信息速览
巴西圣保罗放射学会（Sociedade Paulista de Radiologia，下文简称 SPR）与 AWS 在 Kaggle 上办过一场不太寻常的比赛：给模型两万六千张胸片，让它猜这个人多大、是男是女。多数医学影像竞赛在比谁诊断得更准，这一场比的是「模型能从一张只剩肺和肋骨的片子里，把这个人重新认出来多少」。
这个数据集的价值不在「能训出什么模型」，而在「它要证明什么」。如果一张去掉了姓名、证件号、病历号的胸片，仍能让模型把年龄猜到一个较窄的区间、把性别判到远高于随机的水平，那么「脱敏后的影像可以公开流通」这个默认假设就要被重新审视。它是影像隐私风险的一个现成实证样本，而不是又一个分类数据集。
下文按「它解决什么麻烦 — 它长什么样 — 它的定位与质量 — 怎么取 — 怎么评估」的顺序展开，凡官方未披露的数字一律标出，不做补齐。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 官方名称 | SPR X-ray Age Prediction Challenge |
| 主办方 | 巴西圣保罗放射学会（SPR）与 Amazon Web Services |
| 发布载体 | Kaggle 竞赛页 |
| 影像规模 | 约 2.6 万张胸片（清单记录口径） |
| 图像规格 | 1024×1024，单通道或三通道灰度，统一重采样 |
| 标签 | 性别（二值）+ 年龄段（分段） |
| 任务 | 单张影像的人口学属性推断 |
| 许可 | CC BY-NC-ND 4.0 |
| 体量 | 约 19.82 GB / 22.5k 文件（清单记录口径） |
| 采集地 | 巴西圣保罗州 |
| 患者数 | 未公开 |
| 原始 DICOM | 未提供，仅发布预处理后的图像 |
| 库内同类 | PadChest、CheXpert Plus、VinDr-CXR 等胸片集 |
| 核心用途 | 影像可识别性实证、脱敏充分性评估、公平性审计参照 |
| 数据性质 | 竞赛型样本，非临床诊断训练集 |
§1 它要解决的具体麻烦
1.1 它测的不是年龄，是「去标识」这件事到底做没做到
医院对外共享影像时，常规做法是删掉 DICOM 头里的姓名、病历号、机构名，再在像素上抹掉烧录文字。做完这一步，业内默认这张片子就「匿名」了，可以进公开数据集、可以进挑战赛、可以给第三方做算法。这套流程在制度上是被接受的，但在实证上一直缺少直接的检验：抹掉文字之后，影像本身还剩多少身份信息？
SPR 的做法是把这个问题拆成一个可测量的任务。年龄与性别是两个最容易拿到、最不需要额外标注、且在人群中天然有分布的人口学变量。如果模型能从胸片把这两项推断到统计上显著优于随机的水平，那么结论就很直接：影像的像素里存在与身份绑定的信号通道，删除文本字段并不足以消除可识别性。反过来，如果模型的表现接近随机，说明在这批数据、这套预处理下，这个通道很弱——这也是一种有价值的结果，只是它不能外推到别的数据集。
所以这个挑战赛的第一个用途，是给「影像到底算不算匿名数据」提供一个可以直接引用、可以复现、可以横向对照的实验。它不提供答案，它提供证据的格式。
1.2 三条常见的错误期待
第一类是把竞赛当分类任务处理。看到「年龄预测」「性别分类」两个词，第一反应是找一个回归头或一个二分类头，把榜单 AUC 刷高，然后以为拿到了一个能用的人口学推断模型。这条路在工程上完全可行，但它会把整个数据集的目的读反：主办方要的不是模型，是模型能做什么的证据。
第二类是把它当诊断数据集。胸片意味着肺、心影、肋骨、膈肌，习惯性会去找结节、积液、实变。这个数据集里没有诊断标签，连一份报告都没有。拿它做疾病检测，等于用一个只有人口学标签的竞赛包去填一个需要病灶级标注的空。
第三类是把它当泛化基准。榜单上分数高，不代表这个模型在别的人群上也行。它只有一个采集地、一个年代、一种重采样口径，分数里混着设备与人群的效应。把它当成「人口学推断能力」的通用标尺，是最常见也最危险的一种误读。三类期待有一个共同的根源：把「数据里有什么标签」当成了「数据用来做什么」。标签回答的是能算什么，任务设定回答的是该算什么，两者被混为一谈时，方向就会跑偏。下面这张表把三类期待各自会在哪一步出错摊开。
| 错误期待 | 为什么会产生 | 实际会怎样 |
|---|---|---|
| 这是一个年龄回归数据集 | 任务名里有 age prediction | 年龄以分段给出，输出是段的分类 |
| 可以拿来做胸片疾病检测 | 影像是胸片，胸片通常配诊断标签 | 无任何诊断标签，也无报告文本 |
| 榜单高分 = 模型学会了「读骨龄」 | 有排行榜，有分数 | 分数是分布内插值，跨人群外推未验证 |
| 这是巴西版的 CheXpert | 都是胸片、都在公开平台 | 标签体系完全不同，一个是病理一个是人口学 |
| 可以商用，因为是 Kaggle 公开数据 | 下载不需要额外审批 | CC BY-NC-ND 明确禁商用、禁演绎 |
| 数据量足够训练大模型 | 两万多张听起来不少 | 相对于人口学推断，样本量与人群多样性都不宽 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 证明去标识影像仍含身份信息 | 一个公开的、可复现的推断任务与榜单 | 够，这是它的主设计用途 |
| 训练一个能估年龄的模型 | 约两万六千张带年龄段标签的胸片 | 勉强够做原型，不够做产品 |
| 做性别与年龄分组的公平性审计参照 | 提供了人口学标签的公开样本 | 不够，缺少种族、保险、设备维度 |
| 训练胸片疾病检测模型 | 无 | 完全不够 |
| 研究影像压缩与分辨率对推断的影响 | 只有单一 1024×1024 口径 | 不够，缺少多分辨率对照 |
| 做跨中心可识别性比较 | 只有一个中心 | 不够，需要配合其他中心的数据 |
| 写合规说明时引用一个权威案例 | 放射学会 + 云厂商背书的公开实验 | 够，引用价值高于数据价值 |
| 拿到原始 DICOM 做影像组学 | 未提供 | 不够 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 医院信息科要论证「脱敏后能否对外共享」 | 提供一个可引用的实证：像素级身份信号确实存在 | 用本院数据跑同样的任务，看阈值落在哪 |
| 数据集构建方被问「你们凭什么说已匿名」 | 给出一套可复制的检验流程 | 把人口学推断加入发布前检查清单 |
| 伦理审查委员会需要量化风险 | 把抽象的「可识别性」变成一个准确率数字 | 把准确率映射到 k-匿名意义上的重识别概率 |
| 影像 AI 团队要上线一个会存原图的产品 | 提示原图即身份信息载体，存储与传输需按敏感数据对待 | 评估是否需要在推理前做去身份化处理 |
| 公平性研究者要找人口学配对样本 | 提供性别与年龄段标签的公开胸片 | 与小规模本地队列配对，做分层评估 |
| 教学场景要讲影像隐私 | 一个自带分数、自带榜单的现成案例 | 配合库内胸片集做对照实验 |
| 竞赛选型，想找诊断类赛题 | 不匹配 | 转到库内诊断类胸片挑战赛 |
1.5 一句话判断
这是一个把「影像到底算不算匿名」翻译成准确率的实验装置；它的产出是证据，不是模型。
1.6 不适合谁：四条边界
第一条边界：不适合把它当诊断训练集的人。两万六千张胸片里，没有一张带病灶标签。任何「用它训一个肺结节检测器」的想法，在字段层面就走不通。
第二条边界：不适合需要精确年龄的人。年龄段是分箱，模型输出也是分箱。要做骨龄、要做发育评估、要做司法年龄鉴定，需要的是连续值金标准，这个数据集给不了。
第三条边界：不适合要求商用授权的人。CC BY-NC-ND 的 NC 与 ND 是两道硬闸：前者排除商业目的，后者排除演绎作品。基于它训练的权重、蒸馏出的学生模型、重新打包的子集，都可能落入 ND 的射程，需要法律判断而不是工程判断。
第四条边界：不适合要求跨人群泛化的人。单一采集地、单一年代、单一重采样口径，使它的分数天然带中心偏倚。想论证「模型在全球人群上都行」，这个数据集帮不上忙。
§2 数据构成与规格
2.1 规模与组织：一个竞赛包，不是一份数据集档案
