信息速览
INFOBOX — AI-TB-ZN 一屏速览
维度 内容 本质 乌干达西南部 512 张 ZN 抗酸染色痰涂片明场显微图的图像级二分类数据集（非检测框、非逐杆菌标注） 团队 Mbarara University of Science and Technology（MUST，姆巴拉拉科技大学）病理学系牵头，联合 SRF Research and Training Centers 与 Mbarara Regional Referral Hospital（MRRH）；10 位作者 论文/文档 配套数据集论文 DATASET_PAPER_AI_TB_ZN.pdf（8 页）+ README（Version 1.0）；2026 年公开发布规模 512 张 = 256 AFB Positive + 256 AFB Negative（1:1 均衡）；JPEG 格式 采集 明场光学显微（bright-field）×100 放大；Olympus BX41 + Infinity Lite 数码相机；一部分用 Samsung Galaxy A16 手机 标本/染色 痰涂片（sputum smear）；Ziehl–Neelsen（ZN，抗酸染色） 标注 图像级二分类（AFB +/-），由常规实验室镜检结果指定并经训练有素实验室专业人员核验 划分（关联研究） Training 358 / Validation 77 / Testing 77 = 512（论文声明"专供关联 AI 模型开发与评估"） 伦理 MUST-REC 准号 MUST-2025-618 + MRRH 行政许可；全程匿名化，无患者标识符 资助 Faculty of Health Sciences Seed Grant, MUST 获取 Zenodo 公开直链（无 gated）；概念 DOI 10.5281/zenodo.21273570（论文所载...21266784实测 404）许可 CC BY 4.0（可商用，须署名） 库内互链 shenzhen-tb(167)、montgomery-tb(157)、tbx11k(177)（均 CXR，模态不同）、chestagentbench(816)（弱相关）
AI-TB-ZN 是一个"把显微镜下的抗酸染色涂片搬进算法训练集"的数据集：它来自乌干达西南部姆巴拉拉（Mbarara）的常规结核诊断流程，由 MUST 病理学系牵头，把 512 张 Ziehl–Neelsen（ZN）抗酸染色的痰涂片显微镜图像——256 张抗酸杆菌（AFB）阳性、256 张阴性——逐张附上经实验室专业人员核验的图像级诊断标签，并以 CC BY 4.0 在 Zenodo 完全公开。它不追求超大规摸，而是填补一个具体的空缺：撒哈拉以南非洲本地采集、面向低资源地区结核镜检场景 的开放显微图像资源。
导语读法三则：
- 只想下数据：直奔 §6 获取与许可——Zenodo 公开直链，一份 CC BY 4.0 许可包，注意论文里印的 DOI 是失效旧号（坑 1）。
- 关心它能不能用来做检测模型：直奔 §3 与 §5——图像级二分类任务定义、标注粒度与"无合成数据/全匿名"的质控声明，决定了它能与不能训练什么。
- 关心它在结核数据集版图里的位置：直奔 §7 与 §9——它与库内若干"TB"条目（多为一词多义的胸片集）模态迥异，辨清模态是互链与检索的第一步。
§0 导读：这个数据集解决什么问题
0.1 从疾病负担说起
结核病（Tuberculosis, TB）是全球致死人数最多的单一传染病之一。WHO《2024 年全球结核病报告》估计 2023 年全球新发结核约 1080 万例、死亡约 125 万例，其中绝大多数负担落在中低收入国家。在结核的实验室诊断体系里，有几条并行的技术路线：痰涂片镜检（smear microscopy）、培养（culture）、分子检测（如 Xpert MTB/RIF）、以及影像学辅助诊断（胸片/CT）。它们各有定位：培养是金标准但慢（数周）且需生物安全条件；分子检测快而敏感但贵、需设备与试剂；胸片便宜普及但特异性有限、需影像判读能力；痰涂片镜检则是最古老、最便宜、最普及的基层手段——也是本数据集直接对应的那条路线。
痰涂片镜检的做法是：把痰标本涂在玻片上、用 Ziehl–Neelsen 抗酸染色（AFB 染色）突出分枝杆菌，再在显微镜下由检验人员人工寻找抗酸杆菌。它的优势是便宜、快速、可在基层开展，不依赖精密仪器；它的软肋也众所周知——敏感度低（相对培养可能只捕获一半左右病例）、极度依赖检验人员的经验与专注。一个检验员要在 ×100 油镜下逐视野搜索数十到上百个视野，长时间高强度用眼极易疲劳与漏检。这正是自动化显微镜图像分析想要接手的那部分工作：把"逐视野找杆菌"这件重复、耗神、易出错的活儿，交给一个能 7×24 稳定工作的算法。
0.2 缺的往往不是算法，而是数据
要训练一个"看图判断阴阳"的模型，最缺的往往不是算法，而是贴合真实采集条件的带标注图像。公开的结核影像数据并不少，但绝大多数是胸部 X 光片（CXR）——那是另一条诊断路径（影像学辅助诊断），与显微镜下看涂片完全是两回事：CXR 是看肺部的宏观阴影，涂片镜检是看痰里一条条被染红的杆状细菌；前者分辨的是"肺有没有病变"，后者分辨的是"痰里有没有菌"。用一个胸片数据集去训涂片模型，或者反过来，都是张冠李戴。
真正属于"痰涂片显微镜图像"的开放数据集长期稀缺，尤其是来自结核高负担地区、由本地机构采集的样本。原因不难理解：这类数据的生产需要镜检设备、存档玻片、有经验的标注人员，还要处理伦理与隐私；对资源有限的地区机构，做这件事的门槛不低。
要训练一个"看图判断阴阳"的模型，最缺的往往不是算法，而是贴合真实采集条件的带标注图像。公开的结核影像数据并不少，但绝大多数是胸部 X 光片（CXR）——那是另一条诊断路径（影像学辅助诊断），与显微镜下看涂片完全是两回事。真正属于"痰涂片显微镜图像"的开放数据集长期稀缺，尤其是来自结核高负担地区、由本地机构采集的样本。
0.3 AI-TB-ZN 的回答
AI-TB-ZN 的回答相对克制而具体：由乌干达 MUST 病理学系牵头，从姆巴拉拉地区常规结核诊断的存档 ZN 染色玻片里回顾性选取图像，用 Olympus BX41 明场显微镜在 ×100 下拍摄，得到 512 张匿名 JPEG——256 张 AFB 阳性、256 张阴性，阴阳严格 1:1；每张图的标签来自常规实验室镜检结果，并经训练有素的实验室专业人员独立核验。数据集配一份 8 页的数据集描述论文与 README，声明无合成图像、无人工篡改的诊断特征，全部匿名化，不含任何患者标识符；伦理审批来自 MUST-REC（准号 MUST-2025-618）与 MRRH 的行政许可；许可是 CC BY 4.0，通过 Zenodo 公开直链分发。
512 张不是一个大数目。它不足以单独训练一个工业级模型，也不太可能成为排行榜式的标杆数据集。但它有几个不易被替代的性质：真实基层条件采集、本地机构与本地人群、逐图专业人员核验、完全开放许可、全匿名无合成。对于全球健康 AI 最关心的"模型能否泛化到高负担地区的真实数据"这个问题，这类"小但真、本地且开放"的资源，价值往往不在于刷高某个指标，而在于提供一个诚实的检验场。
0.4 这个条目的组织方式
本条目按千方病案医数集 AI-Ready Wikipedia 的既有结构组织，导览如下：§0 你正在读的导读；§1 十问十答速览；§2 数据构成与规格（规模、类别、文件组织、划分、打包瑕疵）；§3 任务与标注（任务定义、标注来源、QA、伦理）；§4 采集设备与技术规格；§5 评估与基准（论文报了什么、没报什么）；§6 获取与许可（含 DOI 双口径）；§7 生态与影响；§8 方法学启示；§9 与库内条目的关系（含双口径存照与遗留疑点）；§10 避坑清单；§11 总结；后附 FAQ、事实清单、术语表、DAIMS 评估与附录。
§0 读法三则：
- 这个条目是"数据集描述文档 + 开放数据包"的组合：没有同行评审期刊论文、没有模型实验表，全文的性能数字一律"未报告"，不要臆造基线（§5）。
- 全文的每个硬数字都尽量给出来源口径（论文 / README / labels.csv 实测），三者冲突处（如 DOI）已在 §9 存照。
- 检索者务必先分清模态：本条目是显微镜涂片图像，不是胸片；库内
ptb-xl、aims-tbi虽然名字里带字母巧合，与结核无关（§9）。
§1 数据集速览：十问十答
Q1：AI-TB-ZN 到底是什么？
一个图像级二分类的痰涂片显微图像数据集：512 张 ZN 抗酸染色、明场 ×100 的匿名 JPEG，256 张 AFB 阳性 + 256 张 AFB 阴性。任务是"给一张涂片显微图，判断它属于阳性还是阴性"，不是画框、不是数杆菌、不做分割。
Q2：谁做的、在哪做的？
Mbarara University of Science and Technology（MUST，姆巴拉拉科技大学）病理学系牵头，联合 SRF Research and Training Centers（姆巴拉拉）与 Mbarara Regional Referral Hospital（MRRH，姆巴拉拉区域转诊医院）。样本来自乌干达西南部。
Q3：图像是怎么采的？
从常规结核诊断的存档 ZN 染色痰涂片玻片中回顾性选取，用 Olympus BX41 明场光学显微镜在 ×100 放大下拍摄，配 Infinity Lite 数码显微相机；其中一部分图像改用 Samsung Galaxy A16 手机拍摄。
Q4：标签怎么来的、可靠吗？
标签（AFB 阳性/阴性）由常规实验室显微镜检查结果指定，并经训练有素的实验室专业人员核验。标注粒度是图像级——每张图一个类别，不提供杆菌的坐标或数量。
Q5：数据怎么组织？
两个文件夹：TBPOSITIVE/（256 张阳性）与 TBNEGATIVE/（256 张阴性）。随包附 labels.csv（filename,label 两列）、metadata.csv、README、LICENSE、CITATION.cff、数据集论文与数据可获取性声明。
Q6：论文报告了模型的准确率吗？
没有。配套文档是数据集描述论文，不含实验结果表，全文不对任何算法给基线数字。如需基准，研究者得自行建立。
Q7：能商用吗？
能。许可为 CC BY 4.0——可复制、分发、改编、再分发甚至商用，唯一硬性条件是适当署名原作者。
Q8：怎么拿到它？
Zenodo 公开直链直接下载，无申请、无 gated。概念 DOI 为 10.5281/zenodo.21273570（对应 record 21273571），注意论文与 README 里印的 10.5281/zenodo.21266784 实测已 404（§9 坑 1）。
Q9：它适合训练什么、不适合什么？
适合：图像级阳性/阴性分类器、迁移学习、外部验证（把在别处训练的模型拿到这个非洲本地子集上测泛化）、可解释 AI 与教育演示。不适合：杆菌定位/计数（无框、无点标注）、像素级分割（无掩码）、荧光或其他染色方式的迁移（仅 ZN + 明场）。
Q10：为什么它对 AI-Ready / 千方医数集重要？
它是库内首个以"光学显微镜痰涂片"为模态的结核数据集，补齐了库内结核相关条目清一色为胸片（CXR）的模态空白，并且是一个"低资源地区本地采集 + CC BY 4.0 全开放 + 全匿名 + 声明无合成"的干净样本。
Q11：它和"培养""Xpert"是什么关系？
无关。培养与 Xpert MTB/RIF 是另外两条诊断路线（分别靠培养皿与分子扩增），本数据集对应的是最基础的涂片镜检。数据集的标签也来自镜检结果，不是培养或分子结果。
Q12：它和"胸片数据集"最大的差别是什么？
模态。胸片是宏观影像（看肺部），涂片显微图是微观影像（看痰里的细菌）。数据规模、图像尺度、标注方式、可应用的任务都不一样。互链时务必注明这一点，否则会误导检索者。
