信息速览
CRIC Cervix (cric)：巴西常规 Pap 涂片细胞学开放数据集
本条目为「千方病案医数集」AI-Ready Wikipedia 条目，条目 URL：https://www.qianfanghub.com/ai-ready-dataset/cric/847
INFOBOX 内容 官方名 CRIC Cervix Cell Classification（figshare 归档名）；平台名 CRIC Searchable Image Database 机构 Center for Recognition and Inspection of Cells（CRIC 联合体），UFOP 牵头，含 UFC、UCB、LBNL、IFCE、UFPI 论文 Rezende 等，Scientific Data 8(1):151（2021），doi:10.1038/s41597-021-00933-8，PubMed 34112812 数据规模 分类 collection：400 图 / 11,534 细胞 / TBS 六类；分割 collection：3,233 组核质掩码 患者覆盖 118 名患者 / 118 张常规 Pap 涂片（细胞学判读 3/45/45/12/10/3 六类分布） 采集设备 Zeiss AxioImager.Z2 显微镜 + AxioCam MRc 相机，40× 物镜 + 10× 目镜，1376×1020 px，150 dpi，0.228 μm/pixel 标注 3 名细胞学家（6/11/20 年经验）独立标注 → 全量复核 → 共识定稿 许可 数据 CC BY 4.0；平台代码 GNU AGPL v3.0（二者分离授权） 获取 CRIC Web 平台/API、figshare collection（doi:10.6084/m9.figshare.c.4960286）、UFOP 直链下载 平台 NodeJS + Angular 自建检索平台，2020-07-01 上线，最后代码提交 2023-12-03，65 commits 伦理 巴西 CAAE 1944523（UFOP 伦理审批），患者知情同意脱敏后开放 千方 rid https://www.qianfanghub.com/ai-ready-dataset/cric/847
本文导航
本条目章节较多，按需求场景给出四条阅读路径（编号均为本条目内章节锚点）：
- 快速判定「能不能用」：§1 十问十答 → §9 DAIMS 表 → 附录 C 十条速记；
- 写论文查数字：§2 数据构成 → §4 六类分布 → §5 同类对比 → 附录 D 事实清单（硬数字逐条溯源）；
- 复现与做基准：§4.4 偏斜应对 → §7 评估与衍生基准 → 附录 G 患者级划分工作手册；
- 选型与横向对比：§5 三库对比 → §13 扩展数据生态 → 附录 H 读者路线图。
辅助索引：全部风险点见附录 B 坑点索引（坑 1-7）；全部口径出入见 §10 存照清单；高频问答见附录 E FAQ；术语与缩写见附录 F 术语表；增补说明见附录 I 接管附记。
§0 导读
宫颈癌是全球女性最常见的恶性肿瘤之一，而其筛查的主力手段——巴氏涂片（Pap smear）细胞学检查——恰恰是深度学习应用里出了名的「难啃」场景：细胞重叠、染色差异、异物干扰、稀有类极度稀缺。本条目介绍的 CRIC Cervix，是巴西米纳斯吉拉斯联邦大学（UFOP，Universidade Federal de Ouro Preto）牵头的 Center for Recognition and Inspection of Cells（细胞识别与检查中心，缩写即 CRIC）联合体在 2020-2021 年推出的开放数据集，把 118 名常规妇科门诊患者的 Pap 涂片，变成了 400 张分类用显微图像（内含 11,534 个经专家逐个标注的单细胞）加 3,233 组细胞核-细胞质分割掩码。
它的三个差异化卖点：
- 专家逐细胞标注，不是涂片级弱标签。3 名细胞学家（经验分别为 6、11、20 年）对每个细胞独立判类，再全量复核达成共识——这与许多只给涂片级诊断、靠裁剪裁出「伪单细胞」的数据集有本质区别。
- 分类与分割双 collection 同源发布。同一批涂片既提供 400 张 TBS 六类分类图像，又提供 3,233 组带细胞核与细胞质掩码的分割标注，两条任务线可以互相支撑。
- 自带可检索平台与 figshare 归档。CRIC 平台（NodeJS + Angular 自建）支持按类别、患者、任务在线筛选下载，figshare collection 提供版本化 DOI 归档，数据 CC BY 4.0——商用、改编、再分发均允许，只需署名。
读法三则：
- 只想快速判断「能不能用」：读 §1 十问十答 + §9 DAIMS 表，五分钟定去留。
- 要写论文引用具体数字：所有硬数字集中在 §2（数据构成）、§4（六类分布）与 §5（同类对比），每处标注了论文口径与存照口径的差异；§10 存照清单列出了我们在核验中发现的所有口径出入，引用前务必过一遍。
- 要复现或做基准：§6 的三层获取路径（平台/figshare/直链）+ §7 的衍生基准清单（含「细胞级切分会虚高 6.76 个百分点」这一关键方法学陷阱）是起点；强烈建议按 slide/patient 分组划分数据，不要沿用随机打乱。
本条目行文遵循 AI-Ready Wikipedia 规范：所有数字可溯源至论文、figshare、CRIC 平台或衍生文献中的至少两路独立来源；无法两源互证或发现口径冲突的内容，在 §10 逐条存照而非含糊带过。
§1 数据集速览：十问十答
Q1：CRIC Cervix 到底是什么？
巴西 UFOP 牵头的 CRIC 联合体发布的宫颈癌筛查 Pap 涂片显微图像开放数据集，分分类与分割两个 collection：分类侧 400 张图像、11,534 个单细胞、TBS 六类；分割侧 3,233 组细胞核与细胞质掩码。全部图像来自 118 名常规妇科门诊患者的常规涂片，非专门受控采集。
Q2：名字怎么读、怎么写？
CRIC 是联合体缩写（Center for Recognition and Inspection of Cells），不是「cervical」的缩写；平台官方名 CRIC Searchable Image Database，figshare 归档官方名 CRIC Cervix Cell Classification，论文标题里称 CRIC Cervix。社区偶见的「CRIC Cervical Image Dataset」不是官方命名，引用时建议以论文或 figshare 名为准（坑 2）。
Q3：六个类别是什么体系？
Bethesda 系统（The Bethesda System, TBS）六分类：NILM（未见上皮内病变或恶性）、ASC-US（非典型鳞状细胞-意义不明确）、LSIL（低级别鳞状上皮内病变）、ASC-H（非典型鳞状细胞-不除外高级别病变）、HSIL（高级别鳞状上皮内病变）、SCC（鳞状细胞癌）。这是宫颈癌细胞学报告的全球通用语言，也是 CRIC 相对自造类目数据集的可靠性优势之一。
