信息速览

数据集名称COBRA — 基底细胞癌及多样皮肤恶性肿瘤全切片病理数据集

数据类型人工标注,影像数据,原始数据,文本数据

规模官方称 6,000+ 张 WSI（AWS 页写 7,000+；相关论文口径 5,147 slides / 4,066 patients，2016-2020 采集）——多口径并存，详见正文 §2 与存照

接入方式Radboudumc 皮肤病理全切片图像（3DHistech Pannoramic 1000 扫描，原始 0.24 µm/px，发布版重采样至 0.5 µm/px，pyramidal TIFF，256×256 tile，RGB 8-bit）+ 切片级诊断标签 + 切除标本 GeoJSON/TIFF 像素级标注 + 荷兰语病理结论 + PRISM 基础模型切片级/tile 级嵌入 + 匿名患者元数据

AI 就绪度

COBRA (cobra) — 基底细胞癌及多样皮肤恶性肿瘤全切片病理数据集

一句话：COBRA 是荷兰 Radboudumc 病理学系出品的**皮肤组织病理全切片图像（WSI）**数据集，以基底细胞癌（BCC，basal cell carcinoma）为核心，同时收录一组「BCC 模型不应该误判为 BCC」的多样皮肤恶性肿瘤与良性病变，配备切片级诊断标签、切除标本的像素级标注、荷兰语病理结论、PRISM 基础模型嵌入与匿名患者元数据，面向皮肤癌分类、组织分割、分布外检测与视觉语言模型研究。

§0 导读：这个数据集解决什么问题

皮肤癌中**基底细胞癌（BCC，basal cell carcinoma）**是全球最常被诊断的癌症，发病率高、病程相对惰性但基数庞大，构成病理科日常阅片量的重要一块。临床上，一张皮肤切片究竟是不是 BCC、属于哪种亚型、切除标本的切缘是否干净，全靠病理医生在显微镜下逐切面判读——这一过程耗时、依赖经验，且存在观察者间差异。

近十年数字病理（digital pathology）的普及，把玻璃切片变成了全切片图像（WSI，whole slide image）：数十亿像素、多分辨率金字塔、可被计算机批量处理。WSI 成为 AI 建模的天然对象，但皮肤病理领域长期缺一个「规模够大、质量够高、且专门标注了 BCC 与其鉴别诊断」的公开 WSI 数据集。多数公开皮肤数据集要么是皮肤镜（dermoscopy）体表照片（不同模态，如 HAM10000、ISIC 系列），要么是规模有限的单一任务集。

COBRA 的定位正是补这一缺口。它由 Radboud University Medical Center（Radboudumc）病理学系与 Diagnostic Image Analysis Group（DIAGNijmegen）发布，名字全称即 Classification Of Basal cell carcinoma, Risky skin tumors and Abnormalities（基底细胞癌、风险皮肤肿瘤与异常分类），直白点出了三大目标：

BCC 分类——把 BCC 与良性/癌前病变区分开，并进一步区分 BCC 亚型；
风险肿瘤鉴别——把鳞状细胞癌、黑色素瘤、淋巴瘤、Merkel 细胞癌、皮肤转移癌等「危险但非 BCC」的病变一并纳入，让模型学会「这不是 BCC，但同样危险」；
异常/分布外检测——用海量罕见附件器肿瘤与异常形态，训练与测试模型的**分布外（OOD，out-of-distribution）**识别能力。

这种「正类 + 混淆类 + 长尾异常」三段式设计，是 COBRA 区别于一般皮肤病分类数据集的关键：它不只想让模型答对，更想让模型知道自己什么时候不知道——这是临床安全落地的核心诉求。一个只在「BCC vs 良性」二分类上刷高分的模型，遇到罕见的皮肤淋巴瘤时如果自信地判成 BCC，后果可能是灾难性的；COBRA 把这类「危险的长尾」显式放进数据里，正是为了逼出模型的这种自知之明。

读这篇条目你需要知道的三件事：

COBRA 的规模有多套口径（6,000+ / 7,000+ / 论文 5,147 slides），license 也有历史口径冲突（最新 CC BY 4.0 vs 旧文档 CC BY-NC-SA 4.0），本文逐条存照，不替读者选数；
它是一个**预发布（1.0.0-alpha）**数据集，全量托管于 AWS、分阶段开放，「齐全」是个动态概念；
务必与库内的皮肤镜数据集（HAM10000 等）和**缩写撞名的 bccd（外周血细胞）**区分清楚——这是本条目存在的核心价值之一。

0.1 名字里藏着什么

COBRA 是一个精心构造的首字母缩写，其全称本身即数据集的「设计文档」：

Classification Of Basal cell carcinoma——分类，对象是基底细胞癌；
Risky skin tumors——风险皮肤肿瘤（鳞癌、黑色素瘤、淋巴瘤、Merkel 细胞癌等）；
Abnormalities——异常（罕见附件器肿瘤、非典型形态）。

缩写展开后，三个词恰好对应数据集的三个功能模块：主体正类（BCC）、危险混淆类（risky tumors）、长尾异常（abnormalities）。很多数据集的缩写是先有缩写再硬凑全称，COBRA 则是先有清晰的三段式设计、再凝练成缩写的典范——读名称即可推断意图。

0.2 为什么是「全切片」而不是「皮肤镜」

这是初次接触 COBRA 最容易混淆的地方，值得在导读里就说透。皮肤图像数据集大致分两大类模态：

模态	拍的是什么	典型数据集	关键特征
皮肤镜（dermoscopy）	体表、肉眼放大下的整体病变	HAM10000、ISIC、PAD-UFES	颜色、边界、对称性、整体形态；2D 照片
组织病理（histopathology）	切片上细胞与组织的微观结构	COBRA、CAMELYON（乳腺）	细胞巢、核异型、浸润、切缘；多分辨率 WSI

同一颗病变，皮肤镜看到的是「一颗痣长什么样」，组织病理看到的是「这颗痣在显微镜下由什么细胞构成、有没有恶变、切干净了没有」。二者不可互相替代，模型不可迁移。COBRA 明确站在组织病理一侧，且是皮肤病理领域罕见的「成规模 + 多层级标注 + 鉴别诊断齐全」的公开 WSI 集。

0.3 一条阅读路径建议

想快速了解能干什么 → 直接看 §1 速览十问与 §4 任务谱；
关心规模/规格/构成 → 看 §2 数据构成与规格；
关心标注质量 → 看 §3 标注体系；
关心能不能用、怎么拿、什么许可 → 看 §6 获取与许可；
关心和库内其他条目怎么区分 → 看 §5 关系边界与 §10 建议互链点；
怕踩坑 → 直接跳到 §11 避坑清单。

§1 数据集速览：十问十答

#	问题	简答
1	是什么？	皮肤组织病理 WSI 数据集，核心是 BCC 及其鉴别诊断
2	谁做的？	Radboudumc 病理学系 / DIAGNijmegen（Daan Geijs 创建，Geert Litjens 通讯）
3	多大？	官方称 6,000+ 张 WSI；AWS 页写 7,000+；关联论文口径 5,147 slides / 4,066 患者
4	什么模态？	组织病理全切片图像（H&E 染色 WSI）——不是皮肤镜、不是临床照片
5	有标注吗？	有：全部切片有切片级诊断标签；切除标本子集（约 300 张全标注）有像素级标注
6	还有别的资产？	荷兰语病理报告、PRISM 基础模型切片级/tile 级嵌入、匿名患者元数据（年龄/性别）
7	什么格式？	Pyramidal TIFF（JPEG 压缩），发布版重采样 0.5 µm/px，256×256 tile，RGB 8-bit
8	什么许可？	CC BY 4.0（数据集，最新口径），软件 Apache 2.0；历史文档曾标 NC-SA
9	怎么拿？	Zenodo 下载 toolkit（877 MB，含小分子集）；全量数据在 AWS（registry.opendata.aws/cobra/）
10	能干什么？	分类、分割、OOD 检测、报告生成、零样本分类——GitHub 附四个可跑实验

1.1 一句话记忆锚点

COBRA = 皮肤病理 WSI 的「BCC 及其一屋子亲戚」数据集：它把 BCC、良性/癌前病变、以及一堆「长得像但更凶」的皮肤肿瘤摆在一起，还配好了标签、报告、嵌入和示例代码。

1.2 关键数字一览

规模：6,000+ WSI（官方项目页口径）；
四组：约 2,500 BCC 活检 + 约 2,500 非 BCC 活检 + 约 1,000 风险肿瘤活检 + 约 1,000 BCC 切除（其中 300 全标注）；
诊断大类：8 类；
标注层级：切片级（全量）+ 像素级（切除子集）+ 报告（部分）+ 嵌入（预计算）；
发布格式：pyramidal TIFF，0.5 µm/px（发布），256×256 tile，RGB 8-bit；
许可：CC BY 4.0（最新口径）；
可跑实验：4 个（label-similarity / report-gen / classification / segmentation）。

§2 数据构成与规格

2.1 规模：三套口径并存

COBRA 的规模数字是本条目最需要注意的地方——不同官方来源给出不同的口径，且都属于「官方」，不能简单取其一：

口径来源	数字	语境
daangeijs.nl 查看器项目页	6,000+ 张 curated WSI	面向公众的访问入口描述
AWS Registry 官方页	over 7,000	云数据托管方的目录描述
关联论文（Sci Rep 2025）	5,147 slides / 4,066 patients	论文明确定义为 2016-2020 采集的 COBRA 子集

这三者并不必然矛盾，理解它们各自的语境至关重要：

5,147 slides / 4,066 patients 是关联论文在特定时间窗（2016-2020）内实际使用并描述的子集——它是一个有明确统计边界的分析口径，出现在同行评审论文中，可信度最高，但只代表那个时点、那个时间窗；
6,000+ 是数据集持续发布后的项目页总量口径——数据集「分阶段发布」（will be released over the year in stages），早期先放 BCC 与非 BCC 活检，之后是切除标本，最后是风险肿瘤活检，因此总量随时间增长；
7,000+ 是云托管方（AWS）目录页截至其更新时点的口径，可能比项目页更晚或更早，反映的是「AWS 上实际可下载的量」。

因此，作为条目，必须如实并列，不能替读者选一个数。本文默认使用「官方称 6,000+」作为对外表述（这是项目页当前口径），涉及论文分析时明确标为「论文子集 5,147 slides / 4,066 patients」，涉及全量下载时提示「AWS 页写 7,000+」。