Q13：数据集是不是"挑战赛"？有排行榜吗？
不是挑战赛，没有排行榜、没有提交系统、没有内建基线。它是一个静态的开放数据包，供自由下载与研究。
Q14：它是"多中心"数据吗？
不是。样本采自乌干达西南部单一地理区域。作者在局限声明中明确"single geographical region"。多位点、多国的泛化性未经作者验证。
Q15：图像是"整张玻片扫描"吗？
不是。是 ×100 显微镜下的静态视野快照，不是 WSI（全切片图像），因此不能从图像重建整张玻片。
Q16：有没有对阴性样本做确认性检测（如培养）？
作者声明 ground-truth 来自常规实验室显微镜检查结果，未提及用培养或分子方法对阴性做交叉确认。因此"阴性"标签在生物学金标准意义上可能包含涂片漏检的真阳性（§2.2 第 3 点、§10 坑 4 相关讨论）。
§2 数据构成与规格
2.1 规模、均衡设计与来源
AI-TB-ZN 的全部内容可以压缩成一行数字：512 = 256 + 256。这是一个刻意设计的完全均衡数据集——阳性与阴性各占一半，精确到张。这一点在结核镜检数据里并不常见：真实筛查场景中痰涂片的阳性率通常远低于阴性率（高负担地区阳性率也常在个位数到十几个百分点之间），因此若按真实先验采样，阳性样本会稀少到难以训练。作者的选择是放弃真实先验、换取二分类任务的训练稳定性——代价是部署到真实筛查场景时，需要研究者自行做先验校正（见 §10 坑 4）。
均衡设计的收益与代价可以从统计角度看得更清楚。训练一个二分类器时，如果阴阳比例是 1:9，模型即使全部预测为"阴"也能拿到 90% 的准确率——这是个无意义的假高分，需要靠重加权、重采样或调整损失来纠正。作者直接在上游把数据做成 1:1，等于把这个负担从"每个使用者各自的训练脚本"移到了"数据集生产者一次性的采样决策"上。代价有两层：其一，模型学到的输出概率隐含了 1:1 的先验，投放到真实场景（阳性率 p≪0.5）时需要用贝叶斯公式把先验换回去；其二，256 个阳性和 256 个阴性都是"被选出来的"，如果选取过程与某些图像特征相关，就可能引入选择偏倚——尽管作者声明了去重与质量核验，但均衡采样这一步本身的选择规则未被详细披露。
从来源看，这 512 张图并非为造数据集而专门招募受试者拍摄，而是从常规结核诊断流程中已经产生的存档 ZN 染色玻片里回顾性选取：纳入的是姆巴拉拉区域常规诊断工作流里的痰涂片，也就是说，它的成像条件就是真实基层实验室的成像条件（同型显微镜、同样的染色与拍片方式），而不是实验室里为拍图而精心布置的样本。这一"回顾性、真实条件"的定位，是它相对于许多"科研摆拍"式显微数据集的差异化价值所在。
回顾性构建也决定了样本的"上限来源"：能纳入的图像，取决于那段时间里 MRRH 及合作机构积累了多少存档玻片、其中有多少被拍成了合格图像、又有多少能被可靠地标注。这不是一个为特定研究假设而设计的抽样方案，而是一次"在既有资源里挑出可用部分"的工程。理解这一点，有助于理解为什么总量是 512 而非 5000——它是产能与质控平衡的产物。
2.2 类别体系与标签语义
数据集只有两个类别，语义边界清晰：
- AFB Positive（阳性）：涂片中存在可辨认的抗酸杆菌，即镜检结果为阳性者；
- AFB Negative（阴性）：涂片中未找到抗酸杆菌，即镜检结果为阴性者。
值得强调三点：
- 无中间级：结核镜检在临床上有"阴性 / 阳性分级（scanty、1+、2+、3+）"的量化体系（基于每视野或每 100 视野的杆菌数），但本数据集只保留二值，不区分"少菌（scanty）“与"多菌（3+）”——这意味着它不能直接用于预测感染负荷的模型。
- 图像级、非区域级：正类图像整体被标为"阳性"，但数据集不标出杆菌在图中的具体位置；因此不能用它训练目标检测或计数模型。
- 阳性/阴性是"镜检结果"而非"培养或分子确诊"：作者声明 ground-truth 来自常规实验室显微镜检查结果——这是痰涂片镜检领域的标准参考，但须知涂片镜检本身的敏感度低于培养与 Xpert MTB/RIF 等分子方法，因此"阴性"标签在生物学金标准意义上可能包含真正阳性但涂片漏检的样本。
2.3 图像规格与文件组织
| 规格项 | 取值 | 来源 |
|---|---|---|
| 图像总数 | 512 | 论文 / README |
| 阳性张数 | 256 | 论文 / README / labels.csv |
| 阴性张数 | 256 | 论文 / README / labels.csv |
| 文件格式 | JPEG (.jpg) | README 特性表 |
| 放大倍数 | ×100 | README 特性表 |
| 影像模态 | 明场光学显微（bright-field light microscopy） | README 特性表 |
| 染色 | Ziehl–Neelsen（抗酸染色） | README 特性表 |
| 标本类型 | 痰涂片（sputum smear） | README 特性表 |
| 显微镜 | Olympus BX41 | README/论文 |
| 相机 | Infinity Lite Digital Microscope Camera | README/论文 |
| 补充拍摄设备 | Samsung Galaxy A16 智能手机（一部分） | README/论文 |
文件组织采用最朴素的按类别分目录结构：
AI-TB-ZN/
├── TBPOSITIVE/ # 256 张 AFB 阳性 JPEG
├── TBNEGATIVE/ # 256 张 AFB 阴性 JPEG
├── labels.csv # 逐图标签（filename,label）
├── metadata.csv # 逐图元数据
├── README.md # 数据集说明（Version 1.0）
├── LICENSE # CC BY 4.0
├── CITATION.cff # 引用元数据
├── DATASET_PAPER.pdf # 数据集描述论文（8 页）
└── Data_Availability_Statement.txt
其中 labels.csv 是本数据集最直接可用的机器可读文件。实测其结构为两列 filename,label，共 513 行（1 行表头 + 512 行数据），label 取值仅 Positive 与 Negative，两值各 256 行，与作者声明的均衡设计精确吻合。
2.4 划分：358 / 77 / 77
论文声明数据集在关联研究中采用 Training 358 / Validation 77 / Testing 77 的划分，合计 512。这里的三个数字都精确等于总数的 69.9% / 15.0% / 15.0%，是一个接近 70/15/15 的常规比例，而非 80/10/10 或 8:1:1。论文的措辞明确这是一套为关联 AI 模型专门划定的划分（“used exclusively for the associated AI model development and evaluation”）——也就是说，这套划分服务于那项"AI 驱动痰涂片分析平台验证"研究，而不是数据集层面的官方固定划分。使用时若要与该平台的结果公平比对，应沿用此划分；若做独立的第三方评测，则最好重新划分以避免与关联研究产生信息泄漏。
2.5 一个打包细节瑕疵：文件名跨目录复用
labels.csv 里有一个容易被忽略的细节：文件名编号在两个文件夹里被复用。实测：
TBNEGATIVE/的 256 张图名为TB_IMG001.jpg至TB_IMG256.jpg，连续无缺；TBPOSITIVE/的图名从TB_IMG001.jpg编到TB_IMG257.jpg，但中间缺 209 号，实际仍是 256 张。
后果是：单看文件名会看到两张 TB_IMG001.jpg（一张阳性一张阴性），必须靠 TBPOSITIVE/ 与 TBNEGATIVE/ 的父目录才能唯一定位。任何以"文件名"为唯一键去 join 的脚本都会撞车（见 §10 坑 2）。这不是数据内容错误，而是打包命名上的瑕疵，记录在案供使用者规避。
2.6 元数据字段
论文声明每张图随附的元数据字段包括：Filename（文件名）、Diagnostic label（诊断标签）、Image format（图像格式）、Specimen type（标本类型）、Staining method（染色方法）、Magnification（放大倍数）、Image dimensions（图像尺寸）。需要注意的是，论文只列了字段名，未逐条公开全部取值分布；metadata.csv 的具体内容（尤其是图像尺寸的分布范围，以及每张图究竟用显微镜相机还是手机拍摄）未在本次抓取范围内逐条核对（见 §9 遗留疑点）。
把这七个字段分成三类看，会更清楚这份元数据的结构：标识类（Filename）、标签类（Diagnostic label）、采集条件类（Image format、Specimen type、Staining method、Magnification、Image dimensions）。标识与标签类字段保证"每张图可被唯一引用、可与标签对应"；采集条件类字段保证"图像的可比性与可追溯性"。遗憾之处在于：采集条件里最有分析价值的一项——拍摄设备——并不在这七个字段之列（数据集中"一部分用手机"这一信息只在论文正文提及）。因此，如果研究者想按设备做分层分析，只能依赖图像本身的视觉特征或 EXIF 信息去反推，而 JPEG 在随包处理时 EXIF 很可能已被剥离。
2.7 数据质量的自描述线索
从文档角度看，AI-TB-ZN 在两个地方给了可以自行核验的线索：
- labels.csv 的行数：声明 512 张，实测文件 513 行（含表头），两值一致——这是一条可独立验证"声明是否属实"的硬证据；
- 两目录张数：如果下载后分别
ls TBPOSITIVE | wc -l与ls TBNEGATIVE | wc -l，应各得 256——这也是一条可自行复核的一致性检查。
这两条检查简单，但能过滤掉常见的"下载不完整""压缩包损坏"问题。建议任何使用者在训练前先跑一遍。
2.8 数据集"边界"的三句话
为了帮助读者快速划定"能用/不能用"的边界，这里用三句话概括：
- 它是"涂片级"的：一个图像对应一次涂片镜检的视野，不是一个患者、也不是一张玻片的全貌；
- 它是"二值"的：只回答"有没有菌"，不回答"有多少菌"或"菌在哪"；
- 它是"单域"的：单一地区、单一染色、单一模态——跨域使用前必须重新验证。
把握这三条，基本不会用错这个数据集。
§3 任务与标注
3.1 任务定义：图像级二分类
AI-TB-ZN 的官方任务定义是一句话：给一张 ZN 染色痰涂片的明场显微图，判断它是 AFB Positive 还是 AFB Negative。这是一个标准的**图像级二分类（image-level binary classification）**任务，输入一张 JPEG、输出一个二值类别。
把它和相邻任务划清界限，能避免大量误用：
- 不是目标检测：数据集不含杆菌的边界框，无法训练"找到杆菌在哪"的检测器；
- 不是实例/语义分割：不含像素级掩码，无法训练"逐像素标出杆菌"的分割模型；
- 不是计数回归：不含每图杆菌数，无法训练"数出图里有几条杆菌"的计数模型；
- 不是分级：不做 scanty/1+/2+/3+ 的阳性强度分级，只有阳/阴两档。
这四句"不是"合起来说明：本数据集能直接支撑的，是涂片级阴阳初筛这一最基础、也最贴近基层分诊需求的判别任务。
3.2 标注来源与粒度
标签的产生路径是"常规实验室镜检结果 → 专业人员核验"两级：ground-truth 首先由常规结核诊断流程中的实验室显微镜检查结果指定（谁看了玻片、得出阳性或阴性，就以此为准），随后由训练有素的实验室专业人员对标签进行核验。医疗专业人员在整个标注过程中承担主要角色。标注粒度是 image-level：每张图一个标签，不存在区域框或像素掩码。
