Name: ReXGradient-160K: A Large-scale Dataset of Chest X-rays with Reports
Creator: Rajpurkar Lab, Harvard Medical School（数据提供：Gradient Health）

信息速览

数据集名称ReXGradient-160K — 大规模胸片报告数据集 AI-Ready Wikipedia

数据类型273,004 张胸片 PNG,160,000 份英文报告,109,487 名患者,79 家站点,非商业许可,免费申请获取

规模10.9 万名患者

接入方式Rajpurkar Lab, Harvard Medical School（数据提供：Gradient Health） url: https://huggingface.co/datasets/rajpurkarlab/ReXGradient-160K

AI 就绪度

ReXGradient-160K — 大规模多站点胸片报告配对数据集 AI-Ready Wikipedia

INFOBOX


数据集名称	ReXGradient-160K
英文全称	ReXGradient-160K: A Large-scale Dataset of Chest X-rays with Reports
别名/简称	ReXGradient、ReXGradient-160K（注意与同实验室排行榜 ReXrank 是两个东西，见 §8.1）
疾病分类	胸部影像全疾病谱（ICD-11：CA4Z 肺炎 / CB21 气胸 / CB27 胸腔积液 / CB4Z 心力衰竭等，详见 §2.1）
SNOMED CT	233604007 Pneumonia / 36118008 Pneumothorax / 15485004 Pleural effusion / 84114007 Heart failure（详见 §2.1）
数据模态	胸部 X 光影像（PNG）+ 英文自由文本放射报告
AI 任务类型	放射报告生成（RRG）、报告结构化与摘要、视觉-语言预训练、多站点领域泛化
样本总数	160,000 项检查 / 273,004 张图像 / 109,487 名患者 / 79 家站点
数据大小	官方未披露总体积；图像为 DICOM 降采样至 25% 的 PNG，辅以报告与元数据表
数据格式	PNG（图像）/ CSV（报告与元数据）
许可证	ReXGradient License（Non-Commercial Data Access and Use Agreement，Harvard 托管）
访问级别	申请审核（HuggingFace gated：签署非商业协议后自动通过；商业使用需 Gradient Health 授权）
DUO 标签	NPUNCU（非商业非营利）、HMB（生物医学研究）
语言	报告为英文
首发日期	2025-05-01（arXiv v1 论文随附发布）
最后更新	2025-12-08（HuggingFace 仓库最后修改）
发布机构	Rajpurkar Lab（哈佛医学院）× Gradient Health
官方主页	https://huggingface.co/datasets/rajpurkarlab/ReXGradient-160K
下载地址	https://huggingface.co/datasets/rajpurkarlab/ReXGradient-160K（gated，需先签署非商业协议）
DOI	10.48550/arXiv.2505.00228（论文预印本）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 官方三分划分 + 统一 PNG + 四段结构化报告；扣分项：无官方预处理/训练脚本、约 34,000 张图像 ViewPosition 为 UNKNOWN、gated 申请流程
页面状态	published

导语读法三则：

只想下数据：直奔 §6.2 获取流程——记住三步（HF 账号 → 网页签协议 → CLI 下载），gated 自动通过，但镜像站拉不到这个仓库（坑点 2）。
关心数据质量：直奔坑点 1（ViewPosition 约 34,000 张 UNKNOWN）与坑点 5（患者级泄漏），再看 §7.7 DAIMS 表——这两个坑覆盖了本数据集 80% 的翻车场景。
做报告生成评测：先读 §8.1 的 ReXrank 分工声明再动手——私测集与 Public Test 是两个集合，混用口径是审稿高危错误。

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（胸部影像常见观察的 ICD-11 与 SNOMED CT 映射、胸片临床任务定义、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：§4 数据结构（字段字典、数据层级与缺失模式）、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-28

审核方式：交叉审核

利益冲突声明：千方病案医数集与 Rajpurkar Lab、哈佛医学院、Gradient Health 无任何商业利益关联。本页面不销售 ReXGradient-160K 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。ReXGradient-160K 要求用户在 HuggingFace 仓库签署 Non-Commercial Data Access and Use Agreement（非商业数据访问与使用协议）后方可下载；商业使用需另行联系 Gradient Health 获取授权。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 30 秒速览

这是什么？ ReXGradient-160K 是哈佛医学院 Rajpurkar 实验室与影像供应商 Gradient Health 在 2025 年 5 月发布的大规模胸片数据集：160,000 项检查、273,004 张胸片图像、109,487 名患者，每项检查配有一份英文放射报告，图像来自 79 家医疗站点。它和 MIMIC-CXR、CheXpert Plus 属于同一个赛道——"胸片 + 报告"配对数据——但把站点多样性做到了公开数据集的最高档。

为什么重要？ 医疗 AI 模型最常见的翻车方式不是"没见过病"，而是"没见过这家医院的片子"：不同设备、不同拍摄角度、不同人群的图像分布差异会让在单一站点数据上训练的模型性能大幅缩水。ReXGradient-160K 用 79 家站点的数据直接针对这个痛点，让"多站点泛化"第一次成为胸片报告生成任务里可以系统性研究的命题。

我能用它做什么？ 训练或评测放射报告生成模型（给一张胸片，让模型写出报告）、做视觉-语言模型预训练、研究模型跨站点/跨设备的泛化能力，或者把它的 14 万训练集当作大规模无标注-有配对语料给下游分类任务做预训练。注意两点：图像降采样到了原图 25%，不适合小病灶检测类任务；许可仅限非商业用途。

速览卡：规模 160,000 studies / 273,004 images / 109,487 patients ｜站点 79 ｜划分 140k/10k/10k（患者级不重叠）｜格式 PNG + CSV ｜获取 HF gated 免费申请｜许可非商业｜榜单 ReXrank（独立体系）｜首发论文 arXiv:2505.00228（2025-05）。八个坑点里最常踩的是坑点 1（ViewPosition UNKNOWN）与坑点 5（患者级泄漏）。

§1.1 技术摘要

ReXGradient-160K 由 Gradient Health 从 79 家合作站点（含 3 个美国医疗系统）回溯性汇聚 DICOM 胸片检查，经四步流水线处理：原始 DICOM 通过 pydicom 读取，MONOCHROME1 光度反转处理、16-bit 像素 min-max 归一化、降采样至原图 25%（cubic 插值）后统一导出 PNG；对应英文放射报告由 GPT-4o 辅助抽取为 Indication / Comparison / Findings / Impression 四段结构；文本与像素双通道执行 HIPAA 合规去标识（文本规则清洗 + 像素烧灼文字移除），日期在患者内一致地偏移 365 天以内。官方按患者划分给出 140,000 / 10,000 / 10,000 项检查的训练、验证与公开测试集（对应 238,968 / 17,007 / 17,029 张图像、95,716 / 6,964 / 6,807 名患者，三列求和与总量精确吻合）。数据以 gated HuggingFace 仓库发布（rajpurkarlab/ReXGradient-160K），签署非商业协议后自动通过申请（论文）。

从数据集工程视角看，ReXGradient-160K 的设计哲学是"规模与多样性优先、标注深度让位"：它不在像素级标注上与 CheXpert（人工五类标注）或 MIMIC-CXR 人工复核竞争，而是把工程预算投向三件事——站点数量（79 家）、检查规模（160,000）与发布流程的现代化（HuggingFace gated 直发 + CSV 元数据 + 统一 PNG）。这一取向决定了它适合的任务形态：凡是"图像 + 文本"联合建模的任务都是主场，凡是需要像素级或疾病级人工标签的任务都需要额外加工（§2.6、§7.7）。

"发布流程现代化"这一条值得单独强调：它决定了使用者从发现数据到跑通第一个 batch 的时间。PhysioNet 系数据集的这个周期通常以天计（培训 + 申请 + 审批 + 下载配置），本数据集把它压缩到了小时级（注册 + 签协议 + 自动通过 + 一条下载命令）。对迭代速度敏感的 LLM 时代研究（大模型微调、快速消融、课程项目），这个时间差本身就是选择数据集的实质理由。

§1.2 战略价值

维度一：站点多样性即泛化能力。截至 2025 年，公开胸片报告数据集的主力——MIMIC-CXR（贝斯以色列女执事医疗中心单中心）、CheXpert Plus（斯坦福单中心）——都来自单一机构，模型在这些数据上的"报告生成分数"难以外推。ReXGradient-160K 的 79 家站点意味着同一份训练语料内就天然携带设备型号、拍摄协议、人群构成的巨大方差，论文将其定位为研究"数据多样性如何转化为模型鲁棒性"的规模化试验台。对于做领域自适应、联邦学习、跨域评测的团队，这是目前唯一能拿到四位数站点级多样性的胸片报告语料。

维度二：补齐"规模 × 新鲜度"象限。160,000 项检查的规模介于 MIMIC-CXR（227,835 项）与 CheXpert Plus（223,228 张图像口径）之下，但其数据为 2020 年代中期新采集、由商业影像供应商按现代 DICOM 设备汇聚，报告为英文当代临床书写风格，与 MIMIC-CXR 的 2011-2016 年时间窗形成互补。对需要"现代临床文风 + 大规模配对"的视觉-语言模型（如报告生成大模型、多模态医疗助手）预训练而言，它提供了不与老牌数据集重叠的新鲜分布。

维度三：获取门槛的民主化。与 PhysioNet 系数据集（MIMIC-CXR 需完成 CITI 培训 + 凭证化申请 + 签署 DUA，周期以天计）相比，ReXGradient-160K 的 gated=auto 机制在签署协议后即时放行，无培训课时与机构背书门槛。这对独立研究者、小团队与教学场景是实质利好——代价是协议对商业使用的排除更明确，以及 PhysioNet 式的使用培训缺失，数据伦理责任更多转移给使用者本人。

§1.3 同类数据集横向对比

数据集	检查数	图像数	患者数	站点数	报告语言	获取方式	差异化定位
ReXGradient-160K	160,000	273,004	109,487	79	英文	HF gated 非商业协议	站点多样性最高，2020s 新采集
MIMIC-CXR	227,835	约 377,110	65,379	1	英文	PhysioNet 凭证申请	单中心经典基准，时间跨度 2011-2016
CheXpert Plus	—	223,228	64,725	1	英文	Stanford 申请	单中心，含放射技师标注与报告
IU X-ray	—	7,470	—	1	英文	公开直链	小规模经典基准，常作外部测试集

（对比集数字取自 ReXGradient-160K 论文 Table 1 口径：MIMIC-CXR 227,835 studies / 65,379 patients；CheXpert Plus 223,228 / 64,725；IU X-ray 7,470 pairs。各数据集"检查/图像"统计口径不完全一致，不可直接互比。）

读这张表的正确姿势：MIMIC-CXR 赢在时间纵深与社区基准厚度（十年积累的复现论文与基准代码），CheXpert Plus 赢在标注的可解释性设计（不确定性标签），ReXGradient-160K 赢在站点方差与获取速度。三者并非替代关系——成熟的报告生成论文常用 MIMIC-CXR 做主实验、IU X-ray 做外部测试，而本数据集目前最差异化的用法是"多站点预训练 + 单中心细粒度评测"的组合拳。

§1.4 版本时间轴

时间	版本/事件	说明
2025-05-01	arXiv v1（2505.00228）	论文首发，随附 HuggingFace 数据集发布
2025-05-10	arXiv v2	论文修订（部分统计口径微调，本条目对区间敏感数字采用区间写法，见 §4.3）
2025 年中	ViewPosition 补齐事件	初版约 87% 图像 ViewPosition 为空；官方用 DICOM study description 补齐 + 自动分类后仍余约 34,000 张 UNKNOWN（HF discussion #3，详见坑点 1）
2025-12-08	HuggingFace 最后修改	数据集本体在论文发表半年后仍在维护更新

时间轴给出三个信号：其一，论文与数据同步发布（不是"论文先挂、数据鸽子"的常见脱节），工程执行力可信；其二，ViewPosition 事件展示了官方对待数据缺陷的姿态——公开 discussion、承认残留、给出恢复流水线，这种透明度在选择长期依赖的数据集时是重要加分项；其三，半年后的 lastModified 说明它不是"发完即弃"的一次性论文附件，后续仍可能有质量修复，版本锁定纪律（§6.10）因此不是学究式的洁癖。

§1.5 典型应用场景

放射报告生成（RRG）训练与评测：14 万配对训练集 + 官方 1 万公开测试集，可直接复现 ReXrank 榜单的评测范式（§8.3）。
视觉-语言预训练：27.3 万图文对可作为医疗视觉-语言模型的预训练语料，再迁移至分类、检测、检索任务。
多站点泛化与域偏移研究：79 站点的天然方差可用于按站点切分的 domain generalization / domain adaptation 实验。
报告结构化与信息抽取：四段结构化报告本身即是"自由文本 → 结构化段落"的参照产物，可用于训练报告段落分类器或摘要器。
报告质量与错误研究：与同实验室的 ReXErr-v1（MIMIC-CXR 报告临床错误标注集）配合，研究报告生成模型的临床错误模式。

