SARS-CoV-2 CT Scan Collection (sar-covid) — AI-Ready Wikipedia

INFOBOX — SARS-CoV-2 CT scan collection 一屏速览

维度	内容
本质	医院真实患者胸部 CT 轴位切片的二分类图像集（COVID-19 vs non-COVID），2020 年新冠爆发早期的代表性公开数据
团队	英国 University of Exeter：Plamen Angelov（通讯）+ Eduardo Almeida Soares（预印本早期记录 2 作者；现行页面 5 作者，见坑 3）
论文	medRxiv 预印本 doi:10.1101/2020.04.24.20078584（2020-04-24 投稿，未正式见刊）；方法论文 Neural Networks 130:185-194（2020，doi:10.1016/j.neunet.2020.07.010）
数据	主版本 2482 张轴位切片 = COVID 阳性 1252（Covid (N).png）+ 阴性 1230（1-N.png）；Kaggle V2 242.23 MB
扩展版	4173 张 / 210 例患者三分类（COVID-19 80 例 2168 张 + Healthy 50 例 758 张 + Others 80 例 1247 张），60/40 subject-wise，见于 Alshazly et al. 2021
标注	切片级类别标签（放射科医生确认阳性）；无像素掩码、无边框、主版本无患者 ID
旗舰成绩	xDNN 可解释分类器 F1 97.31%（2 类切片级）；COVID-Nets 第三方基准 93.87%（3 类患者级 subject-wise）——两者口径不可直接比（坑 8）
获取	Kaggle plameneduardo/sarscov2-ctscan-dataset（usability 8.75，Views 175K / Downloads 28.1K）+ GitHub MATLAB 代码库
许可	CC BY-NC-SA 4.0（非商业+相同方式共享传染）；GitHub 代码无许可条款声明
撞名警示	与库内 covid-ct（UCSD 的 COVID-CT-Dataset）同名异实，作者 GitHub README 也自称 “COVID-CT dataset”（坑 1、坑 4）
库内互链	covid-ct(307)、covid-19-radiography(217)、bimcv-covid(207)、mosmeddata(297)、midrc-ricord(227)、covidx-cxr(197)、ct-rate(546)、lung-pet-ct-dx(475)

SARS-CoV-2 CT scan collection 是一个"应急时刻的朴素数据集"：2020 年 4 月，新冠大流行第一波高峰，埃克塞特大学的 Plamen Angelov 与 Eduardo Almeida Soares 把医院真实患者的一批胸部 CT 轴位切片整理成两个文件夹——阳性 1252 张、阴性 1230 张——连同他们自己提出的可解释分类器 xDNN 一起发布，预印本报告 F1 97.31%。它没有花哨的标注体系、没有患者元数据、甚至没有统一的图像尺寸，却在几个月内成为全球 COVID 影像研究引用与下载最多的数据集之一：对急着找数据的 2020 年研究者来说，"简单、干净、能跑"本身就是稀缺品。

五年之后回头看，它的价值与它的缺陷同样清晰：切片级标签带来的患者级泄漏、扩展版与主版本并存的双口径、与另一支团队的 COVID-CT-Dataset 撞名造成的检索混乱——这些恰恰使它成为研究"应急数据集工程"的最佳标本。本条目按"是什么—怎么构成—怎么评—怎么取—怎么用"展开，所有双口径冲突逐条存照于 §10 与附录 L。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——单一 Kaggle 渠道直下，但注意 CC BY-NC-SA 的非商业传染条款。
2. 要出分数：先读 §5 基准与 §10 坑 8——97.31% 是切片级随机划分的成绩，直接对标你的患者级成绩是方法论错误。
3. 写综述或做数据集研究：§4 景观对照 + §9 库内关系 + 附录 L 双口径登记表可以直接引用。

§0 导读：这个数据集解决什么问题

2020 年初，COVID-19 的影像学证据（胸部 CT 上的磨玻璃影、铺路石征）被反复报道为核酸检测之外的重要辅助手段，而核酸检测在疫情高峰期存在周转慢、假阴性率高的问题。于是"用深度学习从 CT 上识别 COVID-19"成了当时最拥挤的研究赛道之一——但这条赛道在 2020 年 3 月之前几乎没有像样的公共燃料：没有大规模、免注册、直接可下载的 CT 数据集。

SARS-CoV-2 CT scan collection 就是给这条赛道补的第一桶油之一。它的解决方案分三层。第一层是数据本体：2482 张来自医院真实患者的轴位 CT 切片，二分类、基本均衡（1252 vs 1230），PNG 格式直下直用，不需要注册申请、不需要联系作者。第二层是方法配对：作者同时发布 xDNN（explainable-by-design deep neural network）的 MATLAB 实现与预训练模型文件，预印本与期刊版（Neural Networks 2020）报告 F1 97.31%，并把"可解释性"作为卖点——在医疗 AI 信任问题刚被摆上台面的 2020 年，"数据+可解释方法"的组合拳有相当的示范意义。第三层是生态位：因为发布早、门槛低，它成了 2020-2021 年大量 COVID-CT 论文的默认基准之一，后续研究者又在它基础上重组出患者级三分类扩展版（4173 张、210 例、60/40 subject-wise），使它同时具备了"二分类主版本"与"三分类患者级版本"两个形态。

§0 读法三则：

1. 这个条目是"数据集+方法论文+第三方扩展"三件套：本体是 2482 张切片二分类（Kaggle 在售口径），扩展版 4173 张三分类从未在作者原始渠道发布——两者许可与出处不同（§2.4、§6）。
2. 全文硬数字均出自 Kaggle 页面、medRxiv/Europe PMC 元数据、Neural Networks 论文与 Alshazly et al. 2021 四类来源；已知冲突（文件数 ±1、标题作者双口径、引用数两口径、图像尺寸三口径）全部在 §10 与附录 L 存照。
3. 检索时若把 “COVID-CT” 当作本数据集的名字，会落入库内 covid-ct（rid 307，UCSD 团队）条目——两支团队、两种数据、两个故事（坑 1）。

全篇数字导航（先记住这七个数，读正文就有坐标系）：

• 2482：主版本切片总数（1252 阳性 + 1230 阴性）；
• 4173 / 210：扩展版切片数 / 患者数（三分类，第三方重组）；
• 97.31%：xDNN 的 F1（切片级口径，含泄漏红利）；
• 93.87%：COVID-Nets 准确率（扩展版患者级口径）；
• 242.23 MB：Kaggle V2 全量体积；
• CC BY-NC-SA 4.0：数据许可（NC 禁商业、SA 传染）；
• 8 条：库内互链条目数（rid 297/227/546/475/217/307/197/207）。

这七个数在正文中反复出现；任何一处与你手上的实测不一致，优先核对口径（§5.3），再查 §10 存照清单。

§1 数据集速览：十问十答

Q1：这个数据集里到底有什么？
2482 张胸部 CT 轴位切片，PNG 格式，分两个目录：COVID 阳性 1252 张（文件名 Covid (N).png，N 从 1 到 1252）、非阳性 1230 张（文件名 1.png 到 1230.png）。切片来自医院真实患者，阳性病例经放射科医生确认。没有体积序列、没有患者 ID、没有像素级掩码——就是一张张独立的图。

Q2：图像规格是什么？
非统一尺寸的 PNG 灰度/近灰度图。各文献测得的尺寸区间互不一致（约从 104×119 到 484×456，见坑 6），使用前必须统一缩放或裁剪。无 DICOM 原始头信息，无法恢复层厚、窗宽窗位、设备型号等采集参数。

Q3：在哪里下载？
Kaggle：plameneduardo/sarscov2-ctscan-dataset。当前 V2 版本 242.23 MB，页面可用性评分 8.75，标签为 Image / Computer Science / Computer Vision / Coronavirus / Medicine。页面统计 Views 17.5 万、Downloads 2.81 万。无需联系作者，注册 Kaggle 即可下载。

Q4：能用在我的项目里吗？许可怎么算？
数据许可为 CC BY-NC-SA 4.0：署名 + 非商业 + 相同方式共享。学术与科研用途基本无障碍；商业产品、商业服务直接使用需要另行评估（NC 条款）；衍生数据集必须以相同许可发布（SA 传染）。注意配套的 GitHub MATLAB 代码没有许可条款，默认版权保留，严格意义上只可浏览不可复用（坑 7）。

Q5：有没有患者划分？会不会数据泄漏？
主版本没有患者 ID，这是它被后续文献批评最多的硬伤：同一患者的多张相邻切片几乎必然高度相似，随机划分训练/测试集时两边都会出现同一患者的切片，模型可以靠"记住这个病人"而不是"学会看磨玻璃影"拿高分。扩展版（4173 张、210 例）补上了患者分组，支持 60/40 subject-wise 划分——Alshazly 等的第三方基准就是在这个口径下做的（§2.4、§5）。

Q6：基准成绩到底多少？
两个口径：作者 xDNN 在主版本 2482 张切片级二分类上 F1 97.31%；Alshazly et al. 2021 的 COVID-Nets 在扩展版 4173 张、三分类、60/40 患者级划分上准确率 93.87%。前者含患者泄漏乐观偏差，后者才是患者级口径的诚实数字——两者不可直接比较（坑 8）。

Q7：2482 和 4173 是什么关系？
同一数据集的两个形态。2482（2 类）是作者 2020 年 4 月发布、Kaggle 在售的主版本；4173（3 类：COVID-19/Healthy/Others，210 例患者）是后续研究者（Alshazly et al. 2021 的 COVID-Nets 论文使用的重组版）在主版本基础上扩展的患者级版本，从未在作者原始渠道发布（坑 2）。

Q8：它和库内 covid-ct 条目是什么关系？
没有关系，只是撞名。库内 covid-ct（rid 307）是 UCSD AI4H 团队 Zhao 与 Xie 的 COVID-CT-Dataset（arXiv:2003.13865），图像是从论文配图里提取的 349+397/463 张；本条目是 Exeter 团队的医院原始 CT 2482 张。更麻烦的是，本数据集作者的 GitHub README 也自称 “COVID-CT dataset”——检索与引用时务必核对 DOI 或 Kaggle slug（坑 1、坑 4）。

Q9：训练前要做哪些预处理？
统一尺寸（建议 224×224 或 229×229 以适配常见骨干）；灰度归一化；若做患者级评估，必须用扩展版并按 subject 划分；若坚持用主版本，至少要在论文里明示划分方式为切片级随机划分并讨论泄漏风险。类别层面主版本基本均衡（1252 vs 1230），不需要重采样；扩展版三分类需要处理 2168/758/1247 的不平衡。

Q10：引用格式怎么写？
引 medRxiv 预印本：Angelov P, Soares EA. “SARS-CoV-2 CT-scan dataset: A large dataset of real patients CT scans for SARS-CoV-2 (COVID-19) identification.” medRxiv 2020.04.24.20078584。若用到 xDNN 方法与 97.31%，加引 Angelov P, Soares EA. Neural Networks 130:185-194 (2020), doi:10.1016/j.neunet.2020.07.010。用扩展版 4173 时必须引 Alshazly et al., PeerJ Computer Science 7:e655 (2021)（附录 M 有完整 BibTeX）。

§2 数据构成与规格

2.1 规模、构成与均衡度

主版本（Kaggle 在售口径）的构成一目了然：

目录	文件数	文件名模式	含义
COVID	1252	Covid (1).png … Covid (1252).png	放射科确认的 COVID-19 阳性切片
non-COVID	1230	1.png … 1230.png	非阳性切片（健康或其他肺部情况）
合计	2482	—	二分类、类别基本均衡（比例约 1.018:1）

Kaggle 页面 Summary 栏显示的文件总数为 2481，与 Files 明细逐目录求和的 2482 相差 1 张——这是页面统计口径差而非数据本身矛盾，本条目以明细求和 2482 为准（坑 4）。类别基本均衡意味着二分类任务不需要类别加权或重采样，这在"拿来就能跑"的意义上降低了使用门槛，也是它比同期许多严重不平衡的数据集更受欢迎的原因之一。

需要特别强调"切片"与"患者"的区别：2482 是切片数，不是患者数。主版本不提供患者 ID，预印本未披露阳性切片覆盖多少名患者。扩展版口径下COVID-19 一类涉及 80 例患者 2168 张切片——平均每人 27 张，这个"人均切片数"提示主版本的阳性类同样存在大量同患者近重复切片（§3.3）。

2.2 文件组织与命名

数据集的组织方式是"两个文件夹、无清单文件、无元数据表"：

• 目录结构：顶层两个目录，无 train/val/test 预划分类目录，无 CSV 清单，无 README。使用者自行划分。
• 命名不对称：阳性目录的文件名带空格与括号（Covid (1252).png），阴性目录是纯数字。这种不对称在脚本里很容易踩到 glob 与正则的坑（附录 E 给出解析骨架）。
• 格式：PNG，8 位。无 DICOM。所有原始采集参数（层厚、卷积核、窗宽窗位、设备厂商）不可恢复——这是"论文配图/导出图像级发布"路线的通病，但对纯分类任务影响有限。
• 体积：V2 全量 242.23 MB，单张平均约 97 KB——小图、低色深，是"导出后压缩"的产物，不是原始 DICOM 转档。

2.3 图像尺寸：三个口径三个区间

图像尺寸不统一，且不同文献测出的区间互不一致，这是本数据集被引用时最常见的低级错误来源。三种实测口径并存：

口径来源	报告区间
PMC 文献实测	324×412 至 484×456
MDPI 文献实测	104×119 至 416×512
Awesome 脚本统计	最小 [182,129]、中位 [390,240]、最大 [484,416]

三个区间互有出入的原因可能包括：统计样本不同（全集 vs 子集）、是否计入异常小图、宽高顺序约定不同。本条目不下"正确区间"的断言，只给定性结论：尺寸高度离散（短边从约 100 到 400+ 像素），任何使用前必须统一重采样，引用具体区间时注明出处（坑 6）。