这种"用临床常规结果当标签"的路线，优点是贴近真实诊断、成本低；代价是它把涂片镜检本身的判读误差一并继承进了标签——不同检验人员对同一玻片的判读会有差异，尤其是低菌量（scanty）样本。文献里痰涂片镜检的敏感性在不同条件下差别很大，且观察者间一致性在低菌量区最差。数据集层面没有公开多阅片者一致性（kappa）数字，因此标签噪声的绝对水平无法量化（见 §9 遗留疑点）。
换一个角度看，"继承镜检误差"这件事在应用上未必全是坏事：如果目标是复现甚至辅助基层镜检（而不是替代培养/分子检测），那么以"镜检结果"作为标签，恰恰使模型学习的目标与部署场景的判读标准一致。问题只在于：当研究声称"这个模型能与合格镜检员媲美"时，需要一个独立的、更高标准的参考（如培养或分子）来验证——而本数据集没有提供这一层。
3.3 与其他"图像级分类"数据集的关系
把标注粒度放进坐标系，会发现本数据集处在一个非常"基础"的位置：
| 粒度 | 标签形式 | 可训练任务 | 本数据集 |
|---|---|---|---|
| 图像级 | 整图一个类别 | 分类 | ✅ 本条目 |
| 区域级 | 若干边界框 | 检测 | ❌ |
| 像素级 | 逐像素掩码 | 分割 | ❌ |
| 实例级 | 逐实例点/计数 | 检测/计数 | ❌ |
这张表说明了为什么"图像级二分类"是一个诚实但不解渴的定位：它能快速给出一个"阴阳初筛"的能力，但拿不到"菌在哪里、有几条"的信息——而后者在临床镜检里恰恰是判断感染负荷（分级）的依据。使用者在设计项目时，应把本数据集当作"分诊门"而非"定量仪"。
3.4 质量控制（QA）流程
论文与 README 共同声明了六步质控，这是评估数据可信度的重要依据：
- 重复图像剔除：去重，避免同一图像重复计入；
- 不可读图像剔除：剔除损坏或无法正常读取的文件；
- 图像质量核验：检查图像是否达到可用质量标准（对焦、曝光、可辨性）；
- 图像匿名化：去除可能承载患者身份的直接或间接信息；
- 文件名标准化：统一命名规则（注意 §2.5 的跨目录复用瑕疵在此步之后仍存在）；
- 标签独立核验：对标签做独立于初次判读的核查。
3.5 "无合成数据"与匿名化声明
两条声明对本数据集的可信度尤为关键，论文与 README 口径一致：
- 无合成图像：“No synthetic images or artificially modified diagnostic features”——即不含生成式模型造出来的假图，也不含为"凑阳性"而人为篡改的诊断特征。这一点在近两年合成医学图像泛滥的背景下，是一个正面信号。
- 全匿名：图像已匿名化，不含任何直接或间接患者标识符（direct or indirect patient identifiers）。
Anonymous 与 no-synthetic 双声明叠加，意味着这个数据集在隐私与真实性两端的立场是干净且可核验的——它公开的只有匿名图像与图像级标签，不含患者层面的任何可识别信息。
3.6 伦理与合规
数据集的伦理框架有明确的一手依据：
- 伦理审批：Mbarara University of Science and Technology Research Ethics Committee（MUST-REC），准号 MUST-2025-618；
- 机构许可：Mbarara Regional Referral Hospital（MRRH）的行政许可；
- 资助：MUST 健康科学学院种子基金（Faculty of Health Sciences Seed Grant, MUST）。
对使用者而言，这意味着数据集的采集—去标识—发布链条在本机构伦理体系内完成，且样本的临床来源机构（MRRH）知情并许可。这些信息不改变 CC BY 4.0 的使用条款，但解释了数据"合法可用"的来源正当性。
§4 采集设备与技术规格
4.1 显微成像链
AI-TB-ZN 的成像链可以拆成四个环节：染色 → 显微镜 → 相机 → 文件。
- 染色：Ziehl–Neelsen（ZN）抗酸染色。ZN 是痰涂片镜检最经典的方法：用石炭酸复红加热染色，再用酸酒精脱色，最后用亚甲基蓝复染。结果是抗酸杆菌呈红色、背景与杂菌呈蓝色——这个"红点在蓝底上"的对比正是数据集里判别阴阳的视觉基础。
- 显微镜：Olympus BX41。这是病理与微生物实验室里常见的明场生物显微镜，配 ×100 油镜（痰涂片镜检的规范放大倍数）。
- 相机：Infinity Lite Digital Microscope Camera，装在显微镜上直出数字图像，是主体图像的采集通道。
- 补充通道：一部分图像用 Samsung Galaxy A16 智能手机拍摄（论文措辞是 “attached to the microscope” 的补充采集方式之一）。作者明确这只是"a subset"，但未披露手机子集的准确张数。
4.2 ×100 的含义与视野尺度
数据集声明放大倍数为 ×100。在痰涂片镜检中，×100 是油镜的标准倍数：通常需要加浸油（immersion oil），在约 100 个视野（每视野约 0.02 mm 直径）里逐格搜索杆菌，这也是 WHO 推荐的镜检规范视野数。×100 下的单张图里，一条抗酸杆菌通常只占极小的一块像素——这解释了为什么"人工逐视野搜杆菌"如此耗时，也正是自动化最该介入的地方。数据集里的图像是这一尺度下的静态视野快照，而不是整张玻片扫描（WSI），因此不存在"重建全片"的可能。
4.3 "设备异构"这一变量
把"主体用 Olympus BX41 + Infinity Lite，一部分用三星手机"两句话并读，会得出一个重要提醒：这个数据集的图像并非来自单一成像设备。手机直拍显微镜目镜/经转接拍摄，在色彩还原、白平衡、畸变、噪点、分辨率上都可能与专业显微相机不同。如果手机子集集中在某些阳性或阴性样本上（作者未披露），就可能引入与类别相关的成像风格偏差，让模型学到"手机风格 ↔ 某类别"的伪相关。对严谨的使用者，这意味着：至少在训练/评测时，应留意这一潜在混杂因素，理想情况下按"拍摄设备"分层分析（但数据集未直接提供该字段，需回溯 metadata.csv，见 §9 遗留疑点）。
4.4 分辨率与尺寸
论文列出的元数据字段包含 Image dimensions（图像尺寸），但未公开尺寸的分布。就痰涂片显微图而言，常见做法是直接输出相机/手机的原始像素尺寸（手机可能高达数千万像素，显微相机则视型号而定）。实际使用时通常需要统一 resize 到固定输入尺寸（如 224×224 或 512×512）再喂给分类网络——由于本数据集的图并非超大清片、也无像素级标注，resize 不会破坏对齐关系（不像分割任务那样会破坏掩码对齐）。具体尺寸范围待使用者从 metadata.csv 自行核对。
4.5 与世界卫生组织镜检体系的关系
值得点明一层背景：WHO 长期推荐用 ZN（或更现代的 LED 荧光显微镜 LED-FM）做痰涂片镜检，并给出标准的阴阳判读与分级规范。AI-TB-ZN 完全落在 ZN + 明场这一传统支系里，不涉及 LED-FM。因此：一方面它天然贴合基层最普及的 ZN 显微镜条件（低资源地区最常见的配置）；另一方面，若研究目标是荧光显微镜下的自动判读，本数据集不能直接迁移，需要另行采集 LED-FM 数据。
4.6 成像条件对模型的影响
把整条成像链串起来看，本数据集的图像会带有若干"成像指纹"，这些指纹既可能是噪声也可能是有用信号：
- 染色批间差异：不同批次的石炭酸复红与脱色时间会影响红色的饱和度与背景的蓝度，同一类别在不同批次里可能呈现不同的色调；
- 视野选择偏差：拍图的人倾向于在对焦最好、最"典型"的视野按下快门，可能使图像比随机视野更清晰——这会轻微抬高任务的可分性；
- 压缩损失：JPEG 是有损压缩，高压缩比下细小的杆状结构可能出现块效应，好在分类任务通常对此不敏感；
- 设备混用：如前所述，相机与手机的差异是最大的一处变量。
对研究者的实操含义是：别把在 AI-TB-ZN 上得到的漂亮数字直接外推到别的采集系统。这个数据集的图像全都出自姆巴拉拉的一套（少数几套）设备与流程，换一套显微镜、换一个染色方案，分布就可能移动。把它当"内部自洽的测试床"比当"普适性能标尺"更符合它的性质。
4.7 一份"最小可复现采集描述"的解读
尽管作者没有公开逐图设备归属，但数据集给出了一条足以让第三方近似复现采集条件的描述：明场 + ZN + ×100 + Olympus BX41 + Infinity Lite。对想在同一平台上做对照实验的团队，这条描述足以把硬件对齐；对想跨平台比较的团队，它至少说明了两端差异的维度在哪。缺的那一块——手机子集的规模与归属——正是让"完全复现"打折的地方（见 §10 坑 8）。
§5 评估与基准
5.1 论文报告了什么、没报告什么
一个必须先说清的事实：AI-TB-ZN 的配套文档是一份数据集描述论文（dataset paper），不是方法学实验论文。论文正文集中说明数据的来源、采集、标注、质控、伦理与可获得性，不包含任何模型准确率、AUROC、F1、混淆矩阵或基线对比表。README 同样不提供性能数字。
因此本条目在"评估与基准"这一节，不臆造任何数字。凡是声称"AI-TB-ZN 上某模型达到 X% 准确率"的说法，除非出自引用该数据集的第三方论文，否则都无从在本数据集一手来源中查证。
5.2 数据集被定位成"基准与外部验证资源"
虽然没有内建基线，论文与 README 明确给出了数据集的预期用途定位：用于自动结核检测算法的 development, validation, benchmarking, and evaluation。把这句话拆开，可以读出作者对使用场景的设计意图：
- Development（开发）：拿它训练新的二分类模型；
- Validation（验证）：拿它验证已有模型；
- Benchmarking（基准测试）：把不同模型在同一子集上横向比较；
- Evaluation（评测）：作为独立评测集使用。
论文与 README 进一步列举了预期应用领域：人工智能、深度学习、机器学习、计算机视觉、可解释 AI、医学图像分析、迁移学习、诊断决策支持系统、算法基准测试、教育活动以及外部验证研究。这份清单的落点是广泛而非专精——作者把它定位为一个通用的开放资源，而不是绑定某个特定模型的配套测试集。
5.3 与关联研究的关系：为什么划分是 358/77/77
前面 §2.4 已提过：论文声明 358/77/77 这套划分是专供关联 AI 模型使用的。这一点的含义在"基准"语境下值得展开：
- 该数据集是"MUST 的 AI 驱动痰涂片分析平台验证研究"的产物，而不是独立发布的数据集；
- 358/77/77 的划分服务的是那个平台的模型开发与评估，它不是数据集层面的固定 benchmark split；
- 因此，若第三方要用 AI-TB-ZN 做公平评测，不应盲目沿用 358/77/77——因为这几张图可能已经被关联模型"看过"过（训练过），沿用会导致乐观偏差；更稳妥的做法是自行重新划分，或在论文明确声明 77 张测试集未参与关联训练的前提下谨慎使用测试集。
5.4 一个诚实的"基准缺口"
综合起来，AI-TB-ZN 作为基准资源有一个明显缺口：它给了数据和任务，却没给"及格线"。没有官方基线，第三方要回答"我的模型到底算好还是不好"时，缺少一个可直接对标的锚点——除非自己提供一个基线，或引用后续在它之上做评测的论文。这是它与库内那些"自带排行榜/自带基线"的挑战赛式数据集（如各种 CinC、BraTS 系列）最大的差别。对使用者的实际建议是：把 AI-TB-ZN 当作外部验证集（检验模型跨地区泛化）比当作排行榜数据集更贴合它的设计意图。
