AML-Cytomorphology — 慕尼黑白血病单细胞形态数据集

INFOBOX — AML-Cytomorphology 一屏速览

维度	内容
本质	单细胞外周血涂片图像分类数据集（非挑战赛、非 WSI、非骨髓）
官方名	AML-Cytomorphology_LMU（TCIA）；俗称 Munich AML Morphology Dataset
团队	慕尼黑大学医院白血病诊断实验室 + Helmholtz Zentrum München（Matek/Marr）
论文	Nature Machine Intelligence 1, 538–544 (2019)；doi:10.1038/s42256-019-0101-9
数据	18,365 张单细胞 TIFF，共 11 GB；200 例受试（100 AML + 100 对照）
采集	M8 数字显微镜（Precipoint），100× 油浸，14.14 pixels/μm
类别	论文 18 类方案 / 下游通行 15 类（4 白血 + 11 健康）——双口径
标注	受训专家形态学分类；子集再标注至多 2 次（量化标注者间/内变异）
核心任务	单细胞形态学分类 + blast 二分类 + 正常细胞类型二分类
论文结果	CNN 分类最重要细胞类型高精度，两临床二元任务达人类专家水平
获取	TCIA 集合页公开直链（低门槛）；下载需 IBM-Aspera-Connect 插件
许可	CC BY 3.0（数据，商用/科研/教育均可用）｜论文本体 Nature 版权
库内互链	ALL-IDB（ALL 涂片）、C-NMC 2019（B-ALL 分类）、Raabin-WBC（白细胞）、NuCLS（核分割）

AML-Cytomorphology 是一个"把血液科医生看涂片的眼睛借给机器"的数据集：它把慕尼黑大学医院 2014–2017 年间 200 例受试（100 例急性髓系白血病患者 + 100 例无血液恶性肿瘤征象者）的外周血涂片，切成 18,365 张单个白细胞的图像，每一张都由受训专家按临床形态学方案打上类别标签。配上它同一团队的 Nature Machine Intelligence 论文，这套数据成了"AI 能否达到血液形态学专家水平"这一问题的经典实验台——论文报告网络在两个临床二元判断上（该细胞是否具原始细胞性质、是否属正常细胞类型）达到了人类专家水平。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——TCIA 公开直链，CC BY 3.0，注意下载需 Aspera 插件，且要先确认你要的类别口径是 15 还是 18（坑 1）。
2. 关心医学意义：直奔 §0 与 §7——为什么"原始细胞识别"是 AML 诊断的枢纽，以及 CNN 达人类水平意味着什么。
3. 做模型/基准：直奔 §4 数据构成与 §5 标注体系——类别体系、再标注列的含义、与骨髓版（2021）的区别，是复现时必须先弄清的三件事。

§0 导读：这个数据集解决什么问题

血液病的诊断从一张涂片开始。急性髓系白血病（Acute Myeloid Leukemia, AML）的判定高度依赖细胞形态学——尤其是骨髓或外周血中**原始细胞（blast cell）**的比例与性质：原始细胞占比是 AML 诊断和分型的核心指标。然而这项工作从 19 世纪沿用至今，仍主要靠训练有素的血液科医生/检验医师在显微镜下逐张判读，其固有缺陷是"慢、贵、难标准化"——论文开篇即点明，细胞形态学检查"繁琐耗时、难以标准化、且存在难以量化的观察者间与观察者内变异"。

把这件事变成机器学习问题，需要三样东西同时到位：足量的、逐张带专家标签的单细胞图像；一套能复现的类别体系；以及一个能与人类专家比对的评估标尺。AML-Cytomorphology 数据集配它的论文，恰好一次补齐了三样：

• 数据：18,365 张单细胞图像，来自 100 例 AML + 100 例对照，覆盖 AML 诊断中最重要的细胞类型谱系。
• 标注：受训专家依临床实践衍生的标准形态学方案逐张分类，且对子集做了再标注（第二位标注者 + 同一标注者 11 个月后复标），把"人类本身有多一致"变成了可用数字。
• 评估：论文不满足于报一个分类精度，而是以专家间/专家内变异为基准，检验网络是否达到 human-level。

这一设计的意义在于：它把"AI 能不能看涂片"从一句口号变成了可测量的对照实验。网络若能在"blast 与否"这个问题上达到专家水平，就有望成为筛查辅助工具——在细胞数量远超人工逐一判读极限的涂片上，自动挑出可疑的恶性细胞群，从而在疾病更早期、恶性细胞比例还很低（低 prevalence）时就被识别出来。论文摘要明确点出了这个临床愿景：让临床医生"在疾病更早阶段识别低比例的恶性细胞群"。

§0 读法三则：

1. 本条目是"数据集本体 + 方法论文"的经典组合：数据在 TCIA 公开（CC BY 3.0），论文在 Nature Machine Intelligence（订阅）。二者许可不同，引用时分别处理（§6）。
2. 数据集不是全切片图像（WSI），也不是骨髓涂片——它是外周血涂片的单细胞裁图。所有关于"为什么只有单细胞、没有整张涂片"的疑问，答案都在"任务被刻意定义为图像分类问题"这一设计里（§2）。
3. 遇到"15 类还是 18 类"时别急着下结论——两者分别出自下游通行口径与论文原始图注，先在坑 1 看清来龙去脉再选（§5）。

0.1 为什么血液形态学"难自动化"

要理解这个数据集的价值，先要理解它面对的问题有多难。细胞形态学检查从 19 世纪沿用至今，之所以迟迟没能自动化，论文点出的三个原因层层递进：

1. 任务本身难形式化：医生说"这个细胞像原始细胞"，依靠的是多年训练积累的隐性视觉经验——细胞大小、核质比、核仁明显度、染色质粗细、胞质颗粒……这些特征难以用几条 if-else 规则写清楚。传统的"手工特征 + 分类器"路线因此长期受限。
2. 标注昂贵且不稳：深度学习需要大量带标签图像，但每张都需专家判读；更麻烦的是，即使是专家，不同人看同一细胞也可能给不同答案（观察者间变异），同一个人隔时间再看也可能改口（观察者内变异）。标签本身就不完全是"真值"。
3. 量化困难：形态学判读本质是定性的，难以与免疫分型、分子遗传学等定量手段对齐比较。

CNN 的出现改变了第一点——深度学习恰好擅长从图像里自动学出隐性特征，不再依赖手写规则。但第二、三点仍是拦路虎：没有足够大、足够可靠的标注数据，CNN 也无从学起。本数据集的意义正在于此：它用 200 例受试、18,365 张专家标注图像填上了"数据"这块缺口，并用再标注机制部分回应了"标签可靠性"的问题。

0.2 三个临床问题，数据如何对应

论文把血液学诊断中的需求收敛成三个可计算的问题，并让数据为其提供支撑：

临床问题	数据支撑	对应任务
这是什么细胞？	18 类（或 15 类）形态学标签	多类分类
这个细胞是原始细胞吗？	由多类标签折叠出的 blast 标签	二分类
这个细胞是正常的吗？	由多类标签折叠出的正常/异常标签	二分类

三个问题的关系是递进的：先分清细胞类型，才能判断恶性性质，进而判断整体是否正常。数据集用一套细粒度标签同时支撑三层，避免了为每个问题单独标注的成本。这也是"细粒度多分类标签是通向可靠二元判断的阶梯"这一设计哲学的落点（§5.4）。

0.3 一句话概括本条目

AML-Cytomorphology 是血液形态学 AI 的公开起点：它把"医生看涂片认细胞"这件难自动化的事，变成了 18,365 张单细胞图 + 专家标签 + 人类一致性基准的可复现机器学习问题。

§1 数据集速览：十问十答

Q1：AML-Cytomorphology 是什么？
一个单细胞白细胞形态学图像数据集。它把外周血涂片上单个白细胞裁成 18,365 张图像，每张配一个专家形态学类别标签，用来训练/评测细胞分类与原始细胞识别模型。

Q2：为什么叫 AML-Cytomorphology？
因为它服务于急性髓系白血病（AML）的**细胞形态学（cytomorphology）**判读。“_LMU” 后缀标明数据来自慕尼黑大学（Ludwig-Maximilians-Universität）医院。TCIA 的集合标识即 AML-Cytomorphology_LMU。

Q3：数据从哪来、规模多大？
来自慕尼黑大学医院白血病诊断实验室 2014–2017 年的外周血涂片：100 例确诊 AML 患者 + 100 例无血液恶性肿瘤征象的对照，共 200 例；裁出 18,365 张单细胞图像，图像体量 11 GB。

Q4：图像怎么采集的？
M8 数字显微镜/扫描仪（Precipoint GmbH, Freising, Germany），100× 油浸物镜，空间采样 14.14 像素/微米（厂商给出）。原始的涂片扫描被切分成单细胞图。

Q5：有多少个细胞类别？
双口径：论文 Fig 2 图注写"18 类方案（18-class scheme）"；下游研究（如 arXiv:2608.10657、PMC9858290）通行记 15 类——其中 4 类是白血性细胞、11 类是健康白细胞（7 类成人白细胞 + 4 类未成熟细胞）。使用前务必确认版本（坑 1）。

Q6：谁标的、可靠吗？
受训专家依临床实践衍生的标准形态学分类方案标注。为量化标注可靠性，数据集对子集图像做了再标注：第二位独立标注者标一次、同一标注者间隔 11 个月再标一次——这两列的结果就摆在 annotations.dat 里，可直接算观察者间/观察者内一致性。

Q7：配套论文做了什么？
训练了一个卷积神经网络（CNN）做白细胞分类，并回答两个临床问题：(i) 这个细胞是否具原始细胞（blast）性质；(ii) 它是否属于非病理血液涂片中正常存在的细胞类型。论文报告网络在最重要细胞类型上高精度，且两任务达到人类专家水平。

Q8：和"骨髓"数据集什么关系？
没关系但同族。同团队 2021 年在 Blood Advances 发布了骨髓（bone marrow）涂片版：171,374 张、945 患者、22 类。AML-Cytomorphology 是外周血版，规模较小、时间更早（2019），是这条数据谱系的起点（§9）。

Q9：我能直接拿到吗？
能。TCIA 集合页公开（DOI 10.7937/tcia.2019.36f5o9ld），许可 CC BY 3.0——浏览、下载、商用、科研、教育均可。下载大体积图像需要 IBM-Aspera-Connect 插件；annotations.dat（538kb）与 abbreviations.txt（1kb）是小文件。

Q10：为什么它对 AI-Ready 重要？
它是血液形态学 AI 的"原点级"公开数据集：规模大（万级单细胞）、标签专家化、许可宽松（CC BY 3.0 可商用）、平台稳定（TCIA + DOI），且自带一个人类水平对照的基准论文。它的开放程度在血液涂片数据集里属于第一梯队——正是当前很多血液细胞分类模型（含各种基础模型评测）绕不开的起步数据。

1.1 三十秒画像

如果你只有三十秒，记住这七个事实即可：

事实	内容
是什么	单细胞外周血涂片图像分类数据集
谁做的	慕尼黑大学医院 + Helmholtz Zentrum München（Matek/Marr 团队）
多大	18,365 张单细胞图 / 200 例受试 / 11 GB
怎么采	M8 显微镜 100× 油浸，14.14 像素/微米
权威出处	Nature Machine Intelligence 1:538–544 (2019)
怎么拿	TCIA 公开直链，CC BY 3.0（可商用）
一句话价值	血液形态学 AI 可复现、可对照、可商用的起点数据

1.2 本条目与"疾病-任务"坐标系

把本数据集放进"疾病 × 任务"的二维坐标系，可以快速定位它适合什么：

	单细胞分类	涂片级检测	图像分割
AML（髓系）	✅ 本条目	❌（可用本条目训练分类子模块）	❌
ALL（淋系）	✅ ALL-IDB / C-NMC	有限	有限
正常白细胞	✅ Raabin-WBC	—	—
泛血液病骨髓	✅ 2021 骨髓版	—	有限

坐标系读法：本条目牢牢占据"AML × 单细胞分类"这一格，并且是这一格里规模与开放度兼具的代表。离开这一格，它要么只能作为训练数据的子模块（涂片级任务的分类后端），要么根本不适用。

1.3 检索者最常问的五个"是不是"

