信息速览
INFOBOX — RSNA Knee Abnormality Detection 一屏速览
维度 内容 本质 RSNA 2026 AI Challenge：膝关节 MRI 十二类异常多标签检测竞赛（Kaggle 托管） 主办 Radiological Society of North America（RSNA，北美放射学会）；Cleveland Clinic 团队主导 首次 RSNA 首个影像 + 多语言放射报告文本联合的 AI Challenge；首个骨骼肌肉 MRI 主题 数据 训练 4,407 studies / 24,371 series；约 572.59 GB；官网口径 >5,000 exams 标签 12 类：ACL/MCL/内半月板/外半月板/内侧 OA/外侧 OA/PF OA/积液/滑膜炎/Baker 囊肿/挫伤/骨折 稀疏标注 train.csv 4,407 行中仅 58 例有逐条件标签，其余须从报告文本派生 站点 五大洲，19 主贡献站 + 3 附加站（新闻稿口径 16 sites）；约 12 种语言 评测 12 目标 macro-averaged AUC ROC；另设效率赛道（首次） 奖金 $77,000：主榜 10 名 + 效率赛道 3 名 时间 开赛 2026-07-30；提交截止 2026-10-22；颁奖 RSNA 2026（11-29 – 12-03） 参与 24,561 entrants / 5,499 teams / 95,269 submissions（抓取时点） 获取 Kaggle 竞赛页公开（需接受竞赛规则）；非商业研究用途
§0 导读：这个数据集解决什么问题
膝关节是人体最常受伤、最常被影像检查的关节。单是骨关节炎（osteoarthritis, OA）就影响全球约 6.54 亿人；急性膝伤占全部运动相关创伤的 15%–40%。MRI 能在无电离辐射条件下清晰呈现韧带、软骨、半月板与骨质，是评估膝内部紊乱（internal derangement）的金标准——但读片本身并不轻松：前交叉韧带（anterior cruciate ligament, ACL）撕裂、内侧副韧带（medial collateral ligament, MCL）损伤、半月板损伤、软骨丢失、骨折等征象常常细微，不同放射科医师之间的判读一致性有限；而在大型医学中心之外，受过肌肉骨骼专科训练的放射科医师供给严重不足，导致诊断延迟与不一致。
RSNA Knee Abnormality Detection（2026 RSNA AI Challenge）正是为这一缺口设题：让机器学习模型在一例膝关节 MRI study 上同时判断 12 类临床常见异常。它有三个"第一次"值得记录：
- 首个数影像与放射报告文本联合训练的 RSNA AI Challenge——每例影像都配一份原始放射报告，模型可从"视觉"与"文字"两种不完美的视角学习同一个病例；
- 首个聚焦骨骼肌肉（musculoskeletal, MSK）MRI 的 RSNA Challenge，以膝关节 MRI 为核心；
- 首次设立效率赛道（Efficiency Prize）——在准确性之外单独奖励推理耗时低、可临床落地的模型。
阅读本条目时请注意三点：
- 本条目所有规模数字均以 Kaggle 官方数据描述与 train.csv 实测为准；官网新闻稿的 “>5,000 exams” 与 “16 sites” 属发布口径，已在坑 2 与坑 3 逐条存照。
- 标签并非"整齐表格"——4,407 例训练研究中只有 58 例带逐条件二值标签，其余要从多语言报告文本派生。这是本挑战最难也最贴近真实临床的一点（见 §3.3）。
- 检索时官方名称是 RSNA Knee Abnormality Detection；“Knee MRI AI Challenge” 是媒体与官网专题页的别称，二者指同一竞赛（见坑 1）。
§1 数据集速览：十问十答
Q1：这是什么？
RSNA 主办的 2026 年度 AI 挑战赛数据集，主题为膝关节 MRI 上的十二类异常多标签检测，托管在 Kaggle 平台，竞赛 slug 为 rsna-knee-abnormality-detection。
Q2：谁做的？
北美放射学会（RSNA）组织，Cleveland Clinic 的 Po-Hao “Howard” Chen 与 Naveen Subhas 共同领衔；数据来自 19 家国际机构（附加 3 站），由 Society of Skeletal Radiology 与 International Skeletal Society 招募的 19 位专家注释，标注工具由 MD.ai 提供。
Q3：数据规模多大？
训练集 train.csv 共 4,407 行（每行一例 study），train_series.csv 共 24,371 行（每条序列一行）；Kaggle Input 显示数据集总大小约 572.59 GB。官网与新闻稿称训练含 “>5,000 knee MRI exams”（含测试与隐藏集口径）。
Q4：有多少类别？
12 类二值标签：ACL、MCL、Medial Meniscus、Lateral Meniscus、Medial OA、Lateral OA、PF OA、Effusion、Synovitis、Baker’s、Contusion、Fracture。
Q5：模态是什么？
多模态：DICOM 膝关节 MRI 影像 series + 原始放射报告文本（Report，多语言，约 12 种）。测试阶段不下发 Report。
Q6：标签有多全？
训练集 4,407 例中仅 58 例有逐条件标签，其余 4,349 例标签缺失，须从报告文本自行派生——半监督/弱监督设定。
Q7：怎么评测？
12 个目标分别计算 AUC ROC，再取算术平均（macro-averaged AUC）。另有独立的效率赛道。
Q8：奖金多少？
总额 $77,000：主榜第 1–10 名（$9,000 / $7,000 / $6,500 / $6,000 / $5,500，第 6–10 名各 $5,000）+ 效率赛道前 3 名（$7,000 / $6,000 / $5,000）。
Q9：时间线？
2026-07-30 开赛；2026-10-15 报名与组队截止；2026-10-22 最终提交截止；2026-11-05 获奖者材料截止；2026-11 宣布结果；2026-11-29 至 12-03 于 RSNA 年会颁奖。
Q10：怎么获取？
在 Kaggle 竞赛页接受竞赛规则后即可下载。许可为竞赛规则约束的非商业研究用途；获胜模型须按 Winners’ Obligations 开源。
§2 数据构成与规格
2.1 规模、来源与站点构成
RSNA Knee Abnormality Detection 的训练数据由 19 家主贡献机构（另有 3 家附加贡献站）提供，覆盖五大洲：北美（美国 Cleveland Clinic 体系、Thomas Jefferson、Mayo Clinic、Cornell、St. Jude；加拿大多伦多 Unity Health、McGill）、欧洲（比利时 AZ Delta、马耳他 Mater Dei、克罗地亚 Dubrava、希腊 Heraklion、德国 Würzburg、保加利亚 Sofia、波黑 Sarajevo、土耳其 Hacettepe/Koç/Samsun）、亚洲（泰国 Chiang Mai/Khon Kaen、台湾中国医药大学附设医院、蒙古 Intermed、韩国列名注释专家）、南美（阿根廷 Centro Rossi、智利 Clinica Alemana、巴西 UNIFESP）、大洋洲（澳大利亚 Liverpool Hospital）、非洲（摩洛哥 CHU Mohamed VI）。
这种"跨大洲拼盘"是数据集的核心特征，也是难度的来源：MRI 采集协议、扫描仪硬件、临床文档风格因机构而异。一个因为"认得某家医院的采集参数或术语习惯"而表现良好的模型，会在另一家医疗系统的数据上失效——这正是 RSNA 用 19 站设计来测试的分布漂移（distribution shift）。
2.2 文件结构与字段
竞赛数据目录结构如下（Kaggle Input 展示）：
rsna-knee-abnormality-detection/
├── train.csv # 4,407 行 × 14 列
├── train_series.csv # 24,371 行 × 5 列
├── train_series/ # 训练 DICOM，按 train_series/<StudyUID>/<SeriesUID>/<slice>.dcm
├── test.csv # 示例 3 行 × 1 列（评测时替换）
├── test_series.csv # 示例 15 行 × 5 列
├── test_series/ # 示例测试 DICOM
└── sample_submission.csv # 3 行 × 13 列，标签全 0.5
train.csv 每行一例训练 study：
StudyInstanceUID：研究唯一标识，与train_series/下文件夹名一致；Report：自由文本放射报告，语言随报告机构而异（约 12 种）；- 12 个二值标签列（0/1）：ACL、MCL、Medial Meniscus、Lateral Meniscus、Medial OA、Lateral OA、PF OA、Effusion、Synovitis、Baker’s、Contusion、Fracture。
train_series.csv 每行一条序列（每例 study 含若干序列）：
StudyInstanceUID：所属研究；SeriesInstanceUID：序列唯一标识，与train_series/<StudyUID>/下文件夹名一致；Fluid_Sensitive：1 表示该序列强调液体信号（T2、PD、STIR 及类似），否则 0；Fat_Suppression：1 表示该序列施加脂肪抑制，否则 0；Anatomical_Plane：成像平面，Sagittal / Coronal / Axial 之一。
数据描述特别提醒：尽管 Fluid_Sensitive 与 Fat_Suppression 在训练集中常相关，但它们并非等价——对每个病例而言二者不一定同时成立，建模时不应合并。
2.3 DICOM 规格与去标识
- 切片数：每条序列典型含 20–45 个切片（中位数 30），长尾可延伸至数百。
- 传输语法：混合多种（未压缩 Explicit VR Little Endian、JPEG Lossless、JPEG 2000、Implicit VR Little Endian），预处理需兼容多种解码路径。
- 强度/方向/分辨率：跨序列、跨研究差异显著，标准化（如按序列重采样、强度归一化）是必要环节。
- 去标识：每张 DICOM 均已剥离至一个白名单的 86 个元数据标签（allowlisted set of 86 metadata tags），其余标签被移除。
2.4 报告文本的多语言特征
与既往 RSNA 挑战（多为纯影像）不同，本数据集给出每例的原始放射报告文本，且因来自五大洲机构而覆盖约 12 种语言。报告是"放射科医师对同一病例的观察与术语编码"——它与影像构成同一病例的两种不完美视角：影像承载底层解剖，报告承载解读者的观察与用语。模型必须调和二者，同时避免学到与特定医院、语言或报告风格绑定的捷径。这是本挑战"最贴近真实临床"之处。
2.5 训练集标签稀疏性：一个数字的解剖
train.csv 有 4,407 行，但 12 个标签列中仅 58 行有非空值（缺失 4,349 行）。换言之，绝大多数训练样本的逐条件标签需要研究者从 Report 文本自行派生（规则匹配、LLM 抽取、或弱监督标签函数）。这一设计把数据集从"监督多标签分类"推向"弱监督/半监督"设定，也解释了为何 RSNA 强调本挑战"最真实"：真实世界的诊断报告恰恰不是整齐的表格。