何时不要用本数据集：需要原始 DICOM 分辨率的检测/分割任务（25% 降采样是硬上限，见坑点 3）；需要结构化疾病标签的分类任务（只有自由文本报告，需自行弱监督提取）；需要绝对时间窗的时序流行病学研究（日期偏移不可逆，见坑点 8）；任何商业用途（协议明确排除，走 Gradient Health）。以上场景请改用 MIMIC-CXR-JPG、CheXpert 系或联系供应商，不要"带病上马"后在论文里解释。

§2 医学背景

§2.1 ICD-11 与 SNOMED CT 映射

胸片报告覆盖整个胸部疾病谱。下表列出胸片报告中最常出现的观察类别与编码体系映射（ICD-11 编码取 WHO ICD-11 MMS 呼吸系统章与循环系统章；SNOMED CT 取国际版概念码）：

观察类别（报告术语）	ICD-11 编码	SNOMED CT 码	SNOMED 术语
肺炎（pneumonia / consolidation）	CA4Z（急性肺炎，未特指）	233604007	Pneumonia
心力衰竭（heart failure）	CB4Z（心力衰竭）	84114007	Heart failure
心脏肥大（cardiomegaly）	CB4Z（心力衰竭范畴）	10725009	Cardiomegaly
气胸（pneumothorax）	CB21	36118008	Pneumothorax
胸腔积液（pleural effusion）	CB27	15485004	Pleural effusion

说明：报告为自由文本，未携带结构化诊断编码；上表是"报告常用术语 → 编码体系"的类别级映射，供检索与人群分层参考，不构成逐例编码。若需将报告自动映射为诊断码，可在本数据集上训练编码器，或复用 RadGraph 类实体抽取工具先做实体归一。

§2.1b SNOMED CT 映射补充

从报告生成建模角度补充 SNOMED CT 的临床发现（finding）层级概念——胸片报告中高频出现的影像学术语与 SNOMED 发现轴的对应关系：

报告高频术语	SNOMED CT 概念	概念轴	归一化建议
clear lungs / no acute disease	Normal finding（概念组合）	临床发现	报告否定句需先做否定检测再归一
airspace disease / consolidation	Lung consolidation	影像所见	与肺炎（感染病因）区分：影像所见 vs 病因诊断
pulmonary edema	Pulmonary edema	临床发现	心源性/非心源性在报告里常不区分，合并归一
pleural effusion	Pleural effusion	临床发现	两侧/单侧、量级修饰词单独抽取
comparison studies	Comparison study（评估轴）	操作/评估	Comparison 段元信息，不进入病变实体池

（SNOMED 细粒度概念码随术语版本变化，稳妥做法是用 Snowstorm/术语服务器按术语实时取码；本表目的在于说明"报告术语 → 术语体系"需要一层归一化工程——先否定检测、再实体抽取、后编码映射——而非给出可直接入库的最终码表。RadGraph 标注体系（§8.3）正是这类归一化的成熟参照。）

§2.2 疾病背景与流行病学

胸片（chest radiograph, CXR）是全球开具量最大的影像检查之一：便宜、快捷、辐射剂量低（约 0.02 mSv，相当于数天本底辐射），是呼吸困难、胸痛、发热、术前评估的首选检查。胸片报告对应的临床谱系极广——肺部感染（肺炎、结核）、心力衰竭（肺淤血、胸腔积液、心脏肥大）、肿瘤（结节、肿块、纵隔增宽）、气胸、慢性阻塞性肺疾病等。放射科医生在一张胸片上要同时排查数十种异常，报告书写占其工作时间的相当比例，这也是"自动报告生成"成为医疗 AI 最活跃赛道之一的现实动因。

流行病学背景决定了报告内容的长尾结构：肺炎是全球感染性疾病相关死亡的主要原因之一，在低收入与高龄人群中负担最重；心力衰竭影响全球逾六千万人，是胸片慢性随访的高频适应证；胸腔积液与气胸既是原发急症也是住院患者的常见并发症。这些常见病构成了报告语料的头部；而罕见病（如间质性肺病的少见亚型、术后并发症）则散落在长尾——160,000 项检查的规模正是为了把这条长尾也"买"进来：按粗略的齐普夫直觉，单中心几万检查难以稳定覆盖的罕见表述，在 79 站点、16 万检查的池子里出现的绝对频次才足以支撑语言模型的习得。

从人群看，需要胸片检查的患者以中老年为主：本数据集中约 50% 的患者年龄落在 40-80 岁区间（论文统计），与胸片作为成人慢病与急症随访工具的定位一致。性别分布接近均衡（男约 49%、女约 50%、未知约 1.3-1.8%，区间写法理由见 §4.3）。

§2.3 临床任务定义

筛查与诊断：胸片是肺炎、气胸、胸腔积液、心衰的一线筛查工具；报告中的 Findings 段描述影像所见，Impression 段给出诊断印象。
随访与疗效评估：ICU 每日胸片（AP 卧位片）追踪置管位置、肺水肿变化；本数据集中 AP 位约占 29%，包含了大量此类急重证片子。
术前评估：外科术前常规胸片排除活动性肺部病变。
对应 AI 任务：报告生成（图像 → Findings/Impression 文本）是本数据集的核心任务；派生任务包括报告段落结构化、关键异常分类（从报告弱监督提取标签）、图文检索与视觉问答。

三个临床任务与 AI 任务的对应关系值得展开：其一，筛查/诊断场景对应"Findings 生成"——模型需要从图像写出系统性排查所见（气道、骨骼、心脏、肺野的逐区评述），这是报告生成里信息密度最高的部分；其二，随访场景对应"Impression 生成 + Comparison 引用"——模型需要结合历史检查写结论，本数据集 Comparison 段的存在反映了真实临床"与前片对比"的书写习惯；其三，术前评估场景多为短阴性报告，对应"正常样本的简洁生成"——这条在多数单中心数据集里被低估的能力，恰恰是多站点大数据集的优势：阴性报告的多样写法足够多，模型才学得会"把正常写成正常"而不是把模板背出来。

§2.4 患者人群构成

维度	构成	说明
来源机构	79 家站点，含 3 个美国医疗系统	由 Gradient Health 汇聚的国际多站点数据；站点名单未逐家公开
采集时间	真实日期经偏移处理（患者内一致，≤365 天）	原始采集时间范围官方未披露
年龄	约 50% 患者在 40-80 岁	论文人群统计
性别	男约 49% / 女约 50% / 未知约 1.3-1.8%	取论文 v1/v2 区间写法
种族/族裔	元数据含 EthnicGroup 字段，但分布未在论文中系统报告	公平性分析受限，见 §7.5
就医类型	常规门诊 + 急重证（含 AP 卧位片约 29%）	按视角分布推断的检查场景混合

这张表每一行都值得二次咀嚼："就医类型"行是全表唯一由使用者推断（而非官方直接披露）的行——AP 卧位片多说明急重证样本多，但这只是视角统计的合理推论，数据集并没有"门诊/急诊"标签列，引用时请保持"按视角推断"的措辞而非升级为事实陈述。这是数据集条目写作里防"推断漂移成事实"的一个典型示范：推断可以入正文，但必须带着推断的帽子。

§2.5 临床价值定位

对 AI 开发者，ReXGradient-160K 的临床价值在于它模拟了真实部署环境：模型上线后面对的不是单一设备的同质图像流，而是数十家机构、几十种设备型号的混合流。用本数据集训练或验证的报告生成模型，其"跨站点稳定性"指标比单中心分数更能预测真实表现。对临床信息学研究者，79 站点的报告书写风格差异本身就是研究素材——同一疾病在不同机构的报告措辞、详略、结构习惯各不相同，这为报告风格归一化、模板化写作研究提供了少见的多样性样本。再往深一层：多站点数据使"报告质量本身"成为可量化对象——研究者可以统计各站点 Impression 段的信息熵、否定句比例、量级修饰词使用频率，建立"书写风格坐标系"，进而研究生成模型是否在隐式学习某个站点的风格而非病理内容（坑点 7 的风格-内容解耦正是这一方向的评测抓手）。

§2.6 金标准描述

维度	内容
划分	官方按患者划分：Train 140,000 / Val 10,000 / Public Test 10,000 项检查
标注方式	报告为常规临床书写的自由文本（即"临床金标准"）；四段结构化由 GPT-4o 辅助自动抽取
标注者	报告原作者是执业放射科医生（常规临床工作产物）；结构化分段由 GPT-4o 完成，未见全量人工复核的公开细节
金标准性质	弱监督文本金标准——报告本身是真实临床产物，但不存在像素级或疾病级人工标注层
已知标注缺陷	ViewPosition 字段初版 87% 缺失，官方自动补齐后仍余约 34,000 张 UNKNOWN（见坑点 1）

“弱监督文本金标准"这一定位的实操含义：报告中每个陈述都是"放射科医生的所见+判断”，它同时携带了影像证据与医生的主观过滤——同一张片子的"双肺纹理增粗"在不同医生笔下可能是"心肺未见明显异常"。用这种金标准训练的模型学到的是"某站点人群的平均报告风格"，而非纯粹的影像-病理映射。承认这一点不是贬低数据集，而是所有自由文本监督数据的共同宿命；本数据集的 79 站点方差只是让这个宿命更显性了。

§3 数据集规格

§3.0 版本与获取渠道抉择矩阵

ReXGradient-160K 只有一个数据版本，但存在三个容易混淆的"相邻资产"，抉择如下：

你的需求	应该用	大小/规模	理由
训练/评测报告生成模型	ReXGradient-160K 本体（HF gated 仓库）	160,000 studies / 273,004 图像	本条目所描述的数据集本体
查模型排名、对比 16 个报告生成模型	ReXrank 排行榜（rexrank.ai，独立条目）	私测集 10,000 studies / 67 站点	ReXrank 是排行榜，其私有测试集与本体测试集是两个集合（§8.1 详述）
研究报告中的临床错误类型	ReXErr-v1（PhysioNet，MIMIC-CXR 报告错误标注）	基于 MIMIC-CXR	不是 ReXGradient 的子集，别混
商业部署	联系 Gradient Health 另签商业授权	按需	非商业协议明确排除商业使用

这张矩阵解决的是检索层面的一个高频事故：在论文检索或 HuggingFace 搜索里，“ReXGradient”“ReXrank”"ReXErr"三个前缀相同的产品会互相窜位——用错误的名字去搜、或把 A 的数字安到 B 头上，是本生态最典型的引用事故源（AI 辅助写作里称之为"合并视图"型错误）。写作时建议固定一个自查动作：每写一次 ReX 开头的词，停半秒确认它指代的是数据集、排行榜还是错误标注集。

§3.1 模态详情

影像模态：胸部 X 光平片。原始格式为各站点 DICOM（含数字化放射 DR、计算机放射 CR、卧位床旁机等多种设备类型，InstitutionName 与 Manufacturer 元数据可佐证设备多样性）。发布图像统一为 8-bit PNG：DICOM 经 pydicom 读取，MONOCHROME1 光度（像素值黑白定义反转的设备惯例）被统一反转校正，16-bit 像素做 min-max 归一化后降采样至原图 25%（cubic 插值）。这意味着发布像素间距约为原始采集的 4 倍——对报告生成任务无损，对细小病灶（如 <5 mm 结节）的视觉判读有明显信息损失（见坑点 3）。

文本模态：每项检查一份英文放射报告，为常规临床书写产物，经 GPT-4o 辅助抽取为 Indication / Comparison / Findings / Impression 四段。四段平均长度差异显著：Findings 约 32-33 个 token，Impression 约 11-12 个 token，Indication 约 5.1-5.2 个 token，Comparison 约 2.7-2.8 个 token（v1/v2 区间口径，见 §4.3）——大量检查的 Comparison 与 Indication 段接近空段，这是随访类检查的真实临床习惯。

模态配对的粒度值得注意：报告挂在检查级而非图像级——一项含 PA + LAT 两张片的检查共用一份报告。这给建模带来一个设计决策：图像编码侧要么多图拼接（共 273,004 张图的视觉信息全部进入），要么只用主视角（PA 优先）单图进模型。两种策略在 MIMIC-CXR 社区都有成熟先例，但在 LAT 占 35% 的本数据集上，多图策略的收益预期更大——侧位片对后纵隔与脊柱病变的判读信息是正位片无法替代的。

§3.2 按子集样本数

官方三分划分（论文 Table 1，患者级不重叠）：

子集	检查数（studies）	图像数（images）	患者数（patients）
Train	140,000	238,968	95,716
Validation	10,000	17,007	6,964
Public Test	10,000	17,029	6,807
合计	160,000	273,004	109,487