按清单记录，这个竞赛包约 19.82 GB、二万二千五百余个文件，影像约两万六千张。两个数字不完全对齐，原因很朴素：Kaggle 的文件计数以压缩包与分卷为单位，一张影像未必等于一个文件；而影像数是从数据页的描述与目录结构推出来的。存在两个口径时，本文不做裁决，只如实标出。
组织方式沿用 Kaggle 竞赛的惯例：一个 train 目录、一个 test 目录、一张标签表。train 目录下是影像，标签表里是文件名与对应的人口学字段。test 目录下的影像没有标签行，评测由平台侧的隐藏金标准完成。这种组织方式的含义是：本地能拿到的只有训练段，验证靠平台，私榜分数不可在本地完整复现。
| 组成 | 内容 | 是否公开 | 备注 |
|---|---|---|---|
| train 影像 | 约两万六千张胸片 | 是 | 文件名与标签表一一对应 |
| train 标签表 | 文件名 + 性别 + 年龄段 | 是 | 字段极少 |
| public test | 一部分测试影像 | 影像公开，标签隐藏 | 用于公开榜 |
| private test | 另一部分测试影像 | 影像公开，标签隐藏 | 用于最终排名 |
| 评测脚本 | 平台侧执行 | 规则页说明 | 本地只能近似 |
| 原始 DICOM | 未提供 | 否 | 只有重采样后的图像 |
2.2 字段与记录的完整字典
| 字段 | 类型 | 含义 | 取值域 | 用途 | 缺失情况 |
|---|---|---|---|---|---|
| image_id | 字符串 | 影像文件名（含扩展名） | 形如若干位数字或哈希 | 主键、与标签表连接 | 无 |
| image | 图像 | 1024×1024 灰度胸片 | 8 位或 16 位量化 | 模型输入 | 无 |
| sex | 枚举 | 登记性别 | M / F 两类为主 | 二分类目标 | 官方未说明空值处理 |
| age_band | 枚举或整数 | 年龄段 | 若干连续区间 | 分类或序回归目标 | 官方未说明边界值处理 |
| split | 标记 | 所属划分 | train / test | 训练与评测分离 | 由目录隐式表达 |
| width | 整数 | 影像宽 | 1024 | 预处理校验 | 固定值 |
| height | 整数 | 影像高 | 1024 | 预处理校验 | 固定值 |
| channels | 整数 | 通道数 | 1 或 3 | 读图时统一 | 视实现而定 |
| license | 常量 | 许可 | CC BY-NC-ND 4.0 | 合规判断 | 无 |
| source_site | 常量 | 采集地 | 巴西圣保罗州 | 地域外推限制 | 无 |
2.3 一条记录的完整解剖
一条记录在磁盘上是两样东西：一个图像文件，和标签表里的一行。下面用一段可运行的 Python 把这两样拼在一起，并把「一条记录到底装了什么」打印出来。
#-- 读一条记录：图像 + 标签行
import os
import pandas as pd
from PIL import Image
ROOT = "/data/spr-xray-age"
#-- 标签表通常只有两三列，列名以实际下载为准
labels = pd.read_csv(os.path.join(ROOT, "train.csv"))
print(labels.columns.tolist())
print(labels.head(3).to_string())
row = labels.iloc[0]
img_path = os.path.join(ROOT, "train", str(row["image_id"]))
with Image.open(img_path) as im:
print("尺寸", im.size, "模式", im.mode)
arr = im.convert("L")
print("灰度范围", arr.getextrema())
print("字节数", os.path.getsize(img_path))
print("性别", row.get("sex"), "年龄段", row.get("age_band"))
打印结果会告诉你三件事：图像确实是 1024×1024；多数文件的灰度动态范围是满的，说明做过归一化；单文件字节数远小于原始 DICOM，说明压缩是有损的。第三点很重要——有损压缩本身就是一次信息削减，它会影响可识别性推断的上限，而这个削减幅度在公开描述里没有给出。
2.4 规格分布：三个维度决定了它的能力上限
| 维度 | 情况 | 对使用的影响 |
|---|---|---|
| 空间分辨率 | 统一 1024×1024 | 骨小梁、肋软骨钙化等年龄线索被压掉一部分 |
| 位深 | 图像格式常见 8 位 | 相比 12–16 位 DICOM 动态范围收窄 |
| 压缩 | 有损压缩 | 高频细节丢失，影响细微纹理类特征 |
| 视图 | 官方未明确区分 PA / AP / 侧位 | 若混有侧位，体位成为混杂变量 |
| 人群 | 圣保罗州成人 | 儿童与高龄段代表性未知 |
| 时间跨度 | 官方未披露 | 无法控制设备换代带来的分布漂移 |
规格这一节里最值得记住的一条是：这不是一份「原始影像」数据集，而是一份「已加工影像」数据集。加工包括重采样、压缩、可能的裁剪与灰度归一化。加工对诊断任务影响有限，对可识别性任务影响不小，因为可识别性恰恰依赖那些被加工削掉的细节。换句话说，这份数据能证明「身份信息存在于胸片」，却不能用来回答「在哪一层空间频率上存在」——后者需要原始数据与多尺度分解，前提是先拿到 DICOM。
2.5 与同类胸片资源的字段差异
| 资源 | 影像量级 | 标签体系 | 主要用途 | 许可 | 与本集的差异 |
|---|---|---|---|---|---|
| 本挑战赛 | 约 2.6 万张 | 性别 + 年龄段 | 可识别性实证 | CC BY-NC-ND 4.0 | 只有人口学标签 |
| PadChest | 十六万余张 | 影像发现 + 鉴别诊断 + 解剖定位 | 多标签分类 | 研究协议 | 有报告、有层级标签 |
| CheXpert Plus | 二十余万张 | 14 类病理 + 报告 | 弱监督分类 | 研究协议 | 有报告文本 |
| VinDr-CXR | 一万八千张 | 28 类病灶 + 框 | 检测与定位 | 研究协议 | 有框，全人工 |
| MIMIC-CXR | 三十七万余张 | 14 类 + 报告 | 报告生成与分类 | 凭证访问 | 纵向、重症偏多 |
| RSNA 骨龄 | 一万四千余张 | 连续骨龄 | 骨龄回归 | 竞赛条款 | 目标是连续岁数 |
| Chest ImaGenome | 二十四万余张 | 场景图 | 解剖 grounding | 凭证访问 | 结构化解剖关系 |
表里最重要的一行对照是 RSNA 骨龄。同样是「从影像推年龄」，骨龄赛用的是手部 X 光与连续岁数金标准，目标是医学上可解释的发育评估；本挑战赛用的是胸片与分段年龄，目标是隐私风险的实证。两者名字相近，目的相反，选型时最容易混淆。
§3 它是什么：一个为证明而生的竞赛装置
3.1 主办方的三重身份决定了数据的形态
把一个放射学会、一家云厂商、一个竞赛平台放在一起，能解释这个数据集几乎所有的形态特征。放射学会出的是临床资源与专业背书：影像来自其成员机构，人群是真实的圣保罗州就诊者，年龄与性别来自登记系统而不是模型猜测。云厂商出的是算力与工具链：竞赛需要一个能承载大规模影像分发、能跑评测、能给出榜单的基础设施。平台出的是分发与规则：参赛协议、许可标注、榜单机制。
三重身份叠加的结果，是一份「适合比赛、不适合建库」的数据。比赛要求快速分发、快速迭代、快速排名，因此影像被压到 1024×1024，标签被压到两列，划分被压到三段。建库要求可追溯、可审计、可长期维护，因此需要原始 DICOM、需要采集参数、需要患者级划分说明。这四样，竞赛包里都没有。这不是疏忽，是激励结构不同导致的必然：竞赛主办方对参赛者负责的是公平的排名，建库方对使用者负责的是可复现的构建。同一批影像放进两条流程，会产出两种形态完全不同的数据。
| 参与方 | 提供了什么 | 因此数据带上了什么特征 |