§3 任务与标注
3.1 任务定义
给定一例膝关节 MRI study 的全部影像序列（可选用其报告文本作为训练信号），预测该 study 上 12 个二值发现各自为正类的概率。这是一个**多标签分类（multilabel classification）**问题，而非单一病灶的检测——多类发现常共存（如 ACL 撕裂可伴骨挫伤与积液），因此不存在"非此即彼"的互斥关系。
3.2 十二类标签的临床含义
| 序号 | 列名 | 全称/含义 | 类别域 |
|---|---|---|---|
| 1 | ACL | 前交叉韧带损伤（anterior cruciate ligament injury） | 韧带 |
| 2 | MCL | 内侧副韧带损伤（medial collateral ligament injury） | 韧带 |
| 3 | Medial Meniscus | 内侧半月板撕裂（medial meniscus tear） | 半月板 |
| 4 | Lateral Meniscus | 外侧半月板撕裂（lateral meniscus tear） | 半月板 |
| 5 | Medial OA | 内侧胫股间室骨关节炎（osteoarthritis） | 软骨/骨性 |
| 6 | Lateral OA | 外侧胫股间室骨关节炎 | 软骨/骨性 |
| 7 | PF OA | 髌股关节骨关节炎（patellofemoral OA） | 软骨/骨性 |
| 8 | Effusion | 关节积液（joint effusion / 关节内过量液体） | 渗出 |
| 9 | Synovitis | 滑膜炎（关节内衬炎症） | 渗出 |
| 10 | Baker’s | Baker 囊肿（贝克氏囊肿） | 囊性 |
| 11 | Contusion | 骨挫伤（bone contusion / bone bruise） | 骨性 |
| 12 | Fracture | 骨折（fracture） | 骨性 |
十二类可粗分为四组：韧带（ACL/MCL）、半月板（内/外侧）、骨关节炎（内/外/PF 三间室）、其他（积液、滑膜炎、Baker 囊肿、骨挫伤、骨折）。这种分组对多任务学习（multi-task learning）的损失加权与任务头设计有直接指导意义。
3.3 标注来源：专家委员会注释 + 报告派生
- 专家注释：用于评估模型性能的那部分数据由受训放射科专家注释。注释团队由 Society of Skeletal Radiology（SSR）与 International Skeletal Society（ISS）招募成员组成（Kaggle 页面列名 19 位），注释工具由 MD.ai 提供；报告与影像另有约 30 位质控（QC）人员复核。
- 报告派生标签：训练集绝大多数样本的标签需从多语言 Report 文本派生，形成弱监督信号。
- Ground truth 口径：Kaggle 官方强调，模型评测的是"在挑战赛测试条件下与专家派生标签的匹配度"，不等于在所有扫描仪、人群与临床工作流下的安全性验证。
3.4 为什么这是一个"多模态"挑战
本挑战把影像与文本同时置于建模回路：既可用报告文本派生的标签来监督影像模型，也可直接做影像-文本联合训练（如跨模态对齐）。RSNA 在新闻稿中明确定位这是"首次同时在开发与评测阶段使用影像与报告文本"的 AI Challenge——评测阶段 Report 不提供，迫使模型把文本中学到的知识内化为可仅凭影像推理的能力。
§2.6 膝关节 MRI 解剖与序列基础（背景补充）
要理解十二类标签，需先理解膝关节 MRI 的成像对象与序列逻辑。膝关节（knee joint）由三块骨（股骨 femur、胫骨 tibia、髌骨 patella）与四组软组织结构（韧带、半月板、关节软骨、滑膜与关节囊）构成。MRI 之所以成为膝内部紊乱的金标准，正因为它能在无电离辐射条件下分别刻画这些软组织结构：
- 韧带：前交叉韧带（ACL）限制胫骨相对股骨前移；内侧副韧带（MCL）限制外翻应力。二者损伤是运动创伤最常见的韧带问题。
- 半月板：内侧（medial）与外侧（lateral）半月板是胫股间室间的 C 形软骨垫，起缓冲与稳定作用；撕裂是最常见的膝关节手术指征之一。
- 关节软骨与骨关节炎：软骨丢失按间室分布——内侧胫股（Medial OA）、外侧胫股（Lateral OA）、髌股（PF OA）。三间室分别标注，是本挑战区别于"膝关节整体 OA 有/无"二分类的重要设计。
- 渗出与滑膜：关节积液（effusion）是关节内过量液体，多为炎症或损伤的间接征象；滑膜炎（synovitis）是滑膜内衬的炎症。
- 囊性：Baker 囊肿（腘窝囊肿）由关节液经关节囊后部缺損渗出形成。
- 骨性：骨挫伤（bone contusion / bone bruise）是骨小梁微骨折伴骨髓水肿，常见于急性创伤；骨折（fracture）是骨皮质连续性中断。
MRI 序列类型（对应 Fluid_Sensitive / Fat_Suppression 字段）：
| 序列类型 | 液体信号 | 脂肪抑制 | 典型用途 |
|---|---|---|---|
| T1 加权 | 低 | 否 | 解剖结构、骨髓 |
| T2 加权 | 高 | 可 | 积液、水肿、撕裂 |
| PD（质子密度） | 中—高 | 可 | 半月板、软骨 |
| STIR | 高 | 是 | 骨髓水肿、骨挫伤 |
| T2 脂肪抑制 | 高 | 是 | 水肿、积液 |
数据描述提示：Fluid_Sensitive（强调液体信号，T2/PD/STIR 及类似）与 Fat_Suppression（脂肪抑制）虽常相关但不等价。成像平面（Anatomical_Plane）分矢状位（Sagittal）、冠状位（Coronal）、轴位（Axial）——多数异常需在特定平面上判读（如 ACL 撕裂常在矢状位，半月板常在矢状位与冠状位联合）。这一序列/平面元数据为"按序挑选关键序列"的建模策略提供了显式依据。
§2.7 十二类标签的临床判读要点
以下逐类补充判读要点，帮助理解"为什么这是多标签而非单标签问题"，以及各类的难度差异：
ACL 损伤。典型征象为韧带连续性中断、信号增高、走行异常；急性期常伴骨挫伤（胫骨后外侧与股骨外侧髁的"对吻性"挫伤）与积液。诊断挑战在于部分撕裂与慢性损伤的判读。
MCL 损伤。按分级（I–III 度）评估韧带水肿与撕裂；常与 ACL 损伤并存（"O’Donoghue 三联征"含 ACL、MCL、内侧半月板）。
半月板撕裂。以矢状位与冠状位信号达到关节面（grade 3 信号）为判据；内侧半月板撕裂多于外侧，与 OA 关系密切。
三个间室的 OA。软骨丢失、软骨下骨髓水肿、骨赘形成；分间室标注使模型必须定位病变所在间室，而非给出笼统的"OA 有/无"。
积液与滑膜炎。积液在 T2/STIR 上呈高信号，常为其他病变的间接证据；滑膜炎在增强或脂肪抑制序列上更易识别。二者常共存，标注一致性本身有限。
Baker 囊肿。位于腘窝（popliteal fossa）的囊性高信号；位置相对固定，判读在其他类别中较易。
骨挫伤与骨折。二者是急性创伤的重要征象；骨挫伤在 STIR/脂肪抑制序列上呈骨髓水肿高信号，骨折则需识别骨皮质中断。两者在信号上可有重叠，且骨折在训练集中相对稀少（属 macro-AUC 下需重点关注的少数类）。
多标签共存的临床逻辑：一次急性膝伤可同时产生 ACL 撕裂、骨挫伤、积液；慢性 OA 可同时累及多个间室并伴半月板退变。因此十二类标签间存在统计相关，建模时可利用（如联合建模、条件依赖），但不可假设互斥。
§2.8 数据规模数字的再核对
| 文件 | 行数 | 列数 | 说明 |
|---|---|---|---|
| train.csv | 4,407 | 14 | StudyInstanceUID + Report + 12 标签 |
| test.csv | 3 | 1 | 示例，评测时替换 |
| train_series.csv | 24,371 | 5 | StudyUID + SeriesUID + 3 序列描述 |
| test_series.csv | 15 | 5 | 示例 |
| sample_submission.csv | 3 | 13 | StudyUID + 12 标签，全 0.5 |
由 train.csv 4,407 studies 与 train_series.csv 24,371 series 可得平均每例约 5.5 条序列（24,371 / 4,407 ≈ 5.53）。这一数字对"每例需聚合多条序列"的建模策略（如逐序列编码后池化、或挑选关键序列）至关重要。
训练集标签缺失率：12 列 × 4,407 行中，每列非空 58，缺失 4,349，缺失率约 98.7%。即只有约 1.3% 的研究带有结构化的逐条件标签。这一比例是理解本挑战"弱监督本质"的最关键硬数字。
§4 评估与基准
4.1 主榜指标：macro-averaged AUC ROC
提交文件对测试集每例给出 12 个 0–1 置信度。评测为 12 个目标分别计算 ROC 曲线下面积（area under the ROC curve, AUC），再取算术平均：
$$
\text{Final Score} = \frac{1}{12}\sum_{i=0}^{11} \text{AUC}_i
$$
即 macro-averaged AUC ROC。选择 macro 平均而非 micro 或加权，意味着 12 类等权——稀少但临床关键的类别（如骨折、Baker 囊肿）与高流行类别（如积液、OA）贡献相同权重，不会因类别不平衡而被淹没。这对多标签医学分类是稳健且常用的口径。
提交格式：submission.csv，列为 StudyInstanceUID + 12 个标签名，每行为 0–1 置信度：
StudyInstanceUID,ACL,MCL,Medial Meniscus,Lateral Meniscus,Medial OA,Lateral OA,PF OA,Effusion,Synovitis,Baker's,Contusion,Fracture
<uid_1>,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5,0.5
4.2 效率赛道（Efficiency Prize）：首次设立
高分模型往往计算沉重——MRI 单例数据量远大于单张 X 光片，若每例过多个大模型推理，会推高时延与硬件需求。为此 RSNA 首次单独设立效率奖，激励参赛者压缩模型、减少预处理、限制集成规模，同时保持诊断性能。
效率评分定义为：
$$
\text{Efficiency} = \frac{\text{AUC}}{\text{Benchmark} - \max\text{AUC}} + \frac{\text{RuntimeSeconds}}{32400}
$$
目标为最小化该值。其中 AUC 为提交在主指标上的得分，Benchmark 为 sample_submission.csv 的得分，maxAUC 为私有榜所有提交中的最高 AUC，RuntimeSeconds 为评测耗时（分母 32400 秒 = 9 小时上限）。公式实质是"精度增益归一化项 + 运行时间归一化项"的权衡：前者衡量"在最高分差量中占多少"，后者把耗时对到 9 小时满格。
参赛资格：效率奖提交须同时（i）被队伍选入主榜评奖的提交之一，或（ii）在私有榜排名高于 sample_submission.csv 基准；（iii）可同时兼得主榜奖与效率奖。
4.3 代码与运行约束
- 仅允许 Notebook 提交（Code Competition）；
- CPU/GPU Notebook 运行时间 ≤ 9 小时；
- 禁用互联网访问；
- 允许使用自由公开的外部数据与预训练模型；
