信息速览
BEETLE（BrEast cancEr hisTopathoLogy sEgmentation）是一套用于乳腺癌苏木精-伊红（H&E）全切片图像四类组织语义分割的多中心数据集与长期评测基准，由荷兰 Radboud 大学医学中心计算病理学组牵头，联合荷兰癌症研究所、意大利两所医院及捷克、美国各一所机构共建，2025 年 10 月以 CC BY-NC-SA 4.0 许可发布于 Zenodo（记录 16812932，归档 150.9 GB），评测部分常驻 Grand Challenge 平台。
它要填补的是一类具体缺口：既往公开的乳腺癌分割数据大多来自少数机构、少数扫描仪，形态学覆盖面窄，模型在自家数据上分数漂亮，换一个中心的切片就明显下滑，而组织分割恰恰是瘤床面积、肿瘤浸润淋巴细胞密度等生物标志物量化的第一步。BEETLE 通过三种手段扩大覆盖面——把临床中心从 1 家扩到 6 家、把扫描仪从 1 台扩到 7 台、把开发集与评估集做成患者与中心完全不相交，从而把「换个医院还能不能用」从口头承诺变成可测量的分数。
适合的使用者是做组织分割、生物标志物管线或病理基础模型评测的团队。第一件事应当是读 Zenodo 的 data_overview.csv 弄清每张切片的来源与折号，再决定是只取作者自采的切片还是连 TIGER、TCGA-BRCA 一起用。上手前需要先接受两件事：评估集真值拿不到，只能提交预测；许可是非商用，企业环境的用途要先过法务。
§1 它是什么：名称、身份与版本
1.1 一个被凑出来的缩略词
BEETLE 的全称是 BrEast cancEr hisTopathoLogy sEgmentation，即「乳腺癌组织病理分割」。这个缩略词不是从单词首字母自然拼出来的：BrEast 取了乳腺单词里的大写字母对，cancEr 同理，hisTopathoLogy 取了病理学单词里不连续的大写字母，sEgmentation 只取了首字母。这样拼出的 BEETLE 恰好是英文单词「甲虫」。
这一命名方式带来一个很实际的检索问题。按常规习惯用「BEETLE dataset」「BEETLE medical imaging」去搜，命中的大量结果是昆虫学数据集、生态监测图像，以及若干与病理无关的同名项目。有效的检索式必须加限定词，例如「BEETLE breast cancer segmentation」「Breast Cancer Histopathology Segmentation BEETLE」或直接用 DOI。把 BEETLE 当成某种甲虫相关的农业或生态数据集的误认，在检索日志里是会真实发生的。
1.2 它是一套数据，不是一个比赛
BEETLE 常被称作「BEETLE 挑战赛」，但官方页面在免责声明一节里给出了明确界定：它是一个长期基准（long-term benchmark），而非传统挑战赛。这条界定的具体含义有三点。第一，没有投稿截止日期，提交入口长期开放，任何人任何时候都可以传预测。第二，没有奖金，也不安排正式的论文发表周期的参赛通道。第三，官方不计划在赛后发布一篇汇总各队成绩的总结论文。
这三点直接改变了使用方式。传统挑战赛有一条时间线：训练期、验证期、测试期、结果公布、总结论文，引用时可以说「该挑战赛 2024 年共有 87 支队伍参赛，冠军 Dice 为某值」。BEETLE 没有这条时间线，排行榜上的名次会随着新提交不断变化，引用某一时刻的排名必须注明抓取日期。对于想在论文里写「我们在此基准上排名第几」的作者，这意味着需要在正文里写清提交时间，而不是引用一个固定的竞赛成绩。
1.3 发起方与团队
数据集由 Radboud 大学医学中心（Radboud University Medical Center，荷兰奈梅亨）的计算病理学组牵头。这个组在数字病理领域有较长的公开数据发布记录，CAMELYON 系列淋巴结转移检测数据、PANDA 前列腺穿刺分级数据都出自同一体系，BEETLE 在方法论上是这条线的延续：先做检测或分级，再下沉到像素级的组织学构成。
论文作者共 21 人，第一作者为 Carlijn Lems，末位作者为 Jeroen van der Laak。署名名单里既有计算病理方法学者，也有长期参与病理标注质量控制的临床病理学家，这解释了数据集在标注协议上的细致程度：它不是简单地把专家画的圈存成掩码，而是设计了密集标注与稀疏标注两套并行策略，并在论文里逐条记录了每一类策略的适用场景。
1.4 三个发布渠道与它们的分工
BEETLE 的数据、代码、评测分别放在三个地方，各自承担不同职责，混用会造成很多误会。
Zenodo 记录 16812932 是数据的唯一归档处，发布于 2025 年 10 月 4 日，版本 v1。它包含四个文件：annotations.zip 存放开发集的全部像素级标注，images.zip 存放开发集与评估集的切片图像及评估集的 ROI 图块，model.zip 存放技术验证用的集成模型权重，此外还有一个单列的 data_overview.csv 记录每张切片的元数据。
GitHub 仓库 DIAGNijmegen/beetle 存放下载与推理代码，采用 Apache-2.0 许可。首次提交在 2025 年 9 月 4 日，README 在 2026 年 9 月仍有更新，说明项目在上线近一年后仍在维护。仓库里的 download_all.sh 会一次性拉取 Zenodo 的四个文件并解压成固定目录结构。
Grand Challenge 平台上的 beetle.grand-challenge.org 承担评测与排行榜。评估集的真值掩码只存在于这里，不随 Zenodo 分发。参赛者把预测文件按平台规定的格式打包上传，平台计算 Dice 并写入排行榜。
三者的版本并不总是一致。Zenodo 是 v1，截至本文核验时点没有 v2；GitHub 仓库在持续更新；Grand Challenge 的排行榜每天都在变。引用时需要分别说明引用的是哪个渠道的哪个时点。
1.5 与相近数据集的关系
理解 BEETLE 的身份，最容易出错的地方是把它与 TIGER 混为一谈。TIGER（Tumor InfIltrating Lymphocyte in Breast Cancer）是 2021 年前后的一项肿瘤浸润淋巴细胞分割挑战赛，任务是在乳腺癌 H&E 切片上分割肿瘤、间质、淋巴细胞等七类区域。BEETLE 把 TIGER 训练集的公开切片收进了自己的开发集，并把 TIGER 的七类重映射为四类：原位肿瘤与健康腺体合并为非浸润性上皮，肿瘤相关间质与炎性间质并入其他类。
所以两者是「复用上游数据、重建标签体系」的关系，不是同一个东西的两种叫法。BEETLE 的类别定义、评测指标、平台页面、许可条款都与 TIGER 不同。在文献里看到某个模型在 TIGER 上得了 0.79 的 Dice，不能直接搬到 BEETLE 的四类任务上比较，原因见 §7 的对照说明。
§2 数据构成：开发集、评估集与逐张元数据
2.1 一句话概括两个子集
数据集切成两块，设计意图完全不同。开发集用于训练与内部验证，规模大、来源杂、标注全；外部评估集用于跨中心泛化测试，规模小、来源独立、真值封闭。两块之间在患者、临床中心、扫描仪三个维度上都不重叠，这是 BEETLE 与多数同类数据最本质的区别。
2.2 开发集规格
| 属性 | 数值 | 说明 | 字段可靠性 |
|---|---|---|---|
| 全切片数量 | 587 张 | 官网、arXiv 摘要、Zenodo 描述三处一致 | 已核 |
| 患者数量 | 527 名 | 见论文全文；切片数大于患者数 | 已核 |
| 标本类型 | 穿刺活检 + 手术切除 | 论文只说两者混合，未拆分各自数量 | 语义存疑（无拆分） |
| 临床中心 | 3 家 | RUMC（荷兰奈梅亨）、NKI（荷兰阿姆斯特丹）、SCH（意大利特伦托） | 已核 |
| 公共来源 | 2 个 | TIGER 训练集、TCGA-BRCA | 已核 |
| 扫描仪 | 7 台 | 型号清单见 2.4 | 已核 |
| 标注组织面积 | 5,567 平方毫米 | 论文全文给出的汇总面积 | 已核 |
| 空间分辨率 | 约 0.5 微米/像素 | Zenodo 描述为约 0.5；训练 patch 亦按此间距 | 已核 |
| 标注类别 | 4 类 | 浸润性上皮、非浸润性上皮、坏死、其他 | 已核 |
| 验证折号 | 5 折 | data_overview.csv 的 validation_fold 列 | 已核 |