存照（规模三口径）：派发情报 6,000+ / AWS 官方 7,000+ / 论文 5,147 slides——分别来自面向公众的项目页、云托管目录页、学术论文，均属一手。差异源于采集时间窗与版本发布进度不同，非笔误。引用时务必标注口径来源。

2.2 患者数与切片数的关系

论文口径给出 5,147 slides / 4,066 patients，即平均每位患者对应约 1.27 张切片。这说明：

数据集以患者为统计主体时约 4,000 人量级，以切片为统计主体时约 5,000-7,000 张量级；
存在同一患者多张切片的情况（如一次活检多切面、或多处病变），做患者级划分（patient-level split）时必须按患者分组，避免同一患者的切片同时落入训练集与测试集造成数据泄漏；
COBRA 官方附带 prefixed splits，研究者在用预计算嵌入做实验时应确认 splits 是否已按患者分组。

2.3 四组划分

按官方文档（daangeijs.github.io/cobra 与 AWS 说明），COBRA 的 WSI 分为四组：

组	约数	内容	主要用途
① BCC 活检	约 2,500	BCC 活检，带亚型标签	BCC 识别与亚型分类
② 非 BCC 活检	约 2,500	各类皮肤异型增生（光化性角化病、Bowen 病等）	BCC 的主要鉴别池
③ 风险肿瘤活检	约 1,000	黑色素瘤、鳞状细胞癌、Merkel 细胞癌等	危险肿瘤鉴别、OOD
④ BCC 切除标本	约 1,000	含/不含切缘阴性，约 300 张全像素级标注	切缘评估、语义分割

这四组对应前面导读里说的「正类 + 混淆类 + 长尾异常 + 精细分割」四种用途。注意，第四组才是像素级标注的唯一来源——切片级标签全量都有，像素级标注只属于切除标本的子集。

四组的设计逻辑值得展开：

①② 是二分主体：BCC vs 非 BCC 是最基础的临床问题。两组规模相当（各约 2,500），避免了严重类别失衡，利于训练稳定的二分类器；
③ 是「危险混淆池」：这组不是随便凑数的阴性样本，而是临床上真正会与 BCC 混淆、且更凶险的病变。黑色素瘤、鳞癌、Merkel 细胞癌都可能表现为皮肤结节/溃疡，肉眼与低倍镜下与 BCC 有重叠。把它们放进数据，是为了训练模型在这些「危险替代诊断」面前不失误；
④ 是「精细分割池」：切除标本（excision）包含完整的肿瘤与周边组织、表皮与切缘，天然适合像素级标注肿瘤/表皮边界——活检（biopsy）通常只是取一小块，缺乏完整结构，不适合做切割缘分割。

2.4 目录与命名：同物异名的演进

COBRA 的目录结构经历过一次重命名（GitHub commit 记录显示 2026-05-18 大批 rename，commit message 为「rename」「align runners and experiments names with publication」），因此存在同物异名：

组别	早期结构（Zenodo 描述页）	最新结构（GitHub zenodo.md）	含义
BCC 与良性/癌前活检	`bcc/`	`bcc-biopsies/`	BCC + 良性/癌前病变活检
多样非 BCC 实体	`ood/`	`diverse-biopsies/`	非 BCC 实体 + 较旧 BCC 活检
BCC 切除（像素级标注）	`resections/`	`bcc-resections/`	带像素级标注的 BCC 切除标本

每个组目录下统一含：

<group>/
├── images/         # 全切片图像（.tif）
├── annotations/    # 切片级标签（CSV）
├── metadata/       # 患者元数据
├── reports/        # 病理结论（部分组）
├── postprocessing/ # PRISM 嵌入
└── thumbnails/     # 低分辨率预览

bcc-resections/annotations/ 下另有 tumor/ 与 epidermis/ 两个子目录，分别存放 GeoJSON 与 TIFF 掩码。

存照（目录命名双口径）：同一份数据在不同文档中既写作 bcc/ood/resections，也写作 bcc-biopsies/diverse-biopsies/bcc-resections——系官方 rename 导致，非两套数据。检索或写脚本时按最新结构，遇到旧路径不必惊慌。

2.5 采集与规格

来源机构：Radboud University Medical Center（荷兰奈梅亨）病理学系，单中心。
时间窗：关联论文口径为 2016-2020 年采集的日常诊断存档。
扫描设备：3DHistech Pannoramic 1000 切片扫描仪，20× 放大。
分辨率双口径：论文写原始 0.24 µm/px；发布版为降低存储与优化云使用，重采样为 0.5 µm/pixel（Zenodo/README 口径）并施加 JPEG 压缩。二者不冲突——后者是「发布规格」，前者是「原始扫描规格」。
文件规格：pyramidal TIFF（金字塔式多分辨率 TIFF），tile 尺寸 256×256 像素，色彩空间 RGB，8-bit/通道。
总量：AWS/官方文档口径约 0.66 TB；Zenodo 上单独挂的 toolkit zip 仅 877.1 MB（md5 a8e6b50d2a5a01740ce5910c5a855d84），内含工具包 + 小分子集，不是全量数据。

存照（分辨率）：原始 0.24 µm/px（论文扫描规格）vs 发布 0.5 µm/px（重采样后规格）。引用时须区分「你拿到的数据」与「原始扫描」。

2.5.1 关于 JPEG 压缩与重采样的技术权衡

官方明确说明优化的动因：「为优化云使用，最高分辨率的 0.24 µm/pixel 被从图像中移除，并施加了 JPEG 压缩」。这是一个有意的精度-成本权衡：

空间重采样（0.24 → 0.5 µm/px）：把每像素代表的物理尺寸翻倍，等价于降低最高倍率下的细节。0.5 µm/px 约相当于 20× 下的常见建模分辨率，对 BCC 的细胞巢识别通常足够，但细微信号（如个别细胞核异型）会损失；
JPEG 压缩：有损压缩进一步降低存储，但在极高倍率下可能引入块状伪影（blocking artifacts）——对某些对纹理敏感的任务（如细微核分裂象计数）可能构成噪声。

研究者在用 COBRA 时需意识到：你建模所用的图像，与病理医生在显微镜下原始看到的切片，在细节保真度上已有差距。这是几乎所有公开 WSI 数据集的共性代价，COBRA 选择公开其权衡而非隐藏。

2.5.2 0.66 TB 意味着什么

全量约 0.66 TB 是一个需要认真对待的存储与带宽量级：

单次完整下载需要接近 1 TB 的可用磁盘与足够的带宽；
云上训练（AWS）可避免本地下载，直接在 co-located 计算实例上读取，是官方推荐的路径；
若只需做分类/零样本实验，可只用预计算的 PRISM 嵌入（体量小得多），跳过原始 WSI 下载——这是 COBRA 嵌入资产「低门槛入门」价值的直接体现（见 §3.4）。

2.6 诊断类别体系

官方文档列出八个诊断大类：

Basal Cell Carcinoma（基底细胞癌）
Benign & Pre-malignant lesions（良性及癌前病变）
Squamous Cell Carcinoma（鳞状细胞癌）
Lymphoma（淋巴瘤）
Melanoma（黑色素瘤）
Merkel Cell Carcinoma（Merkel 细胞癌）
Cutaneous Metastases（皮肤转移癌）
Rare Adnexal Tumors（罕见附件器肿瘤）

这八类的功能分层如下：

主体二分（1-2）：BCC vs 良性/癌前病变——构成「BCC vs 非 BCC」的核心二分。良性/癌前病变里的**光化性角化病（actinic keratosis）**和 Bowen 病是皮肤病理最常见的两类异型增生，也是 BCC 最需要鉴别的良性/交界病变；
风险肿瘤池（3-7）：鳞状细胞癌（cSCC）、淋巴瘤、黑色素瘤、Merkel 细胞癌、皮肤转移癌——这五类都是「危险但非 BCC」的病变。它们的共同点是临床表现可与 BCC 相似（皮肤丘疹、结节、溃疡），但生物学行为更凶险（转移、致死），因此模型若把它们误判为良性的 BCC 会酿成严重后果；
长尾异常（8）：罕见附件器肿瘤（rare adnexal tumors）——汗腺、皮脂腺、毛囊等附件器来源的肿瘤，极其罕见但形态多样。它们是理想的 OOD 样本：模型在训练分布内从未充分见过，能否识别「这不是我熟悉的类别」直接关系临床安全。

从建模视角看，这八类支撑三种任务粒度：二分类（BCC vs 非 BCC）、多分类（八类互分）、开集/OOD（前七类为闭集，第八类及更罕见者为开集）。COBRA 的多类别设计使这三级粒度都可在同一数据集上评估。

2.7 类别分布的不均衡（已知偏置）

官方未公开完整的逐类计数表，但从四组设计可推断显著的类别不均衡：

BCC 与良性/癌前病变是主体（各约 2,500 张），占绝大多数；
风险肿瘤池约 1,000 张，分摊到鳞癌/黑色素瘤/淋巴瘤/Merkel 癌/转移癌五类上，每类样本相对稀少；
罕见附件器肿瘤则更少，属长尾尾部。

这种不均衡是刻意的临床写照（现实中 BCC 就是远比皮肤淋巴瘤常见），但对训练构成挑战：朴素训练出的模型会偏向多数类。使用 COBRA 做多分类时，需考虑类别加权、重采样或长尾学习方法；做 OOD 时应把「稀有类作为开集」单独评估。这一偏置已在条目的 rai:dataBiases 字段中显式声明。

§3 标注体系：四级资产

COBRA 的标注不是单一的标签文件，而是四级、面向不同任务的资产组合。理解这四级，才能理解它为什么同时能支撑分类、分割、报告生成和 OOD 检测。本节的四级分别为：切片级标签、像素级标注、病理报告、预计算嵌入（外加患者元数据这一辅助层）。

3.1 切片级诊断标签（slide-level labels）

覆盖全部图像。以 CSV 文件提供，列为 filename, label——即每张 WSI 对应一个诊断类别标签。这是数据集最基础的一层，直接支撑：

二分类：BCC vs 非 BCC；
多分类：八类诊断之间的区分；
切片级弱监督：配合多实例学习（MIL）做切片级建模。

CSV 结构的极简（仅两列）体现了设计者的取向：标签文件保持最简，把复杂性留给图像与任务本身。研究者可据此自由定义任务边界（如把八类合并为「BCC vs 危险 vs 良性」三分类）。