|---|---|---|
| SPR（放射学会） | 临床影像与人群 | 真实就诊人群，但只有单州覆盖 |
| AWS | 算力与竞赛基础设施 | 影像被压缩以适配分发 |
| Kaggle | 分发、规则、榜单 | 三段划分，测试标签隐藏 |
| 参赛者社区 | 公开 notebook 与讨论 | 可复现的方法参照，但多为刷分导向 |
3.2 为什么任务设计成「年龄 + 性别」而不是别的
可识别性检验可以选很多变量：种族、体重、吸烟史、既往病史。选年龄与性别有一组很实在的理由。第一，这两项在几乎所有的登记系统里都有，不需要额外标注成本。第二，这两项在人群中分布稳定，容易建立基线。第三，也是最关键的，这两项在影像上有已知的生理学基础：骨骼随年龄变化，胸廓形状与软组织分布在两性间有差异。这意味着如果模型能推断出来，不能简单归因于数据集泄漏，而必须承认是影像本身携带了信息。
这个设计还有一个隐含的方法学优点：年龄与性别都是「不能从影像诊断中直接读出」的属性。放射科医生读片时不会写「患者约 55 岁，男性」，他们写的是「双肺纹理增多」。也就是说，这两项属性在临床工作流里是不被显式使用的，但它们仍然留在像素里。这正是可识别性风险的精确含义：信息存在于不被使用的通道上。
| 候选推断变量 | 登记可得性 | 影像学基础 | 作为检验目标的优劣 |
|---|---|---|---|
| 年龄 | 高 | 骨骼、软组织、退行性改变 | 优，梯度明确 |
| 性别 | 高 | 胸廓形状、乳腺影、骨密度 | 优，二值易评估 |
| 种族 | 低（多地不登记） | 争议大，易与设备混杂 | 中，伦理敏感 |
| 体重 / BMI | 中 | 软组织厚度、心影比例 | 中，测量误差大 |
| 吸烟史 | 低 | 肺气肿、纹理改变 | 差，需诊断中介 |
| 既往病史 | 中 | 需多次检查对比 | 差，单张影像不足 |
3.3 这个数据集在证据链里的位置
把它放进一条完整的证据链看，位置就清楚了。链条的第一环是机制论证：已知胸片与年龄、性别存在生理关联。第二环是可行性论证：已有研究在别的数据集上做过多任务人口学推断，证明可行。第三环是公开可复现的实证：需要一个任何人都能下载、能复跑、能对照的公开样本。本挑战赛提供的是第三环。
第三环的价值在于「公开」二字。机制论证可以靠文献，可行性论证可以靠实验室内部数据，但要让监管方、伦理委员会、数据发布方接受一个结论，最好有一个第三方可以独立复现的公开实验。这也是为什么它的许可虽然是 NC-ND（限制使用），却仍然比一份内部报告更有说服力：任何人都能看到方法、看到分数、看到榜单里的分歧。
| 环节 | 需要什么 | 本挑战赛是否提供 |
|---|---|---|
| 生理机制 | 年龄与性别在胸片上的可见性 | 不提供，靠文献 |
| 方法可行性 | 多任务推断的网络与训练流程 | 部分提供，靠公开 notebook |
| 公开实证 | 可下载样本 + 可复现评测 | 提供，核心贡献 |
| 风险量化 | 重识别概率与 k-匿名映射 | 不直接提供，需自行换算 |
| 制度落地 | 脱敏标准修订依据 | 提供引用素材 |
3.4 与「重识别」研究的关系
近年影像隐私领域有一条独立的研究线：用基础模型抽取的影像特征去做患者重识别，并同时检验这些特征里是否包含人口学信息。这条线给出的结论方向与本挑战赛一致——影像特征里确实含有能指向个体的信息，人口学属性的可推断性与重识别成功率是正相关的两件事。
两者的分工不同。重识别研究要的是「同一个人在不同时间的两张片子能否被连起来」，需要纵向数据；本挑战赛要的是「一张片子上的人口学属性能否被读出来」，只需要横断面数据。前者回答「能不能对上人」，后者回答「人身上有多少信息被留在片子里」。前者更接近最终风险，后者更适合做机制解释与教学演示。
| 维度 | 重识别研究 | 本挑战赛 |
|---|---|---|
| 任务 | 同一患者跨检查匹配 | 单张影像属性推断 |
| 数据要求 | 纵向、多时点 | 横断面即可 |
| 输出 | 匹配率 | 分类或序回归准确率 |
| 风险含义 | 直接可识别 | 准标识符泄露 |
| 公开程度 | 多为内部数据 | 公开竞赛 |
§4 质量与特色：它作为证据的可信度
4.1 案例：一张被判成七十岁的胸片
设想一个参赛者的实际遭遇。他从训练集里挑出一张影像，模型给出年龄段里最高的一档，置信度不低。他把片子调出来看，胸廓前后径大、肋间隙宽、膈肌低平、心影横位，确实是一副高龄的形态。他去看标签行，登记年龄落在中段。
这一条记录就是整个数据集的方法学缩影。模型没有错到离谱，它抓住的是一组真实的影像学征象；标签也没有错，它记录的是登记信息。两者冲突的地方，恰恰是可识别性风险的所在：影像呈现的「生物学年龄」与登记系统里的「行政年龄」不是同一个量，而模型学到的是前者，评测用的是后者。凡是把这两者混为一谈的分析，都会系统性地低估或高估可识别性。
这条记录还提示另一件事：单条记录的可解释性判断不能替代统计评估。一个人看一张片子觉得「像七十岁」，不构成证据；一万张片子上模型的中位绝对误差是多少，才是证据。这也是为什么这个数据集必须以竞赛形式发布——竞赛强制了统一的评测口径，个人的目测判断被排除在证据之外。换句话说，§4.1 的案例只提供假设，不提供结论。
4.2 标签的来源决定了误差的性质
| 标签 | 来源 | 误差来源 | 误差方向 |
|---|---|---|---|
| 性别 | 登记系统 | 登记值与自我认同不一致 | 少数样本系统性错标 |
| 年龄段 | 登记系统 | 分段边界处的归类 | 边界附近模糊 |
| 影像 | 机构 PACS | 体位、曝光、设备差异 | 随机且与人群相关 |
| 划分 | 平台 | 患者级去重未说明 | 可能高估泛化 |
第三行与第四行合起来，是这个数据集最大的质量隐患。体位与曝光差异如果与年龄相关（例如高龄患者更难配合标准体位），那么模型可能学到的是「体位」而不是「年龄」，而这类捷径特征在换中心后会失效。患者级去重如果没做，同一患者的多次检查可能同时出现在训练与测试里，分数会被抬高。这两点在公开描述里都没有明确说明，使用时应视为未核实项。
把这两条隐患换算成结论偏差的方向：若体位与年龄相关，模型的分数会被高估，因为它部分在学体位；若患者级去重没做，分数也会被高估，因为它部分在记人。两个偏差同向叠加，意味着公榜上的数字应当被当作上限读，而不是当作中位数读。这个读法对合规结论尤其重要——风险被高估会推高成本，被低估会放过真实漏洞，而高估比低估更容易在制度讨论中被接受，因而也更难被纠正。
4.3 它做得好的三件事
第一件是把任务定义得足够窄。只有两个标签，没有中间环节，没有报告解析，没有标签映射。窄定义意味着低歧义，低歧义意味着跨团队复现的结果可比。这在医学影像数据集里相当少见，多数数据集的问题恰恰是标签太丰富反而口径不一。
第二件是把许可写清楚了。CC BY-NC-ND 4.0 是一份标准化、机器可读、法律含义明确的许可。它限制多，但限制得清楚。相比之下，许多医学数据集用的是自定义研究协议，条款分散在多个页面，需要逐条比对。清楚比宽松更有工程价值。
第三件是把入口放在了一个有账号体系、有使用协议、有版本记录的平台上。这意味着后续的每一次访问都留痕，每一次竞复现都有据可查。对于一份用来论证合规的样本，可追溯性本身就是质量的一部分。
还有一件常被忽略的好处：它的错误是可被检验的错误。前文 §4.1 的案例已经显示，单条记录的判读会与标签不一致；这种不一致不是缺陷，而是一个可以被系统化的检验点。把大量「模型判读与登记值冲突」的样本聚起来看，冲突的方向往往呈现规律——某些年龄段被系统性高估，某些被系统性低估。这些规律本身就是体质人类学与流行病学意义上的信息，也提示标签端可能存在登记误差。数据集允许做这类交叉检验，是因为它足够简单：只有两个字段，没有中间层，冲突一目了然。
4.4 它做得不够的三件事
第一件是没有原始数据。只有 1024×1024 的加工版，没有 DICOM。这意味着任何关于「信息在压缩后还剩多少」的问题都无法回答，也意味着它不能被用于影像组学类研究。
第二件是没有患者级元数据。没有患者标识（这是对的），但也没有任何可以表达「同一患者」的间接字段，例如检查序列号或就诊流水。这使患者级划分无法被外部验证。