「标注组织面积」这一项容易被误读成切片总面积。这个数字统计的是专家与助理实际画上标签的组织面积，切片的玻璃覆盖面积远大于此。按表中数字估算，单张切片平均被标注的组织面积约 9.5 平方毫米，而一张常规乳腺切除切片的总组织面积可以达到数百平方毫米，也就是说绝大部分区域被留作无标签的背景，模型训练时只在这些标注区取样。
2.3 外部评估集规格
| 属性 | 数值 | 说明 | 字段可靠性 |
|---|---|---|---|
| 全切片数量 | 54 张 | 与开发集的患者和中心均不重叠 | 已核 |
| 患者数量 | 54 名 | 一人一片的对应关系 | 已核 |
| 临床中心 | 3 家 | Biopticka（捷克比尔森）、UW Medicine（美国西雅图）、SCDC（意大利维罗纳） | 已核 |
| 扫描仪 | 3 台 | 与开发集的 7 台无型号重合的部分为主 | 已核 |
| ROI 数量 | 170 个 | 来自 54 张切片，每张切片最多 4 个 | 已核 |
| 标注组织面积 | 45 平方毫米 | 平均每个 ROI 约 0.26 平方毫米 | 已核 |
| 真值公开性 | 不公开 | 存放在 Grand Challenge 平台内部 | 已核 |
| 组织学亚型 | NST 与 ILC | 浸润性癌非特殊型与浸润性小叶癌 | 已核 |
评估集的密度是它的核心设计。170 个 ROI 分布在 54 张切片上，标注总面积仅 45 平方毫米，平均每个 ROI 约 0.26 平方毫米——在 0.5 微米/像素的分辨率下，这大致相当于七百乘七百余像素的一块区域，比典型的 512 像素训练 patch 大不了多少。也就是说，评估给出的是「在精心挑选的、信息密度最高的若干小块上，模型能否分对」，而不是「在整张切片上模型能否分对」。这两件事的难度不同，引用成绩时必须说清是 ROI 级还是切片级。
官网把这套设计描述为「覆盖临床实践中可见的大部分形态学异质性」，并强调三个中心、三台扫描仪的组合。论文补充说评估集的分子亚型（三阴性、HER2 阳性、激素受体阳性/HER2 阴性）与组织学分级（1 至 3 级）都做了均衡分布。这一点很重要：如果评估集全部来自某一亚型，模型成绩会被单一形态主导，均衡分布是为了避免这种偏置。
2.4 七台扫描仪与它们的分布
扫描仪差异是 H&E 切片跨中心泛化失败的主要来源之一，染色方案的差异与扫描仪的色彩响应差异叠加，会造成同一个组织在两个中心呈现完全不同的色调。BEETLE 在开发集里安排了七台扫描仪，型号清单如下。
| 中心 | 扫描仪型号 |
|---|---|
| RUMC（荷兰奈梅亨） | 3DHISTECH Pannoramic P250 Flash II、Pannoramic 1000 |
| NKI（荷兰阿姆斯特丹） | Leica Biosystems Aperio AT2 |
| SCH（意大利特伦托） | 3DHISTECH Pannoramic 250 Flash III、Leica Biosystems Aperio GT 450 DX |
| Biopticka（捷克比尔森） | Hamamatsu NanoZoomer S360、Leica Biosystems Aperio GT 450 |
| UW Medicine（美国西雅图） | Leica Biosystems Aperio GT 450 |
| SCDC（意大利维罗纳） | Roche Ventana DP 200 |
从这张表可以读出两件事。其一，Leica Aperio GT 450 出现三次（SCH、Biopticka、UW Medicine），是跨中心最常见的机型；其二，RUMC 一家贡献了两台 3DHISTECH 设备，而 3DHISTECH 的 Pannoramic 系列在色彩配置上与 Leica、Hamamatsu、Roche 的机型差异较大。这意味着如果只看「中心」这一维度做分层分析，RUMC 内部本身的扫描仪差异就已经构成一个混淆因素。
论文里没有给出每个中心各自的切片数量。这一点经常被引用者忽略：很多二手文献会写「587 张切片来自六家中心」，暗示六家大致均衡，但实际拆分数从未公布。data_overview.csv 里有逐张的 source 字段，可以自行统计，这也是拿到数据后第一件值得做的事。
2.5 data_overview.csv 的字段与两个坑
Zenodo 单列了一个 176.3 kB 的 data_overview.csv，逐张记录切片元数据。它的字段包括：患者匿名号 patient_id、切片号 wsi_id、完整名称 name、来源 source、标本类型 specimen_type、扫描仪 scanner、切片路径 wsi_path、掩码路径 annotation_mask_path、XML 路径 annotation_xml_path、JSON 路径 annotation_json_path、所属子集 split、五折验证折号 validation_fold。
第一个坑在 source 字段的取值。Zenodo 页面给出的枚举是 biopticka、jb、nki、rumc、scdc、sch、tcga、uwmedicine 共八档。但官网与论文正文只列了六家临床中心（RUMC、NKI、SCH、Biopticka、UW Medicine、SCDC）外加 TCGA 这一个公共来源，恰好七档。多出来的 jb 在正文中没有对应说明，推测是某家荷兰医院的缩写，但本文没有找到确认依据，使用时应当直接用 CSV 里的实际计数，不要凭正文的六家中心去推算比例。
第二个坑在 split 与 validation_fold 两列的关系。split 只有 development 和 evaluation 两个取值；validation_fold 只在开发集有值，取 1 至 5。这五折是按患者分层划分的，分层依据是「是否含浸润性乳腺癌」以及组织学类型（NST、ILC、其他、未知），目的是让每一折里的类别分布大致可比。做外部对照实验时，如果想复现论文的五折结果，必须严格使用这一列，不能自己随机重划，否则分数不可比。
2.6 TIGER 与 TCGA-BRCA 的特殊处理
开发集里有两个来源不是作者采集的，处理方式与其余切片不同，这一点直接影响下载流程。
TIGER 训练集的切片（包括 TIGER 内部自己包含的那部分 TCGA-BRCA 切片）没有打包进 images.zip。Zenodo 明确说明，这些切片必须从 AWS Open Data 的 TIGER 注册表单独下载。作者打包进 Zenodo 的，只有 TIGER 之外的 TCGA-BRCA 切片。原因不难理解：TIGER 的切片体量巨大，重复打包会让归档膨胀到难以承受的程度。
四张 TIGER 切片被明确排除在外，编号为 TCGA-AC-A2QH、TCGA-OL-A97C、TCGA-AR-A5QQ、TCGA-E9-A5FL。论文给出的排除理由是图像质量部分模糊，或组织学不典型（纤维上皮病变、纤维肉瘤样病变、鳞状分化或化生）。
这一点对想「先小规模试跑」的使用者非常关键。如果只想跑通流程，最省事的路径不是下载 147.2 GB 的 images.zip，而是先从 TIGER 那一部分切片的公开来源取一小批，再配上 annotations.zip 里对应的 JSON 掩码，因为标注文件是按切片号命名的，可以单独取用。
2.7 文件命名与三种标注格式
图像的命名规则分两类。来自 TCGA-BRCA 与 TIGER 的切片保留原始匿名文件名，因为这些编号在公共数据库里已经被大量文献引用，改名会切断溯源。作者自己采集的切片则重新编号，规则是「匿名患者号_切片号」，例如 patient1_wsi1.tif，患者号从 1 开始递增。评估集的 ROI 在此基础上再追加一层 ROI 号，形如 patient1_wsi1_roi1.png。
标注文件提供三种格式，内容等价。第一种是多分辨率 TIFF 掩码，每个像素的灰度值对应一个类别，具体映射写在 label_map.json 里；这是训练分割网络最直接的格式。第二种是 XML 多边形，兼容 ASAP 2.1 夜间构建版；这是病理学家在标注工具里直接产出的原始形态，保留了逐个组织的轮廓。第三种是 JSON 多边形，是为 nnU-Net-for-Pathology v2 分支专门转换的格式，字段结构与 XML 等价但更利于程序读取。
三格式并存的好处是可以按需选择：想复现原始标注形态就用 XML，想直接喂网络就用 TIFF，想用 nnU-Net 生态就用 JSON。代价是三份文件都在 annotations.zip 里，解压后占用空间不小，磁盘规划时要把这一点算进去。