5.5 跨地区泛化的潜在价值
从"评估"角度，这个数据集最有意思的一点其实不在它内部，而在它外部：它是乌干达西南部本地采集的痰涂片图像。这意味着，一个在印度、秘鲁或其他地区痰涂片数据上训练的模型，可以直接拿 AI-TB-ZN 做一次跨地理、跨人群、跨采集条件的外部验证。如果模型性能在该子集上大幅下降，就暴露了地域泛化问题——这恰恰是全球健康 AI 最关心的议题之一。作者把"external validation research"写进预期用途，正呼应了这一价值。
5.6 如何"自建"一个基线（实操建议）
既然数据集不自带基线，想让结果有参照，常见的做法有几种：
- 经典 CNN 基线：用 ResNet-18/50、EfficientNet-B0 等在 ImageNet 预训练的骨架上微调，报告在自划测试集上的准确率/AUROC——这是最省事的对标点；
- 显微专用预训练：用大规模显微图像自监督模型（如病理/显微领域的自监督骨干）做初始化，观察是否优于自然图像预训练；
- 传统特征 + 经典分类器：用颜色直方图、纹理特征（如 LBP、GLCM）配 SVM，作为"下界参照"，说明深度模型的增量价值；
- 人工基准：让若干检验人员对子集做盲判，得到一个"人类水平"的参照——这对医疗 AI 论文尤其有说服力。
需要提醒的是：无论用哪种，都必须明确声明自己的划分（是否沿用 358/77/77），否则不同论文的数字不可比（§5.3）。这是本数据集最需要使用者自行补齐的方法学环节。
5.7 关于"评价指标"的取舍
痰涂片镜检场景里，阴阳二分类的评价指标选择本身有讲究。准确率在 1:1 均衡下尚可使用（因为无类别偏斜），但一旦做先验校正回真实患病率，准确率会迅速失真。更稳健的报告方式是同时给出敏感度（Sensitivity）、特异度（Specificity）与 AUROC——因为临床上"漏检阳性"（假阴性）与"误报阳性"（假阳性）的代价极不对称：漏检一个传染性结核患者的社会成本远高于一次复查。因此，用本数据集做评测时，建议把敏感度放在首位，并明确任一阈值下假阴性率，而非只报一个笼统的"准确率"。这是痰涂片 AI 与一般图像分类在评价文化上的关键差异。
§6 获取与许可
6.1 许可：CC BY 4.0，一处口径
AI-TB-ZN 的许可是最宽松的一档：Creative Commons Attribution 4.0 International（CC BY 4.0）。这一口径在四处一致验证：
- 数据集描述论文（发表与许可段）；
- README（License 段）；
- 数据包内的
LICENSE文件； CITATION.cff中的license: CC-BY-4.0字段。
CC BY 4.0 授予的权利：复制（reproduce）、分发（distribute）、改编（adapt）、再分发（redistribute）、商用（commercial use），唯一的硬性义务是适当署名原作者。对研究者与开发者而言，这意味着：无需申请、无需签署 DUA、无需解释用途、可自由用于商业产品（只要署名）。在医学数据普遍偏好"非商业（NC）"或"需申请"的大环境下，一个 CC BY 4.0 的医学显微图像数据集属于相当开放的一档。
6.2 获取渠道：Zenodo 公开直链
数据集通过 Zenodo 公开分发，措辞是"publicly available through Zenodo"——公开直链、无 gated、无申请制。这与库内许多"请求制（upon request）"或"需注册"的医学数据集形成鲜明对照：AI-TB-ZN 的可获取性在 AI-Ready 光谱上处于最开放的一端。
6.3 DOI 的双口径（重要检索提示）
关于如何"定位"这份数据集，有一个必须存照的坑：
- 论文 Data Availability 段、README、CITATION 均印：
https://doi.org/10.5281/zenodo.21266784； - 该 DOI 实测已失效：第二轮复核 curl 同样返回 HTTP 404；
- 实际可解析的概念 DOI：
10.5281/zenodo.21273570（HTTP 302 跳转可解析），对应记录zenodo.org/records/21273571。
判定：论文/README 所载的 21266784 是失效旧号（Zenodo 记录重建或 concept/version 号迁移所致），条目的 schema_org 与引用按实测可解析口径写，并在 §9 双列存照。检索者若用论文里那个号去取数，会得到 404——请改用 10.5281/zenodo.21273570。
6.4 版本链
README 的 Version History 仅记录一个版本：1.0 / 2026 / Initial public release。也就是说，截至抓取时点，AI-TB-ZN 只有 1.0 一个公开发布版本，无历史版本可回溯。发布日期在随包文档中只精确到年份（2026），未给出日粒度（见 §9 待核）。
6.5 引用方式（官方建议）
论文与 README 提供了一致的引用格式，使用者应据此署名（这是 CC BY 4.0 的义务）：
Tumwesigye H, Atwine D, Atwine R, Birungi A, Birungi C, Munguciada E, Nabimanya P, Akandwanaho J, Ochama B, Mitala Y. AI-TB-ZN: An Annotated Ziehl–Neelsen-Stained Sputum Smear Image Dataset for Artificial Intelligence-Based Tuberculosis Detection in Southwestern Uganda. Zenodo. 2026.
CITATION.cff 给出的精简题名为 “AI-TB-ZN: Ziehl–Neelsen Sputum Smear Image Dataset”，作者为 Tumwesigye Habert，许可 CC-BY-4.0——与正式引用格式互相印证。
6.6 获取与许可决策卡
| 问题 | 答案 |
|---|---|
| 要不要申请？ | 不要，Zenodo 公开直链 |
| 要不要签协议？ | 不要 |
| 能不能商用？ | 能（CC BY 4.0） |
| 唯一义务？ | 适当署名原作者 |
| 用哪个 DOI？ | 10.5281/zenodo.21273570（非论文所印 21266784） |
| 有几个版本？ | 1 个（v1.0 / 2026） |
6.7 CC BY 4.0 的义务细读
CC BY 4.0 是创作共用许可里最宽松的一档，但"署名（Attribution）"这条义务有几个常被忽略的细节，使用者应留意：
- 署名要"适当"：需标明作者、来源、许可，并说明是否做了修改。若你裁剪、增强或重采样了图像，应在文中声明"已修改"；
- 不得暗示背书：不能把署名理解成原作者为你的模型或产品背书——许可原文明确要求不得以暗示作者认可的方式使用其名义；
- 许可的传染性：CC BY 不是 copyleft，你的衍生作品不必沿用同一许可（不同于 CC BY-SA），但你必须保留对原数据的署名；
- 无担保：作者对数据不作任何担保（“as is”），使用者自担风险。
对本数据集，署名模板见 §6.5——照抄即可满足义务。
6.8 与库内"可获取性光谱"的对照
千方病案医数集里，数据集的可获取性从"完全公开"到"严格 gated"跨越很大。AI-TB-ZN 处在最开放的一端：
| 开放档 | 典型来源 | AI-TB-ZN |
|---|---|---|
| 公开直链 + 宽松许可 | 部分 Zenodo/figshare 资源 | ✅ 在此档 |
| 需注册/登录 | 部分 PhysioNet 资源 | — |
| 请求制（upon request） | 部分 WSI 掩码、部分临床数据 | — |
| 严格 gated / DUA | 多数 EHR、基因组受控数据 | — |
放在这个光谱里，AI-TB-ZN 的可获取性几乎无摩擦：没有账号、没有协议、没有审批，这降低了研究复现的门槛，也是它作为"教学与外部验证"资源的加分项。
§7 生态与影响
7.1 在结核数据集版图里的位置
结核领域的公开影像数据，长期被**胸部 X 光（CXR）**主导——这是结核影像学研究最热的方向，因为它对应的是"影像学辅助诊断"这条路径。AI-TB-ZN 的生态位恰好落在这条主流之外：
- 模态上：它是显微镜涂片图像，不是胸片。CXR 看的是肺部的宏观影像；涂片显微镜看的是痰里的一条条杆菌。两者解决的问题不同——前者偏"影像筛查"，后者是"实验室确诊"。
- 地区上：它是撒哈拉以南非洲本地采集的资源。在结核数据集中，来自非洲高负担地区、由本地机构（MUST/MRRH）采集、并公开的样本相对稀缺，这为它提供了一个清晰的差异化标签。
7.2 与库内条目的关系（互链起点）
库内直接可互链的条目如下（详见 §9 的家族图谱）：
shenzhen-tb（rid 167）：深圳结核胸片集——同为结核、同为二分类范式，但模态是 CXR，不是涂片；montgomery-tb（rid 157）：蒙哥马利县结核胸片集——同上，模态为 CXR；tbx11k（rid 177）：TBX11K 结核胸片检测集——任务更偏检测（画框），模态为 CXR；chestagentbench（rid 816）：胸部影像智能体基准（含结核相关任务）——弱相关，属评测框架而非同域数据。
务必注意：ptb-xl（rid 70）是**心电图（ECG）数据集，aims-tbi（rid 665）是创伤性脑损伤（TBI）**数据集——两者名字里的字母组合与结核无关，是本库检索时最容易误链的"同名陷阱"（§9 会再次标红）。
7.3 库内痰涂片同类条目的空白
在千方病案医数集现有条目中，以 sputum / smear / afb 为关键词检索未命中任何同域条目。换言之，AI-TB-ZN 很可能是库内第一个"光学显微镜痰涂片"模态的条目。它填补的不只是结核主题下的模态空白，也是全库"显微涂片镜检"这一整条诊断路径的空白——这与库内已相当密集的 WSI（全切片病理）、CXR（胸片）、CT/MRI 影像条目形成互补。
7.4 生态意义：低资源地区本地采集的开放数据
把视角拉高，AI-TB-ZN 的意义可以放进"全球健康 AI 数据公平性"的框架里。结核高负担地区因为缺乏本地数据，长期只能用别处（通常是高收入国家）的数据训练模型，再硬套到本地场景——这正是泛化失败的高发区。一个由姆巴拉拉本地机构、用本地显微镜条件、采集本地患者样本、并 CC BY 4.0 公开的数据集，虽然只有 512 张，却在"数据主权与在地化"这条线上提供了一个小而实的样本。它与库内其他强调"非洲/低资源地区"特征的条目共享这一叙事。
7.5 潜在影响面
综合定位，AI-TB-ZN 最可能产生影响的三处：
- 外部验证：作为检验结核镜检模型跨地区泛化的独立测试集；
- 方法学教学：作为"如何从临床常规流程回顾性构建开放数据集"的示范（含伦理、匿名、质控、许可全链条）；
- 迁移学习：作为低资源显微图像预训练/微调的种子数据，配合更大规模的显微数据使用。
它不太可能成为"排行榜式"的标杆数据集——因为总量小、无内建基线；但作为"干净的、可自由使用的、真实条件下的非洲涂片子集"，它有稳定且不易被替代的用途。
7.6 生态位的一句话概括
如果要用一句话给 AI-TB-ZN 的生态位画像：它是"结核领域里少数站在显微镜这一侧的数据集"。当绝大多数结核 AI 论文在胸片上做文章时，它把镜头对准了实验室里那块涂片玻片——这条路线更古老、更基层、更贴近确诊环节，却长期缺少公开数据。它的出现，让"涂片镜检自动化"这条线在开放数据版图上有了一块可落脚的地。
