信息速览
ACDC@LungHP 全称 Automatic Cancer Detection and Classification in Whole-slide Lung Histopathology，是面向肺癌病理全切片的国际挑战赛数据集。共 200 例含癌的 H&E 染色活检全切片，其中 150 例带病理医师勾画的肿瘤区域标注作为训练集、50 例作为测试集，由国防科技大学联合长沙与湖南多家医院、荷兰 Radboud 医学中心等机构于 2018 至 2019 年构建，数据经挑战赛平台分发。
它补的是肺癌病理 AI 最缺的一环：带像素级参考的公开全切片。多数公开病理数据只有切片级标签，一张数十亿像素的图只对应一句诊断，模型学到的往往是对染色和扫描仪的记忆。这里每张训练切片都有组织级肿瘤区域勾画，分割与分类都可以直接对齐到同一套参考。
如果要用它，先确认三件事：任务属于 2019 届的分割还是 2020 届的分型，两届的数据与评价方式不同；标注是组织级的，别按细胞核级标准设计指标；许可没有公开文本，产品化前先与主办方确认。之后从训练集 150 例入手，用五折交叉验证建立基线。
§1 它是什么：定义、来源与届次
1.1 一句话定义与名称拆解
ACDC@LungHP 不是某一张图库产品的名字，而是一场挑战赛连同它发布的竞赛数据的合称。挑战赛全称里的每个词都对应一项设计决定：Automatic 指任务由算法自动完成，不设人机协作；Cancer Detection and Classification 指两个任务方向先检测后分型；Whole-slide 指输入是整张扫描切片而非裁好的小图；Lung Histopathology 指样本来源是肺部组织的组织病理切片。
官方缩写写成 ACDC@LungHP，中间的 @ 读作 at，意为「在肺组织病理上的 ACDC」。中文社区有时简写为 ACDC-LungHP，域名 acdc-lunghp.grand-challenge.org 也采用连字符写法，二者指的是同一件事。另有文献直接写成 ACDC@LUNGHP，大小写差异不影响指代。
「ACDC」在这里是 Automatic Cancer Detection and Classification 的首字母缩写。由于心脏影像领域另有一个更知名的 ACDC，两个缩写在检索时会大量交叉，混淆是这个数据集最常见的使用障碍，后面单独列为一节处理。
1.2 两届挑战赛的分工
挑战赛分两届举行，届次决定了数据用法：
| 届次 | 会议 | 时间与地点 | 任务 | 评价指标 |
|---|---|---|---|---|
| ACDC@LungHP 2019 | IEEE ISBI 2019 | 2019 年 4 月 11 日，意大利威尼斯 | 全切片肺癌区域分割（像素级检测） | Dice 系数为主 |
| ACDC@LungHP 2020 | MICCAI 2020 | 2020 年 10 月 4 至 8 日，秘鲁利马 | 主要肺癌组织学亚型分类 | 分类准确率 |
2019 届是主体，它产出了公开可用的训练标注、完整的榜单与一篇期刊总结论文。2020 届在同一数据基础上转向切片级分类，其挑战赛设计文档以 Zenodo 记录形式公开，但没有对应的期刊总结论文公开发表。这一不对称是使用这个数据集时必须先知道的事实：2019 届有据可查，2020 届只有设计文档。
主办方的本意是把两届连成一条流水线：先让算法学会「哪里是癌」，再让它学会「是哪一种癌」。这种拆分的理由写在设计文档里：分割任务的标注难度高但语义明确，分类任务的标注成本低但标签边界模糊，两者混在一次评测里会互相干扰。
1.3 谁做的：四个临床科室与五个技术单位
主办团队按医学组与技术组分工。医学组的四家单位提供了全部活检样本与标注：长沙市第一医院、湖南省肿瘤医院（中南大学湘雅医学院附属肿瘤医院）、中南大学湘雅二医院、张家界市人民医院。技术组由国防科技大学牵头，联合荷兰 Radboud 大学医学中心、荷兰埃因霍温理工大学、美国纪念斯隆-凯特琳癌症中心以及湖南澜溪生物技术有限公司。
这套组合本身解释了这个数据集的一个特征：样本来自中国四家医院的连续活检，标注由这几家医院有二十年以上诊断经验的病理医师完成，但技术侧的评价体系沿用了 CAMELYON 系列挑战赛的做法。换句话说，医学本土化、方法国际化，这正是它在 2019 年当时具有代表性的原因。
国防科技大学的 Zhang Li 是挑战赛的主要召集人与总结论文第一作者。Radboud 医学中心的 Geert Litjens 与 Francesco Ciompi 是 CAMELYON16 与 CAMELYON17 的核心成员，他们的加入把淋巴结转移挑战赛的组织经验带到了肺癌场景。埃因霍温理工大学的 Tao Tan 与纪念斯隆-凯特琳癌症中心的 Peter Schüffler 分别负责方法学与临床转化视角的把关。
1.4 为什么做这个数据集：临床动机
肺癌是全球癌症死亡的首位原因。设计文档给出的论证路径是：2010 年美国国家肺癌筛查试验的结果推动低剂量 CT 筛查在 2015 年落地，荷兰-比利时 NELSON 试验随后给出支持性证据；筛查普及意味着活检与手术切除标本数量上升，而病理医师的培养速度跟不上。中国的情况被特别提及，因为肺癌患者基数大、有资质的病理医师相对少。
自动分析的组织学价值在于分工：算法先在整张切片上圈出可疑的癌区，病理医师只需复核被圈出的部分。这在小活检标本上尤其有意义，因为小活检的组织量本来就少，漏看一个低倍视野就可能漏掉诊断。
挑战赛另一个隐含目标是去主观化。同一张切片，不同病理医师对肿瘤边界的判断会不同，尤其在肿瘤与炎症、纤维化交界处。数据集用观察者间一致性这一指标把这种分歧量化，作为算法性能的天花板参照。这个设计在后来的总结论文里成为最有说服力的结论之一。
1.5 与肺部影像数据集的根本差异
肺部的公开数据大多来自 CT，例如肺结节检测的 LUNA16 与 LIDC-IDRI。CT 数据与病理数据的差别不只是模态，更是任务形态：CT 上的一个结节是一个三维小目标，检测的难点是召回与假阳性；病理全切片上的一个肿瘤区域可能横跨数万个视野，分割的难点是尺度与染色差异。
因此把 CT 数据集上的经验直接搬到病理场景会失效。肺部 CT 模型处理的是体素，输入可以缩放到几百个体素边长；病理模型的输入通常是 256 或 512 像素的补丁，而一张切片可能有十万个补丁。补丁之间如何聚合、如何利用切片级标签做弱监督，是这个数据集最常用的方法学切入点。
1.6 版本与命名沿革
数据集本身只有一版，没有发布过 2.0 或扩充版。需要区分的是三个不同层面的版本：