- 提交文件名必须为
submission.csv。
4.4 奖金池与获奖义务
总额 $77,000：
| 赛道 | 名次 | 奖金 |
|---|---|---|
| 主榜 | 第 1 名 | $9,000 |
| 主榜 | 第 2 名 | $7,000 |
| 主榜 | 第 3 名 | $6,500 |
| 主榜 | 第 4 名 | $6,000 |
| 主榜 | 第 5 名 | $5,500 |
| 主榜 | 第 6–10 名 | 各 $5,000 |
| 效率赛道 | 第 1 名 | $7,000 |
| 效率赛道 | 第 2 名 | $6,000 |
| 效率赛道 | 第 3 名 | $5,000 |
获奖者除标准 Kaggle Winners’ Obligations（开源许可、方案打包交付、向主办方汇报）外，主办方另要求：（i）制作简短视频介绍方案；（ii）在竞赛论坛公开代码与权重链接；（iii）将模型最终版作为公开可用资源发布以供验证。获奖团队将被邀请参加 RSNA 年会 AI Challenge 表彰活动。
4.5 参与规模（抓取时点）
Kaggle 页面显示：24,561 entrants / 6,277 participants / 5,499 teams / 95,269 submissions。竞赛开放约两个月（2026-07-30 起）即吸引数千支队伍，与历届 RSNA 挑战的规模相当。
4.6 参考文献与历史基线
RSNA 引用的早期研究表明膝关节 MRI 深度学习既有潜力也有差距：一项 2021 年发表于 Radiology: Artificial Intelligence 的研究在涉及软骨、骨髓、半月板与前交叉韧带的膝 MRI 异常上测试深度学习模型，报告灵敏度 70%–88%、特异度 85%–89%，AI 辅助在主治医师与住院医师参与的 16 组比较中有 10 组改善了判读一致性。本挑战把这一问题扩展到更多机构、更多异常类别与多语言报告。
§5 获取与许可
5.1 获取路径
数据托管在 Kaggle 竞赛页 https://www.kaggle.com/competitions/rsna-knee-abnormality-detection。研究者须在竞赛页接受竞赛规则后方能下载与提交。竞赛期间数据面向参赛者开放；竞赛结束后按 RSNA 惯例将获胜模型开源（“winning models are made available under open licenses”）。
5.2 许可要点
- 用途：Kaggle 竞赛规则约束为非商业研究用途（research use）。
- 模型开源：获胜模型须按 Winners’ Obligations 开源，包含代码与权重的公开分发与验证。
- 逐字条款：数据集再分发的精确许可文本以 Kaggle 竞赛规则页为准。本条目在既定网络预算内未逐字抓取规则全文，列为遗留疑点（见 §10.6）。
- 去标识：DICOM 剥离至白名单 86 个元数据标签，报告做去标识处理。
5.3 AI-Ready 光谱定位
| 资产 | 可获取性 | 门槛 |
|---|---|---|
| 训练/测试影像（DICOM） | 竞赛期公开（须接受规则） | 低—中（须参赛） |
| 标签 CSV（稀疏） | 同上 | 低 |
| 原始放射报告文本 | 同上（仅训练集） | 低—中 |
| 获胜模型权重 | 赛后开源 | 低 |
| 精确许可条款 | 竞赛规则页 | 需逐字确认 |
与"请求制"或"限制性伦理审批"的数据集相比，本条目属AI-Ready 光谱中可获取性较好的一类：公开平台、单一准入动作（接受规则）、结构清晰的 CSV 与 DICOM 布局，适合构建自动化评测流水线。其限制主要在许可的再分发边界与标签稀疏导致的标注成本。
§4.7 AUC 作为多标签指标的数学与实务
ROC 曲线（receiver operating characteristic curve）以横轴假阳性率（FPR）、纵轴真阳性率（TPR）刻画分类器在不同阈值下的表现，AUC 即曲线下面积，取值范围 [0,1]，0.5 相当于随机。对单一二值目标，AUC 有一个等价的概率解释：随机取一正例与一负例，模型给正例的分数高于负例的概率即 AUC（DeLong 意义上的 rank 统计量）。
在多标签场景下，本节目的 macro 平均：
$$\text{Final Score} = \frac{1}{12}\sum_{i=0}^{11} \text{AUC}_i$$
其特性决定了建模取向：
- 阈值无关：AUC 只依赖分数排序，不依赖把 0.5 当阈值。因此提交的是置信度而非硬标签，模型只需给出良好的排序，不必过早二值化。
- 类间等权：macro 平均对每类给 1/12 权重，少数类（骨折、Baker 囊肿）与高流行类（积液、OA）同等重要。若某类 AUC 极低（如模型对骨折几乎无判别力），会显著拖低 macro 分。
- 对不平衡稳健：相较准确率（accuracy），AUC 对正负样本比例不敏感，适合本数据集这种十二类流行率不均衡、且跨数据集流行率不保证一致的设定。
实务提醒：单个类别的 AUC 在样本极稀时估计方差大，且当某测试集某类全为负时 AUC 无定义（Kaggle 评测端有处理机制）。参赛者应在验证集上分列 12 个 AUC，定位短板类，而非只看宏平均。
§4.8 效率评分公式的逐项拆解
$$\text{Efficiency} = \frac{\text{AUC}}{\text{Benchmark} - \max\text{AUC}} + \frac{\text{RuntimeSeconds}}{32400}$$
- 第一项：$\text{AUC} / (\text{Benchmark} - \max\text{AUC})$。注意分母 $\text{Benchmark} - \max\text{AUC}$ 为负（maxAUC 高于 benchmark），故该项为负值。AUC 越高，分子越大，负得越多（越好）。它衡量"你的精度在最高精度与基准之间的相对位置"。
- 第二项：$\text{RuntimeSeconds}/32400$，恒为非负，且随耗时线性增长。32400 秒 = 9 小时，即竞赛 GPU/CPU 运行上限，把耗时归一到 [0,1] 区间。
- 目标：最小化 Efficiency。因此精度增益与速度在此消彼长中权衡——一个略低 AUC 但推理极快的模型可能优于高 AUC 但慢的模型。
- 资格门槛：须在主榜评奖提交之列，或私有榜高于
sample_submission.csv。参赛者不应为效率奖而牺牲到低于基准。
这一设计把"可部署性"显式写入目标函数，是对纯精度竞赛文化的结构性纠偏。
§4.9 参赛者典型工作流（示意代码）
以下为符合竞赛约束的示意流水线（伪代码级，仅供方法参考，非官方实现）：
# 1. 读取标签与序列描述
train = pd.read_csv("train.csv") # 4,407 行，仅 58 行有 12 列标签
series = pd.read_csv("train_series.csv") # 24,371 行
LABELS = ["ACL", "MCL", "Medial Meniscus", "Lateral Meniscus",
"Medial OA", "Lateral OA", "PF OA", "Effusion",
"Synovitis", "Baker's", "Contusion", "Fracture"]
# 2. 报告派生标签（对无标签的 4,349 例）
# 多语言报告 -> 规则/LLM 抽取 -> 弱标签
# report_text = train.loc[idx, "Report"]
derived = derive_labels_from_report(train["Report"]) # 自研函数
# 3. 序列筛选：优先液体敏感 & 需要关注平面
key_series = series[(series["Fluid_Sensitive"] == 1) |
(series["Fat_Suppression"] == 1)]
# 4. 逐序列编码后按 study 池化
# encoder: 2D CNN / ViT over slices -> series embedding
# aggregate: attention / max / mean pooling -> study embedding
# 5. 多标签头：12 个 sigmoid 输出，逐类 BCE 损失
# loss = BCEWithLogitsLoss(pos_weight=class_weights)
# 6. 提交
# submission.csv: StudyInstanceUID + 12 置信度列（0-1）
运行时约束自查：CPU/GPU Notebook ≤ 9 小时、禁用互联网、提交文件名 submission.csv。若追效率奖，需实测端到端评测耗时并压缩预处理。
§4.10 与前作 RSNA 挑战的评测口径对照
| 挑战 | 年份 | 任务 | 主指标 |
|---|---|---|---|
| RSNA Bone Age | 2017 | 骨龄回归 | MAE（月） |
| RSNA Pneumonia | 2018 | 肺炎检测 | mAP / 检测 |
| RSNA Intracranial Hemorrhage | 2019 | 出血亚型多标签 | 加权 logloss / mean AUC |
| RSNA Abdominal Trauma | 2023 | 腹部 CT 多器官损伤 | 加权各类指标 |
| Lumbar Spine | 2024 | 腰椎退变分级 | 加权各分类指标 |
| Intracranial Aneurysm | 2025 | 动脉瘤检测 | 检测/分类复合 |
| Knee Abnormality Detection | 2026 | 膝 MRI 十二类多标签 | macro AUC ROC + 效率 |
本挑战在口径上的两个演进：一是恢复 macro 平均（将 12 类等权，强调少数类）；二是首次并列效率赛道（把推理成本显式纳入评奖）。这两点共同标志 RSNA 对"多类医学分类"与"可部署性"的重视度提升。
§6 机构与人物
6.1 主办与领衔
RSNA Knee Abnormality Detection 由**北美放射学会（Radiological Society of North America, RSNA）**主办，通过其年度 AI Challenge 计划推进，竞赛平台由 Kaggle, Inc. 提供。
- Po-Hao “Howard” Chen, MD, MBA — 挑战赛共同负责人（co-leader），Cleveland Clinic（美国），RSNA 人工智能委员会成员，Cleveland Clinic Diagnostics Institute 副主席（AI 方向）。他代表主办方强调：“今年的膝关节异常检测挑战是目前最贴近真实世界的一届——参赛者必须从真实的诊断放射报告中学习，那里的发现复杂、答案并非整齐排布在表格里。”
- Naveen Subhas, MD, MPH — 挑战赛共同负责人，Cleveland Clinic，Cleveland Clinic Enterprise Imaging 临床运营副主席。他指出本届的三项"第一次"：首个聚焦骨骼肌肉 MRI（以膝关节 MRI 为核心）、首个结合影像与多语言放射报告、数据跨五大洲。
6.2 组织团队（15 人）
