信息速览

数据集名称BoneMarrowWSI-PediatricLeukemia — 儿童白血病骨髓涂片全片检测数据集

数据类型人工标注,影像数据,临床数据

规模246 例儿童白血病患者（<18 岁；ALL 96 / AML 97 / CML 53）；细胞框标注 47,176 个；整数类别体系 49 类（评测分类器 33 类）

接入方式骨髓穿刺涂片全切片图像（MIRAX 经 3DHistech 扫描仪采集，40×，0.11×0.11 μm/px，Pappenheim 染色）+ DICOM Bulk Annotations（ANN 模态，细胞框与共识类标）+ 病例级临床与实验室元数据（年龄组/性别/诊断/原始细胞/白细胞/血小板/LDH/尿酸/血红蛋白）

AI 就绪度

INFOBOX — BoneMarrowWSI-PediatricLeukemia 一屏速览

维度内容

本质 246 例儿童白血病**骨髓穿刺涂片全切片图像（WSI）**数据集，覆盖细胞检测→分类→分型诊断全流程

团队 Fraunhofer Institute for Digital Medicine MEVIS（Bremen）领衔，埃尔朗根大学医院儿科等 7 家德国机构合作

论文 arXiv:2509.15895（From Data to Diagnosis，2025-09-19，预印本；DOI 10.48550/arXiv.2509.15895）

数据 246 例，<18 岁；ALL 96 / AML 97 / CML 53；Pappenheim 染色，40×，0.11×0.11 μm/px

标注 47,176 个细胞 bounding box；49 类标注体系；多专家共识标注（每细胞≥2 人）

模态 DICOM：SM（全切片）+ ANN（Bulk Annotations 批注）

临床字段年龄组 / 性别 / 诊断 + 原始细胞 / 白细胞 / 血小板 / LDH / 尿酸 / 血红蛋白

自评指标检测 AP 0.96；33 类分类 AUC 0.98 / F1 0.61；诊断预测 mean F1 0.90（作者自评）

获取 NCI Imaging Data Commons（CC BY 4.0）+ Zenodo manifest（s5cmd/dcf）

许可 CC BY 4.0（Creative Commons Attribution 4.0 International）

版本链原始数据 10.5281/zenodo.14933087 → 当前 10.5281/zenodo.17486627（v4）；IDC v22→v23→v24

已知缺陷官方声明标注会话标签有缺陷勿用，仅用共识类标（详见 §10 坑 3）

§0 导读：这个数据集解决什么问题

儿童白血病（childhood leukemia）是全球最常见的儿童恶性肿瘤。它的诊断长期依赖病理医生在显微镜下人工判读骨髓穿刺涂片（bone marrow aspirate smear）的细胞形态，再结合实验室参数综合判断——这套流程既耗时又高度依赖阅片者经验，且存在明显的观察者间变异。过去几年虽有不少 AI 方案出现，但绝大多数训练在私有数据集上，且只覆盖诊断链条的某一段（要么只做细胞检测，要么只做分型），无法端到端评估。

BoneMarrowWSI-PediatricLeukemia 的定位正是补齐这一缺口：它是一个公开、覆盖全诊断流程的儿童白血病骨髓涂片数据集的尝试。按论文自述，它「spanning the entire diagnostic process, from cell detection to diagnosis」——从细胞检测、细胞分类，一直到使用预测的细胞计数去预测白血病分型，全链条都有标注与基线方法。

读这个条目，需要先掌握三件事：

它是 WSI 级数据集，不是普通图像分类图库。每例是一张完整的骨髓穿刺涂片全切片（whole slide image, WSI），带有金字塔层级与坐标系统，细胞标注以 bounding box + 类别挂在切片坐标上。
它有两层标注语义，且官方明确警告其中一层不可用。数据里同时存有「标注会话标签」和「最终共识类标」，Zenodo 页原文用 (!) ... (!) 显式提示：会话标签有缺陷、请勿使用，只有共识类标是正确的。这是本条目最重要的避坑点。
它的规模存在多组公开数字漂移。病例数 246/245/257、细胞类别 49/33、细胞总数 47,176/>40,000/>28,000——每一组都来自不同页面或不同层级，条目在 §2 与 §10 逐一存照并给出处理口径。

第 4.2 节起按「数据构成 → 标注体系 → 获取许可 → 生态互链 → 方法学启示」逐层展开；第 10 节是完整的坑点清单，第 11 节给出 30 秒决策卡；附录含 DAIMS 评估表、证据链、数据字典与检索路径，供自动化检索与二次使用直接引用。

§1 数据集速览：十问十答

Q1：它到底是什么？
一个公开的儿童白血病骨髓穿刺涂片全切片图像数据集，附带细胞级 bounding box 标注、多专家共识类标、以及病例级临床与实验室元数据。项目内部代号 BMDeep（德国 BMBF 资助）。

Q2：谁做的？
Fraunhofer Institute for Digital Medicine MEVIS（不莱梅）领衔，与埃尔朗根大学医院儿科、FAU 埃尔朗根-纽伦堡医学信息学、PixelMed Publishing、Brigham and Women’s Hospital 等 7 家机构合作；供样来自 6 家德国大学医院。

Q3：多少数据？
246 例儿童（<18 岁）白血病。亚型分布：ALL（急性淋巴细胞白血病）96、AML（急性髓系白血病）97、CML（慢性髓系白血病）53。细胞框标注 47,176 个。

Q4：图像规格？
Pappenheim 染色（一种含 May-Grünwald 与 Giemsa 的复合血细胞染色），40× 放大（不用油镜），分辨率 0.11×0.11 μm/px。原始采集为 3DHistech 扫描仪的 MIRAX 私有格式，后由 IDC 团队转成标准 DICOM。

Q5：有哪些任务？
三类：细胞检测（画出每个细胞框）、细胞分类（49 类体系，评测用 33 类）、诊断预测（用预测的细胞计数推断为何种白血病）。

Q6：疗效如何？
论文自评：细胞检测平均精度 AP 0.96；33 类分类 AUC 0.98、F1 0.61；基于预测计数的诊断预测 mean F1 0.90。全部为作者自建方法的自评，无第三方复现。

Q7：怎么获取？
经 NCI Imaging Data Commons（IDC）公开。用 IDC Portal 过滤 collection_id=bonemarrowwsi_pediatricleukemia，或用 Zenodo record 里的 s5cmd/dcf manifest 批量下载（AWS/GCS 双镜像）。

Q8：许可是什么？
CC BY 4.0（Creative Commons Attribution 4.0 International）。可自由共享与改编，需署名。

Q9：最大的坑是什么？
官方声明当前 release 的标注会话标签有缺陷、勿用，只有共识类标可用。此外病例数有 246/245/257 三口径、细胞类别有 49/33 双口径。

Q10：和库内哪些条目相关？
与病理 WSI 家族的 panda-plus（rid 640）、panda（rid 560/27）、sicapv2（rid 328）、leopard（rid 636）、camelyon 系列（rid 33/694/699）、bach（118）、nct-crc-he-100k（148）、midog（298），以及血细胞类 bccd（851）、acevedo-blood（722）构成检索面，详见 §9。

1.1 三个最容易被问到的补充问题

Q11：为什么说它是「全流程」数据集？
因为它同时标注了诊断链条的每一环——细胞框（检测）、细胞类别（分类）、病例诊断（分型）。多数病理数据集只标终点（切片级诊断），本数据集把中间环节也标了，因此能做逐段误差归因（见 §4.5、§8.5）。

Q12：它是「大」数据集吗？
取决于参照系。在儿童血液病理公开数据里它规模领先；在通用病理 WSI 里属中小规模（246 例 vs TCGA 千级、PANDA 上万）。它的「大」体现在标注密度（47,176 框）而非切片数量（见 §2.3）。

Q13：如果只想要「现成可训练」的数据，有什么坑？
三个必查：① 只保留共识类标（会话标签勿用）；② 用 246 例口径而非 245/257；③ DICOM WSI + ANN 需要格式转换（不是开箱 PNG）。此外数据划分未公开，需自行按患者分层切分（见 §4.6）。

§2 数据构成与规格

2.1 规模、来源与机构构成

按当前发布口径，数据集共 246 例儿童白血病患者（<18 岁）的骨髓穿刺涂片全切片。亚型构成来自 CCDI 数据目录备案的 Case Disease Diagnosis 字段：

亚型	英文全称	病例数
ALL	Acute Lymphoblastic Leukemia（急性淋巴细胞白血病）	96
AML	Acute Myeloid Leukemia（急性髓系白血病）	97
CML	Chronic Myeloid Leukemia（慢性髓系白血病）	53
合计		246

性别构成（CCDI 备案）：Female 110 / Male 130 / Not Reported 6。种族与族裔字段均为 Not Reported——这是儿科敏感数据集的常见取舍，条目提醒：任何涉及人口学公平性的分析在本数据集上不可行。

供样机构共 6 家德国大学医院，覆盖德国主要的儿童白血病临床研究网络：

University Hospital Augsburg（Michael Frühwald）
Charité Berlin — ALL-REZ BFM Study Group（Arend von Stackelberg）
University Hospital at the TU Dresden（Meinolf Suttorp）
University Hospital Essen — AML-BFM Study Group（Dirk Reinhardt）
Technical University of Munich（Irene Teichert-von Lüttichau）
University Hospital Würzburg（Matthias Eyrich）

其中 ALL-REZ BFM 与 AML-BFM 是德国儿童白血病领域两个历史悠久的临床试验协作组（BFM = Berlin-Frankfurt-Münster 方案体系），说明样本并非随机抽取，而是挂靠在成熟的临床研究网络下——这对数据质量是加分项，但也意味着样本的人群代表性受德国临床网络特征约束（见 §8.4 与 dataLimitations）。

2.2 图像规格与采集工艺

参数	取值	说明
标本类型	骨髓穿刺涂片（bone marrow aspirate smear）	初诊时制备，未接受过治疗（initial diagnosis, without prior treatment）
染色	Pappenheim 染色	血细胞学标准复合染色，染出核质对比
放大	40×（无油镜，without immersion）
分辨率	0.11×0.11 μm/px	与 40× 光学放大匹配
原始格式	MIRAX（3DHistech 扫描仪）	私有格式
分发格式	DICOM	由 IDC 团队通过 `conversion_mirax_dicom` 脚本转换
图像模态	SM（Slide Microscopy）	每张 WSI 金字塔按层级拆成多个 SM 对象
批注模态	ANN（DICOM Bulk Annotations）	存储细胞框与共识类标