Q4：图像是怎么拍的？
Zeiss AxioImager.Z2 显微镜 + AxioCam MRc 相机，40× 物镜 + 10× 目镜，输出 1376×1020 像素、150 dpi 的 RGB 图像，标称分辨率 0.228 μm/pixel。常规 Pap 染色。这个规格意味着：无需高倍油镜即可完成筛查级判读，单图 1.4 MP 左右，对现代 GPU 训练是轻量输入，但缺乏 20×/40× 全视野拼图，无法做 WSI 级研究。
Q5：标注流程是什么？
三步走：3 名细胞学家（6/11/20 年经验）各自独立标注 → 全量交叉复核分歧 → 共识定稿。分类侧每个细胞落到六类之一；分割侧同时勾画细胞核与细胞质两层掩码。论文未公布观察者间一致性系数（如 kappa），这是可预期的追问点（§10 存照 6）。
Q6：数据怎么拿？
三条路：①CRIC Web 平台在线筛选下载（含 API）；②figshare collection 一键打包（DOI 10.6084/m9.figshare.c.4960286，V1 2020-05-01 / V2 2020-05-15）；③UFOP 服务器直链（www2.decom.ufop.br/cric/cric-database）。数据 CC BY 4.0，无需注册审批。
Q7：能商用吗？
数据本体 CC BY 4.0——商用允许，条件仅署名。但 CRIC 平台源代码是 GNU AGPL v3.0，若你把平台代码改造成自己的服务对外提供，需按 AGPL 开源你的修改。数据与代码许可分离，引用和使用时别混为一谈。
Q8：别人用它做了什么？
公开文献中的代表性结果：分割侧 U-Net 系模型 Dice 0.9429；分类侧 EfficientNetB7 宏 F1 0.9324；YOLOv9 用于细胞检测定位；2026 年 CERVEX 工作给出关键方法学发现——细胞级随机切分比按涂片/患者分组切分会虚高准确率约 6.76 个百分点。完整清单见 §7。
Q9：和 Herlev、SIPaKMeD 比有什么不同？
三个库互为补充而非替代：Herlev（1997-2005，丹麦，917 细胞，双分辨率）规模最小但历史地位最高；SIPaKMeD（希腊，4,089 细胞，5 类，40× 全图与裁剪图并行）；CRIC（巴西，11,534 细胞，六类 Bethesda 体系，患者信息完整、分割掩码同源、持续维护至 2023 年底）。§5 给出逐维对比表。
Q10：已知的坑有哪些？
至少六处值得警惕：类别极度偏斜（NILM 占 58.8%，SCC 仅 1.4%）；无官方患者级切分方案；单一实验室单台设备，域漂移风险；任务头与部分二手资料把它描述为「iJet/INCA 相关」与实核不符（实为 UFOP 联合体）；论文内 Herlev 引用数字自身有 917 vs 819 的小口径矛盾；分割 collection 的独立 DOI 未在 figshare 单列。详见 §10 存照清单。
§2 数据构成：双 collection 全解
2.1 总览：一库两翼
CRIC Cervix 以两个 collection 组织数据，二者同源（同一批涂片、同一批标注者）但任务接口不同：
| 维度 | 分类 collection | 分割 collection |
|---|---|---|
| 单元 | 单细胞裁剪图像 | 含细胞核与细胞质掩码的图像 |
| 规模 | 400 张图 / 11,534 个细胞 | 3,233 组核质标注 |
| 标签体系 | TBS 六类（NILM/ASC-US/LSIL/ASC-H/HSIL/SCC） | 逐像素：核 1 层 + 质 1 层 |
| 主要用途 | 细胞级分类、筛查辅助、课程学习 | 核质分割、形态测量、检测器预训练 |
| 许可 | CC BY 4.0 | CC BY 4.0 |
需要提醒的是：两个 collection 的图像数量口径不同——「400 张」是分类侧经过筛选的发布集，而 11,534 是其中全部单细胞对象的总数；分割侧的 3,233 是掩码组数。两 collection 之间的图像级对应关系未随发布以映射表形式给出（§10 存照 5）。
2.2 分类 collection：11,534 个细胞怎么组织
400 张分类图像覆盖 118 名患者的 118 张涂片，每张图承载若干单细胞对象，合计 11,534 个。每个对象带：
- TBS 六类标签（详见 §4 分布表）；
- 患者/涂片标识——CRIC 平台支持按患者筛选，这一点是许多同代数据集做不到的（Herlev 甚至不公开患者对应关系）；
- 原始显微参数元数据（设备、放大倍率、分辨率）。
裁剪逻辑上，论文采用「整图承载多细胞 + 平台按需导出」的方式：用户既可下载整图自己裁剪，也可在平台在线浏览逐细胞标注。这意味着同一涂片的细胞天然同源——如果你随机打乱全部 11,534 个细胞做训练测试划分，同一患者的细胞会同时出现在训练集与测试集，构成信息泄漏。CERVEX 2026 的定量结论（细胞级切分虚高 6.76 个百分点）正是踩在这个点上（坑 3）。
2.3 分割 collection：3,233 组核质掩码
分割侧提供 3,233 组标注，每组包含：
- 细胞核（nucleus）逐像素掩码；
- 细胞质（cytoplasm）逐像素掩码；
- 原始 RGB 显微图像。
核质双层分离的标注在宫颈细胞学数据中相对少见——Herlev 只给核掩码；SIPaKMeD 只给类别不给像素掩码。双层掩码使 CRIC 可以直接支持核质比（nuclear-to-cytoplasmic ratio, N/C ratio）计算，而这正是细胞异型性判读的经典定量指标。衍生工作里 Dice 0.9429 的分割基线即出自该 collection（§7.1）。
2.4 文件组织与 figshare 归档
figshare 上 collection 的代表性单条记录（id 12233156）包含三个文件：
| 文件 | 大小 | 内容 |
|---|---|---|
| CSV | 1.17 MB | 结构化元数据（细胞类别、患者、图像参数等） |
| JSON | 1.07 MB | 标注与平台数据结构镜像 |
| README | 1.22 kB | 使用说明 |
collection 总 DOI 10.6084/m9.figshare.c.4960286 有两个版本：V1 发布于 2020-05-01，V2 发布于 2020-05-15。引用时建议显式注明版本号。分割 collection 在 figshare 上未见独立单条 DOI 的公开记录（§10 存照 7），稳妥做法是统一引 collection 总 DOI。
平台侧（www2.decom.ufop.br/cric）由 NodeJS 后端 + Angular 前端自建，2020-07-01 上线，代码库累计 65 commits，最后一次提交在 2023-12-03——上线三年半、距成稿核验时点约两年零十个月无新提交。平台仍在线可访问，但「持续活跃维护」的说法应谨慎使用（坑 5）。
2.5 图像规格与元数据速查
| 参数 | 数值 |
|---|---|