其一是名称的版本。2019 年官网写作 Automatic Cancer Detection and Classification in Whole-slide Lung Histopathology；2020 年的设计文档标题写作 Automatic Lung Cancer Detection and Classification in Whole-slide Histopathology，多了 Lung 一词。缩写不变，全称两种写法都能检索到。
其二是分发方式的版本。2019 年数据以 OneDrive 与百度网盘双通道分发，测试集标注在竞赛期保密；竞赛结束后是否公开全部参考标注，官方页面没有更新说明。
其三是文档的版本。挑战赛设计文档在 Zenodo 有固定 DOI（10.5281/zenodo.3715001），总结论文在 IEEE 有固定 DOI（10.1109/JBHI.2020.3039741）。引用时应优先用这两个 DOI，而不是网页链接。
§2 数据构成与规格
2.1 规模与划分
数据集由 200 例含癌活检构成，这是一个在官网首页、数据页与期刊论文摘要三处一致的数字。划分方式同样三处一致：150 例带参考标注作为训练集，50 例作为测试集。
按发布时间线，训练集分三批释放：2019 年 1 月 5 日释放 100 例，1 月 15 日追加 50 例，3 月 4 日释放 50 例测试数据。这种分批释放是挑战赛的常规做法，目的是给参赛队留出「先跑通再冲刺」的节奏。
| 划分 | 样本数 | 标注 | 用途 |
|---|---|---|---|
| 训练集 | 150 | 有，XML 组织级肿瘤区域 | 训练与本地验证 |
| 测试集 | 50 | 竞赛期保密，由主办方评分 | 官方榜单评分 |
| 合计 | 200 | — | — |
2.2 字段与文件规格（含字段可靠性）
| 字段 / 文件 | 内容 | 格式 | 可靠性 | 说明 |
|---|---|---|---|---|
| 全切片图像 | H&E 染色肺癌活检扫描图 | TIFF | 官方明示 | 多倍率金字塔，需 OpenSlide 等工具有序读取 |
| 肿瘤区域标注 | 组织级肿瘤区域轮廓 | XML | 官方明示 | 与 ASAP 注释软件兼容 |
| 样本编号 | 切片标识 | 文件名 | 依惯例推定 | 官方未给出编号命名规则的正式说明 |
| 患者标识 | 患者归属 | 未明示 | 语义存疑 | 官网说明同一活检可能扫描多张，但未说明是否提供患者级去重表 |
| 亚型标签 | 鳞癌、腺癌等 | 未明示 | 语义存疑 | 仅 2020 届设计文档举例提及，文件形态未见公开说明 |
| 倍率 / 分辨率 | 扫描参数 | 未明示 | 语义存疑 | 官网只提到扫描仪可达 160 纳米每像素，未给逐张参数 |
| 临床元数据 | 年龄、性别、分期等 | 未见 | 缺失 | 官方页面未提及任何临床变量 |
这张表的最后四行是使用者最容易踩空的地方。切片本身与标注是确定可用的，而患者级去重、亚型标签文件、逐张扫描参数、临床变量四项在官方文档中都没有明确说明。做患者级统计或亚型分析时，不能假设这些字段存在。
2.3 图像与标注的形态
全切片图像是病理科扫描仪对玻璃切片做逐视野拍摄后拼接而成的金字塔图像。最高倍率下，一张活检切片可能有数万乘数万像素，文件体积在数百 MB 到数 GB 之间。读取时通常先用低倍率层做整体定位，再在高倍率层裁补丁。
标注是组织级的。病理医师在低倍视野下把癌区整体圈出来，包含癌巢与其间的间质，而不是逐个细胞的轮廓。这个粒度决定了三件事：它适合训练分割网络与切片级分类网络；它不适合训练细胞核分割模型；它对边界精度的要求低于核级标注，因此 Dice 分数里包含了边界附近的系统性误差。
标注文件采用 XML，与 ASAP 兼容。ASAP 是 Radboud 团队维护的开源全切片注释工具，这也是技术组与 CAMELYON 系列一脉相承的痕迹。用 QuPath 或 ASAP 都能直接打开这些 XML。
2.4 一个被低估的细节：同一活检的多张切片
官方文档专门用一段说明这个情况：临床实践中，同一次活检常会被扫描成多张切片；如果几张切片的形态相似，病理医师只标注其中一张。官网给出的示例是 60 号患者。
这意味着训练集里的 150 个样本并不等于 150 次独立活检。若把未标注的重复切片也当作负样本送入训练，模型会把同一组织学形态同时学成前景与背景，直接压低性能。
官方的建议是自己处理：用 ASAP 画一个包围盒，把不需要的切片框掉。这个建议在实践中的含义是，数据清洗责任被下放给了使用者，官方没有提供重复切片的清单。做严格的患者级划分时，需要先按形态与文件名做人工核对。
2.5 采集与扫描
官方说明全部样本由同一台扫描仪数字化。这一点对研究设计的影响是双向的：好处是内部评测不受机型差异干扰，坏处是无法用内部数据评估跨扫描仪泛化。
官网在描述数字病理背景时提到扫描仪可达 160 纳米每像素的分辨率。这是设备能力的上限表述，不等于本数据集的逐张实际分辨率。病理全切片的常规扫描多为 0.25 微米每像素一级（对应 20 倍物镜），40 倍物镜可达 0.12 到 0.25 微米。使用者在做补丁尺度换算时，应以文件内嵌的分辨率元数据为准，不要把 160 纳米直接当作全体样本的参数。
2.6 与同期病理数据集的量级对照
200 例在 2019 年的公开病理数据集里属于中等规模。同在 2019 年前后公开的 CAMELYON16 提供 400 张淋巴结切片，其中 160 张训练集带转移区域标注；CAMELYON17 扩展到 1000 张、五个中心。TUPAC16 提供 500 例乳腺肿瘤切片。相比之下 ACDC@LungHP 的 200 例在数量上不占优势。
它的优势在病灶部位与标注粒度。CAMELYON 系列针对淋巴结转移灶，转移灶常是小而离散的团块；ACDC@LungHP 针对原发肺癌，癌区往往是大片连续组织，分割难度不同。用同一个 Dice 指标跨数据集比较是不成立的，这正是很多二手综述把「Dice 0.84」直接与其他数据集成绩并列时所犯的错误。
2.7 规格速查表
| 规格项 | 数值或描述 | 强度 |
|---|---|---|
| 总样本 | 200 例含癌活检 | A |
| 训练 / 测试 | 150 / 50 | A |
| 染色 | H&E | A |
| 标本类型 | 活检 | A |
| 器官 | 肺 | A |
| 标注格式 | XML，ASAP 兼容 | A |
| 标注粒度 | 组织级肿瘤区域 | A |
| 扫描仪 | 同一台 | A |
| 赛事评价 | 2019 届 Dice，2020 届准确率 | A |
| 临床变量 | 未见公开说明 | D |
§3 怎么拿到：获取路径、许可与合规
3.1 三条获取通道
通道一，挑战赛平台。acdc-lunghp.grand-challenge.org 是主入口，注册账户后在 Data 与 Submit 区按指引取数据。grand-challenge 平台本身是公开的，账户注册不设门槛。