2.8 四类标签的定义与边界
四类标签的定义写得很细，细到需要单独讨论，因为它们的边界划定方式决定了模型能学什么、不能学什么。
**浸润性上皮（invasive epithelium）**在论文里等同于浸润性肿瘤。这一类的核心判据是肿瘤细胞突破基底膜、侵入间质。在实际标注中，它与非浸润性上皮的区分是最难的一步，尤其是在只有一小块 ROI、看不到整体结构的时候。论文在局限性一节里明确承认，孤立的小碎片（常见于活检边缘）与致密肿瘤区（看起来像导管原位癌的中心）是两类最典型的混淆场景。
**非浸润性上皮（non-invasive epithelium）**是一个复合类，包含健康腺体、导管原位癌（ductal carcinoma in situ, DCIS）、小叶原位癌（lobular carcinoma in situ, LCIS）、非典型导管增生（atypical ductal hyperplasia, ADH）与大汗腺化生（apocrine metaplasia）。把导管原位癌与健康腺体放进同一类，是一个刻意的取舍：从「肿瘤区面积」这个下游指标看，两者都不属于浸润性肿瘤，合并后类别更有意义；但从「区分原位癌与良性」这个下游指标看，两者合并就消灭了监督信号。
这一类还藏了一条容易漏掉的细则：腺腔里的分泌物与管腔本身一般计入非浸润性上皮，除非管腔面积大于约 256 乘 256 微米、且训练时能整块采样于腔内，此时整块标为其他类。这条细则的存在说明作者意识到大管腔里全是分泌物或空腔时，把它算进上皮会污染面积统计。但同时也意味着掩码里非浸润性上皮的像素数并不严格等于「上皮细胞所占像素」，做面积定量时要意识到这一点。
**坏死（necrosis）**类包含坏死组织与坏死性碎片。论文对它的定义有一个不太常见的选择：钙化也归入本类。多数组织学分割数据集会把钙化单列或归入间质，BEETLE 把钙化并进坏死，理由大概是钙化常出现在坏死区内部（营养不良性钙化），单独成类会切碎坏死区域。代价是如果一个模型被用来检测「是否含钙化」，直接用本类的掩码会得到混合信号。
论文对坏死类的另一条说明是：标注时倾向于把早期坏死的细胞、细胞核部分保留的细胞也标进坏死。这个倾向会使坏死类的边界比严格病理学定义更宽，模型学到的「坏死」会比教科书上的坏死更早出现。
**其他（other）**类是兜底类，收纳间质、炎症区、脂肪、红细胞、皮肤与背景。兜底类在分割任务里通常贡献最大的像素数，也最容易拿高分，因为它的形态特征相对容易区分。BEETLE 的基线模型在其他类上拿到 0.94 至 0.97，与非浸润性上皮的 0.65 形成鲜明对比，这个落差本身就是类别难度分布的直接体现。
2.9 标注策略：密集与稀疏并行
BEETLE 的标注不是单一模式，而是两套策略并行，理解这一点才能理解为什么区区数千平方毫米的标注面积能覆盖数百张切片。
密集标注（dense annotation）指的是在选定的 ROI 内对每一个像素都给出类别，ROI 内不留空白。评估集的 170 个 ROI 全部是密集标注。这类标注的信息量最高，但成本也最高，一名病理学家在一个 ROI 上可能要花几十分钟。
稀疏标注（sparse annotation）指的是在切片上散布标注点或小结构，标记出「这一点属于非浸润性上皮」「这一块是坏死」这类局部信息，中间的大量区域不作标注。这类标注的成本低得多，适合在大量切片上铺开。论文提到开发集最初含 357 张带稀疏人工标注的切片，后来通过硬负样本挖掘（hard negative mining）新增了 39 张。硬负样本在这里的含义是：模型容易判错的那些区域被专门挑出来补标，以提高训练信号的针对性。
两套策略的结合方式在 HoVerNet 环节看得最清楚。技术验证流程是这样走的：先在切片上选定 ROI，再用 HoVerNet 在 0.25 微米/像素的分辨率上做细胞核检测，把检出的核暂标为浸润性上皮，然后由人工做点标注修正，并对坏死与非浸润性上皮做多边形补充标注，最后对核做膨胀（dilation）处理填补细胞间的空隙。这条流程的实质是：机器负责铺底，人负责纠偏，最终得到接近密集标注的效果，但人工投入集中在纠错上。
2.10 上皮分割辅助模型与 CK8-18 重染
论文还描述了一套用于辅助上皮分割的训练流程，这套流程依赖一种不太常见的对照染色。作者从 RUMC 取了六张 H&E 切片，重新染色为 CK8-18（细胞角蛋白 8 与 18，上皮细胞的标志物）的免疫组化切片，重新扫描后用配准算法与原始 H&E 对齐。
这样做的目的是给上皮区域找一个完全不依赖人工判读的真值来源：免疫组化阳性区就是上皮。有了这个对照，就可以训练一个两阶段的 U-Net：第一阶段在免疫组化图像上分割上皮（骨干网络为 MobileNetV2），第二阶段把这个能力迁移到 H&E 图像上（骨干网络换成 ResNet50）。训练配置为 512 乘 512 像素的 patch、Lovasz 损失、批大小 25、学习率 1e-4，每 25 轮无改善则学习率减半，免疫组化阶段最多 50 轮、H&E 阶段最多 100 轮，每轮 1,250 次迭代，验证集 10 轮无提升即停止。
六张切片是一个小得惊人的数字，但它只用来训练辅助模型，最终的分割由 HoVerNet 加人工修正完成。使用这套权重的人应当注意：它是在六张切片的免疫组化对照上学出来的，跨扫描仪的稳定性没有经过系统验证，不适合直接用于新中心的切片。
§3 怎么拿到：下载、许可与合规
3.1 三层许可，必须分开记
BEETLE 的许可不是一句话能说清的，至少有三层相互独立的条款，混为一谈会造成实际的合规风险。
| 对象 | 许可 | 要点 |
|---|---|---|
| 数据集（切片图像 + 掩码 + 模型权重） | CC BY-NC-SA 4.0 | 署名、非商业、相同方式共享 |
| 代码仓库 | Apache-2.0 | 可自由使用、修改、商用 |
| 上游公共切片（TIGER、TCGA-BRCA） | 各自原始条款 | 需另行核对，BEETLE 的许可不能覆盖 |
第一层是最常被误读的。CC BY-NC-SA 4.0 里的 NC 是 NonCommercial，指不以商业目的为主的使用。这条定义在 Creative Commons 的正式文本里写得很宽：不以获取商业利益或金钱报酬为主要目的的使用才算非商业。企业用于内部研发、哪怕产品最终没有卖出去，也属于典型的灰区，稳妥做法是先与权利方书面确认。SA 是 ShareAlike，指如果基于本数据做了改编（例如重新切块、重新标注、合并进更大的语料），再分发时必须沿用相同或兼容的许可。
第二层容易被误当成「数据也能商用」。GitHub 仓库的 Apache-2.0 只覆盖代码文件，不覆盖通过 download_all.sh 下载的数据。这个区分在开源许可里是常识，但在数据集条目里被混淆的频率很高：有人看到仓库标着 Apache-2.0，就默认整套材料都能商用。
第三层最容易被彻底忽略。TIGER 与 TCGA-BRCA 的切片各有自己的获取条款，TCGA 有专门的数据使用协议，TIGER 的切片从 AWS Open Data 获取时也有登记要求。BEETLE 把它们收进开发集，并不代表 BEETLE 的 CC BY-NC-SA 可以覆盖这些切片的原始条款。实际使用中，如果只取作者自采的那部分切片，只需遵守 CC BY-NC-SA；如果连 TIGER、TCGA 部分一起用，就要叠加两层义务。
3.2 下载流程与体积规划
下载流程有三条路，对应三种使用深度。
第一条是直接手动下载。打开 Zenodo 记录 16812932，页面列出四个文件：annotations.zip 1.8 GB、images.zip 147.2 GB、model.zip 1.9 GB、data_overview.csv 176.3 kB，合计 150.9 GB。这条路的优点是直观，缺点是大文件在浏览器里下载容易中断，且 147.2 GB 的 images.zip 在多数网络环境下需要数小时到数天。
第二条是用仓库的 download_all.sh。脚本会依次拉取四个文件、校验完整性、解压成固定结构：data/annotations/ 下分 jsons、xmls、masks 三个子目录与 label_map.json；data/images/ 下分 development/wsis 与 evaluation/rois、evaluation/wsis；data/model/ 存放集成权重与训练用的 dataset.json。这条路的优点是省事，缺点是一旦中断就要重来，脚本本身没有断点续传机制。