3.2 像素级标注（pixel-level annotations，仅切除标本子集）

仅 bcc-resections/ 组提供，且官方称其中约 300 张为 fully annotated。提供两种互补形式：

GeoJSON 多边形：矢量标注，覆盖 tumor（肿瘤） 与 epidermis（表皮） 两类区域，适合矢量编辑、可视化和可扩展处理；
单通道 TIFF 掩码：栅格掩码，类索引为 0=背景（background）, 1=组织（tissue）, 2=肿瘤（tumor）, 3=表皮（epidermis），直接用于语义分割训练。

这套四类索引（背景/组织/肿瘤/表皮）定义了 COBRA 的分割任务标签空间，GitHub 的 segmentation 实验正是按这四类做组织区域语义分割。

3.2.1 为什么同时给 GeoJSON 和 TIFF 掩码

两种格式不是冗余，而是面向不同使用范式：

GeoJSON（矢量） 保留原始标注的几何精度与可编辑性。病理医生在 ASAP 等工具里勾画的是多边形，矢量格式记录的是「原始意图」，便于再加工、缩放和审计；
TIFF 掩码（栅格） 是矢量栅格化后的直接训练标签，省去研究者自己矢量转栅格的步骤，且类索引标准化（0-3）便于直接喂给分割网络。

同时提供两者，等于既给了「可追溯的原始标注」，也给了「开箱即用的训练掩码」——这是一个对复用者友好、但容易被忽视的细节。

3.2.2 标注类别语义辨析

四类掩码的语义边界需要留意：

背景（0） 指切片上非组织的空白区域（玻璃背景），分割时应忽略或单列；
组织（1） 指正常/非肿瘤的实质组织；
肿瘤（2） 指 BCC 肿瘤区域——这是切缘评估的核心关注对象；
表皮（3） 指表皮层，BCC 常起自表皮基底层，表皮与肿瘤的边界是形态学诊断的关键。

注意类别 2 与 3 的区分是 BCC 分割的难点：BCC 与表皮在形态上毗邻且有时连续，准确区分需要病理知识。研究者在做四类分割时，若把 2 与 3 合并会大幅简化任务但丢失关键信息。

3.3 荷兰语病理报告（pathology reports）

以 CSV 提供，列为 filename, conclusion，conclusion 为荷兰语病理结论文本。这是 COBRA 面向 视觉语言模型（VLM） 与报告生成研究的关键资产：模型可以从切片图像生成结构化/自然语言的病理结论，实现「图像到报告」的跨模态训练与评估。

须注意报告语言为荷兰语（Dutch）——非荷兰语使用者在训练 VLM 或做文本侧评估时，需先做机器翻译，或专门构建荷兰语-英语平行处理流程。这是 COBRA 相对英语系数据集的额外门槛。

3.3.1 病理报告作为「监督信号」的价值

病理报告文本比单纯的类别标签信息量大得多：它通常包含诊断结论、亚型描述、切缘状态、以及临床建议等丰富的临床语义。把它作为监督信号，可以：

训练报告生成模型（图像 → 文本）；
做图文对比学习（图像-文本对齐，为检索和零样本分类服务）；
提取结构化信息（如用 NLP 从报告中抽取切缘状态、亚型），生成比切片级标签更细的监督。

这也解释了为什么 COBRA 要把报告单独作为一级资产——它是弱监督与多模态研究的富矿，而非附属品。

3.4 PRISM 基础模型嵌入（pre-computed embeddings）

COBRA 直接附带 PRISM 基础模型的切片级（slide-level）与 tile 级（tile-level）嵌入，并附训练/验证/测试 splits 划分。用途：

开箱即用的特征：无需自己跑基础模型推理即可开展下游分类、检索、聚类实验；
零样本分类：PRISM 作为视觉语言模型，其嵌入可与候选诊断标签的文本嵌入比较，做标签相似度（label-similarity）零样本多分类——GitHub 的 label-similarity 实验即此；
标准化基准：预计算嵌入 + 固定 splits，利于不同团队横向比较。

AI-Ready 视角：预计算嵌入是 COBRA 最「AI-Ready」的一层——它把最耗算力的特征提取前置到发布方完成，研究者拿到数据即可训练分类头或做检索，大幅降低入门成本。这也是它与很多「只给原始 WSI + 标签」的数据集拉开差距之处。

3.4.1 切片级嵌入 vs tile 级嵌入

两种层级的嵌入服务于不同任务：

tile 级（patch 级）：对每个 256×256 tile 提取的特征向量——保留空间粒度，适合分割引导、注意力可视化、以及「先 tile 后聚合」的 MIL 建模；
切片级：对整张 WSI 聚合后的单一特征向量——适合切片级分类、检索、零样本标签相似度。

预计算两层嵌入，等于把「特征提取器」这一最重的模块标准化了。代价是研究者被绑定到 PRISM 这一个基础模型：若想换用其他基础模型（如 UNI、Virchow），仍需自行推理原始 WSI。这是一个「便利性 vs 灵活性」的取舍，使用者需心中有数。

3.4.2 splits 与数据泄漏防范

官方提供 train/val/test 的 splits 划分。使用预计算嵌入做实验时，务必：

确认 splits 是否按患者分组（patient-level），否则同一患者的多张切片跨集合会造成泄漏；
不要在测试集上做任何超参选择；
若自行重新划分，保持与官方的可比性需注明。

3.5 患者元数据

提供匿名的年龄与性别等人口学信息（metadata/ 目录）。去标识后仅保留粗粒度人口学字段，不含直接身份标识，用于亚组分析与公平性评估（如模型在不同年龄/性别组上的表现差异）。

这一层的存在体现了数据治理意识：即便特征层面只有图像，保留粗粒度元数据仍能支持「模型是否对某人群系统性偏差」这类关键但常被忽略的评估。

3.6 四级资产一览表

层级	资产	覆盖范围	格式	支撑任务
1	切片级诊断标签	全量	CSV（filename,label）	二分类/多分类/弱监督
2	像素级标注	切除子集（约 300 全标注）	GeoJSON + TIFF 掩码	语义分割/切缘评估
3	病理报告	部分	CSV（filename,conclusion，荷兰语）	报告生成/VLM/图文对比
4	PRISM 嵌入	全量（预计算）	数值向量 + splits	分类/检索/零样本
辅助	患者元数据	匿名	表格（年龄/性别）	亚组分析/公平性

§4 任务谱与可跑实验

COBRA 官方在 GitHub（DIAGNijmegen/cobra）提供四个端到端实验，每个 experiment runner 自带小分子集，可在不下载全量数据的情况下验证流水线。这四个实验恰好覆盖 COBRA 的四类核心用途。

4.1 四个实验总览

实验	任务	嵌入层级/输入	简述
label-similarity	零样本多分类	tile 级	用 PRISM 视觉-语言能力，把切片嵌入与候选诊断标签的文本嵌入比对，实现无需训练样本的零样本分类
report-gen	病理报告生成	tile 级	用 PRISM 从切片嵌入生成病理报告，检验图像到文本的跨模态能力
classification	二分类 BCC	slide 级	基于切片级嵌入 + 有监督，做 BCC vs 非 BCC 分类，含 train/val/test 划分
segmentation	语义分割	原始图像	对背景/组织/肿瘤/表皮四类做语义分割

这四者构成从弱监督分类到密集预测分割、从纯视觉到视觉语言的完整任务谱。对研究者而言，它们既是示例代码，也是一组可复现的**基线（baseline）**起点。

4.2 label-similarity：零样本多分类

核心思想：PRISM 是一个视觉-语言基础模型，其图像嵌入空间与文本嵌入空间是对齐的。因此，无需任何训练样本，只要把一张切片的（来自 tile 级嵌入聚合的）表示与各个候选诊断标签（“basal cell carcinoma”、“melanoma”、“lymphoma”…）的文本嵌入比较相似度，取最相似者即可完成零样本分类。

为什么重要：

零样本能力是评估基础模型「通用性」的关键指标——若一个模型在从未见过的类别上也能通过文本描述完成分类，说明它学到了可迁移的病理语义，而非记住了训练集的捷径；
这种范式让新诊断类别的加入不需要重新训练，只要提供文本标签——对临床落地（诊断体系会更新）极具吸引力。

candidates 类别（GitHub 列出）：Basal cell carcinoma、Squamous cell carcinoma、Melanoma、Lymphoma 等（“and more…”）。

4.3 report-gen：病理报告生成

核心思想：用 PRISM 从切片嵌入（tile 级）生成病理报告文本，即「图像 → 报告」的跨模态生成任务。

为什么重要：

病理报告是病理医生最重要的产出物，自动生成可大幅减轻书写负担；
报告比类别标签信息量丰富（含亚型、切缘、建议），生成任务考验模型对病理语义的深层理解；
COBRA 的报告是荷兰语——这既是挑战（非荷兰语者需处理翻译），也是机会（可研究多语言病理生成）。

评估要点：报告生成属于开放式文本生成，评估不能只看词级重合（如 BLEU/ROUGE），还需临床事实正确性（是否说对诊断、切缘）——这正是当前病理报告生成研究的开放问题。

4.4 classification：切片级二分类 BCC

核心思想：用切片级嵌入 + 有监督分类头，做 BCC vs 非 BCC 二分类，含 train/val/test 划分。

为什么重要：

这是最直接、最容易复现的下游任务，是检验「COBRA 好不好用」的入门关卡；
由于只需预计算嵌入，算力门槛低——一张 GPU 卡、几小时即可完成，适合作为数据集的第一手体验；
二分类的清晰边界（BCC vs 非 BCC）提供了明确的准确率/AUC 读数，便于跨数据集横向比较。

4.5 segmentation：四类语义分割

核心思想：对背景/组织/肿瘤/表皮四类做密集预测语义分割。

为什么重要：

这是像素级标注资产（切除标本子集）的直接应用；
切缘评估、肿瘤边界勾勒等临床价值直接由分割质量决定；
依赖原始图像而非嵌入——因为分割需要像素级空间信息，tile 级嵌入已丢失空间对应关系。所以做分割任务必须下载 bcc-resections/images 与对应掩码，数据量与算力需求都更高。