这里有一个值得说明的工艺细节：原始 MIRAX 文件是厂商私有格式，IDC 团队用开源脚本 ImagingDataCommons/conversion_mirax_dicom（依赖 imi-bigpicture/wsidicomizer 库）把它转成了标准 DICOM WSI。这一转换让数据集直接进入 DICOM 生态，可与 IDC 里其他 SM 数据集（如 TCGA 病理集合）用同一套工具（idc-index、Slim viewer、pydicom）统一处理——这是本数据集相较许多「PNG 平铺」病理数据集的关键互操作优势（见 §6.3 与 DAIMS 表的 I 维度）。

「初诊时、未经治疗」这一条也是重要限定：它保证了细胞形态反映的是自然病程而非治疗后的骨髓抑制/恢复状态，对分型诊断建模是理想条件，但反过来也意味着数据集不覆盖治疗监测、复发、微小残留病灶（MRD）等场景。

2.3 样本量与「大」的定位

论文在摘要里称其为「the most comprehensive dataset publicly available」（就其覆盖全流程而言）。这个「大」需要精确理解：

在儿童白血病骨髓涂片公开数据集里，246 例已是规模领先者——此前公开的多是几十例量级或非公开私有集合；
在通用病理 WSI 数据集里，246 例属于中小型（对照：TCGA 病理子集约千级、CAMELYON16 400 张、PANDA 12,625 张）；
「大」的价值不在绝对张数，而在标注密度：47,176 个细胞框 + 49 类体系，使它在细胞级监督这一维度上信息量很高。

因此条目建议的引用口径是：「细胞级标注密度领先的中小规模儿童血液病理 WSI 数据集」，而不是泛泛的「大规模病理数据集」——后者会与实际规模不符（踩坑，见 §10 坑 7）。

2.4 DICOM 资产结构：SM 与 ANN 的配对

理解本数据集的文件组织，是正确使用它的前提。数据集里的每个病例并不是一个「单文件」，而是若干 DICOM 对象的集合，分两类模态：

SM（Slide Microscopy）——图像本体。一张 WSI 被组织为**金字塔多层级（pyramid）**结构：最低分辨率层级用于缩略总览，最高分辨率层级用于细胞级查看。Zenodo 早期样本页给出过一个具体例子：

files corresponding to the patient A6BBC91AE73DD21C0533F735470A9CD0 contains the following 6 DICOM Slide Microscopy (SM) modality files each representing one level of the WSI pyramid.

即一个患者目录下有 6 个 SM 文件，各代表金字塔的一层。文件命名遵循 DICOM tag 约定：

%PatientID-%Modality-%SeriesDescription-%SOPInstanceUID.dcm

ANN（Annotation）——标注本体。细胞框与共识类标以 DICOM Bulk Annotations 系列（ANN 模态）存储。与图像分层不同，标注通常集中存储，需要解析后才能提取 cells 的坐标与类别。

临床与实验室值——DICOM 元数据。这些值不单独成表，而是内嵌在 DICOM 对象元数据中（Clinical data are contained in the DICOM metadata）。因此患者—图像—标签—临床信息在数据层是一体化的，不需要外部关联表来 connect。

三者合起来，一个完整病例的使用流程是：读 PatientID → 定位 SM 层级文件 → 拼接/读取金字塔 → 定位 ANN 文件 → 解析细胞框与类标 → 读 DICOM 元数据取临床值。这条链路比「读一个 CSV + 一堆 PNG」长，但换来的是标准化与自描述性。

2.5 图像质量与可判读性约束

骨髓涂片图像的质量约束，与一般 H&E 病理切片差异很大，理解这些约束有助于判断数据集的适用边界：

单层区（monolayer area）概念：合格涂片需要细胞铺展成单层，细胞核、胞质、颗粒清晰可辨。数据集的 ROI 定义在「可评估单层区」内——这意味着标注覆盖的只是部分切片区域，切片上其余区域（厚区、细胞重叠区、染色不均区）没有标注。研究者若把整张切片当作「处处有标注」来监督，会产生大量假阴性。正确做法是：只把 ROI 内视为标注完备区，ROI 外用 masked loss 忽略。
染色批次差异：Pappenheim 染色含 May-Grünwald 与 Giemsa 两种成分，不同医院、不同批次的染色深浅会有漂移——6 家供样医院意味着必然存在域偏移（domain shift）。跨机构研究需要做染色归一化或按机构分层。
1 例 vs 多张：PatientID 标识患者，一个患者可能有多个 smear/多张切片。Subject Count 246 指患者数，切片的实际总数未在公开页明确——引用时区分「患者数」与「切片数」。
分辨率选择：0.11 μm/px 在 40× 下是细胞级判读的合理分辨率，但做全切片概览时需用低倍层级，不要以最高倍率全图加载（内存爆炸）。

2.6 与库内 PANDA/TCGA 病理集合的结构对照

把本数据集的资产结构与库内其他病理 WSI 数据集对照，能快速建立使用直觉：

维度	BoneMarrowWSI（本条）	PANDA（rid 560）	TCGA 病理（rid 566）
图像格式	DICOM（SM）	TIFF/厂商格式	DICOM/SVS
切片级标签	分型诊断	Gleason/ISUP	分型 + 分子
细胞级标注	有（47,176 框）	无（切片级）	无（切片级）
标注模态	DICOM ANN	CSV/掩码	附加文件
机构数	6 家德国医院	2 家（Radboud+Karolinska）	多中心（30+）
许可	CC BY 4.0	CC BY-NC-SA	视子集
场景	血液病理	前列腺病理	泛癌

核心区别：本数据集有细胞级 bounding box 监督，而 PANDA/TCGA 主要是切片级标签。因此本数据集更适合细胞检测/分类研究，而 PANDA/TCGA 更适合切片级分型/分级。若研究需要「切片级 + 细胞级」双层监督，本数据集在血液领域几乎独一份。

§3 标注体系：多专家共识标注（consensus annotation）

3.1 ROI 与细胞框的两级结构

本数据集的标注不是「整张切片打一个标签」，而是两级空间结构：

矩形 ROI（region of interest）：标注员先在切片的「可评估单层区（evaluable monolayer area）」内框出矩形 ROI。骨髓涂片的关键概念是「单层」——只有细胞铺展成单层、形态可辨的区域才是可判读的；涂片边缘的厚区、重叠细胞团、染色伪迹都不在可评估范围内。先框 ROI 是病理阅片的标准动作，也把标注成本集中到有诊断价值的区域。
细胞 bounding box：在每个 ROI 内部，标注员为单个细胞画出矩形边界框（bounding box），并赋予类别标签。全数据集累计 47,176 个细胞框。

把 ROI 与细胞框分开处理，带来两个工程好处：一是 ROI 明确了「哪里可以相信标注完整」，二是细胞框让数据集天然支持**目标检测（object detection）**任务——这与纯分类数据集（整图一个标签）在方法学上完全不同，也解释了为什么 §4 的评测把细胞检测单列为一个任务。

3.2 共识标注流程：每细胞至少两人

本数据集标注方法的核心词是共识标注（consensus labeling）。Zenodo 原文描述：

Cells have been annotated by multiple experts in a consensus labeling approach with 49 distinct cell type classes. This consensus approach entailed that each cell was sequentially annotated by multiple individuals until each cell had been labeled by at least two individuals, and the majority class was assigned in at least half of all annotations for that image.

拆解这套流程：

多人顺次标注：一个细胞不是由一个人一眼定类，而是被依次交给多个标注者标注（sequentially annotated by multiple individuals）。
停止条件：直到该细胞被至少两人标注过（labeled by at least two individuals）。
共识判定规则：对某张图像而言，当一个类别在全部标注中出现至少半数（majority class … in at least half of all annotations for that image）时，即判为该细胞的共识类别。

这套「至少两人 + 过半多数」的设计，本质是用冗余标注 + 多数表决来压制单人标注的主观噪声，是医学图像标注里对抗观察者间变异（interobserver variability）的常规手段。参与细胞标注的致谢名单为：Stefanie Barnickel、Nathalie Dollmann、Tatjana Flamann、Meinolf Suttorp、Perdita Weller。

与库内 PANDA-PLUS 的三层流水线（学生注释 → 高年级复核 → 专家终审，rid 640）相比，本数据集是并行多标注者 + 多数表决模式，而非分层升级 + 单一权威终审模式。两种模式各有取舍：多数表决能平滑个体偏差，但若多数标注者系统性共享同一错误则无法纠正（缺乏「上位专家」作为锚点）；分层终审能引入权威校正，但受限于单专家个人的偏差。条目在 §8.4 对两者做了方法学对照。

3.3 49 类标注体系与 33 类评测分类器

细胞类别数存在一个极易误读的双口径：

49 类：完整标注体系的类数（49 distinct cell type classes），即标注者在画框时可选的全部细胞类型。
33 类：论文中细胞分类评测所覆盖的类数（33-class cell classification）。

为什么会有 49 与 33 之差？合理的解释是：完整标注体系包含了若干低频/罕见细胞类型或非诊断关键类型，而分类评测时只对样本量足够的 33 类做监督训练与指标计算，稀有类因样本过少被排除在评测之外（数据集未逐类公开样本分布，此推断见 §10 遗留疑点）。这与 PANDA-PLUS 把 GP1/GP2 并入 Benign 的取舍同类——标注粒度与实际评测粒度往往不一致，引用时须明确说的是哪一层。

使用者的操作建议：如果你要做多类细胞分类，先确认你的输出类别数是 33 还是 49；论文报告的 AUC 0.98/F1 0.61 对应的是 33 类口径，不能直接当作 49 类问题的性能。

3.4 ⚠ 关键缺陷：标注会话标签不可用

本数据集最重要的一条官方警示，写在 Zenodo 描述段的括号里（原文特意用两个 (!) 夹住）：

(!) In the current release, labels from the annotation sessions are flawed, please refrain from using them. However, consensus labels/classes are correct (!)