2.4 扩展版：4173 张、210 例、三分类

扩展版不是作者的第二次发布，而是后续研究者在主版本基础上的重组与扩展，其口径由使用它的 COVID-Nets 论文（Alshazly et al., PeerJ Computer Science 2021, doi:10.7717/peerjcs.655）完整记载：

类别	患者数	切片数	说明
COVID-19	80	2168	阳性，按患者归组
Healthy	50	758	健康对照
Others	80	1247	非 COVID 的其他肺部异常（细菌性肺炎等）
合计	210	4173	三分类、患者级标注

关键改进与注意事项：

1. 患者级归组：每张切片关联到患者，使 subject-wise 划分成为可能。Alshazly 等采用 60/40 的患者级训练/测试划分，杜绝了主版本的泄漏问题。
2. 类别不再均衡：2168/758/1247 的比例约为 2.9:1:1.6，三分类实验需要加权损失或重采样——原 2482 版的"均衡"优势在扩展版不复存在。
3. "Others"类的方法学意义：加入非 COVID 肺部异常对照，把任务从"有没有异常"升级为"是不是 COVID"——这是对主版本"阳性 vs 万物"设计的直接修正（§8.1）。
4. 出处与许可：扩展版从未在作者 Kaggle/GitHub 发布，其获取需依赖 COVID-Nets 论文的发布渠道或自行按论文描述重组；重组的授权链条未明示，引用与再分发时必须同时标注原数据集与重组论文。

2.5 元数据缺位：一张"哑图"集

主版本在元数据维度几乎是一张白纸，逐项列清：

元数据维度	是否提供	影响
患者 ID/人口学（年龄、性别）	否	无法做人群亚组分析，无法严格患者级划分
切片层位/层厚	否	无法重建体积上下文，无法区分同一病灶的不同切面
采集设备/重建参数	否	无法做设备去偏（debiasing），模型可能学到设备指纹
采集医院/地域	否（仅"来自医院的真实患者"）	无法评估地域泛化性
PCR/临床确认信息	否（仅称阳性经放射科医生确认）	标签金标准强度未知，无核酸检测一致性数据
像素级标注	否	不支持分割、定位、病灶量化任务

这份缺位清单不是吹毛求疵：2020 年应急语境下"先有图再说"可以理解，但 2021 年之后的 BIMCV-COVID+（带完整 DICOM 与分割标注）、MIDRC-RICORD（带患者级金标准）等数据集正是沿着"补元数据"的方向完成了超越（§4.3）。

2.6 与同期 COVID-CT 数据集的规格对照

把本数据集放回 2020-2021 年的 COVID 影像数据集景观中（详细叙事见 §4，此处只比硬规格）：

数据集	模态	规模	标注粒度	患者级信息
SARS-CoV-2 CT scan collection（本条目）	CT 切片	2482 张（主）/4173 张（扩展）	切片级 2 类 / 患者级 3 类	扩展版有
COVID-CT-Dataset（UCSD，库内 covid-ct 307）	CT 切片	349+397/463 张	切片级	无
COVID-19 Radiography Database（库内 covid-19-radiography 217）	X 光为主	万级，多类	图像级多类	无
BIMCV-COVID+（库内 bimcv-covid 207）	CT+X 光	数千研究	研究级+病灶级	有（DICOM 完整）
MosMedData+（库内 mosmeddata 297）	CT 体积	1110 例	体积级五级	有
MIDRC-RICORD（库内 midrc-ricord 227）	CT 体积	约 1000 例	病灶级金标准	有

本数据集的相对位置：规模上介于 UCSD COVID-CT（数百张）与 BIMCV（数千研究）之间；标注粒度上是"图像级"路线的典型代表；患者级信息是它相对 UCSD 版的唯一结构性优势（且要靠扩展版兑现）。

§3 任务与标注

3.1 任务定义：两个版本、两种任务

主版本任务：图像级二分类——给定一张轴位 CT 切片，判断是否为 COVID-19 阳性。输入 2482 张 PNG 之一，输出二值标签。预印本与 Neural Networks 论文的评测均在此口径：切片级、随机划分、2 类。

扩展版任务：患者级三分类——给定一张切片（关联到患者），在 COVID-19 / Healthy / Others 三类中判断。评测口径（以 COVID-Nets 为代表）：subject-wise 60/40 划分、3 类。

两个任务共享同一批影像血统，但不是同一道题：三分类引入"Others"对照后，模型必须区分 COVID 与其他肺炎，难度实质上升；患者级划分又去掉了泄漏红利，分数天花板显著低于切片级口径（§5.3 的 97.31% vs 93.87% 就是这两个效应的直接体现）。

3.2 标注形态与确认流程

本数据集的"标注"是类别标签层面的极简形态：

• 阳性侧：预印本称影像来自经放射科医生确认的 COVID-19 患者。未披露确认是否基于 PCR 金标准、是否双盲复核、各院标签标准是否一致。
• 阴性侧：1230 张"非阳性"的构成未细分——健康人、其他肺炎、术后改变等各占多少没有公开清单。这一点在扩展版中被补齐（Healthy 与 Others 分开），但主版本内部是个黑箱。
• 流程披露：无标注指南、无仲裁流程、无观察者间一致性实验。这与 2020 年应急发布的节奏一致，但意味着"标签质量"只能靠下游复现间接检验。

3.3 切片级标签的先天缺陷：泄漏与重复

这是后续文献对本数据集最集中的批评，值得完整展开：

1. 同患者近重复：一次 CT 扫描产生几十至几百张相邻切片，相邻切片的图像内容高度相似。主版本无患者 ID，同一患者的切片散落在任意位置。
2. 随机划分即泄漏：常用的"80/20 随机划分"会让同一患者的切片同时出现在训练与测试集。模型只需把"这位患者的肺长什么样"记下来，就能在测试集上对这位患者的其他切片答对——高分中有多少来自"学会识别肺炎模式"、多少来自"记住具体病人"，无法区分。
3. 乐观偏差的量级：同类数据集上的对照实验（含 COVID-Nets 论文内的切片级 vs 患者级对比）显示，患者级划分的准确率普遍比切片级随机划分低几个到十几个百分点。97.31% 的 F1 必须放在这个背景里读（坑 8）。
4. 为什么问题至今仍在：因为 Kaggle 主版本没有患者 ID，任何只用主版本的工作都无法事后修复这个问题——只能换扩展版，或者明示口径并接受解读折扣。

3.4 扩展版的修正：subject-wise 的标准姿势

扩展版把"患者"变成一等公民，其标准实验协议（沿 COVID-Nets 口径）：

• 按患者分组，60% 患者（含其全部切片）进训练集，40% 进测试集；
• 三分类下报告总体准确率与各类别指标，处理类别不平衡（2168/758/1247）；
• 因为切断了患者泄漏，报告的数字才是"模型看到新病人时的表现"。

使用扩展版时有两个附带义务：一是必须同时引用原数据集（medRxiv 预印本）与重组论文（Alshazly et al. 2021），因为患者归组与 Others 类构成是后者的工作；二是不可把扩展版成绩与主版本历史成绩混表——划分口径不同，混表会制造"方法退化"的假象。

§4 同期景观：与 COVID 影像数据集的比较发现

4.1 发布时间线上的卡位

把 2020 年 3-5 月 COVID 影像数据集的密集发布期排成时间线，本数据集的位置一目了然：

• 2020-03 中旬：UCSD 团队发布 COVID-CT-Dataset 首版（349 张，从论文配图提取）；
• 2020-04-24：本数据集预印本投稿，随附 Kaggle 发布（2482 张，医院原始切片）；
• 2020-04-30 前后：COVID-19 Radiography Database 多轮扩容（X 光为主）；
• 2020 年夏起：BIMCV-COVID+、MosMedData 等带元数据的新一代数据集陆续上线。

本数据集发布在"配图提取"路线（规模小、质量参差）与"元数据完备"路线（工程量大、来得慢）之间的空档：比配图提取版大数倍且是真实患者数据，比元数据完备版早数月且零门槛。这个卡位解释了它早期爆发式的采用率。

4.2 与 UCSD COVID-CT-Dataset 的正面对比

两者是最常被混为一谈的一对（坑 1 的根源），逐项拆开：

维度	SARS-CoV-2 CT scan collection（本条目）	COVID-CT-Dataset（UCSD）
团队	Exeter 大学 Angelov/Soares	UCSD AI4H（Zhao、Xie 等）
论文	medRxiv 2020.04.24.20078584	arXiv:2003.13865
图像来源	医院真实患者（授权未公开细节）	已发表论文的配图截图提取
规模	2482（主版本，单批发布）	349 起家，多批扩至 349+397/463
类别	二分类均衡（1252/1230）	COVID vs non-COVID，比例失衡
患者信息	主版本无；扩展版有	无
文件名	Covid (N).png / N.png	沿用论文图号
配套方法	xDNN（MATLAB）+ F1 97.31%	配套基线（ResNet 系）

混用的后果是具体的：检索 “COVID-CT dataset” 时两条数据都会命中；引用链上把两者的 DOI 互换会造成"规模 2482 vs 数百张"的叙事错乱；跨库对比实验若把两者当同一数据集的不同版本，结论直接作废。本库在 covid-ct（rid 307）条目与本条目均做了撞名辨析，互为镜像（§9）。

4.3 质量升级路径：从"哑图集"到"带标注的体积集"

以本数据集为起点，COVID-CT 数据质量的三级跳路线清晰可见：

1. 第一级（本数据集所属）：切片级标签 + 无元数据。代表：本数据集主版本、UCSD COVID-CT。适合快速原型与教学，结论外推需谨慎。
2. 第二级：切片级标签 + 患者归组 + 多类对照。代表：本数据集扩展版（4173）、部分机构内部数据集。患者级评估成为可能。
3. 第三级：体积序列 + 病灶级标注 + DICOM 完整元数据。代表：BIMCV-COVID+（207）、MIDRC-RICORD（227）、MosMedData+（297）。支持分割、定量、纵向研究。

这条升级路径的方法学启示（§8.1 展开）是：数据集的"代际"由标注粒度与患者级结构决定，而不由张数决定。4173 张的扩展版在方法学上优于 2482 张的主版本，正如 1000 例带病灶标注的 RICORD 优于 4000 张哑图。

2.7 采集与构成叙事：预印本说了什么、没说什么

把预印本对数据来源的全部披露摊开，是一份很薄的清单：

说了的：

• 图像来自医院真实患者（real patients）的胸部 CT；
• 阳性病例由放射科医生确认；
• 主版本为二分类、两类规模接近（1252/1230）；
• 发布形态为独立轴位切片（非体积序列）。

没说的：

• 医院/国家的数量与名单，以及逐院样本量分布；
• 患者总数（切片数 2482 对应多少患者）；
• 阳性确认是否以核酸检测（PCR）为金标准；
• 阴性 1230 张的内部构成（健康人、其他肺炎、术后改变等各占多少）；
• 采集时间窗、设备分布、重建协议；
• 伦理审批号与数据共享协议（患者知情同意的处理方式）。

这份"未披露清单"不是要否定数据集的历史功绩——2020 年 4 月的时间压力下，多数应急数据集都选择了先发布。但它划定了使用边界：任何依赖来源同质性假设的分析（按医院分层、按设备去偏、按人群外推）在本数据集上都不可能执行。需要在论文里写"数据覆盖哪些人群、什么设备"的作者，要么换数据集，要么把这一局限如实写进 limitations。

2.8 均衡设计的两面：门槛的降低与叙事的简化

1252/1230 的近乎完美均衡值得单独一节讨论，因为它既是卖点也是误导源。

作为卖点：均衡意味着最小类别加权、最直接的 accuracy/F1 解读、最平滑的训练动态——这让"下载到出 baseline"的时间压缩到小时级，是它在教学与快速验证场景里长盛不衰的直接原因。

作为误导源：现实临床中的 COVID 检测任务从不均衡——大流行高峰期送检人群的阳性率、常规筛查的阳性率都与 50% 相去甚远。在本数据集上报告的 accuracy 96% 一类数字，换算到 5% 阳性率的真实场景，精确率会坍缩到完全不可用的水平（class balance 与临床先验不匹配的经典陷阱）。此外，均衡掩盖了"阴性构成"的复杂性：把健康人、细菌性肺炎、其他病毒性肺炎全并进一个阴性类，等于让模型学"COVID vs 其余一切"——这个任务定义下的高分，不能自动翻译成"能鉴别 COVID 与其他肺炎"。

扩展版把 Healthy 与 Others 拆开（§2.4）正是对这一简化叙事的直接回应——作者之外的社区用数据组织方式修正了任务定义。

3.5 标注质量的下游证据：从分数异常到结构复盘

标注流程未披露，但下游文献留下了一些可以拼合的间接证据：

1. 分数带异常平：切片级口径下大量工作集中在 95%-99%（§5.4），分数带的顶部拥挤且区分度低——这与"标签简单清晰 + 泄漏垫底"的组合一致：标签本身少有歧义（二分类、切片级），错误空间小，天花板被结构问题而非标注问题钉住。
2. 患者级口径的回落幅度：扩展版上同一批骨干从切片级口径回落数个百分点——回落主要来自泄漏消除与三分类难度，但部分也来自"同患者切片跨类标注一致性"的暴露：同一患者相邻切片被分属不同处理的情形，间接说明主版本的标签是按切片、非按患者赋予的。
3. 无一例"标签大规模翻案"研究：与 PANDA 高级别标签系统性错误（本库 panda-plus 条目的核心发现）不同，没有文献报告本数据集存在批量错标——这可以谨慎地读作"二分类标签质量可用"，但证据强度有限（无系统复审研究）。

