IDC 公开癌症影像数据

要解决什么问题

做放射学（CT、MR、PET）或病理玻片相关的研究时，往往需要公开、可复现的癌症影像子集，而不是零散地从门户里点选。NCI Imaging Data Commons（IDC） 在标准 DICOM 层级之上还增加了 collection_id、analysis_result_id 等分组，数据量大、许可条款也不统一——商用前必须核对 license_short_name。

技能如何工作

本技能围绕 Python 包 idc-index 组织工作流，访问 IDC 无需认证（文档强调当前数据版本为 v23，会话中应先用 IDCClient().get_idc_version() 核对）。

典型步骤：

1. 发现与筛选：用 client.sql_query() 查迷你索引；集合级癌症类型等在 collections_index，需 JOIN；写 SQL 前以 client.indices_overview 为准看列名与类型。
2. 下载 DICOM：client.download_from_selection() 从公有云拉取；也可用 CLI idc download 配合清单（S3 URL 列表）做可复现批量下载。文件常以 CRDC 实例 UUID 命名（.dcm），与 DICOM 内的 SOPInstanceUID 不同。
3. 浏览器可视化：client.get_viewer_URL(seriesInstanceUID=...)，放射学走 OHIF，玻片走 SLIM。
4. 合规与引用：查询许可字段；用 citations_from_selection() 从 source_DOI 生成 APA/BibTeX 等引用。

除主 index 外，还有分割（seg_index）、标注（ann_index）、玻片（sm_index）、临床映射（clinical_index）等表；复杂元数据或私有 DICOM 标签才需要 BigQuery（需 GCP 计费）。

适用边界与注意点

• 迷你索引能覆盖的大多数元数据查询，优先本地 SQL，不必一上来就开 BigQuery。
• 部分集合可达 TB 级，下载前先估规模；网络不稳时分批下序列。
• 约 3% 数据为 CC BY-NC，商业用途必须逐条检查许可。
• 旧版 IDC 序列可能在 prior_versions_index；UID 查不到时先确认是否在当前发布版本内。