翻译：当前 release 中，来自标注会话（annotation sessions）的标签是有缺陷的，请勿使用；不过共识标签/类别是正确的。

这意味着数据集里存在两套并存但质量不同的标签：

标签层	内容	可用性
标注会话标签（annotation session labels）	每个标注者历次标注的原始标签	官方声明有缺陷，勿用
共识类标（consensus labels/classes）	经多数表决产生的最终类别	正确，可用

两者都作为 DICOM Bulk Annotations（ANN 模态）系列存储在集合中。使用者的第一道工序必须是显式过滤，只保留共识类标；若误把会话标签当作标注多样性或反应用来训练，则等于把已声明的噪声灌进模型。

这条缺陷也带来一个方法学副作用：官方只说「flawed」但未量化缺陷范围（哪些会话、何种错误、占比多少），因此使用者无法自行评估污染程度，只能整层弃用。这是条目在 dataLimitations 中列为第一条限制的原因（见 §10 坑 3、§12 结尾的维护触发点）。

§4 任务设定与自评指标

4.1 三类任务与全流程覆盖

论文明确定义了三个递进任务，构成「细胞检测 → 细胞分类 → 诊断预测」的完整链条：

任务	输入	输出	意义
细胞检测	涂片 WSI 的 ROI	每个细胞的 bounding box	定位所有可判读细胞
细胞分类	检测到的细胞	33 类细胞类型	识别细胞形态类别
诊断预测	各类细胞的计数	白血病分型（ALL/AML/CML 等）	复现临床「看细胞比例定分型」逻辑

第三个任务的设计尤其贴近临床：血液科医生判读骨髓涂片时，核心动作正是估计各类细胞（尤其原始细胞 blasts）的比例，据此判断是哪种白血病。因此论文用「预测的细胞计数」而非原始像素去预测诊断，是一条有临床可解释性的路径——它把黑箱深度模型的分型决策，锚定在医生熟悉的细胞比例上。

4.2 论文自评指标

arXiv 摘要给出的自评结果：

任务	指标	数值
细胞检测	average precision（AP）	0.96
33 类细胞分类	area under the curve（AUC）	0.98
33 类细胞分类	F1-score	0.61
诊断预测（用预测细胞计数）	mean F1-score	0.90

读这组数字的三条守则：

是作者自评、非第三方基准。截至核验时点论文仍为预印本（pending peer review），没有任何独立团队在本数据集上复现或对比过。条目一律标注「作者自评」，不得表述为「SOTA」或「基准成绩」。
AUC 0.98 与 F1 0.61 的巨大落差要正确解读。33 类分类 AUROC 高达 0.98，但 F1 只有 0.61——这是典型的多类不平衡场景特征：模型对多数类的排序能力很好（AUC 高），但由于长尾类别样本少，少数类的精确率/召回率拖低了宏平均 F1。不要只引用 AUC 0.98 而回避 F1 0.61，两者必须同时报告。
诊断预测 mean F1 0.90 依赖前置检测/分类。该指标用的是「预测的细胞计数」，因此其误差是级联的（检测误差 × 分类误差 × 分型误差）；报告时应说明它是端到端自评口径，而非在真值计数上算的上限。

4.3 适用任务与不适用任务

适用：

细胞检测 / 目标检测模型（bounding box 监督）
多类细胞分类（33 类评测口径）
骨髓涂片形态学的自监督/预训练（WSI 金字塔天然适合）
类别不平衡与长尾问题的研究（33 类天然不平衡）
标注方法论研究（多专家共识 vs 分层终审的对照）

不适用：

治疗监测、复发、MRD（数据集为初诊未治疗）
人口学公平性分析（种族/族裔均为 Not Reported）
高精度单一亚型细分（亚型仅 ALL/AML/CML 三档）
需要独立第三方基准的模型排名（无第三方复现）
直接使用标注会话标签的任何用途（官方声明缺陷）

4.4 标注噪声与「共识标签」的统计含义

「共识标注 + 多数表决」看起来简单，但从统计视角看，它隐含了几条需要使用者了解的性质：

多数表决降低方差但不消除偏差。如果多位标注者各自独立、且犯随机错误，多数表决能显著降低错误率（类似集成学习的方差削减）。但如果标注者共享同一系统偏差（例如都受某本教科书分类定义的误导），多数表决会把偏差「共识化」，反而固化错误。本数据集未公开标注者之间的独立性假设是否成立，也无专家终审环节来锚定系统偏差——这与 §8.1 的讨论呼应。
「至少两人」是下限而非充分冗余。原文的停止条件是「labeled by at least two individuals」——即最少两人同意即可停止。对争议细胞（两人分歧）如何处理？描述只说「majority class was assigned in at least half of all annotations」——即需要继续标注直到某类过半才落定。这意味着高争议细胞会被反复标注，标注次数本身可能是「难度」的信号，但该信号未作为元数据公开。
类别分布未知是最大使用障碍。数据集未逐类公开样本量分布，因此使用者无法预知长尾程度，只能在下载后自行统计。论文 F1 0.61（对照 AUC 0.98）间接说明长尾严重，但具体每类多少样本仍需实证。

给使用者的操作建议：拿到数据后第一件事是统计 49 类（或 33 类）的每类样本量，据此决定用宏平均还是微平均、是否做类别重采样或重加权、以及哪几类因样本过少应合并或忽略。这条统计在本数据集上无法从文档预知，必须实测。

4.5 一个被忽视的任务：细胞检测的「框质量」

47,176 个 bounding box 是人工画的，其框的紧致度（tightness）与一致性直接影响检测模型训练。DICOM ANN 存储的是矩形框，而非更精细的分割掩码——这意味着：

相邻细胞、重叠细胞的框可能相交，检测模型需处理 NMS 阈值；
框的边界由标注者习惯决定，不同标注者的「框紧致度」可能不同，形成标注风格噪声；
数据集未提供掩码级标注，因此**不适合做细胞分割（segmentation）**研究，只适合检测（detection）。

这一点与库内 bccd（rid 851，血细胞检测）和 midog（rid 298，有丝分裂检测）的情况类似——都是 bounding box 级而非像素级标注。若研究需要像素级细胞分割，应转向有掩码标注的数据集（如 PANDA-PLUS 的像素级掩码，rid 640）。

4.6 评测协议复现要点

论文自评指标要复现，需注意以下协议细节（据 arXiv 摘要与 Zenodo 描述可推断的部分）：

环节	复现要点	风险
数据划分	论文未在摘要中公开 train/val/test 划分方式	划分不一致会导致分数不可比
检测评测	AP（average precision），基于 bounding box IoU	需明确 IoU 阈值
分类评测	33 类，报 AUC 与 F1	须统计逐类分布以判断长尾影响
诊断评测	mean F1，输入为预测计数	端到端级联误差，非真值计数
标签选择	只用共识类标	误用会话标签会引入官方已声明噪声

最大的复现障碍是数据划分未公开。摘要只给了指标数值，未说明如何切分训练/验证/测试，也未提及是否按患者分层（防止同一患者泄漏到 train 与 test）。使用者若要严谨复现，需自行设计划分并声明，且应按患者分层切分（同一 PatientID 不出现在两侧），否则会有患者泄漏风险。这是本数据集论文相较成熟基准（如 CAMELYON 有明确官方划分）的一个不足。

4.7 与「基线复现」的工程建议

若要把本数据集用作自己的实验平台，建议流程：

1. 下载子集（先用 IDC Portal 抽看 5-10 例确认格式）
2. 统计每类细胞样本量（决定长尾策略）
3. 按 PatientID 分层切分 train/val/test（防泄漏）
4. ANN → COCO 转换（只保留共识类标）
5. 训练检测器（baseline：Cascade R-CNN / YOLO / DETR）
6. 训练分类器（33 类，报 AUC + F1，宏平均）
7. 计数聚合 → 分型诊断（报 mean F1）
8. 完整报告指标 + 声明划分 + 注明「相对论文自评」

每一步都应在论文/报告中明确写出口径，避免读者把「我复现的分数」与「作者的分数」直接对比而不知两者协议不同。

§5 论文、团队与资助脉络

5.1 论文信息

项	内容
标题	From Data to Diagnosis: A Large, Comprehensive Bone Marrow Dataset and AI Methods for Childhood Leukemia Prediction
作者	Höfener H, Kock F, Pontones MA, Ghete T, Pfrang D, Dickel N, Kunz M, Schacherer DP, Clunie DA, Fedorov A, Westphal M, Metzler M（共 12 人）
预印本	arXiv:2509.15895 [cs.LG]（v1，2025-09-19 11:48:48 UTC）
DOI	10.48550/arXiv.2509.15895
主题分类	Machine Learning (cs.LG); Artificial Intelligence (cs.AI); Computer Vision and Pattern Recognition (cs.CV)
状态	预印本，Zenodo 原文写「Pending peer review of an accompanying manuscript」

论文标题里的「From Data to Diagnosis」点明了它的一体两面：既发布数据集，也发布方法（cell detection、cell classification、diagnosis prediction 三套方法）。这与库内 PANDA-PLUS 的定位类似——数据集条目同时也是方法学论文，引用时需区分「数据价值」与「方法价值」。

5.2 团队与机构分工

12 位作者分属 7 家机构，形成「数字医学研究所 + 大学医院临床 + 医学信息学 + 国际病理影像标准组织」的组合：

机构	作者	角色推断
Fraunhofer MEVIS（不莱梅）	Höfener, Kock, Pfrang, Schacherer, Westphal	数据工程、AI 方法、规模与统计
埃尔朗根大学医院儿科	Pontones, Ghete, Metzler	临床判读、血液学专业标注监督
BZKF 巴伐利亚癌症研究中心	Ghete, Metzler	癌症研究网络
FAU 埃尔朗根-纽伦堡医学信息学	Dickel, Kunz	医学信息学、数据标准
PixelMed Publishing（美国）	Clunie DA	DICOM/病理影像标准权威（DICOM WG-26 主席级人物）
Brigham and Women’s Hospital / HMS	Fedorov A	NCI IDC 核心推动者、医学影像互操作
CCC Erlangen-EMN	Metzler	综合癌症中心

这个团队构成解释了数据集的两个特征：一是临床可信度（有儿科血液学医生深度参与标注监督与判读），二是标准互操作性（Clunie 与 Fedorov 都是 DICOM 与影像数据标准领域的核心人物，直接决定了数据以规范 DICOM 而非散乱 PNG 发布）。库内 TCGA 病理集合（rid 566）、CAMELYON 系列（rid 33/694/699）同样经由 IDC 生态分发，与本条目在工具链上同源。