| 显微镜 | Zeiss AxioImager.Z2 |
| 相机 | Zeiss AxioCam MRc |
| 物镜/目镜 | 40× / 10× |
| 输出分辨率 | 1376 × 1020 px |
| 色深 | RGB |
| DPI | 150 |
| 标称像素尺寸 | 0.228 μm/pixel |
| 染色 | 常规 Pap 染色 |
0.228 μm/pixel 意味着单个中层鳞状上皮细胞（直径约 50-60 μm）在图中占约 220-260 像素宽——做细胞检测时 anchor 设计可以直接按这个物理尺度换算，不必瞎猜。1376×1020 的原图无需缩放即可整图进入常见骨干网络（配合 FPN/多尺度策略），训练成本远低于 WSI 级流水线。
§3 采集与标注流水线：从门诊涂片到开放数据
3.1 样本来源：常规门诊，非受控采集
118 名患者的 118 张涂片来自常规妇科筛查门诊——是「日常筛查剩下的临床残余样本」而非专为科研设计的受控采集。这个来源决策有两面：
- 好的一面：数据分布贴近真实筛查场景（染色批次、涂片质量、细胞重叠程度都是临床真实状态），用它训练的模型更接近部署环境；
- 要注意的一面：患者人口学信息、采集年份与临床终诊结果（如组织学随访）未随数据发布，做「细胞学-组织学」关联研究时需要另找数据源。
伦理层面：研究经巴西 UFOP 伦理委员会审批（CAAE 1944523），图像经脱敏处理（不含患者身份信息）后按开放许可发布。使用者在论文中仍应引用该审批号以示合规链条。
3.2 采集与扫描环节
涂片经常规 Pap 染色后，在 Zeiss AxioImager.Z2 显微镜上由 AxioCam MRc 相机采集，40× 物镜 + 10× 目镜组合。选择 40×（而非 100× 油镜）是筛查工作流的常规配置：视野更大、对焦容错更高、扫描效率更高，同时分辨率足够细胞级判读。输出 1376×1020 px、150 dpi——按 0.228 μm/pixel 折算，单幅视野约 314 × 233 μm，可容纳数十个上皮细胞。
值得注意：论文未描述自动扫描仪（如 Aperio/Hamamatsu 扫描平台），采集应为人工选视野拍摄。这引入了视野选择的操作者偏差可能性（质量好的视野更可能被拍下），但 CRIC 的定位是「细胞级标注库」而非「涂片级普查库」，这一偏差对细胞级任务影响有限，做涂片级筛查建模时应记入 dataLimitations（§10 存照 8）。
3.3 标注人员：三名细胞学家的经验梯度
| 标注者 | 经验 | 角色 |
|---|---|---|
| 细胞学家 A | 6 年 | 独立标注 |
| 细胞学家 B | 11 年 | 独立标注 |
| 细胞学家 C | 20 年 | 独立标注 + 复核主持 |
经验梯度设计（6/11/20 年）而非清一色资深专家，是数据集论文里少见的坦诚披露。其含义有二：其一，共识流程吸收了不同资历的判读习惯，标签更贴近「团队平均水准」而非「单一天花板」；其二，论文未披露三人两两之间的一致性系数，无法定量评估经验差距对分歧率的影响（§10 存照 6）。
3.4 三步共识流程
每个细胞对象的标签生成走三步：
- 独立标注：三名细胞学家互不知晓彼此判读结果，各自对同一批细胞给出 TBS 类别（分割侧各自勾画核质轮廓）；
- 全量复核：逐对象比对三人结果，分歧对象进入复核队列，由三人共同回看图像讨论；
- 共识定稿：讨论后统一标签，定稿版本随数据发布。
与「一人标注 + 专家抽检」的常见省钱流程相比，全量独立 + 全量复核是成本上限、一致性上限的流程——这也是 CRIC 标签可信度的主要卖点。代价是规模：11,534 个细胞的「三人全标注」解释了为什么数据库停留在 400 张图量级而非数十万张。对选型者的含义：CRIC 适合当验证集、基准集与分割监督源，不适合当从零起步的大规模预训练语料（配合 Herlev/SIPaKMeD/公开 WSI 才能拼出完整流水线）。
3.5 资助与团队
论文署名 11 位作者，横跨五家机构：UFOP（米纳斯吉拉斯联邦大学，牵头）、UFC（塞阿拉联邦大学）、UCB（巴西中央大学）、LBNL（美国劳伦斯伯克利国家实验室）、IFCE 与 UFPI。核心作者包括第一作者 Mariana Trevisan Rezende（UFOP）、Raniere Silva、Alessandra Hermógenes Gomes Tobias、Paulo Oliveira、Fatima N. Sombra de Medeiros、Daniela Ushizima（LBNL，图像分析方向）等。figshare 归档页署名 8 人、论文署名 11 人，差异源于 figshare 记录只列了部分通讯/主要作者（§10 存照 4，引用以论文为准）。
资助渠道丰富，混合巴西三级资助与美国能源部项目：CNPq（5 项）、CAPES-PVE（3 项）、FAPEMIG（3 项）、PPSUS、PROPPI/UFOP、美国 DOE 合同 DE-AC02-05CH11231（LBNL 部分）、Moore-Sloan 奖学金。巴西-美国双轨资助解释了 LBNL 的深度参与，也预示了 CRIC 在英文社区（如 Lawrence Berkeley 官网、GitHub）有超出巴西本土的传播度。
3.6 时间线速查
| 时间 | 事件 |
|---|---|
| 2020-05-01 | figshare collection V1 发布（DOI c.4960286.v1） |
| 2020-05-15 | figshare collection V2 发布（DOI c.4960286.v2） |
| 2020-07-01 | CRIC Web 平台上线（NodeJS + Angular） |
| 2021-06-16 | Scientific Data 论文见刊（8:151），PubMed 34112812 |
| 2023-12-03 | 平台代码最后一次提交 |
| 2026-10 | 本条目核验时点：平台在线、数据可获取 |
§4 六类分布与患者覆盖：一张偏斜得非常「真实」的表
4.1 细胞级六类分布（论文口径）
11,534 个单细胞在 TBS 六类上的分布：
| TBS 类别 | 全称 | 细胞数 | 占比 |
|---|---|---|---|
| NILM | Negative for Intraepithelial Lesion or Malignancy（未见上皮内病变或恶性） | 6,779 | 58.8% |
| ASC-US | Atypical Squamous Cells of Undetermined Significance（非典型鳞状细胞，意义不明确） | 606 | 5.3% |
| LSIL | Low-grade Squamous Intraepithelial Lesion（低级别鳞状上皮内病变） | 1,360 | 11.8% |
| ASC-H | Atypical Squamous Cells, cannot exclude HSIL（非典型鳞状细胞，不除外高级别） | 925 | 8.0% |
