nih-chest-xray-14

NIH ChestX-ray14数据集（NIH Clinical Center）是CVPR 2017论文中ChestX-ray8的扩展版本，包含112,120张正面胸部X光图像，来自30,805名独特患者。每张图像通过自然语言处理（NLP）从关联的放射学报告中挖掘出14种胸部病理标签（多标签）。14种常见胸部病理包括：Atelectasis、Cardiomegaly、Consolidation、Edema、Effusion、Emphysema、Fibrosis、Hernia、Infiltration、Mass、Nodule、Pleural_Thickening、Pneumonia、Pneumothorax。约54%的图像在源数据中被标记为“No Finding”，这些图像的标签列表为空；注意“No Finding”不等于“正常”，这些图像可能显示14个类别之外的模式或不确定发现。标签通过NLP提取，具有噪声（NIH估计准确率>90%），测试标签同样来自NLP过程，未经放射科医生验证。数据集按患者级别进行划分：训练集86,524张图像（28,008名患者），测试集25,596张图像（2,797名患者），无患者同时出现在两个划分中。训练集包含一个fold列（0-9），基于多标签迭代分层分配（Sechidis等人，2011，种子42），按患者分组，每个患者的所有图像都在同一个fold中，可用于交叉验证。图像为原始的1024x1024 8位PNG，重新编码为8位灰度JPEG（质量95），平均PSNR约48.4 dB，SSIM约0.988，保留全部256个灰度级。每个样本包含字段：image（JPEG图像）、labels（阳性发现的ClassLabel索引序列，空表示No Finding）、label_names（阳性发现名称）、image_id（原始图像文件名）、fold（训练集的fold编号，测试集为null）、patient_id、follow_up、patient_age、patient_sex、view_position（PA/AP）、original_width、original_height、pixel_spacing_x、pixel_spacing_y（来自原始元数据），以及bboxes（边界框列表，仅880张测试图像有，共984个框，覆盖8种发现）。该数据集适用于多标签图像分类任务，标准评估指标是每个发现下的ROC AUC平均值。使用不受限制，但需承认NIH Clinical Center并引用CVPR 2017论文。The NIH ChestX-ray14 dataset (NIH Clinical Center) is an extended version of ChestX-ray8 from the CVPR 2017 paper, containing 112,120 frontal-view chest X-ray images from 30,805 unique patients. Each image is annotated with up to 14 thoracic pathology labels (multi-label) mined from associated radiology reports using natural language processing (NLP). The 14 common thoracic pathologies include: Atelectasis, Cardiomegaly, Consolidation, Edema, Effusion, Emphysema, Fibrosis, Hernia, Infiltration, Mass, Nodule, Pleural_Thickening, Pneumonia, Pneumothorax. Approximately 54% of images are labeled as No Finding, meaning the label list is empty; note that No Finding does not equal normal, as these images may show patterns outside the 14 categories or uncertain findings. Labels are extracted via NLP and are noisy (NIH estimates accuracy >90%); test labels also come from the NLP process and have not been validated by radiologists. The dataset is split at the patient level: training set 86,524 images (28,008 patients), test set 25,596 images (2,797 patients), with no patient appearing in both splits. The training set includes a fold column (0-9) assigned by multi-label iterative stratification (Sechidis et al., 2011, seed 42), grouped by patient, so all images of a patient are in the same fold, enabling cross-validation. Images are originally 1024x1024 8-bit PNG, re-encoded as 8-bit grayscale JPEG (quality 95), with average PSNR ~48.4 dB, SSIM ~0.988, preserving all 256 gray levels. Each sample contains fields: image (JPEG image), labels (sequence of ClassLabel indices for positive findings, empty for No Finding), label_names (names of positive findings), image_id (original image filename), fold (fold number for training set, null for test set), patient_id, follow_up, patient_age, patient_sex, view_position (PA/AP), original_width, original_height, pixel_spacing_x, pixel_spacing_y (from original metadata), and bboxes (list of bounding boxes, only 880 test images have them, total 984 boxes covering 8 findings). The dataset is suitable for multi-label image classification tasks; the standard evaluation metric is the average ROC AUC across findings. Use is unrestricted, but NIH Clinical Center should be acknowledged and the CVPR 2017 paper cited.