综合判断（供成稿引用时校准语气）：标签在"切片级二分类"任务定义内基本可靠；任务定义本身的局限（无患者结构、阴性黑箱）比标签错误更是问题的主体。

3.6 标注工艺对比：三种发布哲学

把本数据集放在同期数据集的"标注工艺光谱"上，三种哲学清晰可辨：

工艺	代表	标注成本	结构信息	适合场景
极简目录即标签	本数据集主版本	极低	无	快速原型、教学、早期验证
重组与归组	本数据集扩展版（第三方）	中（依赖原数据可归组性）	患者级	严格评测、方法学论文
前瞻性结构化采集	MIDRC-RICORD、BIMCV-COVID+	高（协议、金标准、多专家）	病灶级+DICOM	临床级验证、监管路径

本数据集占据光谱最左端并把它做到极致。这个位置的真正风险是被误用：使用者把"目录即标签"的极简形态当成完整标注体系，在其上做出超出任务定义的结论（如宣称"可用于临床筛查"）。成稿的立场：数据没有错，错的是超出口径的解读——这也是本条目把"口径意识"作为贯穿主题的原因（§5.3、坑 8）。

4.4 跨数据集泛化：文献里的观察

COVID-CT 分类工作的另一个常见设计是"本数据集训练、别家数据集测试"（或反之）的跨库泛化。文献中的重复观察值得记录：

1. 跨库普遍掉分：无论本数据集与 UCSD COVID-CT 互测，还是 CT 库与 X 光库互测，跨库成绩普遍比库内低 10-30 个百分点——来源差异（医院切片 vs 配图提取）、采集协议差异、预处理差异叠加的结果。
2. 本数据集的"医院切片"属性是双刃剑：作为训练源，它比配图提取版更接近真实成像分布；作为测试源，它对"真实世界部署"的代表性也更高——但仅对"轴位切片"这一输入形态成立。
3. 同源偏差的教训：多库联合训练时若不做来源去偏，模型会学出"这条数据来自哪个数据集"的捷径特征——多篇论文报告了剔除来源指纹后跨库成绩的进一步变化。这与 §2.5 设备指纹缺失互为镜像：元数据缺位让你连去偏都无从下手。

4.5 择集决策矩阵：什么时候选它、什么时候别选

给检索者一张直接的决策矩阵：

你的需求	选本数据集？	理由与替代
二分类快速 baseline / 教学	选	零门槛+均衡+体积小（§6.4）
切片级大训练源	谨慎	2482 张在 2026 年已不算大；无元数据限制去偏
患者级严格评测	换/扩展	主版本不可能；用扩展版（引 Alshazly 2021）或直接换 227/207/297
分割/定位/量化	不选	无像素级标注（§2.5）
体积/纵向研究	不选	切片级发布，无层厚无序列
影像-文本/多模态	不选	无报告文本；转 ct-rate(546)
商业部署训练源	先谈授权	NC 条款挡路（坑 7）
数据集方法论教学案例	选	撞名、泄漏、双口径全是活教材（§8）

2.9 一次"拿图即用"的真实成本核算

"零门槛"宣传的是下载环节；把数据变成可训练形态的真实工时，值得算一笔账（按单人、熟悉 PyTorch 的假设）：

环节	工时	内容
注册+下载	10 分钟	Kaggle 账号 + API 下载 242.23 MB
清点核验	20 分钟	附录 E 清单重建，核对 1252/1230
尺寸普查	20 分钟	批量读头、输出分布、异常图清单
预处理管线	1-2 小时	resize/归一化/增强，跑通 ImageFolder
划分设计	30 分钟-2 小时	切片级随机（快）；或改为扩展版患者级（需先拿到/重组数据）
口径写作	30 分钟	把 §5.5 五步协议落进实验记录
合计	约 3-5 小时	对比"申请制数据集"动辄数天的等待，仍属低成本

结论：它的"即用性"宣传成立，但"即用"的含义是半天内可训练，不是五分钟出结论——把两者混同正是 §3.3 系列问题的社会心理根源：跑通太容易，反思容易被跳过。

3.7 延伸问答：为什么没有众包标注、没有一致性实验

两个常被问到的"为什么没有"：

为什么没有众包细化标注？ 2020 年 4 月的发布目标是最小可用（minimum viable dataset）：分类标签是当时临床叙事（“CT 有助于识别 COVID”）与社区需求（“有图能训练”）的最小交集。像素级标注的边际收益（支持分割/定位）在应急期属于第二优先级——事实上直到 BIMCV-COVID+ 与 RICORD 上线，社区才真正拿到第一Tier 的像素级/病灶级 COVID-CT 监督。

为什么没有标注者一致性数据？ 一致性实验（多人独立标注同一子集、算 kappa）的成本主要在专家时间。应急期既没有多位可动员的放射科医生，也没有等待一致性数据的时间窗。后果是：标签质量只能靠下游表现间接推断（§3.5），而这个推断链本身也有不确定性——两个不确定叠加，就是本条目把标注质量维度的 DAIMS 评分压到 2/5 的原因（附录 B）。

这两个"没有"合起来给出一条经验：一致性数据是数据集的"标定证书"，可以后补但不可跳过；后补的成本随时间指数上升（用户越多、基于它的结论越多、翻案成本越高）。

§5 基准与评估：两个口径的数字怎么读

5.1 xDNN：作者的旗舰成绩 F1 97.31%

与数据集同批发布的 xDNN（explainable-by-design deep neural network）是本数据集的第一个基准：

• 方法要点：xDNN 是 Angelov 团队提出的可解释深度网络框架，训练后以原型（prototype）分解决策依据，对每个预测给出"像哪些原型、不像哪些原型"的构成解释——在医疗 AI 强调可信任的 2020 年，这是它的差异化卖点。
• 发布载体：MATLAB 实现（xDNN_SARS.m + 闭源编译件 xDNN.p + 预训练 .mat），托管于 GitHub 仓库 Plamen-Eduardo/xDNN-SARS-CoV-2-CT-Scan，最后提交 2020-05-12。
• 成绩：主版本 2482 张、切片级二分类，F1 97.31%。该数字同时出现在 Kaggle 页面描述与 Neural Networks 期刊论文（130:185-194, 2020, doi:10.1016/j.neunet.2020.07.010, PMID 32682084）中，双源一致。
• 读法警告：这是切片级随机划分口径的成绩，含患者泄漏乐观偏差（§3.3、坑 8）——它衡量的是"该方法在该口径下的上限"，不是"临床可用性"。

5.2 COVID-Nets：第三方患者级基准 93.87%

Alshazly 等的 COVID-Nets 论文（PeerJ Computer Science 7:e655, 2021, doi:10.7717/peerjcs.655）是对本数据集最系统的第三方评测：

• 口径：扩展版 4173 张、三分类（COVID-19/Healthy/Others）、60/40 subject-wise 划分。
• 内容：系统比较多个 ImageNet 预训练骨干（VGG、ResNet、DenseNet、MobileNet、EfficientNet 等）微调与集成，报告准确率、灵敏度、特异度、F1 及混淆矩阵。
• 代表成绩：最佳配置总体准确率 93.87%。
• 附带贡献：正是这篇论文的患者归组工作，使数据集拥有了"扩展版"这个形态——主版本到扩展版的升级路径（§2.4）由第三方完成，这在数据集演化史上并不多见。

5.3 为什么 97.31% 与 93.87% 不可直接比较

把两个数字并排放在同一张表里是本数据集最常被犯的引用错误。差异来自三个正交维度：

维度	xDNN 97.31%	COVID-Nets 93.87%
类别数	2 类（COVID vs 非）	3 类（COVID/Healthy/Others）
划分单位	切片级随机（含泄漏）	患者级 subject-wise（无泄漏）
方法来源	作者方法+作者评测	第三方骨干微调+集成

三重效应叠加：三分类比二分类难；患者级划分比切片级难；第三方方法未必优于作者方法。任何一个维度单独拆开都能解释几个百分点——三个一起，10 分以内的差距完全在预期内。正确用法：引用 97.31% 时必须注明"切片级随机划分口径"；引用 93.87% 时必须注明"扩展版三分类患者级 60/40 口径"；严禁两者同表混排（坑 8）。

5.4 后续文献的引用模式与分数带

2020-2022 年间引用本数据集的论文形成一条可辨识的分数带：

• 切片级口径（多数）：准确率普遍报在 95%-99% 区间，越往后越"卷"——这个区间的边际信息量很低，因为天花板被泄漏垫高。
• 患者级口径（少数、且逐年增多）：分数显著下沉，方法学论文开始明确标注 subject-wise——这批工作构成"诚实评测"的谱系，COVID-Nets 是其中的代表节点。
• 批判性引用：一批方法学论文把本数据集当作"切片级数据集缺陷"的典型案例来解剖（与 UCSD COVID-CT 并列），其引用价值在"教训"而非"分数"。

检索者使用建议：如果你要在这个数据集上报告新分数，先决定口径（§3.1 的两个任务二选一），再决定对照对象（同口径的历史数字），最后在论文里明示划分协议——三步缺一不可。

§6 获取与许可：一门一锁一警示

6.1 三条渠道各拿什么

渠道	地址	拿什么	门槛
Kaggle（主渠道）	plameneduardo/sarscov2-ctscan-dataset	全部 2482 张切片（V2，242.23 MB）	注册 Kaggle 即可直下
GitHub（代码渠道）	Plamen-Eduardo/xDNN-SARS-CoV-2-CT-Scan	xDNN MATLAB 代码 + 预训练 .mat	直接访问；最后提交 2020-05-12
medRxiv（论文渠道）	doi:10.1101/2020.04.24.20078584	预印本全文（数据描述、方法叙述）	直接访问

注意边界：GitHub 仓库不含图像，只有代码与模型；Kaggle 仓库不含扩展版 4173；扩展版需要按 §2.4 所述依赖 COVID-Nets 论文渠道或自行重组。

6.2 Kaggle 版本链与页面统计

• 版本链：V1（2020-04 首发口径）→ V2（当前版本，242.23 MB）。Kaggle 标注更新频率为 Monthly，但 V2 之后未见有实质内容变更的记录——把"Monthly"读成"活跃维护"会误判。
• 页面统计（本条目生产时点）：Views 约 175K，Downloads 约 28.1K，可用性评分 8.75，Tags: Image / Computer Science / Computer Vision / Coronavirus / Medicine。
• 文件数 ±1：Summary 栏 2481 vs Files 明细求和 2482（坑 4），以明细为准。
• 复现建议：下载后第一件事是重建文件清单（目录+文件名+尺寸三列表，附录 E 骨架），与本文 §2.1 的数字核对——任何对不上的偏差都应在实验记录里存照，而不是默默继续。

6.3 许可细读：CC BY-NC-SA 4.0 的三条款

数据集许可为 CC BY-NC-SA 4.0，三个字母各管一件事：

1. BY（署名）：使用时必须注明出处——引用 medRxiv DOI + 标注数据集名称是最低配置。
2. NC（非商业）：不得以"主要意图为商业优势或金钱报酬"的方式使用。学术发表、课程教学、非营利研究一般安全；商业产品内嵌、付费服务调用需要另行与权利人确认。对"NC"的边界判例可参考 Creative Commons 官方 FAQ，但最稳妥的路径是问作者。
3. SA（相同方式共享）：如果你重分发本数据集或其衍生数据集，必须沿用 CC BY-NC-SA 4.0。传染性意味着：基于 2482 张切片做的任何再打包（去重、重命名、合并其他数据）都不能改用更宽的许可（如 CC BY-4.0）发布。

两个常被忽略的相邻资产：

• GitHub 代码无许可条款：仓库未附 LICENSE 文件，默认版权全保留——严格意义上不可复用其代码，只能参考思路。基于 xDNN.p 闭源编译件的调用也在灰色地带（坑 7）。
• 论文本体：medRxiv 预印本按 medRxiv 平台条款分发，作者未声明额外的数据再授权要求；Neural Networks 论文按 Elsevier 订阅条款分发。

6.4 AI-Ready 评估：可及性满分，工程性中游

按"拿过来能不能直接喂给模型"的标准逐项打分：

维度	评价
获取门槛	优——注册即下，无需申请、无需邮件、无等待
格式即用	中——PNG 直读，但尺寸离散必须统一重采样
标签即用	优——目录即标签，命名规则简单（但注意括号与空格）
划分即用	差——无预划分、无患者 ID（扩展版另算），泄漏风险需自行管理
元数据	差——无（§2.5 全表）
许可清晰度	中——数据许可明确（NC/SA 有约束）；代码无许可、扩展版授权链未明示

一句话结论：它是"五分钟跑通第一个 baseline"的典范，也是"第五个 epoch 之后开始怀疑人生"的典型——工程上手极快，方法学严谨化极难，两句话都是真的。

§7 生态与影响

7.1 引用生态：两条 Scholar 记录的汇合

本数据集的引用统计有个技术性怪相：Google Scholar 上存在两条计引记录，一条约 535 次、一条约 697 次——分别对应 medRxiv 预印本的不同索引版本（同名异版被 Scholar 未合并）。读引用量的正确姿势：

• 总引用量级：两条合计远超千次，是 2020 年 COVID 影像数据集中引用最高的梯队；
• 单条口径：写综述时引用量建议表述为"Scholar 两条记录合计千余次（535/697，见坑 5）"，避免单引一条造成低估；
• 另一支相关计引：Neural Networks 的 xDNN 方法论文自身约 426-427 次——方法与数据两条引用链并行，是"数据集+方法捆绑发布"策略的典型遗产。

7.2 衍生使用：谁在用、怎么用

按用途分四类：

1. 直接训练/评测：2020-2021 年大量 COVID-CT 分类论文以本数据集（常与 UCSD COVID-CT、SARS-COV-2 Ct-Scan 等并称）为基准之一，分数带见 §5.4。
2. 重组扩展：COVID-Nets（Alshazly et al. 2021）的患者归组三分类扩展版，本条目 §2.4 已详述——这是影响最深远的单一衍生工作。
3. 方法学解剖对象：把本数据集当"切片级数据集缺陷标本"的批判性研究，与 §3.3、§8 的叙事一脉相承。
4. 教学与综述常客：因获取零门槛、结构极简，成为医学影像数据管理课程与 COVID 数据集综述里的常驻对比项。