7.7 数据可持续性观察
作为一个 2026 年新发布的 v1.0 数据集，它的长期可用性取决于两点：其一，Zenodo 托管的稳定性（Zenodo 由 CERN 运营，长期存续记录良好）；其二，DOI 口径能否收敛（当前论文所印旧号已 404，使用者需依赖可解析号，见 §6.3）。后者是一个需要社区注意的小隐患——若未来引用者沿用了论文里那个失效号，链条会断在第一步。建议在任何引用场景中显式使用可解析的概念 DOI。
§8 方法学启示
8.1 "回顾性构建 + 临床常规标签"是低资源场景的可行路线
AI-TB-ZN 最有迁移价值的方法学经验，是它的数据生产路线：不额外招募受试者、不重新设计拍摄方案，而是从已经在跑的临床常规诊断流程里，把存档玻片回顾性取出来拍图、打标签。这条路线的优点有三：
- 成本低：不产生新的检查成本，样本来自既有工作的副产品；
- 真实性强：成像条件就是基层实验室的真实条件，天然规避了"实验室精拍"与"现场部署"之间的分布鸿沟；
- 伦理路径清晰：用已有诊断产物、经伦理与机构许可、去标识后公开，链条规范。
代价则是样本分布由临床先验决定（阳性稀少）与标签继承镜检误差——作者用"刻意均衡采样"应对前者，用"独立核验"部分应对后者。对其他想在低资源地区做开放数据集的人，这是一条可复制的骨架。
8.2 均衡设计是"训练友好"，但要主动声明代价
512 = 256 + 256 的均衡，是数据设计上的一个主动选择。它的正面作用是让二分类训练不被类别不平衡带偏；它的代价是把数据集的类别先验从真实世界分布里剥离了。方法学上可迁移的经验是：当你为可训练性而改变先验时，应显式声明这一点，让使用者知道部署时需要重新校准先验。本条目在 §10 坑 4 记录了这一后续义务。
8.3 "无合成图像"应成为显微数据集的默认声明
作者明确声明数据集不含合成图像、不含人为篡改的诊断特征。在生成式模型可以批量伪造医学图像的今天，这一条声明看似平淡，实则是数据可信度的关键锚点：它把数据集锁在"真实样本"这一侧，避免了"用假图训出的模型在真图上失效"的陷阱。方法学建议：凡发布显微/病理图像数据集，应把"是否含合成数据"作为必填声明项。
8.4 元数据的完整披露是下一个门槛
本数据集列了 7 个元数据字段（文件名、诊断标签、图像格式、标本类型、染色方法、放大倍数、图像尺寸），方向是对的，但取值未被逐条公开。尤其是"哪些图用手机拍"这一变量若能被显式标注，就能让使用者做设备分层分析。方法学启示：字段名披露只是第一步，关键混杂变量的取值分布才是让数据集真正可被严谨复用的门槛。
8.5 诚实的地基优于夸大的天花板
论文选择不报告任何模型性能，客观上是把"及格线"留白。但换个角度看，这也是一种方法学上的诚实：数据集就是数据集，不硬凑一个刷分表来包装。对一个"描述论文 + 开放数据"的组合，这种克制反而降低了对使用者的误导风险。可迁移的经验是：当数据集本身还没有成熟基准时，坦然留白好过填一个无法复现的数字。
8.6 对"AI-Ready"的启示：数据集的可用性不等于可训练性
AI-TB-ZN 在"可得性"上近乎满分：公开直链、宽松许可、文档齐全、格式标准。但"可训练性"层面它是有边界的：规模小、无框无掩码、无基线。这两件事的分离提示了一个评估数据集时容易混淆的点——"好拿"和"好用"是两个维度。一个 AI-Ready 评估框架若只看可得性，会把小而干净的数据集和大型工业数据集同等对待，但实际研究价值可能相差很大。区分这两个维度，有助于更公允地给数据集定位。
8.7 可复制的"数据集论文写作骨架"
从写作层面，AI-TB-ZN 的配套论文也提供了一个可复制的数据集论文骨架，值得后来者参考：
- 背景与动机：疾病负担 + 现有数据的缺口；
- 数据来源与采集：玻片来源、设备、参数、时间；
- 标注流程：标签来源、核验方式、粒度；
- 质控：去重、剔坏、匿名、标准化、独立核验；
- 伦理与合规：伦理号、机构许可、资助；
- 可获得性与许可：DOI、平台、许可类型；
- 局限：诚实列出地理、模态、粒度的边界。
这份骨架朴素但完整，尤其是把"局限"作为独立小节——这是许多数据集发布时容易省略、恰恰最该写清楚的一节。
§9 与库内条目的关系
9.1 家族图谱
AI-TB-ZN 在库内的关系可画成一张以"结核"为圆心、以"模态"为半径的图：
【结核病 / Tuberculosis】
│
┌─────────────────┼──────────────────┐
显微镜·涂片 胸部X光(CXR) 其他
(本条目所在域) (库内主流) (易混)
│ │ │
ai-tb-zn ★ montgomery-tb(157) ptb-xl(70) ← ECG，无关
(唯一) shenzhen-tb(167) aims-tbi(665) ← TBI，无关
tbx11k(177)
chestagentbench(816) ← 弱相关(评测框架)
家族成员释义：
- ai-tb-zn（本条目）：显微镜痰涂片 · 图像级二分类 · ZN 抗酸染色 · ×100 明场；
- montgomery-tb(157) / shenzhen-tb(167)：CXR · 结核胸片 · 图像级（阴阳/病灶）；
- tbx11k(177)：CXR · 结核胸片 · 更偏病灶检测（画框）；
- chestagentbench(816)：胸部影像智能体基准，含 TB 相关任务，属评测框架；
- ptb-xl(70)：ECG 心电图集，"PTB"是其命名来源，与结核无关；
- aims-tbi(665)：创伤性脑损伤 MRI，"tbi"与"TB"字面相似但无关。
9.2 检索路径建议
- 按"结核"检索时，
ai-tb-zn会出现，但务必与 CXR 系列区分模态； - 按"痰涂片/抗酸染色/显微镜"检索时，本条目是库内唯一命中，因为其他"TB"条目都是胸片；
- 按"PTB"或"TBI"检索时可能误入
ptb-xl/aims-tbi，二者非本域，不应互链。
9.3 建议正文内链（供主会话采纳）
ai-tb-zn↔shenzhen-tb/montgomery-tb/tbx11k：以"同疾病、异模态"为连接语；ai-tb-zn↔chestagentbench：以"结核任务评测"为软连接语（注意是弱相关）；ai-tb-zn作为"库内首个光学显微痰涂片条目"，可作为全库"显微镜镜检模态"的入口条目被其他观察者引用。
9.4 双口径存照（冲突与瑕疵登记）
本节汇总本条目在写作过程中发现并登记的全部口径冲突与数据瑕疵，供后续维护：
【冲突 #1 · DOI 双口径】
| 口径 | 值 | 状态（2026-10-07 复测） |
|---|---|---|
| 论文 / README / CITATION 所载 | 10.5281/zenodo.21266784 |
HTTP 404（连续两轮） |
| 实测可解析的概念 DOI | 10.5281/zenodo.21273570 |
HTTP 302（可解析） |
| 对应 record | zenodo.org/records/21273571 |
沙箱访问 403，未见元数据页 |
写法：条目按实测可解析口径（21273570）写 URL，并在 INFOBOX、§6、§9 三处提示论文所印旧号失效。
【瑕疵 #2 · 文件名跨目录复用】
TBNEGATIVE/：TB_IMG001.jpg–TB_IMG256.jpg（连续）；TBPOSITIVE/：TB_IMG001.jpg–TB_IMG257.jpg，缺 209 号，实为 256 张；- 后果：单文件名不唯一，须靠父目录区分；脚本 join 必须用"目录+文件名"复合键。
【易混 #3 · 同名撞库数据集】
- 《Computers in Biology and Medicine》载 “A novel Ziehl–Neelsen sputum smear image database…”（约 500 图像 / 2941 杆菌 / 204 簇）是另一个 ZN 痰涂片数据集——它是逐杆菌级（bacillus-level），AI-TB-ZN 是图像级（image-level）512 张。二者主题相近、极易混淆，检索与互链时务必核对"图像级 vs 杆菌级""512 vs ~500"“MUST/Zenodo vs CiBM”。
【易混 #4 · 库内 CXR 同名陷阱】
- montgomery-tb / shenzhen-tb / tbx11k 均为 CXR，非涂片；ptb-xl 为 ECG、aims-tbi 为 TBI，均与结核无关。
9.5 遗留疑点（待核清单）
| 编号 | 疑点 | 现状 | 影响 |
|---|---|---|---|
| 疑点 1 | Collaborators document（作者角色分工文档）未在抓取范围 |
论文仅称"随包提供" | 10 位作者的具体角色未细核 |
| 疑点 2 | metadata.csv 逐图字段取值未逐条核对 |
论文仅列字段名 | 图像尺寸分布、手机子集归属不明 |
| 疑点 3 | Zenodo record 21273571 元数据页 | 沙箱 403，无法直取 | 发布日期、参与者等以 302 解析 + 随包文档为准 |
| 疑点 4 | 准确发布日期 | 随包文档仅到"2026 年" | 无日粒度 |
| 疑点 5 | Samsung Galaxy A16 子集张数 | 论文仅称"a subset" | 设备异构的规模未知 |
§10 避坑清单：八个已踩过或高风险的点
坑 1 · 用论文里印的 DOI 取数会 404。
论文 Data Availability、README、CITATION 三处都写 10.5281/zenodo.21266784，但这个号实测失效。正确可用的是概念 DOI 10.5281/zenodo.21273570（record 21273571）。取数前先 curl 验证 DOI 是否 302 可解析，别盲信论文。这是本数据集最容易绊倒使用者的第一个坎：一份"完全公开"的数据，却因为一个失效旧号，让第一步取数就卡住。
坑 2 · 拿文件名当唯一键会撞车。
TBPOSITIVE/ 与 TBNEGATIVE/ 里都存在 TB_IMG001.jpg。labels.csv 里 filename 一列并非全局唯一，必须和目录一起用，或者按"标签 + 文件名"复合键。直接 df.merge(on='filename') 会一对多爆炸。更隐蔽的是：阳性目录编号从 001 到 257 却缺 209 号——如果有人用"共 257 号"去推断阴性张数，会错得离谱（实际两目录都只有 256 张）。
坑 3 · 把它和"另一个 ZN 痰涂片数据集"搞混。
CiBM 那篇 “A novel Ziehl–Neelsen sputum smear image database…” 是逐杆菌级的另一个数据集（约 500 图 / 2941 杆菌 / 204 簇），不是 AI-TB-ZN（图像级 512）。两者的检索关键词高度重叠，做文献互证时务必核对全称与机构（MUST vs 该文作者）。区分口诀："图像级·512·MUST/Zenodo"是本数据集；"杆菌级·约500图·2941杆菌·204簇"是另一个。
坑 4 · 1:1 均衡不反映真实先验。
数据集是刻意 256:256 平衡的，真实筛查场景阳性率远低。若把在此数据上训练的模型直接投放到真实涂片筛查，需做先验校正，否则会系统性高估阳性率（假阳性放大）。具体做法：把模型输出的后验概率，按真实先验与采样先验之比重新加权，再定阈值。
坑 5 · 别指望它做检测/计数/分割。
它只有图像级标签——无框、无点、无掩码。想训练杆菌定位或计数模型，本数据集不能直接支撑，只能作为分类预训练或弱监督起点。若项目需求里出现"定位杆菌"“统计杆菌数”“勾出杆菌轮廓”，请立刻确认：这个需求本数据集满足不了。