搜集汇总

数据集介绍

构建方式

该数据集源于NIH临床中心发布的ChestX-ray8，经扩展形成涵盖14类胸部病变的ChestX-ray14。构建过程中，汇集了30,805名受试者的112,120幅正位胸片，利用自然语言处理技术从配套放射学报告中挖掘多标签标注，每幅影像可归属一种或多种病变。影像统一为1024×1024的8位灰度JPEG，训练与测试划分严格遵循患者层级，确保无患者交叉。训练集额外提供基于多标签迭代分层且以患者为组别的十折划分，用于验证模型。

特点

该数据集具备多标签、多模态的医学影像特征，囊括14种常见胸部异常，约54%影像标注为无发现，但其含义并非完全正常。标签由NLP自动抽取，存在一定噪声，官方估计准确率超过90%。数据提供丰富的元信息，包括患者人口学、随访次数、视图位置、像素间距及880幅测试影像的984个边界框。训练集附有患者分组的分层折叠，稀有病变亦在各折中保持分布均衡。

使用方法

使用该数据集时，可借助HuggingFace datasets库直接加载，按官方训练与测试划分进行模型评估。标准做法是计算14种病变的平均ROC AUC。若需独立验证，可依据训练集中的fold列以患者为单位划分验证集，如取fold为0约10%作为验证，避免患者泄漏。数据兼容timm 1.0.31及以上版本的多标签训练流程，灰度影像默认被转换为三通道RGB。训练脚本可配置多标签任务、指定标签字段与类别数，并选用预训练模型进行微调。

背景与挑战

背景概述

胸片作为临床最普及的影像学检查手段，其大规模标注数据的匮乏长期制约着人工智能在放射学中的深入应用。美国国立卫生研究院临床中心（NIH Clinical Center）的研究团队于2017年发布ChestX-ray8数据集，并在此基础上扩展为包含112,120张正位胸片、覆盖30,805名患者的NIH ChestX-ray14数据集，相关成果发表于CVPR 2017。该数据集利用自然语言处理技术从放射学报告中自动挖掘14类胸部异常标签，成为当时规模最大的多标签胸片基准，为弱监督分类与病灶定位研究提供了关键数据支撑，深刻影响了后续医学影像分析的研究范式。

当前挑战

该数据集所应对的核心领域难题在于多标签胸部病理的自动识别与定位，即从单张胸片中同时判别多种可能并存的异常表现，这一任务因病理征象的视觉相似性和共现性而颇具挑战。在构建层面，标签系经自然语言处理从自由文本报告中抽取，存在固有噪声，NIH估计其准确率仅逾90%，且测试集标签未经放射科医师复核；约54%图像标注为“No Finding”，但其含义并非“正常”，可能包含14类以外的表现或不确定发现，易对模型训练产生误导；此外，数据集仅提供患者级别的划分，缺乏官方验证集，少数类别如Hernia样本极度稀缺，类别分布严重不均衡，进一步加剧了模型泛化与评估的难度。

常用场景

经典使用场景

在医学影像分析与胸部放射学领域，该数据集最为经典的用途当属多标签胸部疾病分类任务的基准评测。每张正位胸片可同时承载十四类胸部异常标签，模型需在单次前向推断中判定多种病理共存与否，这与真实临床场景中多病并发的诊断逻辑高度契合。研究者通常以ResNet、DenseNet等卷积神经网络为骨干，在统一划分的患者级训练集上优化二元交叉熵损失，并采用逐类别的ROC AUC均值作为核心评价指标，以此衡量模型对各类胸部病变的辨识能力。

实际应用

在临床辅助诊断的实际应用中，该数据集常被用于构建胸部X线片的自动化筛查与预分诊系统。经过训练的模型可对大规模影像进行快速初筛，标记出疑似存在气胸、积液、心影增大等异常表现的病例，从而协助放射科医师优化阅片优先级与工作流程。此外，该数据集亦广泛应用于医学影像教学模型的预训练、跨机构迁移学习的特征提取，以及放射报告生成等下游任务的初始化阶段，为智能诊疗系统的落地提供了重要的数据支撑。

衍生相关工作

以该数据集为基石，学界衍生出诸多具有影响力的后续工作。CheXpert与MIMIC-CXR等更大规模胸片数据集的构建均受其启发，并在标签体系与评测协议上加以完善。针对原始标签噪声问题，研究者提出了MAPLEZ等改进标签集，并发展出CheXNet等经典分类网络。在弱监督定位方向上，基于该数据集提出的类激活映射方法被广泛沿用；而在长尾分布与多标签协同学习方面，NIH-CXR-LT等基准亦由此拓展而来，持续推动胸部影像智能分析的技术演进。