记为 completed，结束日期为 9 月 8 日。也就是说，比赛本身已经结束，排名也已在会议上宣布，只是公开页面的渲染方式让自动化抓取拿不到内容。
这一状态对研究者的实际影响是：在二次文献引用 2026 届成绩时，必须标明数据来源是会议现场还是后续论文。设计文档说明所有参赛队将被邀请共同署名 forthcoming journal publication，该论文尚未出现。在它出现之前，任何精确到小数点后三位的 PPV 数字都无法核实。
§5 能做什么：任务清单与最小可执行路径
5.1 任务清单
RARE26 直接支持的任务只有一个，但它派生出若干可复用的子任务。下面按「官方定义」与「研究者自行扩展」分开列，避免把扩展任务说成官方任务。
官方定义的任务是单张内镜图像的二元分类：输入一张 RGB 图，输出一个分数或二值判断，表示是否存在可见的早期肿瘤性病变。评估只针对这个任务，且只认 PPV@90Recall。
由这个任务可以派生出的、在数据允许范围内可做的研究包括：
其一，极端不平衡下的阈值选择。固定召回 90% 找阈值，本质是一个受约束的最优化问题。可以比较不同阈值策略（分位数法、代价敏感损失、后验概率校准）对 PPV 的影响。
其二，自监督预训练的价值量化。同一骨干网络，一份用全部未标注池预训练，一份从随机初始化开始，在相同训练集与评测协议下比较。这是 2026 届设计者最想看到的问题。
其三，半监督与伪标签。把未标注池中模型高置信的样本加入训练，看能否在不增加标注成本的前提下提升稀有类召回。
其四，校准研究。PPV@90Recall 高度依赖概率校准，可以专门研究温度缩放、直方图分箱、等渗回归等校准方法在这个任务上的效果。
其五，域泛化诊断。用测试集的一部分（若有权限）或外部 Barrett 数据做跨中心验证，量化设备、中心、采集者带来的性能下降。
其六，错误分析。把假阳性按图像特征归类（黏液、皱褶、光斑、器械入画、齿状线附近），形成可复用的失败模式清单。
上述之外的任务在 RARE26 上做不了：病灶分割、定位、亚型分类、患者级风险预测、纵向变化分析，原因是 §2.9 列出的真值缺口。
5.2 最小可执行路径（不依赖未公开数据）
要在不接触测试集的前提下做出可复现的实验，最短路径分五步。
第一步，取代表性子集。从 Zenodo 记录 17273108 下载，得到一个约 404 MB 的压缩包，解压后是 PNG 图。这一步的目的不是训练，而是确认存储形态与图像规格。
第二步，申请全量预训练集。走 Theta Vision Cortex 门户提交申请，说明研究用途。申请通过后按每包一万张解压，注意磁盘与 IO：480 万张 PNG 的原始体积远超 404 MB 的单样本包，需提前估算存储。
第三步，取标注训练集。登录 grand-challenge，进入 RARE26 页面，接受数据使用条款后下载训练集与验证集。若一时拿不到授权，可退而用上一届的 HuggingFace 镜像，但要先自行确认该仓库的在线状态与许可。
第四步，搭评测脚本。按 §2.2 与 §6.1 的协议复现：保留全部阴性，阳性按 1:100 有放回抽样，重复一千轮，取 PPV 中位数。脚本要在本地验证集上跑通，得到一个自洽的基线条数。
第五步，做一个最小基线。例如用 ImageNet 预训练的 ResNet-50，固定输入尺寸，类别加权交叉熵，在训练集上训到收敛，再用上述脚本评一次。这个数字的意义不是刷榜，而是建立「本地协议是否与官方口径一致」的锚点。
5.3 可复现的最小伪代码
评测协议的核心逻辑足够短，可以完整写出来。以下伪代码只表达流程，不涉及任何私有数据。
def evaluate(scores, labels, n_rounds=1000, ratio=100, recall_target=0.90):
pos_scores = scores[labels == 1]
neg_scores = scores[labels == 0]
ppvs = []
for _ in range(n_rounds):
n_pos = max(1, len(neg_scores) // ratio)
sampled = np.random.choice(pos_scores, size=n_pos, replace=True)
s = np.concatenate([neg_scores, sampled])