Po-Hao Chen、Naveen Subhas（均 Cleveland Clinic）、Oganes Ashikyan（UT Southwestern）、Pieter Baeyens（AZ Delta, 比利时）、Robyn Ball（The Jackson Laboratory）、Errol Colak（Unity Health Toronto / 多伦多大学）、Ali Emami（Emory University）、Adam Flanders（Thomas Jefferson University）、Hillary Garner（Mayo Clinic Jacksonville）、Jacob Kazam（Cornell University）、Felipe Kitamura（Universidade Federal de São Paulo, 巴西）、Hui-Ming Lin（Unity Health Toronto）、Luciano Prevedello（Ohio State University）、Daniel Schneider（Cleveland Clinic）、Paul Yi（St. Jude Children’s Research Hospital）。
6.3 数据策展与贡献机构
- 数据策展（Data Curators）：Hui-Ming Lin（Unity Health Toronto）、Jason Sho（RSNA）。
- 主贡献机构（19 家）：AZ Delta（比利时）｜Centro Rossi（阿根廷）｜Chiang Mai University（泰国）｜China Medical University Hospital（台湾）｜CHU Mohamed VI Cadi Ayyad University（摩洛哥）｜Clinica Alemana Santiago de Chile（智利）｜Hacettepe University School of Medicine（土耳其）｜Khon Kaen University（泰国）｜Koç University Hospital（土耳其）｜Mater Dei Hospital（马耳他）｜McGill University Health Centre（加拿大）｜Samsun Training and Research Hospital（土耳其）｜Sofia University（保加利亚）｜Thomas Jefferson Hospital（美国）｜Unity Health Toronto（加拿大）｜University Hospital Dubrava（克罗地亚）｜University Hospital of Heraklion（希腊）｜University Hospital of Würzburg（德国）｜University of Sarajevo（波黑）。
- 附加贡献站（3 家）：Intermed Hospital（蒙古）｜Liverpool Hospital（澳大利亚）｜Salus Vigevano Centro Sanitario Depa（意大利）。
6.4 注释与质控团队
- 注释专家：由 **Society of Skeletal Radiology（SSR，骨骼放射学会）**与 **International Skeletal Society（ISS，国际骨骼学会）**招募成员组成（Kaggle 列名 19 位，来自比利时、美国、日本、韩国、菲律宾等国），工具由 MD.ai 提供。
- 报告与影像质控（QC）：约 30 位列名复核者，来自多国机构。
这一"专家委员会注释 + 独立质控复核"的生产模式，与 PANDA-PLUS 等条目的"学生注释 + 专家终审"模式形成对照：前者以专家劳动为主、产出可信度高但成本高；后者以分层劳动降本。两者共同说明——医学多标签数据集的 ground truth 生成，本质上是一套劳动与可信度的权衡工程。
§7 生态与谱系
7.1 RSNA AI Challenge 年度谱系
RSNA 每年举办 AI Challenge，形成清晰的技术演进链：
| 年份 | 挑战 | 主题/模态 |
|---|---|---|
| 2023 | RSNA Abdominal Trauma Detection | 腹部 CT 创伤检测 |
| 2024 | Lumbar Spine Degenerative Classification | 腰椎退变 MRI 分类 |
| 2025 | Intracranial Aneurysm Detection | 颅内动脉瘤 CTA 检测 |
| 2026 | Knee Abnormality Detection | 膝关节 MRI 十二类异常 + 多语言报告文本（首个多模态） |
2026 届的独特地位在于：它是系列中首个把影像与报告文本同时纳入训练与评测的一届，也是首个骨骼肌肉 MRI 主题。这使它在方法学上从"纯影像监督"跨向"影像-文本多模态"，与近年医学 AI 的视觉-语言模型浪潮直接呼应。
7.2 与既往膝关节 MRI 数据的关系
膝关节 MRI 的公开数据集相对稀缺。本库内 3dreasonknee（rid 728） 是另一个膝关节 MRI 相关条目，但其任务为 3D 推理/诊断问答方向，与本挑战的"十二类多标签分类"口径不同，可作同解剖部位、异任务的横向对照。本挑战的价值在于提供了迄今规模较大、机构覆盖最广的多语言膝关节 MRI 多标签基准。
7.3 下游影响与开放生态
- 模型开源义务：获奖模型须开源（代码+权重）并发布验证，直接为社区提供可复现的强基线；
- 方法学外溢：多语言报告派生标签、跨机构分布漂移鲁棒性、macro-AUC 下的类别不平衡处理，均可迁移到其他 MSK 与其他解剖部位的影像-文本任务；
- 临床决策支持定位：RSNA 明确其目标是"稳健的决策支持工具"——在专科 MSK 放射科医师稀缺的场景下提供一致、及时的判读辅助。
7.4 与库内可互链条目
| rid | slug | 关系 |
|---|---|---|
| 738 | rsna-intracranial-hemorrhage | 同系列 RSNA 挑战（前作），同平台同主办 |
| 712 | rsna-pneumonia | RSNA 肺炎胸片检测（RSNA 2018），同伦理/获取谱系 |
| 426 | rsna-bone-age | RSNA 骨龄挑战（2017），同系列早期代表 |
| 20 | rsna-series | RSNA 系列聚合条目，跨届索引 |
| 728 | 3dreasonknee | 膝关节 MRI 相关（异任务，同解剖部位） |
建议互链 URL：https://www.qianfanghub.com/ai-ready-dataset/rsna-knee-2026/973
§8 方法学启示
8.1 报告文本既是监督信号也是捷径来源
多语言报告让数据集更真实，但也引入**捷径学习（shortcut learning）**风险：模型可能记住某机构的措辞或某语言的固定表述，而非真正理解影像。稳健做法包括——报告派生标签的概率化（而非硬标签）、跨机构/跨语言的验证切分、以及报告文本在训练中"可用、评测中不可用"的不对称设计。
8.2 标签稀疏性把任务推向弱监督
4,407 例中仅 58 例有逐条件标签，意味着标签函数（labeling functions）、规则抽取、LLM 辅助标注成为必经环节。这与临床真实工作流一致：结构化标签稀缺，自由文本才是主信息载体。研究者应把"报告→标签"的抽取质量作为核心可变量来评估，而非当作数据预处理的背景步骤。
8.3 macro-AUC 下的类别不平衡处理
十二类等权（macro）意味着少数类（骨折、Baker 囊肿）不可被忽视。常见策略：类加权损失、分任务阈值调优、以及针对稀少类的重采样或数据增强——但需警惕过采样引入的伪相关。
8.4 效率赛道的方法学信号
首次设立效率奖传递明确信号：医学影像模型的临床可落地性不仅是精度，还包括推理成本。压缩、蒸馏、减小集成规模、精简预处理，都是被显式奖励的方向。这对"精度至上"的竞赛文化是一次纠偏。
8.5 分布漂移是设计而非缺陷
19 站、五大洲、约 12 语言的设计，把分布漂移从"事后发现的意外"变成"设计内的考点"。模型要"跨像素与临床语言的变异生存"，这要求研究者从训练划分阶段就模拟跨站点泛化（如 leave-one-site-out）。
§7.5 RSNA AI Challenge 计划的背景
RSNA（Radiological Society of North America，北美放射学会）成立于 1915 年，是全球规模最大的放射学专业学会之一，每年 11 月底至 12 月初在芝加哥举办科学大会与年会（Scientific Assembly and Annual Meeting）。自 2017 年起，RSNA 通过其放射学信息学与 AI 相关委员会发起年度 AI Challenge，以"开放数据集 + 竞赛"的方式推动放射学 AI 工具的产生。
RSNA 对 AI Challenge 的定位（据其官方表述）是：通过发动放射学社区共建带专家注释的大规模数据集，为训练 AI 系统提供任务相关的"真理标准"（standard of truth）。历届挑战在 Kaggle 平台举办，吸引数千名来自全球的研究者，获胜模型以开放许可发布以促进后续研究。
2026 届的三个"第一次"（由 Naveen Subhas 归纳）：
- 首个聚焦骨骼肌肉 MRI（以膝关节 MRI 为核心）的挑战；
- 首个结合影像与多语言放射报告文本的挑战，构建独特的多模态数据集；
- 数据集病例跨五大洲，且首次设立效率奖。
§7.6 多模态医学 AI 的语境
2026 届把影像与文本并列，恰与医学 AI 的两条主线交汇：
- 视觉-语言模型（vision-language models）：如 CLIP 式对比学习、图像描述、视觉问答。膝 MRI + 报告文本天然构成"图-文对"，可用于跨模态对齐预训练。
- 报告派生监督（report-derived supervision）：临床中结构化标签稀缺，自由文本才是信息主体。用报告派生标签来监督影像模型，是把"非结构化临床知识"注入模型的主要路径。
本挑战"训练可用报告、评测不给报告"的不对称设计，本质上要求模型把报告中的知识内化为纯影像推理能力——这与临床部署场景一致：部署时不会有现成报告，模型必须先给出判断。这与近年"放射学基础模型（radiology foundation models）"的诉求高度契合。
风险面：多语言文本引入捷径风险（见 §8.1）、报告术语与影像征象并非一一对应、报告质量与详尽度因机构而异。研究者应把"报告质量的异质性"作为显式的噪声来源来处理，而非假设报告是可靠的 ground truth。
§7.7 数据治理、伦理与去标识
医学影像数据集的公开涉及三类治理问题：
- 隐私与去标识。本数据集 DICOM 剥离至 86 个白名单元数据标签，报告做去标识处理。研究者使用时应遵守竞赛规则，不得尝试重新识别。
- 机构授权与贡献。数据由 19 家主站（附加 3 站）自愿贡献，各机构对去标识后的数据授权 RSNA 用于本挑战。
- 再分发边界。竞赛规则约束为非商业研究用途；获胜模型须开源（代码+权重）。研究者若计划再分发数据本体，须先核对竞赛规则的逐字条款（本条目列为遗留疑点）。
公平性考量：跨五大洲、约 12 语言、19 站的构成，使数据集在人群与设备上比单一机构数据集更具代表性；但也意味着模型在不同子群上的性能可能不均。稳健评测应做分站点/分语言的分层分析，避免"总体高分掩盖子群失败"。
§7.8 与相关主题数据集的横向坐标
| 主题 | 代表数据集 | 模态 | 与本次关系 |
|---|---|---|---|
| 骨骼肌肉 X 光 | 骨龄（rsna-bone-age, 426） | X 光 | 同序列早期，异部位 |
| 骨骼肌肉 MRI | 3dreasonknee（728） | MRI | 同部位，异任务（推理/问答） |
| 膝 MRI 多标签 | 本条目 | MRI + 文本 | 多模态多标签基准 |
| 通用胸片 | rsna-pneumonia（712）、CheXpert、MIMIC-CXR | X 光 + 文本 | 影像-文本监督的方法参照 |