7.3 在库内 COVID 影像景观中的位置

本库收录的 COVID 相关条目构成一条从"应急哑图"到"结构化金标准"的谱系，本数据集位于谱系早期：

• 同期同类：covid-ct（307，UCSD 配图提取）——规模更小、来源更杂，但发布更早一周余；
• 模态互补：covid-19-radiography（217）、covidx-cxr（197）——X 光路线，设备普及率高于 CT，单图信息量低于 CT；
• 结构化升级：bimcv-covid（207）带 DICOM 与分割、mosmeddata（297）带体积与五级评分、midrc-ricord（227）带病灶级金标准——三者共同构成"第二代"，本数据集是被它们替代的"第一代"代表；
• 纵向延伸：ct-rate（546）把胸部 CT 带入影像-文本对齐时代，lung-pet-ct-dx（475）把 PET-CT 引入肺部诊断——两者展示同一模态在 2024 年后的形态，与本数据集的 2020 年形态对照使用叙事效果最佳。

7.4 撞名的生态代价：一个命名公共品的失败案例

"COVID-CT"这个短语在 2020 年至少属于三拨人：UCSD 的数据集、本数据集作者的 GitHub 自称（坑 4）、以及泛指"COVID 的 CT 研究"的普通短语。三义并行的代价：

• 检索污染：裸搜 “COVID-CT dataset” 无法区分两条数据，衍生出大量张冠李戴的引用；
• 元数据漂移：本数据集在部分第三方列表里被记成 UCSD 的别名，反之亦然；
• 本库的应对：slug 用 sar-covid（避让 covid-ct）、两个条目互相辨析（§9）、把"撞名"本身写成坑 1——检索者应当把 slug 与 DOI 双锚点作为引用习惯。

5.5 引用分数的五步协议

任何把本数据集分数写进论文或报告的场景，建议走完这五步再落笔：

1. 定口径：主版本切片级二分类，还是扩展版患者级三分类？（§3.1）两者不可互换。
2. 定划分：随机划分要写比例与种子；患者级要写 subject-wise 的分组依据与占比（60/40 是 COVID-Nets 口径，不是唯一合法选项）。
3. 定对照：只与同口径历史数字比较；跨口径比较必须显式声明不可直接性。
4. 定指标：类别均衡时 accuracy 尚可接受；患者级三分类（2168/758/1247）必须补宏平均 F1、各类灵敏度/特异度与混淆矩阵。
5. 定声明：limitations 里写明主版本的泄漏结构风险与本数据集的元数据缺位（§2.5）——这五步里前四步是技术动作，第五步是学术诚信动作。

这套协议的产出可以直接对标附录 I 的 xDNN 核对单：你的实验若能在五步协议下与 xDNN 口径对齐，比较才有意义；若不能，就诚实地说"口径不同，仅供参考"。

6.5 Kaggle 页面字段速查

检索者打开 Kaggle 页面时会用到的全部关键字段（本条目生产时点实测）：

字段	值	用途提示
数据集名	SARS-CoV-2 CT scan collection	与预印本标题的 “dataset” 拼写差异属正常
slug	plameneduardo/sarscov2-ctscan-dataset	引用与脚本下载用这个，不要用页面标题
版本	V2（242.23 MB）	下载历史版本可在 Versions 页回溯
可用性评分	8.75	Kaggle 社区评分，非同行评审结论
License	CC BY-NC-SA 4.0	§6.3 三条款细读
标签	Image / Computer Science / Computer Vision / Coronavirus / Medicine	Kaggle 话题体系，与本库 category_tags 体系无关
更新频率	Monthly	实质冻结（§6.2），按静态数据集管理
统计	Views 175K / Downloads 28.1K	引用量之外衡量采用率的辅助指标

脚本化下载建议走 Kaggle 官方 API（kaggle datasets download plameneduardo/sarscov2-ctscan-dataset），下载后按附录 E 清单重建并核对 1252/1230——API 下载与浏览器下载的内容一致性同样值得存档一句。

6.6 下载后的十分钟体检流程

拿到 242.23 MB 的压缩包后，建议按固定顺序做十分钟体检（全部可在笔记本上完成）：

1. 解压并清点（2 分钟）：目录数、文件数、按附录 E 重建清单，核对 1252/1230 与总 2482。
2. 尺寸普查（2 分钟）：批量读图头，输出 min/median/max 尺寸与异常小图清单——把你的实测区间与坑 6 的三口径对照，记录差异。
3. 可视化抽样（2 分钟）：每类随机抽 12 张拼图目检——确认没有非 CT 图混入、没有明显截断或损坏文件。
4. 标签结构核验（2 分钟）：目录名与文件名模式核对（附录 E 的正则），统计 idx<0 的异常命名文件。
5. 划分预演（2 分钟）：写下你的划分方案（切片级 or 扩展版患者级）与种子，先在清单上（而非图像上）验证划分的类分布——划分错误在清单层修，比在训练循环里调试便宜一个数量级。

体检产物（清单 CSV、尺寸统计、抽样拼图）建议与实验代码同库存档：这既是复现材料，也是未来审稿人问"你怎么处理数据"时的现成答案。

7.5 五年后再看：2026 视角的再评价

把时间快进到 2026 年，本数据集的角色已经完成了一次静默的转变：

• 从前沿到教材：2020 年它是前沿弹药，2026 年它是教科书案例——COVID 影像综述、数据集方法论课程、医学影像数据管理培训里，它以"第一代应急数据集代表"的身份稳定出场。
• 从基准到背景：新方法论文不再以"在本数据集上 SOTA"为卖点（分数带早已饱和且口径可疑），转而引用它做背景叙事或负面对照。
• 从作品到标本：它最有生命力的用途是"数据集工程教学标本"——一个数据集能同时演示撞名、泄漏、双口径、许可传染、维护退场五个课题，这在数据集文献里并不多见。
• 未完成的后事：预印本始终未正式见刊、患者 ID 始终未补、扩展版授权链始终未明——三件"未完成"让它保持了 2020 年的原始样貌，也保证了本条目存照清单的长期相关性。

对库内使用者的含义：把本条目当"历史锚点 + 教学案例"用，收益最大；当"现役训练数据"用，收益有限且要带全套口径警告。

7.6 综述里的三类引用姿势

浏览 COVID 影像综述文献，对本数据集的引用可归纳为三类姿势，各有各的正确与危险：

1. 规模/时间线引用（“2020 年 4 月发布的 2482 张 CT 切片数据集”）——最安全，出错概率低，注意别把 2482 写成 4173 或反之（坑 2）。
2. 成绩引用（“xDNN 报 F1 97.31%”）——中等危险，必须带"切片级随机划分"限定语，否则会被懂行的审稿人抓住（坑 8）。
3. 谱系引用（“与 UCSD COVID-CT 并列为早期两大 COVID-CT 数据集”）——最危险，一旦把两者的来源/规模互换（医院切片 vs 配图提取），整段叙事失效；务必双 DOI 锚定（坑 1）。

本条目 §4、§10 与附录 M 的设计目标，就是让三类姿势都有可核对的落点。

6.7 与库内可获取性光谱的对照

把库内医学影像条目的获取模式排成光谱，本数据集的位置与邻居一目了然：

获取模式	库内代表	门槛	本数据集
直链下载（注册即得）	本数据集、UCSD covid-ct	最低	所在位置
平台托管+条款点击	covid-19-radiography 等	低	—
申请制（邮件+用途说明）	mosmeddata（297）	中	—
请求制（资格审查）	panda-plus 掩码	高	—
受控挑战赛渠道	midrc-ricord（227）	中高	—

本数据集处在光谱最左端——这与它"第一代应急数据集"的身份一致：可获取性顶格，结构化程度垫底，两者在同一数据集上呈跷跷板关系。这个跷跷板在库内不是孤例，而是 2020-2021 年发布的数据集的普遍剖面；2023 年后的新条目（如 ct-rate 的 HF 托管形态）才开始同时做高两端。

7.7 衍生品清单：它留下过什么

按"实物程度"从高到低盘点本数据集的衍生资产：

1. 扩展版 4173（最重资产）：第三方重组的患者级三分类版本（§2.4），是唯一被后续研究持续引用的"再发布级"衍生品。
2. 基准协议遗产：60/40 subject-wise 划分协议（随扩展版确立）成为后续 COVID-CT 患者级评测的通用起点。
3. 方法学批判文献：以它为案例的切片级数据集批评研究（§3.3、§4.4）——衍生品不一定是数据，也可以是结论。
4. 教学引用：数据集工程课程与综述中的常驻案例（§7.5），本库本条目本身即最新一例。
5. 训练库的隐藏存在：无数模型在训练日志里用过它，但没有留下可引用的独立资产——这部分"隐性使用"只能从采用率统计（Downloads 28.1K）间接感知。

清空的另一面也值得记录：没有官方后续版本、没有官方维护的 leaderboard、没有官方数据卡——所有衍生品的维护主体都是社区而非作者。这是"发布即退场"模式的完整样本。

§8 方法学启示：三条可迁移的经验

8.1 标注粒度与患者结构决定数据集代际

本数据集主版本与扩展版的差距（2482 哑图 vs 4173 患者级）是"代际升级"的完整标本：升级没有发生在作者手里，而是由第三方（COVID-Nets 论文）完成——前提是原始数据保留了重组所需的信息（同患者切片可辨识、可归组）。可迁移的判断标准：评测一个影像数据集时，先问三个问题——划分单位是什么？患者可追溯吗？对照类构成合理吗？ 三个答案决定它是"第一代"还是"第二代"，比张数与分辨率更能预测你的实验结论是否站得住。

8.2 应急数据集的"先发布、后完善"是双刃剑

时间线复盘：2020-04-24 抢在需求峰值发布（占位成功），元数据与患者结构留给社区补齐（扩展版由第三方补成），Kaggle 标注 Monthly 更新但实质冻结（维护退场）。三条经验：

1. 早期发布的红利真实存在——零门槛+均衡+够大，让它赢了 2020 年上半年的采用率竞赛；
2. 欠下的结构债不会自动偿还——患者 ID 缺位导致五年后所有主版本工作仍带泄漏阴影，且无法事后修复；
3. 第三方可以补结构，但补不了出处——扩展版的患者归组可以重做，逐院伦理与采集协议的缺失则永远无法追溯（§2.5）。

8.3 "数据+可解释方法"捆绑发布的得与失

作者把 xDNN 与数据集捆绑发布，形成双引用链（数据链 535/697，方法链 426-427）。所得：两条链互相导流，数据集获得方法论叙事（“不只是图，还有可信的用法”），方法获得应用场景。所失：闭源 MATLAB（xDNN.p 无源码、无许可）削弱了可解释主张本身——一个宣称 explainable-by-design 的方法，使用者无法审计其实现，可解释性退化为论文里的图示。教训：捆绑发布要配套开源许可，否则方法端的信用无法传导到数据端。

§9 与库内条目的关系

9.1 家族图谱：八条互链点

本条目在库内的互链网络（rid 为库内记录 ID）：

rid	条目	关系	建议互链方向
307	covid-ct	撞名异实（UCSD 配图提取版 vs 本条目医院切片版）	双向辨析，检索排雷
217	covid-19-radiography	同期 COVID 影像，X 光为主、规模万级	模态对照
197	covidx-cxr	X 光基准，多源汇集	模态对照
207	bimcv-covid	第二代 COVID-CT：DICOM 完整+分割标注	代际升级对照
297	mosmeddata	第二代：CT 体积+五级质量评分	代际升级对照
227	midrc-ricord	挑战赛金标准：病灶级患者级标注	代际升级对照
546	ct-rate	大规模胸部 CT+报告文本对	后续形态对照
475	lung-pet-ct-dx	PET-CT 肺部诊断	模态扩展对照

9.2 检索路径建议

按检索意图选路径：

• 查"COVID-CT 数据集"：先到 covid-ct（307）与本条目（sar-covid）核对 DOI/slug 排除撞名（坑 1），再按数据来源（配图提取 vs 医院切片）选对象；
• 做 COVID 分类综述：本条目 §4.1 时间线 + §2.6 规格对照表可直接引用，X 光侧补 covid-19-radiography（217）与 covidx-cxr（197）；
• 找患者级/病灶级金标准：本条目仅扩展版可用（且授权链要引用 Alshazly 2021），更稳妥走 bimcv-covid（207）、midrc-ricord（227）、mosmeddata（297）；
• 做影像-文本/多模态：本条目无文本标注，直接转 ct-rate（546）；
• 讲数据集演化史：本条目 §8.1 代际叙事 + 上表三代对照，是现成的案例骨架。

§10 避坑清单：八个已踩过的坑

坑 1：COVID-CT 撞名，两条数据两拨人。库内 covid-ct（rid 307）是 UCSD AI4H 的 COVID-CT-Dataset（arXiv:2003.13865，论文配图提取 349+397/463 张）；本条目是 Exeter 的医院切片 2482 张（medRxiv 2020.04.24.20078584）。裸搜 “COVID-CT dataset” 两者都会命中，引用时锚定 DOI 或 Kaggle slug。

坑 2：2482 与 4173 是两个形态。2482（2 类）是作者 Kaggle 在售主版本；4173（3 类、210 例患者）是 Alshazly et al. 2021 重组的扩展版，从未在作者渠道发布。用扩展版必须同时引两篇文献；把 4173 写成"作者发布"是常见事实错误。