通道二，云盘分发。官方明确说明数据上传至 Microsoft OneDrive 与百度网盘，目的是照顾不同地区的下载条件。中国境内访问时百度网盘通常更快，境外访问用 OneDrive。
通道三，镜像与转载。Kaggle、Hugging Face 与若干学术镜像站上存在第三方转载版本。这类版本未经主办方确认，标注完整性、切分正确性与文件完整性都无法保证。除非已经核对过文件哈希，不建议把转载版作为唯一来源。
3.2 许可状态：一个必须讲清楚的空缺
官方网站、数据页与 Zenodo 记录三处都没有数据使用协议或知识共享协议的文本。这意味着在法律意义上，数据的使用范围处于未明示状态：不能推断为 CC BY，也不能推断为仅限学术。
容易混淆的是论文的许可。总结论文在 IEEE 上是开放获取，标注为 CC BY 4.0。但论文的 CC BY 只覆盖文字与图表，不覆盖被论文描述的数据集本体。这个区分在数据引用里经常被写错，二手教程里「该数据集为 CC BY 4.0」的说法缺少依据。
实际处理建议：学术研究通常按既有惯例引用两篇指定文献即可；涉及再分发、商业产品或模型权重公开时，应先向主办团队取得书面确认，并把确认结果留档。
3.3 引用义务
官网 Citation 节列了两篇必须引用的文献。一篇是 2018 年的预研论文 Computer-aided diagnosis of lung carcinoma using deep learning - a pilot study（arXiv:1803.05471），另一篇是 2019 届的总结论文 Deep Learning Methods for Lung Cancer Segmentation in Whole-Slide Histopathology Images—The ACDC@LungHP Challenge 2019（IEEE JBHI 第 25 卷第 2 期，429 至 440 页）。
只引总结论文、不引预研论文，是引用上最常见的遗漏。官方措辞是 please reference the following papers，用复数，意味着两篇都在要求之内。
3.4 合规与伦理
官方页面未提供伦理审批编号、知情同意说明或数据脱敏流程。活检样本来自四家医院的临床常规检查，按挑战赛惯例通常经过本地伦理委员会批准并做去标识化处理，但这些信息在公开文档中没有出现。
有两点可以从设计推断：数据不含任何临床变量，因此重识别风险低；切片编号是否含日期或患者信息，官方未说明，取数后应自行检查文件名是否携带可识别信息。
3.5 取数后的第一步核对
拿到文件后建议做四步核对：其一，统计切片总数是否为 150 与 50；其二，随机打开十张切片，确认有无对应 XML 标注；其三，检查 XML 能否被 ASAP 或 QuPath 正常解析；其四，检查同一活检的重复切片是否在库。
这四步能挡住大部分转载包的问题。第三方转载版最常见的三种缺陷是标注文件缺失、切片被降采样重存、把一个活检的几张切片拆成了几个独立样本。
3.6 存储与算力预算
病理全切片的存储需求远高于 CT。单张切片保守估计数百 MB，200 张整体在百 GB 量级。若把训练集切成 256 像素补丁并缓存为图像块，数据量会再放大一到两倍。
推理阶段的算力需求取决于策略。补丁级分类的推理成本与补丁数量成正比；全切片分割通常需要在低倍率下推理再上采样。用消费级显卡做小规模实验可行，做完整训练通常需要多卡。
取数后的目录建议
acdc_lunghp/
├── train/
│ ├── images/ # 150 张 TIFF
│ └── annotations/ # 对应 XML
├── test/
│ └── images/ # 50 张 TIFF
└── meta/
├── dup_groups.csv # 自行整理的重复切片分组
└── checksums.txt # 自行生成的哈希
§4 质量与已知问题
4.1 标注质量：来自竞赛设计的三条保证
挑战赛对标注质量做了三层约束，这些约束写在设计文档与总结论文里，可以直接引用。
第一层是标注者资质。四家医院参与标注的成员均被描述为具有二十年以上诊断经验的病理医师，而非住院医师或技术员。第二层是标注对象的定义。标注对象是组织级的肿瘤区域，与诊断报告中的癌区概念一致，不涉及更细的细胞形态划分。第三层是观察者间一致性。总结论文报告两位标注者之间的 Dice 为 0.8398 加减 0.0890，这个数字同时被用作算法性能的天花板参照。
第三层约束的意义在于它把「质量」变成了可量化的概念。0.84 的一致性意味着即使两位有二十年经验的病理医师独立勾画同一张切片，重合度也只有八成四左右，剩下的一成六是边界判断上的分歧。任何超过这个数字的算法成绩，都应当被理解为「在多数边界上与其中一位医师一致」，而不是「比病理医师更准确」。
4.2 规模约束下的统计推断边界
200 例对于训练一个病理基础模型远远不够。以每张切片裁出一千个补丁计算，训练集也只有十五万个补丁，而现代自监督预训练通常需要千万量级。规模上的约束带来三个后果：
第一，从头训练不现实。可行的路线是用在 TCGA 或其他大规模病理数据上预训练的骨干，在 ACDC@LungHP 上做微调。第二，内部验证的置信区间宽。150 例做五折，每折三十例，Dice 的标准差很容易被一两张难例主导。第三，任何亚组分析都不可行。若想比较不同医院来源的差异，样本会被切得太碎。
4.3 单中心扫描带来的域偏移风险
全部样本由同一台扫描仪数字化，这既是优势也是隐患。用本数据集训练的模型，在其他医院的其他扫描仪上性能下降的幅度无法在内部评估。这类域偏移在病理图像上表现得比 CT 更明显，主要来源是染色的批次差异与扫描仪的色彩校准差异。
可用的缓解手段有两类。一类是数据侧的染色归一化，例如 Reinhard 色彩迁移与 Macenko 方法，把待测图像的颜色统计对齐到训练集的参考分布。另一类是特征侧的域泛化训练，例如在训练时做随机色彩抖动与灰度扰动。两者在文献中都有报告，但在本数据集上没有官方的跨中心验证结果。
4.4 测试集的可得性
测试集的 50 例在竞赛期间标注保密，由主办方评分。竞赛结束后是否公开参考标注，官方页面没有说明。这一点对复现有直接影响：如果标注未公开，后来的研究者只能用训练集的 150 例自行划分，成绩无法与 2019 年的榜单直接对比。
总结论文报告的前十名 Dice 区间是 0.7354 加减 0.1149 到 0.8372 加减 0.0858。后来者若在自划分的验证集上报出类似数字，属于内部验证，不应表述为「达到挑战赛前十水平」。这个区分在二手综述中经常被抹平。
4.5 假设、支持与反对
| 假设 | 支持 | 反对 |
|---|---|---|
| 本数据集可代表中国肺癌活检的典型形态分布 | 样本来自四家不同层级医院，含省级肿瘤专科与市级综合医院 | 四家医院都在湖南，地域集中，且缺少详细的入组时间与患者构成描述 |