5.3 资助与伦理

主要资助：德国联邦教育与研究部（BMBF），项目 BMDeep，资助号 FKZ: 031L0262A。BMDeep 即本数据集内部代号来源。
发布支持：美国国立癌症研究所（NCI）联邦资金，Task Order No. HHSN26110071 under Contract HHSN261201500003l——用于支持数据在 IDC 的发布准备（DICOM 转换与托管）。
临床样本来源：6 家德国大学医院供样（见 §2.1），样本挂靠 ALL-REZ BFM、AML-BFM 等临床试验协作组。

资助结构本身传递了一个信号：这是一个国家级科研基础设施产物（德国 BMBF 出资采集与标注，美国 NCI 出资标准化与托管），而非单一实验室的副产物。这也意味着数据的长期托管依托 IDC 这类机构化平台，可持续性优于「个人网盘/邮件申请」型数据集（对照 PANDA-PLUS 的掩码请求制，rid 640）。

5.4 时间线

时间	事件
2025 早（3 月前后）	Zenodo 原始数据 record 14933087 建立；14933088 为早期 2 例样本页
2025-09-19	arXiv:2509.15895 v1 发布
2025-11	IDC data release v23 起收录专家标注；Zenodo record 17486627 发布（version v4）
2025-11-26	IDC v24 manifest 可见

从早期「2 例样本」到「246 例全量 + 47,176 细胞框」，数据集经历了一次显著的规模扩张；这也解释了为什么会出现 257/246/245 的历史口径残留（见 §10 坑 1）。

§6 获取、许可与 AI-Ready 评估

6.1 获取渠道

数据集通过 NCI Imaging Data Commons（IDC） 公开，IDC 是 NCI 癌症影像数据的云端公共仓库（基于 AWS/GCS 公共 bucket）。获取有三条路径：

路径 A：IDC Portal 浏览/单例下载

过滤条件：collection_id=bonemarrowwsi_pediatricleukemia
URL: https://portal.imaging.datacommons.cancer.gov/explore/filters/?collection_id=Community&collection_id=bonemarrowwsi_pediatricleukemia

适合探索性浏览、单病例查看与可视化（IDC Slim viewer 可直接在浏览器看 WSI）。

路径 B：Zenodo manifest 批量下载（推荐用于训练）

pip install --upgrade idc-index
idc download bonemarrowwsi_pediatricleukemia-idc_v24-aws.s5cmd

manifest 文件（.s5cmd / .dcf）由 Zenodo record 提供，头部含下载说明。AWS 与 GCS 两个镜像的文件内容一致（The actual files are identical and are mirrored between AWS and GCP），选就近的即可。

路径 C：IDC Python API（程序化）

pip install idc-index
# 用 idc-index 查询集合内 series，再按需下载 SM/ANN

适合集成到训练流水线，按 series 粒度拉取。

6.2 许可：CC BY 4.0

项	内容
许可	Creative Commons Attribution 4.0 International（CC BY 4.0）
允许	自由共享、改编、商用，包括模型训练与再分发
义务	署名（attribution）——须标注来源与作者
记录来源	NLM Dataset Catalog（Zenodo 记录 Rights 字段）

CC BY 4.0 是本数据集相较同类的一个显著优势：库内不少病理数据集是 CC BY-NC（禁商用，如 PANDA 系列 rid 560/640）或请求制（如 PANDA-PLUS 掩码），而 BoneMarrowWSI 采用最宽松的 CC BY 4.0，允许商业用途与再分发。这对希望构建商业化血液病理 AI 产品的团队是关键区别。

署名建议范式：

数据来源：BoneMarrowWSI-PediatricLeukemia (Höfener et al., 2025),
Zenodo DOI 10.5281/zenodo.17486627, CC BY 4.0, via NCI Imaging Data Commons.

6.3 AI-Ready 视角：规范 DICOM 的双刃剑

从 AI-Ready 评估角度看，本数据集有一个鲜明的特点——全 DICOM 化，这既是最大优势也是主要摩擦点：

优势：

直接进入 DICOM 生态，可用 pydicom、idc-index、Slim viewer、Highdicom 等成熟工具处理；
与 IDC 内其他 SM 数据集（TCGA、CAMELYON 等）共享工具链，迁移成本低；
批注以标准 DICOM ANN（Bulk Annotations）存储，而非散落的 JSON/CSV，语义可被标准工具解析；
临床与实验室值内嵌 DICOM 元数据，患者—图像—标签一体化，避免外部表连接。

摩擦点：

DICOM WSI 读取门槛高于普通图像。一张切片被拆成金字塔多层级（Each ... contains 6 DICOM Slide Microscopy (SM) modality files each representing one level of the WSI pyramid），需要用支持 WSI 的库（如 openslide/tiffslide 对 DICOM 支持有限，需 wsidicom/pydicom 专用路径）才能高效读。习惯 PNG/TIFF 平铺数据的团队需要一段适配期。
Bulk Annotations（ANN）解析较新。DICOM ANN 是相对新的标准，生态工具不如传统标注格式（COCO/VOC）丰富，需自行写解析代码把 ANN 转成 COCO/VOC 格式才能喂给主流检测框架。

这两点共同影响 DAIMS 的 I（互操作）维度评分：规范但门槛偏高（见附录 B）。

6.4 与库内数据集可获取性光谱对照

把库内相关病理/血液数据集按「获取难度」排一条光谱，本数据集的位置清晰可见：

数据集（rid）	获取方式	许可	难度
BoneMarrowWSI（本条）	IDC/Zenodo 公开直链	CC BY 4.0	低（DICOM 解析门槛中）
bccd（851）	公开直链	开放	低
nct-crc-he-100k（148）	公开直链	开放	低
camelyon16-17（33）	公开下载	开放	低
panda（560）	Kaggle 公开	CC BY-NC-SA	中（禁商用）
panda-plus（640）	WSI 公开 / 掩码请求制	三层异构	中高
leopard（636）	注册/公开	视条款	中

结论：BoneMarrowWSI 在「公开直链 + 宽松许可」两项上属库内病理条目的第一梯队，唯一门槛是 DICOM WSI 与 ANN 的技术适配。对需要商用许可或血液学细胞级标注的团队，它是当前库内最优先的候选之一。

6.5 版本链详解：从 2 例样本到 246 例全量

本数据集经历了一个清晰的扩张轨迹，理解这条链有助于解释文档中的历史数字残留：

阶段	Zenodo DOI / IDC	内容	说明
早期样本	10.5281/zenodo.14933088	2 例 WSI + 细胞标注	描述段仍写 257 例（规划值/旧值）
原始数据	10.5281/zenodo.14933087	原始数据 record	IDC collection 标注的 original data DOI
IDC 引入	IDC release v22	collection 首次进入 IDC	manifest 名 `...-idc_v22-*`
标注扩充	IDC release v23（2025-11）	增专家细胞标注	discourse 公告
当前版本	10.5281/zenodo.17486627（v4）	246 例全量	manifest 名 `...-idc_v23-*`
最新 manifest	IDC release v24	更新 manifest	Zenodo latest 页可见 `...-idc_v24-*`
concept DOI	10.5281/zenodo.16995570	跨版本聚合	永远指向最新版

两个关键认知：

concept DOI（16995570）vs 具体版本 DOI（17486627）：学术引用推荐用 concept DOI（永远指向最新），具体复现实验用版本 DOI（锁定快照）。这与 Zenodo 的通用最佳实践一致。
v22→v23→v24 与 Zenodo v4 是两套计数：IDC 的 release 号随 IDC 平台整体发版递增（v22/v23/v24 是 IDC 全平台版本），Zenodo 的 v4 是本 record 自身的第 4 版。二者不可换算（坑 5）。

6.6 下载实操：从 manifest 到可训练数据

给出一条最简可行路径（示意，非逐字命令）：

# 1. 环境
pip install --upgrade idc-index

# 2. 下载 manifest 引用的文件
#    manifest 来自 Zenodo record（.s5cmd 头含说明）
idc download bonemarrowwsi_pediatricleukemia-idc_v24-aws.s5cmd

# 3. 得到 DICOM（SM 图像 + ANN 批注）后：
#    - 用 wsidicom / pydicom 读 WSI 金字塔
#    - 解析 ANN 中的细胞框与共识类标
#    - 务必过滤：只保留 consensus labels（坑 3）

# 4. 转成检测框架可用格式（COCO/VOC）
#    自写转换脚本：DICOM ANN → COCO json

成本预估：DICOM WSI 体积通常为 GB/例量级（取决于金字塔层级与压缩），246 例全量下载需要相当的存储与带宽；建议先用 IDC Portal 的 Slim viewer 抽看几例确认格式，再决定批量下载策略。若只需部分病例，用 IDC API 按 PatientID/series 粒度拉取更省资源。

6.7 与 IDC 生态的复用价值

本数据集是 IDC 生态的一员，这带来超出数据集本身的复用价值：

统一工具：IDC 提供 idc-index（查询/下载）、Slim viewer（浏览器阅片）、BigQuery 元数据表，一套工具可处理 IDC 内所有 collection；
与 TCGA 病理同源：库内 TCGA（rid 566）病理部分同样经 IDC 分发，工具链可迁移；
可组合研究：理论上可把本数据集与 IDC 内其他 SM 集合作联合预训练，共享读取管线。

这也是本数据集可持续性评分（DAIMS 的 S 维度）高达 9 的根据：它不是一个孤立的 Zenodo 附件，而是嵌入了 NCI 的机构化数据基础设施。

6.8 许可使用的边界与义务清单

CC BY 4.0 虽然宽松，但仍有明确义务，且儿科数据的伦理约束独立于许可存在。使用前逐条核对：

事项	是否允许	依据/说明
商用（训练商业模型）	允许	CC BY 4.0 无 NC 限制
再分发（二次发布）	允许	需署名
改编（衍生数据集）	允许	需署名并注明改动
不署名使用	不允许	CC BY 核心义务
声称原作者背书	不允许	超出许可范围
去除伦理约束使用	不允许	伦理约束独立于许可
用于歧视性/伤害性目的	不允许	伦理与法律限制

署名的最低要求：数据集名 + 作者 + DOI（10.5281/zenodo.16995570 或 17486627）+ CC BY 4.0 + via NCI IDC。若衍生再发布，标注「基于原数据集修改」。