| HSIL | High-grade Squamous Intraepithelial Lesion（高级别鳞状上皮内病变） | 1,703 | 14.8% |
| SCC | Squamous Cell Carcinoma（鳞状细胞癌） | 161 | 1.4% |
| 合计 | — | 11,534 | 100% |
4.2 涂片/患者级六类分布
118 名患者各贡献一张涂片，涂片级判读分布：
| TBS 类别 | 涂片数（=患者数） |
|---|---|
| NILM | 3 |
| ASC-US | 45 |
| LSIL | 45 |
| ASC-H | 12 |
| HSIL | 10 |
| SCC | 3 |
| 合计 | 118 |
两表对照会出现一个反直觉的结构，值得每个使用者停下来想三秒：涂片级 NILM 只有 3 张（2.5%），而细胞级 NILM 却有 6,779 个（58.8%）。原因很直白——每张涂片裁出的细胞数不同，正常涂片一张就能贡献大量 NILM 细胞，而异常涂片的每个异常细胞都更「金贵」。同样的机制反过来解释了 ASC-US（涂片级 45 张占 38%，细胞级只有 606 个）：异常涂片里绝大多数细胞仍是正常的，只有少数细胞真正呈现非典型形态。
4.3 偏斜结构的三层解读
- 最稀有与最常见差 42 倍：SCC 161 个 vs NILM 6,779 个。若直接做闭集分类训练而不做任何处理，模型只需把一切判为 NILM 即可拿到 58.8% 准确率——所以任何未处理类别权重的「X% 准确率」报告都应视为无效基线。正确指标是宏平均 F1 / 每类召回。
- 边界类被刻意富集：真实筛查人群里 ASC-US/ASC-H 的检出率远低于 CRIC 中的比例（ASC-US 涂片级占 38%）。这是标注端的主动富集——把临床上最值钱的「灰区」类别人为放大，让模型有机会学到位。含义：CRIC 的类别先验不能直接当作部署人群的疾病谱估计。
- SCC 161 个只能支撑弱结论：百个量级的稀有类足以训练基本分类器、不足以支撑可靠的稀有类泛化声明。若你的任务核心是癌与非癌二分，建议把 ASC-US+LSIL 归低风险组、ASC-H+HSIL+SCC 归高风险组做粗粒度评估，再在组内做细分类。
4.4 使用策略：面对 58.8%/1.4% 的四种姿势
| 策略 | 做法 | 适配场景 | 风险 |
|---|---|---|---|
| 类别加权 | 损失函数按类频率倒数加权 | 一站式训练 | 加权过猛会放大稀有类过拟合 |
| 两级任务 | 先癌性/非癌性二分，再组内细分 | 临床决策支持 | 二分边界（LSIL vs ASC-H）仍偏斜 |
| 长尾方法 | Focal loss、分类再平衡、迁移增强 | 对齐最新文献 | 需要额外消融实验支撑 |
| 按涂片分组划分 | GroupShuffleSplit 按 118 名患者分组 | 一切场景的底座 | 训练/测试集都变小，方差变大 |
无论选哪种，按患者分组划分是不变的前置项——118 名患者是 CRIC 天然的数据单元，绕过它做随机划分等于把同一患者的同源细胞放进两个集合（坑 3，虚高 6.76 个百分点的出处见 §7.3）。
4.5 患者维度的独特价值
118 名患者、118 张涂片、患者级标识随数据公开——这组信息让 CRIC 成为宫颈细胞学领域少数支持「患者级泛化评估」的公开库。配套价值有三：
- 可以做涂片内/涂片间的误差分解（模型在没见过的患者上掉多少分）；
- 可以做患者级聚合评估（先把细胞预测聚合到涂片，再算涂片级指标）——这更贴近真实筛查工作流；
- 为 2026 年后兴起的「slide-grouped splitting」方法学讨论提供了原生支持。
代价是样本量：118 名患者的患者级统计功效有限，做显著性检验时请用 bootstrap 或按涂片分层。
§5 与同类库对比：Herlev、SIPaKMeD 与更宽的坐标系
5.1 三库总对比
| 维度 | Herlev（丹麦） | SIPaKMeD（希腊） | CRIC Cervix（巴西） |
|---|---|---|---|
| 发布年份 | 2005（论文） | 2019 | 2020-2021 |
| 图像规模 | 917 细胞（单细胞裁剪） | 4,089 细胞（5 类） | 11,534 细胞（6 类）+ 400 图 |
| 类别体系 | 7 类（正常 3 + 异常 4） | 5 类（正常/Koilocytotic/Dyskeratotic/Metaplastic/Parabasal） | TBS 六类（临床标准语言） |
| 分辨率 | 两种（0.2010/0.0455 μm/pixel） | 40×，1399×1039 | 40×，1376×1020，0.228 μm/pixel |
| 分割掩码 | 仅核 | 无 | 核 + 质双层 |
| 患者信息 | 不公开对应关系 | 不公开 | 118 患者级标识公开 |
| 标注者 | 两名医生（散点式） | 多名专家 | 3 名细胞学家全量独立 + 共识 |
| 许可 | 学术免费（未明示 CC） | 学术免费 | CC BY 4.0（明示商用允许） |
| 在线平台 | 无（静态打包） | Mendeley 静态包 | 可检索 Web 平台 + API + figshare 版本化 DOI |
| 维护至 | 停止维护多年 | 基本静态 | 代码维护至 2023-12 |
| 千方互链 rid | 483（herlev-pap） | 490（sipakmed） | 本条目 |
5.2 Herlev：绕不开的祖师爷与它的数字谜团
Herlev Pap Smear 数据集是宫颈细胞学深度学习文献的默认试金石——从 2005 年至今，几乎所有新方法都会在它上报告分数。但它有三个先天局限：规模小（917 细胞，最小类才 74 个）、单细胞裁剪已定型（无法重新裁剪或做涂片级建模）、患者对应关系不公开（无法做患者级划分）。
Herlev 的数字谜团（坑 6）：CRIC 论文在对比表中引 Herlev 规模时写「Classified cells 917」（Table 1 口径），但同一篇论文后续文字与部分衍生文献出现「Total 819」的表述（Table 2 口径）。两口径之差（98 个细胞）大概率源于 2005 版论文对不同批次样本的计数边界处理不一，但论文自身未加注释。本条目引用 CRIC 对比数字时统一按 917（Table 1）口径并在存照清单记录冲突；你在自己的论文里引用 Herlev 规模时，建议直接回查 Herlev 原论文并显式标注口径年份。
对库内用户：herlev-pap 已收录为 rid 483（https://www.qianfanghub.com/ai-ready-dataset/herlev-pap/0），可与本条目组成「老-新」配对基线。
5.3 SIPaKMeD：最近的对照组
SIPaKMeD（2019，希腊）与 CRIC（2020-2021，巴西）时间相邻、规格相近（同为 40×、同为千细胞量级、同为裁剪单细胞），是最适合做直接对照的一对：