4.6 四个实验的难度与算力谱

实验	数据需求	算力需求	难度（入门者视角）
label-similarity	嵌入 + 标签文本	低	低（几乎即跑）
report-gen	嵌入 + 报告	中	中
classification	嵌入 + 标签	低	低
segmentation	原始 WSI + 掩码	高	高

建议入门顺序：classification / label-similarity（低门槛热身）→ report-gen（跨模态）→ segmentation（重资产）。

4.7 任务谱的设计哲学

从任务谱可以看出 COBRA 的设计哲学：一个数据集，四类任务，共享一套标签与嵌入体系。分类任务用切片级标签，分割任务用像素级掩码，报告生成用病理文本，OOD 用八类长尾诊断——四者共用同一批 WSI，避免「每个任务各配一个数据集」的碎片化。这种「一套数据、多任务复用」的设计，让 COBRA 特别适合做多任务学习与基础模型统一评测的研究载体。

§5 与库内皮肤/病理条目的关系边界

COBRA 入池时最容易出的错，是把它和前七大医学图像数据集混为一谈。厘清模态边界是本条目存在的核心价值之一。

5.1 皮肤镜 vs 组织病理：最关键的模态分野

库内已有多个「皮肤」数据集，但绝大多数是皮肤镜（dermoscopy）或临床照片，与 COBRA 的组织病理 WSI 是根本不同的模态：

库内条目	rid	模态	与 COBRA 的关系
`ham10000`	60	皮肤镜（体表放大照）	同属皮肤癌域，但模态不同（体表 vs 切片）
`skincap`	782	皮肤镜图像-描述多模态	模态不同
`skincon`	784	皮肤镜专家概念标注	模态不同
`derm7pt`	110	皮肤镜七点检查法	模态不同
`derm12345`	742	皮肤镜多分类	模态不同
`pad-ufes-20`	151	皮肤镜（PAD-UFES）	模态不同
`isic-archive`	56	皮肤镜	模态不同
`isic-2018`	710	皮肤镜	模态不同
`isic-2019`	707	皮肤镜	模态不同
`isic-2020`	715	皮肤镜	模态不同

一句话区分：皮肤镜看的是体表肉眼可及的整体病变形态（颜色、边界、对称性，如 ABCD 法则）；组织病理看的是切片上细胞与组织的微观结构（细胞巢、核异型、浸润深度）。同一颗痣，皮肤镜照片和病理切片是两张完全不同的图，模型不可迁移、数据不可互换。COBRA 是库内少数几个真正的皮肤组织病理 WSI 数据集。

5.1.1 为什么模态混淆后果严重

把 COBRA 与 HAM10000 混为一谈会犯三重错误：

模型层面：用皮肤镜训练的模型（输入 2D 彩色照片）无法直接应用于 WSI（输入多分辨率金字塔切片），架构、预处理、分辨率全不同；
标签层面：HAM10000 的七类（akiec、bcc、bkl、df、mel、nv、vasc）与 COBRA 的八类类别定义与粒度都不同，虽然都有 BCC 和黑色素瘤，但标签空间不可直接对齐；
引用层面：若在综述里把二者当作「同类皮肤癌数据集的规模对比」，会得出错误的横向结论。

5.2 缩写撞名：bccd ≠ BCC

库内 bccd（rid=851） 全称是 Blood Cell Count and Detection（或同类血细胞检测命名），任务为外周血细胞目标检测，图像是血涂片显微镜图，与「BCC = Basal Cell Carcinoma（基底细胞癌）」没有任何关系——仅英文缩写字母巧合。检索时若按 “BCC” 去匹配，极易把 bccd 误当皮肤病理条目。切勿合并、切勿互为别名。

这是数据集目录里一个典型「字母巧合」陷阱：bccd 与 cobra 在 ILIKE '%bcc%' 或 %bccd% 检索下会同时出现，任何自动化的别名/合并逻辑都必须先过人工确认。

5.3 与库内病理 WSI 家族的呼应

COBRA 在「病理全切片图像」这一大类下，与库内其他 WSI 条目同族：

库内条目	rid	器官/疾病	与 COBRA 的异同
`panda-plus`	—	前列腺穿刺 WSI	最像：均为 WSI + 像素级标注 + 基础模型嵌入范式
`bonemarrow-wsi`	901	骨髓 WSI	同属 WSI，器官不同
`prostate-cnb-wsi`	969	前列腺穿刺 WSI	同属 WSI，器官不同
`compas-gi-histopathology`	988	胃肠道组织病理	同属组织病理，器官不同

这些条目与 COBRA 共享「数字病理 + 计算病理学」的方法论语境（tile 切分、MIL、基础模型嵌入、切片级/像素级多层级标注），是良好的横向对照对象，但器官/疾病谱不同（皮肤 vs 前列腺/骨髓/胃肠），互链时应在正文点明差异而非简单并列。

与 panda-plus 的深度对照（最有价值的互链对象）：两者都是「重标注/多任务」范式的 WSI 数据集，都提供像素级标注与基础模型嵌入，都配套可跑实验。差异在于：

器官：前列腺（PANDA-PLUS）vs 皮肤（COBRA）；
核心科学问题：PANDA-PLUS 聚焦标签噪声与分级一致性（重标注暴露原 PANDA 的高级别标签错误）；COBRA 聚焦鉴别诊断与 OOD（正类 + 混淆类 + 长尾）；
标注深度：PANDA-PLUS 是全量像素级重标注（546 张全部）、COBRA 是子集像素级标注（约 300 张切除标本）。

5.4 机构血缘：Radboud / DIAG 谱系

COBRA 出自 Radboudumc 与 DIAGNijmegen——这也是 PANDA、Camelyon 等经典计算病理数据集的诞生地。库内若收有 CAMELYON 系列（乳腺病理 WSI），则与 COBRA 存在同机构、同方法论血统的间接联系：相同的 tile 化流水线、相同的基础模型生态、相近的标注规范。检索者可将它们纳入「Radboud 数字病理数据家族」统一理解。

5.4.1 DIAG 组的数据集发布「配方」

观察 Radboud/DIAG 的一系列数据集，可提炼出高度一致的发布「配方」：

大规模 WSI（数千至上万张），单中心或少数中心；
多层级标注（切片级 + 像素级）；
标准化预处理（固定分辨率、tile 尺寸、格式）；
基础模型嵌入（预计算，降低下游门槛）；
配套工具与示例实验（toolkit + runners）；
在线查看器（先看后下）。

COBRA 是这套配方的又一实例。理解这一「配方」，有助于预测 DIAG 系数据集的形态，也有助于在库内做同源数据集的批量梳理。

5.5 检索路径建议

精确检索：用 COBRA + basal cell carcinoma + whole slide image 组合，勿单用 “skin”。单用 “skin” 会同时命中所有皮肤镜数据集；
查重时：ILIKE '%cobra%' 精确命中（DB 0 行）；ILIKE '%bcc%' 会误命中 bccd（血细胞），必须人工排除；
模态过滤：在结果里先确认「是组织病理 WSI 还是皮肤镜照片」，再往下看；
同族扩展：找到 COBRA 后，可比对 panda-plus、bonemarrow-wsi、prostate-cnb-wsi、compas-gi-histopathology 等 WSI 家族。

§6 获取与许可

6.1 三条获取路径

路径	内容	适用
Zenodo 记录	`cobra-toolkit.zip`（877 MB，工具包 + 小分子集）	快速上手、验证流水线、引用数据集
AWS S3（registry.opendata.aws/cobra/）	全量数据（约 0.66 TB）	完整训练/评估
在线查看器（cobra.daangeijs.nl）	网页浏览切片	下载前先「看看长什么样」

Zenodo 记录是官方指定的引用对象（「That is also the record to cite when you use the dataset」，作者原话）。AWS 页则是全量数据的托管入口——注意 AWS 页的 How to Cite 建议引用 AWS 页 URL，而作者/查看器页要求引用 Zenodo DOI，引用时应以 Zenodo DOI 为准。

6.1.1 Zenodo toolkit 到底装了什么

cobra-toolkit.zip（877 MB）不是一个「缩小版数据集」，而是工具包 + 小分子集的组合：

工具包：下载助手、数据处理脚本、实验代码（与 GitHub 仓库内容对应）；
小分子集：每个 experiment runner 附带的少量样本，用于验证流水线端到端跑通，而非训练。

因此，「下载了 Zenodo 的 877 MB 却发现数据太少」是新手最常见的误解（坑 2）。要真正使用数据，须走 AWS。

6.1.2 为什么托管在 AWS Open Data

COBRA 选择 AWS Open Data 托管全量数据，意义在于：

免流量费：研究者从 AWS 下载不产生 egress 费用，大幅降低获取成本；
就地计算：可在 AWS 云实例上直接读取 S3 数据，避免本地下载 0.66 TB；
可持续：Open Data 项目为公开科研数据提供长期托管，比个人网盘更稳定。

这是「大体积公开数据」日益主流的托管模式，也是 COBRA 能被广泛使用的基础设施保障。

6.2 许可：CC BY 4.0（含历史口径冲突）

最新、多方一致的许可口径：数据集 CC BY 4.0（署名 4.0 国际），软件 Apache License 2.0。这一口径在三处官方来源上一致：

Zenodo 记录页 License 段；
GitHub README.md License 段；
daangeijs.nl 查看器项目页（「The dataset is released under a CC BY 4.0 license, so you can use it for academic and commercial work as long as you give credit」——明确允许学术与商业使用，只需署名）。

但历史/旧文档页存在冲突口径：

daangeijs.github.io/cobra 文档页写 CC BY-NC-SA 4.0（署名-非商业-相同方式共享）；
AWS Registry 官方页写 CC BY-SA-NC 4.0。

判别：CC BY 4.0 与 CC BY-NC-SA 4.0 的差别是根本性的——前者允许商业使用，后者禁止商业使用。三处最新来源一致写 CC BY 4.0，且查看器页明确说「可用于学术和商业用途，只需署名」，说明官方的意图是放宽到 CC BY 4.0；旧文档页与 AWS 页的 NC-SA 口径疑为早期版本残留、未同步更新。

6.2.1 CC BY 4.0 对使用者的实际含义

CC BY 4.0 是最宽松的 CC 许可之一，允许使用者：

✅ 共享：以任何媒介或格式复制、再分发；
✅ 演绎：改编、修改、再创作（如基于 COBRA 训练模型、生成派生数据集）；
✅ 商用：用于商业目的；
⚠️ 唯一条件：署名（Attribution）——须给出适当署名、提供许可链接、指出是否做了修改。