| 算法成绩已接近人类上限 | 最好 Dice 0.8372 与观察者间一致性 0.8398 仅差 0.0026 | 一致性参照只用了两位医师，若用更多人可能得到不同的上限估计；且 Dice 对大面积病灶更友好 |
| 多模型集成优于单模型 | 多模型平均 Dice 0.7966，单模型 0.7544，差异在 p<0.01 水平显著 | 差异可能来自集成带来的稳定性而非方法本身的优越性；参赛队算力差异未加控制 |
| 组织级标注足以支撑临床级分割 | 与诊断报告的癌区概念对齐 | 临床勾画靶区常需要区分肿瘤与间质、坏死、炎症，组织级单类标注无法支持 |
4.6 结论强度分级
| 结论 | 强度 | 依据 |
|---|---|---|
| 总样本 200 例、训练 150 例、测试 50 例 | A | 官网首页、数据页、期刊摘要三处一致 |
| 2019 届评价指标为 Dice | A | 官网与期刊摘要一致 |
| 前十名 Dice 区间为 0.7354 至 0.8372 | A | 期刊摘要原句 |
| 观察者间一致性 0.8398 | A | 期刊摘要原句 |
| 数据由同一台扫描仪采集 | B | 官网单处表述 |
| 2020 届类别集合 | C | 仅有设计文档举例 |
| 测试集标注现已公开 | D | 无来源支持，属推断 |
§5 能做什么：任务清单与最小可执行示例
5.1 任务谱系
这个数据集支持的任务可以按输入输出粒度排成一条谱：
| 任务 | 输入 | 输出 | 与官方任务的关系 |
|---|---|---|---|
| 补丁级二分类 | 256 或 512 像素补丁 | 含癌与否 | 官方分割任务的分解形式 |
| 切片级二分类 | 整张切片 | 含癌与否 | 弱监督，用切片级标签训练 |
| 全切片分割 | 整张切片 | 像素级癌区掩膜 | 官方 2019 届任务本身 |
| 弱监督定位 | 整张切片 | 癌区热图 | 用切片级标签近似分割 |
| 亚型分类 | 整张切片或癌区补丁 | 鳞癌、腺癌等 | 官方 2020 届方向 |
| 分割辅助分型 | 整张切片 | 癌区掩膜加亚型 | 两届任务的串联 |
| 预训练微调 | 切片或补丁 | 任意下游 | 借本文数据做领域适配 |
| 染色归一化评测 | 切片或补丁 | 归一化后的图像 | 用其做方法对比的基准之一 |
前四项是对 2019 届任务的合理延伸，第四项尤其常用，因为实际部署中最难拿到的是像素级标注，而切片级诊断标签在医院信息系统里大量存在。第五项对应 2020 届方向，但由于类别定义未见完整公开，做这一项时需要自行定义类别体系。
5.2 最小可执行示例：从切片到补丁到分割
下面这段代码演示最常用的入口路径：读取切片、按低倍率定位组织区域、裁补丁、读取标注并生成补丁级掩膜。代码只依赖 openslide-python 与 Pillow，不绑定特定框架。
import openslide
import numpy as np
from PIL import Image
def tissue_patches(slide_path, patch=512, level=0, thumb_level=-1):
"""在缩略图上粗定位组织，再在高倍率层按网格裁补丁。"""
slide = openslide.OpenSlide(slide_path)
thumb = slide.read_region((0, 0), slide.level_count - 1,
slide.level_dimensions[-1]).convert("RGB")
arr = np.asarray(thumb)
tissue = (arr.mean(axis=2) < 220) # 简单阈值：非白背景视为组织
ys, xs = np.nonzero(tissue)
if len(ys) == 0:
return []
factor = slide.level_downsamples[-1]
x0, x1 = int(xs.min() * factor), int(xs.max() * factor)
y0, y1 = int(ys.min() * factor), int(ys.max() * factor)
out = []
for y in range(y0, y1 - patch, patch):
for x in range(x0, x1 - patch, patch):
tile = slide.read_region((x, y), level, (patch, patch))
if np.asarray(tile.convert("RGB")).mean() < 220:
out.append((x, y))
return out
标注的读取需要用 XML 解析器取出坐标点，再按补丁框是否与多边形相交来生成补丁级标签。实践中不必逐点判断，用 shapely 把多边形与补丁矩形做相交运算即可。
from shapely.geometry import Polygon, box
def patch_label(polys, x, y, patch):
rect = box(x, y, x + patch, y + patch)
for poly in polys:
if poly.intersects(rect):
return 1
return 0
这两段代码足以跑通一个补丁级分类基线。把它换成全切片分割时，只需把补丁坐标按原始分辨率回贴、在低倍率层做多数投票或概率平均。
5.3 训练策略的三条常见路线
路线一，补丁分类加后处理。用 ResNet 或 EfficientNet 做补丁级二分类，推理时全切片密集滑窗，得到概率图后做形态学平滑与阈值化。这条路线实现简单，缺点是对边界不敏感，Dice 通常低于端到端分割。
路线二，基于补丁的 U-Net 类分割。在低倍率层切大补丁，每块做分割再拼回全图。这条路线与官方任务形态最接近，前十名多数采用这一架构。
路线三，多示例学习。用切片级标签训练注意力池化的多示例模型，推理时注意力权重即热图。这条路线不需要像素级标注，可用于标注稀缺的场景，但在本数据集上属于「浪费标注」的用法。
5.4 评测的对齐问题
在内部验证里，Dice 的计算需要与官方口径对齐。第一个要注意的是空掩膜样本的处理：如果一张切片没有癌区（本数据集按定义全部含癌，但补丁级评估会出现空补丁），Dice 的分母为零。第二个是要决定在哪个倍率上算 Dice，低倍率算得快但与高倍率结果不等价。第三个是边界框的取舍，是否先裁到组织范围再算。
这三点在报告里都应写明。文献中同报 0.85 的两个模型，若 Dice 的计算层不同，实际可比性有限。