坑 3：预印本标题与作者数双口径。Europe PMC 早期记录（PPR156325，firstIndexDate 2020-05-05）标题为 “EXPLAINABLE-BY-DESIGN…”、作者 2 人（Angelov/Soares）；medRxiv 当前页面标题为 “SARS-CoV-2 CT-scan dataset: A large dataset…”、作者 5 人。同一记录经历改名与作者扩列。本条目按现行标题引用，其余 3 名作者因页面反爬未能核全姓名（遗留疑点），不列名单。

坑 4：文件数 ±1 与 “COVID-CT dataset” 自称。Kaggle Summary 栏 2481 vs Files 明细求和 2482，以明细为准。另注意作者 GitHub README 把本数据集混称为 “COVID-CT dataset”——撞名混乱的半数来源是作者自己的命名（与坑 1 联动）。

坑 5：引用数两条 Scholar 记录。约 535 与约 697 并存（同预印本不同索引版本未合并）。写引用量用"两条记录合计千余次"表述，别单引一条。

坑 6：图像尺寸三个口径三个区间。PMC 文献 324×412-484×456；MDPI 文献 104×119-416×512；Awesome 脚本 min[182,129]/median[390,240]/max[484,416]。互不一致，只下"尺寸离散、必须重采样"的定性结论；引具体区间必须带出处。

坑 7：许可三层，别一揽子引用。数据 CC BY-NC-SA 4.0（NC 禁商业、SA 传染，衍生数据集不得换宽许可）；GitHub 代码无 LICENSE 文件（默认版权保留，不可复用，xDNN.p 还是无源码的闭源编译件）；扩展版 4173 的重组授权链条未明示。三件资产三套规则，衍生工作前逐项确认。

坑 8：97.31% 不能当患者级成绩用。xDNN 的 F1 97.31% 是切片级随机划分口径（主版本无患者 ID，同患者切片横跨训练/测试集，泄漏红利垫高分数）；93.87% 是扩展版三分类患者级 60/40 口径。两者类别数、划分单位、方法来源三个维度都不同，同表混排即方法论事故。

§11 总结

11.1 三句话总结

1. SARS-CoV-2 CT scan collection 是 2020 年 4 月发布的 2482 张医院真实患者 CT 切片二分类集（1252/1230），以零门槛、均衡、可解释方法捆绑三项特征成为当年采用率最高的 COVID-CT 数据集之一。
2. 它的方法学遗产是双面的：xDNN 的 F1 97.31% 代表切片级口径的乐观上限，第三方患者级扩展版（4173 张、210 例、93.87%）才补上了诚实评测的地板——两者的差距本身就是患者泄漏风险的量化教材。
3. 它的检索遗产是"COVID-CT 撞名"这个持续五年的公共混乱源——在本库中以 slug sar-covid 独立成条，与 covid-ct（rid 307）双向辨析。

11.2 适合谁

• 快速搭 baseline / 教学演示：注册即下、目录即标签、五分钟跑通；
• COVID 影像综述与数据集演化研究：双口径存照、撞名案例、代际叙事都是现成素材；
• 可解释机器学习方法研究：xDNN 的原型分解思路 + "捆绑发布的信用传导"教训（§8.3）；
• 需要"第一代 vs 第二代"对照实验设计的团队：§4.3、§9.1 的三代谱系可直接用作实验框架。

11.3 不适合谁

• 需要患者级严格评估且只能用主版本的项目——无患者 ID 是硬伤，换扩展版或换数据集；
• 需要分割、定位、病灶量化监督的团队——无像素级标注，直接走 bimcv-covid（207）/midrc-ricord（227）；
• 需要体积序列、层厚、纵向随访的应用——切片级哑图结构无法支持；
• 商业产品直接集成——CC BY-NC-SA 的 NC 条款挡在前面，先谈授权。

11.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	Kaggle plameneduardo/sarscov2-ctscan-dataset（CC BY-NC-SA 4.0），先读 §2.2 命名坑
要出论文分数	定口径（§3.1）→ 同口径对照（§5.3）→ 论文明示划分协议；用扩展版必引 Alshazly 2021
在主版本上拿了 95%+	先读 §3.3 与坑 8——你的分数含泄漏红利，报告时必须限定口径
写 COVID 数据集综述	§4 景观 + §2.6 对照表 + 附录 L 双口径登记表可直接引用
需要金标准患者级数据	转库内 midrc-ricord（227）/bimcv-covid（207）/mosmeddata（297）
要引用本数据集	附录 M BibTeX；标题按 medRxiv 现行版，年份 2020

11.5 一图流总结（文本版）

SARS-CoV-2 CT scan collection（sar-covid）
│
├─ 数据本体
│   ├─ 主版本 2482 张 = COVID 1252 + non-COVID 1230（Kaggle V2, 242.23 MB）
│   └─ 扩展版 4173 张 / 210 例 = 2168 + 758 + 1247（第三方重组, Alshazly 2021）
│
├─ 方法捆绑
│   ├─ xDNN（MATLAB, 闭源 .p, 无 LICENSE）
│   └─ F1 97.31%（切片级口径 ⚠ 泄漏红利）
│
├─ 第三方基准
│   └─ COVID-Nets 93.87%（扩展版, 60/40 subject-wise）
│
├─ 许可
│   ├─ 数据：CC BY-NC-SA 4.0（NC 禁商业, SA 传染）
│   └─ 代码：无许可（版权保留）
│
└─ 三大遗产
    ├─ 教材级泄漏案例（切片级 vs 患者级的差距）
    ├─ 教材级撞名案例（vs UCSD COVID-CT, 库内 rid 307）
    └─ 教材级双口径案例（6 条存照见附录 L）

8.4 第四条经验：均衡不是护身符

§2.8 已从任务定义角度拆了"均衡"的误导性，这里把它升格为一条通用经验：类别均衡只解决"训练动力学"问题，不解决"任务定义"问题。本数据集的 1252/1230 让无数 baseline 顺利跑通，但"阴性=其余一切"的定义让其中多数 baseline 回答的不是临床想问的问题。可迁移的判断：拿到任何均衡数据集，先问"均衡是自然形成的还是构建时刻意凑的？删掉的样本去了哪里？两类的内部构成是什么？"——三个答案决定均衡是福利还是烟雾弹。扩展版拆出 Others 类（§2.4）证明：修正任务定义的钥匙，往往在"被合并的少数类"手里。

8.5 反向输出：给数据集作者的检查单

把本数据集的全部教训反转成"发布前检查单"，供本库与社区的数据集作者使用（每一条都对应本条目的一处存照或坑点）：

1. 患者结构：患者 ID 能发布则发布；不能发布则发布患者分组哈希——总之一句话，让使用者能做 subject-wise 划分（对应 §3.3 泄漏）。
2. 来源披露：医院/机构数量与逐院样本量至少给分布，不给名单（对应 §2.7 未披露清单）。
3. 阴性构成：对照类的内部构成是任务定义的一部分，黑箱对照等于没定义任务（对应 §2.8）。
4. 命名独占：发布前检索目标名称，确认不与既有数据集撞名；GitHub README 里的自称要与正式名一致（对应坑 1、坑 4）。
5. 许可三件套：数据、代码、论文分开声明；代码仓库必须挂 LICENSE 文件（对应坑 7）。
6. 元数据底线：采集时间窗、设备分布、尺寸分布三项最基础的元数据应随包发布（对应 §2.5、坑 6）。
7. 版本纪律：版本号变更要与内容变更一一对应；"Monthly 更新"这类平台字段不要当营销文案填（对应 §6.2）。
8. 单点事实自洽：页面 Summary 与文件明细、论文摘要与正文表格的数字必须一致——±1 也是漂移（对应坑 4）。

这份检查单与库内 panda-plus 条目附录的标注流水线 SOP 互补：那边管"怎么标"，这边管"怎么发"。

9.3 与 covid-ct（rid 307）的镜像辨析声明

两个条目互为镜像辨析，此处给本条目侧的完整版本：

• 不是：上下游关系（谁衍生自谁——无）；同一数据的两个版本（来源不同）；互为别名（slug 与 DOI 均独立）。
• 是：同期（2020 年 3-4 月，相差约五周）、同类（COVID 胸部 CT 切片二分类）、同运（都成了 2020-2021 年的高采用基准）、同题（都活在"COVID-CT"这个被三义共用的短语阴影下）。
• 差异核心：来源路线——UCSD 从已发表论文配图提取（349 起家、多批扩容、无患者信息），Exeter 从医院整理原始切片（2482 一批发布、扩展版患者级）。路线差异直接决定下游能力：跨库泛化实验、真实分布代表性、患者级评估，本数据集侧均占优；发布速度、免伦理包袱的再分发便利性，UCSD 侧占优。
• 引用锚点：本条目 medRxiv DOI 10.1101/2020.04.24.20078584；covid-ct 条目 arXiv:2003.13865。任何语境下两者都不得互为对方的引用。

8.6 案例教学：三个"如果当初"

用反事实推演把本数据集的教训做成三个教学案例（每个案例先给"如果当初"，再对照实际发生的后果）：

案例一：如果当初发布患者分组哈希。成本：发布前对每张切片标注患者编号并做不可逆哈希，一天工作量。后果对照：主版本将天然支持 subject-wise 划分，97.31% 之后的十年争论（泄漏、口径、分数带）根本不会存在；COVID-Nets 式的第三方重组也不必发生。教训权重：这是本数据集唯一一个"低成本、高回报、且当时就做得到"的改动——其余欠账多少有些时代因素，这一条没有。

案例二：如果当初给 GitHub 仓库挂一个 LICENSE。成本：选一个许可（MIT/Apache-2.0 均可），一行文件。后果对照：xDNN 的可解释主张可以传导给社区（§8.3），后续方法学论文可以合法复用实现做对照实验，作者团队也会收获方法链之外的工程引用。实际后果：无许可=不可复用，闭源 .p 文件雪上加霜，可解释方法的社区审计为零。教训：可解释性宣称与闭源实现是自相矛盾的组合。

案例三：如果当初检索一遍 “COVID-CT”。成本：发布前十分钟的关键词检索。后果对照：会发现 UCSD 数据集一个月前已用近似名称发布，作者可以主动选择差异化命名（如 “Exeter-CT” 或以团队命名），本库的坑 1、坑 4、§9.3 整节都不会存在。实际后果：五年检索混乱，两个数据集的引用与叙事互相渗透，本库不得不在两个条目里各写一节辨析。教训：命名是公共品，撞名的代价由全社区支付。

三个案例的共同点：预防成本都以小时计，后果成本以年计——这正是"应急数据集工程"最值得写进方法论教材的一页。

9.4 检索关键词地图

围绕本数据集的检索意图与关键词组合（含应避开的雷区词）：

意图	推荐关键词组合	雷区
找本数据集本体	“SARS-CoV-2 CT-scan dataset” + medRxiv；sarscov2-ctscan-dataset	裸搜 “COVID-CT dataset”（坑 1）
找 UCSD 那条	“COVID-CT-Dataset” + arXiv 2003.13865；covid-ct（库内）	同上
找扩展版	“COVID-Nets” + PeerJ + 4173；subject-wise COVID CT	搜 “作者发布 4173”（作者未发布，坑 2）
找 xDNN 方法	“explainable deep neural networks” + Angelov；Neural Networks xDNN	拿 97.31% 当患者级成绩（坑 8）
找患者级金标准替代	MIDRC-RICORD；BIMCV-COVID+；MosMedData+	—
找方法学批评	slice-level dataset leakage；patient-wise split COVID	—

雷区词的共同点是语义正确但实体歧义：词本身没错，错在搜索引擎无法替你区分同名实体。解法统一：关键词后永远缀一个唯一锚点（DOI、arXiv 号、slug）。

9.5 本条目在库内的叙事接口

给本库后续条目（尤其 COVID 谱系新增条目）预留的叙事接口——后续写手可直接引用本条目的这些锚点：

• 撞名辨析：引用 §9.3 与坑 1，可跳过重复考证直接落笔；
• 代际叙事：引用 §4.3 三级跳与 §9.1 三代对照表，作为"我这条数据集处于第几代"的参照系；
• 泄漏教学：引用 §3.3 与坑 8，作为切片级数据集风险的标准表述；
• 许可范例：引用 §6.3 的 NC/SA 细读，作为"传染性许可"的讲解样例；
• 双口径方法论：引用附录 L 登记表，作为双口径存照格式的范例之一。

接口的存在前提是本条目事实层的稳定性：六个存照若有任何一条被后续证据推翻，请同步检查上述五个接口的下游引用（附录 Q 维护计划的扩展条款）。

FAQ（高频问答 28 问）

A. 基础认知

Q1：这个数据集的官方名字到底是什么？
预印本现行标题为 “SARS-CoV-2 CT-scan dataset: A large dataset of real patients CT scans for SARS-CoV-2 (COVID-19) identification”；Kaggle slug 是 sarscov2-ctscan-dataset；早期索引曾用 “EXPLAINABLE-BY-DESIGN…” 标题（坑 3）。本库 slug 为 sar-covid。四个名字指同一对象。

Q2：谁发布的？
英国埃克塞特大学（University of Exeter）的 Plamen Angelov（通讯）与 Eduardo Almeida Soares。medRxiv 现行页面列 5 名作者，早期 EPMC 记录仅 2 人（坑 3）；本条目只核实并列出这 2 名核心作者。

Q3：什么时候发布的？
预印本 2020-04-24 投稿 medRxiv（DOI 10.1101/2020.04.24.20078584）；Europe PMC 收录于 2020-05-05；配套 GitHub 代码最后提交 2020-05-12；方法论文见刊于 Neural Networks 130 卷（2020）。

Q4：它有多大？
主版本 2482 张轴位 CT 切片（阳性 1252 + 阴性 1230），Kaggle V2 共 242.23 MB。扩展版 4173 张、210 例患者、三分类——但扩展版不是作者发布的（坑 2）。

Q5：是 CT 体积（序列）还是单张切片？
单张独立切片。无体积重建、无层厚信息、无患者 ID。想做体积级/纵向研究请转 mosmeddata（297）或 midrc-ricord（227）。