• 是挑战赛吗？ 不是。无 leaderboard，是数据集 + 论文。
• 是 WSI 吗？ 不是。是单细胞裁图。
• 是骨髓数据吗？ 不是。是外周血；骨髓版是 2021 年另一套数据。
• 能商用吗？ 能。数据 CC BY 3.0，署名即可。
• 能复现论文数字吗？ 能，但需自行全量重训（代码与数据开源，权重只给一个 fold）。

这五问覆盖了检索者九成以上的认知需求，其余细节见后续章节。

1.4 本条目与库内既有条目的三层重叠

放置本条目时，它与库内既有条目存在三个层次的主题重叠，检索时可能被混淆：

重叠层	库内条目	区分点
病种层	ALL-IDB / C-NMC 2019	同为白血病涂片，但淋系 ALL vs 髓系 AML
细胞层	Raabin-WBC	同为白细胞分类，但病种靶向 vs 正常形态为主
任务层	NuCLS / BCSS	同为显微镜图像，但单细胞分类 vs 区域/像素分割

三层重叠意味着："血液细胞 AI 数据集"不是本条目一个，检索者需按"病种 + 标本 + 粒度"三个维度组合定位，才能既不漏也不混。本条目在三个维度上的坐标是"AML × 外周血 × 单细胞"——记住这个三元组，就记住了它与其他条目的边界。

1.5 一条时间线

2014–2017  慕尼黑大学医院采集 200 例外周血涂片
2019-02-28 bioRxiv 预印本发布（10.1101/564039）
2019        Nature Machine Intelligence 正式发表（1:538–544）
2019-10-24  TCIA Version 1 发布（DOI 10.7937/tcia.2019.36f5o9ld）
2021        同团队骨髓版发布（Blood Advances，171,374 图/945 例）
2026-10-08  本条目抓取核验时点

时间线读出的关键信息：数据发布（2019-10）与论文发表（2019）几乎同步，且此后数据本体未再修订。因此"2019 年的论文用的就是今天 TCIA 上这份数据"，复现对照清晰——这是单一版本、长期稳定平台的直接好处。

§2 数据构成与规格

2.1 规模、来源与受试构成

AML-Cytomorphology 的全部图像来自单一机构的一段固定时间窗：

维度	数值
单细胞图像总数	18,365 张（TIFF）
受试数量	200 例
AML 患者	100 例（诊断为不同亚型 AML）
非恶性对照	100 例（无血液恶性肿瘤形态学征象）
采样时间窗	2014–2017
采集机构	慕尼黑大学医院（LMU Klinikum）白血病诊断实验室
图像体量	11 GB

100 例对照的入选标准是"同期、且形态学上无血液学恶性肿瘤征象"——这保证了正常白细胞类别的来源真实，也意味着数据集自带一个"良恶性对照"的天然二元结构：一半受试是 AML，一半是无需与恶性细胞区分的正常样本。

对使用者的第一层含义：这是一套病例对照（case-control）设计的数据，不是流行病学意义上的连续抽样。AML 与对照各占 100 例是刻意配平的，因此数据本身的恶性/正常比例不代表真实涂片诊断场景中的患病率——论文设想的"低 prevalence 早期筛查"场景里，恶性细胞是稀有的，而这里的类别平衡是人为的。做 prevalence 相关的模型校准实验时必须记住这一点（§7）。

2.2 图像规格与采集链

属性	规格
设备	M8 digital microscope/scanner（Precipoint GmbH, Freising, Germany）
物镜倍率	100×，油浸（oil immersion）
空间采样	14.14 pixels/μm（厂商给出）
图像形态	单细胞裁图（cropped single-cell image），每图一个细胞
图像格式	TIFF
标注文件	annotations.dat（图名→类别）、abbreviations.txt（类别缩写与目录结构）

"单细胞裁图"是这个数据集最重要的形态特征。涂片扫描后，系统（或流程）把细胞从背景中分离出来，为每个细胞生成一张独立图像——因此每张图只含一个细胞，不含相邻细胞、不含涂片空间布局、不含全局密度信息。带来三重后果：

1. 适合分类任务：输入干净（一个细胞一个标签），是标准的图像分类范式。
2. 不适合检测/分割/涂片级任务：没有整张涂片、没有细胞坐标、没有细胞间关系——任何"在涂片里找细胞"的任务都超出本数据集的供给范围。
3. 域特征集中：单机构、单扫描仪、单一放大倍率（100× 油浸），图像风格高度同质——对训练同域模型友好，但对跨设备/跨染色泛化实验是硬约束（§7 的域迁移问题）。

2.3 类别体系：论文 18 类 vs 下游 15 类

这是本条目最需要小心处理的规格问题。

• 论文 Fig 2 图注口径：分类任务被描述为 “Classification of 18,000 single-cell images into an 18-class scheme”——即论文把细胞分成 18 个形态学类别。
• 下游通行口径：arXiv:2608.10657（多数据集检索增强白血病分类综述）描述为"15 个不同的单细胞图像类别，其中 4 类是白血性细胞、11 类是健康白细胞；11 类健康白细胞中 7 类是成人白细胞、4 类是未成熟细胞"。PMC9858290（DCAE-CNN 混合模型论文）同样记 15 类。
• TCIA 集合页口径：只写"分类到一套从临床实践衍生的标准形态学分类方案"，未给类别数。

三源合读的结论：论文原始的完整方案是 18 类；下游文献普遍采用的、可稳定标注的子集口径是 15 类（4 恶性 + 11 正常）。差异可能来自"部分罕见类别被合并或剔除"（例如某些模糊类别在建模子集中被排除，正是 arXiv 综述提到的"ambiguous cell types were excluded"处理）。本条按双口径存照处理：引用论文时用 18 类方案，引用下游可用数据时用 15 类子集（坑 1）。

对建模者的直接影响：别假设一个固定的类别数。拿到 annotations.dat 后，第一步应是枚举注释文件里实际出现的类别标签，以文件实际内容为准，而不是照抄"15"或"18"。

2.4 标注文件结构：三列/四列的精巧设计

annotations.dat 是本数据集"可复现的一致性研究"的载体，列结构如下：

列	含义
第 1 列	图像文件名
第 2 列	金标准标注——专家在正式标注流程中判定的形态学类别
第 3 列	若该图被再标注：第二位独立标注者第一次再标注的结果；未被再标注则填 nan
第 4 列	若该图被再标注：同一再标注者间隔 11 个月后的第二次结果；未被再标注填 nan

这个设计直接把"人类标注本身的稳定性"编码进了数据文件：

• 第 2 列 vs 第 3 列 → 可算标注者间一致性（inter-rater）；
• 第 3 列 vs 第 4 列（同一人、隔 11 个月）→ 可算标注者内一致性（intra-rater）。

论文评估网络性能时，正是以这两个人类一致性水平作为对照标尺——“human-level” 不是拍脑袋的形容词，而是相对这两把尺子量出来的。使用者的机会：任何要报"我的模型准确率 X%"的人，都可以用同一份数据算出人类专家的上下限，从而判断 X 究竟意味着什么。未解之处：再标注子集的覆盖比例未在集合页披露（坑 3），因此人类一致性只能在这个子集上估计，推广到全集需谨慎。

2.5 文件与体量清单

资产	格式	体量	许可
单细胞图像（18,365 张）	TIFF	11 GB	CC BY 3.0
标注文件 annotations.dat	DAT（+ZIP）	538 kb	CC BY 3.0
类别缩写定义 abbreviations.txt	TXT	1 kb	CC BY 3.0

下载提示：TCIA 的大文件下载走 IBM-Aspera-Connect 插件；集合页也提供 Search/Query-Filter 方式按需取图。小文件（标注+缩写）无需插件。

2.5.1 下载后的三步自检

拿到数据后，建议先做三步自检，确认数据完整且理解无误：

1. 文件配对检查：annotations.dat 中列出的图像名，应与本地图像文件一一对应；若数量对不上（少于 18,365），可能是下载不完整或分批次未合并。
2. 类别枚举：unique(gold_label) 得到实际的类别集合——这是"15 还是 18"问题的最终裁判（坑 1）。
3. 再标注列检查：统计第 3/4 列 nan 的比例，得到再标注覆盖率，并据此评估你能算出的人类一致性的适用范围（坑 3）。

三步做完，你对"手里这份数据到底是什么"就有了文件级的确信，而不是停留在二手描述的层面。

2.6 与库内其他血液/细胞数据集的规格对照

把本数据集放进库内血液与细胞图像家族的规格坐标系里，能更清楚地看到它"取舍了哪些维度"：

数据集	对象	粒度	病种	规模	许可
AML-Cytomorphology（本条目）	外周血白细胞	单细胞裁图	AML	18,365 图 / 200 例	CC BY 3.0
ALL-IDB / C-NMC 2019	外周血白细胞	单细胞裁图	ALL	260 / 15,135 图	各异
Raabin-WBC	外周血白细胞	单细胞裁图	正常为主	万级	开放
Bone marrow（2021，同团队）	骨髓细胞	单细胞裁图	多血液病	171,374 图 / 945 例	开放
NuCLS（库内 rid 248）	乳腺/其他 WSI	核级实例	肿瘤	多机构	开放
BCSS（库内 slug bcss）	乳腺 WSI	像素级语义	肿瘤	—	开放

读这张表的三条要点：

1. 本条目与 ALL-IDB/C-NMC/Raabin-WBC 同属"单细胞裁图"范式——输入是一个细胞、输出是一个标签，它们可互为横向对照；区别主要在病种靶向（AML/ALL/正常）。
2. 它与 NuCLS/BCSS 分属两个世界：后者是全切片上的区域/像素级任务，需处理 gigapixel 图像与空间定位；本条目刻意回避了这些复杂度，用"先裁好再分类"换取干净与可复现。
3. 库内尚缺单细胞 → 涂片反向任务（把一堆单细胞还原回涂片）的数据——本条目也不提供，这是血液形态学公开数据的一个共同空白。

2.7 为何是"单细胞裁图"而非"整张涂片"：一个设计取舍

理解本数据集的很多疑问，答案都会回到这个取舍：为什么不做整张涂片？

维度	整张涂片（WSI 范式）	单细胞裁图（本数据集范式）
标注成本	高——需在巨图中定位并逐细胞标注	低——一图一标签，分类问题
任务类型	检测/分割/定位/涂片级分类	单细胞分类
语境信息	保留细胞分布、密度、空间关系	丢失
模型难度	高（需检测+分类两级）	低（纯分类）
可复现性	低（依赖扫描与切片协议）	高（图像即样本，标准 ML 范式）
适合场景	端到端涂片诊断辅助	细胞类型/性质分类基准

论文的选择很明确：先把形态学分类这个"内核问题"做扎实。单细胞裁图让任务退化成标准图像分类——可以套用成熟的 CNN 迁移学习管线，可以把全部精力放在"分类准不准、够不够人类水平"上。代价是丢掉了涂片语境，导致模型无法直接部署到"拿一张涂片自动出结论"的端到端场景。

这不意味着设计有缺陷，而是分工：本数据集回答"细胞分类能不能做"，端到端涂片诊断是它下游的另一个问题。使用者若把两者混为一谈（以为拿到它就能做涂片级诊断），就会在部署阶段撞墙（坑 7）。

§3 采集与标注流程：从涂片到单细胞标签

3.1 采集流程的四步

数据集的诞生可以拆成一条清晰的流水：

1. 选片：从慕尼黑大学医院白血病诊断实验室 2014–2017 年的外周血涂片中，选 100 例 AML 患者样本 + 100 例无血液学恶性征象的对照样本。
2. 扫描：用 M8 数字显微镜/扫描仪做 100× 油浸的数字扫描，得到涂片的数字化图像（14.14 px/μm）。
3. 裁切：把涂片扫描切分成单个细胞的图像——每张图对应一个白细胞。
4. 标注：受训专家逐张判定形态学类别，写入 annotations.dat 的金标准列；对子集做再标注。

这条流水决定了数据的两面性：干净（单细胞、单标签，即插即用）与受限（丢了涂片语境、单机构单设备）。用它的人要么接受这份干净，要么回原始涂片自行重扫——而原始涂片并不随数据集发放，只有裁好的单细胞图。

3.2 标注体系：源自临床实践的形态学方案

标注方案不是论文临时发明的，而是"从临床实践衍生的标准形态学分类方案（a standard morphological classification scheme derived from clinical practice）"。这意味着类别边界对应真实的血液学判读习惯——医生在显微镜下认细胞时用的那套类别。