三列纵向求和均与总量精确吻合（273,004 与 109,487 均可由三行相加复原），这是该数据集数字可信度的关键自洽校验点。

§3.3 数据格式

内容	格式	说明
胸片图像	PNG（8-bit 灰度）	统一光度方向，原图 25% 降采样
放射报告	CSV	四段结构化文本（Indication/Comparison/Findings/Impression）
元数据	CSV	DICOM 派生字段（PatientID、AccessionNumber、PatientSex、EthnicGroup、PatientAge、PatientWeight、StudyDate、InstitutionName、Manufacturer）+ ViewPosition、split 等
发布渠道	HuggingFace 数据仓库（gated）	签署协议后可用 huggingface_hub 下载

格式选择对 AI 就绪度的实际影响：PNG + CSV 是"零转换"组合——图像无需医学格式解析库（对比 DICOM 需要 pydicom + 窗宽窗位知识），表格无需数据库即可 pandas 直读。与之相对，MIMIC-CXR 的 DICOM 原始版需要使用者自行完成窗宽窗位与 8-bit 转换（官方 JPG 版已代劳）。本数据集把转换成本前置到了发布方一侧，代价是分辨率让步（25%）。这是一笔对报告生成任务明显划算、对检测分割任务明显不划算的交换——选择使用前先确认自己在交换的哪一侧。

§3.4 存储大小

官方与论文均未披露仓库总体积。可由构成估算数量级：273,004 张降采样 PNG（单张典型 0.3-1.5 MB）加报告与元数据 CSV，粗估数十 GB 量级——此为编辑部分析估算，非官方数字，实际以下载页为准。磁盘规划建议预留 100 GB（含解压与工作副本），与下载 MIMIC-CXR 的预留习惯一致。

容量规划的三个实用参考点：其一，CSV 层很轻（报告四段均值合计约 52 token/检查，全量报告文本量在数百 MB 量级），可以先只拉 CSV 完成全部元数据分析与划分实验，再决定是否拉全量图像；其二，snapshot_download 支持 allow_patterns 分批下载（§6.2），建议按 images/{首字符} 分片策略断点续传；其三，训练集群场景下把 PNG 打包为 WebDataset/LMDB 格式通常能把随机读 I/O 压力降一个数量级——打包前的原始 PNG 建议保留，打包层叠在副本上而非原地替换。

§3.5 标注方式

两层"标注"需分开理解：

报告文本：临床产物，非为本数据集新标注。放射科医生在常规诊疗中书写，天然携带真实临床的措辞习惯、不确定表达与偶尔的简写。
四段结构化：由 GPT-4o 辅助从自由文本报告抽取，属于自动化弱标注层。论文披露了流水线设计，但未公开逐段人工抽检的量化一致率。
元数据：来自 DICOM 头（患者人口学、设备信息）与 view position 自动分类流水线（见坑点 1）。

这种"三层标注"结构的直接推论是：本数据集不能像人工标注数据集那样报告 inter-rater kappa——没有需要评分的人工标注者。审稿人若询问标注一致性，正确回应是披露结构化流水线的自动化性质 + 自行抽检结果，而不是套用人工标注的指标模板装样子。

§3.6 标注者资质与一致性

报告作者为执业放射科医生（各站点常规临床人员，具体资质分布未披露）。结构化分段由 GPT-4o 模型完成——这是本数据集与人工标注数据集（如 MIMIC-CXR 的人工 Reports、CheXpert 的人工 5 类标注）最本质的差异：不存在人工逐例质控的标注层，使用者应把四段结构当作"高质量自动产物"而非金标准（坑点 6）。

从趋势看，这种"自动结构化标注层"正在成为新一代大规模数据集的通行做法——人工标注的成本曲线在百万量级上不可持续，LLM 辅助结构化是规模与质量的折中产物。它的可辩护性取决于披露透明度：本数据集在论文中明示了 GPT-4o 的参与，这比悄悄用 LLM 处理后宣称"人工整理"的做法可信得多；相应地，使用者也应在衍生论文里如实传导这一定性（“LLM-assisted sectioning”），让下游引用链保持诚实。

§3.7 采集周期

真实采集日期经 HIPAA 日期偏移处理（同一患者的所有检查偏移量一致，偏移幅度 365 天以内），跨患者偏移量不同。因此：患者内的时间序列结构（先后顺序、间隔比例）保持可用，但绝对日历时间、跨患者的真实时间关系不可恢复。原始采集时间范围官方未披露。做"时间漂移"类研究时只能使用患者内相对时间，见坑点 8。

日期偏移保留与破坏的信息各是什么？保留：患者内检查先后次序、相对间隔比例（1 天与 30 天的间隔在偏移后仍约 1:30）、同日多张片的并发关系。破坏：真实年份、季节（偏移 365 天内可跨季节）、跨患者的时间对齐（两患者的"2023-06"可能分别对应不同真实日期）。凡是依赖上述保留性质的建模（纵向疾病进展、检查间隔效应）可以放心做；依赖被破坏性质的研究（季节性疾病模式、真实时间趋势）请换数据。

§3.8 地域覆盖

图像来自 79 家医疗站点，其中 3 个为美国医疗系统，其余为 Gradient Health 的国际合作站点（具体站点名单、国家构成未逐家公开）。注意区分两个"站点数"：79 是本数据集（160,000 studies）的站点数；67 是同实验室 ReXrank 排行榜私有测试集（10,000 studies / 7,004 patients）的站点数，两者是不同对象的数字（存照见 §7.7 与 §8.1）。

站点匿名化对研究设计的反向约束也值得预判：因为只有 InstitutionName 代号而无地理/规模属性，使用者无法按"国家收入组别"“城市/农村”"教学/社区医院"等社会维度做站点分层——而这类分层恰恰是泛化性论文最想要的切片。可行的补救是按可观测代理变量聚类站点（视角构成、设备组合、报告长度分布），把 79 个代号归并为若干"风格簇"再分层；这类无监督站点画像本身也可以作为论文的一个小贡献点。

§3.9 设备规格

设备多样性由元数据字段 Manufacturer 与 InstitutionName 承载。已知的采集异质性包括：数字化放射与 CR 设备并存、立位（PA/AP）与卧位床旁（AP）并存、LAT 侧位片约占 35%。原始 DICOM 的像素矩阵与像素间距因设备而异，发布版统一降采样后不再保留逐张原始分辨率信息。设备型号级分布统计官方未系统公开，使用者可在下载后按 Manufacturer 字段自行统计（§4.2 给出视角分布作参考）。

设备异质性对两类使用者意义不同：对报告生成任务，它主要体现为图像风格噪声，强增强 + 大数据通常足以吸收；对设备感知或质量评估类研究（如"低档设备图像上的模型降级曲线"），Manufacturer 字段是唯一的官方设备信息锚点，但需注意 DICOM Manufacturer 字段的填报质量因站点而异（同一厂商可能有多种拼写），使用前先做字段值归一统计，把长尾拼写合并后再分层。

§3.10 深度溯源链

环节	执行方	产物/证据
多站点 DICOM 汇聚	Gradient Health（商业影像供应商）	DICOM 原始检查流
图像标准化（光度反转/归一化/降采样/PNG）	Rajpurkar Lab 处理流水线	273,004 张 PNG
报告四段结构化	GPT-4o 辅助流水线	四段结构化报告 CSV
去标识（文本 + 像素双路）	Rajpurkar Lab（HIPAA 合规流程）	脱敏数据集
发布与许可托管	Harvard / HuggingFace gated 仓库	Non-Commercial Data Access and Use Agreement
学术论文与引用	Xiaoman Zhang 等（arXiv:2505.00228）	论文 Table 1 与附录统计

资助方：Biswas Family Foundation（与 Milken Institute 合作）。

溯源链的断点提示：上表中"图像标准化"与"报告四段结构化"两个环节由实验室内部流水线完成，但流水线代码未开源（DAIMS 第 21 项 ❌ 的来源）——这意味着第三方无法从 DICOM 复现出位对位的发布产物。对多数使用者这不构成障碍（大家用的是 PNG 成品），但对"想把该流水线方法迁移到自己机构数据"的研究者，只能按论文描述重实现，产出与官方发布版的差异需自行量化并披露。

§4 数据结构

§4.0 目录树

以下为按官方仓库组织方式与论文附录重建的解压后布局示意（gated 仓库目录细节以下载页实际文件为准，个别文件名可能随版本微调）：

ReXGradient-160K/
├── images/                        # 273,004 张 PNG（8-bit 灰度）
│   └── {patient_id}/              # 按患者分层
│       └── {study_id}_{view}.png  # 每检查 1-多张（PA/AP/LAT）
├── reports.csv                    # 160,000 行：study_id + 四段结构化报告
├── metadata.csv                   # DICOM 派生元数据 + ViewPosition + split
└── LICENSE / README               # ReXGradient 非商业协议与数据卡

核心层级：患者 → 检查（study）→ 图像（image）。一项检查平均 1.71 张图像（273,004/160,000），即一次拍片常含 PA 正位 + LAT 侧位的组合；一名患者平均 1.46 项检查（160,000/109,487），约四分之一患者有多次检查——这既是纵向研究的素材，也是数据泄漏的源头（坑点 5）。

§4.1 DAIMS 字段字典

元数据核心字段（观测误差与信息性缺失列综合论文、HF 数据卡与 discussion #3）。

读这张字典的两个入口：做数据加载的工程师按"字段名 → 类型 → 取值范围"三列走通即可写解析代码；做研究设计的研究者请重点读"观测误差/注意"与"信息性缺失编码"两列——这两列决定了每个字段在结论里能承载多大的证据权重。

字段名	类型	说明	示例值	AI 用途	观测误差/注意	信息性缺失编码	取值范围
PatientID	文本	脱敏患者唯一标识	（脱敏哈希串）	患者级分组、防泄漏切分	跨版本可能重编	无	109,487 个唯一值
AccessionNumber	文本	检查登记号（脱敏）	（脱敏串）	检查级唯一键	—	无	每检查唯一
PatientSex	类别	性别（DICOM 头）	M / F	人群分层、公平性	约 1.3-1.8% 未知	未知值即缺失	M/F/未知
PatientAge	数值	年龄（DICOM 头）	63	年龄分层	记录自检查时登记，或有录入误差	需下载后统计	成人为主，约 50% 在 40-80 岁
PatientWeight	数值	体重（DICOM 头）	72.5	剂量/体型相关分析	床旁急诊场景缺失率较高	缺失即空值	千克
EthnicGroup	类别	族裔（DICOM 头）	（站点填报）	公平性研究（受限）	各站点填报标准不一，论文未系统报告分布	站点间异质	非标准化
StudyDate	日期	偏移后检查日期	2143-05-12（偏移后）	患者内时序	绝对时间不可信，仅患者内相对顺序有效	无	偏移窗口内
InstitutionName	文本	站点/机构名（脱敏化）	（机构代号）	站点级 domain 切分	名单未逐家公开	无	79 站点
Manufacturer	文本	设备厂商（DICOM 头）	（厂商名）	设备泛化分析	型号粒度不统一	无	多厂商
ViewPosition	类别	投照视角	PA / AP / LAT	采样策略、模型输入分组	约 34,000 张为 UNKNOWN（坑点 1）	“UNKNOWN” 即信息性缺失	AP/PA/LAT/UNKNOWN
split	类别	官方划分	train/val/test	复现官方划分	—	无	3 值
Findings	文本	报告所见段	“The lungs are clear…”	报告生成长文本目标	GPT-4o 抽取产物（坑点 6）	空段即缺失	均值约 32-33 token
Impression	文本	报告印象段	“No acute disease.”	报告生成短文本目标	同上	空段即缺失	均值约 11-12 token

§4.2 关键分布

投照视角分布（图像级）：LAT 约 35% / PA 约 31% / AP 约 29% / 其余为 UNKNOWN 及少量特殊视角。与 MIMIC-CXR（PA 占比过半）相比，本数据集的侧位与卧位片比例明显更高，直接反映了多站点（含 ICU 床旁）混合的人群结构。

每患者检查数：平均 1.46 项检查/患者。按"检查数 = 患者数 × 1.46"反推，多次检查患者的分布呈右偏长尾——大量患者单次检查、少数患者多次随访。这个分布决定了两条实践红线：患者级划分不可省略（坑点 5）；纵向建模子集（≥2 次检查的患者）需要单独统计并在论文中报告规模，因为它的有效样本量远小于总患者数。

性别分布：男约 49% / 女约 50% / 未知约 1.3-1.8%。性别未知比例存在 1.3% 与 1.8% 两个口径（论文 v1 与 v2 / 不同 split 间细微差异），本条目按区间记，不取单点。