| 脑部 CT 多标签 | rsna-intracranial-hemorrhage（738） | CT | 同系列多标签前作 |
本挑战在"骨骼肌肉 MRI + 多语言报告 + 十二类多标签"这一交叠区域，目前是可获取性较好、覆盖较广的公开基准，具备成为 MSK 多模态方法标准测试台的潜力。
§7.9 临床意义与局限的平衡陈述
意义：在专科 MSK 放射科医师短缺的现实下，一个能一致、及时识别膝关节十二类异常的模型，有望作为分诊与决策支持工具，尤其在基层与非专科场景。
局限（须与意义并述）：
- 榜单分数仅表示在挑战赛测试条件下匹配专家派生标签，不等于临床就绪；
- 报告派生标签自身带噪声，构成标签质量上限；
- 跨扫描仪、跨人群、跨工作流的泛化未被全面验证；
- 多模态数据集的构建成本高，获胜模型虽开源，但数据本体不可自由再分发。
因此，本条目建议读者把本挑战定位为方法研究与基准测试平台，而非临床部署的直接依据。
§8.6 建模策略矩阵
针对本挑战的核心难点，可归纳以下策略矩阵：
| 难点 | 策略 | 备注 |
|---|---|---|
| 标签稀疏（58/4,407） | 报告派生标签函数 / LLM 抽取 / 半监督 | 需评估标签噪声 |
| 多序列（平均 5.5/例） | 逐序列编码 + 池化；关键序列筛选 | 用 Fluid_Sensitive/Plane 选序 |
| 十二类等权 | 逐类 BCE + 类加权 | macro 下少数类不可忽略 |
| 跨机构漂移 | leave-one-site-out 验证、域泛化 | 站点/语言分层 |
| 多语言报告 | 多语编码器或翻译统一 | 警惕语言捷径 |
| 效率赛道 | 蒸馏、剪枝、集成压缩、精简预处理 | 实测评测耗时 |
| 类别相关 | 多任务学习、条件依赖建模 | 不假设互斥 |
§8.7 数据划分的科学性
由于标签稀疏且跨站点，简单的随机划分会高估性能。更稳健的做法：
- 站点分组划分：按贡献机构划分训练/验证集，模拟真实跨机构泛化；
- 语言分组划分：检验模型是否依赖特定语言表述；
- 时间/协议分组：若存在采集协议差异，按协议分层；
- 分层采样：确保每折中稀少类（骨折、Baker 囊肿）有足够正例。
这些做法在评测阶段尤为重要，因为 Kaggle 明示训练、公开榜、最终评测集的异常流行率不保证一致。
§8.8 报告派生标签的质量工程
报告派生标签是本挑战的"隐形变量"。质量工程建议：
- 规则层：基于关键词与否定检测（如"no tear"“intact”）抽取正负；多语言需分语言规则或统一到英文；
- 模型层：用 LLM 做结构化抽取，抽样人工核对一致性（如 Cohen’s kappa）；
- 不确定性层：对模棱两可表述（“possible”“suspected”）赋软标签或丢弃，而非硬判；
- 审计层：记录每个标签列的派生覆盖率与噪声水平，作为下游误差归因依据。
忽略了报告派生环节的数据集使用者，往往会在"为什么 AUC 上不去"上耗费大量时间——问题可能根本不在模型，而在标签。
§9 与库内条目的关系
9.1 家族图谱
RSNA Knee Abnormality Detection 在本库中处于"RSNA 挑战系列"分支的 2026 节点：
RSNA 挑战系列
├── rsna-bone-age (rid 426) 2017 手部 X 光骨龄
├── rsna-pneumonia (rid 712) 2018 胸片肺炎
├── rsna-intracranial-hemorrhage (738) 2019 颅内出血 CT
├── rsna-series (rid 20) 系列聚合索引
└── rsna-knee-2026 (本条目) 2026 膝关节 MRI 十二类异常（首个多模态）
解剖部位邻域：
膝关节 MRI
├── rsna-knee-2026 (本条目) 十二类多标签分类（影像 + 报告文本）
└── 3dreasonknee (rid 728) 3D 膝关节推理/诊断（异任务）
9.2 检索路径建议
- 精确检索词：
RSNA Knee Abnormality Detection、rsna-knee-abnormality-detection（Kaggle slug）。 - 别称：
2026 RSNA Knee MRI AI Challenge（官网专题页与媒体常用别称，指同一竞赛）。 - 勿用：凭"RSNA 2026 Knee"想当然构造的其他名称可能指向不同条目；以 Kaggle 竞赛 slug 为准（见坑 1）。
- 引数字时：训练规模引 Kaggle train.csv 的 4,407；机构数引 Kaggle 列名的 19 主站 + 3 附加；奖金引 $77,000；并注明官网口径 5,000+ exams / 16 sites 的发布口径差异（坑 2、坑 3）。
§10 避坑清单：六个已踩过的坑
坑 1：官方名与别称并存，勿臆造名称。竞赛的 Kaggle 官方名为 RSNA Knee Abnormality Detection；RSNA 官网专题页与多家媒体称其为 Knee MRI AI Challenge / 2026 RSNA Knee MRI AI Challenge。二者同一竞赛，但检索时若自行拼出"RSNA Knee 2026"之类的名称并据此引 URL，可能落空。以 Kaggle 竞赛 slug rsna-knee-abnormality-detection 为唯一锚点。
坑 2：机构数双口径（16 vs 19）。rsna.org 新闻稿（2026-08-05）与媒体（radiologybusiness、axisimagingnews、runtimewire）统一写 16 sites；而 rsna.org 专题页与 Kaggle Acknowledgments 列出 19 个主贡献站 + 3 个附加站。本条目以列名为准（19+3），并把"16 sites"作为早期发布口径存照。自动化抽取务必指定数据源。
坑 3：训练规模双口径（4,407 vs >5,000）。官网新闻稿称训练含 “>5,000 knee MRI exams”；Kaggle train.csv 实测 4,407 行（studies），train_series.csv 24,371 行。合理解释是 5,000+ 为含测试/隐藏集的总量口径。引用训练行数用 4,407，引用考核总量用 5,000+，切勿混引。
坑 4：标签列缺失率极高，勿当"完整监督集"。train.csv 的 12 个标签列中仅 58 例有值，其余 4,349 例为空。若把本数据集当标准监督多标签集直接训练，会因样本量误判与负样本误设而失败。正确姿势：从 Report 派生标签，并做标签噪声评估。
坑 5：Fluid_Sensitive 与 Fat_Suppression 不等价。数据描述明确二者虽常相关但非等价，不应合并为单一"序列类型"特征。序列筛选与预处理应分别保留这两个字段。
坑 6：评测不等于临床安全验证。RSNA 与 Kaggle 均强调，高分只表明模型在挑战赛测试条件下匹配专家派生标签，不构成跨扫描仪、跨人群、跨工作流的安全性证明。引用结论时须带此限定语，避免把榜单分数误述为临床就绪证据。
§11 DAIMS 数据属性表
按 DAIMS（Data Attributes for Intelligent Medical Systems）口径记录核心属性，便于机器读取与跨条目比较：
| 属性 | 取值 |
|---|---|
| 数据集名称 | RSNA Knee Abnormality Detection（2026 RSNA AI Challenge） |
| 唯一标识 | Kaggle slug: rsna-knee-abnormality-detection |
| 本库 slug | rsna-knee-2026 |
| 主办 | Radiological Society of North America (RSNA) |
| 平台 | Kaggle, Inc. |
| 解剖部位 | 膝关节（knee） |
| 模态 | 多模态：DICOM MRI + 放射报告文本（约 12 语言） |
| 任务 | 多标签分类（12 类，macro-AUC） |
| 训练规模 | 4,407 studies / 24,371 series（官网口径 >5,000 exams） |
| 测试规模 | 约 1,300 studies（示例 3 行） |
| 站点 | 19 主站 + 3 附加站（新闻稿口径 16 sites），五大洲 |
| 语言 | 约 12 种 |
| 标注者 | SSR/ISS 招募专家（19 人）+ ~30 位 QC 复核 |
| 标注工具 | MD.ai |
| 标签密度 | 稀疏（仅 58/4,407 有逐条件标签） |
| 评测指标 | macro-averaged AUC ROC；效率赛道（Efficiency） |
| 奖金 | $77,000（主榜 10 名 + 效率赛道 3 名） |
| 许可 | 竞赛规则：非商业研究；获胜模型开源 |
| 去标识 | DICOM 剥离至 86 个白名单标签 |
| 数据大小 | 约 572.59 GB（Kaggle Input） |
| 时间线 | 2026-07-30 开赛 → 10-22 提交截止 → 11-29~12-03 RSNA 年会颁奖 |
| 参与规模 | 24,561 entrants / 5,499 teams / 95,269 submissions |
§12 附录：关键来源
- Kaggle 竞赛页（官方数据、评估、时间线、奖金、致谢与引用）：https://www.kaggle.com/competitions/rsna-knee-abnormality-detection
- RSNA 新闻稿《RSNA Launches Knee Abnormality Detection AI Challenge》（发布日 2026-08-05）：https://www.rsna.org/news/2026/august/ai-challenge-knee-mri
- RSNA 专题页《RSNA Knee Abnormality Detection AI Challenge (2026)》：https://www.rsna.org/artificial-intelligence/ai-image-challenge/knee-mri-ai-challenge
- RSNA 新闻稿列表（佐证发布日期）：https://press.rsna.org/
- Kaggle 社区 EDA notebook（提供 train.csv/train_series.csv 行数与字段实测）：https://www.kaggle.com/code/nathanjacob/know-your-knee-eda-dicom-deep-dive-and-baseline
- 媒体转述（佐证 16 sites / 9 语言 / $77,000 / 时间线）：runtimewire、radiologybusiness、axisimagingnews 相关报道
引用格式（官方）：Po-Hao “Howard” Chen, Naveen Subhas, Robyn Ball, Pieter Baeyens, Errol Colak, Ali Emami, Hillary Garner, Jacob Kazam, Hui-Ming Lin, Luciano Prevedello, Daniel Schneider, Jason Sho, Ryan Holbrook, and María Cruz. RSNA Knee Abnormality Detection. https://www.kaggle.com/competitions/rsna-knee-abnormality-detection, 2026. Kaggle.