y = np.concatenate([np.zeros(len(neg_scores)), np.ones(n_pos)])
thr = np.quantile(s[y == 1], 1 - recall_target)
pred = s >= thr
tp = np.sum(pred & (y == 1))
fp = np.sum(pred & (y == 0))
ppvs.append(tp / (tp + fp) if (tp + fp) else 0.0)
return float(np.median(ppvs)), np.percentile(ppvs, [2.5, 97.5])
这段代码有四处需要注意。第一，阈值取的是阳性分数分布的 10% 分位数，这保证了召回率约等于 0.90，但用的是当前抽样子集，与官方实现可能有微小差异。第二，有放回抽样用 np.random.choice，官方未说明随机种子，因此本地结果会有抖动。第三，PPV 的分母为零时返回 0，这对应「一个警报都没发」的退化情形。第四，置信区间用百分位 bootstrap，与设计文档的 95% 百分位 bootstrap 一致。
若要把结果与官方榜单对比，还需要确认两件事：官方是否在同一轮里复用同一批阴性样本（文档说「纳入该集合内全部非异型增生图像」，即每轮全量复用），以及抽样是否分层到中心。文档没有提分层，因此按全量随机处理即可。
5.4 任务的外溢价值
RARE26 的方法学价值不止于 Barrett 食管。任何「阳性罕见、假警报代价高、必须固定召回」的场景，都能直接搬这套协议：肺结节筛查中的低剂量 CT、乳腺钼靶中的致密腺体、皮肤镜中的早期黑色素瘤、眼底照中的早期糖网。这些任务的共同点是患病率低、标签贵、临床只关心某一个工作点。
把 PPV@90Recall 加上千轮重采样中位数这套组合，迁移到上述场景时唯一需要改的是比例常数。RARE26 用的 1:100 对应 Barrett 监测的典型患病率，其他场景按各自的流行病学数据设定即可。这比重新发明一个指标要省事得多，也比继续报 AUC 更接近临床。
§6 常见误读与引用陷阱
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| RARE26 是一套新数据集 | 标注训练集与 RARE25 完全相同，官方明示未新增；新增的只有未标注预训练集与验证集扩充声明 | EndoVis 2026 设计文档 Data sets 节 |
| RARE26 有数百万张带标签图像 | 未标注池全部无标签，有标签的只有训练集与验证集两个子集 | 设计文档 Training and test case characteristics |
| 用 AUC 评价模型就够了 | 官方唯一排名指标是 PPV@90Recall，AUC 与 AUPRC 仅作参考不参与排名 | 站点 Task & Evaluation 节 |
| 训练集阳性率约 5%，所以临床 PPV 大概是这个量级 | 训练侧比例只是可得样本比例，评测按 1:100 重采样，临床患病率低于 1% | 设计文档 + 站点 Overview |
| 数据是均衡的 | 训练阳性约 5.1%，验证约 9.1%，测试约 13.8% 阳性，三处都不一样，且都不是均衡 | 四子集数字直接计算 |
| 有病灶位置标注 | 只有图像级二分类，无框无掩膜无坐标；定位被列为未来方向 | 设计文档 Annotation characteristics + Further analyses |
| 可以下载测试集 | 测试集私有，只能容器提交，标签仅组织方可见 | 设计文档 Conflicts of Interest |
| 训练集是病理确诊的 | 训练集标签来自专家视觉评估；只有验证与测试集有病理确认 | 设计文档 Annotation characteristics |
| 许可证是 CC BY | 挑战数据是 CC BY-NC，上游预训练样本包是 CC BY-NC-ND 4.0 | 设计文档 Data usage agreement + Zenodo 17273108 |
| 比赛尚未结束 | 竞赛记录已标记 completed，2026-09-27 已在 MICCAI 公布排名 | GC API status 字段 + 站点公告 |