也就是说，在 CC BY 4.0 口径下，用 COBRA 训练商用模型、基于它开发产品都是允许的，只需正确署名。这与旧口径 CC BY-NC-SA 4.0（禁商用 + 强制相同方式共享）天差地别。因此澄清此冲突对商业用户至关重要。

存照（许可三口径）：最新（Zenodo / GitHub / 查看器）= CC BY 4.0；历史（daangeijs.github.io 文档页）= CC BY-NC-SA 4.0；AWS Registry 页 = CC BY-SA-NC 4.0。本条目以最新 CC BY 4.0 为准，但强烈建议：商业使用前再次核对官方最新许可页面并保留证据，因为冲突确实存在。

6.2.2 署名建议格式

按 CC BY 4.0，使用 COBRA 时建议署名：

Geijs, D. (2025). COBRA data toolkit: A whole-slide image dataset of basal cell
carcinoma and diverse skin malignancies for computational dermatopathology
(Version 1.0.0-alpha) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.18106134

并注明「是否对数据做了修改」。

6.3 数据可用性分级（DAIMS 视角）

维度	COBRA 的实际情况
可发现性	高：Zenodo DOI + GitHub + AWS Registry + 项目官网四入口齐备
可获取性	全量托管公有云（AWS Open Data），无需申请；小分子集 Zenodo 直下
许可清晰度	中：最新口径明确为 CC BY 4.0，但存在 NC-SA 历史口径，需核对
互操作性	中高：标准 pyramidal TIFF + CSV + GeoJSON + TIFF 掩码，工具链生态成熟
可复用性	高：预计算 PRISM 嵌入 + 固定 splits + 四个示例实验，显著降低复用门槛
AI-Ready 程度	高：多层级标注 + 多任务 + 多模态（图像/文本/嵌入）一体

6.3.1 与库内可获取性光谱的对照

把 COBRA 放到库内数据集的可获取性光谱上：

完全开放直链（如某些 CC BY 的 HuggingFace 数据集）：COBRA 的全量在 AWS，属开放但需自取——接近完全开放；
请求制（如 panda-plus 的掩码，需向作者申请）：COBRA 不需要申请，优于请求制；
受控访问（如 MIMIC 需签署协议）：COBRA 无此门槛。

因此，COBRA 在可获取性上表现优秀：无申请、无协议、公有云托管、CC BY 4.0。唯一的「门槛」是数据量大（0.66 TB）与报告语言（荷兰语）。

6.4 使用前的合规清单

若要在项目/产品中使用 COBRA，建议按以下清单逐项确认：

✅ 核对官方最新许可页（Zenodo / GitHub / 查看器），确认 CC BY 4.0；
✅ 若为商业用途，留存许可页截图或快照作为证据；
✅ 在成果中按 CC BY 4.0 要求署名；
✅ 若对数据做了修改，注明修改内容；
⚠️ 处理荷兰语报告时，若使用机器翻译服务，确认该服务的数据处理条款；
⚠️ 患者数据虽已去标识，仍应对元数据做隐私影响评估后再用于发布模型。

§7 DAIMS 元数据对照表

按 DAIMS（Data Asset Inventory and Metadata Standard）口径，COBRA 的关键元数据如下：

DAIMS 字段	取值
数据集名称	COBRA (Classification Of Basal cell carcinoma, Risky skin tumors and Abnormalities)
别名/官方标题	COBRA data toolkit: A whole-slide image dataset of basal cell carcinoma and diverse skin malignancies for computational dermatopathology
标识符	DOI: 10.5281/zenodo.18106134
版本	1.0.0-alpha（Zenodo；分阶段发布）
发布机构	Radboud University Medical Center / DIAGNijmegen
创建者	Daan Geijs（ORCID 0000-0003-3984-1766）
通讯/负责人	Geert Litjens（ORCID 0000-0003-1554-1291）、Avital Amir
发布日期	2025-12-31（Zenodo 首发）
数据类型	全切片病理图像（WSI）+ 表格标签 + 矢量/栅格标注 + 文本报告 + 数值嵌入
模态	组织病理图像（H&E）；文本（荷兰语病理报告）；图像嵌入
规模	官方称 6,000+ WSI（多口径见 §2.1）
空间/时间覆盖	Radboudumc 单中心；2016-2020 采集（论文口径）
分辨率	原始 0.24 µm/px；发布 0.5 µm/px
标注类型	切片级诊断标签 + 切除标本像素级标注（GeoJSON/TIFF 四类）
许可	CC BY 4.0（数据集）/ Apache 2.0（软件）
获取方式	Zenodo（toolkit）/ AWS Open Data（全量）/ 在线查看器
语言	报告为荷兰语；文档为英语
患者信息	匿名年龄、性别
诊断类别数	8 大类
标注覆盖率	切片级 100%；像素级仅切除标本子集（约 300 张全标注）

§8 生态与影响

8.1 实验室谱系

COBRA 出自 Radboudumc 的 DIAG 组（Diagnostic Image Analysis Group），这是计算病理学界最活跃的团队之一。其标志性特征包括：大规模的切片级弱监督学习框架、基础模型嵌入的标准化、以及把「数据集 + 工具包 + 基准实验」打包发布的工作流。COBRA 完全继承了这套范式——不仅给数据，还给 toolkit、给嵌入、给可跑实验、给在线查看器。

DIAG 组的其他代表性产出（库内或学界常见）：

CAMELYON（2016-2017）——乳腺前哨淋巴结转移检测挑战赛，数字病理的里程碑数据集；
PANDA（2020）——前列腺癌 Gleason 分级挑战赛；
PANDA-PLUS（2025）——PANDA 的像素级重标注升级版；
COBRA（2025）——皮肤病理 BCC 及多样恶性肿瘤 WSI。

从 CAMELYON 到 PANDA 到 COBRA，可以看到 DIAG 组数据集设计的演化脉络：从「单一任务挑战赛」走向「多任务、多层级标注、附基础模型嵌入的一体化资源包」。COBRA 是这一演化的较新形态。

8.2 相关论文

与 COBRA 同源的工作是 Scientific Reports 2025 的「Weakly supervised regression enables interpretable tumor detection in whole-slide histopathology without negative cases」（弱监督回归实现无阴性病例场景下可解释的全切片肿瘤检测，doi:10.1038/s41598-025-27158-8）。

该文的核心设定——训练集中完全没有阴性（无肿瘤）病例，用肿瘤占比回归替代二分类——与 COBRA「正类为主 + 需识别异常」的设计理念一脉相承：两者都在解决「现实数据里没有干净的阴性对照」这一临床痛点。论文描述其数据时提到：

COBRA 由 5,147 slides / 4,066 patients 组成，采集自 Radboudumc 2016-2020；
其中 2,661 张含 BCC 肿瘤，2,476 张为非 BCC；
全部用 3DHistech Pannoramic 1000 扫描，20× 放大，0.24 µm/px；
肿瘤占比经内部皮肤肿瘤分割算法计算，范围 0.01%-89%，均值 16%、中位数 10%。

这段描述是论文口径的 COBRA 构成快照，与本条目 §2.1 的「5,147 slides」口径一致，可作为规模与采集规格的权威旁证。

注意：论文描述的是其使用的子集（含 BCC 与非 BCC 两类主要类别），而非 COBRA 的完整八类构成。引用时须区分「论文子集」与「数据集全体」。

8.3 应用方向

COBRA 的直接应用场景包括：

皮肤癌筛查辅助：BCC 自动识别与亚型分类，缓解病理医生阅片负荷；
术前切缘评估：切除标本分割辅助判断切缘是否干净（Mohs 手术等场景尤为关心）；
临床安全 OOD 检测：识别「不在训练分布内的异常」，避免模型对未知病变盲目自信；
多模态病理研究：图像-报告联合建模，推进病理大模型；
基础模型评测：作为 WSI 基础模型的皮肤病学下游评测集。

8.3.1 为什么皮肤病理尤其需要 OOD 能力

皮肤是人体最大的器官，皮肤病变的种类极其繁多——仅炎症性皮肤病就有数百种，肿瘤性病变也有大量罕见类型。任何在有限数据集上训练的模型，在真实临床中都会遇到大量未见过的病变。若模型缺乏 OOD 能力，会把陌生病变强行归入已知类别，产生「自信的错误」。

COBRA 用「八类 + 罕见附件器肿瘤」的设计正面回应这一挑战：它不假装自己覆盖了所有皮肤病变，而是显式地把长尾放进数据，让模型有机会学到「这不在我的知识范围内」这一关键信号。这种设计在儿科、眼科等长尾严重的专科领域同样有借鉴价值。

8.4 对皮肤病学 AI 生态的意义

在 COBRA 之前，皮肤病学 AI 的公开数据集生态是皮肤镜主导的（ISIC 系列、HAM10000、PAD-UFES 等），组织病理 WSI 资源稀缺。COBRA 的出现补上了这一空缺，使研究者第一次能在一个成规模、带多层级标注、含鉴别诊断的皮肤病理 WSI 集上做系统研究。它对生态的意义有三：

模态补位：把皮肤病学 AI 从「只看体表」推进到「也能看切片」；
任务升级：从「分类」扩展到「分割 + 报告生成 + OOD」；
方法示范：展示「正类 + 混淆类 + 长尾」的数据集设计范式。

§9 方法学启示

9.1 「正类 + 混淆类 + 长尾」是三段式黄金结构

多数分类数据集只关心「能不能分对正负类」。COBRA 额外引入两个维度：

混淆类（危险但非 BCC 的其他肿瘤）强迫模型学习鉴别诊断；
长尾异常（罕见附件器肿瘤）强迫模型学习知道自己不知道。

这套结构对任何「高风险 + 长尾」的医学 AI 任务都有借鉴意义。它背后的洞察是：临床上最危险的错误不是「分不清良性/恶性」，而是「把罕见的恶性误判为常见的良性」——而后者恰恰是缺少混淆类与长尾数据的模型最容易犯的错。

9.2 预计算嵌入是把入门门槛「前置消化」

COBRA 把最贵的算力（基础模型推理）由发布方承担，附赠嵌入与 splits。这降低了复现成本和横向比较噪声，是数据集设计上值得推广的做法——代价是研究者被绑定到特定基础模型（PRISM），需要意识到这一「隐式约束」。