年龄分布：约 50% 患者年龄在 40-80 岁区间；更细的年龄直方图论文未给出。

§4.3 报告文本统计

四段报告的 token 均值（论文 v1/v2 存在区间级差异，取区间写法）：

报告段	平均 token 数（区间）	空段倾向
Indication	~5.11 - 5.16	常见（随访检查常省略）
Comparison	~2.65 - 2.78	高发（无历史对比时近乎空段）
Findings	~32.27 - 32.92	低（主体段，几乎总有内容）
Impression	~11.17 - 11.63	低（结论段，偶有省略）

实践含义：把四段全拼接做生成目标是常见做法，但 Comparison 段的大量空段会拉低逐 token 指标——评测时建议固定"Findings + Impression"或逐段分开报告（§6.9）。

§4.4 数据层级与连接关系

患者（109,487）
 └── 检查 study（160,000）        # 键：study_id / AccessionNumber
      ├── 报告（1:1）             # 四段结构化文本
      └── 图像（1:N，均 1.71）     # 键：图像文件，ViewPosition 区分

患者级聚合是防泄漏的第一原则：官方三分在患者级不重叠（三 split 患者数求和 = 109,487）。
站点级聚合（InstitutionName）是做 domain generalization 的第二层分组键。
时间级（StudyDate 偏移后）仅在患者内可用。

连接键速查：

分析场景	分组键	注意事项
防泄漏划分	PatientID	官方 split 已保证；自行重切必须沿用
跨站泛化	InstitutionName	代号无地理属性，先做站点画像（§3.8）
检查级检索	AccessionNumber / study_id	图像多对一挂在检查上
纵向时序	PatientID + StudyDate 序	仅患者内相对顺序有效（坑点 8）
设备分层	Manufacturer（归一后）	先合并长尾拼写再分层（§3.9）

§4.5 缺失值与信息性缺失

字段	缺失/异常	规模	处理建议
ViewPosition	UNKNOWN（信息性缺失）	约 34,000 张	保留为独立类别输入模型，勿删除（坑点 1）
Comparison 段	近乎空段	大量	结构上正常，非数据错误（§4.3）
PatientWeight	急诊场景缺失较多	未系统披露	按需字段，缺则弃用该字段而非弃样本
PatientSex	未知值	约 1.3-1.8%	计入"未知"类别，勿按二分类硬填
EthnicGroup	站点间填报异质	未系统披露	公平性分析前先做站点内归一（§7.5）

缺失处理的总原则：区分"数据缺陷"与"信息性缺失"。ViewPosition 的 UNKNOWN 是信息性缺失（缺失本身携带"设备头信息不全"的信号，且官方语义明确），应保留建模；Comparison 空段是临床习惯的正常表达，根本不是缺失；PatientWeight 的场景性缺失则是真缺失，建议整列弃用而非插补——插补一个与检查场景强相关的生理量，等于把缺失机制学进模型。三者的处理策略完全不同，混为一谈是数据清洗阶段最常见的粗糙化。

§5 数据划分与使用建议

§5.1 官方划分

官方三分按患者划分：Train 140,000 / Val 10,000 / Public Test 10,000 项检查。Public Test 的存在是该数据集设计上的一个亮点——很多新发布的大规模数据集只给训练集，把评测留给排行榜私测集；这里同时提供患者级不重叠的公开测试集（17,029 张图像），供论文结果复现。

使用官方划分时还有一个细节要确认：Val 与 Public Test 的分工纪律。Val 用于超参与模型选择（可以反复使用），Public Test 原则上只消费一次——如果每个新想法都在 Public Test 上验证再决定是否采用，它就退化成了第二个验证集，选型偏差会悄悄注入最终报告的数字。大实验室常用"冻结期"制度（Public Test 每季度只跑一次汇总评测），小团队至少也要在实验记录里标记每次 Public Test 的调用原因，让"调用了几次"本身可审计。

§5.2 社区惯例划分

报告生成社区（承袭 MIMIC-CXR 时代惯例）常见的两种变体：其一，在官方 Train 内再按患者切 5% 做开发集，用官方 Val 调参、官方 Public Test 只在终评跑一次；其二，做跨站点泛化时不用官方划分，而按 InstitutionName 做 leave-sites-out——后者与本数据集"多站点"定位更契合，但注意站点名单脱敏后只有代号。

两种变体的适用边界：变体一适合"模型方法"类论文（贡献在架构与训练策略，数据口径越标准越可比）；变体二适合"数据与泛化"类论文（贡献在揭示站点方差的作用，数据划分本身就是实验设计）。混用两条路线的常见事故是把变体二的站点外分数与变体一的患者内分数并排放进同一张表——两者回答的是不同问题，数值差 10 个点以上都属正常，并排只会误导读者。

§5.3 泄漏风险清单

患者级泄漏（高危）：约四分之一患者有 ≥2 项检查，报告措辞高度模板化；任何按图像或检查随机划分的做法都会把同一患者的同款报告拆进训练与测试，虚高指标。一律按 PatientID 切分（官方划分已按此执行，自行重切时必须保持）。
站点级泄漏（中危）：用官方划分评测"泛化"时，同一站点会同时出现在训练与测试集——模型可能学到站点风格而非病理证据。要测真实跨站泛化，需自行按站点重切（§5.2）。
排行榜泄漏（认知层面）：ReXrank 私测集与官方 Public Test 是两个集合；把私测集分数与你在 Public Test 上跑的分数直接比较是口径错误（坑点 7）。

泄漏问题的隐蔽变体也值得一防：** preprocess 泄漏**——在划分前对全量数据做归一化统计（如用全集均值/方差标准化）会把测试集的分布信息泄进训练。正确顺序是：先按 split 切开，统计量只从训练 split 计算；图像侧若用 ImageNet 均值方差则无此问题，若自定义灰度统计则务必遵守顺序。文本侧同理，tokenizer/词表只从训练集构建。

§5.4 交叉验证建议

需要更稳的模型比较时，建议在官方 Train 上做患者级分组 5 折交叉验证（sklearn 的 GroupKFold，group=PatientID），Public Test 保持冻结。跨站点研究可用 GroupKFold（group=InstitutionName）的 5 折站点外验证，代价是每折训练集变小、分数方差变大，需配合多随机种子。

from sklearn.model_selection import GroupKFold
import numpy as np

train_df = df[df["split"] == "train"].reset_index(drop=True)
gkf = GroupKFold(n_splits=5)
for fold, (tr, va) in enumerate(
        gkf.split(train_df, groups=train_df["patient_id"])):
    fold_train, fold_val = train_df.iloc[tr], train_df.iloc[va]
    assert not (set(fold_train["patient_id"]) &
                set(fold_val["patient_id"])), "组泄漏！"   # 折内自检
    # ... 每折独立训练与验证，报 5 折均值±标准差

（站点外验证把 groups= 换成 InstitutionName 即可；两种分组建议在论文里并排报告，分别回答"泛化到新患者"与"泛化到新站点"两个不同的问题。）

§5.5 外部验证建议

推荐的三条外部验证路线：其一，官方 Public Test（同分布校验）；其二，MIMIC-CXR 或 CheXpert Plus 测试集（跨数据集、跨书写风格迁移，注意时间窗与站点构成差异会带来系统性风格偏移）；其三，ReXrank 私测集（仅当你的模型被 ReXrank 官方收录评测时可达，个人无法直接下载）。

路线二的实操提醒：跨数据集迁移评测前，先做一次"文本域对齐体检"——把两边的参考报告各抽 200 份，对比段落结构、平均长度、常见缩写词表。若发现 MIMIC-CXR 报告显著更长或缩写体系不同（如 “etiology” vs “et”？），先把差异写进论文的 confounds 段，否则评委会合理怀疑你的迁移性能损失来自文风而非病理。这类体检成本约半天，却能把"迁移掉分"的归因从猜测升级为证据。

§6 AI 就绪指南

§6.0 云端快速启动

在云端环境（Colab/自建 GPU 实例）使用时，先配置 HuggingFace 凭据再下载，凭据不要写进代码仓库：

# Colab 示例：凭据走环境变量或 Secret 管理
import os
os.environ["HF_TOKEN"] = "hf_xxx"      # 或使用 colab userdata / 实例密钥管理
# pip install -U huggingface_hub pandas pillow torch torchvision

大文件下载建议在持久磁盘（而非临时盘）进行；Colab 免费档磁盘与时长不足以完成全量下载 + 解压 + 训练，建议只拉 val split（10,000 检查）跑通流程，全量训练迁移到持久 GPU 实例或本地集群。

云环境两条安全提醒：其一，HF Token 是许可协议的电子化身，绝不要提交进 git、打印进日志或写进 notebook 的输出单元格——协议泄密可能牵连你的机构；其二，在多人共用集群上，把 DATA_ROOT 放在共享只读挂载、各用户的输出目录分开，既省下重复下载的几百 GB，也避免多实验互相覆盖中间产物。

§6.1 快速上手

以下代码假定：数据已通过 §6.2 流程下载并解压到 data_root 指向的目录（目录结构见 §4.0）；reports.csv 与 metadata.csv 位于 data_root 顶层；data_root/images/{patient_id}/ 下为 PNG。最小可用子集：若磁盘紧张，可先只下载 val split（10,000 检查）跑通全流程，再拉全量。

环境准备与登录（gated 仓库必须先申请通过）：

# 0) 安装依赖
# pip install -U huggingface_hub pandas pillow torch torchvision
import os
DATA_ROOT = os.environ.get("REXGRADIENT_ROOT", "./data/ReXGradient-160K")
# 预期目录结构（见 §4.0）：
#   DATA_ROOT/images/{patient_id}/{study_id}_{view}.png
#   DATA_ROOT/reports.csv
#   DATA_ROOT/metadata.csv

§6.2 数据获取

申请流程（全部免费，无机构门槛）。填写申请信息的三个注意点：用途描述写具体研究问题（“报告生成模型训练与跨站点评测"优于"machine learning research”）；机构隶属与邮箱保持一致（学生用机构邮箱并注明导师更顺利）；留意协议中非商业范围的定义边界——衍生模型权重的公开分享通常也被条款覆盖，发布模型卡前复查一遍。

步骤	操作	耗时
1	注册 HuggingFace 账号	2 分钟
2	访问仓库页，点击同意（Agree）并阅读 Non-Commercial Data Access and Use Agreement，填写信息提交	5 分钟
3	等待 gated=auto 自动通过与许可邮件	通常即时至数小时
4	本机 `huggingface-cli login`（需 Access Token，建议 Fine-grained 只读）	2 分钟

下载代码：

from huggingface_hub import snapshot_download
# 仓库为 gated：必须先在网页完成协议签署，否则 401
snapshot_download(
    repo_id="rajpurkarlab/ReXGradient-160K",
    repo_type="dataset",
    local_dir=DATA_ROOT,
    allow_patterns=["*.csv", "images/*"],   # 可先只取 CSV 检查元数据
    max_workers=8,
)

注意：镜像站对 gated 仓库通常无效（未携带你的许可授权），不要用 HF_ENDPOINT 指向镜像来绕流程——申请本身就是许可链条的一环（坑点 2）。商业使用需联系 Gradient Health 另行授权，勿在非商业协议下做产品化部署。

下载完成后的完整性校验（避免把半截数据带进训练）：

from pathlib import Path
import pandas as pd

reports = pd.read_csv(Path(DATA_ROOT) / "reports.csv")
meta = pd.read_csv(Path(DATA_ROOT) / "metadata.csv")

# 1) 行数口径：与论文 Table 1 对表
assert len(reports) == 160_000, f"报告行数异常: {len(reports)}"

# 2) 三 split 自洽：患者数求和应 = 109,487
sp = meta.groupby("split")["patient_id"].nunique()
assert sp.sum() == 109_487, f"患者数不自洽: {sp.to_dict()}"

# 3) split 互斥：患者不得跨 split（防泄漏第一检查）
overlap = set(meta[meta["split"] == "train"]["patient_id"]) & \
          set(meta[meta["split"] == "test"]["patient_id"])
assert not overlap, f"发现跨 split 患者: {len(overlap)}"
print("完整性校验通过")

这三条断言把论文的数字自洽性转成了机器可查的闸门——数据集更新版本发布时重跑一遍即可自动发现口径变化。

§6.3 预处理全流程

发布版图像已完成光度反转、归一化与降采样，预处理重点是"读入 → 张量 → 标准化"，以及报告文本清洗：

import numpy as np
import pandas as pd
from PIL import Image
from pathlib import Path

reports = pd.read_csv(Path(DATA_ROOT) / "reports.csv")
meta = pd.read_csv(Path(DATA_ROOT) / "metadata.csv")

# 1) 合并报告与元数据（按检查键），保留官方 split
df = reports.merge(meta, on="study_id", how="inner")
assert df["patient_id"].nunique() <= 109_487