| RARE26 与 RARE25 是同一届的两种写法 | 是两个不同届次，站点、榜单、规则各自独立 | 两个站点域名 + 各自的 timeline |
技术陷阱
陷阱一：把验证集分数当终榜预测。 验证集规模只有千余张、少数类百余例，名次抖动极大。官方自己说这个集合只用来验证流程。若在验证集上反复调参直到分数好看，得到的是对 100 张图过拟合的模型。
陷阱二：混用 RARE25 与 RARE26 的测试集数字。 本库此前的 RARE25 记录与 EndoVis 2026 文档的四个分项都不同，总数差 8 张。写 2026 届数据时一律用设计文档的一组，逐项数字见页脚登记。
陷阱三：把低流行率与类别不平衡当成同义词。 类别不平衡说的是训练集里两类样本数量悬殊；低流行率说的是部署环境里阳性出现的频率极低。RARE26 同时具备两者，但两者的解法不同：前者靠重采样与损失加权，后者靠阈值校准与指标设计。混为一谈会导致只用一种手段应付两种问题。
陷阱四：误读「1:100 有放回抽样」。 有放回意味着同一张阳性图可被重复抽中多次，一轮评估里的两百余个阳性位置可能只对应不到两百张不同的图。这会低估阳性侧的多样性，让分数对少数几张典型图特别敏感。
陷阱五：用训练集阳性率反推样本量。 有人会拿训练集的阳性分子分母反推「需要多少标注才能达到某个效果」。这个推导忽略了测试集与训练集的中心构成完全不同，标注数量不是关键变量，中心覆盖才是。
陷阱六：把 EndoVis 设计文档当作同行评议论文引用。 它是按 BIAS 模板填写的挑战方案，未经期刊评审，且存在年份与拼写笔误。引用时应注明性质。
陷阱七：忽略图像只做了裁黑边。 未经统一缩放的图像尺寸可能不一，直接按固定分辨率读入会造成形变。自行 resize 时要记录方法与参数，否则跨论文比较无法复现。
陷阱八：假定脱敏图像零风险。 文档承认部分图像可能留有脱敏痕迹。若做二次发布或与他人数据拼接，需要重新评估再识别风险，不能直接继承「已匿名」的结论。
§7 在生态中的位置
7.1 与上一届的分工
RARE25 与 RARE26 是同一系列的前后届，但两届的条目应当分别引用。2025 届的核心事实——11 支队伍、7 个国家、AUC 超过 0.91、冠军采用 GastroNet 预训练 ResNet-50 加 LoRA 微调 DINOv3、亚军纯挑战数据训练 MaxViT-Tiny——属于上一届的成绩，写 2026 届的研究不应把这些数字当作本届基线。
两届之间真正需要记住的分工只有一条：数据看 2025（标注部分未变），资源看 2026（未标注池开放）。一个研究如果要说明「为什么 2026 届值得再做」，答案必须是「因为多了 4.82M 未标注图，可以问自监督到底有没有用」，而不是「因为数据换了」。
7.2 与上级赛事的关系
RARE26 是 EndoVis 2026 的子挑战。EndoVis 是一个长期运行的系列，历年赛道涵盖器械分割、场景理解、组织追踪、手术阶段识别等方向。RARE 在其中属于「临床筛查」支线，与「手术执行」支线（器械、追踪、质量评估）在数据形态与评价目标上差别很大。
放进 EndoVis 的框架看，它的特殊之处在于设计变量是患病率。其他赛道的难点多在标注粒度或场景复杂度，RARE26 的难点在类别先验，这是它连续两届被接收的理由。
7.3 与库内相邻条目的关系
在千方病案医数集的库内，与 RARE26 最接近的条目分三类。
第一类是届次与前身：RARE25 条目记录 2025 届的全部事实，包括训练集的组织结构、测试集的隐藏策略与冠军方法。两者应双向互链，检索者在任一条目里都应能跳到另一届。
第二类是上级赛事：EndoVis 2026 条目把六条赛道放在同一张表里横向对照，给出各赛道的规模、许可与指标。RARE26 条目是其中一条赛道的纵向展开。两者的关系是「总表与分册」，不应互相复制内容。
第三类是同类内镜数据：胃肠道内镜方向的公开数据集包括胃部筛查图像集、溃疡性结肠炎内镜评分集、胃肠道多类影像分类集、息肉检测与分割基准、结肠镜视频集等。它们的共同点是内镜模态，区别在于病种、任务与标签粒度。RARE26 在其中的独特性是「同一张图上只有一个是/否，但评测对这个是/否的代价极度敏感」。
7.4 与自监督预训练生态的关系