推广启示：任何以 WSI 为对象的数据集，都可以考虑附带主流基础模型的预计算嵌入，把「数据可用性」从「原始像素」提升到「即用特征」。这是一种对社区非常友好的做法，但也有「锁定基础模型选择」的副作用，理想情况下应附带多个基础模型的嵌入（COBRA 目前仅 PRISM）。

9.3 单中心是优势也是局限

单中心（Radboudumc）保证了标注一致性、染色与扫描流程的统一，减少了多中心数据常见的分布漂移；但代价是泛化性证据有限——用 COBRA 训练的模型在荷兰以外、不同染色/扫描仪条件下的表现需要额外外部验证。

推广启示：单中心数据集适合研究「方法可行性」与「任务定义」，但不足以宣称「临床泛化」。使用 COBRA 的论文在讨论局限性时，应明确「单中心」这一约束。理想的后续是补充多中心外部验证集。

9.4 标注资产的分层复用

COBRA 把标注拆成四级（切片级、像素级、报告、嵌入），每级服务不同任务，且可单独使用。这种「分层复用」的设计避免了「要么全用、要么全不用」的僵化——只想做分类的人不必下载像素级掩码与原始 WSI，只想做分割的人可以聚焦切除标本。按需取用、成本可控，是资源包式数据集的实用美学。

9.5 从「数据集」到「工具包」

COBRA 的官方称谓是「COBRA data toolkit」（数据工具包），而非单纯的「dataset」。这一命名差异意味深长：它把数据、工具、示例、查看器、嵌入作为一个整体交付，使用者获得的不是「一堆文件」，而是一个「开箱可用的研究环境」。这种「工具包化」是计算病理数据集发布的趋势，值得其他数据集效仿。

§10 建议互链点（库内条目 + rid）

说明：以下 rid 为撰写时经 DB 查询确认的在架条目（status=1 AND del_sign=0），供主会话入库后按实际 rid 回填 relatedLink（写入前请复核在架状态；本条目 relatedLink 一律留占位，由主会话统一回填，遵循 R018 纪律）。

10.1 同模态病理 WSI（最强互链）

panda-plus——前列腺 WSI 像素级标注，范式最接近（WSI + 像素级标注 + 基础模型嵌入 + 可跑实验）；
bonemarrow-wsi（rid=901）——骨髓组织病理 WSI；
prostate-cnb-wsi（rid=969）——前列腺穿刺 WSI；
compas-gi-histopathology（rid=988）——胃肠道组织病理。

互链理由：同属「计算病理学 / 数字病理」方法论家族，可做跨器官方法对照；正文需点明器官差异。

10.2 皮肤图像模态对照（务必在正文点明模态差异，勿合并）

ham10000（rid=60）——皮肤镜七分类，最经典的皮肤病学数据集；
skincap（rid=782）、skincon（rid=784）、derm7pt（rid=110）、derm12345（rid=742）、pad-ufes-20（rid=151）——均为皮肤镜/临床图像；
isic-archive（rid=56）、isic-2018（rid=710）、isic-2019（rid=707）、isic-2020（rid=715）——ISIC 皮肤镜系列。

互链理由：同属「皮肤图像」检索空间，是用户最容易与 COBRA 混淆的对象。互链价值在于显式声明模态差异，防止错误对比。

10.3 消歧提示（不互链，仅正文说明）

bccd（rid=851）——外周血细胞检测数据集，与基底细胞癌（BCC）无任何关系，仅缩写撞名，禁止互为别名或合并。

10.4 互链矩阵建议

目标条目	rid	关系类型	建议措辞方向
panda-plus	待核	同范式 WSI	「同为 WSI + 像素级标注 + 基础模型嵌入范式」
bonemarrow-wsi	901	同模态 WSI	「同属组织病理全切片图像」
prostate-cnb-wsi	969	同模态 WSI	「同属组织病理全切片图像」
compas-gi-histopathology	988	同模态组织病理	「同属组织病理 H&E 图像」
ham10000	60	皮肤模态对照	「皮肤镜 vs 组织病理，模态不同」
skincap	782	皮肤模态对照	同上
skincon	784	皮肤模态对照	同上
derm7pt	110	皮肤模态对照	同上
derm12345	742	皮肤模态对照	同上
pad-ufes-20	151	皮肤模态对照	同上
isic-*	56/707/710/715	皮肤模态对照	同上

§11 避坑清单：七个已踩过的坑

坑 1：把 COBRA 和皮肤镜数据集当成一回事。库内 ham10000、skincap、skincon、derm7pt、derm12345、pad-ufes-20、isic-* 是皮肤镜（体表）图像，COBRA 是组织病理全切片（WSI）——模态根本不同，模型不可迁移、标签不可互换。检索「皮肤癌数据集」时二者会同时出现，务必先看模态再下结论。

坑 2：把 Zenodo 的 877 MB toolkit 当成全量数据。Zenodo 上挂的 cobra-toolkit.zip 只有 877 MB，装的是工具包 + 小分子集（用于验证流水线）；全量数据约 0.66 TB，托管在 AWS。有人下载完 877 MB 发现「数据太少」就是踩了这个坑。

坑 3：规模数字取一个就下笔。6,000+（项目页）/ 7,000+（AWS 页）/ 5,147 slides（论文）三个口径都真实存在，各有语境。对外表述建议用「官方称 6,000+」，涉及论文分析时明确「论文子集 5,147 slides / 4,066 patients」。

坑 4：忽略病理报告是荷兰语。reports/ 里的病理结论是**荷兰语（Dutch）**文本，不是英语。做 VLM 训练或文本侧评估前必须先处理语言问题，否则跨模态实验会卡在这一层。

坑 5：许可只看一个页面。最新官方来源（Zenodo/GitHub/查看器）写 CC BY 4.0（可商用），但旧文档页与 AWS 页写 CC BY-NC-SA 4.0（禁商用）。商用前必须复核最新官方许可页并留存证据，不可想当然。

坑 6：把预发布当已定稿。COBRA 尚处 1.0.0-alpha 预发布（Zenodo 版本号 + Development Status: Wip + 「分阶段发布」），部分规模/构成会随版本增长。写论文引用时宜标注版本与时点，避免把「阶段性子集」当作「最终全集」。

坑 7：把 bccd 当 BCC 的缩写来检索。库内 bccd（rid=851）是外周血细胞检测数据集，与基底细胞癌 BCC 毫无关系。用 “bcc” 做关键词查重会同时命中两者，必须人工区分，严禁合并或建别名。

§12 总结

12.1 三句话总结

COBRA 是皮肤组织病理 WSI 数据集，以基底细胞癌为核心，兼收多样皮肤恶性肿瘤与长尾异常，出自 Radboudumc / DIAGNijmegen。
它提供四级资产——切片级标签、切除标本像素级标注、荷兰语病理报告、PRISM 基础模型嵌入——覆盖分类、分割、报告生成、OOD 检测四类任务，并附四个可跑实验。
使用它要注意三点：规模多口径、许可曾冲突（以最新 CC BY 4.0 为准）、预发布状态；并务必与库内皮肤镜数据集、血细胞数据集 bccd 区分清楚。

12.2 适合谁

皮肤癌 AI 模型开发者（分类、分割、筛查）；
计算病理学研究者（WSI 基础模型、弱监督、MIL）；
分布外检测 / 临床安全研究者；
病理视觉语言模型与报告生成研究者；
数字病理数据集方法论研究者（多层级标注、嵌入重用）。

12.3 不适合谁

做皮肤镜/体表图像研究的人（模态不对，去用 HAM10000/ISIC）；
需要多中心、跨人群泛化证据的人（COBRA 是单中心）；
需要英语病理报告做文本建模且不愿做翻译的人；
需要明确的商用条款背书又不愿核对许可的人（应先解决许可口径问题）；
想一键拿到全量数据的人（须自行从 AWS 下载约 0.66 TB）。

12.4 30 秒决策卡

你要做的事	COBRA 合适吗	备注
皮肤癌分类	✅ 很合适	切片级标签全量覆盖
组织区域分割	✅ 合适	仅切除标本子集有像素级标注
病理报告生成/VLM	✅ 合适	报告为荷兰语，需处理语言
OOD/异常检测	✅ 很合适	八类长尾诊断设计明确
皮肤镜图像任务	❌ 不合适	模态不同，用 HAM10000/ISIC
跨中心泛化验证	⚠️ 谨慎	单中心数据，需外部集
商业使用	⚠️ 需核对	最新 CC BY 4.0 可商用，但存历史冲突
快速入门	✅ 合适	用嵌入 + 小分子集，低算力过关

§13 深度专题一：基底细胞癌的临床与病理背景

要真正用好 COBRA，需要理解它服务的临床对象——基底细胞癌及其鉴别诊断。本节为使用者补充必要的领域背景。

13.1 为什么是 BCC

基底细胞癌（BCC）是全球发病率最高的癌症，且在持续上升。它的特点决定了它是理想的 AI 建模对象：

高发：基数巨大，阅片量大，AI 辅助的经济价值显著；
形态多样：BCC 有结节型、浅表型、硬化型（morpheaform）、色素型、囊性等多个亚型，形态差异大，是多亚型分类的好题材；
鉴别困难：BCC 与某些良恶性病变（如鳞癌、毛囊肿瘤、基底样细胞增生）肉眼与低倍镜下易混，需要鉴别诊断能力；
总体惰性但可破坏：BCC 转移率低，但局部浸润可毁容，因此早期识别 + 完整切除是核心临床目标——这恰好对应 COBRA 的「分类 + 分割（切缘）」双任务。

13.2 BCC 的病理亚型

COBRA 的第一组（约 2,500 张 BCC 活检）带亚型标签。常见的 BCC 组织病理亚型包括：

亚型	组织病理特征	临床意义
结节型（nodular）	真皮内基底样细胞巢，周边栅栏状排列	最常见，预后较好
浅表型（superficial）	肿瘤细胞芽自表皮基底层向下多灶性生长	多见于躯干，可多灶
硬化型/浸润型（morpheaform）	肿瘤细胞条索嵌于致密纤维间质	边界不清，切缘阳性率高，风险较高
色素型（pigmented）	含黑色素，需与黑色素瘤鉴别	形态学鉴别挑战
囊性/腺样型	囊腔或腺样结构	形态特殊