# 2) 图像读取：发布 PNG 已是 8-bit 灰度、方向统一，直接转张量
def load_image(study_row):
    img = Image.open(study_row["image_path"]).convert("L")
    return np.array(img, dtype=np.float32) / 255.0        # [0,1]

# 3) 文本清洗：拼接生成目标（Findings + Impression 是主流选择）
def build_target(row):
    parts = []
    if isinstance(row.get("Findings"), str) and row["Findings"].strip():
        parts.append(row["Findings"].strip())
    if isinstance(row.get("Impression"), str) and row["Impression"].strip():
        parts.append(row["Impression"].strip())
    return " ".join(parts)

df["target"] = df.apply(build_target, axis=1)
# 4) 过滤空目标样本（个别检查四段全空），并记录数量而非静默丢弃
n_empty = int((df["target"].str.len() == 0).sum())
df = df[df["target"].str.len() > 0].reset_index(drop=True)

# 5) 下载后的三件套体检（建议每次实验前跑一遍并写进运行日志）
print("studies:", len(df), "| patients:", df["patient_id"].nunique())
print("ViewPosition 分布:", df["ViewPosition"].value_counts(dropna=False).to_dict())
print("split 分布:", df["split"].value_counts(dropna=False).to_dict())
print("空目标样本:", n_empty)
# 6) 常用派生列：患者内检查序号（时序建模用，只依赖偏移后日期的相对顺序）
df["study_date"] = pd.to_datetime(df["StudyDate"])
df["seq_in_patient"] = df.groupby("patient_id")["study_date"].rank(method="first")

（以上为图像通道与文本通道的最小预处理；分辨率统一 resize 到 448×448 或模型指定尺寸在 DataLoader transform 中完成，见 §6.4。原始 DICOM 级的重处理——如需要更高分辨率——官方未发布原始 DICOM，需联系 Gradient Health。）

§6.4 PyTorch DataLoader 完整代码

import torch
from torch.utils.data import Dataset, DataLoader
from torchvision import transforms

train_tf = transforms.Compose([
    transforms.Resize((448, 448)),                 # 多数 RRG 模型的输入尺寸
    transforms.RandomAffine(degrees=5, translate=(0.02, 0.02), fill=0),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5], std=[0.5]),   # 灰度单通道
])
eval_tf = transforms.Compose([
    transforms.Resize((448, 448)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5], std=[0.5]),
])

class ReXGradientDataset(Dataset):
    """按患者分组防泄漏；split 过滤用官方划分列。"""
    def __init__(self, df, data_root, tf):
        self.df = df.reset_index(drop=True)
        self.root = Path(data_root)
        self.tf = tf
    def __len__(self):
        return len(self.df)
    def __getitem__(self, idx):
        row = self.df.iloc[idx]
        img = Image.open(self.root / row["image_path"]).convert("L")
        return {
            "image": self.tf(img),
            "report": row["target"],
            "view": row.get("ViewPosition", "UNKNOWN"),
            "patient_id": row["patient_id"],
        }

train_ds = ReXGradientDataset(df[df["split"] == "train"], DATA_ROOT, train_tf)
train_dl = DataLoader(train_ds, batch_size=32, shuffle=True,
                      num_workers=8, pin_memory=True, drop_last=True)
batch = next(iter(train_dl))
print(batch["image"].shape)   # torch.Size([32, 1, 448, 448])

最小训练循环骨架（以经典 RRG 的 encoder-decoder 为例，替换 encoder/decoder 即可接入任意模型）：

import torch.nn as nn
from transformers import get_cosine_schedule_with_warmup

device = "cuda"
model = MyReportGenerator().to(device)          # 自定义/开源 RRG 模型
opt = torch.optim.AdamW(model.parameters(), lr=3e-5, weight_decay=0.01)
total_steps = len(train_dl) * 10                 # 10 epochs
sched = get_cosine_schedule_with_warmup(opt, int(0.05 * total_steps), total_steps)
loss_fn = nn.CrossEntropyLoss(ignore_index=-100) # 文本侧 tokenize 后构造 labels

model.train()
for epoch in range(10):
    for batch in train_dl:
        images = batch["image"].to(device)
        labels = tokenize_with_labels(batch["report"]).to(device)  # 见所选模型的 tokenize 约定
        logits = model(images=images, labels=labels)
        loss = loss_fn(logits.view(-1, logits.size(-1)), labels.view(-1))
        opt.zero_grad(); loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
        opt.step(); sched.step()

工程提醒：报告生成任务普遍在 decode 阶段用 beam search / 约束解码（§6.9 的指标对解码策略敏感），训练循环与解码策略要一起固定进实验配置，否则消融不可比。

§6.5 八大坑点

以下 8 个坑点全部来自本数据集的可验证事实：官方 discussion、论文披露的处理流水线、以及"多站点 + 自动结构化 + 非商业 gated"发布模式的结构性风险。每条按"问题 → 症状 → 三级解决 → 参考"展开，简单方法保证当天可用，SOTA 方法对应论文级严谨度。

⚠️ 坑点 1：ViewPosition 大面积 UNKNOWN——官方自动补齐后的残留（分类：标签理解）

问题：初版发布时约 87% 图像的 ViewPosition 字段为空（DICOM 头普遍缺失该字段）；官方用 DICOM study description 文本补齐并用自动分类器判定后，仍残留约 34,000 张图像的 ViewPosition 为 UNKNOWN（HuggingFace discussion #3 官方承认，截至 2026-09 未见修复关闭记录）。

症状：按 PA/AP/LAT 三类做分层采样或统计时类别加总对不上；把 UNKNOWN 当 NaN 丢弃会损失 12% 左右的图像；训练/测试的视角分布悄悄不一致。

解决：

简单方法：把 UNKNOWN 当作第四个合法类别保留在数据里，仅在做视角归一化时跳过它。

进阶方法：用轻量 CNN 在 PA/AP/LAT 上训练视角分类器（MIMIC-CXR 的标注可作训练源），对 UNKNOWN 子集自行重标，并在论文中报告重标一致率。

SOTA 方法：把视角作为 domain 协变量纳入训练（条件归一化或混合专家路由），让模型显式感知视角分布差异，同时报告对 UNKNOWN 子集的分层指标。

参考：HuggingFace discussion #3；论文 §附录 view position 恢复流水线。

⚠️ 坑点 2：gated 仓库下载——镜像站与未授权 401（分类：工程陷阱）

问题：仓库为 gated（签署非商业协议后自动通过）。未签协议直接抓取会得到 401；用公共镜像站下载时，镜像不持有你的授权凭据，同样失败或拉到旧版缓存。

症状：snapshot_download 报 401/403；或镜像下载的文件与官方 sha 不一致、缺最新修复（如 ViewPosition 补齐后的版本）。

解决：

简单方法：网页签署协议 → huggingface-cli login（Fine-grained 只读 Token）→ 官方端点下载，校验仓库快照版本。

进阶方法：企业内网环境下用自建代理转发官方端点，凭据留在内网；用 allow_patterns 分批拉取（先 CSV 后 images）降低中断成本。

SOTA 方法：下载后记录仓库快照哈希与日期写入实验配置（MLflow/W&B），保证论文可复现性与官方版本严格对齐。

参考：HuggingFace gated repo 文档；仓库 README 获取说明。

⚠️ 坑点 3：图像是原图 25% 降采样——细粒度任务的天花板（分类：预处理陷阱）

问题：发布图像从 DICOM 降采样至原图 25%（cubic 插值），且官方仅发布 PNG 不发布原始 DICOM。小于约 4 个原始像素的特征（微小结节、细线状气胸带、早期间质病变）在发布版中已不可恢复。

症状：在 CheXpert/MIMIC-CXR 上复现的小病灶检测模型迁移过来性能显著下降；超大分辨率输入（1024+）训练无收益反而过拟合插值伪影；有人误以为"图像偏暗/偏亮"是光度问题而重复做反转——官方已统一处理 MONOCHROME1，重复处理会得到负片。

解决：

简单方法：接受发布分辨率，输入统一 resize 到模型标准尺寸（384/448/512），报告生成任务不受实质影响。

进阶方法：细粒度任务改用原始分辨率可得的 MIMIC-CXR-JPG 或联系 Gradient Health 获取原始数据授权，本数据集只做多站点预训练。

SOTA 方法：预训练在本数据集（规模与多样性优先）、下游微调在高分辨率单中心集（分辨率优先）的"两段式"策略，并做分辨率消融写进论文。

参考：论文图像处理流水线附录；MIMIC-CXR-JPG 原始分辨率发布口径。

⚠️ 坑点 4：四段报告是 GPT-4o 结构化产物，不是逐字原文（分类：标签理解）

问题：报告的 Indication/Comparison/Findings/Impression 四段划分由 GPT-4o 辅助自动抽取，原文是自由文本。分段边界、语句归并、某些句子的归属（所见 vs 印象）都是模型决策，未公开全量人工复核的量化一致率。

症状：用"Findings 段"训练疾病分类器时混入本应属 Impression 的结论句；逐段评测时发现个别样本分段与临床习惯不符；把四段结构当作人工金标准引用会被审稿人质疑。

解决：

简单方法：生成任务用"Findings + Impression"拼接为单一目标，回避分段边界争议。

进阶方法：抽取 500-1,000 例人工检查分段质量，报告抽检一致率；对 Impression 生成任务只用 Impression 段并接受少量噪声。

SOTA 方法：与 ReXErr-v1（MIMIC-CXR 报告错误标注）等人工质检数据集交叉验证模型输出错误类型，把"结构化噪声"作为评测不确定性显式建模。

参考：论文报告结构化流水线描述；ReXErr-v1（PhysioNet）。

⚠️ 坑点 5：约四分之一患者多次检查——按检查随机划分即泄漏（分类：数据泄漏）

问题：160,000 项检查仅对应 109,487 名患者（平均 1.46 项/人），同一患者多次检查的报告高度模板化。按检查或图像随机划分会让同患者的同款报告跨集出现，BLEU/RadGraph-F1 全面虚高。

症状：自定义划分的分数比官方划分同模型高出一大截；消融实验提升在官方 Public Test 上消失。

解决：

简单方法：永远用官方 split 列；自行重切时按 PatientID 分组（GroupKFold / groupby-split）。

进阶方法：跨站点研究改为按 InstitutionName 分组切分，同时报告两种口径。

SOTA 方法：泄漏敏感性分析——同一模型跑"患者级"与"检查级"两种划分，把差值作为泄漏影响的量化证据写进附录。

参考：官方 split 说明；MIMIC-CXR 社区防泄漏惯例。

⚠️ 坑点 6：ReXrank 分数与本数据集 Public Test 分数不可互比（分类：评估误用）

问题：ReXrank（同实验室排行榜）的私有测试集（10,000 studies / 7,004 patients / 67 站点）与本数据集官方 Public Test（10,000 studies / 6,807 patients）是两个不同的集合；前者不公开、站点构成未披露。把 ReXrank 榜单分数与自己在本数据集 Public Test 上跑的分数放进同一张表比较，是口径错误。

症状：复现论文的模型在 Public Test 上得分与 ReXrank 榜单同名模型分数差得远；审稿意见指出"与排行榜数字不一致"。

解决：

简单方法：表格中明确标注评测集列（本数据集 Public Test vs ReXrank 私测集），不混行。

进阶方法：若需 ReXrank 口径分数，将模型提交 ReXrank 官方评测（GitHub 开源评测框架，MIT 许可），用官方返回数字。

SOTA 方法：同时在两个集合上报分并分析差值来源（站点构成、划分策略），作为泛化性证据而非矛盾。

参考：ReXrank（rexrank.ai，arXiv:2411.15122）；本条目 §8.1 的分工说明。

⚠️ 坑点 7：空段与文风漂移把 BLEU 拖到失真——跨数据集直接比 BLEU 会翻车（分类：评估误用）

问题：Comparison 段大量近乎空段（均值约 2.7-2.8 token），且 79 站点书写风格差异大。把四段全拼接算 BLEU/BERTScore，分数被空段与风格差异系统性拉低；与单中心数据集的分数直接比较毫无意义。

症状：同一模型在本数据集上的 BLEU-4 明显低于 MIMIC-CXR 报告，误判为"模型变差"；不同 split 的分数方差异常大。

解决：

简单方法：固定生成目标为 Findings + Impression（非空样本），四段统计单列不进总分。

进阶方法：报告临床效用型指标——RadGraph-F1（radgraph 包）、GREEN、RaTEScore——这些指标对文风差异更稳健，也是 ReXrank 的 8 指标体系主体。

SOTA 方法：跨数据集评测时加"风格归一化基线"（同一模型、两套数据的模板化重写版本）分离病理内容与书写风格的贡献。

参考：ReXrank 8 指标（arXiv:2411.15122）；RadGraph（NeurIPS 2021 Datasets and Benchmarks Track）。