RARE26 把 GastroNet-5M 引进来，使它成为少数几个「官方指定预训练语料」的挑战赛之一。这一点在整个内镜 AI 生态里有位置：内镜领域长期缺乏像 ImageNet 那样公认的预训练底座，各团队各自找数据、各自预训练，导致结果难以比较。GastroNet-5M 的出现提供了统一底座，RARE26 把它绑定进赛道，等于把「预训练用什么」这个变量固定了下来。
代价是可比较性的前提被收窄了：若有队伍选择不用这个预训练集，比较就变成「预训练与不预训练」的对照，而不是方法之间的对照。上一届的亚军正是纯挑战数据训练，这类对照在 2026 届仍然有价值。
7.5 临床落点
从临床角度看，RARE26 的产出如果进入实际流程，形态会是内镜主机的实时提示：医生退镜时，屏幕对可疑帧打标记，建议活检。这个形态对延迟、假阳性率、可解释性都有硬要求，而赛事只评测了其中的假阳性率一项。
竞赛成绩与临床可用之间因此还有距离。2026 届把未标注数据与验证集作为改进方向，补的是数据侧的短板；延迟、可解释性、人机协同这些工程与交互问题，不在赛道范围内。
§8 总结
8.1 三句话
RARE26 是 RARE25 的续办，标注数据一字未增，2026 届把近五百万张未标注胃肠道内镜图开放为预训练资源，并把评测锁定在召回率 90% 时的阳性预测值上。
它的核心贡献不是数据量，而是把「低流行率下精确率还剩多少」这件事变成了一个可重复、可比较的数字，并用一千次重采样把抽样噪声压了下去。
用它的人需要接受三件事：训练集阳性率 5% 不等于临床患病率，验证集规模不足以用来选模型，CC BY-NC 与上游的 CC BY-NC-ND 会限制成果的商业化路径。
8.2 适合谁
做稀有事件检测与极端不平衡学习的团队，可以把它当作标准的压力测试场，尤其是需要固定召回率的场景。
做医学图像自监督预训练的团队，可以用它验证「大规模未标注内镜数据能否转化为下游稀有类检测能力」，这是本届设计者最想回答的问题。
做筛查类 CADe 产品评测的团队，可以借用它的重采样协议与指标定义，把内部的评测口径与学术基准对齐。
消化内镜方向的临床研究者，可以用它理解机器学习模型在真实患病率下的表现上限，避免被 AUC 误导。
8.3 不适合谁
需要病灶位置的研究者。RARE26 没有框、没有掩膜，做分割必须换数据。
需要患者级分析的研究者。数据不含患者标识与随访，任何纵向结论都无从建立。
需要商业授权的团队。NC 条款与上游 ND 条款构成双重限制，商用必须单独谈判。
需要一套完整、稳定、有同行评议论文背书的数据集的研究者。2026 届至今没有数据论文，全部细节依赖挑战设计文档与站点文字，且文档存在若干笔误与截断。
8.4 判断它值不值得用
看三个问题就够了。第一，你的核心问题是「低患病率下精确率还剩多少」吗？不是的话，换一个更贴题的数据集。第二，你能接受非商业许可以及上游更严的 ND 条款吗？不能的话，先谈授权。第三，你需要病灶级或患者级真值吗？需要的话，这批数据帮不上。
三个都过了，RARE26 几乎是这个方向上最省事的选择：指标定义明确、评测协议完整、预训练语料官方指定。三个中有一个不过，继续用它会浪费大量时间在数据补全或许可澄清上。
（规模数字集中在 §2.1，时间线见 §1.5 与附录 A，此处不重复。）
§9 使用手册：从零到一次可复现实验
9.1 一周上手路线
第一天做三件事：注册 grand-challenge 账号、读完 RARE26 站点的四页正文（总览、时间线、任务与评估、阶段与规则）、下载 Zenodo 的代表性子集。三件事互不依赖，可以并行。读站点时重点看两处：任务与评估页的指标定义，阶段与规则页的提交约定。
第二天申请两条数据线：挑战页的训练集授权、Theta Vision Cortex 的全量预训练集。两条都要人工审核，早申请早排队。等审核期间，用样本包确认图像格式、分辨率分布、色彩空间，画出尺寸直方图，决定 resize 策略。
第三天搭评测脚本，用随机分数跑一次冒烟测试，确认重复重采样能在可接受时间内完成。这一步最容易被跳过，但它是后面所有数字可信的前提。
第四天到第五天训练基线。先做「不用预训练」的版本取得下界，再做「用预训练」的版本形成对照，两版必须用完全相同的评测脚本。
第六天做错误分析，把假阳性按图像特征分类，统计各类占比。这一步产出的失败模式清单比分数本身更有长期价值。
第七天整理记录：数据版本、许可、随机种子、评测脚本哈希、分数及置信区间。RARE26 没有版本号字段，唯一可用的版本标识是「届次加下载日期」。
9.2 评测口径对照清单
与官方分数可比的前提是以下六项全部一致，缺一项就会出现系统性偏差。