Q6：它是第一个 COVID-CT 公开数据集吗？
不是。UCSD 的 COVID-CT-Dataset（arXiv:2003.13865）2020 年 3 月中旬先发布，但只有数百张且是从论文配图提取的。本数据集是第一个大规模、医院原始、免申请的版本之一。

B. 数据与获取

Q7：怎么下载？
Kaggle 数据集页 plameneduardo/sarscov2-ctscan-dataset，注册后直接下载 V2（242.23 MB）。无需联系作者、无需说明用途。

Q8：下载后目录结构是什么样？
两个目录：COVID（1252 张，文件名 Covid (N).png）与 non-COVID（1230 张，文件名 1.png 至 1230.png）。无清单文件、无 README、无预划分。

Q9：文件名有什么坑？
阳性文件名含空格和括号，shell 脚本的 glob、正则、pandas 路径拼接都要小心；阴性文件名是纯数字且与阳性编号体系无关——1.png 与 Covid (1).png 不是配对关系。附录 E 给了清单重建骨架。

Q10：Kaggle 页面写 2481 个文件，论文说 2482，听谁的？
以 Files 明细逐目录求和的 2482 为准（1252+1230）。Summary 栏的 2481 是页面统计口径差（坑 4）。下载后自己数一遍并存档清单。

Q11：扩展版 4173 张从哪拿？
作者渠道没有。它由 Alshazly et al. 2021（PeerJ CS 7:e655）重组发布，需按该论文的渠道获取或按其描述自行重组；使用时必须同时引用原数据集与重组论文（坑 2）。

Q12：更新频率是？
Kaggle 标注 Monthly 更新，但 V2 之后未见实质变更。把它当"已冻结的历史数据集"管理即可。

C. 任务与标注

Q13：标签是怎么来的？
切片级类别标签。阳性称经放射科医生确认；阴性构成未细分（主版本）；未披露标注指南、复核流程与观察者间一致性数据。

Q14：有没有分割掩码？
没有。无像素级标注、无边框。需要分割监督转 bimcv-covid（207）或 midrc-ricord（227）。

Q15：主版本能做患者级划分吗？
不能——无患者 ID，且无法事后恢复。患者级评估必须用扩展版（§2.4）。

Q16：类别平衡吗？
主版本基本均衡（1252 vs 1230，约 1.018:1），无需重采样。扩展版三分类不平衡（2168/758/1247），需要加权损失或重采样。

Q17：预处理建议？
统一尺寸（224×224 或 229×229）、灰度归一化、（若坚持主版本）明示切片级随机划分口径。尺寸区间见坑 6——不要引用未带出处的具体区间。

D. 基准与统计

Q18：最高分是多少？
两个口径两套数字：xDNN 在主版本切片级二分类 F1 97.31%；COVID-Nets 在扩展版患者级三分类 60/40 划分准确率 93.87%。不可互比（坑 8）。

Q19：97.31% 可以写进我的论文当 SOTA 对照吗？
可以引用但必须限定口径：“切片级随机划分”。若你的实验是患者级，把它当对照属于口径错误。

Q20：为什么切片级分数普遍虚高？
同一患者的相邻切片高度相似且无患者 ID，随机划分使同患者切片横跨训练/测试集，模型可以"记住病人"。这是切片级数据集的通病，不是本数据集独有（§3.3）。

Q21：xDNN 代码能直接跑吗？
MATLAB 环境 + 仓库内脚本（xDNN_SARS.m）与预训练 .mat 可以按 README 运行；但 xDNN.p 是闭源编译件且仓库无 LICENSE，不可复用代码进你的项目（坑 7）。

Q22：引用量多少？
Scholar 两条记录约 535 与约 697（同预印本异版未合并），合计千余次；xDNN 方法论文另计约 426-427 次（坑 5）。

E. 库内与引用

Q23：库内 covid-ct 和这个是同一个吗？
不是。covid-ct（rid 307）= UCSD 配图提取版；本条目 = Exeter 医院切片版。作者 GitHub README 的 “COVID-CT dataset” 自称加剧了混乱（坑 1、坑 4）。

Q24：本条目的库内互链有哪些？
covid-ct(307)、covid-19-radiography(217)、covidx-cxr(197)、bimcv-covid(207)、mosmeddata(297)、midrc-ricord(227)、ct-rate(546)、lung-pet-ct-dx(475)，共 8 条（§9.1）。

Q25：BibTeX 怎么写？
附录 M 有数据集预印本、方法论文、第三方扩展三份完整 BibTeX，按需取用。

Q26：它和 X 光数据集（covid-19-radiography 等）怎么选？
CT 灵敏度叙事更强但设备门槛高、本数据集规模有限；X 光数据规模大、普及面广。综述与多模态工作建议两组并用（§7.3）。

Q27：这个数据集还有维护吗？出问题找谁？
实质冻结。技术问题可在 Kaggle 讨论区留言；学术问题按预印本通讯作者（Angelov）邮件联系。无官方维护承诺。

Q28：一句话评价这个数据集？
2020 年应急数据工程的典型标本：获取体验满分、方法学地基有裂缝、命名公共品维护失败——三条经验都比数据本身更长寿（§8）。

F. 工程实操

Q29：PyTorch 里怎么读这个数据集？
用 torchvision.datasets.ImageFolder 指向解压根目录即可自动按子目录打标签；但阳性文件名的空格与括号不影响 ImageFolder（它只看目录），影响的是你自己的清单脚本——先跑附录 E 重建清单再做 dataloader，别让 DataLoader 直接扫盘。

Q30：尺寸参差怎么处理最稳？
统一 resize 到 224×224 是最省事的选择；要保留纵横比就用 resize+center-crop。不建议随机裁剪到过小尺寸——短边最小的图只有约 100 像素，激进下采样会把磨玻璃影这类低对比征象直接抹掉。

Q31：怎么做一个"诚实"的切片级实验？
在主版本上做切片级划分时，至少报告：划分比例与随机种子、类分布核对结果、以及 limitations 里明示同患者切片可能跨集（§3.3）。有余力就按文件名排序做顺序分块划分并对比——若两种划分成绩差异巨大，泄漏效应就在你的具体切分里现形了。

Q32：想用预训练骨干，选什么起点？
2020 年文献多用 ImageNet 预训练 ResNet/DenseNet 系；COVID-Nets 的系统对比（§5.2）可直接作为选型参考。2026 年视角下，医用预训练骨干更优，但注意 NC 许可与骨干许可的叠加合规。

Q33：数据要增强吗？
翻转、旋转、亮度扰动常规可用；弹性形变与激进仿射慎用（解剖结构失真对"读片"类任务不友好）。增强只对训练集启用，验证/测试集保持确定性预处理——老生常谈，但在交差压力下最常见的翻车点依旧是它。

Q34：怎么引用 Kaggle 上的具体版本？
正文引 DOI（学术锚点），脚注或数据可用性声明里补 Kaggle slug 与版本号（V2）与下载日期——Kaggle 内容可能变化，下载日期是复现性的关键元数据。

G. 库内流程

Q35：本条目是怎么生产出来的？
按本库纪律包流程：开工三查（锁、临时文件唯一化、环境检查）→ 三轮三源存在性核验（Kaggle/GitHub/Europe PMC）→ 库内 slug 查重（0 命中）→ FACTS 事实底稿 → 成稿 → 双脚本自检。生产档案见附录 Y。

Q36：为什么 slug 是 sar-covid 而不是 covid-ct 或 sarscov2-ctscan？
slug 需要避让库内既有条目（covid-ct 已被 UCSD 条目占用）并在检索中保持唯一；sar-covid 取自 SARS-CoV-2 的通用缩写，短、可读、不撞库。

Q37：库内还有哪些条目和它最像？
最像的是 covid-ct（307）——像到必须整节辨析（§9.3）；其次是同期 X 光条目（217/197）与第二代 CT 条目（207/297/227），它们构成景观对照而非相似实体。

Q38：发现条目事实有错怎么办？
走本库条目修订流程：先核对 FACTS.md 存照（错误可能已在双口径登记），再触发附录 Q 的对应维护点；涉及互链接口（§9.5）的修订需同步下游条目。

事实清单（硬事实 44 条）

1. 数据集全称（现行）：SARS-CoV-2 CT-scan dataset: A large dataset of real patients CT scans for SARS-CoV-2 (COVID-19) identification。
2. 本库 slug：sar-covid；库内查重 0 命中（url_name ILIKE sar-covid / sarscov2 均无）。
3. 发布者：University of Exeter，Plamen Angelov（通讯）与 Eduardo Almeida Soares。
4. 预印本投稿日期：2020-04-24，medRxiv，DOI 10.1101/2020.04.24.20078584。
5. Europe PMC 记录号 PPR156325，firstIndexDate 2020-05-05。
6. 早期 EPMC 记录标题 “EXPLAINABLE-BY-DESIGN…”、2 作者；medRxiv 现行 5 作者（存照）。
7. 主版本规模：2482 张轴位 CT 切片。
8. 类别构成：COVID 阳性 1252 张 + 阴性 1230 张。
9. 阳性文件名模式：Covid (N).png，N=1…1252。
10. 阴性文件名模式：1.png 至 1230.png。
11. Kaggle Summary 文件数 2481，明细求和 2482，差 1（存照）。
12. Kaggle slug：plameneduardo/sarscov2-ctscan-dataset；当前版本 V2。
13. V2 体量：242.23 MB，PNG 编码。
14. Kaggle usability 评分 8.75。
15. Kaggle Tags：Image / Computer Science / Computer Vision / Coronavirus / Medicine。
16. 页面统计：Views 约 175K，Downloads 约 28.1K。
17. 更新频率标注 Monthly，实质冻结。
18. 数据许可：CC BY-NC-SA 4.0（Kaggle 页面标注）。
19. GitHub 仓库：Plamen-Eduardo/xDNN-SARS-CoV-2-CT-Scan，最后提交 2020-05-12。
20. GitHub 仓库内容：MATLAB 代码 xDNN_SARS.m、闭源编译件 xDNN.p、预训练模型 *.mat；不含图像。
21. GitHub 仓库无 LICENSE 文件；README 自称 “COVID-CT dataset”（存照）。
22. 方法论文：Angelov & Soares, Neural Networks 130:185-194 (2020)，DOI 10.1016/j.neunet.2020.07.010，PMID 32682084。
23. xDNN 旗舰成绩：主版本 F1 97.31%（切片级二分类，Kaggle 页面与期刊论文双源一致）。
24. 扩展版规模：4173 张、210 例患者、三分类。
25. 扩展版构成：COVID-19 80 例 2168 张 + Healthy 50 例 758 张 + Others 80 例 1247 张。
26. 扩展版划分：60/40 subject-wise。
27. 扩展版口径来源：Alshazly et al., PeerJ Computer Science 7:e655 (2021)，DOI 10.7717/peerjcs.655。
28. COVID-Nets 最佳准确率：93.87%（扩展版患者级口径）。
29. 主版本无患者 ID、无切片层位、无设备参数、无医院归属明细。
30. 阳性标签称经放射科医生确认；无标注指南与一致性数据披露。
31. 图像尺寸多口径：324×412-484×456（PMC）；104×119-416×512（MDPI）；min[182,129]/median[390,240]/max[484,416]（Awesome 脚本）（存照）。
32. Scholar 引用两条记录：约 535 与约 697（存照）。
33. xDNN 方法论文 Scholar 引用约 426-427。
34. 库内 covid-ct（rid 307）为 UCSD COVID-CT-Dataset（arXiv:2003.13865，349+397/463 张配图提取），与本数据集同名异实。
35. 库内互链 8 条 rid：297、227、546、475、217、307、197、207。
36. 本条目页面占位 URL：https://www.qianfanghub.com/ai-ready-dataset/sar-covid/705。
37. 预印本未披露：医院名单、患者总数、PCR 金标准确认、阴性内部构成、伦理批号（§2.7 未披露清单）。
38. 主版本任务定义为"COVID vs 其余一切"的切片级二分类；阴性类为黑箱对照（§2.8）。
39. 扩展版任务定义升级为"COVID vs Healthy vs Others"的患者级三分类，Others 为非 COVID 肺部异常（§2.4）。
40. 切片级口径分数带集中于 95%-99%（2020-2022 文献观察），患者级口径分数普遍回落数个百分点（§5.4）。
41. 跨库泛化实验普遍掉分 10-30 个百分点（文献重复观察，§4.4）。
42. Kaggle 官方 API 下载命令：kaggle datasets download plameneduardo/sarscov2-ctscan-dataset（§6.5）。
43. 阳性文件名含空格与括号（Covid (N).png），阴性文件名为纯数字，两套编号体系互不对应（§2.2、附录 E）。
44. GitHub 仓库最后提交 2020-05-12 与预印本 2020-04-24 相距 18 天，构成"论文-数据-代码"三件套的最小时间窗（§6.1）。