第三条是自己拼一个最小子集。这条路最适合做初步验证：只下 data_overview.csv，按 source 或 split 筛出想要的切片号，再用 Zenodo 的单文件下载接口只取对应条目。Zenodo 的 zip 包支持按内部路径范围下载，但操作上需要一些技巧。更简明的替代方案是：先取 annotations.zip（1.8 GB，体积可控），再配合从 TIGER 公开源单独下载的少量切片，跑通掩码读取与网络前向，最后再决定是否拉全量。
磁盘规划时要多算一截。150.9 GB 是压缩包体积，解压后的 TIFF 切片与三份等价标注会显著膨胀，实际占用通常需要在 1.5 到 2 倍之间预留。如果还要训练 nnU-Net，预处理会再生成一套 npy 缓存，再翻一倍。也就是说，完整跑一遍基线，建议准备至少 500 GB 的可用空间。
3.3 评估集的获取方式
评估集的获取分两半。图像这一半是公开的：54 张切片与 170 个 ROI 图块都在 images.zip 的 evaluation 目录下，ROI 是 PNG 格式，且按 Zenodo 说明「包含周边空间上下文」，也就是说 ROI 图块不是紧贴标注边界的裁切，而是带了一圈邻近组织，允许模型参考相邻的组织结构做判断，模拟滑窗推理时看到的情形。
真值这一半不公开。像素级掩码存于 Grand Challenge 平台内部，任何下载渠道都取不到。想拿分数只能走提交：在本地跑出预测，按平台规定的格式（通常是每个 ROI 一张与输入同尺寸的标签图，取值 0 至 3）打包上传，平台计算 Dice 后给出分数与排行榜位置。
这个设计有一个直接后果：无法在本地做误差分析。想看看模型在哪个区域分错、错成什么样，只能自己另外准备一份带真值的测试集。这也是为什么多数使用者的实际做法是「用开发集划出内部测试集做误差分析，用评估集只取一个总分做对外报告」。
3.4 合规清单
把许可条款翻译成可执行的检查项，大致是七条。
其一，确认用途是否落入非商业。学术研究、教学、内部方法开发通常没问题；产品原型、外包交付、商业化预研需要通过法务确认。
其二，确认是否需要再分发。如果只是内部使用，BY 条款的署名义务主要体现在引用上；如果把处理后的数据给第三方，SA 条款启动，必须沿用 CC BY-NC-SA 4.0。
其三，确认上游切片的叠加义务。用了 TIGER 部分就要遵守 TIGER 的条款，用了 TCGA 部分就要遵守 TCGA 的数据使用协议，两者都可能包含额外的再分发限制。
其四，引用要完整。论文的 BibTeX 条目已经在 GitHub README 里给出，作者建议的格式包含 arXiv 编号。数据本身应当同时引用 Zenodo 的 DOI，因为论文与数据是两个独立可引用的对象。
其五，标注团队与伦理批号要保留在方法描述里。论文列出了六家机构的伦理批号，使用者如果要把数据写进自己的方法节，把这些批号一并转述是常规做法。
其六，医生与患者信息无需额外脱敏。切片已经过匿名化，患者号是重新编号的，TCGA 与 TIGER 的切片沿用原始匿名编号。但仍需注意，切片本身可能包含少量可识别信息（例如切片标签的边缘、墨水标记），再分发前应做检查。
其七，模型权重的许可跟随数据。model.zip 里的权重是在 CC BY-NC-SA 数据上训练的，其衍生物同样受 NC 条款约束。
§4 质量与已知问题
4.1 论文自述的四个薄弱点
作者在论文的局限性部分列出了几条，这些是判断数据可用性时最值得先看的内容。
第一条是坏死类的类别不平衡。坏死在外部评估集的标注面积中占比不足 2%，在单个中心甚至可以低到万分之一量级。在这样稀疏的类别上，几个假阳性就足以让 Dice 大幅下降。论文给出的逐中心数字很能说明问题：坏死占比最大的中心 Dice 为 0.69，占比最小的中心只有 0.08，同一类别在不同中心之间差了接近一个数量级。
第二条是浸润性上皮被误判为非浸润性上皮。典型场景有两类：活检边缘的孤立小碎片缺少周围组织结构，模型无法判断它是否突破了基底膜；致密肿瘤区的局部形态酷似导管原位癌的中心，模型倾向于把它判成非浸润性。这类错误对下游的肿瘤面积统计影响直接，会把浸润性面积算小。
第三条是低组织对比度的切片上皮分割性能下降。H&E 染色的批次差异、切片厚度差异、扫描仪色彩响应差异都会造成对比度变化，对比度低的切片上，上皮与间质的边界模糊，分割结果变差。
第四条是训练中欠代表性的形态在测试时性能下降。论文点名了两个例子：大汗腺化生与肉芽肿性炎症。前者在开发集里出现频率低，后者几乎不出现，遇到时模型没有可靠的参照。
第五条（论文在坏死部分补充的）是坏死分割会把碎片与血液误纳进来，同时倾向于把早期坏死、细胞核部分保留的细胞也标为坏死。这一条既是模型的错误模式，也反映了标注本身的倾向。
4.2 假设与证据的对照
把「这个数据集能不能支撑我的研究」拆成几个可检验的假设，逐条给出支持与反对的证据。
| 假设 | 支持证据 | 反对证据 |
|---|---|---|
| 覆盖面足以支撑跨中心泛化研究 | 开发集 3 家临床中心 + 2 个公共来源、7 台扫描仪；评估集 3 家独立中心、3 台扫描仪，患者与中心均不重叠 | 每个中心的具体切片数未公布；扫描仪与中心高度混杂，无法分离两者的独立效应 |
| 四类标签足以支撑生物标志物量化 | 类定义与下游任务（肿瘤区面积、间质比例）对齐；非浸润性上皮合并了原位癌与良性腺体，符合「浸润性面积」口径 | 把 DCIS 与健康腺体合并，消灭了原位癌与良性的区分信号；坏死类混入钙化，影响钙化相关分析 |
| 评估集的成绩能代表真实临床性能 | 评估集做了分子亚型与分级均衡，刻意覆盖形态异质性 | 评估只在 170 个密集 ROI 上做，总面积 45 平方毫米，不等于全片性能；真值不公开，无法做误差溯源 |
| 标注质量达到可训练水平 | 21 人作者团队含多名病理学家；标注协议分密集与稀疏两套；有免疫组化对照辅助上皮分割 | 论文未报告观察者间一致性指标（如多名病理学家重复标注的 kappa）；免疫组化对照仅 6 张切片 |
| 长期基准的定位能保证公平比较 | 提交入口长期开放、排行榜持续更新、真值封闭 | 没有固定截止日意味着不同时间提交的模型面对同一份测试集但没有共同的提交窗口；排行榜结果数不等于独立团队数 |
表中第 4 行的反对证据值得展开。本数据集论文没有像一些重标注类数据集那样，报告多名病理学家对同一批切片的重复标注一致性。这意味着标注的固有变异没有被量化，使用者无法判断某个分数差异是模型差异还是标注噪声。这不一定是缺陷（多数分割数据集都不报这个指标），但在设计「模型是否优于人类」这类实验时会缺一个基准。
4.3 与上游 TIGER 的类别映射带来的信息损失
TIGER 的原始类别体系是七类，BEETLE 把它映射为四类。映射规则是：原位肿瘤与健康腺体合并为非浸润性上皮；肿瘤相关间质与炎性间质合并为其他；rest 类并入其他。
这个映射对下游任务的影响需要单独评估。如果研究目标是「肿瘤与间质的比例」，映射后的四类完全够用，甚至更干净，因为间质内部的细分（肿瘤相关与炎性）对于比例计算是噪声。如果研究目标是「肿瘤浸润淋巴细胞密度」，映射后的其他类把淋巴细胞与间质混在一起，TIL 信号被稀释，用 BEETLE 的掩码直接算 TIL 密度会得到偏低的估计。
作者把这个映射写在了 Zenodo 的说明里，也写在了论文里，属于公开信息，但二手文献里常被省略。看到某篇论文说「在 BEETLE 上做 TIL 分割」时，要去核对它是否在四类掩码上又做了一次分解，否则结果无法与 TIGER 上的结果对齐。
4.4 数据完整性方面的可核查项
拿到数据后，有几件事值得先做，用来确认完整性。
先核对 data_overview.csv 的行数。它应当是 641（587 加 54），如果不等，说明下载或解压有问题。再核对 source 字段的取值分布，把 jb 这一档的实际数量统计出来，这能补上前文提到的正文缺失信息。第三步核对 validation_fold，确认每折的患者数大致均衡，且没有任何患者跨折出现，后者是数据泄漏的直接检查。第四步抽若干张切片，比对 TIFF 掩码与 XML 多边形的面积是否一致，三格式等价是设计承诺，若不一致说明某一格式的导出有缺陷。
评估集的检查更简单：确认 ROI 数为 170、切片数为 54、每张切片的 ROI 数不超过 4。这三个数字都写在官网，任何一项对不上都意味着下载不完整。
4.5 结论强度分级
按证据来源的独立程度给关键结论分级。