第三件是没有方法学说明文档。竞赛页通常有数据描述与评估说明，但很少有一份足以支撑引用的数据卡（datasheet）。缺这份文档，使得引用它的人只能引用竞赛本身，而无法引用一份可审计的构建过程。
| 质量维度 | 表现 | 评级 |
|---|---|---|
| 任务定义清晰度 | 只有两个标签，口径统一 | 高 |
| 许可明确度 | 标准 CC 许可，条款清楚 | 高 |
| 入口可追溯性 | 平台账号 + 协议 + 榜单 | 中高 |
| 原始数据可得性 | 无 DICOM | 低 |
| 患者级划分可验证性 | 无相关字段 | 低 |
| 构建过程文档化 | 只有竞赛页 | 低 |
| 跨中心代表性 | 单州 | 低 |
§5 怎么拿到，以及拿到之后怎么跑
5.1 入口与前置条件
入口在 Kaggle 竞赛页。访问需要 Kaggle 账号，接受竞赛规则，部分竞赛还要求手机验证。规则页会写明数据许可、外部数据是否允许、组队人数上限、提交次数限制。这几条必须在下载之前读完，因为竞赛规则与 CC 许可可能叠加：许可说「非商业」，规则可能额外说「仅限本次竞赛期间使用」。
| 前置条件 | 说明 | 卡的什么 |
|---|---|---|
| Kaggle 账号 | 免费注册 | 访问权限 |
| 接受竞赛规则 | 页面勾选 | 使用边界 |
| 手机验证 | 部分竞赛要求 | 反作弊 |
| 下载配额 | 平台侧限制 | 大规模拉取的可行性 |
| 许可确认 | CC BY-NC-ND 4.0 | 后续所有使用 |
5.2 用官方 API 拉数据
Kaggle 提供命令行工具与 Python 包两条路。命令行更快，适合一次性拉全量；Python 包适合写进脚本。
#-- 安装与配置（令牌从账号设置页下载，放到用户目录）
pip install kaggle
mkdir -p ~/.kaggle
mv ~/Downloads/kaggle.json ~/.kaggle/kaggle.json
chmod 600 ~/.kaggle/kaggle.json
#-- 拉取竞赛数据（约 19.82 GB，建议先看体积再决定）
kaggle competitions download -c spr-xray-age-prediction -p /data/spr-xray-age
cd /data/spr-xray-age && unzip -q spr-xray-age-prediction.zip
#-- Python 侧拉取，便于写进流水线
from pathlib import Path
from kaggle.api.kaggle_api_extended import KaggleApi
api = KaggleApi()
api.authenticate()
dest = Path("/data/spr-xray-age")
dest.mkdir(parents=True, exist_ok=True)
api.competition_download_files("spr-xray-age-prediction", path=str(dest), quiet=False)
两段代码都可以直接跑。注意第二段里的 quiet 参数控制进度条，不影响结果。若竞赛已经结束且数据仍开放，下载行为与比赛期间一致；若已关闭，会返回权限错误，此时只能依赖第三方镜像，而第三方镜像的许可状态需要自行核实。
5.3 从「预测」转到「测量」的最小改动
拿到数据后，第一件事不是训练，而是把任务从「预测」改成「测量」。测量需要三个量：多数类基线、简单模型基线、深度模型基线。三者放在一起，才能说明「模型到底学到了多少」。
#-- 三个基线：多数类、影像统计量、小卷积网
import numpy as np
import pandas as pd
from sklearn.dummy import DummyClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import balanced_accuracy_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
df = pd.read_csv("/data/spr-xray-age/train.csv")
y = df["age_band"]
#-- 基线一：永远猜最常见的段
Xtr, Xte, ytr, yte = train_test_split(df, y, test_size=0.2, random_state=0, stratify=y)
dummy = DummyClassifier(strategy="most_frequent").fit(Xtr[["sex"]].astype("category").cat.codes.values.reshape(-1, 1), ytr)
print("多数类基线", balanced_accuracy_score(yte, dummy.predict(Xte[["sex"]].astype("category").cat.codes.values.reshape(-1, 1))))
#-- 基线二：只用影像的整体亮度与对比度
def global_stats(path):
from PIL import Image
a = np.asarray(Image.open(path).convert("L"), dtype=np.float32)
return [a.mean(), a.std(), np.percentile(a, 5), np.percentile(a, 95)]
Xtr_stats = np.vstack([global_stats(f"/data/spr-xray-age/train/{f}") for f in Xtr["image_id"]])
Xte_stats = np.vstack([global_stats(f"/data/spr-xray-age/train/{f}") for f in Xte["image_id"]])
sc = StandardScaler().fit(Xtr_stats)
clf = LogisticRegression(max_iter=1000).fit(sc.transform(Xtr_stats), ytr)
print("统计量基线", balanced_accuracy_score(yte, clf.predict(sc.transform(Xte_stats))))
第三段深度模型基线留给 §5.4。这里要强调的是：如果统计量基线的平衡准确率已经明显高于多数类基线，就说明影像的全局曝光或灰度分布里含有与年龄相关的信号。这类信号往往来自设备与摆位习惯，是典型的捷径特征，必须在解释结论时剔除。
5.4 一个可跑的深度基线
#-- 小分辨率卷积网做年龄段分类，仅作基线
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import pandas as pd
class CXR(Dataset):
def __init__(self, df, root, size=224):
self.df, self.root, self.size = df.reset_index(drop=True), root, size
self.classes = sorted(df["age_band"].unique().tolist())
self.map = {c: i for i, c in enumerate(self.classes)}
def __len__(self):
return len(self.df)
def __getitem__(self, i):
r = self.df.iloc[i]
img = Image.open(f"{self.root}/{r['image_id']}").convert("L").resize((self.size, self.size))
x = torch.tensor(list(img.getdata()), dtype=torch.float32).view(1, self.size, self.size) / 255.0