⚠️ 坑点 8：日期偏移毁掉绝对时间——纵向分析只能用患者内相对时间（分类：偏倚陷阱）

问题：日期经 HIPAA 偏移（患者内一致、≤365 天、跨患者不同），绝对日历时间不可信且不可恢复；官方未披露原始采集时间范围。

症状：按偏移后 StudyDate 画"时间趋势"得到伪季节性；跨患者比较检查间隔把不同偏移量的患者混为一谈；把偏移后年份写进论文被质疑数据真实性。

解决：

简单方法：只用患者内检查先后顺序与相对间隔（偏移量患者内恒定，间隔比例保真）。

进阶方法：时序建模把绝对时间替换为序数特征（第 1 次检查、第 2 次……），彻底剥离偏移。

SOTA 方法：季节性/日历相关研究改用未偏移的公开数据集（如 MIMIC-CXR 的相对日期窗口），本数据集专注跨站点横断面问题。

参考：论文去标识化流程；HIPAA date-shifting 惯例。

坑点使用优先级建议：若时间只够处理一半——先堵坑点 5（患者级泄漏，直接决定数字可信度）与坑点 1（UNKNOWN 处理，直接决定统计口径正确性），这两个是"错了全盘皆输"级别；坑点 2（下载）与坑点 3（分辨率）是一次性配置问题，解决后不再复发；坑点 4/6/7 属于"实验设计与写作纪律"，在论文成稿前的自查阶段补齐即可；坑点 8 只在做时序分析时才生效，不做时序可整条跳过。

§6.6 数据增强：安全与危险清单

增强	安全性	说明
小角度旋转（±5°）与平移（≤2%）	✅ 安全	模拟投照体位差异，与本数据集多站点异质性天然契合
对比度/亮度小幅度抖动	✅ 安全	模拟设备曝光差异
高斯噪声 / 轻度模糊	✅ 安全	模拟采集噪声
水平翻转	❌ 危险	胸片左右不对称（心影偏左、胃泡在左），翻转破坏解剖一致性
大角度旋转（>10°）	❌ 危险	扭曲心轴与纵隔位置关系
CLAHE 强参数	⚠️ 谨慎	过强参数放大噪声与伪影，需与医生确认视觉可接受性
随机擦除/Cutout	⚠️ 谨慎	可能擦掉关键小病灶；在 25% 降采样图上风险更高

增强强度的标定建议：先用无增强基线跑一轮得到参照分数，再逐项开启增强并保持其余配置不变——增强在报告生成任务里的收益曲线与分类任务不同（文本目标不变、视觉扰动是"数据增广 + 去风格化"双重作用），个别增强（如对比度抖动）甚至会通过消除站点风格痕迹而提升跨站点泛化、同时降低站内拟合，方向相反的两类效应要在实验设计里分开测量。

§6.7 模型推荐

模型	类型	关键技术	适配说明
R2Gen（Chen et al., 2020, EMNLP, arXiv:1910.04542）	经典 RRG	关系记忆 Transformer	轻量基线，单卡可训，适合流水线冒烟测试
M² Transformer（Chen et al., 2020, ACL, arXiv:1911.13333）	经典 RRG	多实例注意力	与 R2Gen 同量级，社区复现成熟
RaDialog（arXiv:2311.18681）	对话式 RRG	LLM + 视觉适配	支持报告生成与问答双任务
MAIRA-2（Bannur et al., 2024, arXiv:2411.04671）	大模型 RRG	grounded 报告生成（带框定位）	ReXrank 榜单常客，报告质量与定位兼得
CheXagent（Chen et al., 2024, arXiv:2401.12208）	胸片基础模型	大规模 CXR 解释预训练	可先在本数据集继续预训练再迁下游

选型说明：上表按"复现成本从低到高"排列。学生项目或流水线验证用 R2Gen（单卡一天内可复现）；论文级强基线用 MAIRA-2 或 CheXagent 的开源权重直接推理 + 在本数据集上微调；想发布可对话的报告助手原型，RaDialog 的交互式设计最接近产品形态。用本数据集训练新模型时，建议在论文中同时报告"仅本数据集"与"MIMIC-CXR 联合训练"两种配置——前者展示多站点语料的独立价值，后者回应审稿人对"新数据集是否有增量"的标准质疑。

§6.8 硬件需求

场景	建议配置	说明
数据探查 / 基线复现	1×RTX 4090 / A100 40GB	R2Gen 级模型 + 448 输入
经典 RRG 从头训练	4×A100 40GB	batch 32×4，数天量级
LLM-based 报告生成微调	8×A100 80GB + DeepSpeed/FSDP	7B 级视觉-语言模型 LoRA 或全参
全量预训练（基础模型）	集群级（≥64 GPU）	27.3 万图文对的对比/生成预训练

预算紧张的替代路线：全参微调换 LoRA（显存需求降 3-5 倍）、448 输入降 384（计算量约降 30%）、或先在 val split（10,000 检查）上完成训练管线的全部调试再把配置原样推到全量 train——管线 bug 在小数据上暴露的成本远低于在全量数据上暴露。另注意 25% 降采样意味着本数据集的图像信息密度低于同尺寸的原始分辨率数据集，同为 448 输入，本数据集的过拟合信号出现得更早，训练轮数不宜照搬 MIMIC-CXR 上的经验值。

§6.9 评估指标代码

报告生成评测的主流组合：n-gram 类（BLEU-2/4）+ 语义类（BERTScore）+ 临床结构类（RadGraph-F1）。ReXrank 的 8 指标（BLEU-2、BERTScore、SembScore、RadGraph-F1、RadCliQ-v1、RaTEScore、GREEN、FineRadScore）是该体系的当前集大成（§8.3）。最小可运行示例：

from nltk.translate.bleu_score import sentence_bleu, SmoothingFunction
import numpy as np

sm = SmoothingFunction().method1
def bleu2_batch(hyps, refs):
    scores = []
    for h, r in zip(hyps, refs):
        scores.append(sentence_bleu([r.split()], h.split(),
                                    weights=(0.5, 0.5), smoothing_function=sm))
    return float(np.mean(scores))

# RadGraph-F1（临床结构一致性；pip install radgraph）
# from radgraph import RadGraph, F1
# rg = RadGraph(); f1 = F1(multi_class=True)
# score = f1(rg(hyps), rg(refs))   # 对报告标注实体关系后计算 F1

# 语义类指标补充：BERTScore（pip install bert-score）
# from bert_score import score as bscore
# P, R, F1 = bscore(hyps, refs, lang="en", verbose=False)
# 注意：医疗域建议换用 BioBERT/BioLinkBERT 类权重重算，通用权重会低估临床语义一致性

注意：逐指标实现差异（分词、平滑、RadGraph 模型版本）都会改变分数，跨论文比较时必须核对实现口径或统一用 ReXrank 官方评测框架。

进阶指标的选择逻辑：GREEN（Ostmeier et al., 2024, EMNLP Findings，斯坦福 AIMI）用语言模型逐句比对生成报告与参考报告并输出临床错误标注，适合需要"错误在哪里"的可解释评测场景；RaTEScore 关注实体级对齐与否定/不确定性修饰的处理，适合比 BLEU 更贴近临床语义的中粒度评估；RadCliQ-v1 是斯坦福团队把 BLEU/CE/CHEXbert/RadGraph 四信号线性组合的复合指标，适合需要单一标量做模型排序的场合。ReXrank 把这三种取向各取所需凑成 8 指标，本质是承认"报告生成没有单一完美指标"——使用者报告指标时也应对齐这一多指标惯例，而非只挑对自己有利的单一指标。

§6.10 MLOps 笔记

版本固定：记录 HuggingFace 仓库快照哈希与下载日期；HF 仓库 lastModified 2025-12-08 表明它仍在更新，不锁版本则结果不可复现。
划分冻结：官方 Public Test 全程只跑终评；开发期的所有调参决策只用 Train 内切分与 Val。
数据卡随行：把 ViewPosition UNKNOWN 比例、空段比例、过滤样本数（§6.3 的 n_empty）写进每次实验的运行元数据。
评测去重：同一模型多 seed 跑 3-5 次报均值±方差，报告生成指标对解码温度敏感。
许可追踪：任何产物（模型权重、衍生数据）继承非商业限制，商业化前必须切换到 Gradient Health 授权（坑点 2 的许可链条）。
家族关系管理：本数据集与 ReXrank（排行榜）、ReXErr-v1（错误标注）、RadGame（教育平台）同属一个实验室生态但互不为子集——实验记录里给数据来源打独立标签，防止"生态近亲"在引用链里被悄悄合并（这正是别名/合并视图类证伪的高发区）。
对外汇报口径表：团队内部约定三个数（检查 160,000 / 图像 273,004 / 患者 109,487）的固定措辞与出处（论文 Table 1），在 README、论文与答辩材料间保持一字不差——口径漂移是最容易被审稿人抓住的低级伤。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
站点构成偏倚	79 站点中仅 3 个美国医疗系统，其余为 Gradient Health 国际合作站点；站点名单与地域构成未逐家公开，无法验证地域均衡性	高	使用 InstitutionName 做站点分层评估；结论限定于"合作站点人群"
视角分布偏倚	LAT 约 35% / AP 约 29%，卧位床旁片占比高于单中心数据集，急重证样本更多	中	按视角分层报告指标；AP/LAT 与 PA 分开建模
标注过程偏倚	报告为常规临床产物，含真实书写中的省略与不确定性表达；四段结构为 GPT-4o 自动抽取	中	把报告当弱监督；关键结论用人工抽检佐证（坑点 4）
字段缺失偏倚	ViewPosition 约 34,000 张 UNKNOWN；PatientWeight、EthnicGroup 缺失模式与检查场景相关	中	UNKNOWN 作为独立类别；缺字段分析前先做缺失机制评估
人口学披露不足	种族/族裔元数据非标准化、分布未系统报告，公平性分析受限	中	公平性研究降级为探索性；谨慎下结论（§7.5）
时间信息偏倚	日期偏移使绝对时间不可用，跨患者时间比较无效	低	患者内相对时间；时序特征序数化（坑点 8）

上表六类偏倚不是并列的——站点构成偏倚是"母偏倚"，视角分布、设备异质、文风差异都可以视为它的派生面（站点不同才带来这些方差）。这让缓解策略有了优先级：凡按 InstitutionName 分层的分析自动同时缓解多个派生偏倚；反之，只在PatientID 级随机化却忽略站点结构的实验设计，会在不知不觉中把站点方差误记到模型方差头上。设计实验前先画一张"站点 × 视角 × split"的三维交叉表，比任何事后的统计补救都便宜。

§7.2 标注质量

报告文本质量 = 真实临床质量：作为常规医疗文书，其临床准确性由各站点放射科实践背书，但也继承了真实报告的常见问题——措辞省略、不确定性用语（“may represent”）、偶发的书写错误。四段结构化层的质量论文未给出量化抽检一致率，这是与人工标注数据集（MIMIC-CXR 人工 reports、CheXpert 人工五类标注）相比的主要质量折扣点。ViewPosition 字段经历了"大面积缺失 → 官方自动补齐 → 残留 UNKNOWN"的质量事件（§1.4、坑点 1），官方在 discussion #3 中公开承认残留，处理方式透明。

对质量敏感任务的实用建议：把报告文本当作"有噪声的参照"而非"金标准"来校准期望——报告生成评测里，指标分数的天花板部分由参考报告本身的噪声决定；若研究需要高置信参照，可对官方 Public Test 的 10,000 检查做人工抽检子集（例如 500 例双阅片），在论文里同时报告全集分数与高置信子集分数，用两者的差值显式量化标注噪声的影响。这种"双轨报告"在 2024 年后的 RRG 文献里正逐渐成为审稿人认可的严谨性信号。

§7.3 泛化性评估

场景	失效风险	证据
本数据集内跨站点部署	中	同一模型在不同站点子集上的表现差异是本数据集的核心研究命题；站点构成未公开导致无法预先排除特定站点
迁移至单中心高分辨率数据（MIMIC-CXR）	中高	25% 降采样（坑点 3）与文风差异（坑点 7）双重鸿沟；需微调验证
迁移至非英语报告体系	高	报告全英文；跨语言报告生成需额外对齐
小病灶检测类下游任务	高	分辨率天花板直接制约；官方定位是报告生成而非病灶检测
ICU 床旁实时场景	中低	AP 卧位片占比约 29%，提供了该场景的代表性样本，但设备协议多样性仍可能超出发布分布