A 级（三条以上独立证据线）：开发集 587 张 / 527 名患者、评估集 54 张 / 54 名患者、170 个 ROI。这三组数字在官网、arXiv 摘要、Zenodo 描述三处一致，且论文全文的方法节与结果节互相印证。
B 级（两条独立证据）：七台扫描仪、三个评估中心、真值不公开、CC BY-NC-SA 4.0 许可。前两项在官网与论文里都有，第三项在官网与 Zenodo 里都有，第四项在 GitHub README 与 CC 官方链接里都有。
C 级（单一来源）：两个子集的标注组织面积、免疫组化对照 6 张切片、四张 TIGER 切片被排除、伦理批号。这些只在论文全文里出现。
D 级（推断）：jb 一档对应哪家机构、各中心各自的切片数、活检与切除各自的比例。这些没有直接来源，使用时必须标注为未知。
§5 能做什么：任务清单与最小可执行路径
5.1 任务清单
直接落在数据契约内的任务有四类。
第一类是四类组织语义分割本身。这是数据集的原生任务，输入 H&E 全切片或 ROI 图块，输出逐像素的类别图，评测用 Dice。这是唯一有官方排行榜的任务。
第二类是跨中心与跨扫描仪泛化研究。由于开发集与评估集在中心、扫描仪、患者三个维度都不重叠，这套数据天然适合做域适应实验：在开发集上训练，在评估集上测；或者把开发集按中心切开，做留一中心（leave-one-centre-out）实验，观察模型从某一家中心的形态上学到什么、在哪一家上失手。
第三类是染色归一化与色彩鲁棒性研究。七台扫描仪、多家中心的染色协议差异提供了足够的分层，可以系统评估 Macenko、Vahadane 这类归一化方法在下游分割上的收益。需要提醒的是，评估集不公开真值，做这类研究时需要在开发集内部另设一个带真值的留出集来测量。
第四类是分割预训练与表征学习。587 张带像素级标签的切片可以当作分割预训练语料，把学到的编码器迁移到其他任务（分级、亚型分类、复发预测）。这类用法在病理基础模型的训练配方里很常见，BEETLE 的四类标签虽然粗，但覆盖了肿瘤、良性上皮、坏死、间质四大组织族，足以让编码器学到组织学的基本纹理。
5.2 不适合的任务
有几类任务用 BEETLE 会走弯路。
细胞核实例分割不在数据契约内。掩码是语义级而不是实例级，同一个类别里相邻的两个细胞核连成一片，无法从中恢复出实例边界。论文提到的 HoVerNet 只是标注流程里的辅助工具，数据集本身不发布细胞核实例标签。要做实例分割，应当用专门的核级数据集。
TIL 密度精确量化不建议直接用四类掩码。原因在 §4.3 说过：淋巴细胞被并进其他类，无法从四类掩码里分离。如果一定要做，需要在其他类上再训练一个二阶段分类器，而这又回到了依赖额外标注的老问题。
原位癌与良性上皮的区分做不到。非浸润性上皮把 DCIS、LCIS、ADH、健康腺体合并成一类，掩码里没有区分信号。
分级（grade）预测不能直接从掩码得到。掩码里没有核分裂计数、没有腺体形成程度的量化标签，虽然可以从形态学推断，但那属于从分割结果反推的二次加工，误差会累积。
5.3 最小可执行路径：从零到第一次提交
下面这条路走的是最短闭环，目的是在两三天内拿到一个评估集分数，确认流程通了，而不是追求好成绩。
第一步，准备磁盘与下载工具。准备至少 200 GB 可用空间用于最小闭环；确认有可用的 torrent 或断点续传工具；先在 Zenodo 上单独下 data_overview.csv（176.3 kB），用表格软件打开，确认能读出 split 与 source 两列。
第二步，只取评估集部分。评估集由 54 张切片与 170 个 ROI 图块组成，ROI 是 PNG，体量远小于开发集的 TIFF。即使不下载完整的 images.zip，也可以通过 Zenodo 的单文件接口按需取 evaluation/rois 下的文件。这一步的目标是拿到 170 张 PNG，每张都带周边上下文。
第三步，取一小批开发集切片做训练。从 TIGER 公开源取若干张切片（这一部分本来就不在 images.zip 里，本来就需单独下载），再解压 annotations.zip，按切片号找到对应的 JSON 与 TIFF 掩码。这样做的代价是训练集偏小，但足够验证「读掩码、配对图像、训练、推理、导出」这条管线。
第四步，跑推理。仓库的 code/docker 目录下有 Dockerfile 与 run_inference.sh，模型权重在 model.zip 里。构建镜像后，按脚本约定的目录结构放入 ROI 图像，运行脚本即可得到预测。如果不想用 Docker，也可以直接调用 nnU-Net-for-Pathology 的推理接口，但要注意版本必须匹配提交里记录的 commit，否则预处理参数不一致会导致结果偏差。
第五步，打包与提交。预测结果的格式在 Grand Challenge 的提交页有详细说明，核心是每个 ROI 一张与输入同尺寸的标签图，像素值 0 至 3 对应四类。打包上传后，平台会算出总体 Dice 与逐类、逐中心、逐亚型的分项，并写入排行榜。
第六步，读结果。第一次提交的分数大概率不理想，重点不是分数本身，而是分项指标的结构：哪个类别最低、哪个中心最低、NST 与 ILC 哪个更差。这三项决定了后续优化的方向。
5.4 一个训练脚本的最小骨架
如果要从零训练而不是用官方权重，最小骨架大致是这样几件事。
读 data_overview.csv，按 validation_fold 取出第 1 折作为验证集，其余四折作为训练集。读 label_map.json，建立像素值到类别的映射，把 TIFF 掩码转换成 0 至 3 的整数标签。用 OpenSlide 或 tiffslide 打开切片，按 0.5 微米/像素的原生分辨率读取区域。在标注区域内随机取 512 乘 512 的 patch，做类别均衡采样——这一步对坏死类尤其关键，因为它的面积占比极低，不均衡采样的话一个批次里可能一个坏死像素都没有。损失函数用 Lovasz 或交叉熵加 Dice 的组合。每轮结束后在验证折上算 Dice，保留最优权重。
推理时最容易出问题的地方是分辨率。论文的训练与推理都在 0.5 微米/像素，但 HoVerNet 环节用的是 0.25。如果拿到的切片扫描分辨率不是 0.5，必须先重采样，否则同一块组织在模型眼里的大小不一致，纹理尺度对不上，分数会莫名偏低。
5.5 用官方权重做技术验证
model.zip 里提供的是论文技术验证用的集成模型，五个折各训练一个网络再集成。这个权重有两个用途。
其一是复现论文分数。用它在评估集上推理，应当得到接近 0.87 的总体 Dice。如果差距很大，先查三件事：预处理的分辨率是否正确、类别顺序是否一致、ROI 的周边上下文是否被裁掉。第三点尤其常见，很多人习惯把 ROI 裁到标注边界，这样会丢掉上下文，分数会掉。
其二是当作特征提取器。集成模型的中间层特征可以拿来做切片级表征，用于聚类或检索。论文没有报告这方面的实验，属于使用者的自由发挥，结果需要自己验证。
5.6 下游应用的估算示例
把掩码用于肿瘤区面积估算时，有几个换算关系值得先算清楚。
假设某个 ROI 的面积是 0.26 平方毫米（评估集的平均值），在 0.5 微米/像素下对应约一百零四万像素。如果模型在这个 ROI 上判定的浸润性上皮占比是 30%，对应约三十一万像素，换算成面积约 0.078 平方毫米。这个数字本身没有临床意义，因为它只来自一个 0.26 平方毫米的窗口。要做切片级估算，必须把全片切成网格逐块推理再汇总，此时误差会累加，且不同块的上下文不同，边界块的判定可能与内部块不一致。
这也说明为什么评估集只报 ROI 级分数：ROI 级的分割质量与切片级的面积估算质量之间隔着一层聚合误差，前者高不代表后者高。
§6 常见误读与引用陷阱
6.1 常见误读对照表
下表把检索与阅读中最常出现的错误说法与实际情况并列，"证据位置"一列指向可以自行核对的原始出处。
| 常见说法 | 实际口径 | 证据位置 |
|---|---|---|
| BEETLE 是一个挑战赛，有截止日期 | 官方明确声明为长期基准，无截止日、无奖金、不出总结论文 | 官网免责声明段 |
| 587 张切片就是 587 名患者 | 587 张切片对应 527 名患者，一人可有多张切片 | 论文全文方法节 |
| 数据集共 641 张切片都是 BEETLE 采集的 | 其中 TIGER 与 TCGA-BRCA 部分来自公共来源，作者自采的只有其余部分 | Zenodo 说明的 Public datasets 段 |