亚型标签的价值在于：不同亚型的边界清晰度不同，直接影响切缘评估难度。模型若能预测亚型，就能为临床提示「这个病例属于切缘高危型，需更谨慎」。

13.3 BCC 的主要鉴别诊断

COBRA 的风险肿瘤组（约 1,000 张）正是为这些鉴别诊断准备的：

鉴别对象	为何易与 BCC 混淆	关键区别
鳞状细胞癌（cSCC）	均为角质形成细胞来源的恶性上皮肿瘤	鳞癌有角化珠、细胞间桥；风险更高、可转移
黑色素瘤	色素型 BCC 也可含黑色素	黑色素瘤有痣细胞样细胞、核分裂；致死率最高
Merkel 细胞癌	呈蓝染小圆细胞巢，需与基底样细胞鉴别	高度侵袭，神经内分泌标志物阳性
淋巴瘤（皮肤 T/B 细胞）	真皮内密集细胞浸润	淋巴标志物阳性，系统性
皮肤转移癌	真皮内肿瘤巢，来源不明	需结合临床病史与原发灶

这张表说明：「不是 BCC」并不意味着「安全」——风险肿瘤组里的每一个鉴别对象，生物学行为都可能比 BCC 更凶险。这正是 COBRA 把「BCC vs 非 BCC」升级为「BCC vs 危险 vs 良性」三层结构的临床依据。

13.4 切缘评估：为什么需要像素级标注

在皮肤外科（尤其莫氏手术 Mohs surgery）中，切缘状态是决定手术是否成功的核心指标：

切缘阴性（free margin）：肿瘤完全切除，无需扩大切除；
切缘阳性（positive margin）：切缘处仍见肿瘤，需再次手术。

病理医生需要在切片上逐切面确认肿瘤与切缘的关系——这正是像素级分割要解决的任务。COBRA 的切除标本组（约 1,000 张，其中 300 张全标注）提供肿瘤/表皮/组织/背景四类掩码，使模型能学习「肿瘤边界在哪里」「是否触及切缘」。这是 COBRA 相对纯分类数据集的关键增值：它让「切缘评估」这一高价值临床任务有了公开的建模基础。

§14 深度专题二：工程实施要点

拿到 COBRA 后，从「下载」到「跑通实验」之间有一系列工程细节。本节汇总实操要点。

14.1 WSI 读取的技术栈

WSI 不是普通图片——它是多分辨率金字塔 + tile 组织的复杂结构，动辄数 GB。读取 COBRA 的 WSI 需要专门的库：

工具	用途
OpenSlide	通用 WSI 读取（COBRA 依赖 `openslide-tools`）
pyvips	高性能图像处理（大图友好）
pathology-whole-slide-data	DIAG 组自研的 WSI 处理包（官方推荐）
ASAP	病理图像查看与标注工具（官方推荐）
tiffslide	纯 Python 的 TIFF 读取替代方案

GitHub Dockerfile 中已预置了 openslide-tools 与 python3-openslide，Docker 路径可省去手动配置。

14.2 从 WSI 到 tile 的流水线

典型的处理流程：

原始 WSI（.tif，多分辨率）
   │
   ├─ 1. 读取金字塔层级（选择合适倍率，如 20× / 0.5 µm/px）
   ├─ 2. 组织检测（Otsu / 饱和度阈值，剔除背景玻璃区域）
   ├─ 3. 切分 tile（COBRA 已标准化为 256×256）
   ├─ 4. （可选）颜色归一化（Macenko / Reinhard / HED）
   └─ 5. 特征提取（PRISM 或其他基础模型）→ 嵌入

COBRA 已经帮你做好了 1-3 步（标准化 tile、固定分辨率、去背景），并完成了第 5 步（PRISM 嵌入）。研究者可直接跳到下游建模——这是 COBRA「工具包化」的核心便利。

14.3 用预计算嵌入快速起步

若使用官方预计算嵌入，最简流程：

从 Zenodo 下载 toolkit（含小分子集与嵌入）；
安装依赖（对应 Docker 或手动装 requirements.txt）；
运行 runners/classification/run_experiment.py（下载嵌入 → 训练分类头 → 评估）；
在自带小分子集上验证流水线无误后，再切换到全量嵌入。

这条路径无需 GPU 集群、无需下载原始 WSI，是体验 COBRA 的最快方式。

14.4 切换到原始 WSI 时的注意事项

当任务需要原始像素（如分割、自研特征）时：

存储：预留接近 0.66 TB 空间或改用云实例；
I/O：WSI 随机读取慢，务必先在本地/云盘上批量 tile 化，避免训练时反复读大文件；
内存：不要一次加载整张 WSI，用「滑窗 + 按需读取」；
并行：tile 提取可多进程并行，是主要加速点；
色彩：不同扫描批次可能有色差，若跨批次训练需做颜色归一化。

14.5 Docker 与复现

官方提供 Dockerfile，要求：

Python 3.10+；
PyTorch 2.5+；
CUDA 12.4+（GPU 加速）；
HuggingFace token（访问 PRISM 模型需要）。

后者是一个容易忽略的门槛：PRISM 模型在 HuggingFace 上，需要 token 才能加载。运行前须 export HF_TOKEN=your_token。若网络受限，可考虑 HuggingFace 镜像（环境坑：本沙箱中 HuggingFace 主站可能被封锁，须走 hf-mirror.com）。

14.6 常见报错与排查

现象	可能原因	排查
打不开 .tif	缺 OpenSlide / 系统库	装 `openslide-tools`
PRISM 加载失败	缺 HF token 或网络不通	设 `HF_TOKEN`；用镜像
内存溢出	一次加载整张 WSI	改滑窗按需读取
数据太少	只下了 Zenodo 的 877MB	转 AWS 下载全量（坑 2）
报告读不懂	报告是荷兰语	先翻译（坑 4）

§15 深度专题三：数据集对比与定位

15.1 COBRA 在皮肤 AI 数据集版图中的位置

数据集	模态	规模	标注层级	核心任务
COBRA	组织病理 WSI	6,000+ WSI	切片级 + 像素级 + 报告 + 嵌入	分类/分割/OOD/报告生成
HAM10000	皮肤镜	10,015 图	类别标签	七分类
ISIC 系列	皮肤镜	数万图	类别/分割	分类/分割
PAD-UFES-20	皮肤镜	2,298 图	类别标签	分类
PANDA/PANDA-PLUS	前列腺 WSI	万级/546	分级/像素级	分级/分割

独特定位：COBRA 是少数同时具备「组织病理模态 + 多层级标注 + 鉴别诊断设计 + 基础模型嵌入」的皮肤数据集。HAM10000 虽大，但是皮肤镜且只有类别标签；PANDA 是 WSI 但是前列腺。COBRA 填补的是「皮肤 + 组织病理 + 多任务」这一交叉空白。

15.2 与其他 WSI 数据集的横向对照

维度	COBRA	PANDA-PLUS	CAMELYON
器官	皮肤	前列腺	乳腺（淋巴结）
规模	6,000+	546	1,399（16/17）
像素级标注	子集（约 300）	全量	全量（转移区）
报告文本	✅ 荷兰语	❌	❌
预计算嵌入	✅ PRISM	✅（Bench）	❌
中心数	单中心	双中心	多中心

从这张表可见 COBRA 的两个独有优势：病理报告文本与多类别（含长尾）设计。前者支撑 VLM 研究，后者支撑 OOD——这是多数 WSI 数据集不具备的。

15.3 适用与不适用场景的边界

适用：皮肤病学 AI 的「切片侧」任务；需要鉴别诊断与 OOD 的场景；病理 VLM 研究；基础模型评测（皮肤域）；
不适用：皮肤镜/体表图像任务；需要多中心泛化证据的场景；需要英语文本的场景；需要极细分亚型（如按分子分型）的任务。

§16 深度专题四：伦理、治理与合规

16.1 患者隐私

COBRA 的患者数据已去标识：元数据仅保留匿名的年龄与性别，病理报告经处理不含直接身份标识。但使用者仍应注意：

再识别风险：罕见病 + 具体年龄 + 性别 + 机构的组合理论上有再识别可能，尤其对极罕见附件器肿瘤；
元数据使用：用年龄/性别做亚组分析时，报告结果应避免暴露可能指向个体的小样本子群；
模型泄漏：训练生成式模型（如报告生成）时，须评估模型是否会复现训练集中的敏感原文。

16.2 临床落地的责任边界

COBRA 是研究数据集，不是医疗器械：

基于 COBRA 训练的模型不能直接用于临床诊断，须经过监管审批与前瞻性验证；
单中心数据不足以支撑「跨人群安全」的主张；
报告生成类模型若用于临床，必须有病理医生审核环节（COBRA 的报告是荷兰语、且为存档历史文本，不应被当作「金标准」复现目标）。

16.3 数据治理的良好实践

COBRA 体现的良好治理实践值得学习：

明确版本（1.0.0-alpha）——使用者知道这是预发布；
明确许可（CC BY 4.0 最新口径）；
明确语言（荷兰语报告）——不隐藏额外门槛；
公开权衡（JPEG 压缩、重采样）——坦诚记录精度损失；
四位一体交付（数据 + 工具 + 嵌入 + 查看器）。

16.4 使用者的合规自查

事项	自查问题
许可	是否核对了官方最新许可页并署名？
商用	若商用，是否留存了 CC BY 4.0 证据？
隐私	是否评估了元数据的再识别风险？
临床	是否明确「研究用途，非临床器械」？
复现	是否标注了数据集版本（1.0.0-alpha）？
报告语言	是否合规处理了荷兰语文本（翻译服务条款）？

§17 结语：COBRA 的位置与展望

COBRA 的意义不在于「又一个大 WSI 数据集」，而在于它在一个被皮肤镜长期主导的领域，系统性地引入了组织病理视角，并用「正类 + 混淆类 + 长尾」的三段式设计、四级标注资产的组合、以及工具包化的交付方式，把「皮肤病理 AI」从「单一分类任务」推进到「分类 + 分割 + 报告生成 + OOD 检测」的多任务矩阵。

它的当前形态（1.0.0-alpha 预发布）也提示我们：这是一个仍在生长的资源。随着分阶段发布推进、全量在 AWS 上补齐、版本走向正式，它的规模口径与应用边界都可能变化。使用者在引用与建模时应始终锚定版本与时点。