泛化性表的读法：失效风险列评的是"把本数据集结论直接搬过去的危险程度"，不是数据集质量本身。高风险行（小病灶检测、非英语报告）对应的是官方定位之外的用途——不是数据集不行，是问题不匹配；中风险行（跨站点、迁移 MIMIC-CXR）恰恰是本数据集的设计目标场景，风险来自问题本身的难度而非数据缺陷。把这两个层次分开，是写出诚实泛化性声明的前提。

§7.4 伦理考量

数据经 HIPAA 合规双路去标识（文本规则清洗 + 像素烧灼文字移除；日期患者内一致偏移 ≤365 天），非人类受试者研究范畴内的共享以 Non-Commercial Data Access and Use Agreement 约束。资助方为 Biswas Family Foundation（与 Milken Institute 合作），论文未披露与 Gradient Health 的商业条款细节。再识别风险：多站点影像 + 自由文本组合理论上存在罕见的再识别向量（如罕见病变 + 报告细节），使用者不得进行再识别尝试，这是协议明文禁止事项。

从发布模式看伦理责任的分配：gated=auto + 协议签署的流程把"合规使用"的举证责任交给了使用者——协议自动通过意味着没有人工审查环节替你把关研究设计。团队在首次使用前建议做一次内部合规速查（用途是否非商业、是否涉及再识别风险、产物是否继承许可限制），并把速查记录随实验归档；这类低成本动作在数据合规审计时能省下大量解释成本。

§7.5 公平性

性别分布接近均衡（男约 49% / 女约 50%），年龄以中老年为主。种族/族裔字段存在但非标准化，官方未发布分布统计——这意味着任何族裔维度的公平性审计在本数据集上都需要先自行完成字段归一与缺失机制分析，且结论的统计学效力受限于填报异质性。站点级公平性（同一模型对各站点子集的误差差异）反而是本数据集更可行、更有价值的公平性研究切口。

此外，年龄维度的公平性分析有一个数据集特有的注意事项：约 50% 患者集中在 40-80 岁，两端（年轻成人、高龄老人）样本相对稀疏，年龄分桶的边界选在样本断崖处（如 40 岁或 80 岁切一刀）会产生小桶高方差，把模型真实的年龄偏倚淹没在噪声里。建议按论文口径保持 40-80 为参照桶，两端合并为"80+“”<40"两个桶，并在多 seed 下报告分桶指标的稳定性。

§7.6 数据漂移

数据集本体在论文发表半年后仍在维护（HF lastModified 2025-12-08），意味着发布版可能随修复更新（如 ViewPosition 补齐就发生在初版发布之后）。使用者应锁定仓库快照版本；跨版本重跑实验前先 diff 元数据行数与 ViewPosition 分布。

两类漂移需要分开管理：版本漂移（官方修复导致的发布内容变化）用快照锁定解决；采集漂移（79 站点各自的设备更替、协议调整随时间自然发生）则不可观测——日期偏移让使用者无法按真实时间切片。对后者，可行的代理方案是用 InstitutionName × Manufacturer 组合做"准时间"分层：同一站点出现新厂商设备，即暗示采集期的推进。这当然只是近似，报告结论时应说明该局限。

§7.7 DAIMS 24 项质量评估

DAIMS（Data Adeptness Index for Medical Sets）24 项逐项评估如下。评分规则：✅ 计 1 分、⚠️ 计 0.5 分、❌ 计 0 分；每项判定依据均为本条目正文对应章节的可核验事实。

#	检查项	状态	说明
1	宽格式	✅	元数据 CSV 为扁平结构，一检查一行
2	唯一标识	✅	PatientID + 检查号两级键，层级清晰
3	特殊字符	✅	英文文本 + 脱敏标识，未见异常字符问题报告
4	重复行	✅	键唯一性由官方维护；三 split 数字精确自洽
5	缺失编码	⚠️	各字段缺失模式不均（Weight/EthnicGroup 场景相关缺失）
6	标签标识	⚠️	无结构化疾病标签列，监督信号是自由文本报告
7	罕见类分组	⚠️	罕见病变无分组统计，长尾分布需自行估计
8	偏倚评估	⚠️	视角/年龄有披露，种族/站点地域未系统披露
9	数据字典	✅	论文附录 + HF 数据卡给出字段清单
10	信息性缺失解释	✅	ViewPosition UNKNOWN 语义官方公开承认并解释
11	设备记录	✅	Manufacturer/InstitutionName 保留（脱敏化）
12	共线性	✅	元数据字段独立，未见共线性报告
13	编码映射	⚠️	无 ICD-11/SNOMED 映射层，需自行构建（§2.1 提供类别级起点）
14	时间戳处理	⚠️	偏移后仅患者内相对时间可用（HIPAA 使然，但使用面受限）
15	划分建议	✅	官方三分 + 患者级不重叠，数字可验证
16	泄漏讨论	✅	官方划分按患者执行；站点级泄漏需使用者自查（§5.3）
17	标签分布	✅	视角/性别/年龄分布论文披露（部分为区间口径）
18	测量偏倚	⚠️	多设备采集协议差异未逐设备量化
19	外部验证建议	⚠️	ReXrank 提供评测框架但私测集不可自测（坑点 6）
20	版本记录	⚠️	论文 v1/v2 与 HF 快照的对应关系未明示，敏感数字存区间
21	预处理脚本	❌	官方未开源完整 DICOM→PNG 处理流水线代码
22	合规要求	✅	HIPAA 双路去标识 + 非商业协议条款清晰
23	多模态对齐	✅	图文按检查级 1:N 对齐，连接键明确
24	去标识化	✅	文本 + 像素双路处理，日期一致偏移

DAIMS 评分：18.5 / 24（14 项 ✅ ×1 + 9 项 ⚠️ ×0.5 + 1 项 ❌ ×0）

评分解读：18.5/24 处于"工程就绪度高、语义标注层薄弱"的典型区间。数据管理基本面（标识、划分、合规、对齐）全部 ✅，扣分集中在三类：无结构化标签层（6/13/17 部分扣分）、自动流水线的可核验性缺口（21 预处理脚本未开源、20 版本对应关系模糊）、元数据可用性限制（14 时间偏移、5 缺失模式）。这不是粗制数据集，而是"发布策略有意取向 NLP 任务"的画像——官方把预算花在了规模与站点多样性上，而不是人工标注层。

对你意味着什么：如果你的任务是报告生成或视觉-语言预训练，18.5 分意味着可直接开工，工程风险低；如果要做疾病分类或检测类任务，第 6 项的 ⚠️ 提醒你需要先从报告文本弱监督提取标签（或用 MIMIC-CXR 的结构化标签）；如果论文要过审，提前准备第 20 项（版本锁定声明）与第 21 项（用 §6.3 自己的预处理记录替代官方脚本）的审稿对策。

§7.8 外部验证矩阵

数据集于 2025 年 5 月发布，截至 2026-09 尚无独立团队的同行评审跨数据集验证结果可录（本条目遵循"只录有同行评审支撑的结果"原则，不做无文献支撑的转述）。当前可引用的验证框架：

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
ReXrank 私测集（10,000 studies / 67 站点）	Rajpurkar Lab（arXiv:2411.15122，预印本）	报告生成统一评测	8 指标（BLEU-2、BERTScore、SembScore、RadGraph-F1、RadCliQ-v1、RaTEScore、GREEN、FineRadScore）	私测集与公开测试集分数差值未公开披露	提交制评测防泄漏；16 模型/10 机构已接入

（上行为框架性验证基础设施而非外部验证结论，其 arXiv 预印本性质已如实标注；真正意义上的第三方跨数据集验证结果出现后应补录本表。）

对外部验证空窗期的正确姿势：这不是本数据集独有的尴尬——2024 年后发布的大规模医疗数据集普遍面临"论文自证 + 社区验证滞后"的窗口期。使用者在自己的论文里可以做的建设性动作是把本数据集与 MIMIC-CXR 的双集实验如实并列（各自口径独立报告），你的论文本身就会成为后人引用的"外部验证"证据链一环。

§8 基准性能与生态

§8.1 ReXrank 排行榜

先厘清身份：ReXrank（rexrank.ai，arXiv:2411.15122）是 Rajpurkar Lab 运营的报告生成排行榜，与本数据集（ReXGradient-160K）是两个不同的东西——前者是评测基础设施（库内有独立条目），后者是数据集本体（本条目）。ReXrank 的私有测试集（10,000 studies / 7,004 patients / 67 站点）不可下载，与本数据集官方 Public Test（10,000 studies / 6,807 patients）不是同一集合，两边分数不可直接互比（坑点 6）。

ReXrank 收录的部分代表模型（分数为动态榜单值，见 rexrank.ai；不同模型训练语料与输入分辨率不同，数值不可直接比较）：

排名	模型	性能	年份	关键技术	完整引用	代码
动态	MAIRA-2	八指标见榜单（BLEU-2 / BERTScore / SembScore / RadGraph-F1 / RadCliQ-v1 / RaTEScore / GREEN / FineRadScore）	2024	grounded 报告生成（文本+定位框）	Bannur et al., 2024. MAIRA-2: Grounded Radiology Report Generation. arXiv:2411.04671	微软开源
动态	CheXagent	同上八指标见榜单	2024	胸片解释基础模型（CheXinstruct 指令调优）	Chen et al., 2024. CheXagent: Towards a Foundation Model for Chest X-Ray Interpretation. arXiv:2401.12208	Stanford AIMI 开源
动态	RaDialog	同上八指标见榜单	2023	LLM + 结构化病理发现的对话式报告生成	Pellegrini et al., 2023. RaDialog: A Large Vision-Language Model for Radiology Report Generation and Conversational Assistance. arXiv:2311.18681	GitHub ChantalMP/RaDialog

本表刻意不固化具体分数，理由有三：榜单动态更新，任何静态快照都会迅速过时；8 指标 × 16+ 模型的全量数字属于榜单本体资产，转抄反而引入转抄错误风险（百科引用动态榜单的正确姿势是给检索入口 + 抓取日期）；ReXrank 分数依赖评测配置（解码策略、目标构造），脱离配置裸引分数本身就是评测误用。需要具体数字的读者请访问 rexrank.ai 并记录抓取日期。

本数据集在 ReXrank 生态中的角色是"大规模多站点训练语料"：榜单评测用私测集，训练侧则常用本数据集与 MIMIC-CXR 的组合。

若想进入 ReXrank 榜单，流程并不复杂：仓库（rajpurkarlab/ReXrank，MIT 许可）提供本地可跑的评测框架，先在本地数据上自检生成结果格式；再按仓库指引提交模型输出，由官方在私测集上评分并挂榜。提交前自查三件事：生成文本的编码格式、逐检查的 ID 对齐方式、以及是否按官方模板剥离了 Comparison 空段的处理——提交格式错误是榜单维护者最常打回的问题。

§8.2 SOTA 总结与选型建议

截至 2026-09 的格局：报告生成的"分数内卷"集中在 MIMIC-CXR 测试集口径（历史惯性），而 ReXrank 用私测集把评测拉回防泄漏轨道。对本数据集使用者：想刷榜，走 ReXrank 提交制（官方评测框架 MIT 开源，GitHub rajpurkarlab/ReXrank）；想发跨站点泛化论文，本数据集的 Public Test + 自行站点划分是更有差异化价值的路线；选模型起步，R2Gen/M² Transformer 做基线、MAIRA-2/CheXagent 做强基线（§6.7）。

把"多站点"做成论文贡献而非数据集脚注的三条路径：其一，报告按站点分层的误差方差（intra-model variance across sites），并与单中心基线对比；其二，站点留出实验（leave-sites-out）给出泛化曲线，回答"多几成站点数据换来几成泛化"的边际问题；其三，风格-内容解耦评测（坑点 7 的 SOTA 方法），证明模型学的是病理而非措辞。这三条在本数据集上都可行、在单中心数据集上都做不了——选题时应把火力集中在它们身上。

§8.3 评测协议

ReXrank 的 8 指标覆盖三个层次：n-gram 重叠（BLEU-2）、语义相似（BERTScore、SembScore、RaTEScore）、临床结构一致性（RadGraph-F1、RadCliQ-v1、GREEN、FineRadScore）。其中 RadGraph-F1 建立在 RadGraph 标注体系（Jain et al., 2021, NeurIPS Datasets and Benchmarks Track）之上——库内 radgraph、radgraph2-radiology-reports 条目即该体系的数据本体。提交制：模型作者通过 GitHub 框架提交预测，官方在私测集上评分，杜绝测试集泄漏。

如果要在本数据集的 Public Test 上组织自己的评测，建议直接对齐 ReXrank 的 8 指标口径与解码配置，并在论文附录披露：解码策略（beam 宽度/温度）、目标文本构造（Findings+Impression 或四段拼接）、空目标样本的处理、分词与指标实现版本。这四项披露齐了，别人才可能复现你的数字——报告生成领域的复现争议大半出在披露不全，而非代码错误。