覆盖范围横跨两大阵营：

• 恶性/白血病相关：AML 诊断最关注的原始细胞（blast）及相关的髓系未成熟细胞形态；
• 正常外周血白细胞：中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞等成人白细胞，以及若干正常造血过程中的未成熟细胞。

论文的两个核心二元任务的标签，正是从这套多类方案推导出来的：(i) 具/不具 blast 性质；(ii) 属/不属正常细胞类型。也就是先有细粒度多分类标签，再折叠出粗粒度临床判断——这种"细标签摞粗任务"的组织方式，让同一个数据集能同时服务精细分类与临床二分类两类目标。

3.3 再标注机制：把"人有多一致"写进数据

数据集对子集图像做再标注，最多两次（见 2.4 列结构）。这一设计的用意论文说得很明确：量化标注者的 inter- 与 intra-rater variability。血液细胞形态学判读的老问题就是"不同专家看同一张涂片会给不同答案"，且同一位专家隔段时间重看也可能改判——这正是它"难以标准化"的根源。

把再标注塞进数据文件，等于给每个下游模型使用者发了一把人类基准尺：

• 你的模型若在多类分类上"只"达到 85%，先别沮丧——先算一下人类专家之间的同意率是多少，可能人自己也就 90% 上下；
• 你的模型若在 blast 二分类上超过"多数专家"的一致水平，才真正配得上"human-level"的宣称。

3.4 防偏与局限自曝

与很多"事后解释"的数据集不同，这套数据的设计从一开始就带着方法学自觉：

• 防偏：类别方案源自临床、标注由受训专家完成、再标注独立进行——多层设计都在压制单一标注者的主观漂移。
• 局限自知：单机构、单扫描仪、2014–2017 的固定窗口，以及"单细胞裁图丢失语境"——这些都不是疏漏，而是"把形态学分类先做成一个干净的图像分类问题"这一取舍的必然代价。论文的任务边界画得很清楚：它证明的是"单细胞形态分类可达人类水平"，不是"能在真实涂片工作流里端到端替代医生"。

对使用者的方法论启示：当你看到一个医学数据集宣称自己"小而精、指标漂亮"时，第一件事是找它的再标注列/一致性数据——AML-Cytomorphology 把这项透明性做到了文件级，这是它在同类数据里少见的品质，也是它经得起反复引用的原因。

3.4.1 为什么是 200 例：规模与多样性的平衡

100 例 AML + 100 例对照的配比，背后是"够不够学"与"准不准标"之间的权衡：

• 从学习角度：单细胞分类的样本单位是细胞图（18,365），而非患者。即使患者数只有 200，细胞图数量已足以训练 CNN——这是"细胞分类"任务相对"患者级预测"任务的数据优势：每个患者贡献多张细胞图，样本被天然放大。
• 从多样性角度：100 例患者需覆盖 AML 的多种亚型与形态变异，才能让模型见到足够的恶性形态谱；100 例对照则保证正常各类白细胞的来源真实。
• 从标注角度：患者数若再大，标注成本会线性上涨，而专家时间有限——200 例是"规模可行"与"标注可控"的交汇点。

这也解释了为什么数据集以细胞数（18,365）而非患者数（200）作为主要规模指标：真正决定"够不够训练"的是前者。使用者须注意：患者数少意味着同一患者的细胞高度相关，做交叉验证时应按患者分组（避免同患者的细胞同时出现在训练与测试集，造成乐观偏差）——这是一个论文未强调、但下游必须自行处理的评估陷阱。

3.5 标注方案的构建逻辑：从临床习惯到可计算标签

把临床形态学判读转成机器学习标签，中间的"翻译"不是自动完成的。一套可计算的类别体系需要满足三个条件：

1. 临床有意义：每个类别对应医生实际会区分的细胞类型（如原始细胞、中性粒细胞、淋巴细胞）——这是"源自临床实践的方案"的含义。
2. 形态可区分：类别之间在 100× 油浸图像上存在可辨识的形态学差异（大小、核/质比、核仁、颗粒、染色质结构），否则标注必然飘忽。
3. 可对应粗任务：细类别能折叠出临床二元判断（blast 与否、正常与否）——这是论文两问能成立的前提。

三个条件共同约束了类别数量的取值区间：太多则类别间边界模糊、标注一致性崩坏；太少则丧失临床分辨率。论文选 18 类、下游清洗到 15 类，正是这个区间的两端估计。理解这一点，使用者就不会纠结"到底该是几类"——它是设计权衡的结果，不是唯一真理（坑 1）。

3.6 再标注机制的操作细节

再标注不是"随便找人再标一遍"，其操作细节决定了它能支撑什么结论：

维度	设计
再标注次数	每张（被选中的）图像至多 2 次
第 1 次再标注	由第二位独立标注者执行 → 度量标注者间变异
第 2 次再标注	由同一位再标注者在间隔 11 个月后执行 → 度量标注者内变异
未被再标注	第 3/4 列填 nan
存放位置	与金标准标注并列于 annotations.dat，公开可查

“间隔 11 个月"这个数字不是随意的——它是为了拉开时间，让同一位标注者忘记上次的判读，从而使第二次结果真正反映"这位专家自身的稳定性”，而非短时记忆的重复。这种设计把"人类判读的偶然性"变成了可观测变量，在同类数据集中不常见。

使用者能做的三件事：

1. 复算 inter-rater 一致性：第 2 列 vs 第 3 列，算同意率/κ。
2. 复算 intra-rater 一致性：第 3 列 vs 第 4 列，算同一人两次的稳定性。
3. 定位"难例"：第 2/3/4 列不一致的样本，正是形态学上最模糊的细胞——可作主动学习/困难样本分析的对象。

3.7 数据发布与版本管理

数据集的发布与版本管理走 TCIA 的规范流程：

• 发布平台：TCIA（美国癌症影像档案馆），提供 DOI 10.7937/tcia.2019.36f5o9ld。
• 版本：Version 1（Current），Updated 2019/10/24——自发布起单一版本、未再修订。
• 状态：集合状态 Complete（已完成）。
• 归类：Species=Human；Data Types 含 Histopathology、Photomicrograph、Other、Classification；Cancer Type=Acute Myeloid Leukemia；Size=11GB。
• 引用要求：Data Citation Required——使用者若发表成果必须引用数据集 DOI 与 TCIA 平台论文。

单一版本、长期稳定的特点，对复现者是优点也是局限：优点是"你 2026 年下的数据 = 2019 年论文用的数据"（只要 TCIA 不撤），复现对照清晰；局限是没有修订机会——若日后发现标注问题，无法通过版本升级修正，只能由下游自行处理。这也间接说明：使用前先把 annotations.dat 逐列看清，比事后找"新版数据"更现实。

§4 配套论文与基准：CNN 达人类专家水平

4.1 论文档案

项	内容
标题	Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks
作者	Christian Matek, Simone Schwarz, Karsten Spiekermann, Carsten Marr
期刊	Nature Machine Intelligence, 卷 1, 页 538–544 (2019)
DOI	10.1038/s42256-019-0101-9
预印本	bioRxiv 10.1101/564039（2019-02-28，标题用美式 “leukemia”）
代码	CodeOcean capsule 9068249（训练代码 + 一个 fold 权重 + 测试图像子集）
数据	TCIA，doi:10.7937/tcia.2019.36f5o9ld

这篇论文是本条目存在的理由：它把数据集"用起来"，并给出了"AI 在血液形态学上能到什么水平"的一次严肃回答。

4.2 论文做了什么

论文的工作链条可以概括为：

1. 造数据：汇编 18,000+ 张白细胞的标注图像集（即本数据集），200 例受试。
2. 训网络：用卷积神经网络（CNN）做白细胞分类。论文属 Inception 系迁移学习范式——在自然图像预训练网络上微调以适配细胞形态（具体架构细节见坑 6 待核）。
3. 评性能：不孤立报精度，而是对照人类专家的 inter-/intra-rater variability，检验网络是否"human-level"。
4. 答两问：把多类标签折叠成两个临床二元判断——(i) 是否具 blast 性质；(ii) 是否属正常细胞类型——并报告网络这两个判断的准确水平。
5. 给可解释性：pixel-wise attention 可视化（Fig 3），显示网络分类时"看"细胞的哪个区域。

4.3 “human-level” 到底指什么

论文标题里的 “human-level” 是全文的落点，也是最容易被误读的地方。准确的读法是：

• 范围限定：human-level 是针对单细胞分类与两个二元判断而言的，不是"整个 AML 诊断流程"的 human-level。AML 的最终诊断还牵涉免疫分型、分子遗传学等多模态证据，形态学只是起点——论文自己也这么定位。
• 对照标尺：human-level 是相对专家间/专家内一致性测出来的。若专家之间本身只有 90% 同意，网络达到或接近这个水平即算 “human-level”；这不是"超越所有专家"，而是"落在专家群体自身的波动带内"。
• 任务特定：不同类别的难度差异巨大——论文摘要点明网络"分类最重要的细胞类型"时精度高，暗示罕见/模糊类别是短板。

把这一层读清楚，使用者就不会把标题夸大为"AI 能诊断白血病"——准确表述是"AI 能在单细胞形态学层面达到专家水平的分类与 blast 识别"。

4.4 数据可复现性资产

论文的数据可用性声明给出了两把钥匙：

• 数据：完整单细胞图像集与标注在 TCIA 公开（DOI 10.7937/tcia.2019.36f5o9ld）——CC BY 3.0，可自由复用。
• 代码：CodeOcean capsule 9068249——含网络训练代码、一个 fold 的网络权重、以及用于测试网络的图像子集。capsule 是"自带运行环境"的云复现单元，点开即可跑，降低了复现门槛。

注意区别：CodeOcean 上的权重只是一个 fold（交叉验证中的一份），不是全部；测试图像也只是子集。要完整复现论文数值，需回 TCIA 取全量 18,365 张图像自行重训。这是复现者最容易踩的"资产边界"坑（坑 5）。

4.5 论文的方法学站位：图像分类视角下的血液学

论文把一个临床判读任务形式化为图像分类问题，这一转译本身值得拆解。作者在引言里给出的推理链是：

1. 细胞形态学检查本质是"看微观细胞图像并分类"；
2. "看图像并分类"正是 CNN 最擅长的任务；
3. 因此把形态学判读写成图像分类，用 CNN 求解是自然的。

这条推理的每一环都有前提：图像质量足够（100× 油浸保证）、标签可靠（专家标注保证）、任务边界清晰（单细胞分类保证）。三个前提若缺一个，转译就不成立——这也是为什么本数据集要把"单细胞裁图 + 专家标注 + 人类一致性基准"三件事同时做齐。

论文还主动处理了一个常见的质疑："医学图像标注又贵又难，深度学习数据饥渴怎么办？“它的回应是用 200 例受试、18,365 张图像这一"在当时足够大"的规模来论证可行性，并强调相比此前"受限于患者数或图像数的多数研究”，本工作提供了更充足的监督。这一"以数据规模回应可行性质疑"的论证方式，是 2019 年前后医学 AI 论文的典型策略。

4.6 结果怎么读：三个层次分开看

论文结果应分三层理解，别混成一句"AI 很准"：

层次	论文主张	读法
单细胞多类分类	最重要细胞类型高精度	关注 per-class 表现，勿只看总体精度
blast 二分类	human-level	相对专家间/内一致性而言
正常细胞类型二分类	human-level	同上，任务不同

三层的共同限制是数据集内部评估：全部结果都在本数据集（单机构、单设备、2014–2017）上取得，没有跨机构外部验证集。因此论文证明的是"在该数据分布内可达人类水平"，不等于"换一家医院、换一台扫描仪也达人类水平"——域泛化（domain generalization）是论文未触及、留给后续工作的空白（§7）。

4.7 可复现性的三层门槛

想完全复现这篇论文的人，会依次遇到三层门槛：

门槛	需要什么	难度
数据	TCIA 全量 18,365 图（CC BY 3.0，公开）	低（下载即可，仅需 Aspera 插件）
代码	CodeOcean capsule 9068249（训练代码）	低（capsule 自带环境）
完整训练	全量数据 + 自行跑交叉验证 + 复现超参	中—高（capsule 只给一个 fold 权重）