存照（双口径汇总）：
- 机构数：16 sites（新闻稿/媒体）｜19 主站 + 3 附加（Kaggle/专题页）——本条目取后者并标注前者。
- 训练规模：>5,000 exams（官网）｜4,407 studies（train.csv 实测）——两者分别标注。
- 发布日：2026-07-30 开赛（Kaggle）｜2026-08-05 新闻稿（rsna.org/press.rsna.org）——同一事件两时点。
遗留疑点：Kaggle 竞赛规则的逐字数据集许可条款（CC 变体或自定义）未在本次网络预算内逐字抓取，若需精确再分发许可，请以竞赛规则页原文为准。
§9.3 术语表（中英对照）
| 中文 | 英文 | 说明 |
|---|---|---|
| 膝关节 | knee joint | 本挑战解剖部位 |
| 前交叉韧带 | anterior cruciate ligament (ACL) | 标签 1 |
| 内侧副韧带 | medial collateral ligament (MCL) | 标签 2 |
| 半月板 | meniscus | 内/外侧分列（标签 3、4） |
| 骨关节炎 | osteoarthritis (OA) | 三间室分列（标签 5–7） |
| 关节积液 | joint effusion | 标签 8 |
| 滑膜炎 | synovitis | 标签 9 |
| 贝克氏囊肿 | Baker’s cyst | 标签 10 |
| 骨挫伤 | bone contusion | 标签 11 |
| 骨折 | fracture | 标签 12 |
| 多标签分类 | multilabel classification | 任务类型 |
| 曲线下面积 | area under the ROC curve (AUC) | 主指标 |
| 宏观平均 | macro-averaging | 12 类等权 |
| 分布漂移 | distribution shift | 跨机构考点 |
| 捷径学习 | shortcut learning | 多语言报告风险 |
| 弱监督 | weak supervision | 报告派生标签 |
| 骨骼肌肉 | musculoskeletal (MSK) | 学科域 |
| 内部紊乱 | internal derangement | 膝关节病损统称 |
| 矢状位/冠状位/轴位 | sagittal / coronal / axial | 成像平面 |
§9.4 面向不同读者的阅读路径
- 想快速掌握：读 §0 导读 + §1 十问十答 + INFOBOX。
- 要做研究：读 §2（数据规格）+ §3（任务与标注）+ §4（评测）+ §8（方法启示）。
- 要做数据治理：读 §5（获取与许可）+ §7.7（治理伦理）+ §10（避坑）。
- 要对标历史：读 §7.1（谱系）+ §4.10（评测口径对照）。
- 要检索引用：读 §9.2（检索路径）+ §12（来源与引用格式）。
§11.2 常见问题（FAQ）
Q：数据集是免费的吗？
竞赛期在 Kaggle 接受规则后即可下载，无费用。许可为竞赛规则约束的非商业研究用途。
Q：可以直接用报告文本训练吗？
可以。训练集提供 Report 文本；但测试阶段不提供，模型须能仅凭影像推理。
Q：只有 58 例有标签，怎么做监督学习？
从报告派生标签，或采用半监督/弱监督方法。这正是本挑战的难点与设计意图。
Q：为什么是 macro 平均而不是 micro？
macro 让 12 类等权，强调少数关键类（如骨折），避免高流行类主导总分。
Q：效率赛道是必须参加的吗？
不必，但它是独立的奖项轨（前 3 名 $7,000/$6,000/$5,000），可与主榜奖兼得。
Q：这个数据集能用于商业产品吗？
不能。竞赛规则限定非商业研究用途。商用须单独获得授权。
Q：获胜模型会被公开吗？
会。按 Winners’ Obligations，获奖者须开源代码与权重并发布验证。
Q：数据是否包含患者隐私风险？
数据已去标识（DICOM 剥离至 86 个白名单元数据标签，报告去标识），但使用者仍须遵守不得重识别的义务。
Q：为什么说这是"最真实"的一届？
因为它要求从真实的、复杂的、非结构化的多语言报告中学习，而非从整齐的标签表格——贴近临床 AI 的真实开发条件（Po-Hao Chen 语）。
Q：机构到底有几家？
Kaggle 列 19 主站 + 3 附加站；新闻稿口径 16 sites。两口径并存，见坑 2。
§13 数据卡（Datasheet for Datasets 口径）
参照 Gebru 等提出的 Datasheet for Datasets 框架，逐节记录本数据集的关键属性，便于负责任地使用。
13.1 动机（Motivation）
- 目的：推进膝关节 MRI 上十二类临床重要异常的自动检测，作为放射学决策支持工具的研究基准。
- 创建者：Radiological Society of North America（RSNA），联合 19 家主贡献机构与 3 家附加机构。
- 资助/发起：RSNA 年度 AI Challenge 计划。
13.2 构成（Composition）
- 实例：每个实例为一个膝关节 MRI study（多 DICOM series）。
- 数量：训练 4,407 studies（24,371 series）；测试约 1,300 studies；总量约 572.59 GB。
- 采样策略：跨五大洲多机构收集，含真实临床分布（非刻意平衡）。
- 标签：12 个二值发现；训练集仅 58 例有结构化逐条件标签，其余从多语言报告派生。
- 缺失信息：测试阶段报告文本不提供；部分研究逐条件标签缺失。
13.3 收集过程（Collection）
- 数据来源：各贡献机构的临床膝关节 MRI 及其原始放射报告。
- 时间跨度：2026 年挑战赛发布。
- 伦理与同意：去标识后由各机构授权 RSNA 用于本挑战；报告做去标识。
- 去标识：DICOM 剥离至 86 个白名单元数据标签。
13.4 预处理与清洗（Preprocessing/Cleaning）
- DICOM 标准化（传输语法混合，需兼容解码）。
- 报告文本去标识、保留多语言原貌。
- 序列元数据（Fluid_Sensitive/Fat_Suppression/Anatomical_Plane）标注。
13.5 用途（Uses）
- 预期用途：膝 MRI 多标签异常检测研究、多模态影像-文本方法研究、基准评测。
- 不适用场景：临床诊断决策的直接依据、商业产品、跨人群安全性的通用承诺。
- 风险：分布漂移、捷径学习、标签噪声、少数类性能不足。
13.6 分发（Distribution）
- 渠道：Kaggle 竞赛页（须接受竞赛规则）。
- 许可：非商业研究用途；获胜模型开源。
- 第三方限制：不得再分发本体，除非符合竞赛规则逐字条款。
13.7 维护（Maintenance）
- 维护者：RSNA（Data Curators: Hui-Ming Lin, Jason Sho）。
- 更新：以 Kaggle 竞赛页与 RSNA 专题页为准。
§14 膝关节影像 AI 的研究脉络
14.1 从骨龄到膝关节：RSNA 的解剖部位扩展
RSNA 系列挑战的解剖部位经历"手（骨龄）→ 胸（肺炎）→ 颅脑（出血）→ 腹部（创伤）→ 脊柱（腰椎退变）→ 颅脑（动脉瘤）→ 膝（异常检测）"的扩展。每一步都对应一类临床痛点与技术难点：骨龄是回归、肺炎是检测、出血是多标签、腰椎是分级、膝是多模态多标签。膝关节作为承重与运动核心，其异常检测兼具"高患病率（OA）"与"高致残性（韧带/半月板损伤）"双重临床价值。
14.2 膝关节 MRI 深度学习的关键难点
- 三维体积与多序列：单例含多条序列、每序列多切片，数据组织远比单张 X 光复杂。
- 征象细微与读者变异：韧带部分撕裂、早期软骨丢失的判读本身存在观察者间变异。
- 多标签共存：一次创伤可致多种损伤，标签间非互斥。
- 数据稀缺：公开膝 MRI 数据集少于胸片/CT，跨机构数据尤其稀缺——本挑战的数据规模与机构覆盖正是对该缺口的回应。
14.3 报告引导监督的出现
近年在放射学 AI 中，“用报告派生标签”“影像-文本对比预训练”"报告生成"等方法兴起。本挑战把报告文本正式纳入竞赛回路，可视为该趋势在 RSNA 挑战体系中的落地。其价值在于：把临床中本就存在的自由文本转化为监督信号，缓解结构化标签稀缺；其代价是引入标签噪声与语言捷径。
14.4 对未来 MSK 基准的启示
本挑战若能形成稳定的榜首方法与开源模型，可能推动：
- MSK 领域的影像-文本基础模型；
- 跨机构 MSK 泛化的标准测试协议；
- 面向临床部署的效率-精度联合优化范式。
§15 时间线全景表
| 日期 | 事件 | 来源 |
|---|---|---|
| 2026-07-30 | 竞赛开始（Start Date） | Kaggle |
| 2026-08-05 | RSNA 发布官方新闻稿 | rsna.org / press.rsna.org |
| 2026-10-15 | 报名截止 + 组队合并截止 | Kaggle |
| 2026-10-22 | 最终提交截止 | Kaggle |
| 2026-11-05 | 获奖者材料截止 | Kaggle |
| 2026-11 | 宣布获奖者 | RSNA |
| 2026-11-29 至 12-03 | RSNA 第 112 届年会（Chicago, McCormick Place），AI Theater 表彰 | RSNA |
双口径提示：发布日以新闻稿 2026-08-05 为准记录；竞赛运行起点以 Kaggle 2026-07-30 为准。二者为同一事件的不同里程碑，非冲突。
§16 奖项与获奖者义务的实操清单
对有意参赛并冲击奖项的团队，获奖者义务（Winners’ Obligations）的实操要点：
- 开源：训练代码与模型权重以开放许可发布；
- 打包：按 Kaggle 要求打包方案（含训练代码、推理代码、说明）；
- 视频：制作简短视频介绍方法与方案（本届新增）；
- 论坛公开：在竞赛论坛发布开源代码与权重链接（本届新增）；