坑 6 · “TB”≠“ptb”≠“tbi”。
库内 ptb-xl 是心电图（ECG），aims-tbi 是创伤性脑损伤，名字里的字母与结核无关。检索"结核"时把它们连带互链是典型错误。做自动互链时尤其要提防这种"字母巧合型"误配。
坑 7 · 别臆造基线数字。
论文不报告任何模型性能。任何"在该数据集上达到 X% 准确率"的说法，若不能指认到具体第三方论文与实验设置，一律存疑。本条目坚持不填任何未证实的性能数字。若你看到某处给出一个漂亮数字，先问：划分是哪套？在哪个子集上测的？有没有先验校正？
坑 8 · 手机子集是隐藏混杂变量。
一部分图用 Samsung Galaxy A16 拍摄，张数未披露。若手机图与类别相关，模型可能学到"手机成像风格"的伪特征。做严谨评测时，尽量回溯 metadata 做设备分层——但数据集未直接给该字段，需自行判断。这与坑 4 的先验问题叠加时尤其危险：既可能学错设备特征，又可能带着错误的先验输出。
坑 9（附加）· 不要把 358/77/77 当作官方固定划分。
这是关联研究的划分，第三方评测应自划，否则有信息泄漏风险（§5.3）。
坑 10（附加）· 不要期待它能回答"感染负荷"问题。
只有二值标签，无法估计杆菌密度或临床分级，涉及"高菌量/低菌量"的研究一律不适用。
§11 总结
11.1 三句话总结
- AI-TB-ZN 是乌干达 MUST 团队发布的 512 张 ZN 抗酸染色痰涂片明场显微图（256 阳 + 256 阴），图像级二分类标注、逐图专家核验、全匿名、声明无合成数据。
- 它完全开放：CC BY 4.0、Zenodo 公开直链、可商用（须署名）；但要注意论文里印的 DOI 是失效旧号，正确口径是
10.5281/zenodo.21273570。 - 它的价值在"填补模态空白 + 支持跨地区外部验证"：是库内首个光学显微涂片条目，也是检验结核镜检模型泛化能力的非洲本地测试集；代价是规模小、无内建基线、标签只有图像级。
11.2 适合谁
- 结核 AI 检测研究者：作为涂片级阴阳分类的开放训练/验证数据；
- 全球健康与低资源地区研究者：作为"本地采集、在地条件、开放许可"的样本；
- 跨地区泛化评测者：作为外部验证集，检验模型在非洲涂片数据上的表现；
- 数据集方法学与教学者：作为"回顾性构建 + 临床常规标签 + 完整伦理链"的示范。
11.3 不适合谁
- 需要杆菌定位/计数的团队：无框、无点标注，不能直接支撑检测或计数；
- 需要像素级分割的团队：无掩码；
- 需要荧光（LED-FM）或其他染色迁移的团队：仅 ZN + 明场；
- 需要排行榜基线对标的团队：论文未报告任何性能数字，无官方及格线；
- 想直接用真实先验的部署方：数据被刻意均衡为 1:1，需自行做先验校正。
11.4 30 秒决策卡
| 你的需求 | AI-TB-ZN 能否满足 |
|---|---|
| 训练涂片阴阳分类器 | ✅ 可以（512 张 1:1） |
| 检查模型跨地区泛化 | ✅ 很适合（非洲本地子集） |
| 训练杆菌检测/计数 | ❌ 无定位标注 |
| 训练像素级分割 | ❌ 无掩码 |
| 商用 | ✅ CC BY 4.0（署名即可） |
| 找现成基线数字对标 | ❌ 论文未报告 |
| 荧光显微镜迁移 | ❌ 仅 ZN 明场 |
11.5 与其他候选资源的取舍
当研究者的候选清单里同时有 AI-TB-ZN 与其他结核数据时，可以按下面的问题做取舍：
- 要宏观还是微观？ 要肺部影像选 CXR 类（montgomery-tb/shenzhen-tb 等），要涂片镜检选本条目——二者不可替代；
- 要规模还是要真实？ 要规模，本条目偏小；要"真实基层条件 + 本地人群"，是本条目的强项；
- 要定量还是要定性？ 要杆菌定量，本条目不支持；要阴阳定性初筛，本条目合适；
- 要开放还是要受控？ 要零摩擦获取，本条目的 CC BY 4.0 公开直链是首选。
四条问题答完，基本能判断本条目是否进入你的候选清单。
11.6 一段话收束
AI-TB-ZN 不是那种会霸榜的数据集，它更像一块安静的基石：512 张图、两个文件夹、一份朴素的说明，来自乌干达西南部一间实验室的日常。它的价值不来自数字的大小，而来自它出现的位置——在结核 AI 被胸片主导的版图里，它站在显微镜这一侧；在开放医学数据普遍设门槛的惯例里，它选择 CC BY 4.0 直链；在"性能数字至上"的风气里，它坦然不报基线。对需要它的人，这几条加起来，刚好够用。
FAQ（高频问答 24 问）
A. 基础认知
Q1：AI-TB-ZN 用一句话说是什么？
乌干达 MUST 团队发布的 512 张 ZN 抗酸染色痰涂片明场显微图，图像级二分类（256 阳 + 256 阴），CC BY 4.0 于 Zenodo 公开。
Q2：名字里的 “ZN” 是什么意思？
Ziehl–Neelsen，即抗酸染色法（acid-fast staining）。用石炭酸复红染色、酸酒精脱色、亚甲基蓝复染后，抗酸杆菌呈红色、背景呈蓝色。
Q3：为什么叫"痰涂片图像"而不是"胸片"？
因为它是把痰标本涂在玻片上、染色后放在显微镜下拍的图（涂片镜检），不是胸部 X 光。这是与库内多数"结核胸片集"最本质的区别。
Q4：是 512 还是别的数？
512。精确等于 256 AFB 阳性 + 256 AFB 阴性。
Q5：数据集有多大（文件体积）？
随包文档未公开总字节数。核心内容为 512 张 JPEG 加数个文本文件，体量不大，可整包下载。
B. 数据与获取
Q6：怎么下载？
通过 Zenodo 公开直链下载，无需申请。
Q7：用哪个 DOI？
10.5281/zenodo.21273570（record 21273571）。论文/README 里印的 10.5281/zenodo.21266784 实测 404，是失效旧号。
Q8：要不要签数据使用协议？
不要。CC BY 4.0 无 gated、无 DUA，直接下。
Q9：能商用吗？
能。CC BY 4.0 允许商用，唯一义务是适当署名原作者。
Q10：有患者隐私风险吗？
作者声明图像已匿名化、不含任何直接或间接患者标识符，且无合成/篡改图像。
Q11：是哪个机构做的？
Mbarara University of Science and Technology（MUST，乌干达姆巴拉拉科技大学）病理学系牵头，联合 SRF Research and Training Centers 与 Mbarara Regional Referral Hospital（MRRH）。
Q12：伦理审批编号是多少？
MUST-REC 准号 MUST-2025-618，另有 MRRH 行政许可。
C. 数据内容与标注
Q13：标签是图像级还是杆菌级？
图像级。每张图一个阳/阴标签，没有杆菌坐标或计数。
Q14：能给杆菌画框吗？
不能直接。数据集无边界框；若要做检测，只能另辟弱监督/合成框路线。
Q15：阳性有分级吗（scanty/1+/2+/3+）？
没有。只有二值阴阳，不分级。
Q16：标签的 ground-truth 从哪来？
常规实验室显微镜检查结果，并经训练有素的实验室专业人员核验。
Q17：有没有做重复剔除、质量核验？
有。声明了六步质控：去重、剔不可读、质量核验、匿名化、文件名标准化、标签独立核验。
Q18：文件名能当唯一键吗？
不能。TBPOSITIVE/ 与 TBNEGATIVE/ 里都有 TB_IMG001.jpg，必须靠父目录区分；且阳性编号缺 209 号。
Q19：数据来自哪个地区？
乌干达西南部，样本来自姆巴拉拉地区常规结核诊断的存档 ZN 染色玻片。
D. 设备与规格
Q20：用什么显微镜和相机？
Olympus BX41 明场显微镜 + Infinity Lite 数码显微相机；一部分图用 Samsung Galaxy A16 手机拍。
Q21：放大倍数？
×100（油镜级别）。
Q22：图像格式和尺寸？
格式为 JPEG。尺寸论文列入元数据字段但未公开分布；使用时一般 resize 到统一输入尺寸。
E. 评估与使用
Q23：论文报告了模型准确率吗？
没有。它是数据集描述论文，不含任何性能数字。第三方若要基准，需自建。
Q24：训练划分是多少？
关联研究用 Training 358 / Validation 77 / Testing 77，但这套划分专供关联模型，第三方评测建议自行重划。
事实清单（硬事实 34 条）
- 数据集全称：AI-TB-ZN: An Annotated Ziehl–Neelsen-Stained Sputum Smear Image Dataset for Artificial Intelligence-Based Tuberculosis Detection in Southwestern Uganda。
- 图像总数：512。
- 阳性张数：256（AFB Positive）。
- 阴性张数：256（AFB Negative）。
- 阴阳比例：精确 1:1。
- 文件格式：JPEG（.jpg）。
- 放大倍数：×100。
- 影像模态：明场光学显微（bright-field light microscopy）。
- 染色方法：Ziehl–Neelsen（ZN，抗酸染色）。
- 标本类型：痰涂片（sputum smear）。
- 显微镜：Olympus BX41。
- 相机：Infinity Lite Digital Microscope Camera。
- 补充拍摄设备：Samsung Galaxy A16 智能手机（一部分图像，张数未披露）。
- 地理来源：乌干达西南部。
- 牵头机构：Mbarara University of Science and Technology（MUST），病理学系。
- 合作机构：SRF Research and Training Centers；Mbarara Regional Referral Hospital（MRRH）。
- 作者人数：10 人。
- 通讯作者：Habert Tumwesigye（htumwesigye@must.ac.ug）。
- 伦理审批：MUST-REC 准号 MUST-2025-618。
- 机构许可：MRRH 行政许可。
- 资助：Faculty of Health Sciences Seed Grant, MUST。
- 许可：Creative Commons Attribution 4.0 International（CC BY 4.0）。
- 分发渠道：Zenodo 公开直链（无 gated）。
- 可解析概念 DOI：10.5281/zenodo.21273570。
- 失效旧 DOI（论文/README 所印）：10.5281/zenodo.21266784（HTTP 404）。
- record id：21273571。
- 版本：v1.0 / 2026（Initial public release）。
- 任务类型：图像级二分类。
- 标注粒度：image-level（无框、无点、无掩码）。
- QA 步骤数：6（去重、剔不可读、质量核验、匿名化、文件名标准化、标签独立核验）。
- 合成数据声明：无合成图像、无篡改诊断特征。
- 匿名化声明：不含直接或间接患者标识符。
- 关联划分：Training 358 / Validation 77 / Testing 77。
- 元数据字段：Filename、Diagnostic label、Image format、Specimen type、Staining method、Magnification、Image dimensions。
术语表（28 条）
| 术语 | 释义 |
|---|---|
| AFB | Acid-Fast Bacilli，抗酸杆菌；ZN 染色后呈红色的分枝杆菌 |