第一，阴性样本是否全量纳入。官方每轮用全部非异型增生图像，不做下采样；为省算力抽一部分会让 PPV 偏高。
第二，阳性抽样比是否为 1:100。这个比例直接决定 PPV 的量级，改成 1:10 会让 PPV 大致提高一个数量级。
第三，是否有放回。有放回会让少数阳性图被重复计数，无放回则限制轮次数。
第四，重复次数是否等于官方设定值。次数少中位数不稳，次数多只是更稳。
第五，聚合方式是否为中位数。用均值会被极端轮次拉低。
第六，阈值是否按当前抽样重新确定。每轮重找 90% 召回点，而不是沿用全局阈值。
最容易出错的是第六项。为了省事在全体阳性上算一次阈值再固定使用，正负比例变化时实际召回就会偏离 90%，PPV 随之失去意义。
9.3 数据管线的六个检查点
磁盘：近五百万张 PNG 的原始体积很难一次性放下，应按包处理、边读边训，或先转成更适合随机读的格式，转换参数须记录。
IO：PNG 解码是 CPU 密集操作，纯 Python 的加载器容易把 GPU 饿死，至少要用多进程预取。
尺寸：图像尺寸可能不一，中心裁剪或等比缩放后填充都可以，但训练与评测必须一致。
色彩：内镜图像常带厂商特定的色彩处理，混用来源时先做色彩标准化，否则模型学到的是设备指纹。
黑边：数据已裁黑边但边界未必严格，二次裁边会改变视野比例，非必要不要重复处理。
标签对齐：目录式还是清单式取决于下载形态；若用镜像仓库，目录名即标签，需核对拼写与官方定义一致。
9.4 常见工程问题
内存不够时，最省事的做法是冻结骨干只训分类头，但这会掩埋预训练的价值；更好的做法是混合精度加梯度累积，用时间换显存。
类别不平衡时，先试类别加权损失，它不改变数据分布、只改变梯度贡献；重采样会改变有效样本数，与评测侧的重采样叠加后容易失控。
做集成时，注意多样性来自哪里。所有成员共享同一预训练权重与同一数据顺序时，集成只降方差，不提升上限。上一届冠军的 CNN 与 ViT 异构集成思路，本届仍然适用。
校准是这个任务的重头戏。指标在固定召回下看精确率，依赖排序也依赖分布形状，温度缩放的消融值得单独做。
§10 延伸阅读与检索路径
中文检索常用「Barrett 食管 早期癌 人工智能」「内镜 早癌 检测 低流行率」「食管腺癌 筛查 深度学习」；英文建议「Barrett neoplasia CADe low prevalence」「Barrett esophagus deep learning surveillance」「PPV at fixed recall endoscopy」，最后一组能直接命中讨论指标设计的文献。找数据集用「grand-challenge RARE」「EndoVis Barrett challenge」「GastroNet-5M」，不要只搜缩写，RARE 在各领域都有同名缩写。
必读材料分三层。官方层：RARE26 站点四页正文、EndoVis 2026 设计文档、Grand Challenge 平台记录，构成事实底座。数据层：GastroNet-5M 的 Gastroenterology 论文与 Zenodo 记录，以及 Boers 等关于内镜基础模型的 Medical Image Analysis 论文，理解预训练集的构造才能判断收益来源。临床层：Barrett 监测的患病率数据、内镜下黏膜切除的长期预后、进展期食管癌的生存率。
阅读顺序建议先站点、再设计文档、然后指标页、最后组织者与公告。不建议先读上一届预印本：方法细节丰富，但规模与本届不同，先读容易被带偏，等两届差异搞清楚再读才有对照价值。
附录 A 关键数字速查
正文 §2.1 已给出四个子集的完整规格表，此处不再复述规模，只列决策时最常被问到的派生量与单位信息。
| 指标 | 值 | 说明 |
|---|---|---|
| 计量单位 | 单张内镜图像 | 不是患者，不是视频，不是序列 |
| 训练集与测试集阳性占比 | 约 5.1% 与约 13.8% | 由设计文档两组计数相除 |
| 验证集阳性占比 | 约 9.1% | 由设计文档两组计数相除 |
| 评测阳性占比 | 约 1% | 1:100 有放回重采样后 |
| 重采样重复次数 | 1,000 | 聚合方式为中位数 |
| 召回率固定点 | 0.90 | 阈值逐轮重算 |
| 置信区间 | 95% 百分位 bootstrap | 设计文档 |