第三层是真正的门槛：论文的"human-level"结论来自完整交叉验证，而公开资产只提供一个 fold。也就是说，论文可"半自动"复现——代码和数据都开放，但把数字完全对上需要使用者自己补足训练与评估的完整流程。这不是缺陷，而是"公开训练代码最高频需求（能跑通）+ 最小必要权重（能验证）"的务实取舍；使用者对此应有预期（坑 5）。

4.8 论文与数据集的"双向引用"关系

一个常被忽略的细节：本条目涉及的论文与数据集是互相推荐的。

• 数据集侧（TCIA 集合页）把这篇 Nature Machine Intelligence 论文列为"best source of additional information about this dataset"——即数据集的官方说明文档就是这篇论文。
• 论文侧（Nature 页面 Data availability）把 TCIA 集合的 DOI 列为数据的正式获取入口。

这意味着任何完整的引用都不应只提其一：只引数据集、不引论文，读者不知道数据的来龙去脉与基准结论；只引论文、不引数据集 DOI，则不符合 TCIA 的 “Data Citation Required” 要求。实用的习惯是"三引并列"（§6.5）：数据集 DOI + 论文 DOI + TCIA 平台论文。

此外，数据集页还明确"未推荐其他出版物"——即除这篇 Nature 论文外，作者没有指定其他解读材料。这一表态对使用者是好消息：你需要的官方说明集中在一篇论文里，不必在多个来源间拼凑口径。当然，下游第三方文献（如 §5.3 的两篇）提供了额外的使用范式，但它们不是官方推荐，引用时应区分"作者口径"与"第三方用法"。

§5 类别体系、任务与下游用法

5.1 三个层次的任务

本数据集可支撑三类任务，粒度从细到粗：

层次	任务	说明
细	多类形态学分类	把单细胞判为 18 类（论文）或 15 类（下游）中的一类——分类器的原始目标
中	blast 二分类	该细胞是否具原始细胞性质——AML 诊断的第一临床问题
粗	正常/非正常二分类	该细胞是否属于非病理涂片中正常存在的细胞类型——第二临床问题

三层共享同一批标签，只是折叠粒度不同。这种"一套标注、多任务复用"的结构，是它在 benchmark 场景里好用的关键。

5.2 类别不平衡与评估陷阱

单细胞白细胞数据天然类别不平衡：正常白细胞（如中性粒细胞）在涂片里数量占优，原始细胞等恶性类别相对稀有。论文用"最重要的细胞类型"这一措辞，间接承认了类间难度与频率的巨大差异。使用者须警惕三个陷阱：

1. 别只看总体准确率：不平衡数据上，把多数类猜准就能得高分——须报 per-class recall/F1 与 混淆矩阵，尤其关注原始细胞类的召回（漏诊代价高）。
2. 别混淆平衡与真实患病率：数据集 100:100 的病例对照配平 ≠ 真实涂片的恶性细胞比例。用于筛查场景时须做 prevalence 校准（§2.1）。
3. 别忽略 nan 语义：annotations.dat 第 3/4 列的 nan 表示"该图未被再标注"，不是缺失的错误——统计分析时须正确区分。

5.3 下游使用全景（第三方证据链）

本数据集在白血病细胞 AI 领域是高频基石，两类典型下游用法：

• 纳入统一多数据集框架：arXiv:2608.10657（Retrieval-Augmented Vision Foundation Models for Leukemia Cell Classification）把 AML-Cytomorphology（18,365 张）与 C-NMC 2019（15,135 张）、Peripheral Blood Cell（17,092 张）、MLL Helmholtz 版（81,214 张）、ALL-IDB2（260 张）合并为 122,427 张单细胞图像的统一库，归为 ALL/AML/normal 三级，用以训练跨显微镜数据的检索增强基础模型。→ 说明本数据集是"白血病单细胞统一评测"的必需组件。
• 作为模型训练/验证数据：PMC9858290（DCAE-CNN 两阶段混合模型）直接使用本数据集，并描述为"18,365 图 / 100 AML + 100 对照 / 15 类（4 白血 + 11 健康）"——为 15 类通行口径提供了直接文献证据。

这两条链合起来说明：论文原始口径（18 类）与下游通行口径（15 类）的分叉是真实存在的，且下游为适配跨数据整合而做了类别归并/清洗（坑 1）。

5.4 类别体系的医学背景：为什么要分这么多细胞类型

对非血液专业的读者，"15 类/18 类细胞"可能只是数字。它们的医学含义是：外周血白细胞本来就是一个形态谱系连续的家族，从最幼稚的原始细胞到最成熟的分叶核中性粒细胞，中间有多个可辨识的形态阶段。

阵营	代表细胞	AML 诊断意义
恶性/未成熟髓系	原始细胞（blast）、异常早幼粒等	核心指标——blast 比例与性质决定诊断与分型
成熟正常白细胞	中性粒、淋巴、单核、嗜酸、嗜碱	基线——区分"正常血象"与"异常增生"
正常未成熟细胞	各谱系正常幼细胞	鉴别——避免把良性幼稚细胞误当恶性

分类任务的临床价值藏在"鉴别"里：模型要能把恶性原始细胞从正常未成熟细胞和成熟白细胞中区分出来。类别难以分辨的地方（如某些原始细胞与正常幼细胞），恰恰是人类标注者也常分歧的地方——这就是为什么类别体系不能简化到"恶性/良性"两类：细粒度类别是通向可靠二元判断的中间阶梯。

5.5 下游任务的适配矩阵

不同下游任务对本数据集的适配度差异很大，使用者可对照下表自查：

下游任务	适配度	说明
单细胞多类分类	✅ 直接适配	原始设计目标
blast 二分类	✅ 直接适配	折叠标签即可
正常/异常二分类	✅ 直接适配	折叠标签即可
细胞特征/表征学习	✅ 适配	作为预训练/对比学习数据
数据增强/生成研究	✅ 适配	单细胞图像适合生成建模（见 PMC9858290）
跨域泛化研究	⚠️ 部分适配	单机构单设备，需外部数据配合
涂片级检测/分割	❌ 不适配	无涂片、无坐标（坑 7）
骨髓造血谱系全分类	❌ 不适配	需 2021 骨髓版

这张表的核心信息是：这是一个"窄而深"的数据集——在"外周血单细胞分类"这个窄任务上深度足够，但一旦任务离开这个窄域就很快失效。选型的判断标准很简单：你的任务输入是不是"单个白细胞的图像"？是，则高度适配；否，则另寻数据。

5.6 评估指标建议清单

基于类别不平衡与临床代价不对称两个事实，评估时应至少报告：

1. 总体准确率（对照用，不作主指标）；
2. macro-F1 / per-class recall（类别不平衡下的主指标）；
3. 混淆矩阵（看恶性类别被误判为哪些正常类别）；
4. blast 类召回率（临床漏诊代价最高，须单独强调）；
5. 人类一致性基线（用 annotations.dat 第 2/3/4 列算出，作为分数解读的标尺）；
6. 类别口径声明（15 还是 18，坑 1）。

只报第 1 项的评估，在不平衡数据上没有信息量；缺第 5 项则无法判断分数是否"够好"。这六项合起来，才是一个可与他工作比较的完整评估块。

§6 获取与许可：TCIA 上的低门槛公开数据

6.1 获取入口

资产	入口	门槛
数据集本体	TCIA 集合页（DOI 10.7937/tcia.2019.36f5o9ld）	公开，浏览/查询/下载
图像（18,365 张 TIFF, 11 GB）	TCIA Download / Search 接口	大文件需 IBM-Aspera-Connect 插件
标注 + 缩写定义	集合页小文件下载	无需插件
论文	doi:10.1038/s42256-019-0101-9	订阅/机构访问（非 OA）；预印本 bioRxiv 开放
代码 + 权重	CodeOcean capsule 9068249	公开 capsule

6.2 许可细读

• 数据许可：CC BY 3.0 Unported。TCIA 集合页原文明示：这些集合"可自由浏览、下载，并用于商业、科研与教育目的（freely available to browse, download, and use for commercial, scientific and educational purposes as outlined in the Creative Commons Attribution 3.0 Unported License）"。→ 这是最宽松档位：署名即可，允许商用与再分发。
• 引用要求：Data Citation Required。使用须同时引用数据集 DOI 与 TCIA 平台方法学论文（Clark 等, J Digit Imaging 26(6):1045–1057, 2013, doi:10.1007/s10278-013-9622-7）。
• 论文本体：Nature Machine Intelligence 版权，非开放获取（摘要与图表可查，全文需订阅/机构权利）。→ 引用观点引论文，使用数据按 CC BY 3.0——两套规则分开处理。
• 代码：CodeOcean capsule 的许可按其页面标注（通常与论文一并开放复现）。

6.3 AI-Ready 评估：本条目在库内的获取光谱位置

以库内 AI-Ready 检查单过一遍：

检查项	状态	说明
全局唯一标识	✅	TCIA DOI + 论文 DOI
富元数据	✅	集合页 + Wiki 页 + 论文表格
可访问协议	✅	TCIA 公开直链，无注册墙
元数据可访问	✅	集合页始终开放
互操作格式	⚠️	TIFF + DAT 文本，非标准 ML 封装（HF/Parquet 需自行转换）
词汇表引用	✅	形态学类别用标准血液学命名
来源溯源	✅	单机构单时间窗明确
可复现流程	✅	CodeOcean capsule 开源
许可明确性	✅	CC BY 3.0，商用明确
AI-Ready 综合	高	公开直链 + 宽松许可 + 代码开源 + 人类水平基准——血液形态学数据集里的第一梯队

在库内可获取性光谱中的位置：

档位	库内参照	本条目
注册墙（最严）	LMC2（rid 531）	—
请求制	PANDA-PLUS 掩码	—
平台托管	Zenodo / TCIA 型	本条目（TCIA 公开）
公开直链	HF / Zenodo 直链型	本条目亦属

特色在于"平台托管 + 宽松许可 + 官方复现资产"三合一：TCIA 提供长期稳定的 DOI 与查询接口，CC BY 3.0 扫清了商用障碍，CodeOcean capsule 把复现门槛再降一档。相比库内众多"注册墙/请求制"的医学数据集，本条目在 AI-Ready 维度是明显的高分样本——唯一拖分项是原始格式（TIFF+DAT）不是现代 ML 管线开箱即用的封装。

6.4 下载实操顺序建议

1. 先用集合页的 Query/Filter 只取小样本（几百张）+ annotations.dat + abbreviations.txt，确认类别口径与文件内容（坑 1、坑 3）；
2. 枚举 annotations.dat 中实际出现的类别标签，据此定你的输出维度；
3. 需要全量再启用 IBM-Aspera-Connect 拉 11 GB 图像；
4. 复现论文量化基线时，记得 CodeOcean 只有一个 fold 的权重，全量数值需自行重训（坑 5）。

6.5 引用规范细读：三份引文不能混

使用本数据集会产生三种引用需求，规范各不相同：

引用场景	引什么	许可
使用数据	数据集 DOI（10.7937/tcia.2019.36f5o9ld）	CC BY 3.0 → 署名即可
使用平台	TCIA 方法学论文（Clark 等 2013, doi:10.1007/s10278-013-9622-7）	平台要求
引用方法/结论	Nature Mach Intell 论文（doi:10.1038/s42256-019-0101-9）	论文版权，引用属合理使用
使用代码	CodeOcean capsule 9068249	按 capsule 页面标注

TCIA 明确要求 “Data Citation Required”——即使用数据集本身就必须引用数据集 DOI，这与"引用论文"是两件事。实践中最稳妥的做法是三份全引：数据集 DOI（用了数据）+ 论文（用了方法/基线）+ TCIA 平台论文（通过平台获取）。漏引数据集 DOI 是使用 TCIA 数据最常见的合规疏漏。

6.6 "低门槛"到底省了什么

对比库内其他常见获取模式，本数据集的门槛优势可以量化成"需要跨过几道关卡"：

模式	典型关卡	本条目
注册墙	注册账号 → 审批用途 → 有时限	无
请求制	邮件申请 → 附用途/机构 → 等待发放	无
数据使用协议（DUA）	签署法律文件 → 声明合规	无（CC BY 3.0 无需签 DUA）
平台直链	直接下载	本条目（TCIA 直链）