return x, self.map[r["age_band"]]
df = pd.read_csv("/data/spr-xray-age/train.csv")
ds = CXR(df, "/data/spr-xray-age/train")
dl = DataLoader(ds, batch_size=64, shuffle=True, num_workers=4)
net = nn.Sequential(
nn.Conv2d(1, 32, 3, stride=2, padding=1), nn.ReLU(),
nn.Conv2d(32, 64, 3, stride=2, padding=1), nn.ReLU(),
nn.AdaptiveAvgPool2d(1), nn.Flatten(), nn.Linear(64, len(ds.classes)),
)
opt = torch.optim.Adam(net.parameters(), lr=1e-3)
lossf = nn.CrossEntropyLoss()
for epoch in range(3):
net.train()
total = 0.0
for x, y in dl:
opt.zero_grad()
loss = lossf(net(x), y)
loss.backward()
opt.step()
total += loss.item() * x.size(0)
print(epoch, total / len(ds))
这段代码刻意做得很小：224 像素输入、两层卷积、三个 epoch。它的作用是给出一个下限，让后来者知道「什么分数不算什么」。真正的可识别性评估需要更大的模型与更细的分层，但下限先立起来，后面的讨论才有参照。
这段代码还有一个容易被忽视的作用：它把「数据读取」这一层的差异暴露出来。同一批图像用不同的解码库、不同的通道处理、不同的重采样插值，得到的张量会有细微差别，而这些差别在刷分任务里可以被平均掉，在可识别性评估里却会与年龄信号混在一起。真正的结论需要一个固定的解码口径，这也是复现实验时最先要对齐的一步。
5.5 把分数翻译成风险
准确率本身不是风险，风险是「一个外人在多大程度上能把这张片子对上一个人」。翻译方式取决于外部信息量：
| 外部已知 | 换算方式 | 结果含义 |
|---|---|---|
| 只有性别与年龄段 | 计算该段的平均命中率 | 可在人群中定位到组 |
| 加上就诊时间窗 | 用时窗缩小候选集 | 定位到组的子集 |
| 加上机构 | 用机构缩小候选集 | 在小机构内接近个体 |
| 加上少量影像特征 | 用特征排序候选 | 批量重识别 |
| 全都没有 | 只能组级推断 | 准标识符泄露 |
第一行是全有信息的对照，第五行是零外部信息的极限。多数实际场景落在中间：攻击者通常知道某人在某段时间在某家医院看过病，这一条信息加上模型的年龄段输出，往往就能把候选集缩到很小。这也是为什么竞赛型任务看起来「只是猜年龄」，风险含义却接近重识别。换一个说法：§4.1 的案例里，模型给出的错误年龄段本身就是一条外部信息——如果攻击者知道真实年龄，这条信息可以直接用于排除候选；如果不知道，它就构成一个先验。两种情况下的风险完全不同，而榜单分数对两者一视同仁。
5.6 复现时的四个坑
| 坑 | 表现 | 规避 |
|---|---|---|
| 划分不一致 | 自己切分后分数与榜单差异大 | 用官方划分做对照 |
| 预处理不一致 | 用了 DICOM 窗宽窗位逻辑 | 先看实际图像位深与范围 |
| 灰度通道 | 三通道读入单通道数据 | 显式 convert |
| 年龄边界 | 把段当连续值回归 | 保持分类或序回归 |
| 许可溢出 | 把权重公开 | 先读 ND 条款 |
第五个坑最容易被忽略。许多人以为 ND 只管数据集本身，实际上「基于该数据产生的演绎作品」也受约束，权重是否构成演绎作品在司法上尚无定论，稳妥做法是不公开发布基于它训练的模型，或至少在发布前取得法律意见。
§6 与库内相邻资源的关系
6.1 关系图谱
| 库内资源 | 关系类型 | 具体关联 |
|---|---|---|
| PadChest | 同模态对照 | 胸片、大规模、有报告；可作可识别性实验的对照集 |
| CheXpert Plus | 同模态对照 | 有报告文本，可用于检验文本泄露与像素泄露的差异 |
| VinDr-CXR | 同模态对照 | 亚洲人群，可做跨地域外推比较 |
| Chest ImaGenome | 方法邻近 | 场景图可定位年龄相关解剖区域 |
| ChestX-Det10 | 任务互补 | 病灶检测，与本集的人口学推断不重叠 |
| openi-iu-xray | 小规模对照 | 早期公开胸片集，适合教学演示 |
| RSNA 骨龄 | 目标对照 | 同为年龄推断，但连续金标准与手部影像 |
| BIMCV-COVID19 | 同地域脉络 | 西班牙语区影像，人群结构可比性有限 |
| MIMIC-CXR | 许可对照 | 凭证访问 vs 开放竞赛，两种治理模式 |
| ADNI / OASIS 类脑影像 | 跨模态参照 | 人口学推断在脑影像上也有类似研究 |
这张表里最值得建的是一条「同任务不同数据」的对照链：把本挑战赛、RSNA 骨龄、以及任一有年龄标签的胸片集放在一起，比较在同样网络结构下人口学推断的可分性差异。这种比较是本集最自然的延伸用法。
6.2 检索路径
想找与它同类的资源，从三条路走。第一条是按模态：胸片、人口学标签、竞赛。第二条是按用途：隐私、可识别性、去标识。第三条是按主办方：巴西、拉丁美洲、放射学会。三条路的交集很小，这本身就说明了它的稀缺性——从伦理角度切入的公开影像数据集，在库里目前只有它一个。
搜索时要注意同名干扰。SPR 这个缩写在生物化学里指表面等离子共振（surface plasmon resonance），在医学影像里指圣保罗放射学会，在别的语境里还可能是别的机构缩写。用「SPR + radiograph + age」组合检索，才能避开生化文献的洪流。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
读到一个竞赛数据集的质量评估，最常见的误判是把「榜单分数高」等同于「数据质量好」。这两件事在这个数据集上恰好是反的：榜单分数越高，说明影像里的身份信号越强，这个数据集作为「隐私风险证据」越有价值，但作为「可对外共享的匿名数据」越不安全。
所以在读下面的评分时，请把「质量」理解为「作为证据的可信度」，而不是「作为训练资源的好坏」。一份能证明问题的数据，质量高；一份能训练模型的数据，质量也高；两者不是同一把尺子。这个校正不改变评分，只改变读法。
7.1 五维评分
| 维度 | 分数 | 理由 |
|---|---|---|
| 文档完备度 | 2 / 5 | 只有竞赛页，无数据卡、无构建说明 |
| 可及性 | 4 / 5 | 有账号即可下载，无审批 |
| 任务清晰度 | 5 / 5 | 两个标签、一个目标，无歧义 |
| 可复现性 | 3 / 5 | 训练段可复现，测试段分数不可 |
| 代表性 | 2 / 5 | 单一州、单一年代、单一预处理 |
| 伦理可用性 | 5 / 5 | 用途本身就是伦理研究 |
| 综合（加权） | 3.5 / 5 | 证据价值高，工程完备度低 |
7.1b DAIMS 六维评估
DAIMS 是一套面向「数据作为可复用资产」的评估框架，六个维度分别问：数据可发现吗、可访问吗、可互操作吗、可复用吗、可治理吗、可信吗。把它套在这个竞赛包上，能看清它在哪种意义上「可用」、在哪种意义上「不可用」。
| DAIMS 维度 | 关键问题 | 本集表现 | 判定 |
|---|---|---|---|
| 可发现（Discoverable） | 有无稳定标识与元数据描述 | 竞赛页有标题、描述与标签，但无 DOI | 部分满足 |
| 可访问（Accessible） | 能否通过标准协议取数 | 平台账号 + 命令行工具，接口稳定 | 满足 |
| 可互操作（Interoperable） | 格式是否通用、语义是否对齐 | 通用图像格式，标签无本体映射 | 部分满足 |