- 模型公开发布：将模型最终版作为公开可用资源发布以供验证（本届新增）；
- 出席：获奖团队被邀请（强烈建议）参加 RSNA 年会 AI Challenge 表彰活动，费用减免，以方案审核与义务履行为前提。
相较往届，本届额外要求视频与论坛公开，反映 RSNA 对"可复现、可验证"的更高要求。
§17 挑战赛数据集设计的八条方法学观察
以本数据集为样本，可提炼挑战赛型医学数据集的设计规律，供后续生产者参考。
17.1 稀缺劳动配给制：专家注释的"高价值子集"
本挑战把专家注释集中在"用于评估模型性能的那部分数据"，而训练集绝大多数标签由报告派生。这是一种稀缺劳动配给策略：把最贵的人力（SSR/ISS 专家注释）投在评测基准上，训练信号则由低成本半自动方式获取。其代价是训练标签质量参差，收益是评测 ground truth 可信。
17.2 多语言即多域：语言作为分布漂移的显式维度
约 12 种语言不是装饰，而是把"域差异"从隐式变为显式：模型必须在不同语言书写习惯下保持判断稳定。这为域泛化研究提供了天然的、可标注的分层维度。
17.3 不对称模态：训练有文本、评测无文本
训练可用报告、评测只给影像的设计，强制模型把文本知识蒸馏进影像通路。这是一种"反捷径"设计——若允许评测时用文本，模型可能退化为纯文本分类器而忽略影像。
17.4 多标签而非多类：承认临床共病
十二类以多标签（sigmoid 独立）而非 softmax 互斥建模，符合临床：ACL 撕裂与骨挫伤、积液可共存。这要求评测采用逐类 AUC 而非单一多类准确率。
17.5 macro 平均的价值取向
macro 平均对十二类等权，是把"少数关键类不被淹没"写进指标。这隐含价值判断：骨折这类稀少但重要的发现，与高流行的积液同等重要。
17.6 效率作为一等公民
首设效率赛道，把推理成本纳入评奖，是挑战赛设计对"临床可部署性"的回应。它改变了参赛者的优化目标：不是单纯堆集成，而是"以最小代价达到目标精度"。
17.7 跨大洲构成的代表性
19 站、五大洲的构成提升了人群与设备的代表性，但也抬高了模型的门槛。代表性是"更难但更有意义"的权衡。
17.8 开放闭环：获胜模型开源
要求获胜模型开源并发布验证，形成"数据→竞赛→开源模型→社区复用"的闭环，降低后续研究的起步成本。
§18 相似数据集比较矩阵
| 数据集 | 年份 | 部位 | 模态 | 任务 | 规模 | 多语言 | 许可 |
|---|---|---|---|---|---|---|---|
| RSNA Bone Age | 2017 | 手 | X 光 | 骨龄回归 | ~14k | 否 | 公开 |
| RSNA Pneumonia | 2018 | 胸 | X 光 | 肺炎检测 | ~30k | 否 | 公开 |
| RSNA ICH | 2019 | 颅脑 | CT | 出血多标签 | ~25k | 否 | 公开 |
| RSNA Lumbar Spine | 2024 | 腰椎 | MRI | 退变分级 | ~2k | 否 | 公开 |
| RSNA Aneurysm | 2025 | 颅脑 | CTA | 动脉瘤检测 | 大 | 否 | 公开 |
| 本条目 | 2026 | 膝 | MRI + 报告 | 十二类多标签 | 4,407+ | 约 12 种 | 研究用途 |
| 3dreasonknee | — | 膝 | MRI | 3D 推理 | — | 否 | — |
| MIMIC-CXR | 2019 | 胸 | X 光 + 报告 | 影像-文本 | 大 | 英 | 受控 |
读表要点：本条目是表中唯一"骨骼肌肉 MRI + 多语言报告 + 多标签"的组合，其差异性定位清晰。与 MIMIC-CXR 相比，本挑战语言更多、部位为膝、任务为多标签二值；与 RSNA 前作相比，本挑战首次引入文本与效率赛道。
§19 局限性与使用警示（专章）
19.1 标签质量局限
训练集约 98.7% 的研究无逐条件标签，依赖报告派生。报告派生的标签噪声直接构成模型性能上限。使用者在报告结果时应说明标签来源。
19.2 分布与代表局限
尽管跨五大洲，仍不保证覆盖所有人群、年龄、设备与协议。测试集流行率与训练不保证一致，跨数据集迁移性能未知。
19.3 评测局限
macro-AUC 是排序指标，不反映校准（calibration）；高分不表示概率可信。榜单分数不等于临床效用。
19.4 许可与再分发局限
非商业研究用途；数据本体不可自由再分发；逐字条款以竞赛规则页为准。计划二次发布者必须先核对。
19.5 伦理局限
去标识降低但不消除隐私风险；报告文本可能残留间接标识信息；使用者负有不得重识别的义务。
19.6 结论性建议
把本数据集用于方法研究与基准测试是合适的；用于临床部署决策则需额外的外部验证、校准评估与监管合规。研究者应始终"意义与局限并述"。
§20 结论
RSNA Knee Abnormality Detection（2026 RSNA AI Challenge）是北美放射学会在 Kaggle 平台主办的膝关节 MRI 十二类异常多标签检测挑战赛。它以 4,407 例训练研究（官网口径 >5,000 exams）、约 12 种语言的放射报告、19 家主贡献站的跨大洲构成，完成了 RSNA 挑战体系的三项"第一次"：首个骨骼肌肉 MRI 主题、首个影像-报告文本多模态挑战、首次设立效率赛道。其 macro-AUC 主指标、$77,000 奖金池、2026-10-22 提交截止与 RSNA 2026 年会颁奖，构成了完整的年度挑战闭环。
对本库读者而言，本条目既是数据可获得性较好的多模态 MSK 基准，也是理解挑战赛型数据集设计方法的样本。使用时务请注意：标签稀疏、报告多语言、跨机构漂移、许可限于研究——这些不是瑕疵，而是本挑战"贴近真实临床"的设计意图的代价与证明。
§21 RSNA AI Challenge 的组织与运作机制
理解本数据集，需理解承载它的制度设计——RSNA AI Challenge 的运作机制。
21.1 三级组织架构
- 主办委员会（Organizing Team）：由 RSNA AI 委员会牵头，邀请来自多家机构的放射科医师与方法学专家（本届 15 人），负责命题、数据协调与规则制定。
- 数据贡献者（Data Contributors）：各临床机构提供去标识影像与报告，是数据的原始来源。
- 注释与质控（Annotators & QC）：由专业学会（本届为 SSR 与 ISS）招募专家执行标注，独立 QC 人员复核。
这一三级结构把"命题—供数—标注"分离，使注释质量有独立把关，也解释了为何挑战赛数据集能在学术可信度上高于一般众包数据集。
21.2 平台分工
- Kaggle：提供竞赛托管、评测系统、榜单、Notebook 运行环境与论坛；
- RSNA：提供数据、专家网络、临床定义与获奖认证；
- MD.ai：本届标注工具提供方。
21.3 命题演进逻辑
从骨龄（回归）到膝关节（多模态多标签），RSNA 的命题逐步逼近"临床真实复杂度"：更多的类别、更复杂的模态、更强的不确定性。本届引入报告文本，是这一演进的自然下一步——因为真实放射诊断本就是"看图 + 读报告 + 综合判断"。
21.4 开放科学的制度承诺
RSNA 明确"获奖模型以开放许可发布以促进后续研究"。这把竞赛从事一次性排名活动，升级为可持续的开放基准生产机制：数据（受控）→ 竞赛 → 开源模型 → 社区复现与改进。
§22 数据获取与工具链实操指引
22.1 获取步骤
- 注册/登录 Kaggle 账号；
- 访问
https://www.kaggle.com/competitions/rsna-knee-abnormality-detection； - 在 Rules 页签接受竞赛规则（须同意方可下载数据）；
- 在 Data 页签下载数据，或加入 Notebook 环境挂载。
22.2 环境与依赖（示意）
# 依赖（示意，非官方）
pip install pydicom # DICOM 读取
pip install pandas # CSV 标签
pip install torch torchvision # 建模
pip install opencv-python-headless # 图像处理
注意：竞赛提交环境禁用互联网。任何外部数据/预训练权重必须在提交前打包进 Notebook 或数据集。
22.3 数据读取要点
- DICOM：混合传输语法，读取时需处理 JPEG Lossless / JPEG 2000 解压；每序列切片数不一（中位数 30）。
- 元数据：仅 86 个白名单标签保留，其他属性缺失，勿依赖被剥离标签。
- 标签：train.csv 十二列大量缺失（仅 58 行非空），需从 Report 派生。
- 序列描述：train_series.csv 的 Fluid_Sensitive / Fat_Suppression / Anatomical_Plane 可用于选序。
22.4 提交检查清单
- [ ] 提交文件名严格为
submission.csv - [ ] 列为 StudyInstanceUID + 12 标签，顺序与 sample 一致
- [ ] 值为 0–1 置信度
- [ ] Notebook 端到端运行 ≤ 9 小时
- [ ] 无互联网依赖
- [ ] 覆盖全部测试 StudyInstanceUID
22.5 效率奖专项
若冲效率奖，需在验证环境实测端到端评测耗时；压缩预处理、减模型规模、限制集成数量。效率公式的分母第二项对耗时线性敏感，优化重点在降低 RuntimeSeconds与抬升 AUC的双向努力。
§23 十二类标签的建模专项建议
针对每一类的临床特性与数据特性，给出建模提示。这不是官方建议，而是基于类别可判别性与稀有度的经验归纳。
| 标签 | 判读依赖 | 稀有度感知 | 建模提示 |
|---|---|---|---|
| ACL | 矢状位韧带连续性 | 中 | 关注矢状位序列；急性伴挫伤 |
| MCL | 冠状位韧带水肿 | 中 | 冠状位序列；分级信息可由报告派生 |
| Medial Meniscus | 矢/冠状位 grade-3 信号 | 高流行 | 信号达关节面判据 |