伦理约束提示：即便 CC BY 4.0 允许广泛使用，由于样本为儿科患者，使用者仍应遵守所在机构的伦理审查要求与研究伦理规范；许可宽松不等于伦理豁免。这是本数据集 dataLimitations 与坑 10 反复强调的原因。

§7 生态与影响：数据与方法的双产出

7.1 在儿童血液病理数据集景观中的位置

儿童白血病骨髓涂片公开数据集长期稀缺，原因有三：一是儿童样本隐私保护更严，脱敏与伦理审批门槛高；二是骨髓涂片判读专业性强，能胜任细胞分类标注的专家少；三是采集分散在多家医院，跨机构数据共享涉及复杂的协议。BoneMarrowWSI 通过「BMBF 资助 + 6 家医院供样 + IDC 标准化」的组合突破了这三重障碍，把原本分散在各医院的私有涂片整合成一个公开的标准化集合。

把它放进血液/细胞学数据集的横向坐标：

数据集	物种/场景	规模	标注粒度	公开性
BoneMarrowWSI	人·儿童白血病骨髓涂片	246 WSI / 47,176 细胞框	细胞框 + 49 类	CC BY 4.0
bccd（851）	血细胞显微图	364 张图	细胞框 + 3-4 类	开放
acevedo-blood（722）	血液样本	视条目	视条目	视条目

在成人血液病领域已有若干公开涂片集，但儿童白血病 + WSI 级 + 细胞级标注的组合，本数据集在当前公开资源中属领先者——这正是论文「most comprehensive」自评的底气所在。

7.2 方法学产出：从细胞计数到诊断

论文除了数据集，还贡献了一套可复用的方法框架，其设计哲学值得单独记录：

用细胞计数做诊断的桥梁：不直接把 WSI 像素映射到诊断，而是先检测、分类，再聚合出各类细胞计数，最后用计数向量预测分型。这条路径的临床可解释性强——它复现了医生「看细胞比例」的推理逻辑，也为模型决策提供中间可检验的靶点（如果分型错了，可以回溯是检测错、分类错还是聚合错）。
端到端可诊断性：因为每一环都有标注（框、类、诊断），整条链路的误差可以逐段定位，这是「全流程数据集」相较「只标终点」数据集的方法学价值。

7.3 潜在影响与应用方向

儿科血液 AI 辅助诊断：细胞初筛、比例估计、分型建议；
形态学基础模型预训练：WSI 金字塔 + 细胞级标注适合做自监督/半监督预训练；
标注方法论研究：多专家共识标注的方差分析、与分层终审的对照；
医学教育：作为细胞形态教学的标注样本库。

7.4 局限对生态的影响

本数据集的局限也会投射到生态：无第三方复现意味着其自评指标（AP 0.96 / AUC 0.98）尚未被独立验证，任何声称「在某数据集上超越 BoneMarrowWSI 基线」的结论都需谨慎——因为基线本身未经外部复核。此外，会话标签缺陷（§3.4）若不修复，会让数据集在「标注多样性」类研究中难以发挥作用。

7.5 从「数据集发布」看科研软件的工程化

本数据集的生产流程本身是一个值得记录的工程案例，反映了当代医学 AI 数据集的一条成熟路径：

临床采集（6 家医院）
   │
   ▼
伦理审批 + 脱敏（去标识化，PatientID 哈希）
   │
   ▼
多专家标注（共识流程）
   │
   ▼
BMBF 项目（BMDeep）资助整合
   │
   ▼
DICOM 标准化（IDC conversion_mirax_dicom）
   │
   ▼
IDC 机构化托管（AWS/GCS）
   │
   ▼
Zenodo 版本化发布 + DOI
   │
   ▼
arXiv 论文 + 数据集描述

这条路径的关键特征是分工专业化：临床方管采集与标注、工程方管标准转换、平台方管托管、出版方管版本与引用。这种分工让数据集能同时满足临床可信、技术标准、长期可持续三重要求——相比「一个实验室什么都自己搞」的模式更抗风险。库内 PANDA-PLUS（rid 640）走的是另一条路径（单实验室主导 + Kaggle/HF 托管 + 请求制掩码），两者代表了不同的工程哲学，可作对照阅读。

7.6 对儿童血液病理数据共享的示范意义

儿童数据因隐私敏感，长期是数据共享的「禁区」。本数据集在不公开个体可识别信息（PatientID 哈希、仅保留分组年龄、诊断、实验室值）的前提下实现公开共享，提供了一个可行的合规范式：

只发分组信息：年龄只给组别，不给出精确生日；
只发诊断标签：诊断文字（ALL/AML/CML）+ 实验室数值，去除姓名/住院号等直接标识；
依托机构化平台：数据托管在 NCI IDC（受机构伦理与安全审查），而非个人服务器；
明确许可：CC BY 4.0 给出清晰的使用边界。

这套做法的可迁移经验是：敏感人群数据不是不能共享，而是要把「可识别信息」与「科研可用信息」严格分离。对希望共享儿科数据的团队，本数据集是一个可参考的合规模板。

§8 方法学启示：三条可迁移的经验

8.1 「共识标注」与「分层终审」是两种可组合的模式

本数据集用并行多标注者 + 多数表决（consensus），PANDA-PLUS 用分层升级 + 单一专家终审（hierarchical review）。二者不是互斥的：

共识模式的优点：平滑个体偏差、无需单一权威、可扩展（加标注者即加冗余）；缺点：缺乏「上位锚点」，多数共享错误无法纠正，成本随冗余度线性上升。
分层终审的优点：有权威校正、成本可控（学生做量、专家做质）；缺点：受单专家个人偏差约束。

可迁移经验：标注体系应显式声明「谁来纠错、如何纠错」。理想的混合模式是「多标注者共识 + 专家抽检终审」，在成本与质量间取平衡。本数据集缺的正是终端抽检环节（多数表决后无专家复核），这也是它标注会话标签出问题后、只能整层弃用而无从修补的深层原因。

8.2 标注粒度与实际评测粒度必须分开声明

49 类标注 vs 33 类评测、会话标签 vs 共识标签——本数据集反复出现「多个类别/标签定义并存」的现象。这是数据集文档的常见陷阱：发布方在描述里混用不同粒度的数字，使用者若不加辨析就会误配监督信号。

可迁移经验：任何数据集都应提供一个**「标签定义表」**，逐列说明每套标签的类数、产生流程、可用性与推荐用途。本条目在 §3.3 与 §3.4 做的就是替使用者补上这张表。

8.3 全流程数据集的价值在「可诊断性」而非「规模」

246 例在病理 WSI 里不算大，但因为它把检测、分类、诊断三环都标了，就获得了「逐段误差定位」的能力。这与库内 PANDA-PLUS 的启示（粒度是超参数，rid 640 §8.2）互为呼应：数据的价值不只在量，更在它能让你诊断模型的哪一环出错。

可迁移经验：设计数据集时，与其堆量，不如保证诊断链路上每一环都有监督——这样后续研究才能做误差归因，而不是只能报一个端到端数字。

8.4 公开 DICOM 化 vs 私有格式：标准化的长期收益

原始 MIRAX 是厂商私有格式，若直接分发会导致工具碎片化；IDC 团队转成标准 DICOM 后，数据一进入公共生态就可用通用工具处理。短期看这增加了转换成本（需要写 conversion_mirax_dicom 脚本），长期看却极大提升了可复用性与可持续性（不依赖单一厂商软件）。

可迁移经验：数据发布的标准化投入是「一次投入、长期收益」，尤其对希望被广泛引用的数据集。

8.5 临床可解释 AI 的一条范式路径

本数据集的「细胞计数→诊断」设计，是临床可解释 AI 的一个小范式。它的价值在于把深度模型的隐式决策翻译成临床医生熟悉的显式量：

传统黑箱：WSI 像素 ──► 诊断（不可解释）
本数据集路径：WSI 像素 ──► 细胞框 ──► 细胞类别 ──► 各类计数 ──► 诊断
                          ↑可检验   ↑可检验     ↑可检验    ↑可检验

每个中间环节（框、类、计数）都可人工核对，一旦最终诊断错误，能回溯到具体哪一环出错。这与临床「原始细胞比例异常 → 提示白血病」的诊断逻辑同构，因此更容易被临床接受。

可迁移经验：在设计医学 AI 时，与其追求端到端黑箱的高分，不如刻意为模型设置中间可检验量——它们既是解释性的来源，也是误差归因的抓手。

8.6 长尾类别处理：本数据集提供的现实样本

33 类细胞分类 AUC 0.98 而 F1 0.61 的落差，是长尾分类的教科书级案例（尽管数据集未公开逐类分布）。它给长尾研究提供了一个真实场景：

AUC 与 F1 的背离是长尾的典型信号：排序能力好（多类可分），但少数类召回/精确差（宏平均被拖低）；
血液细胞天然长尾：原始细胞、成熟细胞、各阶段前体细胞的频率差异巨大，罕见类型样本少；
解决方向：类别重加权、focal loss、过采样、或把罕见类合并——但本数据集未提供官方的类别合并建议（对照 PANDA-PLUS 把 GP1/GP2 并入 Benign 的明确取舍）。

可迁移经验：面对长尾医学数据，先统计分布、再决定策略；不要假设「类数 = 难度」，长尾的具体形状才是关键。

§9 与库内条目的关系

9.1 家族图谱

BoneMarrowWSI 与库内以下条目构成检索面（命名与 rid 见 FACTS.md §8）：

病理 WSI / 计算病理家族：

panda-plus（rid 640）— 同为「多专家共识/复核标注」病理 WSI，方法学最直接对照（分层终审 vs 平行共识）
panda（rid 560）/ panda（rid 27）— 前列腺 WSI 挑战基准，病理家族成员
sicapv2（rid 328）— 前列腺病理分级，标注密集型
leopard（rid 636）— 前列腺病理切片复发预测挑战
camelyon16-17（rid 33）/ camelyon16（rid 694）/ camelyon17（rid 699）— 淋巴结转移 WSI 检测基准
bach（rid 118）— 乳腺癌组织学图像分类
nct-crc-he-100k（rid 148）— 结直肠癌组织学 patch 分类
midog（rid 298）— 有丝分裂检测（病理细胞级目标检测，与本条细胞检测任务同类）
tcga（rid 566 / rid 25）— 泛癌病理基因组景观