对千方病案医数集而言，COBRA 的价值在于它补上了库内「皮肤 + 组织病理 WSI + 多任务」这一交叉空位，并与库内大量皮肤镜数据集（HAM10000/ISIC/skincap/skincon 等）形成同域异模态的对照集群，是研究「模态差异如何影响模型迁移」的理想素材。它与 panda-plus 等 WSI 条目共同构成「计算病理学」板块的支柱。

一句话收束：COBRA 是皮肤病理 AI 领域一份「设计考究、资产丰富、仍在生长」的公开 WSI 资源——读它、用它、引用它，都要记住它的三个关键词：多口径、预发布、组织病理（非皮肤镜）。

FAQ（高频问答 28 问）

A. 基础认知

1. COBRA 的全称是什么？
Classification Of Basal cell carcinoma, Risky skin tumors and Abnormalities（基底细胞癌、风险皮肤肿瘤与异常分类）。缩写三部分分别对应主体正类、危险混淆类、长尾异常三个功能模块。

2. 它是谁发布的？
荷兰 Radboud University Medical Center 病理学系 / DIAGNijmegen（Diagnostic Image Analysis Group）。Daan Geijs 创建，Geert Litjens 通讯。

3. 它什么时候发布的？
Zenodo 记录发布于 2025-12-31，版本 1.0.0-alpha（预发布/半成品状态，标注 Dataset Development Status 为 Wip）。

4. 它和皮肤镜数据集有什么区别？
模态不同：COBRA 是组织病理切片 WSI（切片上细胞与组织的微观结构），HAM10000/ISIC 等是体表皮肤镜图像（肉眼放大下的整体病变）。二者模型不可迁移、标签不可互换。

5. 它和 bccd（rid=851）是一回事吗？
不是。bccd 是外周血细胞检测数据集（血涂片），与基底细胞癌 BCC 仅缩写字母巧合，无任何关系。

6. 它和 PANDA/PANDA-PLUS 是什么关系？
同机构血统（Radboud/DIAG）、同类范式（WSI + 像素级标注 + 基础模型嵌入 + 可跑实验），但器官不同（皮肤 vs 前列腺），且核心科学问题不同（COBRA 聚焦鉴别诊断与 OOD；PANDA-PLUS 聚焦标签噪声与分级一致性）。

7. COBRA 这个名字听起来像蛇，有特殊含义吗？
它是首字母缩写（Classification Of Basal cell carcinoma…），而非指眼镜蛇。但在公开场合确实常被当作动物名记忆——不妨利用这个记忆锚点。

B. 数据与获取

8. 数据有多大？
官方称 6,000+ WSI（AWS 页写 7,000+；论文口径 5,147 slides / 4,066 patients）；全量约 0.66 TB。

9. Zenodo 上那个 877 MB 是全部吗？
不是，那是工具包 + 小分子集（用于验证流水线），全量在 AWS。

10. 怎么下载全量？
通过 AWS Open Data（registry.opendata.aws/cobra/）。AWS 免 egress 流量费，也可在云实例上直接读取。

11. 有在线预览吗？
有，cobra.daangeijs.nl（OpenLayers 查看器），可在下载前浏览切片。

12. 需要申请吗？
不需要。全量数据托管在公有云 Open Data，无申请、无协议门槛（优于请求制数据集）。

13. 病理报告是什么语言？
荷兰语（Dutch）。做文本建模需先处理语言问题。

14. 能只下载一部分吗？
可以。若只需分类/零样本实验，可只用预计算的 PRISM 嵌入，无需下载原始 WSI。

C. 标注与任务

15. 所有切片都有标签吗？
切片级诊断标签全量覆盖；像素级标注仅切除标本子集（约 300 张全标注）。

16. 像素级标注的类别有哪些？
背景(0)/组织(1)/肿瘤(2)/表皮(3) 四类。

17. 像素级标注是什么格式？
GeoJSON 多边形（tumor/epidermis）+ 单通道 TIFF 掩码（类索引 0-3）。

18. 有预计算特征吗？
有，PRISM 基础模型的切片级与 tile 级嵌入，附 train/val/test splits。

19. 能做什么任务？
分类（二分类/多分类）、分割、OOD 检测、报告生成、零样本分类——GitHub 附四个可跑实验。

20. 切片级标签是什么格式？
CSV，列为 filename, label，每张 WSI 一行。

21. 病理报告包含什么？
荷兰语病理结论（conclusion），比单纯类别标签信息更丰富（可能含亚型、切缘、建议）。

22. 有患者级信息吗？
有匿名年龄与性别，用于亚组分析与公平性评估。

D. 许可与合规

23. 许可是什么？
最新口径 CC BY 4.0（数据集）/ Apache 2.0（软件）；历史文档页与 AWS 页曾标 CC BY-NC-SA 4.0。

24. 能商用吗？
按最新 CC BY 4.0 可以（需署名，允许商用与演绎）；但存在 NC-SA 历史口径，商用前请复核官方最新页面并留存证据。

25. 怎么署名？
建议格式：Geijs, D. (2025). COBRA data toolkit... (Version 1.0.0-alpha) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.18106134，并注明是否修改。

26. 怎么引用？
引用 Zenodo 记录（doi:10.5281/zenodo.18106134）——这是作者明确指定的引用对象。

E. 生产与工程

27. 现在能用了吗？
可以，但它是 1.0.0-alpha 预发布、分阶段发布，部分构成会随版本更新。引用时宜标注版本与时点。

28. 做分割任务要注意什么？
分割依赖原始图像（非嵌入），需下载切除标本 images 与掩码，数据量与算力需求更高；且需处理 WSI 的多分辨率金字塔结构与 tile 切分。

附录 A：核心事实与来源对照

事实	来源
官方标题、作者、DOI、发布日期、版本	Zenodo 记录 https://zenodo.org/records/18106134
四级标注资产、目录结构、技术规格、8 诊断类	GitHub zenodo.md / README.md（DIAGNijmegen/cobra）
四组划分、约 300 张全标注、0.66 TB、CC BY-NC-SA（旧口径）	daangeijs.github.io/cobra
over 7,000、CC BY-SA-NC 4.0（历史口径）	AWS Registry https://registry.opendata.aws/cobra/
6,000+、CC BY 4.0、可商用表述	daangeijs.nl/projects/cobra-viewer
5,147 slides / 4,066 patients / 2661 BCC + 2476 非BCC / 0.24 µm 扫描规格	Sci Rep 2025, doi:10.1038/s41598-025-27158-8
四个可跑实验（label-similarity/report-gen/classification/segmentation）	GitHub runners/

附录 B：双口径冲突存照汇总

规模：6,000+（项目页）/ 7,000+（AWS 页）/ 5,147 slides（论文）——语境不同，并列存照。
许可：CC BY 4.0（最新三源一致）vs CC BY-NC-SA 4.0（旧文档页）/ CC BY-SA-NC 4.0（AWS 页）——以最新为准，商用需复核。
分辨率：原始 0.24 µm/px（论文）vs 发布 0.5 µm/px（zenodo.md）——扫描规格 vs 发布规格。
目录命名：bcc/ood/resections（Zenodo 早期描述页）vs bcc-biopsies/diverse-biopsies/bcc-resections（GitHub 最新）——rename 所致。
发布状态：1.0.0-alpha + Development Status: Wip + 分阶段发布——全量齐全度随版本演进。

附录 C：遗留疑点

COBRA 数据集本身的正式期刊论文（GitHub README 的 citation 块为占位 @article{cobra2024}，标题与作者未填全）未定稿；本文引用的是同源团队的 Sci Rep 2025 工作。引用数据集时以 Zenodo DOI 为准。
Zenodo toolkit zip（877 MB）内切片精确计数未逐一下载核验（受网络预算约束），规模数字以多源文档口径存照为准。
各组的精确类别分布（BCC 亚型细分、各风险肿瘤占比）未在公开文档中给出完整表格，需下载全量后统计。
数据集的最终版本号与正式发布时点未知（当前 1.0.0-alpha），后续版本可能改变规模口径。

附录 D：术语表（中英对照）

中文	英文	释义
基底细胞癌	Basal Cell Carcinoma (BCC)	最常见皮肤癌，起自表皮基底层
全切片图像	Whole Slide Image (WSI)	高分辨率、多分辨率金字塔的数字化病理切片
皮肤镜	Dermoscopy	体表病变的放大成像（与组织病理不同模态）
组织病理	Histopathology	显微镜下观察组织/细胞结构的病理学
切片级标注	Slide-level annotation	整张切片一个标签
像素级标注	Pixel-level annotation	逐像素类别掩码（分割用）
多实例学习	Multiple Instance Learning (MIL)	把切片当「包」、tile 当「实例」的弱监督范式
分布外检测	Out-of-Distribution (OOD) Detection	识别不在训练分布内的异常样本
基础模型	Foundation Model	大规模预训练、可迁移的通用模型
金字塔 TIFF	Pyramidal TIFF	含多分辨率层级的 TIFF 格式（WSI 标准）
切缘	Margin	切除标本中肿瘤与切缘组织的边界（切净与否）
语义分割	Semantic Segmentation	逐像素类别预测
视觉语言模型	Vision-Language Model (VLM)	联合建模图像与文本的模型
零样本分类	Zero-shot Classification	无需训练样本、仅凭文本标签分类
H&E 染色	Hematoxylin and Eosin	病理最常用的组织染色

附录 E：相关链接

Zenodo 记录：https://zenodo.org/records/18106134
官方 GitHub：https://github.com/DIAGNijmegen/cobra
官方文档页：https://daangeijs.github.io/cobra
AWS Registry：https://registry.opendata.aws/cobra/
在线查看器：https://daangeijs.nl/projects/cobra-viewer （cobra.daangeijs.nl）
相关论文：https://www.nature.com/articles/s41598-025-27158-8

条目声明：本条目为千方病案医数集 AI-Ready Wikipedia 的一部分，依据公开一手来源（Zenodo 记录、官方 GitHub、官方文档页、AWS Registry、关联论文）撰写，完成时点为 2026-10-16。COBRA 处于预发布状态（1.0.0-alpha），规模与许可口径存在多来源差异，条目已逐条存照；实际使用时请以官方最新页面为准。