还有一个经常被忽略的对齐项：官方榜单用的是测试集的参考标注，而测试集标注由主办方持有。后来者若在自己划分的验证集上计算，样本量从五十例变成一个更小的数字，Dice 的置信区间会显著变宽。若验证集只有三十例，单例误差就可能让总 Dice 波动零点零二以上，与榜单上两名之间的差距同量级。
因此，任何「超过某届某队成绩」的表述，都应附带验证集规模与划分方式。仅给一个 Dice 数字而不给这些条件，在方法学上是不成立的。
5.5 补丁采样的工程细节
补丁采样是整条流水线中最容易被低估的一步。切片里相当大比例的面积是空白玻璃与脂肪组织，若不筛掉，模型会大量学习背景。常用的做法是先把切片缩到低倍率，计算颜色饱和度与亮度，把饱和度低或亮度高的区域判为背景。
阈值的设定对结果影响很大。肺组织的肺泡腔本身颜色浅，若阈值按乳腺或淋巴结的数据调，会把大量含气肺组织误判为背景，导致癌区被切断。反过来，阈值放得太松，组织折叠与褶皱会被当成前景，引入大量伪影。
实践中建议先统计十张切片在前景判据下的组织占比，画成直方图，看分布是否合理，再定阈值。同时把折叠检测单独做一步：折叠区域的颜色通常更深、纹理更密，可以用局部对比度筛出，标记为忽略区，不参与损失计算。
采样密度也需要权衡。为了控制训练成本，常做分层采样：含癌补丁全部保留，背景补丁按比例下采样。下采样比例过高会让模型偏向预测前景，过低则训练变慢。一个经验起点是前景与背景一比一，若验证集上假阳性明显偏多，再提高背景比例。
5.6 弱监督数据的构造方式
本数据集的训练集同时具备切片级与像素级两种标签，这一点常被忽略。构造弱监督实验时，可以只保留一个切片级标签（该切片含癌），把 XML 掩膜完全藏起来，再在推理时用掩膜算 Dice。这样得到的成绩可以和全监督成绩直接比较，差异就是标注成本的价值。
常见的构造方式有四种。第一种是切片级二分类，只关心整张切片有没有癌；第二种是补丁级伪标签，先用全监督模型在训练集上生成热图，再把热图当作弱标签训练新模型，考察自训练能否减少标注依赖；第三种是注意力多示例，用切片级标签训练注意力池化网络，注意力权重直接可视化为热图；第四种是把同一张切片的多个放大倍率当作不同视图，做多尺度一致性约束。
四种方式里，第三种最省标注但最不精确，第一种最简单但无法产出区域，第二种依赖一个已经训练好的教师模型，第四种在两个尺度差异大时容易互相拉扯。选择哪一种，取决于最终交付物是区域还是判断。
数据效率的曲线通常很不平滑。在切片数少于一例一折的极端设置下，多示例模型的方差会大到无法得出可靠结论。做这类实验时，建议至少重复五个随机种子，并报告均值与标准差，而不是只报最好的一次。
5.7 分割结果的临床可读性
分割模型输出的二值掩膜在临床上并不直接可用。病理医师关心的是癌区之外的东西：切缘是否干净、肿瘤是否侵犯胸膜、有无脉管侵犯。本数据集的单类组织级标注无法回答这些问题。
若要把分割结果往临床靠，需要做三件事。其一是把掩膜转成轮廓并叠加到低倍率全景上，让医师能一眼看到癌区范围；其二是给出面积占比与位置描述，例如占组织面积的百分比、位于切片中央还是边缘；其三是对边界附近的区域单独标记，因为那里正是观察者分歧最大的地方，也是最需要人工复核的地方。
这套转换不改变模型本身，但在产品化时是必需的一步。很多演示系统止步于「输出一张彩色掩膜」，实际使用时医师根本不知道该看哪里。
5.8 与诊断流程的衔接
把这套数据接入病理辅助诊断产品时，最现实的形态是「初筛加复核」。算法在低倍率下扫全片，输出可疑区域列表与置信度；病理医师在阅片界面上按列表跳转复核。这种形态对模型的要求不是最高的 Dice，而是高召回与低误报的平衡。
要支撑这种形态，需要额外做三件事：一是校准，把模型输出的概率变成可信的置信度；二是拒识机制，对分布外样本拒绝给出结论；三是与切片扫描系统对接的工程接口。这三件都不在本数据集范围内。
§6 常见误读与引用陷阱
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| ACDC 就是心脏 MRI 那个数据集 | ACDC@LungHP 是癌症检测与分类（Automatic Cancer Detection and Classification）的缩写，任务为肺癌病理全切片；心脏数据集是 Automated Cardiac Diagnosis Challenge | 官网首页标题与正文 |
| 这个数据集有 200 张以上切片 | 200 张，且部分活检含多张切片但只标注一张 | 官网数据页 |
| 训练集 150 例，测试集 100 例 | 测试集 50 例 | 官网数据页、期刊摘要 |
| 标注是细胞核级 | 组织级肿瘤区域，XML 格式 | 官网数据页 |
| 数据集是 CC BY 4.0 | 官网未见数据许可文本；CC BY 4.0 是期刊论文的许可 | 官网、IEEE 页面 |
| 冠军 Dice 0.84 说明算法超过人类 | 观察者间一致性为 0.8398，算法 0.8372 逼近而非超过 | 期刊摘要 |
| 2019 届和 2020 届是两套数据 | 同一批 200 例，两届任务不同 | Zenodo 设计文档 |
| 数据集包含患者年龄、性别与分期 | 公开文档未提及任何临床变量 | 官网数据页 |
| 可以直接从官网点链接下载 | 数据托管于 OneDrive 与百度网盘，需经平台指引 | 官网数据页 |
| 2020 届有完整的类别与榜单 | 只有设计文档举例（鳞癌、腺癌），无总结论文 | Zenodo 设计文档 |
陷阱一：把「ACDC」当成唯一检索词。 在 PubMed 与 Google Scholar 上直接搜 ACDC，返回结果里心脏数据集占绝对多数。有效的检索式是把 ACDC@LungHP、lung histopathology、whole-slide 三个要素组合，或直接定位 grand-challenge 域名。
陷阱二：把测试集当成独立验证集。 若测试集标注未公开，它只能用于官方评分，无法用于发表时的外部验证。在论文里写「在官方测试集上验证」需要能出示标注来源，否则应改称「在自划分的留出集上验证」。
陷阱三：把切片数当成患者数。 官方明确说同一活检可能扫描多张切片，且只标注其中一张。若不做去重直接按切片做交叉验证，同一患者的组织可能同时出现在训练折与验证折，指标会虚高。
陷阱四：在不同倍率上算 Dice 后直接比较。 低倍率下的一张图的像素是原始像素的若干倍放大，边界误差被平滑掉，Dice 系统性偏高。报告时应注明推理与评估倍率。
陷阱五：把总结论文的开放获取理解成数据开放获取。 两者是独立的许可对象。数据再分发前应查官网而非论文版权页。
陷阱六：假定 2020 届的类别标签以文件形式随 2019 数据一起发布。 设计文档说 2020 届在同一数据基础上前行，但类别标签的存储方式、类别总量、样本分布都没有公开说明。做亚型任务时应自行从病理报告或另行公开的标签中重建类别体系。