血细胞 / 细胞学家族：

bccd（rid 851）— 血细胞显微图检测（细胞框 + 分类，任务最近邻）
acevedo-blood（rid 722）— 血液样本数据集

9.2 检索路径建议

精确检索：用「BoneMarrowWSI-PediatricLeukemia」（完整名）或 collection_id bonemarrowwsi_pediatricleukemia；缩写「BMDeep」也可命中（项目代号）。
DOI 检索：数据集用 10.5281/zenodo.17486627（当前）/ 10.5281/zenodo.16995570（concept）；论文用 arXiv:2509.15895。
按任务检索：血液学细胞检测 → bccd（851）+ 本条；病理细胞检测 → midog（298）+ 本条。
按标注方法检索：多专家共识标注 → 本条；分层终审 → panda-plus（640）。
勿用：把「245 例」「257 例」当作当前规模（历史/笔误口径）；把「49 类」与论文「33 类分类」混用。

9.3 引用建议

引数据规模：246 例 / 47,176 细胞框 / 49 类标注体系（Zenodo 当前版口径），并注明会话标签缺陷。
引性能：必须同时报 AUC 0.98 与 F1 0.61，标注「作者自评、预印本」。
引许可：CC BY 4.0，附 Zenodo DOI 与 IDC 署名。
引临床字段：注明实验室值内嵌 DICOM 元数据，BigQuery 表状态为 tbd。

§10 避坑清单：十个已踩过的坑

坑 1：病例数三口径（246 / 245 / 257）。当前权威口径为 246——Zenodo record 17486627 描述段、arXiv 摘要、IDC Subject Count、CCDI 数据目录四处一致。IDC collection 描述段与 dev-portal 描述段写 245（疑笔误/早期残留），早期样本页 14933088 写 257（疑旧值）。任务头题干的「245 例」为误，条目全文以 246 为准。检索者若命中 245/257，按 246 处理并注明来源页面。

坑 2：细胞类别 49 vs 33。Zenodo 写 49 distinct cell type classes（完整标注体系）；arXiv 摘要写 33-class cell classification（分类评测覆盖的类数）。二者层级不同、不可互相替换。报告分类性能时说明是 33 类口径。

坑 3：会话标签有缺陷，整层不可用。Zenodo 原文用 (!) ... (!) 显式警告：In the current release, labels from the annotation sessions are flawed, please refrain from using them. However, consensus labels/classes are correct. 使用者必须只保留共识类标，弃用会话标签。官方未量化缺陷范围，无法局部挽救，只能整层弃用。

坑 4：细胞总数三口径（47,176 / >40,000 / >28,000）。47,176 = 全部 bounding box 数（Zenodo）；>40,000 = 论文概括的框数；>28,000 = 有高质量类标的子集。三者是不同层级的计数（全部框 / 论文表述 / 高质量子集），不是矛盾，但引用时须说明层级，勿混。

坑 5：版本号两套计数（v4 vs v22/23/24）。Zenodo 数据集版本号为 v4；IDC data release 版本号为 v22/v23/v24（manifest 文件名中的 idc_vXX）。这是两套独立的版本体系（Zenodo record 版本 vs IDC 数据发布版本），不是同一序列，勿合并引用。

坑 6：DICOM 化 ≠ 开箱即用。数据是标准 DICOM（SM + ANN），但 DICOM WSI 金字塔读取与 Bulk Annotations 解析都需要专门工具（wsidicom/pydicom + 自写 ANN→COCO 转换）。习惯 PNG/TIFF 的团队需预留适配工时，勿低估。

坑 7：「most comprehensive」不可泛化引用。论文自评「the most comprehensive dataset publicly available」是有前提的（覆盖全流程 + 儿童白血病场景），不可曲解为「通用病理最大数据集」（246 例在病理 WSI 里属中小型）。引用时限定语境。

坑 8：无第三方复现，勿称 SOTA。论文为预印本（pending peer review），AP 0.96/AUC 0.98/F1 0.61/诊断 F1 0.90 均为作者自评。截止核验时点无独立团队复现，不得表述为「基准成绩」或「当前最优」。

坑 9：BigQuery 实验室值表状态未定。Zenodo 描述写「In addition lab values are available as BigQuery table: tbd」——该表的公开可用性未确认；当前可靠的实验室值来源是 DICOM 元数据。引用前先核实 BigQuery 表是否上线。

坑 10：儿科敏感数据与人群偏斜。患者均为 <18 岁儿童，属敏感人群，二次使用须遵守 CC BY 4.0 署名与相关伦理规范；样本来自 6 家德国医院、挂靠 BFM 协作组，且种族/族裔字段全为 Not Reported，跨人群泛化结论须谨慎，人口学公平性分析不可行。

10.1 坑点速查矩阵

按「检索者 / 建模者 / 引用者」三类使用者，把十个坑分配到最相关的角色：

使用者角色	最需注意的坑	一句话动作
检索者	坑 1（病例数）、坑 5（版本号）	认准 246 例 + concept DOI 16995570
建模者	坑 3（会话标签）、坑 2（49/33）、坑 4（细胞总数）、坑 6（DICOM）	只取共识类标 + 按 33 类评测 + 备好 DICOM 解析
引用者	坑 7（most comprehensive）、坑 8（无第三方复现）、坑 9（BigQuery）	限定语境 + 标「作者自评预印本」+ 核实 BigQuery
数据合规	坑 10（儿科 + 偏斜）	署名 + 分层报告 + 不做公平性分析

10.2 坑点成因归类

把十个坑按其根本成因归三类，便于理解为何会出现：

成因 A：文档多版本迭代残留（坑 1、4、5）。数据集从 2 例扩展到 246 例，多个页面在不同时点更新，旧数字未清理 → 246/245/257、47,176/>40,000/>28,000、v4/v22-24 三组口径残留。对策：永远以「当前版本页 + 硬字段」为准，不用描述段。

成因 B：标注体系设计的分层未声明（坑 2、3）。标注有「会话/共识」「49 类/33 类」多个层级，但文档未给统一标签定义表 → 使用者易误配。对策：先做标签层级梳理，明确每层语义与可用性。

成因 C：预印本阶段的客观限制（坑 6、7、8、9、10）。论文未正式见刊、评测未独立、格式门槛未降、敏感数据约束 → 属「进行中」状态而非缺陷。对策：如实标注状态，随论文正式发表/数据更新而更新条目。

§11 总结

11.1 三句话总结

BoneMarrowWSI-PediatricLeukemia 是一个 246 例儿童白血病骨髓穿刺涂片全切片数据集，覆盖细胞检测、细胞分类、分型诊断全流程，含 47,176 个细胞框与 49 类共识标注，经 NCI IDC 以 CC BY 4.0 公开。
它的价值在「全流程覆盖 + 细胞级标注密度 + 宽松许可」，是当前公开资源中儿童血液病理领域标注最完整、许可最友好的 WSI 数据集之一；由 Fraunhofer MEVIS 与埃尔朗根大学医院等合作完成，BMBF 资助。
它的主要风险在文档缺陷与未独立性：会话标签官方声明不可用、病例数与类别数存在多口径、论文为预印本且指标未经第三方复现——使用前必须过滤标签层、锁定数字口径、加注评测限制。

11.2 适合谁

开发血液病理细胞检测/分类模型的团队；
需要商用许可的病理 AI 产品（CC BY 4.0 允许商用）；
研究多专家共识标注方法学或长尾分类的研究者；
想复现「细胞计数→分型诊断」临床可解释路径的团队；
病理形态学基础模型预训练的数据工程师。

11.3 不适合谁

需要大规模泛癌病理数据集者（246 例量级偏小，应看 TCGA rid 566）；
需要治疗监测/复发/MRD 场景者（数据为初诊未治疗）；
需要严格第三方基准做模型排名者（无独立复现）；
需要人口学公平性分析者（种族/族裔未报告）；
期望开箱即用 PNG 图库者（需 DICOM 适配）。

11.4 30 秒决策卡

你的目标	建议动作
立刻跑通细胞检测	IDC/Zenodo 下载 → 写 ANN→COCO 转换 → 用 47,176 框训练检测器
训练细胞分类	只用共识类标（弃会话标签，坑 3），按 33 类口径评测
做分型诊断	复现「检测→分类→计数→分型」链路；指标报 AUC+F1 双数
要商用	可行，CC BY 4.0；保留 Zenodo + IDC 署名
写数据集综述	引本条 §2.1/§3 规模与标注；对照 panda-plus（640）+ bccd（851）
研究标注方法	§3.2 共识模式 vs panda-plus §3.3 分层终审（rid 640）
引用本数据集	数据集 DOI 10.5281/zenodo.17486627；论文 arXiv:2509.15895；CC BY 4.0

FAQ（高频问答 30 问）

A. 基础认知

Q1：这个数据集的正式名字怎么念？
BoneMarrowWSI-PediatricLeukemia，读作「Bone Marrow WSI Pediatric Leukemia」，即「骨髓全切片图像·儿童白血病」。缩写常写作 BoneMarrowWSI，内部项目代号 BMDeep。

Q2：它是图像分类数据集吗？
不完全是。它是 WSI 级 + 细胞级标注数据集，主打目标检测（细胞 bounding box）与细胞分类，再下游做分型诊断。它有分类任务，但核心标注粒度是细胞框。

Q3：多少患者？多少张切片？
246 例患者（<18 岁）。每例的切片张数未在公开描述中给出确切总数（Subject Count 为 246，指患者数）。

Q4：有哪些白血病类型？
三种：ALL（急性淋巴细胞白血病，96 例）、AML（急性髓系白血病，97 例）、CML（慢性髓系白血病，53 例）。

Q5：论文发在哪？
arXiv 预印本 arXiv:2509.15895（2025-09-19），标题 From Data to Diagnosis。截至核验时点尚未见正式期刊版本（Zenodo 写 pending peer review）。

Q6：谁做的？
Fraunhofer Institute for Digital Medicine MEVIS（不莱梅）领衔，通讯相关作者包括 Henning Höfener、Markus Metzler 等，与埃尔朗根大学医院、FAU、PixelMed、Brigham and Women’s Hospital 等 7 家机构合作。

B. 数据与规格

Q7：图像怎么扫描的？
骨髓穿刺涂片，Pappenheim 染色，40× 放大（无油镜），分辨率 0.11×0.11 μm/px；原始为 3DHistech 扫描仪的 MIRAX 格式，后由 IDC 转标准 DICOM。