- 类别语言不同：SIPaKMeD 用形态学描述性五类（正常/角化不良/挖空细胞/化生/副基底），CRIC 用临床 TBS 六类。做跨库迁移时类别映射是第一道坎——SIPaKMeD 的「Koilocytotic」大致对应 LSIL 相关形态、「Dyskeratotic」散布于 LSIL-HSIL 谱系，映射不是一对一，需自行声明映射规则。
- 标注结构不同：SIPaKMeD 无像素掩码、无患者标识；CRIC 有核质双层掩码 + 患者标识。
- 许可确定性不同：SIPaKMeD 挂在 Mendeley 学术用途口径下，商用语义模糊；CRIC 是明确的 CC BY 4.0。
对库内用户：sipakmed 已收录为 rid 490（https://www.qianfanghub.com/ai-ready-dataset/sipakmed/0）。
5.4 坐标系再往外：papila 与 cervix93、intel-mobileodt
- papila（rid 765）： papila 是眼底影像数据集（戴维德/ papila 数据为眼底 OCT 与眼底彩照），与 CRIC 同属「女性健康 + 巴西/拉美采集」语境，常被拉美医学影像综述并列引用。它不是细胞学数据，互链价值在「拉美开放医学影像」的地域聚簇而非任务直接可比。
- cervix93 与 intel-mobileodt：写作池中已有条目规划（cervix93 为宫颈组织学图像集、intel-mobileodt 为移动端宫颈癌筛查视图分类竞赛数据），均尚未入库，故本条目正文不写 rid 互链、仅在存照记录规划关系。入库后可在 §8 补链。
5.5 选型速判
- 要临床语义清晰的细胞分类基准 → CRIC（TBS 六类）首选，SIPaKMeD 做外部验证；
- 要历史连续性（对照三十年文献）→ Herlev 必测，但记得患者级切分不可行；
- 要分割监督（核质形态测量）→ CRIC 是三库中唯一的双层掩码源；
- 要商用落地 → 三库中只有 CRIC 的 CC BY 4.0 明示允许；
- 要涂片级/全视野建模 → 三库都不胜任（均无 WSI），需转向 cervix93 或商业库。
§6 获取与许可：三条获取路径与一套合规清单
6.1 三层获取路径总表
| 路径 | 入口 | 适合谁 | 特点 |
|---|---|---|---|
| ① CRIC Web 平台 | https://www2.decom.ufop.br/cric/ | 需要按患者/类别筛选、逐细胞浏览者 | 在线检索 + API；支持按 TBS 类别、患者、任务过滤下载 |
| ② figshare collection | https://doi.org/10.6084/m9.figshare.c.4960286.v2 | 要一次性打包、写批处理脚本者 | 版本化 DOI（V1 2020-05-01 / V2 2020-05-15）；元数据 CSV+JSON 齐全 |
| ③ UFOP 直链 | https://www2.decom.ufop.br/cric/cric-database | 平台或 figshare 不可达时的兜底 | 服务器直链目录，无需注册 |
三条路径内容同源，选哪条取决于工作流形态：做一次性基准跑分，figshare 打包最省事；要做「同一患者内细胞聚合」的精细分析，平台筛选最直接；做持续集成自动化，用 figshare 的版本化 DOI 锁定数据版本最稳（避免平台更新导致基线不可复现）。
figshare 单条记录（id 12233156）的文件构成与大小：
CRIC_Cervix/
├── *.csv # 1.17 MB，结构化元数据（类别、患者、采集参数）
├── *.json # 1.07 MB，标注结构镜像（平台数据模型）
└── README.txt # 1.22 kB，使用说明
实际图像文件（400 张分类图与 3,233 组分割标注）在 collection 内按子条目组织，下载前建议先读 README 与 CSV 的字段说明，再决定整包拉取还是按需下载。
6.2 平台功能速览
CRIC Searchable Image Database（NodeJS + Angular 自建，2020-07-01 上线）提供的核心交互：
- 按类别浏览：六类 TBS 各设检索入口，可浏览该类全部细胞图像；
- 按患者检索：118 名患者逐个可查——这是 §4.5 所述患者级研究的数据入口；
- 分类/分割双区：平台同时承载两个 collection，任务标签区分；
- API 访问：论文声明支持 API 拉取，适合脚本化数据管道；
- 代码开放：平台源码按 GNU AGPL v3.0 发布在 GitHub（CRIC 联合体组织页），累计 65 commits，最后提交 2023-12-03。
运营现状提示：平台在成稿核验时点（2026-10）在线可访问，但距最后代码提交已近三年。做长期实验的用户应以 figshare 版本化 DOI 为准进行数据引用与下载，把平台视为浏览与探索界面而非唯一数据锚点（坑 5）。
6.3 许可双轨制：数据与代码分开讲
| 资产 | 许可 | 关键条款 |
|---|---|---|
| 图像与标注数据 | CC BY 4.0 | 署名即可商用、改编、再分发；无附加限制 |
| 平台源代码 | GNU AGPL v3.0 | 修改并对外提供服务需开源修改；网络交互同样触发开源义务 |
对使用者的实操含义：
- 只用数据（99% 的场景）：在论文/产品致谢里给出论文引用 + figshare DOI 即合规，商用产品亦可；
- 复用平台代码（例如把 CRIC 平台改造成自家标注平台）：你的整个服务端必须按 AGPL v3.0 开源——这是传染性最强的常见开源许可之一，商用团队接入前请过法务；
- 许可声明写法：不要把「CRIC 是 AGPL 的」写成笼统结论——数据是 CC BY 4.0，只有代码是 AGPL。二手资料里常见混写，本条目按论文与 figshare 声明分别记（坑 4 的一部分）。
6.4 合规清单：引用与伦理
- 论文引用：Rezende, M.T. et al. CRIC Cervix: an open dataset with 11,534 cervical cytology cell images annotated by expert cytotechnologists. Scientific Data 8, 151 (2021). doi:10.1038/s41597-021-00933-8
- 数据引用：figshare collection DOI 10.6084/m9.figshare.c.4960286（建议注明版本与访问日期）；
- 伦理声明：源数据采集经 UFOP 伦理委员会批准（CAAE 1944523），样本脱敏；二次使用者无需再走伦理审批，但涉及患者维度的衍生分析应在论文方法节注明数据来源与原始审批号；
- 署名格式建议：CRIC 联合体（Center for Recognition and Inspection of Cells）, UFOP. CRIC Cervix Cell Classification. figshare. Collection.