| Ziehl–Neelsen (ZN) | 抗酸染色法，结核涂片镜检经典染色 |
| Sputum smear | 痰涂片，将痰标本涂抹于玻片后镜检 |
| Bright-field microscopy | 明场光学显微，最常规的透射光显微镜观察方式 |
| ×100 | 100 倍物镜（通常需浸油），痰涂片镜检规范放大倍数 |
| Immersion oil | 浸油，油镜观察时加的介质，提升数值孔径与分辨率 |
| Olympus BX41 | 一种常见的明场生物显微镜型号 |
| Infinity Lite | 一种数码显微相机型号 |
| Image-level classification | 图像级分类，整图一个标签 |
| Binary classification | 二分类（此处为阳性/阴性） |
| Ground truth | 参考真值，此处指常规实验室镜检结果 |
| Scanty | 涂片镜检的少菌级别（本数据集不区分） |
| LED-FM | 发光二极管荧光显微镜，ZN 之外的替代镜检方式（本数据集不含） |
| WSI | Whole Slide Image，全切片图像（本数据集非 WSI） |
| CC BY 4.0 | Creative Commons 署名 4.0 国际许可，可商用须署名 |
| Zenodo | CERN 运营的开放科研数据仓库（本数据集托管平台） |
| DOI | Digital Object Identifier，数字对象标识符 |
| Concept DOI | Zenodo 的概念级 DOI，指向一个数据集的所有版本 |
| MU | Mbarara University of Science and Technology（姆巴拉拉科技大学） |
| MUST-REC | MUST 研究伦理委员会 |
| MRRH | Mbarara Regional Referral Hospital，姆巴拉拉区域转诊医院 |
| Dataset paper | 数据集描述论文，只描述数据不含实验 |
| External validation | 外部验证，在非训练来源的数据上评测模型 |
| Domain shift | 领域偏移，训练与部署条件不一致导致的性能下降 |
| Prior correction | 先验校正，把均衡采样训练的模型校准回真实患病率 |
| Metadata | 元数据，描述数据的字段（如尺寸、放大倍数） |
| Reproducibility | 可复现性，他人能否基于公开信息重现结果 |
| Sub-Saharan Africa | 撒哈拉以南非洲，结核高负担地区 |
DAIMS 评估
DAIMS（Data Assimilation and Information Management System）风格的数据集就绪度评估，24 项逐条评分如下（满分 4 分/项，"证据"栏给出来源）：
| # | 评估维度 | 评分 | 证据 |
|---|---|---|---|
| 1 | 数据可获取性（公开 vs gated） | 4 | Zenodo 公开直链，无申请 |
| 2 | 许可清晰度 | 4 | CC BY 4.0，四处口径一致 |
| 3 | 数据规模明确性 | 4 | 512 = 256 + 256，精确 |
| 4 | 标注类型明确性 | 4 | 图像级二分类，声明清晰 |
| 5 | 标注来源可信度 | 3 | 常规镜检 + 专业人员核验，但无多阅片者一致性 |
| 6 | 无合成数据声明 | 4 | 论文/README 双声明 |
| 7 | 隐私/匿名化 | 4 | 全文声明无患者标识符 |
| 8 | 伦理合规文件 | 4 | MUST-REC MUST-2025-618 + MRRH 许可 |
| 9 | 元数据字段完备性 | 3 | 列 7 字段，但取值未逐条公开 |
| 10 | 版本管理 | 3 | 有 v1.0/2026，但仅 1 版本、日期无日粒度 |
| 11 | DOI 可用性 | 2 | 论文所印 DOI 失效，需用替代号（已存照） |
| 12 | 引用格式完备性 | 4 | 提供正式引用 + CITATION.cff |
| 13 | 文档完整性 | 4 | 论文 + README + LICENSE + 声明 |
| 14 | 图像质量核验流程 | 4 | 六步 QA 含质量核验 |
| 15 | 重复数据剔除 | 4 | QA 第一步即去重 |
| 16 | 标签核验独立性 | 3 | 声明独立核验，但未披露方法细节 |
| 17 | 任务定义清晰度 | 4 | 图像级二分类，明确 |
| 18 | 划分方案明确性 | 4 | 358/77/77 明确 |
| 19 | 基线/基准提供 | 1 | 论文未报告任何模型数字 |
| 20 | 未声明局限的诚实度 | 4 | 作者列 4 条 Limitations |
| 21 | 地理代表性说明 | 3 | 明确单一地区，但未量化偏差 |
| 22 | 设备异质性说明 | 2 | 提及手机子集但未披露张数 |
| 23 | 与同类数据集的区分度 | 4 | 库内首个光学显微涂片条目 |
| 24 | 跨地区外部验证价值 | 4 | 非洲本地采集，天然适合外部验证 |
DAIMS 总分：84 / 96（87.5%）。主要失分集中在"基线提供"（未报告性能）与"DOI 可用性"（旧号失效）两项——前者是数据集描述论文的固有特征，后者已有可解析替代号并全程存照。
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| slug | ai-tb-zn |
| 官方名 | AI-TB-ZN |
| 模态 | 明场光学显微（痰涂片） |
| 规模 | 512 张（256 阳 + 256 阴） |
| 任务 | 图像级二分类 |
| 许可 | CC BY 4.0 |
| 获取 | Zenodo 公开直链 |
| 概念 DOI | 10.5281/zenodo.21273570 |
| 库内 rid | 待入库分配 |
附录 B：labels.csv 结构实测
列：filename,label；行数 513（1 表头 + 512 数据）。
label 取值：Positive（256 行）、Negative（256 行）。
文件名范围：TB_IMG001.jpg – TB_IMG257.jpg（两目录合计编号空间），单目录内不唯一。
附录 C：数据集划分与使用建议
| 划分 | 张数 | 用途 | 注意 |
|---|---|---|---|
| Training | 358 | 关联模型开发 | 若做独立评测勿复用 |
| Validation | 77 | 关联模型调参 | 同上 |
| Testing | 77 | 关联模型评估 | 第三方评测建议自划 |
附录 D：可获取性光谱对照（库内）
| 开放档 | 代表条目 | AI-TB-ZN |
|---|---|---|
| 公开直链 + 宽松许可 | ai-tb-zn | ✅ 本条目所在档 |
| 需注册/登录 | 多个 PhysioNet 派生条目 | — |
| 请求制（upon request） | 部分 WSI 掩码类 | — |
| 严格 gated / DUA | 部分临床 EHR 类 | — |
附录 E：坑点档案（与 §10 对照）
- DOI 旧号 404（用 21273570）
- 文件名跨目录复用
- 与 CiBM 逐杆菌级数据集混淆
- 1:1 均衡不反映真实先验
- 无定位/计数/分割标注
- ptb-xl / aims-tbi 同名陷阱
- 无内建基线，勿臆造
- 手机子集为隐藏混杂变量
附录 F：视觉判读基础（ZN 染色）
ZN 染色后：抗酸杆菌呈红色细长杆状，背景与杂菌呈蓝色。阳性判读依赖在标准视野数内找到红色杆状物；阴性则未见。图像级标签对应"该视野/该图所属涂片是否阳性"。
附录 G：采集设备清单
| 环节 | 设备 |
|---|---|
| 显微镜 | Olympus BX41（明场） |
| 相机（主体） | Infinity Lite Digital Microscope Camera |
| 相机（补充） | Samsung Galaxy A16 智能手机 |
| 放大 | ×100（油镜） |
| 染色 | Ziehl–Neelsen |
附录 H：伦理与合规链条
样本（MRRH 常规诊断）→ 存档玻片回顾性选取 → MUST-REC 审批（MUST-2025-618）+ MRRH 许可 → 匿名化处理 → 去标识图像公开（CC BY 4.0）。
附录 I：第三方使用检查清单
- [ ] 用
10.5281/zenodo.21273570（非 21266784）取数 - [ ] join 时用"目录 + 文件名"复合键
- [ ] 若做基准，自行重划 train/test 避免与关联研究泄漏
- [ ] 部署前做先验校正（数据为 1:1 均衡）
- [ ] 留意手机子集的设备分层
- [ ] 在论文中引用官方 citation 格式并署名
附录 J：局限声明原文要点（据论文/README）
- 单一地理区域（乌干达西南部）；
- 单一染色与成像模态（ZN + 明场）；
- 图像级标签，不支持杆菌级分析；
- 设备存在异构（显微镜相机 + 手机）。
附录 K：参考背景文献（论文所列 7 篇锚）
- WHO Global TB report 2024
- Smith & Kirby 2020（Clin Microbiol Infect）
- Kotei & Thirunavukarasu 2022（Prog Biophys Mol Biol）
- Gupta 2023（J Investig Med）
- Chen 2024（Microorganisms）
- Witarto 2024（Life）
- Zurac 2022（Diagnostics）
附录 L：检索关键词建议
中文：结核、痰涂片、抗酸染色、抗酸杆菌、显微镜图像、乌干达、图像分类。
英文：tuberculosis, sputum smear, Ziehl-Neelsen, acid-fast bacilli, AFB, light microscopy, Mbarara, MUST, Uganda, image classification, Zenodo, CC BY 4.0。
附录 M：与库内 CXR 结核条目的模态对照
| 条目 | 模态 | 任务 | 与 AI-TB-ZN 关系 |
|---|---|---|---|
| ai-tb-zn | 显微镜涂片 | 图像级二分类 | 本体 |
| montgomery-tb(157) | CXR | 图像级 | 同疾病异模态 |
| shenzhen-tb(167) | CXR | 图像级 | 同疾病异模态 |
| tbx11k(177) | CXR | 检测偏多 | 同疾病异模态 |
| chestagentbench(816) | 框架 | 评测 | 弱相关 |
附录 M2：qianfanghub 库内 TB 关键词命中一览（查询时点 2026-10-07）
| url_name | rid | 主题 | 模态 | 与 AI-TB-ZN |
|---|---|---|---|---|
| shenzhen-tb | 167 | 结核 | CXR | 同疾病异模态，可互链 |
| montgomery-tb | 157 | 结核 | CXR | 同疾病异模态，可互链 |
| tbx11k | 177 | 结核 | CXR | 同疾病异模态，可互链 |
| chestagentbench | 816 | 胸部（含 TB 任务） | 框架 | 弱相关 |
| ptb-xl | 70 | 心电图 | ECG | 无关，勿链 |