术语表（32 条）

1. 轴位切片（axial slice）：CT 体积扫描中垂直于身体长轴的单层图像；本数据集的发布单位。
2. 磨玻璃影（GGO, ground-glass opacity）：CT 上云雾状密度增高影，COVID-19 的典型影像征象之一。
3. 铺路石征（crazy paving）：磨玻璃影叠加小叶间隔增厚的影像模式，COVID-19 进展期常见。
4. 切片级标签（slice-level label）：以单张切片为标注单位；本数据集主版本形态。
5. 患者级/subject-wise 划分：按患者（而非按切片）划分训练/测试集，杜绝同患者切片跨集泄漏。
6. 患者级泄漏（patient leakage）：同一患者的数据同时进入训练与测试集导致的性能高估。
7. xDNN（explainable-by-design deep neural network）：Angelov 团队提出的可解释深度网络框架，以原型分解决策依据；配套本数据集发布。
8. 原型分解（prototype decomposition）：xDNN 的解释机制——把预测表示为若干原型成分的贡献构成。
9. F1 分数：精确率与召回率的调和平均；xDNN 成绩 97.31% 的指标。
10. COVID-Nets：Alshazly 等的预训练骨干微调与集成体系，在本数据集扩展版上给出系统性第三方基准。
11. Others 类：扩展版中"非 COVID 的其他肺部异常"对照类，把任务从"有无异常"升级为"是否 COVID"。
12. CC BY-NC-SA 4.0：署名-非商业-相同方式共享许可；SA 条款对衍生数据集有传染性。
13. medRxiv：健康科学预印本平台；本数据集论文的发布与存档处。
14. Europe PMC：欧洲生物信息学研究所维护的文献库；本条目核验预印本元数据的权威源之一。
15. DOI（Digital Object Identifier）：数字对象唯一标识符；本条目引用以 DOI 为锚点。
16. Kaggle usability 评分：Kaggle 对数据集文档、标签、可读性的综合评分（本数据集 8.75/10）。
17. 双重计算记录：同一论文在 Google Scholar 因版本未合并产生的多条计引记录（本数据集 535/697）。
18. 撞名（name collision）：不同团队的数据集使用相同/相近名称导致检索与引用混乱；本数据集与 UCSD COVID-CT-Dataset 的关系。
19. 配图提取路线：从已发表论文截取图像组建数据集的做法（UCSD 版路线），对比本数据集的医院原始路线。
20. DICOM：医学数字成像与通信标准；本数据集未采用（PNG 发布），采集参数不可恢复。
21. PNG：无损位图格式；本数据集的图像编码。
22. 数据冻结（data freeze）：数据集停止实质更新进入静态维护状态；V2 后的 Kaggle 仓库状态。
23. 类别均衡（class balance）：各类样本量接近；主版本 1252/1230 近乎均衡，扩展版不均衡。
24. 基准口径（benchmark protocol）：类别数、划分单位、划分比例、指标构成的完整实验设定；比较分数前必须核对口径。
25. 租赁锁（lease lock）：本库生产流程中防止多写手并发编辑同一条目的锁文件机制。
26. FAIR 原则：可发现、可访问、可互操作、可复用的数据管理原则；附录 O 按此逐项评估本数据集。
27. ImageFolder：torchvision 按目录结构自动打标签的数据加载机制；本数据集最省事的 PyTorch 入口（FAQ Q29）。
28. resize+center-crop：保留纵横比的标准化预处理组合，适合本数据集的尺寸离散特性（FAQ Q30）。
29. 宏平均 F1（macro-F1）：各类 F1 的算术平均，不受类别规模支配；三分类不平衡场景（2168/758/1247）的首选指标（§5.5）。
30. 混淆矩阵：逐类互混计数表；患者级三分类论文的必备产出（§5.2）。
31. 来源指纹（source fingerprint）：模型学到的"样本来自哪个数据集/设备"的捷径特征，跨库联合训练的干扰源（§4.4）。
32. 数据可用性声明（data availability statement）：论文中说明数据获取渠道、版本与日期的标准段落；引用 Kaggle 数据的下载日期写在这里（FAQ Q34）。

附录

附录 A：条目信息速查卡

项	值
slug / rid	sar-covid（本库新立条目）
名称	SARS-CoV-2 CT scan collection
团队	University of Exeter（Angelov & Soares）
论文	medRxiv DOI 10.1101/2020.04.24.20078584（2020-04-24）；Neural Networks 130:185-194（2020）
规模	主版本 2482 张（1252/1230）；扩展版 4173 张 / 210 例（Alshazly 2021 重组）
任务	图像级二分类；扩展版患者级三分类
成绩	xDNN F1 97.31%（切片级）；COVID-Nets 93.87%（患者级三分类）
许可	CC BY-NC-SA 4.0（数据）；代码无许可
获取	Kaggle plameneduardo/sarscov2-ctscan-dataset（V2，242.23 MB）
互链	rid 297/227/546/475/217/307/197/207
条目 URL	https://www.qianfanghub.com/ai-ready-dataset/sar-covid/705

附录 B：DAIMS 评估全表

DAIMS 五维（Data availability, Annotation quality, Integrity, Methodology usability, Sustainability）逐项评估：

维度	得分（1-5）	评语
D — 数据可获取性	5	Kaggle 注册即下，免申请免等待；GitHub+论文双备份渠道
A — 标注质量	2	切片级标签仅经放射科医生确认，无流程披露、无一致性数据、无像素级监督；阴性构成黑箱
I — 完整性	3	主版本数字自洽（±1 存照），但无患者 ID、无元数据、无逐院信息，完整性天花板低
M — 方法学可用性	3	上手极快（目录即标签）；划分协议自行负责，泄漏风险管理完全依赖使用者素养
S — 可持续性	2	实质冻结；无维护承诺；代码无许可不可复用；扩展版授权链未明示

总分：15/25——"获取满分、结构欠费"的典型剖面：作为应急期公共品合格，作为长期科研基础设施需要向第二代（207/227/297）迁移。

附录 C：逐项证据链自证

条目事实	证据源	核验方式
2482 = 1252+1230	Kaggle Files 明细	实抓页面逐目录计数
V2 242.23MB / 8.75 / Tags	Kaggle 页面	实抓
Views 175K / Downloads 28.1K	Kaggle 页面	实抓
CC BY-NC-SA 4.0	Kaggle License 栏	实抓
GitHub 结构与提交时间	GitHub 仓库	实抓（最后提交 2020-05-12）
medRxiv DOI 与投稿日	Europe PMC REST API（resultType=core）	实抓（PPR156325）
xDNN 期刊版 DOI/PMID	Europe PMC + PubMed	实抓（10.1016/j.neunet.2020.07.010 / PMID 32682084）
F1 97.31%	Kaggle 页面描述 + 期刊论文	双源一致
扩展版 4173/210 例/60-40	Alshazly et al. 2021（PeerJ CS 10.7717/peerjcs.655）	实抓
93.87%	同上	实抓
撞名辨析	库内 covid-ct 条目 FACTS（rid 307）+ arXiv:2003.13865	交叉比对
slug 查重 0 命中	qf_psql.sh 查询 ai_ready_dataset	执行记录

附录 D：数据获取决策树

需要 COVID 胸部影像数据
├─ 只要快速跑通二分类 baseline
│   └─ 本数据集主版本（Kaggle 直下）→ §2.2 命名坑 + §3.3 泄漏警告
├─ 需要患者级严格评估
│   ├─ 接受三分类 → 扩展版 4173（引 Alshazly 2021）或
│   └─ 需要金标准/病灶级 → midrc-ricord(227) / bimcv-covid(207)
├─ 需要 X 光（设备门槛低）
│   └─ covid-19-radiography(217) / covidx-cxr(197)
├─ 需要 CT 体积+分级 → mosmeddata(297)
├─ 需要影像-文本对 → ct-rate(546)
└─ 需要 PET-CT → lung-pet-ct-dx(475)

附录 E：文件清单重建骨架（Python）

import re
from pathlib import Path

ROOT = Path("sarscov2-ctscan-dataset")  # 解压后根目录
records = []
for png in ROOT.rglob("*.png"):
    rel = png.relative_to(ROOT)
    label = "covid" if rel.parts[0].lower() == "covid" else "non_covid"
    m = re.search(r"Covid \((\d+)\)\.png$", png.name)
    idx = int(m.group(1)) if m else (int(png.stem) if png.stem.isdigit() else -1)
    records.append({"path": str(rel), "label": label, "idx": idx})

n_pos = sum(r["label"] == "covid" for r in records)
n_neg = sum(r["label"] == "non_covid" for r in records)
print(f"positive={n_pos} (expect 1252), negative={n_neg} (expect 1230)")
# 注意：阳性文件名含空格与括号；idx<0 的异常文件单独存照，勿静默丢弃

附录 F：与库内条目关系声明（rid 表）

本条目与库内 8 条互链条目的关系声明见 §9.1 表格；其中 covid-ct（rid 307）为撞名异实关系（非上下游、非衍生），其余 7 条为景观对照关系。两个条目的 FACTS 与成稿均已互相写入辨析段落，互链双向成立。

附录 G：COVID 影像数据集景观总表

数据集	年份	模态	规模	标注	患者级	许可要点
本条目（主版本）	2020-04	CT 切片	2482	二分类切片级	无	CC BY-NC-SA 4.0
本条目（扩展版）	2021 重组	CT 切片	4173/210 例	三分类患者级	有	授权链未明示
UCSD COVID-CT（307）	2020-03	CT 切片	349+397/463	二分类切片级	无	开放（配图提取）
COVID-19 Radiography（217）	2020 起	X 光	万级	多类图像级	无	开放
COVINDEX（197）	2021	X 光	数千研究	多任务	部分	开放
BIMCV-COVID+（207）	2020-21	CT+X 光	数千研究	研究级+病灶级	有	开放（DICOM）
MosMedData+（297）	2021	CT 体积	1110 例	五级质量评分	有	申请制
MIDRC-RICORD（227）	2021	CT 体积	约 1000 例	病灶级金标准	有	开放（挑战赛）

附录 H：许可条款细读

1. 数据本体（CC BY-NC-SA 4.0）：署名义务以引用 DOI+数据集名为最低满足；NC 条款边界判读参考 Creative Commons 官方 FAQ；SA 条款要求衍生数据集沿用同许可——不得改发 CC BY-4.0 或公有领域。
2. 代码（无许可）：GitHub 默认版权保留，禁止复用、修改、再分发；xDNN.p 为闭源编译件，连"读"都仅限反编译灰色地带——引用思路可以，搬代码不行。
3. 扩展版（4173）：授权链未明示。稳妥路径：自行重组（从主版本+扩展论文描述）并在论文中完整披露重组流程，许可随主版本走 CC BY-NC-SA 4.0。
4. 论文：medRxiv 预印本按平台条款自由阅读下载；Neural Networks 论文为 Elsevier 订阅内容。

附录 I：xDNN 评估口径核对单

引用或复现 xDNN 97.31% 前逐项核对：

• [ ] 口径为切片级随机划分（主版本 2482，2 类）
• [ ] 论文中明示"切片级口径、含同患者切片跨集风险"
• [ ] 未与患者级成绩（93.87% 等）同表混排
• [ ] MATLAB 复现仅按 README 运行原仓库，未复用代码进自家代码库
• [ ] 引用同时给出 medRxiv DOI 与 Neural Networks DOI

附录 J：扩展版数据字典（按 Alshazly 2021 口径）

字段	类型	说明
image	PNG	CT 轴位切片
patient_id	整数/字符串	患者分组标识（重组版新增）
label		0=COVID-19, 1=Healthy, 2=Others
split		60/40 subject-wise 划分（建议复现时自行按患者重划并披露随机种子）
计数	—	COVID-19 2168 / Healthy 758 / Others 1247；患者 80/50/80

附录 K：坑点档案（与 §10 对照）

坑	一句话	首次发现场景
坑 1	COVID-CT 撞名，两拨人两条数据	slug 查重+库内 covid-ct FACTS 比对
坑 2	2482 主版本 vs 4173 扩展版	COVID-Nets 论文与 Kaggle 数字冲突排查
坑 3	预印本标题/作者双口径	Europe PMC 与 medRxiv 页面比对
坑 4	文件数 ±1 与 GitHub 自称 “COVID-CT dataset”	Kaggle Summary vs Files 明细
坑 5	Scholar 引用 535/697 双记录	引用生态调查
坑 6	图像尺寸三口径三区间	三种文献实测区间交叉
坑 7	许可三层异构	Kaggle License 栏+GitHub 无 LICENSE
坑 8	97.31% 切片级口径误用	基准口径差异分析

附录 L：双口径登记表

编号	口径 A	口径 B	处置
1	EPMC 早期：标题 “EXPLAINABLE-BY-DESIGN…”、2 作者	medRxiv 现行：大标题、5 作者	择现行；存照
2	主版本 2482（2 类）	扩展版 4173（3 类）	双形态并行；明示出处
3	Kaggle Summary 2481	Files 明细 2482	择明细；存照
4	GitHub README 自称 “COVID-CT dataset”	正式名 SARS-CoV-2 CT-scan dataset	择正式名；辨析段
5	Scholar 记录约 535	Scholar 记录约 697	合计表述；存照
6	尺寸 324×412-484×456（PMC）	104×119-416×512（MDPI）；Awesome 三值	定性结论；区间全存照

附录 M：引文规范（BibTeX）

@article{sarscov2ct2020,
  author  = {Angelov, Plamen and Soares, Eduardo Almeida},
  title   = {SARS-CoV-2 {CT}-scan dataset: A large dataset of real patients {CT} scans
             for {SARS-CoV-2} ({COVID-19}) identification},
  journal = {medRxiv},
  year    = {2020},
  doi     = {10.1101/2020.04.24.20078584}
}

@article{angelov2020xdnn,
  author  = {Angelov, Plamen and Soares, Eduardo Almeida},
  title   = {Towards explainable deep neural networks ({xDNN})},
  journal = {Neural Networks},
  volume  = {130},
  pages   = {185--194},
  year    = {2020},
  doi     = {10.1016/j.neunet.2020.07.010}
}

@article{alshazly2021covidxct,
  author  = {Alshazly, Hanan and Linse, Christoph and Barth, Erhardt and Martinetz, Thomas},
  title   = {{COVID-Nets}: a survey of {CNN} architectures for {CT}-based {COVID-19} diagnosis},
  journal = {PeerJ Computer Science},
  volume  = {7},
  pages   = {e655},
  year    = {2021},
  doi     = {10.7717/peerjcs.655}
}

使用规则：用主版本引第一条；涉及 xDNN 方法或 97.31% 加引第二条；用扩展版 4173 或 93.87% 必须加引第三条。第二条标题以期刊页为最终核对对象（本条目生产时点核对为 Neural Networks 130:185-194）。