陷阱七：用本数据集的成绩与 CAMELYON 的成绩横向排名。 两者的病灶性质与评测集不同，Dice 数值之间没有可比性。跨数据集比较只有在同一评测协议、同一参考标准下才成立。
陷阱八：忽略「4 页论文」这条参赛义务。 官方明确只有同时提交方法论文的队才算有效提交。后来的研究者在复现榜单时若只看到成绩表而未见对应论文，应核对成绩是否来自有效提交。
§7 在生态中的位置
7.1 挑战赛谱系中的定位
ACDC@LungHP 属于 2016 至 2020 年间涌现的一批病理全切片挑战赛。按时间与主题排，最早的 CAMELYON16 聚焦淋巴结转移检测，CAMELYON17 扩展到多中心与分期，TUPAC16 转向乳腺肿瘤增殖评分，随后是 ACDC@LungHP 的肺癌分割与 PANDA 的前列腺分级。
这条谱系的共同特征是：以 grand-challenge 平台为组织基础设施，以 Dice 或同类指标为评价核心，以一批有经验的病理医师为标注者，以竞赛结束后的合著论文为产出。理解这个组织形态，就能理解为什么不同挑战赛的数据规格高度相似，以及为什么它们的许可策略也常常同样含糊。
7.2 与其他肺部数据的关系
肺部公开数据分三条线。第一条是影像筛查线，以 LIDC-IDRI、LUNA16 为代表，任务是低剂量 CT 上的结节检测。第二条是病理线，包括 LC25000 这类肺与结肠的 H&E 图像分类集，以及本文讨论的全切片挑战赛。第三条是分子与多组学线，以 TCGA 的肺腺癌与肺鳞癌队列为代表。
三条线之间不是替代关系而是互补关系。CT 解决「有没有结节」，病理解决「是不是癌、是哪一种癌」，分子数据解决「用什么药」。把三者串起来的多模态研究在文献中已有尝试，但受限于缺少同一患者的跨模态配对公开数据。
7.3 对后续方法的影响
2019 届总结论文报告的两条结论被后续工作频繁引用。第一条是多模型方法显著优于单模型，平均 Dice 分别为 0.7966 与 0.7544。第二条是算法成绩接近观察者间一致性，被用来论证「分割任务本身已趋于饱和」。
第二条结论后来受到部分修正。批评意见认为，观察者间一致性只是在两位医师之间测得，若引入更多医师，上限估计可能变化；同时，在同一分布内的测试上接近人类，不等于在跨中心数据上接近人类。这类批评在近年的病理基础模型论文里被反复引述。
7.4 开源工具与代码生态
与这个数据集配套的工具生态相对成熟。读取端用 OpenSlide 或其 Python 绑定；注释端用 ASAP 或 QuPath；补丁抽取常用 CLAM 一类多示例学习的开源框架；分割端常用 nnU-Net 一类自适应框架。这些工具都不是为本数据集专门开发的，但都能直接处理它的文件格式。
需要提醒的是，很多教程把这些工具串起来后就宣称「可以直接跑 ACDC@LungHP」，实际都需要改动：路径结构要按实际下载包调整，XML 解析要适配 ASAP 的坐标约定，补丁抽样的组织过滤阈值要按本数据集的染色重新标定。
7.5 在 AI-Ready 意义上的位置
以可发现、可获取、可互操作、元数据质量、可持续五个维度衡量，这个数据集呈现明显的不均衡。可发现性高，官网与论文都在线；可互操作性较好，TIFF 与 XML 都是标准格式；元数据质量中等，规模与划分清楚，但临床变量与扫描参数缺失；可获取性与可持续性是短板，下载依赖挑战赛平台与云盘的时效链接，且没有显式的许可文本。
这决定了它更适合被当作「方法研究的基准」而不是「产品训练的数据源」。前者只需要内部一致性与可复现性，后者需要清晰的授权与稳定的分发。
7.6 参见
- CAMELYON16/17：同一组织传统下的淋巴结转移全切片挑战赛，方法学可直接迁移
- TUPAC16：乳腺肿瘤增殖评分挑战赛，WSS 分割与评分任务的对照
- PANDA：前列腺癌 Gleason 分级挑战赛，切片级弱监督的代表
- LC25000：肺与结肠 H&E 图像的补丁级分类集，可作为轻量入门
- PAIP：韩国病理 AI 挑战赛系列，含肺癌全切片任务
- LUNA16：肺结节 CT 检测基准，与病理任务完全不同的模态
§8 总结
8.1 适用场景
第一，训练与评测全切片级分割模型。150 例带组织级标注的切片足以支撑方法对比，尤其是补丁级与全片级策略的比较。
第二，作为病理基础模型的下游评测集。用预训练模型在本数据集上微调，考察其在肺癌分割上的迁移能力，是近年常见的评测方式。
第三，研究弱监督与半监督方法。切片级标签与像素级标签在本数据集上可以同时获得，便于构造标注量递减的实验。
第四，教学与课程练习。规模适中、格式标准、有官方基准成绩，适合作为病理图像处理课程的实践数据。
8.2 不适用场景
第一，临床级辅助诊断产品的训练。200 例的规模与单中心采集，无法覆盖真实世界的形态与染色多样性。
第二，跨中心泛化研究。数据集本身没有多中心对照，无法做跨域评估。
第三，细胞或核级任务。标注粒度不支持。
第四，需要人口学与分期协变量的研究。公开文档未见临床变量。
8.3 三句话
ACDC@LungHP 是 2019 年 ISBI 与 2020 年 MICCAI 上连续举办的肺癌病理全切片挑战赛数据集，200 例含癌活检、150 例带组织级标注、50 例用于官方评分。
它的核心价值在于给出了一个「算法与病理医师逼近程度」的可量化参照，2019 届最好成绩 0.8372 与观察者间一致性 0.8398 的差距构成了这个领域的天花板讨论基础。
用它之前请先区分两届任务、确认标注粒度、核实许可状态，并记住它与心脏影像那个同名缩写不是一回事。
8.4 任务速查卡
| 你的目的 | 建议动作 | 先注意 |
|---|---|---|
| 快速跑通分割基线 | 下载训练集 150 例，补丁级 U-Net | 先做重复切片去重 |
| 复现官方榜单 | 需要测试集标注，确认是否可取得 | 自划分验证不等于官方榜单 |
| 做亚型分类 | 重建类别体系，建议先查 2020 设计文档 | 类别定义未完整公开 |
| 交给法务评估许可 | 引官网与论文两处，不要引二手教程 | 数据无显式许可文本 |
| 写文献综述 | 引总结论文的两条核心结论 | Dice 跨数据集不可比 |
§9 相关数据集与互链
9.1 必须区分：两个 ACDC
这是检索时第一优先级的区分。医学影像领域说「ACDC」时，八成指的是 MICCAI 2017 的 Automated Cardiac Diagnosis Challenge。那是一个心脏磁共振数据集，150 例检查、五类疾病分组、金标准为右心室、心肌与左心室三结构的分割。它的主办方与 ACDC@LungHP 没有任何重叠，数据、任务、评价指标都不同。
两个数据集共享四个字母，原因是首字母恰好都凑成了 A，分别是 Automatic 与 Automated，C 都是 Category 或 Cancer 类的词，D 都是 Diagnosis 或 Detection，最后一个 C 分别是 Challenge 与 Classification。这种巧合在缩写密集的医学影像领域并不罕见，但对检索的伤害很实在：没有任何一个搜索引擎能仅凭 ACDC 把两者分开。