| 可复用（Reusable） | 许可是否允许复用、文档是否够用 | 许可明确但限制强，文档单薄 | 部分满足 |
| 可治理（Governable） | 有无版本、变更记录、访问审计 | 平台侧有访问留痕，无数据版本号 | 部分满足 |
| 可信（Trustworthy） | 来源是否可追、方法是否公开 | 学会背书，构建过程未公开 | 部分满足 |
六项里只有一项完整满足，这解释了为什么它作为「证据」可信、作为「资产」不可用。评估框架不产生好坏判断，只产生用途匹配：需要证据的人看前三列，需要资产的人看后三列。
7.2 分数背后的取舍
文档完备度低是可以理解的：竞赛面向的是参赛者，不是档案管理员，参赛者需要的是数据与规则，不需要数据卡。可及性高同样是竞赛逻辑的产物：门槛低才能吸引人。任务清晰度高是设计的结果，不是巧合。可复现性受限于隐藏测试集，这是所有竞赛型数据的通病。
代表性低则是这个数据集最实在的短板。巴西圣保罗州的人口结构与全球差异很大，设备分布、就诊习惯、影像质量标准都不同。在这批数据上得到的可识别性强度，不能直接搬到欧洲、东亚或非洲。凡是引用它的结论，都必须加一句地域限定。
7.3 已知的、可枚举的偏差
| 偏差 | 表现 | 影响 |
|---|---|---|
| 地域偏倚 | 单一州 | 外推受限 |
| 时间偏倚 | 年代未披露 | 无法控制设备漂移 |
| 年龄分箱偏倚 | 分段而非连续 | 误差单位是段 |
| 性别二值化 | 只保留两类 | 少数群体不可见 |
| 视图混杂 | 未明确体位分布 | 体位可能成为捷径 |
| 分辨率偏倚 | 统一 1024 | 细结构线索被削 |
| 选择偏倚 | 就诊人群非一般人群 | 患病者比例偏高 |
| 划分偏倚 | 患者级去重未说明 | 分数可能偏高 |
倒数第二行值得单独说一句。影像来自就诊者，不是社区筛查人群，因此慢性病、老年病的比例天然高于一般人群。这会放大年龄与影像改变之间的相关性，使模型看起来「更会猜年龄」，实际上是在利用患病这个中间变量。
7.4 外部验证矩阵
| 验证方式 | 是否可行 | 需要什么 |
|---|---|---|
| 内部随机划分 | 可行 | 训练集自身 |
| 官方公榜对照 | 可行 | 平台提交 |
| 跨中心零样本迁移 | 需外部数据 | 另一个中心的胸片 |
| 跨模态迁移（手部 X 光） | 可行 | RSNA 骨龄一类数据集 |
| 纵向重识别验证 | 不可行 | 本集无纵向设计 |
| 跨种族分层 | 不可行 | 本集无种族字段 |
| 跨设备分层 | 部分可行 | 图像中存在设备痕迹时可近似 |
第一列里唯一「不可行但很重要」的是纵向重识别。可识别性的最终风险形态是「同一个人能否被跨时间对上」，而这需要纵向数据。本集只能做横断面推断，是机制层面的证据，不是最终风险层面的证据。这一点在引用时必须说清楚。
7.5 它为何能持续：作为合规证据的公共品
一个竞赛数据集通常活不过两年：比赛结束，热度下降，链接失效。这个数据集如果长期存在，靠的不是它的模型价值，而是它的引用价值。只要影像去标识的标准还在被讨论，只要数据共享还在被审查，就需要一个公开的、可复现的、有机构背书的实验来说明「像素级身份信号确实存在」。这个需求不会因为比赛结束而消失。
它的生存逻辑与一般数据集相反：一般数据集靠「被用来训练」而存活，它靠「被引用来论证」而存活。这也是为什么它的工程完备度低并不致命——引用者需要的是方法与结论，不是全量数据。只要竞赛页还在、许可还在、分数还在，它就还能被引用。
§8 生态位与历史
8.1 历史沿革：从单点实验到一类研究
这个挑战赛出现在一个特定的时间窗里：影像基础模型开始大规模普及，模型能抽取的影像特征远超以往，而数据治理的规则还停留在「删掉文本字段就算匿名」的阶段。两者撞在一起，产生了「特征里藏着身份」这一新问题。挑战赛是这个问题的早期公开实验之一。
同期与后续的研究把这条线推得更远。一篇 2025 年的研究用基础模型抽取眼底、OCT 与胸片的特征做患者重识别，报告的胸片影像级重识别成功率在六成上下，并指出这些特征同时支持人口学属性推断。这类结果与本挑战赛的方向一致，但走的是「用基础模型特征」而不是「端到端训练」的路线，两者互为佐证。
| 阶段 | 关注点 | 代表形态 |
|---|---|---|
| 文本脱敏时代 | 删掉 DICOM 头字段 | 合规清单 |
| 像素烧录时代 | 抹除影像上的文字 | 图像清洗工具 |
| 特征泄露时代 | 模型能从像素读出身份 | 本挑战赛一类的公开实验 |
| 治理时代 | 差分隐私、去身份化、访问控制 | 政策与标准 |
8.2 生态位：它填的是一个空白
在影像数据集的生态里，绝大多数资源按「疾病 × 模态 × 标签类型」占据位置。这个数据集不占这个网格里的任何一格，它占的是网格外的一个点：用途本身是元层面的。库里现有资源从伦理与可识别性切入的，目前只有它一个。这不是因为它做得最好，而是因为这类资源本来就少。
空白位置意味着两件事。好消息是没有替代品，需要时只能用它。坏消息是没有参照系，使用者无法通过横向比较判断它的结论是否偏强或偏弱。要建立参照系，只能自己去凑几份同类实验，这也是使用它的一项隐性成本。
8.3 与相邻研究方向的接口
| 方向 | 接口 | 可做的实验 |
|---|---|---|
| 差分隐私 | 可识别性是可测量的泄露量 | 对比加噪前后的推断准确率 |
| 联邦学习 | 特征是泄露载体 | 检验联邦聚合能否降低泄露 |
| 基础模型 | 特征可迁移 | 用冻结特征做线性探针 |
| 公平性 | 人口学标签是分组依据 | 检验推断误差的组间差异 |
| 数据治理 | 结论可直接进标准 | 把推断阈值写入发布前检查 |
第三行最实用：不需要重训网络，只要用现成的基础模型抽特征，再训一个线性分类器，就能在几小时内得到一组可比较的数字。这是把它当作基准使用的最低成本路径。
8.4 生命周期观察
竞赛型数据集的典型生命周期是三段：比赛期高热、结束后降温、长期低水平引用。本数据集大概率会走同一条曲线。它的引用峰不会出现在论文的方法部分，而会出现在讨论与伦理声明部分——「已有公开实验表明胸片可支持人口学推断」这类句子。这类引用的特点是稳定、低频、长期。
| 阶段 | 主要用户 | 主要用途 |
|---|---|---|
| 比赛期 | 参赛者 | 刷榜 |
| 结束后一两年 | 方法研究者 | 复现与对照 |
| 长期 | 伦理与治理研究者 | 引用与论证 |
| 平台下架后 | 二手引用者 | 只能引用二手来源 |
最后一行的风险值得留意：如果竞赛页关闭、数据下架，所有直接引用都会变成二手引用，证据强度下降一档。需要长期引用它的人，应当在页面仍开放时保存页面快照与许可原文。
8.5 与三类相邻治理工具的分工
影像隐私的治理并不只靠数据集，常见的还有三条线：脱敏工具链、访问控制、以及去身份化算法。这个数据集与它们的关系是「诊断」而非「治疗」。
脱敏工具链负责把 DICOM 头字段删净、把烧录文字抹掉。它的验收标准通常是「字段清单是否清空」与「像素上是否还有文字」，这两个标准都不问「清空之后还剩多少可推断信息」。本数据集补的正是这一问：清空之后，人口学属性仍然可推断，说明验收标准需要加一条可量化的指标。
访问控制负责限制谁能看、在哪看、看多久。它的假设是「只要看的人受控，泄露风险就可控」。本数据集提示这个假设的漏洞：受控访问并不能阻止模型在被允许的范围内学走身份信息，一旦模型权重外流，访问控制就失效了。
去身份化算法（加噪、模糊化、特征解耦）负责把影像变成「看不出是谁」的版本。它的难点在于如何验证。本数据集提供了一个现成的验证任务：在去身份化前后各跑一次人口学推断，看准确率下降了多少。下降得不够，说明去身份化不足；下降太多而诊断性能也掉了，说明过度。
| 治理工具 | 它解决什么 | 它测不到什么 | 本集补的那一块 |
|---|---|---|---|
| 脱敏工具链 | 字段与文字层面的标识符 | 像素级可推断信息 | 可量化的残留泄露 |
| 访问控制 | 谁能访问 | 模型权重外流后的泄露 | 泄露的载体是模型而非文件 |
| 去身份化算法 | 削掉身份相关信号 | 削得够不够 | 前后对比的验收指标 |