附录 N：检索决策树

你拿着 "COVID-CT" 这个词检索
├─ 想要 Exeter 医院切片 2482 张 → 本条目 sar-covid（medRxiv DOI 10.1101/2020.04.24.20078584）
├─ 想要 UCSD 配图提取版 → 库内 covid-ct（rid 307，arXiv:2003.13865）
└─ 只是泛泛搜 COVID CT 研究
    ├─ 要患者级金标准 → midrc-ricord(227) / bimcv-covid(207)
    ├─ 要 X 光 → covid-19-radiography(217) / covidx-cxr(197)
    └─ 要影像-文本 → ct-rate(546)

附录 O：FAIR/AI-Ready 检查单

项	判定	说明
F 可发现	部分	有 DOI 与 Kaggle slug；但 “COVID-CT” 检索词被撞名污染
A 可访问	优	注册即下，免申请；协议标准 HTTPS
I 可互操作	中	PNG 通用；但无 DICOM/无标准元数据 schema
R 可复用	中	许可明确（NC/SA 约束）；无患者 ID 限制复用场景
AI-Ready 工程面	中上	目录即标签、体积小、均衡；尺寸离散与无划分需自行处理

附录 P：缩写速查

缩写	全称
GGO	Ground-Glass Opacity，磨玻璃影
xDNN	explainable-by-design Deep Neural Network
DICOM	Digital Imaging and Communications in Medicine
PMC	PubMed Central
DOI	Digital Object Identifier
NC/SA	NonCommercial / ShareAlike（CC 许可条款）
subject-wise	按患者划分的实验协议
SOTA	State of the Art
rid	本库记录 ID（record id）

附录 Q：维护计划与触发点

• 触发点 1：Kaggle 若出现 V3 或文件数变更——更新 §2.1、§6.2 与坑 4，重跑文件清单核对。
• 触发点 2：medRxiv 记录若正式见刊或作者列表再变更——更新 §2、坑 3 与附录 M。
• 触发点 3：Scholar 双记录若合并——更新坑 5 与 §7.1 的引用量表述。
• 触发点 4：扩展版若获作者官方渠道发布或授权声明——更新 §2.4、坑 2 与附录 H。
• 常规：年度复核 Kaggle 页面统计（Views/Downloads）与链接可达性。

附录 R：主版本与扩展版逐项对照总表

维度	主版本（作者发布）	扩展版（第三方重组）
发布时间/渠道	2020-04，Kaggle+预印本	2021，Alshazly et al. 论文
任务	图像级二分类	患者级三分类（COVID/Healthy/Others）
规模	2482 张	4173 张 / 210 例
类别构成	1252/1230 均衡	2168/758/1247 不平衡
患者信息	无	有（患者 ID + 60/40 subject-wise）
许可	CC BY-NC-SA 4.0	授权链未明示（随主版本从宽解读为 CC BY-NC-SA 4.0）
获取	Kaggle 直下	论文渠道或自行重组
引用义务	medRxiv DOI	medRxiv DOI + PeerJ CS DOI 双引
适用	快速 baseline、教学	严格评测、方法学论文
对应坑点	坑 4、坑 8	坑 2、坑 7

附录 S：推荐训练配置与超参起点

按"复现 2020 年文献 baseline + 2026 年工程习惯"的混合立场给出起点配置（非官方口径，仅为可运行的合理默认）：

# 输入管线（PyTorch 风格伪代码骨架）
TRAIN_TF = [Resize(256), CenterCrop(224), RandomHorizontalFlip(),
            ToTensor(), Normalize(imagenet_mean_std)]
EVAL_TF  = [Resize(256), CenterCrop(224), ToTensor(),
            Normalize(imagenet_mean_std)]

# 训练配置
backbone     = "resnet50(imagenet)"   # 或按 COVID-Nets 选型表取 DenseNet121
head         = Linear(2048, 2)        # 主版本二分类；扩展版改 3
loss         = CrossEntropyLoss()     # 扩展版加 class weights {1.0, 2.9, 1.7}
optimizer    = AdamW(lr=3e-4, weight_decay=1e-4)
scheduler    = cosine, warmup 1 epoch
epochs       = 10（切片级）；20（扩展版患者级，数据量小收敛慢）
batch_size   = 64（切片级）；32（扩展版）
seed         = 固定并记录（划分种子与初始化种子分开管理）

三条纪律：划分种子与训练种子分开记录；验证集只从训练划分内部再切（扩展版不得把 test 划分当验证用）；所有数字报告时附口径五步协议（§5.5）的核对结论。

附录 T：常见报错与排查

症状	根因	处置
清单数出 2481/2483	与 Summary 口径差 / 解压不完整	以附录 E 重建清单为准；缺文件重下
文件名解析失败	阳性名含空格与括号	用附录 E 的正则 Covid \((\d+)\)\.png$
训练 loss 不降	学习率过大或未归一化	检查 Normalize 是否套用；lr 降一个量级
验证成绩异常高（>99%）	划分泄漏或标签泄漏进特征	核对划分单位；检查文件路径是否含标签信息进模型
跨库测试分数骤降	来源差异（§4.4）	正常现象；报告时写明跨库设定
ImageFolder 类名混乱	根目录混入非数据文件	清空无关文件，仅留两个类别目录
Kaggle API 下载 403	未接受数据集条款	网页端先接受一次再走 API

附录 U：数据集卡片（Dataset Card）草样

按社区数据集卡片惯例给本数据集的浓缩卡（可直接搬进你的 repo）：

• 名称：SARS-CoV-2 CT scan collection（本库 slug：sar-covid）
• 发布方：University of Exeter（Plamen Angelov、Eduardo Almeida Soares）
• 发布时间：2020-04-24（medRxiv DOI 10.1101/2020.04.24.20078584）
• 内容：2482 张胸部 CT 轴位切片 PNG（COVID 1252 / non-COVID 1230）
• 任务：切片级二分类；扩展版患者级三分类（4173 张/210 例，第三方重组）
• 标注：目录即标签；阳性经放射科医生确认；无像素级标注、无患者 ID（主版本）
• 划分：无官方划分；扩展版 60/40 subject-wise（Alshazly 2021 口径）
• 许可：CC BY-NC-SA 4.0；配套代码无许可
• 已知局限：患者泄漏风险、元数据缺位、尺寸离散、阴性构成黑箱
• 引用：附录 M 三份 BibTeX 按用途取用
• 维护状态：实质冻结（V2 后无实质变更）

附录 V：伦理与合规自查单

基于本数据集开展研究或二次分发前的合规自查：

1. 用途是否落在非商业范围（NC 条款）？商业用途是否已启动授权沟通？
2. 衍生数据集是否沿用 CC BY-NC-SA 4.0（SA 传染）？
3. 引用是否含 DOI 锚点与下载日期？
4. 论文 limitations 是否披露：患者泄漏风险、标签确认流程未详、阴性构成未细分？
5. 涉及扩展版时是否双引（原数据集 + Alshazly 2021）？
6. 是否复用了无许可的 GitHub 代码（应仅参考思路）？
7. 结果表述是否避免了"可用于临床诊断"类超出口径的宣称？
8. 患者隐私：数据集本身已匿名化为切片图像，但二次发布衍生可视化结果时是否复查了可识别性（ rare 标记物、文字水印、设备 UI 残留）？

附录 W：关键文献与锚点清单

本条目事实层引用的全部一手锚点（只列已核验项，不注未核验的次级文献）：

锚点	类型	用途
DOI 10.1101/2020.04.24.20078584（medRxiv）	数据集预印本	主引用锚点
Europe PMC 记录 PPR156325	预印本元数据	时间线与标题双口径核验
DOI 10.1016/j.neunet.2020.07.010（Neural Networks 130:185-194）	方法论文	xDNN 与 F1 97.31% 出处
DOI 10.7717/peerjcs.655（PeerJ CS 7:e655）	第三方评测	扩展版 4173/210 例与 93.87% 出处
arXiv:2003.13865	撞名数据集论文	与库内 covid-ct（307）辨析
Kaggle plameneduardo/sarscov2-ctscan-dataset（V2）	数据主渠道	规模/许可/统计核验
GitHub Plamen-Eduardo/xDNN-SARS-CoV-2-CT-Scan	代码渠道	结构与时间线核验

使用纪律：正文任何硬数字都能在 7 行之内回溯到本表；回溯不到的数字不应出现在正文。

附录 X：双形态实验设计模板

同一篇论文里同时使用主版本与扩展版时的标准设计模板（可直接套用）：

1. 实验一（切片级 baseline）：主版本 2482 张，80/20 随机划分（种子固定），二分类，报告 accuracy/F1/混淆矩阵；声明含泄漏风险。
2. 实验二（患者级主实验）：扩展版 4173 张/210 例，60/40 subject-wise（分组种子固定），三分类，报告宏平均 F1 + 各类灵敏度/特异度 + 混淆矩阵；此为论文主表。
3. 实验三（口径对照，可选但推荐）：在扩展版上额外做一次切片级随机划分，与实验二同方法对比——量化泄漏红利，回应审稿人最常见的问题。
4. 报告规范：三个实验分表呈现，表题注明口径；严禁跨表混排分数；limitations 引用 §3.3 与坑 8。

附录 Y：本条目生产档案

• 写手：agent-a-sarcovid（主会话派发，任务书 rsi_dispatch/task_sar-covid.md，生成时间 2026-09-28T13:03:48）
• 流程：开工三查（租约锁 writing/sar-covid/.lock；临时文件 /tmp/sar-covid_agent-a-sarcovid_part*.md；环境检查）→ 三轮三源核验 → 别名/撞库核验 → 研究 → FACTS.md → 5+3 part 直写拼接成稿 → 双脚本自检 → 汇报
• 核验轮次：第 1 轮 WebSearch 双源命中；第 2 轮 Kaggle+GitHub 实抓；第 3 轮 Europe PMC REST API 元数据确认；库内 qf_psql.sh slug 查重 0 命中；与 covid-ct（rid 307）FACTS 交叉比对确认同名异实
• 存照纪律：双口径 6 条全部进 §10 与附录 L；遗留疑点 4 条记录于 FACTS.md 第 9 节，成稿未对其下断言
• 铁律遵守：未修改 scripts/、production_tracker.md、他条目目录、数据库与 publish.sh；锁文件仅写本 slug 目录

附录 Z：30 秒电梯稿（三个版本）

对管理者：这是一个 2020 年的新冠 CT 数据集，2482 张图、两个类别、下载二十八万次级、许可非商业。今天它的主要价值是教学案例与历史锚点；新项目要做患者级严格评估，请用库内的第二代数据集。

对工程师：Kaggle 注册即下，五分钟跑通 baseline；但划分要自己管、尺寸要统一、阳性文件名有空格括号。切片级分数普遍虚高，写报告时把口径钉死。

对研究者：它同时是高分基准和方法学反面教材——97.31% 与 93.87% 的差距就是患者泄漏的价格。引用它时锚定 DOI，别用 “COVID-CT dataset” 这个被三义共用的短语。

附录 AA：核心术语中英对照总表

本条目正文与图表出现的高频术语，检索外文文献时的对照锚点：

中文	英文
轴位切片	axial slice
磨玻璃影	ground-glass opacity (GGO)
铺路石征	crazy paving pattern
切片级标签	slice-level label
患者级划分	patient-wise / subject-wise split
患者级泄漏	patient leakage
可解释深度神经网络	explainable-by-design deep neural network (xDNN)
原型分解	prototype decomposition
非COVID肺部异常	other (non-COVID) pulmonary abnormalities
类别均衡	class balance
类别加权	class weighting
预训练骨干	pre-trained backbone
微调	fine-tuning
混淆矩阵	confusion matrix
宏平均 F1	macro-averaged F1 score
数据冻结	data freeze
数据可用性声明	data availability statement
数据集卡片	dataset card / model card 惯例同源
配图提取	figure extraction（从论文截取图像组建数据集）
来源指纹	source fingerprint / shortcut feature
跨库泛化	cross-dataset generalization
伦理审批	ethics approval / IRB
非商业许可	NonCommercial (NC) license
相同方式共享	ShareAlike (SA)
双口径	dual reporting / conflicting versions（本库存照用语）
撞名	name collision

检索提示：本数据集相关外文检索优先用 “SARS-CoV-2 CT-scan dataset”（带连字符与冠词的预印本原题写法）与 “sarscov2 ctscan”（Kaggle slug 词根）两组词形；“COVID-CT” 一词在英文文献中同样被多义使用，需以 DOI 消歧。

尾注

本条目由写手 agent-a-sarcovid 依据任务书 rsi_dispatch/task_sar-covid.md 生产，事实底稿见同目录 FACTS.md。核验流程：三轮三源（Kaggle 实抓、GitHub 实抓、Europe PMC REST API）+ 库内 slug 查重（0 命中）+ 与库内 covid-ct（rid 307）撞名辨析（同名异实，准入）。全部双口径冲突 6 条逐条存照于 §10 与附录 L，遗留疑点 4 条见 FACTS.md 第 9 节。生产时点：2026-09-28。

---

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：

• covid-ct — 共享标签：医学影像 / CT / 图像分类 / COVID-19
• bimcv-covid — 共享标签：医学影像 / CT / COVID-19
• stoic — 共享标签：医学影像 / CT / COVID-19
• radimagenet — 共享标签：医学影像 / CT / 图像分类
• ct-rate — 共享标签：医学影像 / CT / 图像分类
• brax — 共享标签：医学影像 / CT / 图像分类
• covid-19-radiography — 共享标签：医学影像 / 图像分类 / COVID-19
• mosmeddata — 共享标签：医学影像 / CT / COVID-19
• cardiac-implantable-device-cxr — 共享标签：医学影像 / 图像分类
• chest-x-ray-segmentation — 共享标签：医学影像 / 图像分类

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。