| 显著性检验 | 配对 Wilcoxon 符号秩 | 设计文档 |
| 测试集中心数 | 12 家 BONSAI 中心 | 设计文档 |
| 训练集中心数 | 至少 2 家 | 设计文档原文在此截断 |
| 采集设备 | Olympus Exera III | 训练与测试统一 |
| 伦理注册号 | NL8411 | 荷兰试验注册 |
| 预训练集来源 | 荷兰 8 家医院，2012–2020 | GastroNet-5M |
| 开赛日 | 2026-05-01 | 站点时间线 |
| 终测截止 | 2026-09-07 | 站点时间线 |
| 报告截止 | 2026-09-14 | 站点时间线 |
| 结果公布 | 2026-09-27 | 站点公告 |
| 奖金档位 | 1000/500/250/150/100 欧元 | 站点总览，前五名 |
| 平台 | grand-challenge.org | 竞赛 slug 为 RARE26 |
附录 B 缩写对照
| 缩写 | 全称 | 中文 |
|---|---|---|
| RARE | Recognition of Anomalies in low-pREvalence cancer | 低流行率肿瘤异常识别 |
| BE | Barrett’s Esophagus | Barrett 食管 |
| NDBE | Nondysplastic Barrett’s Esophagus | 非异型增生 Barrett 食管 |
| NEO | Neoplasia | 肿瘤性病变 |
| CADe | Computer-aided Detection | 计算机辅助检测 |
| PPV | Positive Predictive Value | 阳性预测值 |
| AUROC | Area Under the Receiver Operating Characteristic curve | 受试者工作特征曲线下面积 |
| AUPRC | Area Under the Precision-Recall Curve | 精确率-召回率曲线下面积 |
| CI | Confidence Interval | 置信区间 |
| SSL | Self-supervised Learning | 自监督学习 |
| BONSAI | Barrett’s Oesophagus Imaging for Artificial Intelligence | Barrett 食管人工智能影像联盟 |
| BONS-AI | Barrett’s Oesophagus Imaging for Artificial Intelligence Consortium | 同上，论文署名用 |
| TU/e | Eindhoven University of Technology | 埃因霍温理工大学 |
| AUMC | Amsterdam University Medical Centers | 阿姆斯特丹大学医学中心 |
| BIAS | Biomedical Image Analysis ChallengeS | 生物医学图像分析挑战赛工作组 |
| GDPR | General Data Protection Regulation | 通用数据保护条例 |
| EoD | End of Day | 当日截止 |
| EndoVis | Endoscopic Vision Challenge | 内窥镜视觉挑战赛 |
附录 C 使用前检查清单
数据层面：确认训练集与验证集的图像计数与设计文档一致；确认标签目录名与两档定义一致；确认知道验证集规模不足以支撑模型选择；确认测试集拿不到且不应尝试获取。
许可层面：确认使用目的属于非商业；确认预训练集来源的许可比挑战数据更严；确认发布权重前评估过 ND 条款；确认参赛代码以 MIT 公开（若参赛）。
评测层面：确认阴性全量纳入；确认阳性按 1:100 有放回抽样；确认重复次数与官方一致；确认取中位数；确认每轮重算阈值；确认置信区间方法。
记录层面：确认记录了下载日期（无版本号可用）；确认记录了随机种子；确认记录了 resize 参数；确认记录了评测脚本哈希。
附录 D 未覆盖内容