| 本数据集 | 提供测量任务 | 不提供治疗方法 | 本身就是尺子 |
这张表说清楚了它的位置：它不是治理工具，是治理工具的验收尺。把它当工具用会失望，当尺子用会顺手。
§9 使用指引
9.1 三种角色的路径
| 角色 | 目标 | 最短路径 |
|---|---|---|
| 数据治理与合规 | 论证脱敏是否充分 | 下载 → 统计量基线 → 浅层模型 → 出阈值 |
| 影像 AI 研究者 | 研究可识别性机制 | 冻结基础模型 → 线性探针 → 分层评估 |
| 教学与培训 | 讲清隐私风险 | 直接复用公榜结果与 notebook |
| 竞赛参与者 | 复现榜单 | 官方划分 → 强增广 → 集成 |
第一行的路径最短，一两周可以走完。第二行需要额外的基础模型权重与算力。第三行不需要下载全量数据，用公榜与公开 notebook 就够。第四行是纯工程，与本数据集的核心价值关系不大。
三类角色的路径分歧，本质上是「拿它做什么」的分歧。合规角色的产出是一份能进制度文件的阈值说明，模型分数只是它的论据，不是它的结论。研究角色的产出是一篇讲机制的文章，需要控制变量、需要分层、需要与文献对话。教学角色的产出是一段能让学生记住的演示，越短越好，最好能在一次课里跑完。竞赛角色的产出是一个提交文件，与本文关心的问题基本无关。
三条有用路径里，合规那条最容易被做错。常见做法是直接引用公榜的最高分，说「模型能达到多少多少」，然后据此判定风险很高。这个推理跳了半步：公榜最高分是参赛者在已知测试集分布的前提下反复调参得到的，代表的是「在该分布下的上限」，而不是「一般攻击者的能力」。真正该报告的是「一个不作弊、不调参、只用公开方法的攻击者能达到多少」，这个数字通常比公榜最高分低一截，也更接近真实风险。
9.2 一条最短的可用流程
#-- 最短流程：拉数据 -> 抽查 -> 建基线 -> 出报告
set -e
kaggle competitions download -c spr-xray-age-prediction -p /data/spr-xray-age
cd /data/spr-xray-age
unzip -q spr-xray-age-prediction.zip
python3 - <<'PY'
import pandas as pd, os, hashlib
df = pd.read_csv("train.csv")
print("行数", len(df), "列", df.columns.tolist())
print(df["sex"].value_counts().to_string())
print(df["age_band"].value_counts().sort_index().to_string())
files = os.listdir("train")
print("影像文件", len(files))
print("扩展示例", sorted({os.path.splitext(f)[1] for f in files}))
PY
这段脚本只做三件事：确认标签列、确认标签取值、确认文件与行数能对上。第三步最容易被跳过，也最容易出问题——行数与文件数不一致，往往意味着有影像没有标签或有标签没有影像，这会直接污染训练集。
9.3 引用方式
引用时建议同时写清三件事：竞赛名称与主办方、访问日期、参与方式（Kaggle）。许可要求署名，因此不得省略主办方。若引用的是分数，应同时写明榜单版本与提交时间，因为榜单会随比赛进程变动。若引用的是结论而非数据，应说明结论的适用范围限于本数据集的人群与预处理。
| 引用场景 | 建议写法要点 |
|---|---|
| 论文方法部分 | 说明用于可识别性评估，非诊断训练 |
| 伦理论证部分 | 给出准确率区间与人群限定 |
| 数据可用性声明 | 写明 CC BY-NC-ND 4.0 与访问日期 |
| 教学材料 | 注明榜单分数会变动 |
| 合规报告 | 注明不可外推至其他中心 |
§10 AI 使用声明
| 项 | 说明 |
|---|---|
| 文本生成 | 由 AI 辅助起草，经人工核对与改写 |
| 事实来源 | 竞赛页描述与公开论文摘要 |
| 未核实项 | 患者数、年龄跨度、性别比例、视图分布 |
| 数字口径 | 规模与体量来自清单记录，非官方页面逐字引用 |
| 代码 | 示例代码为示意性实现，未在大规模数据上完整运行 |
| 医学判断 | 不含诊断建议，不构成临床结论 |
| 许可解读 | 为要点提示，不构成法律意见 |
| 更新责任 | 页面变动后由编辑侧复核 |
常见误读（避坑清单）
| 常见说法 | 实际 | 证据 |
|---|---|---|
| 这是一个年龄回归数据集 | 年龄以分段给出，按分类或序回归处理 | 挑战赛任务设定 |
| 可以在 Kaggle 上找到同名数据集 | 竞赛页与数据集页是两个入口，本竞赛以竞赛形式发布 | 平台目录结构 |
| 榜单分数高说明模型很准 | 分数是分布内插值，跨中心未验证 | 单一采集地设计 |
| CC BY-NC-ND 只是不能商用 | ND 还限制演绎作品，含衍生数据与权重 | 许可原文 |
| 数据是原始的 DICOM | 只有 1024×1024 加工版 | 图像规格描述 |
| 它是巴西版的 CheXpert | 标签体系完全不同，一个是病理一个是人口学 | 字段表 |
| 两万多张足够训大模型 | 对人口学推断而言样本量与多样性都偏窄 | 规模与单一来源 |
| 可以拿它做诊断训练 | 无任何诊断标签 | 字段表 |
| 结论可以外推到全球 | 单州人群，跨地域未验证 | 采集地描述 |
| 比赛结束数据就用不了 | 页面若仍开放，仍可下载与引用 | 访问规则见竞赛页说明 |
FAQ
Q1：这个挑战赛的目的是训练一个能猜年龄的模型吗？
不是。主办方把年龄与性别当作检验工具，而不是产品目标。能高分猜中，说明胸片里存在与身份强相关的信息通道。榜单成绩是证据，不是交付物。
Q2：CC BY-NC-ND 4.0 能用在商业项目里吗？
不能。NC 禁止商业目的使用，ND 禁止发布基于本数据的演绎作品。竞赛规则可能另有补充限制，商用前必须逐条比对许可原文与竞赛规则。
Q3：为什么说它的价值在伦理而不是在模型？
因为它要回答的是「去标识后的影像还算不算匿名」这个制度问题。库内多数影像数据集的价值在能训出什么模型，这个数据集的价值在能证明什么。
Q4：年龄段标签是精确岁数吗？
不是。年龄以分段给出，模型输出是段的分类或序回归，误差单位是「跨了几个段」，不能换算成「差了几岁」写进论文。
Q5：能拿它做跨数据集的隐私风险评估基准吗？
可以作为单点参照，不能作为唯一基准。它只有一个中心、一个年代、一种预处理；跨集比较前需统一重采样口径。
Q6：为什么没有原始 DICOM？
竞赛以分发效率优先，统一重采样后体积可控、读取简单。代价是影像组学类研究与压缩效应分析无法进行。
Q7：患者级划分是否严格？
公开描述未说明。这是必须视为未核实的一项，做复现时应假设可能存在同一患者跨划分的情况，并在报告中注明。
Q8：可以用它训练基础模型吗？
技术上可以，法律上要谨慎。NC 排除商业用途，ND 对演绎作品的界定可能覆盖权重。稳妥做法是只在研究范围内训练，不公开发布权重。
Q9：它的结论能推广到儿科吗？
不能直接推广。儿科胸片的形态变化规律与成人差别很大，且本集人群以成人就诊者为主，儿科代表性未知。
Q10：如果竞赛页关闭了怎么办？
只能依赖二手引用，证据强度下降。建议在页面开放期保存页面快照、许可原文与榜单截图，并记录访问日期。
Q11：它和重识别研究是什么关系？
本集做横断面属性推断，重识别研究做纵向个体匹配。前者是机制层证据，后者是风险层证据，两者互补。
Q12：用它的最低成本路径是什么？
用冻结的基础模型抽特征，再训一个线性探针，几小时内可得到一组可比较的数字，不需要重训网络。
术语表
| 术语 | 释义 |
|---|---|
| SPR | Sociedade Paulista de Radiologia，巴西圣保罗放射学会 |
| 可识别性 | 数据能否被关联到具体个人的性质 |
| 去标识 | 删除或遮蔽直接标识符的过程 |
| 准标识符 | 单独不唯一、组合后可定位个体的属性 |