| 数据可以商用，因为 GitHub 仓库是 Apache-2.0 | Apache-2.0 只覆盖代码；数据是 CC BY-NC-SA 4.0，禁止商用 | GitHub README 的 Citation & license 段 |
| 评估集能下载到完整图像与掩码 | 图像公开，像素级掩码不公开，只能提交预测换分数 | 官网 Benchmark 段 |
| 评估集有 170 个 ROI，来自 52 张切片 | 官方与论文原文均为 54 张切片，52 是第三方转述的错误 | 官网 Benchmark 段 / arXiv 全文 |
| BEETLE 就是 TIGER 的新名字 | 两者是独立项目；BEETLE 复用 TIGER 训练集切片并把七类重映射为四类 | Zenodo 说明 / 论文方法节 |
| 四类里有一类是导管原位癌 | 导管原位癌并入非浸润性上皮，与该类中的健康腺体、LCIS、ADH、大汗腺化生同属一类 | 论文类别定义段 |
| 钙化单独成一类 | 钙化并入坏死类 | 论文类别定义段 |
| 冻结切片后可以拿到评估集真值做误差分析 | 真值始终在平台内部，不随任何渠道分发 | 官网 Benchmark 段 |
| 各中心的切片数量大致均衡 | 从未公布逐中心数量；data_overview.csv 的 source 列是唯一可靠来源 | Zenodo 的 data_overview.csv 字段表 |
| 排行榜上的结果数就是参赛团队数 | 页面计数包含同一团队的多次提交，不等于团队数 | 平台排行榜页 |
6.2 技术陷阱之一：ROI 图块不能裁到标注边界
评估集 ROI 的 PNG 是带周边上下文的，Zenodo 专门说明了这一点，目的是让模型能参考相邻组织结构，模拟滑窗推理。很多人的预处理习惯是把图像裁到标注边界再缩放，这样做会丢掉上下文，与论文的评测设定不一致，分数会系统性偏低而不自知。
正确的做法是：保持 ROI 原始尺寸输入，输出后再按需裁切用于对比。如果需要缩放到固定尺寸，应当用等比缩放，不要裁边。
6.3 技术陷阱之二：三份标注文件的类别编号不同源
TIFF 掩码的像素值、XML 多边形的类别名、JSON 的类别编号是三条独立的映射链，必须通过 label_map.json 统一。直接假设「TIFF 里 1 就是浸润性上皮」是危险的，因为不同版本的导出可能有不同的编号起点。加载掩码的第一步永远是读 label_map.json，把它打印出来核对。
6.4 技术陷阱之三：分辨率不一致
数据以约 0.5 微米/像素的间距发布，但源切片本身可能来自不同扫描倍率，扫描仪各自的原生分辨率不同。Zenodo 说「以约 0.5 微米/像素的间距发布」，这个「约」字意味着可能有细微偏差，直接按 0.5 处理一般没问题，但如果做尺度敏感的形态学特征提取（例如核面积、腺体周长的绝对值），偏差会累积。稳妥做法是从每张切片的元数据读出实际分辨率，而不是全局写死一个常数。
6.5 技术陷阱之四：TIGER 部分需要两处下载
这是下载环节最常见的卡点。annotations.zip 里有 TIGER 切片的标注，但 images.zip 里没有对应的图像。新手看到标注齐了、图像缺了，会以为自己下载不完整，反复重下 147.2 GB 的包。正确认知是：TIGER 训练集的图像必须从 AWS Open Data 单独取，两处拼合才是完整开发集。
6.6 技术陷阱之五：坏死类采样不足导致的假高分
坏死类面积占比极低，随机采样训练时，模型倾向于把这个类整体判为其他类，这样在其他类上拿到高分，总体 Dice 也不会太难看。如果在训练中不做类别均衡采样，最终模型可能完全不会识别坏死，但总体分数看起来正常。检查方法是单独报告逐类 Dice，而不是只看总体。
6.7 技术陷阱之六：把「其他」类当负样本
其他类包含间质、炎症、脂肪、红细胞、皮肤、背景六种成分，把它们统一当负样本训练二分类器（肿瘤 vs 非肿瘤），会让模型学到「只要不是肿瘤细胞就是一类」的粗糙边界。如果下游任务需要区分间质与脂肪，必须回到四类多分类，不能简化成二分类。
6.8 技术陷阱之七：模型权重的使用边界
model.zip 的权重在技术验证中用于产生论文分数，可以直接拿来复现。但它的训练数据包含 CC BY-NC-SA 条款约束的切片，权重作为衍生物同样受此约束。把它用于商业产品的初始化，与直接使用数据一样存在合规问题。另外，权重是在约 0.5 微米/像素上训练的，处理其他倍率的切片时必须先重采样。
§7 在生态中的位置
7.1 与上游两个公共来源的关系
BEETLE 的开发集由六路材料拼成：四路作者自采（RUMC、NKI、SCH 三家的临床切片，加上同批机构提供的额外样本），两路公共来源。这个构成决定了它在生态里的位置：它既是一个新的数据集，也是一次对既有公开材料的再组织。
与 TIGER 的关系是三层叠加。第一层是数据复用：TIGER 训练集的切片被整体收进开发集。第二层是标签重构：TIGER 的七类被映射为 BEETLE 的四类。第三层是评测继承：论文在做技术验证时，专门把 BEETLE 上训练的模型拿到 TIGER 挑战赛的公开评测集上跑了一遍，仅评浸润性肿瘤这一类，得到的 Dice 在实验性测试集上是 0.79（当年榜首也是 0.79），在最终测试集上是 0.77（榜首 0.81）。
这组对照数字很有意思。它说明 BEETLE 上训练的四类模型迁移到 TIGER 的单类任务上时，性能与专门为 TIGER 训练的模型相当。这可以被解读为「四类标注没有损害单类任务的表征能力」，但也要注意两边任务不完全相同：TIGER 的评测是对浸润性肿瘤的二值分割，BEETLE 的模型输出四类，评测时把其他三类合并为背景。这种口径调整下的比较只能算参考。
与 TCGA-BRCA 的关系更简单：TCGA-BRCA 是公开的乳腺浸润性癌切片集合，BEETLE 取其中不在 TIGER 里的部分，加上 TIGER 内部的那部分，合起来构成了开发集里的公共来源。TCGA 的切片有漫长的再使用历史，很多模型在它上面训练过，用 BEETLE 的评估集去测这些模型，可以观察它们在新中心上的表现。
7.2 与同机构其他数据集的关系
Radboud 体系发布的公开数据有一条清晰的时间线：CAMELYON16 做淋巴结转移检测，CAMELYON17 做 pN 分期，PANDA 做前列腺穿刺分级，BEETLE 做乳腺组织分割。四者在任务上不重叠，但在方法上有共同点：都强调多中心、都用 Grand Challenge 承载评测、都把「跨中心泛化」当作主要论点。
对使用者的实际意义是：这套体系在评测协议上有延续性。熟悉 CAMELYON 提交格式的人，上手 BEETLE 会觉得很顺；熟悉 PANDA 五折划分的人，会认出 BEETLE 的分折策略也是按患者分层。这种延续性降低了迁移成本，但也意味着它们的局限有相似之处，例如都依赖中心级的分层报告、都不报告观察者间一致性。
7.3 与库内相近条目的对照
库内已有多条乳腺癌相关条目，与 BEETLE 的关系可以分三类。
第一类是数据源关系。TIGER 是 BEETLE 的上游，TCGA 是另一个上游。引用 BEETLE 时如果涉及具体切片的来源，应当回溯到这两条。
第二类是任务对照关系。CAMELYON16 与 CAMELYON17 做的是淋巴结层面的转移检测，任务是切片级或病灶级的分类与定位，与 BEETLE 的像素级四类分割不重叠，但两者都关注「模型在中心间迁移」这一命题，可以并置讨论。MIDOG 做有丝分裂检测，是细胞级任务，与组织级分割形成粒度对照。CoNSeP 与 MoNuSeg 做核实例分割，粒度更细，正好补上 BEETLE 缺的那一层。
第三类是范式对照关系。PANDA 与 PANDA-PLUS 的关系是「母数据集 + 像素级重标注」，与 BEETLE 内部的「TIGER + 重映射」结构相似：都是在既有数据上重建标签体系。区别在于 PANDA-PLUS 的重标注是为了纠正母数据集的标签错误，BEETLE 的重映射是为了统一类别口径以支持跨来源训练。前者是批判性的，后者是整合性的。
7.4 在乳腺癌病理 AI 数据版图中的坐标
把乳腺癌病理 AI 的公开数据按任务粒度排一排，可以看到一条从粗到细的谱系。
最粗的是切片级分类：输入整张切片，输出一个标签（是否转移、分级、亚型）。CAMELYON16 属于这一类。往下一层是病灶级检测：输入切片，输出病灶位置与包围框。再往下一层是组织级语义分割：输入切片，输出每个像素属于哪类组织，BEETLE 属于这一层。再往下是细胞级实例分割，CoNSeP、MoNuSeg 属于这一层。最细的是亚细胞结构，例如核内染色质分布，目前公开数据很少。