未覆盖一：数据集页的文件结构。该页需登录，抓取返回 403，文件命名与目录组织方式未能确认。未覆盖二：终测榜的具体名次与分数，页面由前端异步加载，静态抓取只有列名。未覆盖三：组织团队页的临床支持与顾问委员会名单，静态 HTML 未渲染出人名。未覆盖四：本届的数据论文，核验日不存在。未覆盖五：训练集中心的完整列表，设计文档原文在列出两家后换页中断。未覆盖六：HF 镜像仓库的当前状态，沙箱内域名解析失败。未覆盖七：数据使用条款原文，需登录后方可见。
附录 E DAIMS 评估
DAIMS（Data and AI Model Stewardship）框架用于评估数据资产的治理成熟度。下表按七个维度打分，每项满分 5 分，分数是对公开材料的判断，不是官方评分。
| 维度 | 分数 | 判断依据 |
|---|---|---|
| 可发现性 | 4 | 有官网、平台记录与设计文档；缺数据论文，学术检索命中率偏低 |
| 可访问性 | 3 | 入口与授权流程清楚；数据集页需登录、预训练集需申请，无免审全量下载 |
| 可理解性 | 3 | 任务与指标解释充分；字段极简、无患者元数据、无中心标识 |
| 可互操作性 | 2 | 无本体映射，标签仅两档，难与其他 Barrett 数据直接对齐 |
| 可复用性 | 3 | 允许非商业复用；NC 与 ND 压缩空间；无版本号，复现依赖下载日期 |
| 可信度 | 4 | 测试集双重真值、伦理注册号明确、统计方法规范；训练集标签无一致性量化 |
| 可维护性 | 2 | 依赖赛事周期续办；无独立版本管理；公开材料有笔误与截断 |
总分 21/35。短板在可互操作性与可维护性：前者源于标签体系极简，后者源于赛事驱动而非数据产品驱动的发布模式。
附录 F 届次差异一页纸
两届之间需要记住的差别只有三条：标注训练集原封未动，官方明示未新增；新增的是大规模未标注预训练集与验证集扩充声明；指标、任务、平台三项均未变。上一届结果页挂在 RARE26 站点下，上一届的方法学见 arXiv:2604.11171，本届至今只有设计文档。
这张对照的用处是回答「值不值得重做一遍」：研究问题是复现，答案是不值得；研究问题是「大规模未标注内镜数据能否提升稀有类检测」，答案是值得，而且是目前唯一能问这个问题的赛事。
附录 G 指标计算示例
用一个具体例子把 PPV@90Recall 算一遍，情景取自站点任务页的教学说明。
假设某批图像里每一百张只有一例肿瘤。模型在召回九成的前提下正确识出九例、漏掉一例，同时误报九十张良性图。此时真正例九、假负例一、假正例九十、真负例九百，准确率为九成出头；而一个「一张都不报」的空模型准确率接近满分。准确率在这里完全失去分辨力。
再看阳性预测值：九除以九加九十，约百分之九点一，意思是每十一个警报里只有一个是真的。若同一召回下只误报二十张，阳性预测值升到约百分之三十一，大约每三个警报里有一个是真的。
从 9.1% 到 31%，临床上意味着医生的复核负担降低三分之二，而准确率与 AUC 都无法区分这两种模型，因为它们不看工作点。这就是指标必须重设的理由。
附录 H 数据获取决策树
第一问，只需要看图像长什么样？是 → 下 Zenodo 代表性子集，结束；否 → 继续。第二问，要做自监督预训练？是 → 申请 Theta Vision Cortex 全量，同时申请挑战数据；否 → 只申请挑战数据。第三问，挑战数据授权等待太久？是 → 试上一届的 HuggingFace 镜像，先确认仓库在线与许可；否 → 等授权。第四问，要做商用评估？是 → 停止，先找发布方谈授权，公开许可不覆盖；否 → 继续。第五问，需要病灶位置？是 → 放弃 RARE26，改用带分割标注的 Barrett 或息肉数据集；否 → 可以开始。
附录 I 术语首现对照
GastroNet-5M（以内镜图像总量命名的预训练数据集）、low-prevalence（低流行率）、neoplasia（肿瘤性病变）、nondysplastic（非异型增生）、positive predictive value（阳性预测值）、recall（召回率）、self-supervised learning（自监督学习）、domain shift（域偏移）、bootstrap（自助法）、calibration（校准）、NoDerivatives（禁止演绎）、NonCommercial（非商业）、gated repository（门控仓库）。
缩写全称见附录 B，重复项不在此列举。
附录 K 待核事项与复核计划
