Scientific Data：1579例股骨颈骨折CT多视角数据集开源，双医师标注κ=0.82

骨科AI缺的不是模型，是一份能拿来互相比较的数据集

数据视角 × 医疗数据从业者 ｜ 影响分析 × 投资人与产业分析师 ｜ 行业观察

2026年10月8日，Scientific Data在线发表一份股骨颈骨折Garden分型的多视角影像数据集：含1,579名患者的19,940张CT衍生图像，覆盖轴位、冠状位与三维容积再现三类视角，每类都提供原始图与去除内固定物遮挡后的配对图。两名高年资骨科医师独立标注，一致性Cohen κ为0.82，遮挡区分割Dice为0.962，基准分类实验的AUC超过0.96。

对数据从业者而言，这份数据集的价值不在规模，而在它把标注流程、划分方式与质量指标都写清楚了，这是可复用数据集与一次性数据的分界线；对产业端而言，需要判断的是它能否成为骨科影像AI的公共标尺，而不是又一份只能用于自家训练的数据。

开场：Garden分型为什么卡在数据这一层

Garden分型是股骨颈骨折最常用的分类体系，按移位程度分为四型，直接影响治疗决策：无移位与完全移位骨折的处理路径完全不同，前者多考虑内固定，后者常需关节置换。分型判断错了，治疗方向就可能错。

这个任务看似适合交给AI。CT图像上骨折线的位置、走行与股骨头的相对关系是可观察的，判断规则在教材里写得清楚。但领域里一直没有可比的模型，原因不在算法，而在没有共同的评测基础：各家用各家的私有数据，样本构成不同、标注者不同、划分方式也不同，两个团队报出的准确率无法互相印证。

论文把缺口描述得很直接：缺少公开的、经专家标注的、多视角的影像数据集，导致可复现的模型开发与跨机构验证都受限。这句话点出了问题的性质——这是一个基础设施缺口，不是一个算法难度问题。数据集类论文的价值也正在这里，它不提供更好的模型，它提供让模型之间可比的条件。

19,940张与1,579例：这份数据是怎么长出来的

19,940张CT衍生图像来自1,579名患者，分六类图像：轴位CT视图、冠状位CT视图与三维容积再现视图，每一类都同时给出原始图与去除内固定物遮挡后的图像，所以是三类视角乘以两种状态。

配对设计是这份数据最值得记的一笔。骨折术后常带有内固定物，金属植入物在CT上产生伪影并遮挡骨折线，是这一类任务里最烦人的干扰源。同时提供原始与去遮挡两个版本，等于把干扰变量单独剥离出来，让研究者可以分别测试模型在有遮挡与无遮挡条件下的表现差异。去遮挡这一步本身也做了质量验证，分割Dice为0.962，并由专家确认去除后的图像在解剖上合理。

数据来源是回顾性螺旋CT检查，在伦理批准号2024（Research）-024下收集，按标准化纳入与排除标准筛选。论文流程图所示招募区间为2018至2023年。划分方式采用患者级划分以阻断数据泄漏——这一点看似技术细节，实则是许多影像AI研究翻车的地方：若按图像而非按患者划分，同一患者的轴位与冠状位图会同时出现在训练集与测试集，成绩会被系统性抬高。

κ=0.82与Dice 0.962：标注质量怎么被量化

标注由两名高年资骨科医师独立完成，分歧交由一名骨科主任医师裁决。一致性指标为Cohen κ等于0.82，95%置信区间0.78至0.86。

κ这个指标的意义在于它扣除了偶然一致的部分，因此比简单一致率更能反映真实的一致程度。0.82属于高度一致区间，但要注意它衡量的是两名医师之间的一致程度，不是标注与真实情况的一致程度。两人看法相同并不等于看法正确，且Garden分型本身在临床上就存在判读差异，尤其在相邻型别之间。这意味着0.82既是这份数据的质量证明，也提示了该任务天然的不确定性上限。

Dice 0.962衡量的是遮挡区分割的准确程度，属于预处理环节的质量指标，与分类标注质量是两个独立维度。它的作用是让使用者知道，去遮挡这一步不是靠人工逐张擦除，而是有可量化精度的自动分割，且精度足够高，不会引入明显的形态扭曲。

论文同时报告了各数据集划分之间的人群特征均衡，并记录了采集协议、标注流程与预处理步骤。这些是数据集类论文最该有而常被省略的内容：没有采集协议就无法判断外部适用性，没有标注流程就无法复现标注口径。

AUC超过0.96：基准结果能说明什么，不能说明什么

基准分类实验在冠状位去遮挡子集上进行，论文称代表性的卷积架构与Transformer架构都取得了超过0.96的AUC。

这个数字要先看清它的主语。它证明的是数据集具有区分效用，即数据里确实含有足以支持分型的信号，且这份数据能训练出高区分度的模型。它不证明这些模型可以进入临床流程，也不证明它们在别的医院数据上还有同样表现。

还有三点限制了它的可推广性。其一，实验只在冠状位去遮挡子集上做，不是全六类图像上的结果，轴位与三维容积再现视角上的表现未给出。其二，这是单中心回顾性数据，人群构成、设备与重建参数来自同一来源，跨中心的表现需要另测。其三，AUC是排序质量指标，它不给出临床实际使用时的阈值行为，也不反映在型别分布不均衡时的实际收益。

对数据从业者更实际的一点是，有了这份公开数据，不同团队的模型终于可以在同一份数据上报数并互相比较。这才是基准的意义：不是0.96这个数字有多高，而是从此之后的数字可以放在同一把尺子上读。

冷静观察：数据开源了，临床可用性还差一层

先把没有的部分列出来。除单中心回顾性数据与冠状位去遮挡子集上的基准外，论文未见多中心外部验证，未见不同CT设备与重建算法条件下的稳健性测试，未见与骨科医师在日常流程中的一致性对照，未见前瞻性研究，也未见任何器械注册路径。这些缺席决定了它的身份是研究与评测资源，不是临床可用工具。

还需要说明Garden分型这一任务本身的天花板。κ为0.82意味着人类专家之间也存在约两成的分歧空间，模型在这一任务上能达到的上限，受制于标签本身的确定性。任何声称显著超越专家一致性的结果，都需要先解释它超越了什么标准。

因此正确的表述是：这份数据集填补了骨科影像AI在公开评测基础上的空白，配对去遮挡设计与患者级划分是可借鉴的数据工程实践；不能写成它带来了可用的分型工具，也不能把基准AUC读成临床准确率。

接下来该追问的是四件事。其一，其余五类图像视角上的基准结果何时补齐，轴位与三维视角的表现是否一致。其二，数据以何种许可开放、是否允许商业使用，这决定了企业能否把它用于产品评测。其三，跨中心验证何时启动，不同设备条件下的衰减有多大。其四，Garden分型的标签确定性是否会成为这类模型的共同上限，需要用多中心多人标注来测定。这四件事没有答案之前，这份数据最合适的用法是当标尺，不是当训练集。

原文链接：Scientific Data

千方医数集编辑部 出品