在写论文与做数据集综述时，正确的做法是首次出现时给出全称，并在参考文献里带上 DOI 而非缩写。引用 ACDC@LungHP 时带 DOI 10.1109/JBHI.2020.3039741，引用心脏 ACDC 时带它的原始论文 DOI，两者就不会混。
9.2 同域病理挑战赛
| 数据集 | 器官与任务 | 与本文的关系 |
|---|---|---|
| CAMELYON16/17 | 乳腺淋巴结转移检测与分期 | 组织传统上最接近，ASAP 标注格式同源，是方法迁移的首选对照 |
| TUPAC16 | 乳腺肿瘤增殖评分 | 同为 WSI 级评测，评价指标不同，可作为分割指标的参照系 |
| PANDA | 前列腺穿刺 Gleason 分级 | 切片级弱监督的代表，与本数据集的组织级标注形成互补 |
| PAIP | 多器官病理挑战赛系列 | 含肺癌全切片赛道，可直接对比任务设计的异同 |
| PCam | 淋巴结转移补丁分类 | 补丁级任务的轻量基准，适合做预实验 |
CAMELYON 系列的迁移价值最高。它同样用 ASAP 标注、同样以 Dice 为核心指标、同样在 grand-challenge 平台上组织，其参赛代码与工具链几乎可以原样迁移。需要改动的主要是组织过滤阈值与补丁尺度，因为肺组织与淋巴结的脂肪背景分布差异很大。
9.3 肺部图像数据集
LC25000 收的是肺与结肠的 H&E 图像小图，任务是从小图上做三分类或五分类。它与本数据集的关系是粒度不同：LC25000 提供的是已经裁好的小图，适合快速跑通分类流程；本数据集提供的是全切片，适合研究从定位到分类的完整流程。
LUNA16 与 LIDC-IDRI 是 CT 上的肺结节数据，与病理无关。把两者混在一篇文章里讨论「肺癌 AI」是常见的综述写法，但必须明确它们解决的是筛查而非诊断的问题。
9.4 可迁移的工具链
读取全切片用 OpenSlide，它在 Python、Java、C 都有绑定，能读大多数扫描仪产出的 TIFF 金字塔。注释用 ASAP 或 QuPath，前者是 Radboud 团队维护、与本数据集标注格式严格对应的工具，后者功能更全，适合做批量浏览与格式转换。补丁抽取用 CLAM 一类框架，它内置了组织检测、补丁切分与注意力池化三段流程。
这些工具都与本数据集没有强绑定关系，好处是上手成本低，坏处是默认参数往往针对其他数据集调过。比如 CLAM 默认的组织检测阈值对肺组织的含气区域常常误判，需要下调阈值或改用饱和度判据。
9.5 库内互链与消歧建议
在千方病案医数集里，与本主题相关度最高的条目按检索意图可以分三组。第一组是必须消歧的同名缩写，即心脏 MRI 的 ACDC。第二组是同域病理挑战赛，包括 CAMELYON16/17、TUPAC16、PANDA、PAIP、PCam、LC25000。第三组是工具与方法层面的邻近条目，包括 Quilt-1M 这类病理图文数据与 BCNB 这类小样本病理集合。
从检索意图看，搜「ACDC」的人最可能想要心脏数据，因此这份资料在站点内不应抢占这个关键词，而应把「ACDC@LungHP」「肺癌全切片」「LungHP」作为主检索面。这也解释了为什么标题采用带 @ 的完整写法，而不是简写。
基于这组关系，还可以给出一张互链优先级表，供编写站内导航与内容策划时参考：
| 目标条目 | 检索场景 | 互链优先级 | 说明 |
|---|---|---|---|
| 心脏 ACDC | 用户只搜了 ACDC | 最高 | 必做消歧，否则同名词互相稀释 |
| CAMELYON16/17 | 找病理全切片分割方法 | 高 | 工具链与标注格式一致，迁移成本最低 |
| TUPAC16 | 找 WSI 级评测的对照基准 | 中高 | 评测思路相同，指标定义不同 |
| PANDA | 找切片级弱监督案例 | 中 | 标注粒度互补，任务对象不同 |
| LC25000 | 找轻量病理分类入门数据 | 中 | 从补丁级到全切片级的自然过渡 |
| PAIP | 找亚洲多器官病理挑战赛 | 中 | 同区域、同组织形态，样本来源相近 |
| PCam | 找补丁级二分类基准 | 中低 | 适合预实验，不适合直接对标 |
| LUNA16 | 找肺结节检测 | 低 | 模态不同，仅作概念区分 |
| Quilt-1M | 找病理图文对齐数据 | 低 | 数据形态不同，方法上可借鉴 |
这张表只表达检索上的邻近关系，不构成使用建议。真正决定互链价值的是用户在阅读完一份材料后，下一步最可能想找什么：先分清是哪个 ACDC，再找同域可迁移的方法，最后找可对照的基准数据。
§10 附录
附录 A：关键数字速查
| 项目 | 数值 |
|---|---|
| 总样本 | 200 例 |
| 训练集 | 150 例 |
| 测试集 | 50 例 |
| 测试集占比 | 四分之一 |
| 染色方法 | H&E |
| 标注格式 | XML |
| 标注粒度 | 组织级 |
| 2019 届主指标 | Dice |
| 前十名 Dice 下界 | 0.7354 加减 0.1149 |
| 前十名 Dice 上界 | 0.8372 加减 0.0858 |
| 观察者间一致性 | 0.8398 加减 0.0890 |
| 多模型平均 Dice | 0.7966 |
| 单模型平均 Dice | 0.7544 |
| 参赛论文页数上限 | 4 页 |
| 受邀现场报告队数 | 10 队 |
| 单位作者上限 | 每队 2 人 |
附录 B：缩写表
| 缩写 | 全称 | 含义 |
|---|---|---|
| ACDC@LungHP | Automatic Cancer Detection and Classification in Whole-slide Lung Histopathology | 本挑战赛与数据集的正式缩写 |
| WSI | Whole Slide Image | 全切片图像 |
| H&E | Hematoxylin and Eosin | 苏木精-伊红染色 |
| CAD | Computer-Aided Diagnosis | 计算机辅助诊断 |
| DC | Dice Coefficient | Dice 系数 |
| ISBI | IEEE International Symposium on Biomedical Imaging | IEEE 生物医学成像国际研讨会 |
| MICCAI | Medical Image Computing and Computer Assisted Intervention | 医学图像计算与计算机辅助干预会议 |
