今天，吴恩达发推公布了斯坦福发布的两个大型的医疗数据集公开：CheXpert和MIMIC-CXR。其中，CheXpert内含224316X光胸部图片，MIMIC-CXR内含371,920张带标签的图片。两个数据集的数据量级和标注精准度都非常高，可以说是造福了一大批相关从业者了。

数据集下载方式

先给出数据集介绍的地址和下载方式。

https://stanfordmlgroup.github.io/competitions/chexpert/

因为是医学数据集，斯坦福采取了相对谨慎的态度。根据说明，用户需要遵守下载规则，填写资料然后通过电子邮件给出的链接进行下载。为了保持数据集的完整性以及有效性，严禁进行“滥用”分享。

数据集概况

CheXpert数据集里面有224316张胸部X光图片，共涉及65,240名患者。数据集的时间跨度为2002年10月到2017年7月，都是患者在斯坦福医院进行胸部X光检查之后的留存。除此之外，数据集还附有相关的放射学报告。

如何为CheXpert数据集打标签

每份报告都对14项观察进行标记，标记可能是阳性，阴性或不确定性。

14项观察是根据报告中的流行程度和临床相关性确定的，并在适用的情况下符合Fleischner Society推荐的术语表。

此外，还开发了一种基于规则的自动贴标机，用于从放射学报告中提取观察结果，用作图像的结构化标签。贴标机工作分为三个不同的阶段：提及提取，提及分类和提及聚合。

自动贴标机github地址：

https://github.com/stanfordmlgroup/chexpert-labeler

在提及提取阶段，贴标机从放射学报告的“印象”部分的观察列表中提取提及，这一部分总结了放射研究中的关键发现。在提及分类，则是用每一个提及来分类，把观察到的归类为阴性的，不确定的或阳性的。在提到聚合阶段，使用每次提及观察的分类，就会得到14个观察的最终标签。

基准模型

基准模型采用以单视角胸片作为输入，并输出14次观测中每一次的概率。当多个视图可用的时候，模型给出最大概率。

利用不确定性标签

数据集中的训练数据集的标签分别为0、1或u。其中，0表示负，1表示正，u表示不确定。在模型训练中，使用了不确定性标签的不同方法。

U-Ignore：在训练期间忽略了不确定的标签。

U-Zeroes：将不确定标签的所有实例映射到0。

U-Ones：将不确定标签的所有实例映射到1。

U-SelfTrained：首先使用U-Ignore方法训练模型进行收敛，然后使用该模型进行预测，利用模型输出的概率预测重新标记每个不确定性标签。

U-MultiClass：将不确定性标签视为自己的类别。

专注于评估5项观察，进行“竞争任务”，根据临床经验和患病率分为：（a）肺不张，（b）心脏扩大，（c）肺实变，（d）水肿（e）胸腔积液。通过比较了不同不确定性方法在200个研究的验证集上的表现，其中三个放射科医师的注释作为基础事实。基准模型根据验证集上每个竞赛任务的最佳表现方法选择的：U- Ones用于肺不张和水肿，U-MultiClass用于心脏扩大和胸腔积液，U-SelfTrained用于肺实变。

测试集如何设计

CheXpert中的测试集由来自500“未知”患者的500张X光胸片组成。八名权威认证的放射科医师分别对测试集中的每张图片进行了注释。他们将每张图片标记为：现存（present）、不确定（uncertain likely）、不可能（uncertain unlikely）和缺失（absent）。

然后将标签二值化，将现存和不确定病例视为阳性，而缺失和不可能病例视为阴性。根据5位专家的投票确定图片标签，然后用剩下的三位专家检验五位专家的表现。

基准模型在测试集上表现如何

该模型在胸腔积液（0.97）上达到最佳AUC，在肺不张（0.85）上达到最差。所有其他观测的AUC至少为0.9。在心脏扩大，水肿和胸腔积液上，该模型比所有3位放射科医师获得更高的表现，但却不是他们的多数投票。在肺实变方面，模型性能超过3位放射科医师中的2位，而在Atelectasis上，所有3位放射科医师的表现均优于模型。

与麻省理工学院的联合发布MIMIC-CXR数据集

此外还有和MIMIC-CXR共同发布包含371,920张胸部X射线图片的大型数据集。该数据集的时间跨度为2011年~2016年。这些数据与Beth Israel Deaconess医疗中心的227,943个影像学研究相关。每个成像研究可能包含一个或多个图像，但一般是两个图像：正面视图和侧视图。

相关论文下载地址：https://arxiv.org/pdf/1901.07042.pdf

图像提供有14个标签，这些标签来自放射学报告的自然语言处理工具。CheXpert数据集和MIMIC-CXR共享一个共同的贴标机，CheXpert贴标机，用于从放射学报告中获取相同的标签集。

最后展望

阻碍胸部X光片解释模型发展之一是，缺乏具有强放射学家注释的地面真实性和专家评分的数据集。研究人员可以根据这些数据对其模型进行比较。希望CheXpert将填平这一沟谷，以便在临床重要任务中随时跟踪模型的进展。

此外，吴恩达团队本次开发并开源了CheXpert贴标机，这是一种基于规则的自动贴标机，用于从自由文本放射学报告中提取观察结果，用作图像的结构化标签。我们希望这可以帮助其他机构轻松地从报告中提取结构化标签，并发布其他大型数据库，以便对医学成像模型进行跨机构测试。

最后，斯坦福也作出展望，希望该数据集能够帮助开发和验证胸部X光片解释模型，以改善全球医疗服务的获取和交付。