《Scientific Data》：PatchChestCT: A patch-level spatial annotation dataset for nine abnormalities in chest CT
编辑推荐：
通用放射科人工智能（AI）模型的发展受限于缺乏具备精确空间标注的大规模三维（3D）影像数据集。尽管已有大量胸部计算机断层扫描（CT）数据集提供图像级标签，但不足以训练能够准确定位发现的模型。为弥补这一缺口，研究人员提出PatchChestCT，一个大规模、公开
通用放射科人工智能（AI）模型的发展受限于缺乏具备精确空间标注的大规模三维（3D）影像数据集。尽管已有大量胸部计算机断层扫描（CT）数据集提供图像级标签，但不足以训练能够准确定位发现的模型。为弥补这一缺口，研究人员提出PatchChestCT，一个大规模、公开可用的非增强胸部CT多异常定位patch级标注数据集。以CT-RATE为源队列，PatchChestCT在2,201例医师审核的CT研究中为九类临床显著异常提供3D patch级标注，每例研究标注一个重建体数据。研究人员引入token对齐标注方案，该方案高效、可扩展，并可自然集成于Transformer等现代深度学习架构。为验证数据集效用，研究人员显示，使用patch级标签训练的模型在多种架构下定位性能均高于仅基于图像级标签训练的弱监督基线。PatchChestCT为胸部CT中定位感知模型训练提供公共资源。
研究背景与问题提出：计算机断层扫描（CT）尤其是胸部CT在临床中用于检测心血管、肺部及纵隔异常，但单次检查可达数百至数千轴位切片，放射科医师阅片负担重，易疲劳并引入感知错误。近期基础模型推动通用放射科AI发展，但公开3D体数据空间标注资源稀缺；现有胸部CT数据集多仅提供图像级标签，难以支撑精确定位，而图像级分类易学捷径关联、缺乏可解释性。为此，研究人员构建PatchChestCT，以CT-RATE为源，提供非增强胸部CT中九类异常的3D patch级标注，采用token对齐粒度以匹配卷积神经网络（CNN）特征图与视觉Transformer（ViT）patch嵌入，兼顾标注效率与空间精度。论文发表于《Scientific Data》。
主要关键技术方法：研究人员从公开授权CT-RATE队列（伊斯坦布尔Medipol大学Mega医院2015年5月至2023年1月采集的25,692例非增强胸部CT中的子集）选取2,201例，预处理为面内0.75 mm×0.75 mm、层厚1.5 mm、中心裁剪384×384×192体素；将每体数据划分为12×12×24非重叠立方体patch网格（每patch为32×32×8体素，约6.9 cm3），在24个等距参考轴位切片标注后沿z轴±4层传播；由受训医学生初标，资深胸CT医师复审，争议案由两名额外标注者重标并医师裁决；九类目标异常包括动脉壁钙化、心包积液、冠状动脉壁钙化、食管裂孔疝、淋巴结病、肺不张、肺混浊、实变与支气管扩张，排除可由TotalSegmentator自动获得的胸腔积液与肺结节。
研究结果：
Background & Summary：研究人员指出2D胸片标注数据集成熟但3D CT公开资源有限，定位能力对透明性、抗捷径学习及下游自动测量与报告生成至关重要；PatchChestCT以token对齐patch标注填补动脉壁钙化与食管裂孔疝等公开定位数据空白，并与OmniAbnorm-CT、ReXGroundingCT在范围与粒度上区分。
Methods：源队列来自CT-RATE，预处理与裁剪参数如上；目标九类异常定义源自CT-RATE原始报告并经可视化校正空标签；patch方案以参考切片标注+z轴传播生成粗粒度3D二值图（24×12×12），直接对齐CNN特征向量与ViT patch嵌入；质控采用医学生初标—医师复审—双标者重标—医师终裁多级流程。
Data Records：标注存于Zenodo（v3，CC BY 4.0），不含图像仅含npz稀疏文件，数组形状（24,12,12）对应Z,Y,X patch网格，按CT-RATE卷ID分train/valid目录，无测试集。
Technical Validation：百例双盲重标显示体积级Gwet AC1均值0.921（冠脉钙化0.681最低），patch级Dice（DSC）以实变0.643最高、食管裂孔疝0.214最低；医师对185例验证集修正后与原标DSC 0.886，高于盲标0.477。统计显示类别不平衡，肺混浊空间占比约2.5%高于余类（<1%）。监督实验在R3D-18、Swin3D-T、MViT-v2-S三架构上，patch监督均DSC 38.7–42.2%，弱监督NoisyOR/Grad-CAM仅9.5–15.6%，最佳提升+26.6%，动脉壁钙化单类+32.2%。
Usage Notes：研究人员明确patch粒度（约2.4 cm×2.4 cm×1.2 cm）适于筛查分诊与作为基础分割模型（SAM、BiomedParse）先验，不建议作严格基准；单中心数据需外部多机构验证。
讨论与结论翻译：研究人员认为，PatchChestCT以可扩展粗粒度patch标注提供定位感知训练信号，证明图像级监督不足以可靠空间定位，patch级真值可使多架构定位DSC提升逾23个百分点；该资源补足非增强胸部CT中纵隔/心脏/胃肠异常公开定位数据缺口，可与CT-RATE图像级标签混合监督，并作为基础分割模型细化掩膜的种子。研究人员建议将数据集用作训练资源而非严格评测基准，尤其食管裂孔疝与支气管扩张因形态弥散边界模糊需谨慎解读；未来结合Segment Anything或BiomedParse可半自动精炼掩膜。单中心来源不影响结构异常视觉特征跨人群泛化，但临床部署前须外部验证。