数据集	规模（检查/图像/患者）	与本数据集关系
MIMIC-CXR	227,835 / 约 377,110 / 65,379	单中心（BIDMC）经典基准；报告时间窗 2011-2016
MIMIC-CXR-JPG	同 MIMIC-CXR（JPG 发行版）	高分辨率 JPG 发行版，细粒度任务的替代训练源
CheXpert	— / 224,316 / 65,240	单中心（斯坦福）五类标注经典集
CheXpert Plus	— / 223,228 / 64,725	CheXpert 增配报告与人口学发行版
IU X-ray	— / 7,470 / —	小规模经典集，常作外部测试
OpenI	约 3,955 报告 / 7,470 图像口径相近	小规模图文检索经典集

（对比数字取 ReXGradient-160K 论文 Table 1 口径与各数据集官方发布口径；统计口径差异见 §1.3 注。）

选组合时的分工建议：预训练语料选本数据集（规模 + 多站点）；主实验与消融选 MIMIC-CXR（社区基准最厚，审稿人最熟悉）；鲁棒性压力测试选本数据集站点子集与 CheXpert 系交叉；轻量外部测试选 IU X-ray / OpenI（小到可以全量人工浏览）。让每个数据集做它最擅长的事，比在单一数据集上堆实验更能撑起论文的泛化性论证。

§8.5 关键论文 Top 8

Zhang, X. et al. (2025). ReXGradient-160K: A Large-scale Dataset of Chest X-rays with Reports. arXiv:2505.00228 — 本数据集论文：规模、流水线与人群统计。
Zhang, X. et al. (2024). ReXrank: A Leaderboard for Radiology Report Generation. arXiv:2411.15122 — 同实验室评测基础设施：8 指标 + 提交制私测。
Johnson, A. E. W. et al. (2019). MIMIC-CXR: A de-identified publicly available database of chest radiographs with free-text reports. Scientific Data, 6, 317. doi:10.1038/s41597-019-0324-8 — 单中心经典，报告生成赛道的事实起点。
Irvin, J. et al. (2019). CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison. AAAI 2019 — 不确定性标签设计沿用至今。
Chambon, P., Delbrouck, J.-B. et al. (2024). CheXpert Plus: Augmenting a Large Chest X-ray Dataset with Text Radiology Reports, Patient Demographics and Additional Image Formats. arXiv preprint, 2024 — 报告 + 人口学增配发行。
Jain, S. et al. (2021). RadGraph: Extracting Clinical Entities and Relations from Radiology Reports. NeurIPS 2021 Datasets and Benchmarks Track — 临床结构指标 RadGraph-F1 的标注体系。
Pellegrini, C., Özsoy, E., Busam, B., Navab, N., Keicher, M. (2023). RaDialog: A Large Vision-Language Model for Radiology Report Generation and Conversational Assistance. arXiv:2311.18681 — 对话式 RRG 代表。
Zhang, X. et al. (2025). RadGame. arXiv:2509.13270 — 同实验室放射教育游戏化平台（HF 仓库 tags 挂载的关联应用论文）。

阅读顺序建议：入门者按 1 → 3 → 4 的顺序读数据集论文三部曲（新集 → 单中心经典 → 标注设计），再按 2 → 6 进入评测体系；做模型工作的按 7 → 13（§10.3 序号对应的 RaDialog 与 CheXagent）补齐大模型路线的上下文。

§8.6 社区活跃度

截至 2026-09-28 抓取：HuggingFace 仓库下载 1,269 次 / 点赞 89（gated 仓库下载计数仅含已授权用户，实际使用面大于该数字）；ViewPosition 质量事件通过 HF discussion #3 官方回应处理，回应透明。同实验室生态活跃：ReXrank 持续收录新模型，GitHub 评测框架开源（MIT 许可）。

对社区活跃度的两点解读：其一，作为 2025 年 5 月发布的新数据集，其讨论量与下载量还处于早期爬坡阶段——gated 自动通过机制让"下载量"的含金量高于开放仓库（每个下载背后是一次完整协议签署），但绝对数尚不能与 MIMIC-CXR（PhysioNet 上累计数万次申请）相提并论；其二，该实验室的发布节奏（数据集 → 排行榜 → 错误标注 → 教育平台）显示其把 ReXGradient-160K 定位为生态底座而非独立发布，跟进该生态的团队值得同时跟踪 ReXrank 榜单与实验室主页的更新。

§8.7 生态快照

资源	类型	链接	推荐理由
ReXGradient-160K HF 仓库	数据集	https://huggingface.co/datasets/rajpurkarlab/ReXGradient-160K	唯一官方发行渠道（gated）
ReXGradient 论文	论文	https://arxiv.org/abs/2505.00228	全部统计口径的权威来源
ReXrank	排行榜	https://rexrank.ai	报告生成 8 指标动态榜单
ReXrank GitHub	评测框架	https://github.com/rajpurkarlab/ReXrank	MIT 开源评测代码，可自托管复算
RadGame	应用平台	arXiv:2509.13270	同实验室报告撰写教育游戏化应用

生态快照的阅读提示：这些资源全部指向官方或同实验室产物，收录标准是"可核验的官方链路"——社区第三方教程、非官方镜像、二手数据包一律不录，因为 gated 数据集的第三方再分发几乎必然违反许可协议，使用者应把"只从官方渠道获取"作为铁律而不是偏好。

§9 相关资源与引用

§9.1 官方资源

数据集仓库（含数据卡与协议全文）：https://huggingface.co/datasets/rajpurkarlab/ReXGradient-160K
论文（arXiv）：https://arxiv.org/abs/2505.00228
论文联系作者：Xiaoman Zhang（Harvard Medical School）
商业授权：Gradient Health（通过仓库 README 指引联系）
同生态评测：rexrank.ai 与 https://github.com/rajpurkarlab/ReXrank

§9.2 学习路径与社区资源

报告生成入门：先读 R2Gen（arXiv:1910.04542）与 M² Transformer（arXiv:1911.13333）理解任务范式，再读 MAIRA-2（arXiv:2411.04671）理解大模型时代的 grounded 生成。
评测方法入门：ReXrank 论文（arXiv:2411.15122）的指标章节是当前最完整的 RRG 评测综述性材料，RadGraph（NeurIPS 2021 D&B）补齐临床结构指标的标注体系背景。
质量事件追踪：仓库 discussions（尤其 #3 ViewPosition 事件）是获取官方修复动态的第一渠道。
同类数据集文档：MIMIC-CXR（PhysioNet 数据卡与 cite 文档）与 CheXpert Plus（GitHub/Stanford AIMI 页面）的发布文档质量很高，其防泄漏与划分惯例可直接借鉴到本数据集的使用中。

§9.2b 引用自检清单

投稿或发布前过一遍这五问：

数据集名拼对了没有？（ReXGradient-160K，不是 ReXgrade、ReX-Gradient）
三个规模数字用的是同一口径来源吗？（160,000 / 273,004 / 109,487，全部出自论文 Table 1）
ReXrank 分数和 Public Test 分数在表里分开标注了吗？（坑点 6）
报告生成的评测配置四要素（解码策略/目标构造/空段处理/指标版本）披露了吗？（§8.3）
非商业限制有没有传导到你的产物声明里？（模型卡与代码许可证）

§9.2 BibTeX 引用

引用本数据集请使用论文 BibTeX：

@article{zhang2025rexgradient,
  title={ReXGradient-160K: A Large-scale Dataset of Chest X-rays with Reports},
  author={Zhang, Xiaoman and others},
  journal={arXiv preprint arXiv:2505.00228},
  year={2025}
}

同时使用 ReXrank 框架评测时，请一并引用：

@article{zhang2024rexrank,
  title={ReXrank: A Leaderboard for Radiology Report Generation},
  author={Zhang, Xiaoman and others},
  journal={arXiv preprint arXiv:2411.15122},
  year={2024}
}

§9.3 引用指南

数据本身：引论文（arXiv:2505.00228）+ 标注所用仓库快照日期。
排行榜分数：引 ReXrank（arXiv:2411.15122），并注明榜单抓取日期（动态数值）。
RadGraph-F1 指标：引 RadGraph 标注体系论文（NeurIPS 2021 Datasets and Benchmarks Track）。
交叉使用 MIMIC-CXR / CheXpert 做对照时：分别引其原始论文（Scientific Data 2019 / AAAI 2019）。

§10 AI 使用声明卡

10.1 AI 模型列表

本条目制作过程使用大语言模型辅助信息整理、代码示例撰写与行文润色；数据集本身的生产链中，报告四段结构化由 GPT-4o 辅助完成（官方披露）。两个"AI 参与"是不同层面的事实——前者关乎本百科条目的可信度，后者关乎数据集的标注性质（坑点 4），使用者不应把两者混为一谈。

10.2 AI 参与范围

AI 参与本条目的资料汇总、表格整理与代码起草；全部硬数字、口径区分与坑点事实经编辑对照论文原文、HuggingFace 元数据与官方讨论逐条核验后定稿。特别地，67 vs 79 站点双口径、ReXrank 与本数据集的分工声明、以及 ViewPosition 质量事件的表述均经人工复核确认与官方口径一致后才写入正文。

10.3 输入来源列表

本条目写作与核验所引用的全部外部输入：

Zhang, X. et al. (2025). ReXGradient-160K: A Large-scale Dataset of Chest X-rays with Reports. arXiv:2505.00228.
ReXGradient-160K HuggingFace 数据卡（rajpurkarlab/ReXGradient-160K，2026-09-28 抓取）。
ReXGradient-160K HF 仓库元数据 API（license、gated 状态、lastModified 2025-12-08）。
HuggingFace discussion #3（ViewPosition 补齐事件官方回应）。
Zhang, X. et al. (2024). ReXrank: A Leaderboard for Radiology Report Generation. arXiv:2411.15122.
ReXrank 官网（rexrank.ai）与 GitHub 仓库（rajpurkarlab/ReXrank）。
Johnson, A. E. W. et al. (2019). MIMIC-CXR. Scientific Data, 6, 317. doi:10.1038/s41597-019-0324-8.
Irvin, J. et al. (2019). CheXpert. AAAI 2019.
Chambon, P., Delbrouck, J.-B. et al. (2024). CheXpert Plus. arXiv preprint, 2024.
Demner-Fushman, D. et al. (2012). Preparing a collection of radiology examinations for distribution and retrieval. JAMIA（OpenI）。
Jain, S. et al. (2021). RadGraph. NeurIPS 2021 Datasets and Benchmarks Track.
Pellegrini, C. et al. (2023). RaDialog. arXiv:2311.18681.
Chen, Z. et al. (2024). CheXagent. arXiv:2401.12208.
Bannur, S. et al. (2024). MAIRA-2. arXiv:2411.04671.
Chen, Z. et al. (2020). R2Gen. EMNLP 2020. arXiv:1910.04542.
Zhang, X. et al. (2025). RadGame. arXiv:2509.13270.
WHO ICD-11 MMS（呼吸系统与循环系统章编码）与 SNOMED CT 国际版概念码。

10.4 人工校验记录

内容模块	审核者	审核方式	审核状态
frontmatter 与 schema_org 数字口径	千方病案医学编辑部	对照 FACTS.md 三源核验记录逐项复核	✅ 已通过/已验证
§1-§3 规模数字与自洽校验	千方病案医学编辑部	三 split 求和复算 + 论文 Table 1 对照	✅ 已通过/已验证
§2 医学背景与编码映射	千方病案医学编辑部	ICD-11/SNOMED 编码检索核实	✅ 已通过/已验证
§4-§6 代码与坑点	千方病案医学编辑部	代码逻辑走查 + 官方 discussion 对照	✅ 已通过/已验证
§7-§8 DAIMS 与生态口径	千方病案医学编辑部	67/79 双口径与 ReXrank 分工存照复核	✅ 已通过/已验证

校验方法说明：全部硬数字（160,000 / 273,004 / 109,487 及三 split 分项）经过"论文 Table 1 → HF 元数据 → 分项求和复算"三重核对；坑点事实逐条对应官方 discussion 或论文披露段落；未经官方披露的推断性内容（如存储体积估算、就医类型推断）在正文中均带"推断/估算"帽子并与事实分层。

10.5 AI 生成章节标注

§6 代码示例与 §7.7 DAIMS 评分为 AI 辅助起草、人工核验后采用；其余章节为 AI 辅助整理 + 编辑定稿。代码块的"可运行性"经静态走查核对（导入、张量形状、键名与 §4 字段字典一致），未在真实下载数据上端到端执行——这是 gated 数据集百科条目的固有边界，读者复现时遇到环境差异属正常现象，欢迎通过站点反馈渠道回报。

10.6 最后人工审核日期

2026-09-28（与 §0 审核日期一致）。

页面状态：published（全部内容已完成审核并发布）