| aims-tbi | 665 | 创伤性脑损伤 | MRI | 无关，勿链 |
上表由"tb / tubercul / afb / sputum / smear"宽检索得到，说明库内与本条目真正同域（涂片显微）的条目为零，AI-TB-ZN 为新增模态。
附录 M3：AI-TB-ZN 与"TBX11K 类检测集"的分工
tbx11k 等胸片检测集擅长回答"病灶在肺的哪个位置"，AI-TB-ZN 擅长回答"涂片视野里有没有菌"。前者服务于影像科阅片流程，后者服务于检验科镜检流程。二者同属结核，但服务的临床环节不同——这也是为什么"结核 AI"不能用一个数据集包打天下。
附录 N：结核实验室诊断路线总表
| 路线 | 原理 | 速度 | 敏感度 | 成本 | 本数据集 |
|---|---|---|---|---|---|
| 痰涂片镜检 | 染色 + 显微镜找菌 | 小时级 | 低-中 | 低 | ✅ 对应此路线 |
| 培养 | 培养基上长菌 | 数周 | 高（金标准） | 中 | ❌ 无关 |
| 分子检测（Xpert 等） | 核酸扩增 | 小时级 | 高 | 高 | ❌ 无关 |
| 胸片/CT | 影像学看肺 | 分钟级 | 中 | 中 | ❌ 无关（另一路线） |
附录 O：数据包文件清单与用途
| 文件 | 用途 |
|---|---|
TBPOSITIVE/ |
256 张阳性 JPEG |
TBNEGATIVE/ |
256 张阴性 JPEG |
labels.csv |
逐图标签（filename,label），513 行 |
metadata.csv |
逐图元数据（字段见 §2.6） |
README.md |
数据集说明与特性表 |
LICENSE |
CC BY 4.0 文本 |
CITATION.cff |
机器可读引用元数据 |
DATASET_PAPER.pdf |
数据集描述论文（8 页） |
Data_Availability_Statement.txt |
数据可获得性声明 |
附录 P：典型使用代码骨架（伪代码）
# 1. 读取标签（注意复合键）
import pandas as pd
lab = pd.read_csv("labels.csv") # columns: filename,label
# 必须结合目录：错误做法 lab.merge(images, on="filename")
# 正确做法：为每张图附带其父目录
lab["path"] = lab.apply(
lambda r: f"{'TBPOSITIVE' if r.label=='Positive' else 'TBNEGATIVE'}/{r.filename}",
axis=1)
# 2. 自划 train/test（勿盲用 358/77/77）
from sklearn.model_selection import train_test_split
tr, te = train_test_split(lab, test_size=0.2, stratify=lab.label, random_state=42)
# 3. 训练二分类器（略）——记得报告 sensitivity/specificity/AUROC
# 4. 部署前先验校正：把 1:1 先验换回真实阳性率 p
# odds_corrected = odds_model * (p/(1-p)) / (0.5/0.5)
附录 Q：先验校正公式说明
设模型在 1:1 均衡数据上训练，输出后验概率 $P_{\text{bal}}(y=1|x)$。若真实场景阳性先验为 $\pi$（例如 0.1），采样先验为 0.5，则校正后的真实后验为：
$$\text{odds}{\text{true}} = \text{odds}{\text{bal}} \times \frac{\pi/(1-\pi)}{0.5/0.5}$$
其中 $\text{odds} = P/(1-P)$。据此可重算阈值，使部署时的敏感度/特异度贴近临床预期。
附录 R：单张阳性图像的判读要领（教学用）
在 ZN 染色 ×100 视野中寻找阳性证据的要点：① 找红色、细长、略带弯曲的杆状物（注意与蓝色背景、蓝色杂菌区分）；② 抗酸杆菌常成簇或成串出现；③ 单个视野里可能只见到一两条，需综合全片；④ 阴性图像的"蓝底"里可能仍有杂质颗粒，但与红色杆状物的形态不同。这些要领说明为什么"图像级阴阳"看似简单，对非专业人士却并不容易——也是自动化有意义的理由。
附录 S：局限声明与应对（面向使用者）
| 局限 | 应对建议 |
|---|---|
| 单一地理来源 | 跨地区评测时把结果按地区分层报告 |
| 单一染色/模态 | 迁移到 LED-FM 前先做小样本验证 |
| 图像级标签 | 若需定位，另配检测数据或弱监督 |
| 设备异构 | 尽量回溯设备字段做分层分析 |
| DOI 旧号失效 | 显式使用可解析概念 DOI |
| 文件名复用 | 用"目录+文件名"复合键 |
| 无基线 | 自建基线并声明划分 |
附录 T：与其他显微涂片数据的比较视角
| 维度 | AI-TB-ZN | 一般杆菌级涂片库 | 一般 WSI 病理库 |
|---|---|---|---|
| 粒度 | 图像级 | 逐杆菌级 | 像素级掩码 |
| 规模 | 512 | 数百-数千 | 数十-数千 WSI |
| 任务 | 分类 | 检测/计数 | 分割/分级 |
| 许可 | CC BY 4.0 | 不一 | 常 NC/请求制 |
| 定位 | 阴阳初筛/外部验证 | 定量分析 | 病理诊断 |
附录 U：库内互链落地建议（给主会话）
- 在本条目 §9 与库内
shenzhen-tb/montgomery-tb/tbx11k条目之间建立双向链接，连接语统一用"同疾病、异模态（显微镜涂片 vs 胸片）"； - 与
chestagentbench建立软链接，标注"弱相关（评测框架）"； - 明确不与
ptb-xl/aims-tbi互链，并在本条目中保留"同名陷阱"提示； - 建议将本条目登记为库内"光学显微涂片模态"的代表条目。
附录 V：版本与维护记录
| 版本 | 时间 | 说明 |
|---|---|---|
| 数据集 v1.0 | 2026 | Initial public release（README 唯一记录） |
| 本条目 v1 | 2026-10-07 | 首次撰写，抓取时点 2026-10-07 |
附录 W：引用与署名模板
Tumwesigye H, Atwine D, Atwine R, Birungi A, Birungi C, Munguciada E, Nabimanya P, Akandwanaho J, Ochama B, Mitala Y. AI-TB-ZN: An Annotated Ziehl–Neelsen-Stained Sputum Smear Image Dataset for Artificial Intelligence-Based Tuberculosis Detection in Southwestern Uganda. Zenodo. 2026.
使用本数据集时，除引用上述格式外，应遵守 CC BY 4.0 的署名义务，并建议在方法部分说明是否沿用 358/77/77 划分。
附录 X：DAIMS 评分口径说明
本条目 DAIMS 24 项评分为本项目自建口径（4 分制），旨在横向比较库内条目的数据就绪度。评分为主观判断 + 来源证据结合，非官方标准。低分项（如"基线提供"）反映的是数据集本身的性质，而非质量缺陷。
附录 Y：FAQ 之外的常见误解速查
| 误解 | 事实 |
|---|---|
| “它是胸片数据集” | 是显微镜涂片，模态完全不同 |
| “它有杆菌标注” | 只有图像级标签，无框无点 |
| “它有内置基线” | 论文未报告任何性能数字 |
| “它按真实先验采样” | 刻意 1:1 均衡 |
| “论文 DOI 可用” | 所示旧号 404，需用替代号 |
| “文件名可作主键” | 跨目录复用，须复合键 |
附录 Z：一页纸速记（贴在实验台旁）
- 数据集：AI-TB-ZN · 512 张（256 阳 + 256 阴）· JPEG · ×100 明场 · ZN 染色
- 获取：Zenodo 公开直链 · 概念 DOI 10.5281/zenodo.21273570
- 许可：CC BY 4.0（署名即可，可商用）
- 任务：图像级二分类（阴阳初筛）
- 不能做：检测 / 计数 / 分割 / 分级 / 荧光迁移
- 三个必记的坑：DOI 旧号 404、文件名跨目录复用、1:1 先验需校正
- 库内互链：shenzhen-tb / montgomery-tb / tbx11k（同疾病异模态）
- 一句话：站在显微镜这一侧的、安静的结核开放数据基石
尾注
- 论文与 README 所载 DOI
10.5281/zenodo.21266784实测 HTTP 404；本条目采用可解析的概念 DOI10.5281/zenodo.21273570（record 21273571），双列存照于 §9.4。 - 文中所有硬数字均以数据集配套论文、README 或实测
labels.csv为准；三者冲突处已在 §9.4 明确登记。 - 本条目不含任何未在来源中出现的性能数字；凡涉及模型准确率的说法均标注"论文未报告"。
metadata.csv逐图字段取值、Collaborators 文档、手机子集张数、精确发布日期属遗留疑点（§9.5）。- 数据集原始内容包括：TBPOSITIVE/、TBNEGATIVE/ 两目录与 labels.csv、metadata.csv、README、LICENSE、CITATION.cff、DATASET_PAPER.pdf、Data_Availability_Statement.txt。
- 本条目为千方病案医数集 AI-Ready Wikipedia 项目产物，抓取与撰写时点为 2026-10-07。
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：
- acevedo-blood — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- bbbc051 — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- camelyon17 — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- unitopatho — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- mendeley-lbc — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- lisc — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- raabin-wbc — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- all-idb — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- defungi — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
- nct-crc-he-100k — 共享标签：医学影像 / 图像分类 / 病理图像 / 评测基准
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。
