李在田1. BraTS挑战赛的起源与使命
2012年，当第一届BraTS挑战赛悄然启动时，可能连组织者自己都没预料到它会成为医学影像AI领域的"黄埔军校"。这个由MICCAI协会发起的赛事，最初目标很简单：为脑肿瘤分割算法建立一个公平的竞赛平台。就像围棋界的AlphaGo时刻需要标准棋盘一样，AI医疗领域也需要公认的"考场"。
早期数据集主要包含两种胶质瘤：高级别胶质瘤（HGG）和低级别胶质瘤（LGG）。这两种肿瘤在医学影像上就像性格迥异的双胞胎——HGG像肆意扩张的侵略者，边界模糊且生长迅速；LGG则像潜伏的特工，形态规则但暗藏危险。每例数据包含T1、T1c、T2和FLAIR四种MRI模态，相当于给医生配了四副不同功能的眼镜。
我当时第一次接触2015版数据集时，最惊讶的是其标注的精细程度。神经放射科专家不仅标注了肿瘤核心，还细致区分了增强肿瘤(ET)、瘤周水肿(ED)和坏死区域(NCR)。这种像素级的金标准，让算法优化有了明确方向。记得有个参赛团队曾开玩笑说："在BraTS里，连肿瘤的'影子'都被标注出来了。"
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集的进化：从单一病种到全球多样性
如果用一个词概括BraTS数据集的变化，那就是"破圈"。最初十年聚焦成人胶质瘤，就像摄影师用长焦镜头拍特写；2023年突然换成广角镜头，将脑膜瘤、转移瘤、儿童肿瘤乃至撒哈拉以南非洲病例都纳入取景框。这种转变背后，是医学AI从实验室走向真实世界的必然选择。
数据量的增长更令人咋舌：2012年仅50例训练数据，到2023年暴增至4500例。这让我想起参与2021赛季时，团队花两周时间才跑完所有训练数据。如今的数据规模，对算力提出了全新挑战。更关键的是新增的撒哈拉以南非洲病例，这些数据揭示了种族差异对肿瘤特征的影响——好比发现同款药物在不同人种身上的疗效差异。
特别值得关注的是2023年新增的"缺失数据"任务。真实临床中经常遇到某模态图像质量差或缺失的情况，就像厨师做菜时突然发现缺了某种调料。BraTS开始模拟这种"不完美"场景，倒逼算法提升鲁棒性。我们团队测试发现，传统模型在缺失FLAIR模态时分割精度直接下降30%，而新一代算法通过跨模态特征补全，能将损失控制在10%以内。
3. 任务维度的裂变：从分割到临床决策支持
早期的BraTS像专注"描边"的美术生，任务单一且明确：把肿瘤轮廓