| ASAP | Automated Slide Analysis Platform | 全切片注释开源平台 |
| NSCLC | Non-Small Cell Lung Cancer | 非小细胞肺癌 |
| SCLC | Small Cell Lung Cancer | 小细胞肺癌 |
| MIL | Multiple Instance Learning | 多示例学习 |
| AUC | Area Under the ROC Curve | 受试者工作特征曲线下面积 |
| TCGA | The Cancer Genome Atlas | 癌症基因组图谱 |
附录 C：引用模板
中文期刊引用：
Zhang L, Zhang J, Tan T, 等. 全切片组织病理图像中的肺癌分割深度学习方法——ACDC@LungHP 挑战赛 2019[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 25(2): 429-440. DOI: 10.1109/JBHI.2020.3039741.
英文引用：
Li Z, Zhang J, Tan T, Teng X, Sun X, Zhao H, et al. Deep Learning Methods for Lung Cancer Segmentation in Whole-Slide Histopathology Images—The ACDC@LungHP Challenge 2019. IEEE J Biomed Health Inform. 2021;25(2):429-440. doi:10.1109/JBHI.2020.3039741
数据说明段模板：
本研究使用 ACDC@LungHP（Automatic Cancer Detection and Classification in Whole-slide Lung Histopathology）挑战赛提供的 150 例带组织级肿瘤区域标注的肺癌活检全切片，数据经 https://acdc-lunghp.grand-challenge.org/ 获取，引用遵循官方要求的两篇文献。
附录 D：入门检查清单
取数前：确认要跑的是分割还是分型任务；确认团队是否有病理医师可做标注复核；确认算力能支撑全切片推理。
取数后：核对切片数与标注数；检查 XML 能否被 QuPath 打开；按文件名整理重复切片分组；生成文件哈希留档。
建模前：做染色归一化的基线对比；固定补丁尺度与倍率；写清验证集划分方式。
投稿前：核对 Dice 的计算倍率与口径；说明验证集是自划分还是官方测试；核对引用的两篇文献。
附录 E：未覆盖的内容
本文未覆盖三类信息。第一类是 2020 届分型任务的完整类别体系与成绩榜，公开材料中只有设计文档的举例说明。第二类是各参赛队的详细方法，总结论文中有概述，但逐队的技术细节需要回查各自的 4 页论文。第三类是数据集的伦理审批与知情同意文件，官方页面未提供。
这三类信息的缺失不影响对数据集基本规格与使用方式的理解，但会限制对分型任务与合规状态的深入分析。
附录 F：DAIMS 评估
| 维度 | 评分 | 依据 |
|---|---|---|
| D 可发现性 | 8 | 官网与期刊论文均在线，DOI 稳定；但缩写与心脏 ACDC 冲突，检索易混 |
| A 可获取性 | 6 | 有公开入口，但依赖 OneDrive 与百度网盘的时效链接，且无显式许可文本 |
| I 可互操作性 | 8 | TIFF 金字塔与 XML 均为事实标准，ASAP 与 QuPath 直接兼容 |
| M 元数据质量 | 6 | 规模、划分、指标明确；扫描参数、临床变量、患者去重表缺失 |
| S 可持续性 | 6 | grand-challenge 平台稳定，Zenodo 有固定 DOI；但数据本体无长期归档托管 |
| 综合 | 6.8 | 作为方法研究基准合格，作为授权明确的产品数据源不足 |
编辑说明
核验时间：2026 年 10 月 18 日。核验方式：官方网站首页、数据页、委员会页三页实抓；IEEE Xplore 论文摘要页；Zenodo 记录页；arXiv 两份预印本摘要。所有核心数字均以官网与期刊摘要两处互证为准。
双口径冲突已逐条归档如下：其一，全称在 2019 年官网写作 Automatic Cancer Detection and Classification，2020 年 Zenodo 设计文档写作 Automatic Lung Cancer Detection and Classification，正文按届次分别说明。其二，官网首页的参赛时间表仍为 ISBI 2019 版，2020 届的具体日程与榜单未在三处可达来源中出现，正文按设计文档表述为「转向亚型分类」。其三，官网提到扫描仪可达 160 纳米每像素，属设备能力表述，正文注明不等于逐张实际分辨率。
未覆盖内容：2020 届类别集合、样本分布与成绩榜单；各参赛队 4 页论文的逐篇细节；伦理审批与知情同意文件。以上三项均列入遗留疑点。
版本日志：初版，2026 年 10 月 18 日。下次复核建议在官网更新 2020 届信息或数据下载链接失效时进行。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- cosas — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- puma — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- owl — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- lysto — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- dsb2018 — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- neurips22-cellseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- tiger — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- wsss4luad — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- monusac — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 挑战赛数据集
- lnq — 共享标签：医学影像 / 医学图像分割 / 挑战赛数据集 / 肺癌
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