四道关卡里本条目一道都不设（除大文件的下载插件外），这是 CC BY 3.0 + 公共平台叠加的结果。对 AI-Ready 的意义：低门槛 = 高复用率 = 更容易成为被广泛采用的基准。一个指标再漂亮但难获取的数据集，实际影响往往不如一个 8 分但人人能下的数据集——本条目正属于后者。

6.7 原始格式转换建议

TIFF + DAT 不是现代 ML 管线的开箱格式，首次使用建议做一次轻量转换：

# 将 annotations.dat 读入并与图像路径对齐（示意）
import pandas as pd

# annotations.dat 为空白/制表符分隔，无表头
df = pd.read_csv("annotations.dat", sep=r"\s+", header=None,
                 names=["image", "gold_label", "reanno_1", "reanno_2"])

# 枚举实际出现的类别（确认口径，坑 1）
print(sorted(df["gold_label"].unique()))

# 统计再标注覆盖率（坑 3——本题尚未在页面披露，可自行算）
coverage = df["reanno_1"].ne("nan").mean()
print("re-annotated fraction:", coverage)

# 折叠二元任务标签
df["is_blast"] = df["gold_label"].isin(BLAST_CLASSES)
df["is_normal"] = df["gold_label"].isin(NORMAL_CLASSES)

转换成 Parquet/HF datasets 后可显著加速加载，也便于跨数据集整合（如 arXiv:2608.10657 那样）。注意：转换只改存储格式，不改标注语义——类别口径仍以文件实际内容为准。

6.8 与库内可获取性光谱的横向对照

把本条目与库内若干代表条目在"获取难度"轴上一字排开，能看清它为什么是 AI-Ready 高分样本：

条目	获取模式	许可	是否需申请/签署
LMC2（rid 531）	注册墙 + 审批	定制	是
PANDA-PLUS 掩码（库内）	请求制（邮件）	学术用途	是
本条目（AML-Cytomorphology）	TCIA 公开直链	CC BY 3.0	否
Bench 类 HF 直链（库内）	平台直链	CC BY-4.0	否

本条目与"HF 直链类"同属最宽松一档，区别是本条目托管在**医学影像专用平台（TCIA）**而非通用 ML 平台（HF），因此元数据更偏临床（Cancer Type、Species、Modality），而不像 HF 那样直接给 features/splits。两种托管各有优势：TCIA 的长处是临床语义与长期 DOI 稳定，HF 的长处是机器学习管线开箱即用。本条目选的是前者——这也是它与众多"HF 直链数据集"在 AI-Ready 画像上的细微差异。

6.9 给自动化抓取者的元数据定位提示

若用脚本批量登记本条目，需注意元数据散落在三处：

1. TCIA 集合页：规模（18,365/11GB）、采集（100×/14.14px/μm/M8）、许可（CC BY 3.0）、DOI、状态。
2. TCIA Wiki 页：与集合页内容高度重合，可作交叉校验。
3. 论文：类别数（18）、任务定义、人类水平结论、代码资产位置。

自动登记时建议：硬数字以 TCIA 集合页为准（官方、结构化），类别口径以论文/annotations.dat 为准（集合页不标数），不依赖任何单一页面的"15 或 18"字样。若脚本直接从第三方文献抓类别数，很可能拿到 15——那是下游清洗口径，非官方原始口径（坑 1）。

§7 应用与影响：从分类基准到血液学 AI 基石

7.1 临床愿景：低 prevalence 的早期识别

论文摘要点出了最打动人的应用图景：把本方法当作分类辅助工具，让机器去检查"远超人类专家逐一判读上限"的细胞数量，从而在恶性细胞群比例还很低（low prevalence）时就被发现——“allow clinicians to recognize malignant cell populations with lower prevalence at an earlier stage of the disease”。

这句话的临床含义是分层的：AML 的形态学诊断难点之一，是疾病早期/缓解期涂片里原始细胞占比不高，人工在成千上万个细胞里找少数恶性细胞既费力又易漏。若自动化工具能稳定地做 blast 识别，它就可能在筛查与随访环节补位——不是替代医生下诊断，而是先把可疑细胞挑出来给医生复核。论文对自身定位的克制（“classification aid”）值得学习：它清楚形态学只是 AML 诊断链条的一环。

7.2 学术影响：被反复引用的"人类水平"锚点

本数据集与论文在血细胞 AI 文献里扮演的角色，类似图像识别领域的某些经典基准——它提供了一个大家都认、都能比的起点：

• 被纳入统一评测框架：多数据集综述（arXiv:2608.10657）把它与 C-NMC 2019、MLL Helmholtz 版、ALL-IDB2 等合并为 122,427 张的统一库，用于跨显微镜基础模型评测——说明它是"白血病单细胞分类"评测的标准组件之一。
• 被用作训练/验证数据：大量细胞分类、数据增强（如 PMC9858290 的生成式增强）、域自适应、基础模型微调研究直接以它为数据源。
• 被用作"人类水平"参照系：论文给出的专家间/专家内一致性，常被后续工作引用为"分类任务难度上界"的参考。

它的持久价值不在算法（CNN 分类早已是常规操作），而在数据的开放与标注的诚实——一套 2019 年就 CC BY 3.0 公开、逐张可查、带再标注一致性列的数据，是这条研究线能以它为基础不断加层的前提。

7.3 谱系：外周血版与骨髓版

同团队（Matek/Marr）的数据谱系是一条清晰的"扩张曲线"：

数据集	年	涂片来源	规模	患者	类别
AML-Cytomorphology（本条目）	2019	外周血	18,365 图	200	18 类（论文）/15 类（下游）
Bone marrow cytology（Blood Advances 2021）	2021	骨髓	171,374 图	945	22 类

骨髓版是本条目的规模扩张与任务延伸：骨髓涂片细胞形态更丰富（含更多造血谱系），患者数与图像量都大一个量级（171,374 vs 18,365，约 9.3 倍）。两版形成互补——外周血版适合快速筛查场景，骨髓版覆盖更完整的造血系统病理。做血液形态学 AI 的人常把两者一起用，或论证"方法能否从外周血迁移到骨髓"。务必分清：用 2021 年骨髓数字（171,374/945/22 类）去描述 2019 年外周血数据集是常见的事实错误（坑 2）。

7.4 域泛化：本数据集未覆盖但下游绕不开的问题

本数据集的"单机构、单设备、单时间窗"特性，把域泛化（domain generalization）问题留给了下游。具体地：

• 设备域：全部图像来自 M8（Precipoint）一台设备。换用其他厂商（如 CellaVision、Sysmex 的数字化系统）的扫描仪，像素风格、色彩还原、锐度都可能不同。
• 染色域：H&E 类染色的批次差异会改变细胞显色，影响模型对颗粒/染色质的判断。
• 人群域：单一医院的病例分布，未必代表其他地区/人种的血液学特征。

这些问题在论文里未被处理，但下游若想把模型部署到真实场景，就必须面对。常见缓解手段：染色归一化（如 Macenko 方法）、域随机化增强、在多个血液数据集上联合训练（如 arXiv:2608.10657 把本数据集与 C-NMC、MLL Helmholtz 版等合并，正是出于增强跨显微镜泛化的目的）。使用者须知：看到"本数据集上 99% 准确"时，先问一句"换一台扫描仪还行吗"——论文没回答，你也没法从这一份数据里回答。

7.5 库内与库外的定位小结

定位维度	本数据集的位置
病种	AML（髓系白血病）单细胞形态
范式	单细胞图像分类
规模	万级（18,365），在单细胞血液数据里属第一梯队
开放度	CC BY 3.0，库内最高档
标杆性	"人类水平"论文的原始基准，被下游反复引用
短板	单机构、非 WSI、格式原始、无外部验证集

一句话：它是血液形态学 AI 的"原点数据集"——不追新、不追大，但因为是很多工作的起点，检索这条线时必然遇到它。

7.6 假想的临床工作流：本数据集能嵌在哪一步

虽然数据集本身不是端到端诊断系统，但可以推演它在真实工作流里能扮演的角色：

涂片制作 → 数字扫描（本数据集采集设备同级的 M8 等）
                              ↓
                    单细胞裁切/分离
                              ↓
        ┌─────────────────────────────────────┐
        │  【本数据集训练的分类模型】           │
        │  ① 多类形态学分类                     │
        │  ② blast 二分类（挑出可疑原始细胞）   │
        │  ③ 正常/异常二分类                    │
        └─────────────────────────────────────┘
                              ↓
                    可疑细胞清单 → 医生复核
                              ↓
                    骨髓穿刺/免疫分型/分子遗传学确证（多模态）

这张图说明三件事：

1. 本数据集训练的模型位于"细胞分类"这一环，其输出是可疑细胞清单，供医生复核，而非最终诊断。
2. 它上游依赖细胞裁切——若你的工作流没有把细胞分开，还需另做检测/分割（本数据集不提供这一步的数据）。
3. 它下游还有多模态确证——AML 诊断不是单靠形态学的，论文的"classification aid"定位与此一致。

把数据集的角色限定在"细胞分类辅助"这一环，就既不过度外推，也不低估它的价值。

7.7 对本条目使用者的实用影响清单

你的角色	本数据集对你意味着什么
细胞分类研究者	干净、公开、有基准的起步数据，可直接用于训练/评测
基础模型评测者	一个带人类一致性对照的经典基准，适合报告"是否 human-level"
临床 AI 产品开发者	可作分类子模块的训练数据，但不解决检测/分割/端到端诊断
标注方法学研究者	再标注机制是研究 inter/intra-rater 一致性的现成样本
综述作者	是"血液形态学 AI"叙事的起点，必引
教学者	单细胞、类别直观，适合作为医学 AI 入门案例

§8 方法学启示：三条可迁移的经验

8.1 把"人类一致性"作为评估基准，而非只报精度

本数据集最值得学习的做法，是不把精度当唯一指标。它把"专家间/专家内变异"作为对照尺，问题从"模型准不准"变成"模型有没有达到人类自己的稳定水平"。这一范式对任何标注边界本身有主观性的医学任务都适用：放射、病理、皮肤镜……只要专家之间不完全一致，就该先量出"人的天花板"，再看模型落在哪里。只报一个漂亮精度、不给人类基线的评估，读者无法判断它是真的好还是任务太简单。

8.2 把"再标注"写进数据文件

多数数据集把一致性研究留在论文正文，本数据集把它编码进 annotations.dat 的第 3/4 列——多标注者的结果与原标注并列存放，任何人可自行复算一致性。这是数据结构层面的透明性设计，成本极低（多两列）、收益极高（下游可直接做标注质量研究）。可迁移的模板：凡是邀请多位标注者的项目，都应把"每个标注者的结果"而非"聚合后的唯一答案"一并发布。

8.3 任务边界画清楚，反而更经得起引用

论文对自己的边界非常克制：明确是单细胞分类、明确对照人类专家波动、明确只是诊断辅助工具。这种克制没有削弱它的影响力，反而让它成为被反复引用的可靠锚点——因为后来者知道它到底证明了什么、没证明什么。对数据集生产者与论文作者的启示：夸大适用范围的宣称会被时间反噬，精确的边界声明才是长久的信用。

8.4 与库内其他标注范式的方法学对照

把本数据集的"专家逐张标注 + 再标注"模式，与库内其他标注范式对照，能看到不同成本/质量取舍：

范式	代表	成本	一致性来源	规模
单专家逐张	小型专家数据集	极高	无内部一致性度量	小
专家标注 + 再标注（本条目）	AML-Cytomorphology	高	直接可算（inter/intra）	中（万级）
分层流水线	PANDA-PLUS（库内）	中	学生偏差画像	中
众包聚合	Crowd 类	低	多人投票	大

本条目属于"高成本、中高规模、高透明度"的一格：再标注机制让它在不牺牲规模的前提下拿到了人类一致性数据——这是它区别于普通"单专家小数据集"的关键。可迁移的判据：如果一个数据集给你的只有聚合金标准、没有人一致性，你无法知道它的标签上限在哪里；而本条目把上限摆在了明面上。

8.5 精度数字的解读纪律

围绕本数据集最容易产生的误读，是可以归纳成纪律的：

1. “precision/accuracy 高"不等于"能临床应用”——须看是否跨机构验证、是否覆盖罕见类别、是否有人类基线对照。
2. "human-level"是有语境的——限定于单细胞分类与两个二元判断，相对专家一致性而言（§4.3）。
3. “数据集内高分"不等于"数据分布外可用”——域泛化问题未解（§7.4）。
4. "类数越多越好"是错觉——类别是成本约束下的权衡结果（§3.5）。
5. “样本大"不等于"覆盖全”——18,365 张图仍可能对某些罕见形态采样不足。