6.5 常见获取问题
- 平台打不开怎么办：先用 UFOP 直链（路径 ③），再查 figshare；巴西服务器跨洋访问偶发超时，换时段重试；
- HuggingFace 上有没有镜像：核验时点未发现官方或社区镜像数据集（HF 搜索零结果，走 hf-mirror.com 亦然），获取以 figshare 与 UFOP 为主（§10 存照 9）；
- V1 与 V2 有何区别：官方未发布变更日志，两版相隔两周（2020-05-01 → 2020-05-15），推测为元数据修订；引用时锁定 V2 并注明访问日期即可；
- 需要注册吗：三条路径均无需注册。
§7 评估与衍生基准：公开文献里 CRIC 的成绩单
7.1 分割基准：Dice 0.9429
分割任务线的代表性结果：U-Net 系模型在 CRIC 核质分割上报告 Dice 系数 0.9429（0.94 量级）。读这个数字时注意两点：
- 核与质的难度不对称：细胞核边界清晰、染色深，分割容易；细胞质边界与背景渐变、常与邻细胞粘连，分割误差主要来自质。若衍生文献只报单一 Dice，大概率是核 Dice 被质 Dice 拉高后的混合值，复现时分开报更严谨；
- 0.94 是在「标注即共识」上的成绩：标签本身是三名细胞学家共识的产物，模型逼近的是「共识上界」，与临床金标准的差距无法从数据内部估计。
7.2 分类基准：EfficientNetB7 宏 F1 0.9324
分类任务线的代表性结果：EfficientNetB7 在 CRIC 六类分类上报告宏 F1 0.9324。宏平均（macro）意味着六个类别等权——SCC 只有 161 个样本也能拉到同等权重，这个分数含金量比 accuracy 高得多。但仍有三处要打问号：
- 划分方式是否按患者分组：若原文按细胞随机划分，参照 §7.3 的 CERVEX 发现，真实患者级性能可能低数个百分点；
- 0.9324 是单次划分还是均值±方差：CRIC 规模小，单次划分的波动可观，复现时建议五折分组交叉；
- 类间混淆集中在哪：公开报告未逐类展开，参照临床直觉与 §4.3 的偏斜结构，ASC-US↔LSIL、ASC-H↔HSIL 是最可能的混淆对，复现时应输出混淆矩阵验证。
7.3 方法学警示：细胞级切分虚高 6.76 个百分点
2026 年 CERVEX 工作（medRxiv 预印本）对宫颈细胞学数据集的划分方法做了系统对照，核心发现：在 CRIC 上，细胞级随机划分（cell-level splitting）相比按涂片/患者分组划分（slide-grouped splitting）会虚高准确率约 6.76 个百分点。
机制不复杂：同一涂片的细胞共享染色风格、视野背景、制片质量等「涂片指纹」，随机划分让测试集细胞带着自己涂片的「同伙」出现在训练集，模型可以靠涂片风格而非细胞形态得分。CERVEX 同时报告了 CRIC 跨实验室迁移（训练于 CRIC、测试于其他来源）的性能下降，佐证域漂移普遍存在。
这是本条目对使用者最重要的单一建议：凡是基于 CRIC 报告的分数，先问划分方式；自己复现时一律按 118 名患者（或 118 张涂片）分组划分。任务头存照中的「坑 3」即指此事。
7.4 其他衍生工作速览
| 工作 | 任务/方法 | 报告结果 | 备注 |
|---|---|---|---|
| EfficientNetB7 分类 | 六类细胞分类 | 宏 F1 0.9324 | 划分方式见 7.2 三问 |
| U-Net 系分割 | 核质分割 | Dice 0.9429 | 核/质分开报更稳 |
| YOLOv9 应用 | 细胞检测定位 | —（检测指标随源） | 常与分割掩码互相转换 |
| Diniz 等 2023 | 巴西队列方法学 | — | CRIC 在巴西部落文献中的复用 |
| ICoECIT 2026 | 会议论文，分类应用 | — | 二手引用，使用前回查原文 |
| CERVEX 2026（medRxiv） | 划分方法对照 | 细胞级切分虚高 6.76 pp | 方法学必读 |
注：表中「—」处为核验时点未能两源互证的细分指标，仅列方向不入硬数字（与本条目「数字三源互证」纪律一致）。
7.5 给复现者的五步清单
- 从 figshare V2 拉取 collection，读 README 与 CSV 字段说明；
- 按 118 患者分组做 GroupShuffleSplit（或留出 15-20% 患者）；
- 分类任务报告宏 F1 + 每类召回 + 混淆矩阵，别只报 accuracy；
- 分割任务核、质分开报 Dice；
- 在 dataLimitations 里声明：单一实验室设备来源、共识标签上界、类别先验不等于部署人群。
§8 生态与互链：CRIC 在数据版图上的位置
8.1 论文-平台-归档的三角结构
CRIC 的生态是典型的「论文 + 自建平台 + 版本化归档」三角：Scientific Data 论文负责方法学背书与可引用性；自建平台负责探索体验与 API；figshare 负责长期锚定（版本化 DOI）。三者各有分工，缺一不可。核验时点的三角状态：论文可经四路镜像访问（PMC8192784 / Springer / OSTI / escholarship，Nature 官网对自动化抓取重定向登录墙）；平台在线；figshare 正常。
8.2 千方库内互链点
| 互链条目 | rid | 关系 |
|---|---|---|
| herlev-pap | 483 | 同任务（Pap 涂片细胞分类）老牌基线；CRIC 论文引用其规模（917 口径，见坑 6） |
| sipakmed | 490 | 同任务同代对照库；类别映射非平凡（见 §5.3） |
| papila | 765 | 同为拉美开放医学影像聚簇成员；眼底任务，地域互链 |
| cervix93 | 未入库 | 写作池规划中，宫颈组织学；入库后补链 |
| intel-mobileodt | 未入库 | 写作池规划中，移动端宫颈癌筛查视图；入库后补链 |