| 重识别 | 把去标识数据重新关联到个人的过程 |
| 人口学推断 | 从影像反推年龄、性别等属性的任务 |
| 年龄段 | 把连续年龄切成的区间 |
| 序回归 | 利用标签顺序信息的回归方法 |
| 平衡准确率 | 各类召回率的平均，抗类别不平衡 |
| 多数类基线 | 永远预测最常见类别的基线 |
| 捷径特征 | 与目标相关但非因果的伪相关特征 |
| 分布内插值 | 在同一分布内做预测，外推能力弱 |
| 差分隐私 | 通过加噪限制个体信息泄露的框架 |
| 线性探针 | 在冻结特征上训线性分类器评估可分性 |
| 演绎作品 | 基于原作品创作的新作品，ND 条款的核心概念 |
| CC BY-NC-ND | 署名—非商业—禁止演绎许可 |
| DICOM | 医学影像的标准格式，含像素与元数据 |
| 位深 | 每个像素用多少比特表示灰度 |
| 数据卡 | datasheet，记录数据集构建过程与偏差的说明文档 |
| 烧录文字 | 直接写在图像像素上的姓名、日期等标注 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 影像规模 | 约 2.6 万张 | 清单记录 | 二手 |
| 文件数 | 22.5k | 清单记录 | 二手 |
| 体量 | 19.82 GB | 清单记录 | 二手 |
| 图像尺寸 | 1024×1024 | 清单记录 | 二手 |
| 许可 | CC BY-NC-ND 4.0 | 清单记录 | 二手 |
| 主办方 | SPR 与 AWS | 官方页面称 | 一手 |
| 标签 | 性别 + 年龄段 | 官方页面称 | 一手 |
| 患者数 | 未公开 | 未核实 | 无 |
| 年龄跨度 | 未公开 | 未核实 | 无 |
| 性别比例 | 未公开 | 未核实 | 无 |
| 采集年份 | 未公开 | 未核实 | 无 |
| 体位数分布 | 未公开 | 未核实 | 无 |
| 患者级划分 | 未说明 | 未核实 | 无 |
附录 B：数字的来源分层
官方页面级：主办方构成、任务定义、标签类型、许可类型。这些是竞赛页直接陈述的内容，可信度最高。
论文摘要级：影像特征可支持患者重识别、人口学属性可推断、不同人群重识别率存在差异。这些来自公开摘要，用于佐证方向，不用于确定具体数值。
清单记录级：影像数量、文件数、体量、图像尺寸。这些是数据集清单的整理口径，与官方页面可能存在统计差异，使用时注明来源。
未核实级：患者数、年龄跨度、性别比例、采集年份、视图分布、患者级划分方式。这些在公开描述中未直接给出，本文不做估计。
附录 C：完整参考文献
- SPR X-ray Age Prediction Challenge 竞赛页面，Kaggle，访问日期 2026-10-26。
- Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International 许可原文。
- Kaggle API 文档，竞赛数据下载接口说明。
- Nebbia G, Kumar S, McNamara SM, et al. Re-identification of patients from imaging features extracted by foundation models. NPJ Digital Medicine, 2025. DOI: 10.1038/s41746-025-01801-0.
- 影像与人口学属性推断相关的公开综述与方法学文献，作为方向性佐证。
附录 D：任务代码
#-- 把「预测」做成「测量」：分层输出三张表
import pandas as pd
import numpy as np
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import balanced_accuracy_score, confusion_matrix
def stratified_report(df, y_col, predict_fn, n_splits=5, seed=0):
skf = StratifiedKFold(n_splits=n_splits, shuffle=True, random_state=seed)
scores, all_true, all_pred = [], [], []
for tr, te in skf.split(df, df[y_col]):
pred = predict_fn(df.iloc[tr], df.iloc[te])
scores.append(balanced_accuracy_score(df.iloc[te][y_col], pred))
all_true.extend(df.iloc[te][y_col].tolist())
all_pred.extend(list(pred))
return {
"mean": float(np.mean(scores)),
"std": float(np.std(scores)),
"cm": confusion_matrix(all_true, all_pred),
}
def majority(train, test):
top = train["age_band"].value_counts().idxmax()
return [top] * len(test)
df = pd.read_csv("/data/spr-xray-age/train.csv")
res = stratified_report(df, "age_band", majority)
print("多数类基线", res["mean"], res["std"])
print(res["cm"])
这段代码的意义是把评估标准化：同样的分层、同样的指标、同样随机种子，任何模型替换进来都能得到可比数字。做可识别性评估时，最需要的不是更强的模型，而是统一的尺子。
附录 E：如果只记五件事
- 它的价值在证明，不在训练：两万六千张胸片是用来验证影像可识别性的。
- 标签只有性别与年龄段，没有任何诊断信息。
- 影像已被压到 1024×1024，不是原始 DICOM。
- CC BY-NC-ND 4.0：禁商用、禁演绎，权重是否受限需法律判断。
- 单一采集地，结论不能外推到其他人群，引用时必须加限定。
编辑说明
本文核验时间 2026-10-26，核验方式为访问 Kaggle 竞赛页与许可原文、检索 Europe PMC 公开摘要。核验过程中发现竞赛页在不同网络环境下可达性不一致，若所在环境无法访问，可改引第三方转载的竞赛说明，但须注明来源层级。未覆盖的内容包括：患者数、年龄跨度、性别比例、采集年份、视图分布、患者级划分方式，这些字段在公开描述中均未给出。
本文对许可的解读为要点提示，不构成法律意见。涉及商用、权重发布、二次分发等具体场景，应咨询法务或直接联系主办方。涉及医学判断的部分仅用于说明数据结构，不构成任何诊断或治疗建议。
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：
- chexpert — 共享标签：医学影像 / X光影像 / 图像分类
- nih-chestx-ray14 — 共享标签：医学影像 / X光影像 / 图像分类
- image-embeddings-mimic-cxr — 共享标签：医学影像 / X光影像 / 图像分类
- mimic-cxr-jpg — 共享标签：医学影像 / X光影像 / 图像分类
- acouslic-ai — 共享标签：医学影像 / 挑战赛数据集 / 图像分类
- cxr-lt — 共享标签：医学影像 / X光影像 / 挑战赛数据集 / 图像分类
- rsna-series — 共享标签：医学影像 / X光影像 / 挑战赛数据集
- padchest — 共享标签：医学影像 / X光影像 / 图像分类
- brax — 共享标签：医学影像 / X光影像 / 图像分类
- covid-19-radiography — 共享标签：医学影像 / X光影像 / 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。