| Lateral Meniscus | 矢/冠状位 | 中 | 与 OA 相关，注意区分 |
| Medial OA | 软骨/骨髓/骨赘 | 高流行 | 需定位间室 |
| Lateral OA | 同上 | 中 | 需定位间室 |
| PF OA | 髌股关节 | 中 | 轴位/矢状位髌股关系 |
| Effusion | T2/STIR 高信号 | 高流行 | 常为间接征象，易高估 |
| Synovitis | 增强/脂抑 | 中 | 与积液共存，判读一致性有限 |
| Baker’s | 腘窝囊性 | 中 | 位置固定，相对易判 |
| Contusion | STIR 骨髓水肿 | 中 | 急性创伤背景 |
| Fracture | 骨皮质中断 | 稀少 | macro 下需重点保底 |
要点：骨折与 Baker 囊肿的样本可能相对稀少，在 macro-AUC 下对总分贡献敏感；积液与 OA 高流行但区分度可能有限。逐类诊断（分列 12 个 AUC）比只看宏平均更能定位改进空间。
§24 与临床工作流的衔接设想
本挑战的最终目标是决策支持。设想中的衔接路径：
- 分诊（triage）：模型先对急诊/门诊膝 MRI 快速打标，标注高风险病例优先读片；
- 二次读片（second read）：作为放射科医师的辅助，提示可能遗漏的发现；
- 质量控制（QC）：对报告与影像的一致性做自动比对，发现矛盾；
- 非专科场景支持：在缺乏 MSK 专科医师的机构提供一致化判读参考。
前提条件：任何衔接都需经过外部验证、校准评估、监管合规与临床研究。本挑战产出的模型只是研究原型，不构成临床就绪证明。
§25 八个常见误解
误解 1：这是"膝关节 X 光"数据集。 澄清：模态为 MRI（含多序列 DICOM），非 X 光。
误解 2：标签是完整的结构化标注。 澄清：训练集 4,407 例中仅 58 例有逐条件结构化标签，其余须从报告派生。
误解 3：十二类是互斥的多类别问题。 澄清：是多标签问题，多类可共存（如 ACL 撕裂 + 骨挫伤 + 积液）。
误解 4：训练集有 5,000 多例可直接用。 澄清：Kaggle train.csv 实测 4,407 行；官网 “>5,000” 为含测试/隐藏集口径。
误解 5：评测时可以看报告。 澄清：测试阶段 Report 不提供，模型须仅凭影像预测。
误解 6：这是 2025 年的挑战。 澄清：官方名称为 2026 RSNA Knee Abnormality Detection AI Challenge，2026-07-30 开赛，2026 年 11 月颁奖。
误解 7：数据可以随便商用。 澄清：许可为非商业研究用途；获胜模型虽开源，数据本体再分发受限。
误解 8：高分模型 = 临床可用。 澄清：榜单分数仅反映在挑战赛测试条件下匹配专家派生标签，不构成临床就绪证明。
§26 社区、年会与后续影响
26.1 RSNA 2026 年会
获奖团队将在 **RSNA 第 112 届科学大会与年会（2026-11-29 至 12-03，Chicago, McCormick Place）**期间，于 AI Theater 接受表彰。年会是全球放射学界规模最大的年度聚会，AI Challenge 表彰是其中固定环节。
26.2 赛后生态
- 开源模型：获奖模型按义务开源，供社区复用；
- 论文发表：组织者与顶尖参赛者通常会将方法整理为论文；
- 后续挑战：RSNA 系列将持续，本挑战的方法学（多模态、多语言、效率）可能被后续届次沿用或深化；
- 产业关注：MSK AI 的商业化（分诊、QC、决策支持）可能受益于本挑战产出的方法。
26.3 对研究者的建议
- 追踪 Kaggle 竞赛的 Discussion 与开源 Notebook，快速获得可用基线；
- 关注赛后官方与顶尖队伍的方案披露；
- 复现时严格按竞赛约束（≤9h、无互联网）以避免评测落差。
§27 结语延伸：一个基准为何值得被记录
数据集的价值不止于"多少像素、多少标签"，更在于它提出并固化了一个问题。RSNA Knee Abnormality Detection 固化的问题是：
当医学影像数据来自五大洲、报告用约 12 种语言书写、发现之间彼此共存、结构化标签极其稀缺时，我们能否训练出既准确又可部署的膝关节 MRI 判读模型？
回答这个问题，需要影像理解、多语言文本处理、弱监督学习、域泛化、效率优化五种能力的协同。本条目将其完整记录：从主办与人物、数据规格与标签体系、评测与奖金、获取与许可，到方法学启示与避坑清单。愿它成为后续研究者进入这一问题的可靠入口，也成为挑战赛型医学数据集"如何被负责任地生产与使用"的一个注脚。
一句话总结：这是 RSNA 首个"膝关节 MRI + 多语言报告"的多模态多标签挑战赛数据集——4,407 例训练研究、12 类异常、macro-AUC 评测、$77,000 奖金，可研究、非商用、且明确不承诺临床就绪。
§28 关键数字速查卡
供机器读取与快速引用，汇总本条目全部硬数字及其口径来源：
| 数字 | 值 | 口径/来源 | 备注 |
|---|---|---|---|
| 训练 studies | 4,407 | Kaggle train.csv 实测 | 本库引用口径 |
| 训练 exams | >5,000 | rsna.org 新闻稿 | 含测试/隐藏集口径 |
| 训练 series | 24,371 | Kaggle train_series.csv | 平均 5.53 series/例 |
| 测试 studies | 约 1,300 | Kaggle 数据描述 | 示例 3 行 |
| 标签类别数 | 12 | Kaggle 官方 | 二值多标签 |
| 逐条件标签数 | 58 | Kaggle train.csv 实测 | 缺失率 ≈98.7% |
| 主贡献站 | 19 | Kaggle Acknowledgments | — |
| 附加贡献站 | 3 | Kaggle Acknowledgments | — |
| 站点（新闻稿口径） | 16 | rsna.org / 媒体 | 发布口径 |
| 语言数 | 约 12（a dozen） | rsna.org 新闻稿 | — |
| 大洲数 | 5 | Subhas 引语 | — |
| 数据集大小 | 572.59 GB | Kaggle Input | — |
| DICOM 白名单标签 | 86 | Kaggle 数据描述 | 去标识 |
| 切片数（每序列） | 20–45（中位 30） | Kaggle 数据描述 | 长尾至数百 |
| 奖金总额 | $77,000 | Kaggle / rsna.org | — |
| 主榜奖金 | 9k/7k/6.5k/6k/5.5k/5k×5 | Kaggle Prizes | 第 1–10 名 |
| 效率奖 | 7k/6k/5k | Kaggle Prizes | 前 3 名 |
| 评测指标 | macro-AUC ROC | Kaggle Evaluation | — |
| 运行上限 | 9 小时 | Kaggle Code Requirements | 效率公式分母 32400s |
| 参与人数 | 24,561 entrants | Kaggle 抓取时点 | — |
| 团队数 | 5,499 teams | Kaggle | — |
| 提交数 | 95,269 submissions | Kaggle | — |
| 开赛日 | 2026-07-30 | Kaggle | — |
| 提交截止 | 2026-10-22 | Kaggle | — |
| 新闻稿发布 | 2026-08-05 | rsna.org / press.rsna.org | — |
| 年会 | 2026-11-29 – 12-03 | RSNA | Chicago |
§29 引用与转述规范
为避免二次传播中的数字漂移，建议：
- 引训练规模用 4,407（并可选注官网 5,000+）；
- 引站点数用 19 主站 + 3 附加（并可选注新闻稿 16）；
- 引评测用 macro-averaged AUC ROC（勿简写为"准确率"）；
- 引许可用"非商业研究用途"（勿写成"开源数据"）；
- 引临床意义必带"不等于临床就绪"的限定；
- 引日期区分开赛日（2026-07-30）与新闻稿发布日（2026-08-05）。
遵循以上六条，可最大程度保证跨条目、跨语言引用的一致性。
§30 版本与勘误记录
| 版本 | 日期 | 变更 |
|---|---|---|
| v1 | 2026-10-09 | 首版建立：存在性三源互证（Kaggle 竞赛页 + rsna.org 新闻稿 + 专题页）、FACTS 归档、双口径存照 |
勘误通道：若发现本条目数字与官方最新口径不一致，请以 Kaggle 竞赛页与 rsna.org 专题页为准并提交勘误。
已知待核：Kaggle 竞赛规则的逐字数据集许可条款未逐字核验（见 §12 遗留疑点）。
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：
- reg2026 — 共享标签：医学影像 / 多模态 / 挑战赛数据集 / 影像-文本对齐
- knoap2020 — 共享标签：医学影像 / MRI / 骨骼肌肉影像 / 挑战赛数据集
- spider — 共享标签：医学影像 / MRI / 骨骼肌肉影像 / 挑战赛数据集
- vlm3d — 共享标签：医学影像 / 多模态 / 挑战赛数据集 / 影像-文本对齐
- chimera-agent — 共享标签：医学影像 / MRI / 多模态 / 挑战赛数据集
- rsna-series — 共享标签：医学影像 / 多模态 / 挑战赛数据集
- quilt-1m — 共享标签：医学影像 / 多模态 / 影像-文本对齐
- ms-cxr — 共享标签：医学影像 / 多模态 / 影像-文本对齐
- cmrxrecon — 共享标签：医学影像 / MRI / 挑战赛数据集
- us-nerve-seg — 共享标签：医学影像 / 骨骼肌肉影像 / 挑战赛数据集
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