把五条纪律与 §5.6 的评估清单合用，可以最大限度避免在引用本数据集时犯选择性报告或过度外推的错误。

8.6 "原点数据集"为何长寿

本数据集发布于 2019 年，至今仍被广泛引用。它的长寿不靠算法新颖，而靠四个"抗衰减"属性：

属性	为何抗衰减
数据开放且许可宽松	CC BY 3.0 任何人可下可用，不因机构政策变化而失效
任务定义稳定	单细胞形态分类是血液学的基础问题，不随技术潮流改变
自带人类基准	"human-level"对照使它在任何新模型评测中仍有用武之地
平台托管	TCIA + DOI 保证长期可寻址，链接不会腐烂

对比之下，很多"当年 SOTA 的模型"会因架构过时被遗忘，但一个开放、稳定、带基准的数据集会持续被新工作当作起点。这是数据集项目相对论文项目更长命的一般规律，本条目是一个典型例证。

8.7 从单细胞到全片：方法论的可迁移方向

本数据集虽只覆盖单细胞，但它示范的方法论可向更复杂的任务迁移：

1. 标注一致性优先：无论任务多复杂，先建立"人类基线"再谈模型好坏——这套逻辑可直接搬到大切片、多模态任务。
2. 细标签摞粗任务：先多类、再折叠成若干个临床二分类，是复用标注、一数据多用的通用模式。
3. 再标注入文件：把多标注者结果并列存放的做法，适用于任何需要证明标注质量的项目。
4. 任务边界显式声明：明确"本数据能证明什么、不能证明什么"，是高信用数据集/论文的共同特征。

反过来，本数据集未覆盖的方向也正是血液形态学 AI 的待解问题：单细胞 → 涂片的空间重建、跨设备的域泛化、多模态（形态 + 免疫分型 + 分子）联合诊断。把本条目当作起点而非终点，才能看清这条研究线的全貌。

§9 库内关系与检索路径

9.1 家族图谱（库内可互链）

• ALL-IDB（库内 slug all-idb）：急性淋巴细胞白血病（ALL）血涂片单细胞数据集。与本条目构成"髓系 AML vs 淋系 ALL"双病对照——同是白血病形态学，靶细胞谱系不同。
• C-NMC 2019（库内 slug cnmc-2019）：B 细胞急性淋巴细胞白血病正常 vs 恶性细胞分类，15,135 图。与本条目同被 arXiv:2608.10657 纳入统一框架，是"白血病单细胞分类"的姊妹基准。
• Raabin-WBC（库内 slug raabin-wbc）：外周血白细胞分类数据集，健康白细胞形态基准——与本条目的"11 类健康白细胞"部分主题重叠，可作正常细胞识别的横向对照。
• NuCLS（rid 248）：多机构核级实例分割数据集——细胞核形态标注方法论对照（实例分割 vs 本条目单细胞分类）。
• BCSS（库内 slug bcss）：乳腺癌 WSI 语义分割——显微镜图像分割任务的相邻领域对照。
• 血液学/血涂片条目家族：库内其余血涂片、血液肿瘤数据集均可作为横向检索面。

9.2 检索路径建议

• 精确检索词：“AML-Cytomorphology” + “AML-Cytomorphology_LMU” + “Munich AML Morphology” + TCIA DOI。
• 若目标是直接下数据：TCIA 集合页（DOI 10.7937/tcia.2019.36f5o9ld）→ 先取小样本+annotations.dat 确认类别口径 → 全量走 Aspera。
• 若目标是复现论文：CodeOcean capsule 9068249 → 注意只有一个 fold 的权重（坑 5）。
• 若目标是拿它做基准：先算人类一致性（annotations.dat 第 2/3/4 列）再报你的模型分数，避免口径不可比。
• 反例（勿混淆）：不要用 2021 年骨髓版数字（171,374/945）描述本条目；不要把单细胞裁图当成 WSI（坑 2）。

9.3 库内互链的写法说明

按主会话互链规范，本条目在正文中以自然方式提及库内可互链条目（ALL-IDB、C-NMC 2019、Raabin-WBC、NuCLS、BCSS），frontmatter 的 relatedLink 字段仅保留本条目自身 URL 占位（https://www.qianfanghub.com/ai-ready-dataset/aml-cytomorphology/906），不写说明文字——所有血缘对照与消歧说明一律写在本节正文（R012 教训）。发布后由主会话统一重建家族导航。

9.4 三条最容易走错的检索路径

你的直觉做法	问题	正确做法
搜"AML bone marrow dataset"找本条目	命中的多是 2021 骨髓版	用 “AML-Cytomorphology_LMU” 或 TCIA DOI 精确检索
把 18,365 当"血液细胞总数"	它是裁出的单细胞数，非细胞总数	明确"单细胞裁图"语义再引用
以为拿到数据就能做涂片诊断	单细胞裁图无涂片语境	端到端涂片任务需另建检测+分类管线

三条错误路径的共同根源，都是把本数据集与本条目之外的对象混淆——精确检索词 + 明确任务边界是避免走偏的两把钥匙。

§10 避坑清单：八个已踩/易踩的坑

坑 1：类别数 15 还是 18，别想当然。论文 Fig 2 图注为 18 类方案；TCIA 集合页不给数；下游文献（arXiv:2608.10657、PMC9858290）通行记 15 类（4 白血 + 11 健康白细胞）。三者不是矛盾，而是"论文完整口径 / 下游清洗后的可用子集"之别。正确做法：以 annotations.dat 实际出现的类别标签为准，别照抄任何单一数字。

坑 2：外周血 ≠ 骨髓。本数据集是外周血涂片单细胞图（2019，18,365 图，200 例）。同团队 2021 年 Blood Advances 的骨髓版是 171,374 图、945 患者、22 类——完全不同的一套数据。转引时若把骨髓数字按到外周血标题下，是硬性事实错误。

坑 3：再标注覆盖率未披露。annotations.dat 第 3/4 列有 nan 表示未再标注，但有多少比例被再标注，集合页未给。因此由这两列算出的人类一致性，只适用于该子集，推广到全集须谨慎。

坑 4：nan 不是缺失值错误。第 3/4 列填 nan 是"该图未被再标注"的正常标记，不是数据错误或缺失——统计时须正确区分，别当作脏数据清洗掉再算一致性。

坑 5：CodeOcean 只有"一个 fold + 测试子集"。论文代码资产（capsule 9068249）含网络训练代码、一个 fold 的权重、以及用于测试的图像子集——不是全量权重、不是全量数据。要复现论文完整数值，必须回 TCIA 取全量 18,365 张图像自行交叉验证重训。

坑 6：CNN 具体架构未逐字核验。论文属 Inception 系迁移学习范式，但精确架构（Inception-v3 微调？Inception-ResNet？自建？）本轮未逐字核验（Nature 全文反爬，仅取得摘要+图注）。引用架构细节前须回论文 Methods 确认——本条按"CNN（Inception 系迁移学习范式）"稳妥表述。

坑 7：单细胞裁图 ≠ 全切片。每张图只含一个细胞，无涂片空间语境、无细胞坐标、无密度信息。适配任务是图像分类，不适用于涂片级检测/分割/定位——试图在整张涂片里"找细胞"的任务超出其供给范围。

坑 8：许可分层，别一揽子引用。数据是 CC BY 3.0（可商用、可再分发，署名即可）；论文本体是 Nature Machine Intelligence 版权（非 OA）。用数据按 CC BY 3.0 署名，引观点引论文——两者规则不同。另：TCIA 还要求引用平台方法学论文（Clark 等 2013）。

10.1 使用前十二项检查单

在正式基于本数据集开展工作前，逐项过一遍：

1. 类别口径：我已枚举 annotations.dat 实际出现的类别标签，不照抄"15/18"（坑 1）。
2. 标本类型：我清楚它是外周血而非骨髓，未误用 2021 版数字（坑 2）。
3. 图像形态：我接受它是单细胞裁图，任务得是分类而非涂片级检测（坑 7）。
4. 再标注列：我正确理解第 3/4 列与 nan 语义（坑 3、坑 4）。
5. 人类基线：我用再标注列算出 inter/intra-rater 一致性，作为分数对照。
6. 复现资产：我知道 CodeOcean 只有一个 fold 权重，全量需自训（坑 5）。
7. 架构细节：引用网络架构前已回论文 Methods 确认，未凭印象写（坑 6）。
8. 许可合规：按用途分别处理数据许可（CC BY 3.0）与论文版权（坑 8）。
9. 引用完整：数据集 DOI + 论文 + TCIA 平台论文三份齐引。
10. 评估指标：报告 macro-F1/per-class recall/混淆矩阵/blast 召回，非只报总精度。
11. 类别不平衡：已做加权或重采样处理。
12. 域泛化声明：文中已声明结果限于本数据分布，未外推跨机构（§7.4）。

这十二项对应本条目全部已知坑与边界，逐项自检可确保使用不踩雷。

§11 DAIMS 评估与总结

11.1 DAIMS 五维评分表

维度	评分（1-10）	依据
D 可发现性（Discoverability）	8	TCIA 集合页 + Wiki + 论文 + DOI 多入口可索引；命名规范（AML-Cytomorphology_LMU）唯一性强；命名中的 “Cytomorphology” 关键词检索友好
A 可获取性（Accessibility）	9	TCIA 公开直链，无注册墙，CC BY 3.0 允许商用/再分发；唯一摩擦是大文件需 IBM-Aspera-Connect 插件
I 可互操作（Interoperability）	6	TIFF + DAT/TXT 为通用但非 ML 友好格式；无官方 Parquet/HF 封装、无 DICOM 元数据；下游需自行转换管线
M 元数据质量（Metadata）	8	论文表格完备（来源/规模/采集/标注/再标注列结构）；集合页与 Wiki 说明清晰；扣分项：类别数未在集合页明确、再标注覆盖率未披露（坑 1、坑 3）
S 可持续性（Sustainability）	9	依托 TCIA 国家级影像库（DOI 长期稳定）+ CodeOcean 复现资产；机构级托管，单点风险低
综合评级	8.0/10（高）	获取性与可持续性接近满分，元数据翔实；互操作性因原始格式扣分——血液形态学数据集里的第一梯队

11.2 三句话总结

1. AML-Cytomorphology 是血液形态学 AI 的公开起点：18,365 张外周血单细胞图、200 例受试、100× 油浸、专家逐张标注、CC BY 3.0 于 TCIA 公开，配套 Nature Machine Intelligence 论文把"AI 能否达血液形态学专家水平"做成了可复现实验。
2. 它的价值在数据的开放与标注的诚实：再标注列把"人类自己有多一致"编码进文件，任何人可复算一致性并据此评判模型分数——这种透明性比算法本身更稀缺。
3. 用它的前提是分清三条边界：类别口径（15 vs 18）、涂片来源（外周血 ≠ 骨髓）、资产范围（CodeOcean 只有一个 fold）——三条都厘清，它就是一个极稳的基准底座。

11.2.1 十六条要点速览

• 身份：AML 单细胞形态分类数据集，TCIA 托管。
• 来源：慕尼黑大学医院 2014–2017。
• 规模：18,365 图 / 200 例 / 11 GB。
• 采样：M8 显微镜 100× 油浸。
• 类别：论文 18 类 / 下游 15 类。
• 标注：专家逐张 + 子集再标注。
• 任务：多类分类 + blast 二分类 + 正常二分类。
• 论文：Nature Mach Intell 1:538–544 (2019)。
• 结论：单细胞分类与两二元判断达人类水平。
• 基线：以专家 inter/intra 一致性为准尺。
• 许可：数据 CC BY 3.0（可商用）。
• 获取：TCIA 公开直链 + DOI。
• 代码：CodeOcean capsule（一个 fold）。
• 同族：2021 骨髓版（171,374 图）。
• 短板：单机构、非 WSI、格式原始。
• 定位：血液形态学 AI 的公开起点。