BEETLE 在这条谱系上的位置决定了它的两种典型用法：向上，作为切片级任务的预训练语料，因为组织级标签能让编码器学到比切片级标签丰富得多的监督；向下，作为细胞级任务的中间表示，因为组织区域划分可以作为核检测的上下文先验。
7.5 与生成式与基础模型趋势的关系
近年病理基础模型的训练配方里，像素级分割数据通常被当作「稠密监督」使用，与切片级标签配合。BEETLE 的四类标签虽然粒度不细，但覆盖了四大组织族，适合做稠密监督。它的大小（587 张）在基础模型预训练语料里不算大，单独用它预训练不现实，但作为退火阶段的精调数据、或者作为评测基准，位置是清楚的。
需要注意一个趋势性的风险：随着切片级标签规模迅速扩大，纯像素级数据在预训练中的权重在下降。BEETLE 的价值因此更多体现在评测侧而非训练侧。它的评估集设计（跨中心、跨扫描仪、患者不重叠、真值封闭）在同类数据里规定得比较明确，长期基准的定位也让它不容易被新数据集完全替代。
§8 总结
8.1 适用情形
第一，需要评估组织分割模型的跨中心泛化能力。开发集与评估集的患者、中心、扫描仪三重不重叠，是这套数据最突出的特点。
第二，需要四类组织标签做生物标志物量化的第一步。肿瘤区面积、浸润性上皮比例、坏死比例这几类指标，四类掩码可以直接支撑。
第三，需要一套带真值封闭的长期基准做对外报告。排行榜持续开放，提交无时限，适合在论文里作为「在公开基准上的表现」引用。
第四，需要做染色归一化、扫描仪鲁棒性的系统性实验。七台扫描仪、六家中心的分层提供了足够的对照。
8.2 不适用情形
第一，商业产品或商业化预研。CC BY-NC-SA 的 NC 条款直接排除。
第二，需要原位癌与良性上皮区分的任务。四类掩码把两者合并了。
第三，需要 TIL 密度精确量化的任务。淋巴细胞被并入其他类。
第四，需要细胞核实例边界的任务。掩码是语义级，不带实例信息。
第五，需要本地误差分析的任务。评估集真值不公开，无法在本地复算。
8.3 三句话概括
BEETLE 是一套 587 张开发切片、54 张评估切片的乳腺 H&E 四类组织分割数据集，以三个临床中心加两个公共来源的训练材料、三个独立中心的评测材料、七台扫描仪的硬件跨度，把跨中心泛化做成可测量的分数。
它的许可是非商用，评估真值封闭，四类标签合并了多处临床上重要的细分（原位癌、钙化、淋巴细胞），这些取舍在使用前必须逐条核对。
它的定位是长期基准而非挑战赛，没有截止日也没有总结论文，引用时要以提交时点为准，而不是某个固定的竞赛名次。
§9 关键数字速查
| 数字 | 含义 | 出处 |
|---|---|---|
| 587 | 开发集全切片数 | 官网 / arXiv / Zenodo |
| 527 | 开发集患者数 | arXiv 全文 |
| 54 | 评估集全切片数与患者数 | 官网 / arXiv |
| 170 | 评估集密集标注 ROI 数 | 官网 / arXiv |
| 3 + 2 | 开发集临床中心数 + 公共来源数 | 官网 |
| 3 | 评估集临床中心数 | 官网 |
| 7 | 开发集扫描仪数 | 官网 |
| 3 | 评估集扫描仪数 | 官网 |
| 4 | 标注类别数 | 论文 |
| 5,567 | 开发集标注组织面积（平方毫米） | 论文全文 |
| 45 | 评估集标注组织面积（平方毫米） | 论文全文 |
| 0.5 | 空间分辨率（微米/像素，约值） | Zenodo |
| 150.9 | Zenodo 归档总体积（GB） | Zenodo 文件列表 |
| 5 | 五折交叉验证折数 | data_overview.csv |
| 357 + 39 | 初始稀疏标注切片数 + 硬负样本挖掘追加数 | 论文全文 |
| 4 | 被排除的 TIGER 切片数 | Zenodo 说明 |
| 6 | 用于免疫组化对照的 H&E 切片数 | 论文全文 |
§10 术语与缩写
| 缩写或术语 | 全称或含义 |
|---|---|
| BEETLE | BrEast cancEr hisTopathoLogy sEgmentation，人工拼成的缩略词 |
| WSI | Whole Slide Image，全切片图像 |
| H&E | Hematoxylin and Eosin，苏木精-伊红染色 |
| DCIS | Ductal Carcinoma In Situ，导管原位癌 |
| LCIS | Lobular Carcinoma In Situ，小叶原位癌 |
| ADH | Atypical Ductal Hyperplasia，非典型导管增生 |
| NST | No Special Type，浸润性癌非特殊型 |
| ILC | Invasive Lobular Carcinoma，浸润性小叶癌 |
| ROI | Region of Interest，感兴趣区域 |
| Dice | Dice 相似系数，两区域重叠度的度量 |
| HoVerNet | 一种同时做核分割与分类的网络 |
| nnU-Net | 自配置医学分割网络框架 |
| CK8-18 | 细胞角蛋白 8 与 18，上皮标志物 |
| IHC | Immunohistochemistry，免疫组化 |
| Lovasz loss | 一种基于子模损失的优化目标，常用于分割 |
| HED 增强 | 对 H&E 与 DAB 三通道做强度扰动的数据增强 |
| TIGER | Tumor InfIltrating Lymphocyte in Breast Cancer 挑战赛 |
| TCGA-BRCA | The Cancer Genome Atlas 乳腺浸润性癌子集 |
| DAIMS | Discoverability / Accessibility / Interoperability / Metadata / Sustainability 五维评估 |
| Grand Challenge | 承载医学影像挑战赛与排行榜的平台 |
| Zenodo | CERN 运营的科研数据归档平台 |
| NC / SA / BY | 非商业 / 相同方式共享 / 署名，知识共享许可三条款 |
§11 附录
附录 A：DAIMS 五维评估
DAIMS 是一套衡量数据资源可被机器直接使用程度的分维框架，五个维度分别是可发现、可获取、可互操作、元数据质量与可持续性。逐维打分如下，分值为 1 至 10。
| 维度 | 评分 | 依据 |
|---|---|---|
| D 可发现性 | 7 | arXiv 摘要与 Zenodo 记录都可被索引，DOI 稳定；扣分在名称本身——BEETLE 与昆虫学、生态学数据撞名，纯关键词检索噪声大 |
| A 可获取性 | 8 | 数据无需注册、无需申请、直接下载，这在临床病理数据里属于较开放的一档；扣分在 150.9 GB 的体量与 TIGER 部分需另下载 |
| I 可互操作 | 8 | TIFF / XML / JSON 三格式等价，兼容 ASAP 与 nnU-Net 两个主流工具链；未提供 DICOM 或 OME-TIFF 的转换脚本 |
| M 元数据质量 | 8 | data_overview.csv 逐张给出患者号、中心、扫描仪、标本类型、折号、路径，字段完整；source 枚举里的 jb 一档缺正文说明 |
| S 可持续性 | 8 | Zenodo 提供长期归档与 DOI 持久标识，Grand Challenge 平台由专业团队运维；扣分在论文尚无正式期刊版本，引用锚点依赖 arXiv |
| 综合 | 7.8 | 五维较为均衡，没有明显短板，可获取性与元数据是强项，命名可发现性是唯一的结构性弱点 |
这张表的用法是帮助判断「拿到数据后还要花多少功夫」。分数高不等于好用，但分数分布能提示短板在哪：D 维偏低意味着检索时要多花句子做区分，M 维扣分意味着要动手统计 jb 一档的实际数量。
附录 B：检索模板
| 目标 | 建议查询式 | 预期命中 |
|---|---|---|
| 论文与摘要 | “BEETLE” “breast cancer” “H&E” segmentation arXiv | arXiv 2510.02037 |
| 数据归档 | zenodo 16812932 / doi 10.5281/zenodo.16812932 | Zenodo 记录页 |
| 评测平台 | beetle grand-challenge | beetle.grand-challenge.org |
| 代码与推理脚本 | DIAGNijmegen beetle github | GitHub 仓库 |
