NIH Chest X‑ray（ChestX‑ray14）数据集概述
| 项目 | 内容 | 参考来源 |
|---|---|---|
| 发布机构 | 美国国家卫生研究院（National Institutes of Health, NIH）临床中心 | |
| 首次公开时间 | 2017 年 10 月（通过 Kaggle 与 NIH Box 公开） | |
| 数据规模 | 112 120 张前位（PA）胸部 X‑ray 图像，来源于 30 805 名唯一患者（部分文献给出 32 717 名患者的划分） | |
| 图像分辨率 | 1024 × 1024 像素，8 位灰度 PNG 格式 | |
| 标签数量 | 14 种常见胸腔疾病（+ “无发现” 类），标签通过自然语言处理（NLP）从对应的放射学报告中抽取 | |
| 疾病列表 | 1. Atelectasis（肺不张） 2. Cardiomegaly（心脏肥大） 3. Effusion（胸腔积液） 4. Infiltration（浸润） 5. Mass（肿块） 6. Nodule（结节） 7. Pneumonia（肺炎） 8. Pneumothorax（气胸） 9. Consolidation（实变） 10. Edema（水肿） 11. Emphysema（肺气肿） 12. Fibrosis（纤维化） 13. Pleural Thickening（胸膜增厚） 14. Hernia（疝气） | |
| 标注方式 | 基于放射学报告的关键词抽取，标注准确率约 90%（但后续研究指出存在一定噪声） | |
| 数据分割 | 常用的患者级划分：训练集 86 524 张，测试集 25 596 张，确保同一患者的图像不跨集出现 | |
| 主要用途 | - 多标签疾病分类 - 病灶定位（弱监督） - 医学图像生成、风格迁移 - 联邦学习与隐私保护研究 |
|
| 代表性研究 | - CheXNet（DenseNet‑121）在该数据集上实现肺炎检测接近放射科医生水平 - 多种 CNN、Transformer、Mamba 等模型的对比实验（如《A Comparative Analysis of the Mamba, Transformer, and CNN Architectures…》） |
|
| 下载渠道 | 1. Kaggle：<https://www.kaggle.com/datasets/nih-chest-xrays >（需登录 Kaggle） 2. NIH Box：<https://nihcc.app.box.com/v/ChestXray-NIHCC >（官方原始链接） 3. HuggingFace 数据集：<https://huggingface.co/datasets/roy-jarjoura/ChestXrays >（提供 README 与直接下载方式） |
|
| 许可证 | 研究用途免费（Non‑Commercial），需遵守 NIH 数据使用协议，禁止用于商业产品未经授权 | |
| 常见挑战 | - 标签噪声与不完整（部分疾病标注为 “不确定”） - 类别不平衡（如 Hernia 仅 0.2%） - 多标签共现导致模型学习难度提升 |
简要历史与背景
NIH 在 2017 年将原先的 ChestX‑ray8（约 108 000 张）扩展为 ChestX‑ray14，在原有 8 种疾病标签基础上新增了 6 种（水肿、肺气肿、纤维化、胸膜增厚、疝气等），并将患者数提升至 30 805 名，图像总量超过 100 000 张，成为当时公开的最大胸部 X‑ray 数据集。该数据集的发布旨在为深度学习在医学影像诊断领域提供大规模、标准化的训练与评估基准，推动计算机辅助诊断（CAD）技术的研发。
使用建议
- 数据预处理：建议统一将图像归一化至 224 × 224（或 256 × 256）并进行随机水平翻转、亮度/对比度调节，以缓解标签噪声的影响。
- 患者级划分：采用官方提供的 patient‑wise split，防止同一患者的图像出现在训练与测试集之间，确保评估的公平性。
- 处理标签不平衡：可使用加权交叉熵、Focal Loss 或采样策略（如 oversampling 少数类）来提升稀有疾病的检测性能。
- 多标签学习：采用二元交叉熵（binary cross‑entropy）或基于标签相关性的图结构模型（如 GCN‑augmented CNN）可更好捕捉疾病共现关系。
以上信息均来源于公开的学术文献、官方数据说明以及社区整理的技术博客，已通过多轮搜索交叉验证，确保内容的时效性与准确性。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！