终测榜完整结果：在浏览器中打开终测榜，或等待赛事论文，页面改为服务端渲染时触发。验证集扩充的实际幅度：查阅上一届设计文档或论文附录，RARE25 文档公开时触发。训练集中心完整名单：获取未换页截断的完整设计文档。HF 镜像仓库状态：在可访问环境下查询元数据。数据使用条款原文：取得账号授权后导出。2026 届独立数据论文：赛事结束后 6–12 个月检索 arXiv 与期刊。
编辑说明
核验时间：2026-10-18（UTC+8）。
核验方式：抓取 rare26.grand-challenge.org 的总览页、时间线页、任务与评估页、阶段与规则页、组织者页、公告页、rare25-results 页；查询 Grand Challenge REST API 的 challenges/RARE26 记录；下载并解析 EndoVis 2026 结构化设计文档 PDF（opencas.dkfz.de 托管，文件名 305-Endoscopic_Vision_Challenge_2026_update.pdf），逐字段提取 TASK 1 的规模、来源、标注、评估与统计段落；查询 Zenodo 记录 17273108 的元数据获取许可与文件大小；查询 PubMed 与 DOI 解析 GastroNet-5M 的题录。站点 datasets 页在未登录状态下返回 403，未能取到正文，已在附录 D 登记。
双口径冲突登记：
一，测试集规模。本库 RARE25 条目记为 26,408（23,176 + 3,232），EndoVis 2026 设计文档与库内 EndoVis 2026 条目记为 26,416（23,216 + 3,200）。四个分项全不同，总数差 8。本文按设计文档取 26,416。
二，验证集「显著扩大」。站点总览称验证集显著扩大，设计文档给出的规模为千余张且称其为只用于流程验证的小集合；上一届该集合规模在本库两份稿件里分别记为未披露与同一千余张。三份材料无法给出扩大幅度的唯一值，本文只陈述设计文档规模与「无法判定幅度」。
三，训练集许可。设计文档写 RARE26 挑战数据为 CC BY-NC；本库 RARE25 条目记为训练集 CC BY-NC-SA 4.0。两者不同，本文按各自届次的来源分别写，不互相覆盖。
四，赛事地点。站点公告 2026-03-13 条写 MICCAI 2026 在阿布扎比，同一页 2026-09-16 条与总览横幅写斯特拉斯堡。本文按较晚且重复出现的一方写斯特拉斯堡。
五，设计文档年份笔误。文档写「Final Test phase: Starting 1th of September 2025」，与站点时间线的 2026 年不符。本文按站点写。
六，预训练集许可。挑战数据为 CC BY-NC，上游 GastroNet-5M 样本包为 CC BY-NC-ND 4.0，设计文档要求不同来源许可一致。三者并存，本文并列陈述，不做单方裁决。
版本日志：v1，2026-10-18，首稿。
下次复核触发点：赛事论文上线、终测榜改为可静态获取、RARE27 或下一届开赛、GastroNet-5M 许可变更、EndoVis 设计文档更新。
未覆盖内容：见附录 D。
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：
- rare25 — 共享标签：内窥镜影像 / 图像分类 / 挑战赛数据集 / 肿瘤学 / 评测基准
- intel-mobileodt — 共享标签：内窥镜影像 / 图像分类 / 挑战赛数据集 / 肿瘤学
- ercpmp-gx — 共享标签：内窥镜影像 / 图像分类 / 肿瘤学 / 评测基准
- cnmc-2019 — 共享标签：图像分类 / 挑战赛数据集 / 肿瘤学 / 评测基准
- gastrohun — 共享标签：内窥镜影像 / 图像分类 / 肿瘤学 / 评测基准
- echorisk — 共享标签：图像分类 / 挑战赛数据集 / 肿瘤学 / 评测基准
- limuc — 共享标签：内窥镜影像 / 图像分类 / 评测基准
- cystods — 共享标签：内窥镜影像 / 图像分类 / 肿瘤学
- prostatex — 共享标签：图像分类 / 挑战赛数据集 / 肿瘤学
- hyperkvasir — 共享标签：内窥镜影像 / 图像分类 / 评测基准
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。