11.3 适合谁 / 不适合谁

• 适合：血液细胞分类模型开发者（要干净单细胞监督）；基础模型评测者（要人类水平对照的经典基准）；标注方法论研究者（要带再标注列的透明数据）；教学/入门（数据规模与形态直观，适合血液学 AI 入门）。
• 不适合：需要全切片/涂片级检测或分割的任务（本数据集是单细胞裁图）；需要骨髓造血谱系全覆盖的任务（那是 2021 骨髓版）；需要多设备/多染色跨域鲁棒性验证的任务（单机构单设备）；需要即插即用 ML 封装的团队（TIFF+DAT 需自制管线）。

11.4 30 秒决策卡

你的情况	行动
要立刻下点东西跑通	TCIA 集合页取小样本 + annotations.dat + abbreviations.txt（无需 Aspera）
要训练完整分类模型	全量 18,365 张 TIFF（走 IBM-Aspera-Connect），先枚举类别标签定输出维度
要复现论文数值	CodeOcean capsule 9068249 拿代码，但自行重训全量（capsule 只有一个 fold，坑 5）
要报"我的模型多好"	先算 annotations.dat 的人类一致性基线，再横向比
要写血液 AI 综述	§7 谱系表 + §9 家族图谱 + §11.2 三句话可直接引用
要引用本数据集	数据引 TCIA DOI（CC BY 3.0）+ Clark 2013；观点引 Nature Mach Intell 1:538（坑 8）

11.5 一页速记卡（可打印）

┌─────────────────────────────────────────────────────────┐
│  AML-Cytomorphology (aml-cytomorphology)                │
│  ── 慕尼黑 AML 单细胞形态数据集 ──                       │
├─────────────────────────────────────────────────────────┤
│  是什么  外周血单细胞涂片图像分类数据集                  │
│  不是    挑战赛 / WSI / 骨髓数据                         │
│  规模    18,365 图 · 200 例 · 11 GB                      │
│  采样    M8 显微镜 100× 油浸 · 14.14 px/μm              │
│  类别    18 类（论文）/ 15 类（下游）——以文件为准        │
│  标注    专家逐张 + 子集再标注（inter/intra 可算）       │
│  论文    Nat Mach Intell 1:538–544 (2019)                │
│  许可    数据 CC BY 3.0（可商用）/ 论文 Nature 版权      │
│  获取    TCIA 公开直链 · DOI 10.7937/tcia.2019.36f5o9ld  │
│  代码    CodeOcean capsule 9068249（仅一个 fold）        │
│  价值    血液形态学 AI 的人类水平基准起点                │
│  三坑    类别口径 · 外周血≠骨髓 · 单细胞≠全片           │
└─────────────────────────────────────────────────────────┘

11.6 维护触发点

触发点	条件	动作	优先级
类别口径澄清	官方明确 18/15 的对应关系	更新 §2.3/§5 与附录 E/G	1
再标注覆盖率披露	集合页/Wiki 补充比例	更新 §3.6 与坑 3	2
架构细节补全	论文 Methods 逐字核验	更新 §4.2/坑 6	3
骨髓版引用扩链	库内新增骨髓版条目	更新 §7.3/§9	4
数据版本变更	TCIA 出现新 Version	更新 §3.7 与获取节	5

事实清单（硬事实 34 条）

1. 全称 AML-Cytomorphology_LMU；描述性名称 “A Single-cell Morphological Dataset of Leukocytes from AML Patients and Non-malignant Controls”；俗称 Munich AML Morphology Dataset。
2. 托管于 TCIA，DOI 10.7937/tcia.2019.36f5o9ld，Version 1 Updated 2019/10/24。
3. 论文：Matek C, Schwarz S, Spiekermann K, Marr C. Nature Machine Intelligence 1, 538–544 (2019)，doi:10.1038/s42256-019-0101-9。
4. 预印本：bioRxiv 10.1101/564039（2019-02-28，标题用美式 leukemia）。
5. 作者四人：Christian Matek（一作）、Simone Schwarz、Karsten Spiekermann、Carsten Marr（通讯）。
6. 机构：慕尼黑大学医院（LMU Klinikum）白血病诊断实验室 + Helmholtz Zentrum München 计算生物学研究所。
7. 资助：German Research Foundation grant SFB 1243；Christian Matek 受 Deutsche José Carreras-Leukämie Stiftung 支持。
8. 致谢 Antje Holzäpfel 对标注任务的贡献。
9. 采集时间窗 2014–2017，采样机构为慕尼黑大学医院。
10. 受试共 200 例：100 例 AML 患者 + 100 例无血液恶性肿瘤征象对照。
11. 单细胞图像总数 18,365 张，TIFF 格式，体量 11 GB。
12. 采集设备 M8 digital microscope/scanner（Precipoint GmbH, Freising, Germany）。
13. 物镜 100× 油浸（oil immersion）。
14. 空间采样 14.14 pixels per micron（厂商给出）。
15. 类别数双口径：论文 Fig 2 图注 18 类方案；下游（arXiv:2608.10657 / PMC9858290）通行 15 类（4 白血 + 11 健康白细胞，其中 7 类成人 + 4 类未成熟）。
16. 标注文件 annotations.dat：第 1 列图名、第 2 列金标准类别、第 3 列第二位标注者再标注、第 4 列同一标注者间隔 11 个月复标；未再标注填 nan。
17. 再标注至多两次，用于量化标注者间（inter-rater）与标注者内（intra-rater）变异。
18. 标注方案源自临床实践衍生的标准形态学分类方案；标注者为受训专家。
19. 论文核心任务：单细胞形态学分类 + 两个临床二元判断（是否具 blast 性质、是否属正常细胞类型）。
20. 论文评估对照人类专家间/专家内变异，网络达 human-level 性能。
21. 论文提供 pixel-wise attention 可视化（Fig 3）做可解释性。
22. 论文属 Inception 系 CNN 迁移学习范式（精确架构细节待核，坑 6）。
23. 数据许可 CC BY 3.0 Unported，TCIA 明示可自由浏览/下载/商用/科研/教育。
24. 使用须引用数据集 DOI + TCIA 平台论文（Clark 等, J Digit Imaging 26(6):1045–1057, 2013, doi:10.1007/s10278-013-9622-7）。
25. 下载大文件需 IBM-Aspera-Connect 插件；标注（538kb）与缩写（1kb）为小文件。
26. 代码：CodeOcean capsule 9068249，含训练代码 + 一个 fold 权重 + 测试图像子集（非全量）。
27. 缩写与目录结构定义于 abbreviations.txt。
28. 图像为单细胞裁图，不含涂片空间语境/细胞坐标/密度信息。
29. 论文应用愿景：作为分类辅助工具，在低 prevalence 早期识别恶性细胞群。
30. 谱系扩展：同团队 2021 年 Blood Advances 骨髓涂片版 171,374 图 / 945 患者 / 22 类。
31. 下游统一框架：arXiv:2608.10657 将本数据集纳入 122,427 张单细胞图像的多数据集合并库（含 C-NMC 2019、Peripheral Blood Cell、MLL Helmholtz 版、ALL-IDB2）。
32. 下游模型：PMC9858290（DCAE-CNN 两阶段混合模型）直接使用本数据集训练/验证。
33. 数据引用作者序（TCIA）为 Matek, Schwarz, Marr, Spiekermann；论文作者序为 Matek, Schwarz, Spiekermann, Marr——两序不同，各按规范。
34. TCIA 页面注明集合 “Complete” 状态；类别归类为 Blood / Histopathology, Photomicrograph, Other, Classification。

术语表（24 条）

术语	释义
AML	Acute Myeloid Leukemia，急性髓系白血病；髓系造血细胞的恶性肿瘤
ALL	Acute Lymphoblastic Leukemia，急性淋巴细胞白血病；本条目主要对照病种
Cytomorphology	细胞形态学；依据细胞大小、核形态、胞质特征等判读细胞类型与性质
Blast cell	原始细胞/母细胞；未成熟造血细胞，AML 诊断的核心指标之一
Peripheral blood smear	外周血涂片；本数据集的标本类型（区别于骨髓涂片）
Bone marrow smear	骨髓涂片；2021 年骨髓版数据集的标本类型
Single-cell image	单细胞裁图；从涂片中裁出的只含一个细胞的图像
Leukocyte / WBC	白细胞；血细胞分类任务的主体对象
M8 digital microscope	Precipoint 公司的数字显微镜/扫描仪，本数据集的采集设备
Oil immersion	油浸；100× 高倍物镜需浸油以提升分辨率与数值孔径
pixels per micron	每微米像素数；空间采样密度，本数据集 14.14
annotations.dat	标注文件，图名→类别（含再标注列）
abbreviations.txt	类别缩写与目录结构定义文件
inter-rater variability	标注者间变异；不同专家判读同一细胞的不一致程度
intra-rater variability	标注者内变异；同一专家不同时间判读同一细胞的不一致程度
Re-annotation	再标注；对子集图像追加第二/第三次标注以量化一致性
nan（标注列）	未再标注的标记，非缺失错误
human-level	人类水平；指模型性能落在专家群体自身波动带内，非"超越所有专家"
pixel-wise attention	像素级注意力；可视化网络分类时关注的图像区域
CNN	Convolutional Neural Network，卷积神经网络
Transfer learning	迁移学习；在预训练网络上微调以适配目标任务
Class imbalance	类别不平衡；不同细胞类别样本数量差异大
Prevalence	患病率/占比；指恶性细胞在样本中的比例
Domain shift	域偏/域漂移；因设备/染色/机构差异导致的分布迁移
TCIA	The Cancer Imaging Archive，美国癌症影像档案馆，本数据集托管平台
CC BY 3.0	署名 3.0 许可；允许商用/修改/再分发，需署名
DOI	Digital Object Identifier，数字对象唯一标识符
CodeOcean capsule	自带运行环境的云复现单元
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability 五维评估框架

FAQ（高频问答 20 问）

Q1：AML-Cytomorphology 是挑战赛吗？
不是。它是公开数据集 + 一篇 Nature Machine Intelligence 论文，无 leaderboard、无比赛。

Q2：数据来自哪里？
慕尼黑大学医院白血病诊断实验室 2014–2017 年的外周血涂片，100 例 AML + 100 例对照。

Q3：有多少张图、多大？
18,365 张单细胞 TIFF，共 11 GB。

Q4：多少类细胞？
双口径：论文 18 类方案，下游通行 15 类（4 白血 + 11 健康）——以 annotations.dat 实际内容为准（坑 1）。

Q5：是外周血还是骨髓？
外周血。骨髓版是同团队 2021 年的独立数据集（171,374 图/945 患者/22 类），别混（坑 2）。

Q6：是全切片图像（WSI）吗？
不是。是单细胞裁图，每图一个细胞，适合分类任务，不含涂片空间信息（坑 7）。

Q7：谁标注的？
受训专家，按临床实践衍生的标准形态学方案逐张分类。

Q8：怎么知道标注可靠？
数据集对子集做了再标注（第二位标注者 + 同一标注者 11 个月后复标），annotations.dat 的第 3/4 列就是这些结果，可直接算一致性。

Q9：配套论文做了什么？
用 CNN 做白细胞分类，回答"是否 blast"与"是否正常细胞类型"两问，达到人类专家水平。

Q10：human-level 具体是什么意思？
相对专家间/专家内一致性测出的——模型落在专家群体自身波动带内，不是超越所有专家，也不等于能独立诊断 AML。

Q11：现在能拿到吗？
能。TCIA 公开，CC BY 3.0，DOI 10.7937/tcia.2019.36f5o9ld。

Q12：要付费吗？
数据免费。论文本体（Nature）需订阅/机构访问，但预印本 bioRxiv 开放。

Q13：下载需要什么？
大文件（图像）需 IBM-Aspera-Connect 插件；标注与缩写是小文件，直接下。

Q14：能商用吗？
CC BY 3.0 允许商用与再分发，署名即可（论文本体另论，坑 8）。

Q15：怎么复现论文？
用 CodeOcean capsule 9068249 拿代码，但注意 capsule 只有一个 fold 的权重和测试子集，全量数值需自行重训（坑 5）。

Q16：类别不平衡要处理吗？
要。正常白细胞占优、恶性类别稀有，评估须报 per-class recall/F1，别只看总准确率。

Q17：和 ALL-IDB、C-NMC 什么关系？
同属白血病血涂片单细胞分类家族。ALL-IDB/C-NMC 是 ALL（淋系），本条目是 AML（髓系），常被合并进统一框架评测（§9）。