Q8：一个细胞有多少标注？
全数据集 47,176 个细胞 bounding box，覆盖 49 类细胞类型体系；其中 >28,000 个有高质量类标。

Q9：标注怎么保证质量？
多专家共识标注：每细胞至少被两人标注，某类在全部标注中占过半（majority）即定为共识类。

Q10：会话标签为什么不能用？
官方在 Zenodo 描述里明确：当前 release 的会话标签有缺陷，请勿使用；共识类标才正确。这是必须遵守的过滤规则。

Q11：有临床数据吗？
有。每例含年龄组、性别、诊断，以及实验室值：原始细胞（blasts）、白细胞计数、血小板、LDH、尿酸、血红蛋白。主要内嵌在 DICOM 元数据。

Q12：为什么数字对不上（246 vs 245）？
公开页面存在历史残留：246 是三处硬数字（Zenodo/arXiv/IDC Subject Count），245 出现在描述段（疑笔误），257 是早期样本页旧值。以 246 为准。

Q13：49 类和 33 类是什么关系？
49 是标注体系的完整类数，33 是论文分类评测覆盖的类数。两个层级，不可互换。

C. 获取与许可

Q14：怎么下载？
经 NCI IDC：IDC Portal 过滤 collection，或用 Zenodo manifest（pip install idc-index → idc download *.s5cmd）。AWS/GCS 双镜像内容一致。

Q15：许可是什么？能商用吗？
CC BY 4.0。可以商用，也可以再分发与改编，只需署名。

Q16：怎么署名？
标注数据集名、作者、Zenodo DOI（10.5281/zenodo.17486627）、CC BY 4.0、via NCI IDC。

Q17：有 BigQuery 表吗？
Zenodo 描述写实验室值「available as BigQuery table: tbd」——状态未定，用前先核实；当前可靠来源是 DICOM 元数据。

Q18：数据格式门槛高吗？
中等偏高：DICOM WSI 金字塔读取与 Bulk Annotations（ANN）解析都需要专门工具与格式转换。习惯 PNG 的团队需预留适配工时。

D. 使用与评测

Q19：论文报告了哪些指标？
细胞检测 AP 0.96；33 类分类 AUC 0.98、F1 0.61；诊断预测（用预测计数）mean F1 0.90。均为作者自评。

Q20：为什么 AUC 0.98 但 F1 只有 0.61？
33 类天然不平衡：多数类排序好（AUC 高），但长尾类样本少拖低宏平均 F1。两个数字都要报，不能只报 AUC。

Q21：能拿它和别的数据集比 SOTA 吗？
不建议。无第三方复现，基线是作者自评，跨库比较缺乏共同评测协议。任何「超越」声明需谨慎。

Q22：适合做治疗/复发模型吗？
不适合。数据是初诊、未治疗样本，不含治疗监测、复发、MRD 场景。

Q23：能分析人群公平性吗？
不能。种族与族裔字段全部为 Not Reported。

Q24：儿童数据使用有额外限制吗？
有。属敏感儿科人群，CC BY 4.0 允许使用但须遵守署名与相关伦理规范；样本来自 6 家德国医院，跨人群泛化须谨慎。

Q25：这个数据集能做像素级细胞分割吗？
不能。标注是 bounding box（矩形框）而非分割掩码，只支持检测任务。需要分割请看向有掩码标注的数据集（如 panda-plus，rid 640）。

Q26：它包含哪些细胞类型？
完整标注体系 49 类（各类血细胞与原始细胞等形态类别），但论文分类评测只覆盖其中 33 类。具体每类的名称与分布未在公开描述中给出，需下载后自行统计。

Q27：一个患者的图像有多少文件？
以早期样本页给出的例子看，一个患者的 WSI 金字塔含 6 个 SM 文件（每层一个），另加 ANN 标注系列。实际文件数随金字塔层级配置而定。

Q28：论文的方法可以直接用于临床吗？
不可以。它是研究性方法（预印本、无独立验证、无临床注册），不能作为诊断依据。任何临床用途需经监管审批与前瞻性验证。

Q29：和血细胞数据集 bccd 有什么区别？
bccd（rid 851）是普通血涂片显微图（外周血），本数据集是骨髓穿刺涂片（诊断白血病用），且是 WSI 级 + 儿童群体 + 49 类体系。两者场景与粒度不同，bccd 更小更简单。

Q30：如果只想快速验证一个检测模型，从哪开始？
用 IDC Portal 抽取 5-10 例 → 写最小 ANN→COCO 转换 → 训一个轻量检测器（如 YOLO）跑通流程，再决定是否全量下载。避免一上来拉 246 例（存储与解析成本高）。

附录

附录 A：条目信息速查卡

项	内容
slug	bonemarrow-wsi
官方名	BoneMarrowWSI-PediatricLeukemia
内部代号	BMDeep
论文	arXiv:2509.15895（预印本）
数据集 DOI	10.5281/zenodo.17486627（当前）/ 10.5281/zenodo.16995570（concept）
原始数据 DOI	10.5281/zenodo.14933087
规模	246 例 / 47,176 细胞框 / 49 类
许可	CC BY 4.0
获取	NCI IDC + Zenodo manifest
坑点	10 个（见 §10）
核验时点	2026-10-08

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	9	Zenodo DOI + arXiv + IDC collection + CCDI + NLM 目录五处可索引；名称唯一无别名冲突
A 可获取性	9	公开直链（IDC/Zenodo），CC BY 4.0 允许商用；扣分项为 BigQuery 表状态 tbd
I 可互操作	7	标准 DICOM（SM+ANN）+ 与 IDC 生态工具链兼容；但 DICOM WSI 与 ANN 解析门槛偏高，需自写转换
M 元数据质量	7	Zenodo/arXiv/CCDI 元数据完备（亚型/性别/实验室字段）；但病例数 246/245/257、类别 49/33 多处漂移拉低分
S 可持续性	9	依托 NCI IDC 机构化托管 + Zenodo 长期存档 + BMBF/NCI 资助，可持续性强
综合评级	8.2/10（优）	公开直链+宽松许可+机构托管是其强项；文档多口径与 DICOM 门槛是主要扣分项

附录 C：逐项证据链自证

关键数字	来源	位置
246 例/ALL 96/AML 97/CML 53	Zenodo 17486627 描述段 + CCDI	数据集页
性别女 110/男 130/NR 6	CCDI 数据目录 Case Sex	CCDI 页
Pappenheim / 40× / 0.11 μm/px	Zenodo 描述段	数据集页
47,176 细胞框	Zenodo 描述段	数据集页
49 类标注体系	Zenodo 描述段	数据集页
>28,000 高质量类标 / >40,000 框	arXiv:2509.15895 摘要	arXiv
33 类分类 / AP 0.96 / AUC 0.98 / F1 0.61 / F1 0.90	arXiv:2509.15895 摘要	arXiv
会话标签缺陷原文	Zenodo 描述段 `(!)...(!)`	数据集页
CC BY 4.0	NLM Dataset Catalog Rights	NLM 目录
版本 v4 / manifest v23/v24	Zenodo record + latest 页	数据集页
作者 12 人 / 机构 7 家	arXiv + Zenodo creators	arXiv/Zenodo
BMBF FKZ 031L0262A / NCI HHSN261201500003l	Zenodo 致谢段	数据集页

附录 D：数据获取决策树

要 BoneMarrowWSI 数据？
├── 只浏览/看单例
│   └── IDC Portal：collection_id=bonemarrowwsi_pediatricleukemia（Slim viewer 直接看 WSI）
├── 要批量下载训练
│   └── pip install idc-index → idc download *.s5cmd（AWS/GCS 选就近）
└── 要集成到流水线
    └── 用 idc-index API 查 series → 按 SM/ANN 粒度拉取
        ├── 只要图像 → 拉 SM（金字塔）
        └── 要标注 → 拉 ANN，自行转 COCO/VOC（务必只保留共识类标！坑 3）

附录 E：任务流水线与格式转换骨架

原始 MIRAX（3DHistech）
   │ conversion_mirax_dicom（wsidicomizer）
   ▼
标准 DICOM WSI（SM，金字塔多层级）
   + DICOM Bulk Annotations（ANN：细胞框 + 共识类标）
   │ 自写解析
   ▼
COCO / VOC 格式（供检测框架训练）
   │
   ▼
细胞检测模型 → 细胞分类模型（33 类评测）→ 计数聚合 → 分型诊断模型

使用要点：解析 ANN 时显式过滤只取共识类标；分类评测按 33 类口径；诊断预测用预测计数而非真值计数。

附录 F：缩写速查

缩写	全称
WSI	Whole Slide Image（全切片图像）
ALL	Acute Lymphoblastic Leukemia（急性淋巴细胞白血病）
AML	Acute Myeloid Leukemia（急性髓系白血病）
CML	Chronic Myeloid Leukemia（慢性髓系白血病）
ROI	Region of Interest（感兴趣区）
ANN	DICOM Bulk Annotations（批注模态）
SM	Slide Microscopy（DICOM 全切片模态）
AP	Average Precision（平均精度）
AUC	Area Under the Curve（曲线下面积）
MRD	Minimal Residual Disease（微小残留病灶）
IDC	Imaging Data Commons（NCI 影像数据公共仓库）
CCDI	Childhood Cancer Data Initiative（儿童癌症数据计划）
BMBF	Bundesministerium für Bildung und Forschung（德国联邦教育与研究部）
BFM	Berlin-Frankfurt-Münster（德国儿童白血病治疗方案体系）
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability
MEVIS	Fraunhofer Institute for Digital Medicine MEVIS
FAU	Friedrich-Alexander-Universität Erlangen-Nürnberg

附录 G：数据字典（依据 DICOM 与描述段）

字段/资产	类型	取值域/说明
PatientID	string	病例标识（文件命名前缀）
SM series	DICOM	WSI 金字塔各层级图像
ANN series	DICOM	细胞框（bounding box）+ 共识类标
diagnosis	enum	ALL / AML / CML
age group	categorical	儿童（<18 岁）分组
sex	enum	Female / Male / Not Reported
blasts	number	原始细胞百分比
white blood cell count	number	白细胞计数
thrombocytes	number	血小板计数
LDH	number	乳酸脱氢酶
uric acid	number	尿酸
hemoglobin	number	血红蛋白