互链建议：与本条目组成「宫颈癌筛查数据家族」的前三链为 herlev-pap → cric → sipakmed（任务同构、时间递进、规模递增）；papila 作为拉美地域横向链接。cervix93 与 intel-mobileodt 入库后可扩为六链家族。
8.3 传播度与社区状态
- 论文引用：2021 年发表后进入宫颈细胞学深度学习文献的标准引用集，衍生工作横跨分割、分类、检测与方法学（§7）；
- 平台热度：65 commits 的代码库属轻量自建工具型项目，非社区爆款；
- 学术辐射：巴西本土（Diniz 2023、UFOP 系）与国际（LBNL 关联、CERVEX 2026）双轨；
- HuggingFace 生态：核验时点无镜像数据集（§6.5）。
8.4 引用本条目
若本条目对你的工作有帮助，建议同时引用：①CRIC 原论文（§6.4 格式）；②千方病案医数集条目 https://www.qianfanghub.com/ai-ready-dataset/cric/847 。条目内的存照与划分建议（特别是 §7.3）若被采纳，请在方法节一并注明，帮助社区规避细胞级切分陷阱。
§9 AI-Ready 分析：DAIMS 与五维评估
9.1 DAIMS 表
DAIMS（Data Available / Intended Use / Mission / Shortcomings）速览：
| 维度 | 内容 |
|---|---|
| Data Available | 400 张分类图（11,534 个单细胞，TBS 六类）+ 3,233 组核质分割掩码 + 结构化元数据（CSV/JSON）；118 患者级标识；CC BY 4.0 开放下载（平台/figshare/直链三路） |
| Intended Use | 宫颈细胞学 AI 研究与教学：细胞分类基准、核质分割监督、筛查辅助算法验证、患者级泛化评估、课程学习与长尾方法研究 |
| Mission | 用专家共识标注的开放数据，降低宫颈癌筛查 AI 的数据门槛，服务巴西及全球的低资源筛查场景 |
| Shortcomings | 类别极度偏斜（NILM 58.8% vs SCC 1.4%）；单一实验室单台设备；无官方患者级切分；无 WSI 全视野；标注者间一致性未量化；平台维护趋缓 |
9.2 五维深度评估
维度一：可得性（Availability）——优
三路获取入口（平台/figshare/UFOP 直链）互为冗余，无需注册、无需审批，版本化 DOI 锁定数据快照。CC BY 4.0 是开放数据许可里最宽松的一档。唯一扣分项：巴西服务器跨洋访问偶发不稳定，HuggingFace 无镜像（可用 figshare 兜底）。
维度二：标注质量（Annotation Quality）——优（附一个未量化项）
三人全量独立标注 + 全量复核 + 共识定稿，是公开细胞学数据集中最重的标注流程之一；经验梯度（6/11/20 年）披露坦诚。未量化项：论文未给出观察者间一致性系数（kappa/Fleiss），标签一致性只能间接推断。对高风险场景（如辅助诊断注册路径）这会是监管审阅的追问点。
维度三：任务适配（Task Fit）——良
分类、分割、检测三条任务线都有直接可用的监督信号；患者级标识支持严格评估。不足：无 WSI（涂片级普查与弱监督场景不适合）；分割与分类两 collection 的图像映射未提供；无官方基线代码随数据发布（基线数字散见衍生文献）。
维度四：可持续性（Sustainability）——中
平台代码维护至 2023-12，之后无新提交；figshare 归档稳定但版本停在 V2（2020-05）；团队论文产出活跃度未知。以开放数据集的生命周期看，CRIC 已进入「稳定但冻结」阶段——数据本身不会失效，但生态更新（新标注、新基线、平台功能）不宜期待。
维度五：合规与伦理（Compliance）——优
UFOP 伦理审批（CAAE 1944523）+ 患者脱敏 + 明示许可（CC BY 4.0 / AGPL v3.0 双轨清晰）。商用友好度在同类细胞学数据集中最高（Herlev、SIPaKMeD 均无明示商用许可）。
9.3 dataLimitations 完整清单
与 frontmatter schema_org 的 rai:dataLimitations 对应，正文展开版：
- 类别偏斜：NILM 6,779（58.8%）vs SCC 161（1.4%），42 倍差距。任何未处理偏斜的 accuracy 报告无效；正确姿势见 §4.4。
- 切分陷阱：无官方患者级切分；细胞级随机划分虚高约 6.76 个百分点（CERVEX 2026）。按 118 患者分组划分是硬前提。
- 域单一性：单一实验室、单台 Zeiss 设备、单一染色流程；跨中心部署前必须做域适应评估；CERVEX 报告的跨实验室迁移下降佐证。
- 无 WSI：400 张分类图为多细胞视野图而非全涂片扫描；涂片级筛查、弱监督、半监督全涂片建模不适用。
- collection 映射缺失：分类与分割两 collection 的图像级对应表未随发布提供；跨任务联合建模需自行对齐。
- 一致性未量化：三人共识流程无 kappa 等系数披露；高风险场景请自备双标注验证集。
- 视野选择偏差：人工选视野采集，优质视野占比可能高于真实涂片；涂片级质量估计任务需注意。
- 无临床随访：患者人口学、HPV 状态、组织学终诊未随数据发布；细胞学-组织学关联研究无法在本库内完成。
- 时间戳旧：数据采集早于 2020 年；液基细胞学（LBC）普及率上升背景下的制片差异未覆盖。
9.4 适用与不适用场景
适合：
- 细胞级 TBS 六分类基准构建与算法对比（配合患者级划分）；
- 核质像素分割与形态测量（N/C ratio 定量）；
- 检测器预训练与细胞定位（YOLO 系已被验证可用）；
- 长尾/课程学习/类别再平衡方法的理想试验场（偏斜结构现成）；
- 医学影像教学与标注员培训素材；