| 与 TIGER 的关系 | BEETLE TIGER “seven classes” remapped | 论文方法节与 Zenodo 说明 |
| 第三方引用 | “BEETLE dataset” pathology segmentation | 引用本数据的下游论文 |
| 反例（勿用） | BEETLE dataset（不带病理限定） | 昆虫学、生态学结果，与本文无关 |
检索卫生两条。其一，凡是不带 breast、histopathology、segmentation 之类限定词的结果，一律先当作昆虫学数据过滤掉。其二，看到二手文献里的 52 这个数字，回溯到官网确认，本数据的官方口径是 54 张切片。
附录 C：引用与署名要点
论文的 BibTeX 条目已在 GitHub README 给出，作者建议的引用形式包含 arXiv 编号与 q-bio.QM 分类。实际写作中需要同时说明三件事。
第一，数据与论文是两个可引用对象。论文是 arXiv:2510.02037，数据是 Zenodo DOI 10.5281/zenodo.16812932。只引论文会让人以为数据不可寻址，只引数据会丢掉方法描述。
第二，若使用了 TIGER 或 TCGA-BRCA 的切片，还需要回溯引用上游。TIGER 挑战赛与 TCGA 计划各有自己的引用规范，BEETLE 的引用不能替代它们。
第三，若报告了某个时点的排行榜名次，必须写清提交时间。长期基准的名次会随新提交变化，一个不带日期的「排名第几」在半年后就失去了意义。
附录 D：上手前检查清单
- 确认磁盘有 200 GB 以上可用于最小闭环，500 GB 以上用于完整基线复现。
- 下载 data_overview.csv，行数应为 641，split 列应只有两个取值。
- 统计 source 列的实际分布，记录 jb 一档的数量。
- 确认 validation_fold 列中没有任何患者跨折出现。
- 读 label_map.json，打印像素值到类别名的完整映射。
- 确认下载的切片分辨率，与约 0.5 微米/像素的假定是否一致。
- 确认 TIGER 部分图像已从 AWS 单独取回，与标注文件配对无误。
- 确认评估集 ROI 图块未被裁到标注边界，保留了周边上下文。
- 训练时检查坏死类的批次占比，必要时做类别均衡采样。
- 报告成绩时同时给出总体 Dice 与四类逐类 Dice。
- 报告跨中心结果时分中心列出，不要只报汇总。
- 引用时同时给出论文编号、数据 DOI、抓取时点三项。
附录 E：未覆盖内容
以下几项在公开材料中没有找到，属于公开可查范围之外的内容，使用时应当标为未知而不是推测。
各临床中心各自的切片数量与患者数量。论文与 Zenodo 都只给总数，逐中心拆分需要自行统计 data_overview.csv。
活检与手术切除各自的张数。论文只说两者混合，没有拆分，也没有说明混合比例。
观察者间一致性指标。论文没有报告多名病理学家重复标注同一批切片的 kappa 或 Dice。
jb 一档对应哪家机构。Zenodo 的 source 枚举里有这一档，正文没有说明。
正式期刊版本。抓取时点 arXiv 页面只显示 v1，Comments 字段没有 journal-ref，Zenodo 只显示 v1。
评估集逐中心的切片数分布。官网说来自三家中心，没有给每家的数量。
附录 F：时间线
| 时间 | 事件 |
|---|---|
| 2025 年 9 月 4 日 | GitHub 仓库首次提交 |
| 2025 年 10 月 2 日 | arXiv 提交预印本 2510.02037 |
| 2025 年 10 月 4 日 | Zenodo 发布数据 v1（记录 16812932） |
| 2025 年内 | Grand Challenge 评测页上线，排行榜开放提交 |
| 2026 年 9 月 21 日 | GitHub README 最后一次更新，项目仍在维护 |
| 2026 年 10 月 18 日 | 核验时点，排行榜页面计数 177 条结果 |
附录 G：逐项证据链
| 关键事实 | 来源 | 位置 |
|---|---|---|
| 587 张 / 527 名患者 | arXiv 全文 | 摘要与方法节 |
| 54 张 / 54 名患者 / 170 个 ROI | 官网 | Benchmark 段 |
| 七台扫描仪型号清单 | arXiv 全文 | 扫描仪表格 |
| 四类定义与钙化归属 | arXiv 全文 | 类别定义段 |
| TIGER 七类重映射规则 | Zenodo | 说明正文 |
| 四张被排除的 TIGER 切片 | Zenodo | 说明正文 |
| 五折按患者分层 | arXiv 全文 | 验证策略段 |
| 基线 0.87 与逐类分数 | 官网 | Benchmark 段 |
| 五折交叉验证逐类分数 | arXiv 全文 | 结果图注 |
| TIGER 对照 0.79 / 0.77 | arXiv 全文 | 结果段 |
| CC BY-NC-SA 4.0 | GitHub README | Citation & license |
| Apache-2.0 代码许可 | GitHub README | Citation & license |
| 150.9 GB 归档体积 | Zenodo | 文件列表 |
| 伦理批号六条 | arXiv 全文 | 伦理声明 |
| 长期基准定位 | 官网 | 免责声明段 |
编辑说明
核验方式与时间：核验完成于 2026-10-18。核心事实以四个一手来源互证：Grand Challenge 挑战页（beetle.grand-challenge.org）、arXiv 预印本 2510.02037 的摘要页与全文页、Zenodo 记录 16812932 的描述与文件列表、GitHub 仓库 DIAGNijmegen/beetle 的 README 与许可声明。三处互相印证的硬数字为开发集切片数与患者数、评估集切片数与 ROI 数、扫描仪台数、类别个数、许可类型。凡单一来源的数字（标注组织面积、免疫组化对照切片数、被排除的 TIGER 切片数、伦理批号）在正文中已按结论强度分级标为 C 级。
与任务头口径的差异：任务头未给出规模数字，故不涉及冲突。抓取中发现的唯一数字漂移来自第三方论文（arXiv 2609.03947）把评估集 ROI 的来源切片数写成 52，而官网与原始论文均为 54，正文统一按 54 写，并把 52 列入误读表。
未核实与存疑事项：data_overview.csv 的 source 枚举含 jb 一档，正文与官网均未说明对应机构，本条目未作推测；逐中心的切片数量、活检与切除的比例、观察者间一致性指标均未在公开材料中出现；论文在核验时点尚无正式期刊版本。
版本日志：v1，2026-10-18 首次成稿。
下次复核触发点：论文出现正式期刊 DOI 时、Zenodo 发布 v2 时、官方公布逐中心统计时、评估集规模变更时。
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：
- bcss — 共享标签：病理图像 / 医学图像分割 / 乳腺癌 / 肿瘤学
- owl — 共享标签：病理图像 / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- lysto — 共享标签：病理图像 / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- tiger — 共享标签：病理图像 / 医学图像分割 / 乳腺癌 / 挑战赛数据集
- wsss4luad — 共享标签：病理图像 / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- monusac — 共享标签：病理图像 / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- segpc-2021 — 共享标签：病理图像 / 医学图像分割 / 挑战赛数据集 / 肿瘤学
- sinus-her2-nuclei — 共享标签：病理图像 / 医学图像分割 / 乳腺癌 / 肿瘤学
- camelyon16-17 — 共享标签：病理图像 / 乳腺癌 / 肿瘤学
- pannuke — 共享标签：病理图像 / 医学图像分割 / 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。