附录 H：检索路径示范（关键词组合与查询式）

目标	推荐查询式	预期命中
数据集本体	“BoneMarrowWSI-PediatricLeukemia”	Zenodo 17486627 / IDC collection
论文	“From Data to Diagnosis” leukemia bone marrow	arXiv:2509.15895
项目代号	“BMDeep” bone marrow pediatric leukemia	BMBF 项目相关页
官方目录	site:datacatalog.ccdi.cancer.gov BoneMarrowWSI	CCDI 数据集页
NLM 记录	site:datasetcatalog.nlm.nih.gov BoneMarrow	NLM 目录
转换工具	ImagingDataCommons conversion_mirax_dicom	GitHub
同任务对照	bccd blood cell detection / midog mitosis	库内 rid 851 / 298
反例（勿用）	“245 cases” BoneMarrowWSI（作为当前规模）	旧/笔误口径，勿引

检索卫生两条：一、凡命中「245 例」「257 例」，按 246 处理并注明来源页面；二、凡命中「49 classes」与论文「33-class」并用时，明确区分标注体系与评测口径。

附录 H2：临床背景速览（供非血液学背景读者）

为帮助非血液病理背景的读者理解数据集的临床语境，附一份最简背景：

概念	简要说明
骨髓穿刺涂片	用穿刺针取骨髓液涂在玻片上，是血液病诊断的核心标本
原始细胞（blasts）	未成熟的血细胞前体；其比例异常升高是白血病的关键指标
ALL	急性淋巴细胞白血病，儿童最常见，来源于淋巴系前体细胞
AML	急性髓系白血病，来源于髓系前体细胞
CML	慢性髓系白血病，病程较缓，常伴费城染色体
Pappenheim 染色	含 May-Grünwald + Giemsa 的复合染色，血细胞学标准染色
单层区	涂片中细胞铺展成单层、形态可辨的区域（本数据集 ROI 所在）
观察者间变异	不同医生对同一涂片判读不一致的现象，是自动化诊断的动机之一

背景要点：白血病分型的关键是判断「哪一系的前体细胞异常增殖」（淋巴系→ALL，髓系→AML），这决定了本数据集「从细胞类型推断分型」的任务设计逻辑是符合临床推理的。

附录 I：基于本数据集的研究检查清单（10 项）

标签过滤：只保留共识类标，显式丢弃会话标签（坑 3）。
口径声明：引规模时用 246 例（坑 1）；引类别数时区分 49/33（坑 2）。
指标双报：分类性能同时报 AUC 0.98 与 F1 0.61，不加修饰称 SOTA（坑 8）。
标准与引用：DICOM 解析用 wsidicom/pydicom；署 CC BY 4.0 + Zenodo DOI（§6.2）。
人群偏斜：跨机构/跨人群结论分层报告；不做公平性分析（坑 10）。
场景限定：仅初诊未治疗，勿外推到治疗/复发/MRD。
实验室值来源：以 DICOM 元数据为准，BigQuery 表先核实（坑 9）。
版本声明：区分 Zenodo v4 与 IDC v23/v24（坑 5）。
格式转换：ANN→COCO 需自写，计划工时（坑 6）。
时点存照：本条目数字核验于 2026-10-08，引用时注明抓取时点。

附录 J：双口径登记表

指标	口径 A	口径 B	口径 C	采用
病例数	246（Zenodo/arXiv/IDC Subject Count）	245（IDC 描述段）	257（早期样本页）	246
细胞类别	49（标注体系）	33（评测分类器）	—	并列说明
细胞总数	47,176（全部框）	>40,000（论文概括）	>28,000（高质量类标子集）	分层说明
版本号	v4（Zenodo record）	v22/v23/v24（IDC manifest）	—	两套独立体系
论文状态	预印本（arXiv）	求正式刊（未确认）	—	标预印本

附录 K：本条目生产档案

项	内容
生产代理	agent-a-bonemarrow
slug	bonemarrow-wsi
开工时间	2026-10-08T22:35
核验时点	2026-10-08
网络预算	WebSearch 2 次 / WebFetch 5 次（均在硬上限内）
主要来源	Zenodo 17486627 / arXiv:2509.15895 / IDC dev-portal / CCDI / NLM 目录
坑点	10 个（§10）
DAIMS 综合	8.2/10

附录 L：维护计划与触发点

优先级	触发点	动作
高	论文正式见刊（脱离预印本）	更新论文引用、补充期刊 DOI 与卷期
高	会话标签缺陷修复或量化	更新 §3.4 与 dataLimitations，重评可用标注层
中	BigQuery 实验室值表上线	更新 §6.1 获取路径与附录 G
中	出现第三方复现/评测	更新 §4.2 指标口径，补 SOTA/基准对照
中	IDC 新 release（v25+）	更新版本链与规模口径
低	病例数口径统一为 246	简化附录 J 双口径登记

附录 M：术语中英对照表

中文	英文	说明
全切片图像	Whole Slide Image (WSI)	数字病理的核心数据形态
骨髓穿刺涂片	Bone Marrow Aspirate (BMA) smear	血液病诊断标本
急性淋巴细胞白血病	Acute Lymphoblastic Leukemia (ALL)	儿童最常见白血病
急性髓系白血病	Acute Myeloid Leukemia (AML)	髓系来源
慢性髓系白血病	Chronic Myeloid Leukemia (CML)	病程较缓
共识标注	consensus annotation	多标注者 + 多数表决
边界框	bounding box	矩形检测标注
感兴趣区	Region of Interest (ROI)	标注范围
单层区	monolayer area	可判读涂片区域
观察者间变异	interobserver variability	判读不一致现象
原始细胞	blasts	未成熟血细胞前体
批注模态	Bulk Annotations (ANN)	DICOM 标注存储
切片显微模态	Slide Microscopy (SM)	DICOM WSI 模态
微小残留病灶	Minimal Residual Disease (MRD)	治疗监测指标（本集不含）

附录 N：引文规范

引数据集本体（推荐 concept DOI，指向最新版）：

Höfener, H., Kock, F., Pontones, M. A., Ghete, T., Pfrang, D., Dickel, N., Kunz, M.,
Schacherer, D., Clunie, D. A., Fedorov, A., Westphal, M., & Metzler, M. (2025).
BoneMarrowWSI-PediatricLeukemia: A Comprehensive Dataset of Bone Marrow Aspirate
Smear Whole Slide Images with Expert Annotations and Clinical Data in Pediatric Leukemia
[Data set]. Zenodo. https://doi.org/10.5281/zenodo.16995570

引数据集特定版本（复现实验时锁定快照）：

... [Data set]. Zenodo. https://doi.org/10.5281/zenodo.17486627 (v4)

引论文：

Höfener, H., et al. (2025). From Data to Diagnosis: A Large, Comprehensive Bone Marrow
Dataset and AI Methods for Childhood Leukemia Prediction. arXiv:2509.15895 [cs.LG].
https://doi.org/10.48550/arXiv.2509.15895

引来源（图像从 IDC 获取时）：

Data accessed via NCI Imaging Data Commons (collection: bonemarrowwsi_pediatricleukemia),
CC BY 4.0.

引文注意：许可证声明 CC BY 4.0，须署名；若引用性能数字，注明「作者自评、预印本」；若引用规模，用 246 例口径。

附录 O：常见误解清单

误解	事实
「246 张切片」	246 是患者数，切片总数未公开
「49 类就是评测类数」	49 是标注体系，评测用 33 类
「数据里所有标签都能用」	会话标签官方声明有缺陷，只能用共识类标
「有细胞标注就能做分割」	只有 bounding box，无像素掩码
「BoneMarrowWSI 是通用大病理集」	是儿童血液病理的专用中小型标注密集集
「Zenodo v4 是最新版编号」	v4 是 record 自身版本，IDC 另有 v22/23/24
「CC BY 4.0 意味着无约束」	仍需署名；儿科伦理约束独立存在
「论文说 most comprehensive = 最大」	限定语境，指全流程覆盖，非绝对规模

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-08，核验与抓取时点见附录 A/K。事实陈述以 Zenodo record 17486627、arXiv:2509.15895、NCI IDC 与 CCDI 数据目录为源；病例数 246/245/257、细胞类别 49/33、细胞总数 47,176/>40,000/>28,000 等原始文档多口径漂移已在坑点（§10）与附录 J 双口径登记表逐条存照。条目与库内 panda-plus（rid 640）、panda（rid 560/27）、sicapv2（rid 328）、leopard（rid 636）、camelyon16-17（rid 33/694/699）、bach（rid 118）、nct-crc-he-100k（rid 148）、midog（rid 298）、bccd（rid 851）、acevedo-blood（rid 722）、tcga（rid 566/25）等条目互链，构成血液病理与计算病理家族的检索面。后续维护触发点见附录 L。

维度	内容
本质	246 例儿童白血病骨髓穿刺涂片全切片图像（WSI）数据集，覆盖细胞检测→分类→分型诊断全流程
团队	Fraunhofer Institute for Digital Medicine MEVIS（Bremen）领衔，埃尔朗根大学医院儿科等 7 家德国机构合作
论文	arXiv:2509.15895（From Data to Diagnosis，2025-09-19，预印本；DOI 10.48550/arXiv.2509.15895）
数据	246 例，<18 岁；ALL 96 / AML 97 / CML 53；Pappenheim 染色，40×，0.11×0.11 μm/px
标注	47,176 个细胞 bounding box；49 类标注体系；多专家共识标注（每细胞≥2 人）
模态	DICOM：SM（全切片）+ ANN（Bulk Annotations 批注）
临床字段	年龄组 / 性别 / 诊断 + 原始细胞 / 白细胞 / 血小板 / LDH / 尿酸 / 血红蛋白
自评指标	检测 AP 0.96；33 类分类 AUC 0.98 / F1 0.61；诊断预测 mean F1 0.90（作者自评）
获取	NCI Imaging Data Commons（CC BY 4.0）+ Zenodo manifest（s5cmd/dcf）
许可	CC BY 4.0（Creative Commons Attribution 4.0 International）
版本链	原始数据 10.5281/zenodo.14933087 → 当前 10.5281/zenodo.17486627（v4）；IDC v22→v23→v24
已知缺陷	官方声明标注会话标签有缺陷勿用，仅用共识类标（详见 §10 坑 3）