Q18：nan 是脏数据吗？
不是。第 3/4 列的 nan 表示该图未被再标注，是正常标记（坑 4）。

Q19：再标注覆盖了多少比例？
集合页未披露——这是遗留疑点（坑 3）。

Q20：如果我只记住一件事？
血液形态学 AI 有一个 CC BY 3.0 公开、带人类一致性基线的 18,365 张外周血单细胞基准——它是这条研究线绕不开的起点。

附录

附录 A：条目信息速查卡

项	值
条目名	AML-Cytomorphology
url_name	aml-cytomorphology
TCIA 集合名	AML-Cytomorphology_LMU
类型	单细胞图像分类数据集 + 方法论文
论文	Nature Mach Intell 2019;1:538–544，doi:10.1038/s42256-019-0101-9
团队	慕尼黑大学医院 + Helmholtz Zentrum München（Matek/Marr）
规模	18,365 图 / 200 例 / 11 GB
采集	M8 显微镜 100× 油浸，14.14 px/μm
许可	数据 CC BY 3.0；论文 Nature 版权
DOI	10.7937/tcia.2019.36f5o9ld
抓取时点	2026-10-08
库内互链	all-idb / cnmc-2019 / raabin-wbc / nucls(248) / bcss

附录 B：DAIMS 评估全表

见 §11.1（D 8 / A 9 / I 6 / M 8 / S 9，综合 8.0）。

附录 C：逐项证据链自证

关键数字	来源	类型
18,365 图 / 200 例 / 100 AML + 100 对照	TCIA 集合页 + Wiki + biorxiv 全文	官方 + 论文
11 GB / TIFF	TCIA 集合页 Version 1 明细	官方
100× 油浸 / 14.14 px/μm / M8 Precipoint	TCIA 集合页 Detailed Description	官方
2014–2017 采集窗	TCIA + biorxiv 方法节	官方 + 论文
18 类方案	Nature Mach Intell Fig 2 图注	论文
15 类（4 白血 + 11 健康）	arXiv:2608.10657 + PMC9858290	第三方文献
annotations.dat 四列结构 / nan 语义	TCIA 集合页 Detailed Description	官方
CC BY 3.0 / 商用许可	TCIA 集合页 Citations & Data Usage Policy	官方
DOI 10.7937/tcia.2019.36f5o9ld	TCIA 集合页	官方
CodeOcean capsule 9068249	Nature 论文 Code availability	论文
人类水平对照	Nature 论文摘要（inter-/intra-expert variability）	论文
骨髓版 171,374/945/22 类	Blood Advances 2021（PMC8602932）	论文

附录 D：数据获取决策树

你的目标是什么？
├── 只想做小样本实验/教学
│   └── TCIA 集合页 → Query/Filter 取数百张 + annotations.dat + abbreviations.txt
├── 要训练/评测完整分类模型
│   ├── 1) 取 annotations.dat，枚举实际类别标签，定输出维度
│   ├── 2) 全量 18,365 张 TIFF（IBM-Aspera-Connect）
│   └── 3) 划分 train/val/test，注意类别不平衡加权
├── 要复现论文数值
│   └── CodeOcean capsule 9068249 拿代码 → 回 TCIA 取全量自行重训（capsule 仅一个 fold）
├── 要拿它做基准对比
│   └── 先算人类一致性（第 2/3/4 列）→ 再报你的模型分数 → 注明类别口径（15 vs 18）
└── 要骨髓造血谱系覆盖
    └── 改用 2021 骨髓版 Blood Advances 数据集（171,374/945/22 类）

附录 E：类别口径对照表（双口径登记）

口径	来源	类别数	构成
论文原始	Nature Mach Intell Fig 2 图注	18 类	完整形态学方案
下游通行	arXiv:2608.10657 / PMC9858290	15 类	4 类白血性 + 11 类健康白细胞（7 成人 + 4 未成熟）
平台页面	TCIA 集合页	未标数	仅称"标准形态学分类方案"
建议	—	以 annotations.dat 实际标签为准	使用前枚举，勿照抄

附录 F：annotations.dat 列结构速查

列号	内容	用途
1	图像文件名	关联图像
2	金标准形态学类别	主监督标签
3	第二位独立标注者再标注结果	计算标注者间一致性（inter-rater）
4	同一标注者间隔 11 个月复标结果	计算标注者内一致性（intra-rater）
—	nan	表示未再标注（非缺失错误）

附录 G：双口径与待核登记表

#	项	口径 A	口径 B	处理
1	类别数	18 类（论文 Fig 2）	15 类（下游文献）	双记，以 annotations.dat 实际为准
2	标题拼写	leukaemia（Nature 正式版）	leukemia（bioRxiv 预印本）	引用以正式版为准
3	网络架构	Inception 系 CNN	具体型号未核	稳妥表述，遗留待核（坑 6）
4	再标注覆盖率	未披露	—	遗留疑点（坑 3）
5	数据引用作者序	Matek, Schwarz, Marr, Spiekermann（TCIA）	Matek, Schwarz, Spiekermann, Marr（论文）	各按规范引用

附录 H：检索路径示范

目标	推荐查询式	预期命中
数据集本体	“AML-Cytomorphology” OR “AML-Cytomorphology_LMU” OR “Munich AML Morphology”	TCIA 集合页 + Wiki
论文	Matek “blast cells” “acute myeloid” “convolutional neural networks”	Nature Mach Intell 1:538
预印本	doi:10.1101/564039	bioRxiv 全文
代码	CodeOcean capsule 9068249	训练代码 + 权重
骨髓版（勿混）	Matek “bone marrow” 171374 “Blood Advances”	PMC8602932
统一框架	“leukemia cell classification” 122427 多数据集	arXiv:2608.10657
反例（勿用）	以"18,365"搜"骨髓"数据集	无命中（属外周血版）

附录 I：引文规范

@article{matek2019human,
  title   = {Human-level recognition of blast cells in acute myeloid
             leukaemia with convolutional neural networks},
  author  = {Matek, Christian and Schwarz, Simone and
             Spiekermann, Karsten and Marr, Carsten},
  journal = {Nature Machine Intelligence},
  volume  = {1},
  pages   = {538--544},
  year    = {2019},
  doi     = {10.1038/s42256-019-0101-9}
}

@misc{matek2019dataset,
  title     = {A Single-cell Morphological Dataset of Leukocytes from
               AML Patients and Non-malignant Controls},
  author    = {Matek, Christian and Schwarz, Simone and Marr, Carsten
               and Spiekermann, Karsten},
  year      = {2019},
  publisher = {The Cancer Imaging Archive},
  doi       = {10.7937/tcia.2019.36f5o9ld}
}

@article{clark2013tcia,
  title   = {The Cancer Imaging Archive (TCIA): Maintaining and
             Operating a Public Information Repository},
  author  = {Clark, Kenneth and Vendt, Bruce and Smith, Kirk and
             Freymann, John and Kirby, Justin and Koppel, Paul and
             Moore, Stephen and Phillips, Stanley and Maffitt, David and
             Pringle, Lawrence and Tarbox, Lawrence and Prior, Fred},
  journal = {Journal of Digital Imaging},
  volume  = {26},
  number  = {6},
  pages   = {1045--1057},
  year    = {2013},
  doi     = {10.1007/s10278-013-9622-7}
}

附录 J：本条目生产档案

• 生产通道：任务头 aml-cytomorphology 正选（无备选）
• 代理名：agent-d-amlcytomor；slug：aml-cytomorphology
• 存在性核验：WebSearch 三轮（TCIA 官方页 + biorxiv + Nature + 第三方文献），三源互证
• 网络预算：WebSearch×3、WebFetch×2（1 次 Nature 反爬失败未重试，改走 biorxiv/Nature 检索页）
• 事实研究落盘：writing/aml-cytomorphology/FACTS.md 十节
• 成稿方式：五块直写拼接（part1-5），每 part 尾部留空行；私有区 .parts_agent-d-amlcytomor_1791469915_523782
• 坑点：§10 八则（坑 1-8）
• description：成稿时即 ≤170 字符
• 互链计划：正文内链 all-idb / cnmc-2019 / raabin-wbc / nucls / bcss

附录 K：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 全局唯一标识	✅	TCIA DOI + 论文 DOI
F2 富元数据	✅	集合页 + Wiki + 论文表格
A1 可访问协议	✅	TCIA 公开直链，无墙
A2 元数据可访问	✅	集合页始终开放
I1 互操作格式	⚠️	TIFF + DAT，非 ML 封装
I2 词汇表引用	✅	标准血液形态学命名
R1 来源溯源	✅	单机构单时间窗明确
R2 许可明确	✅	CC BY 3.0，商用明确
R3 可复现流程	✅	CodeOcean capsule 开源
AI-Ready 综合	高	公开直链 + 宽松许可 + 代码开源 + 人类水平基准

附录 L：常见误用案例库

误用	错在哪	正确做法
宣传"AI 能诊断 AML"	论文只证明单细胞分类达人类水平，不涉完整诊断	表述为"单细胞形态分类与 blast 识别达人类水平"
用 171,374/945 描述本数据集	那是 2021 骨髓版数字	本条目用 18,365/200
假设"18 类"训练	下游多按 15 类清洗	以 annotations.dat 实际标签为准
把总准确率当唯一指标	类别不平衡下失真	报 macro-F1/per-class recall/混淆矩阵
随机划分 train/test	同患者细胞泄漏致乐观偏差	按患者分组划分
用 CodeOcean 权重当全量	只有一个 fold	全量自行重训
把单细胞图当涂片用	无涂片语境	涂片任务需另建检测管线
只引论文不引数据集 DOI	违反 TCIA Data Citation Required	三引并列

附录 M：模型评估报告模板（基于本数据集）

数据集：AML-Cytomorphology (TCIA DOI 10.7937/tcia.2019.36f5o9ld)
类别口径：___ 类（枚举自 annotations.dat，注明具体值）
标本类型：外周血单细胞裁图
划分方式：按患者分组 K 折（K=__，注明防泄漏）
任务：□多类分类  □blast 二分类  □正常/异常二分类

主要指标：
  macro-F1        = ___
  per-class recall= ___（尤其 blast 类 ___）
  overall acc     = ___（仅作参考）
  混淆矩阵        见附件

人类基线（由 annotations.dat 第 2/3/4 列算出）：
  inter-rater 一致率 = ___
  intra-rater 一致率 = ___

结论定位：模型水平相对人类基线：□高于  □持平  □低于
域外泛化：本结果限于本数据分布（单机构单设备），未做跨机构验证

附录 N：本条目核验三源对照表

事实	源 1（TCIA 官方）	源 2（论文/预印本）	源 3（第三方文献）
18,365 图	✅ 集合页	✅ biorxiv 全文	✅ arXiv:2608.10657
200 例（100+100）	✅ 集合页	✅ biorxiv 方法节	✅ PMC9858290
100× 油浸 / 14.14 px/μm	✅ 集合页	—	—
CC BY 3.0	✅ 集合页	—	—
类别数（18/15）	未标数	18 类（Fig 2）	15 类（两篇）
人类水平结论	—	✅ 摘要	—
M8/Precipoint	✅ 集合页	—	—
2014–2017	✅ 集合页	✅ biorxiv	✅ PMC9858290

三源互证结论：核心硬数字（规模/受试/采集/许可/时间窗）均有多源一致支持；唯一分歧点是类别数（15 vs 18），已按双口径存照处理。

---

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-08，抓取与核验时点见附录 A。事实陈述以 TCIA 官方集合页（DOI 10.7937/tcia.2019.36f5o9ld）、TCIA Wiki、Nature Machine Intelligence 论文（doi:10.1038/s42256-019-0101-9）与 bioRxiv 预印本为源。类别数 15 vs 18 的双口径、再标注覆盖率未披露、网络架构待核等原始文档的存疑点，已在坑点（§10）与双口径登记表（附录 G）逐条存照。条目与库内 ALL-IDB、C-NMC 2019、Raabin-WBC、NuCLS（rid 248）、BCSS 等血液形态学与细胞图像条目互链，构成血液学 AI 数据集的完整检索面。数据集官方名称、规模、许可、DOI 均可经 TCIA 集合页独立复核。

---

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：

• panda — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• orchid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• ptic-thyroid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• cervix93 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• multi-oscc-histopath — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• endo-aid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• lc25000 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• bonemarrow-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• compas-gi-histopathology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• ham10000 — 共享标签：医学影像 / 图像分类 / 肿瘤学

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。