- 商用产品原型（CC BY 4.0 明示允许）。
不适合：
- 涂片级/全视野筛查系统端到端训练（无 WSI）；
- 多中心泛化声明（域单一）；
- 疾病流行病学估计（标注端主动富集破坏人群先验）；
- 细胞学-组织学/HPV 联合分析（无随访数据）；
- 液基制片特异算法（传统涂片为主）。
9.5 流水线对接建议
# 按 118 名患者分组划分的参考骨架（伪代码，字段名以 figshare CSV 实际列名为准）
import pandas as pd
from sklearn.model_selection import GroupShuffleSplit
meta = pd.read_csv("cric_metadata.csv") # 含 patient_id, cell_id, label 六类
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(gss.split(meta, groups=meta["patient_id"]))
# 关键：groups=patient_id，确保同一患者的细胞不会跨集合
工程要点：
- 输入尺寸：原图 1376×1020 直接可用；若裁剪单细胞，§4.2 所述「同一图多细胞」结构要在裁剪前完成划分再裁剪，顺序反了会漏泄漏；
- 增强策略：颜色类增强（HSV 抖动、染色归一化）对 Pap 染色域漂移特别有效；几何增强保持核质拓扑即可；
- 指标：宏 F1 + 每类召回 + 混淆矩阵三件套必报；分割任务核/质分报；
- 外部验证：优先拿 SIPaKMeD（rid 490）做跨库验证，类别映射规则写进论文附录。
§10 存照与结论
10.1 存照清单：核验中发现的口径出入（按条目纪律逐条存照）
存照 1｜任务头 brief 口径出入（机构归属）：任务描述称 CRIC 为「巴西队列，iJet/INCA 相关」。实核结论：全部一手来源（论文、figshare、CRIC 平台、UFOP 官网）中机构均为 UFOP（牵头）+ UFC + UCB + LBNL + IFCE + UFPI；「iJet」「INCA」在任何一手来源零出现。INCA（巴西国家癌症研究所）虽是巴西癌症研究重镇，但与 CRIC 数据集无署名关联。本条目按实核结果成稿：机构归 UFOP 联合体。brief 口径疑为与另一巴西宫颈癌队列混淆。
存照 2｜非官方名：「CRIC Cervical Image Dataset」在部分二手资料出现，非官方命名。官方名为：论文标题口径 CRIC Cervix；figshare 归档名 CRIC Cervix Cell Classification；平台名 CRIC Searchable Image Database。三个官方名分别用于三种语境（引用论文/引数据/引平台）。
存照 3｜切分陷阱：官方不提供患者级切分方案；CERVEX 2026 报告细胞级随机划分虚高 6.76 个百分点。已在 §4.4、§7.3、§9.3 三处强调，坑点索引记为坑 3。
存照 4｜figshare 与论文署名人数不一致：figshare collection 页署名 8 位作者，论文署名 11 位。以论文为准；figshare 差异源于归档记录只列部分作者。引用时以论文全名单为准。
存照 5｜双 collection 映射缺失：分类（400 图/11,534 细胞）与分割（3,233 组掩码）两 collection 的图像级对应表未随数据发布；跨任务联合建模需自行对齐。已写入 dataLimitations。
存照 6｜观察者间一致性未量化：三人标注流程披露完整但无 kappa 系数。引用 CRIC 标签质量时，正确表述是「三人独立 + 全量复核 + 共识」，而非「高一致性（kappa=X）」——后者无出处。
存照 7｜分割 collection 单条 DOI 未确认：figshare collection 总 DOI（10.6084/m9.figshare.c.4960286）经四源互证（论文引用、PMC 全文、CERVEX medRxiv、引用格式文献），但分割 collection 是否在 figshare 有独立单条 DOI 未在核验中确认。稳妥做法：统一引 collection 总 DOI 并注明 V2。
存照 8｜采集方式推测项：论文未明确描述自动扫描仪；「人工选视野拍摄」为合理推断（已标注为推断）。使用时表述为「论文未描述自动扫描流程」即可，勿写成断言。
存照 9｜HuggingFace 零镜像：核验时点（2026-10）在 HF 官站与 hf-mirror.com 均未发现 CRIC 镜像数据集。若后续出现社区镜像，使用前核对 MD5 与 figshare V2 一致性。
10.2 双口径对照表（brief vs 实核）
| 口径项 | 任务 brief | 实核结果 | 成稿处理 |
|---|---|---|---|
| 机构 | iJet/INCA 相关 | UFOP 牵头联合体（UFC/UCB/LBNL/IFCE/UFPI） | 按 UFOP 联合体成稿，存照 1 |
| 名称 | CRIC Cervical Image Dataset | CRIC Cervix / CRIC Cervix Cell Classification | 按官方名成稿，存照 2 |
| 任务定位 | 宫颈癌（Cervical Cancer）影像数据集 | 一致：Pap 涂片细胞学，宫颈癌筛查方向 | 一致，无冲突 |
| 开放性 | —（brief 未述） | CC BY 4.0 数据 + AGPL v3.0 代码 | 补全成稿 |
10.3 结论
CRIC Cervix 是宫颈细胞学公开数据里「标注最重、许可最清、患者级信息最全」的那一个：11,534 个三人共识标注的细胞、3,233 组核质双层掩码、118 名患者的患者级标识、CC BY 4.0 的商用友好许可，配上论文-平台-figshare 三角生态。它的局限同样清晰：类别高度偏斜、域单一、无 WSI、无官方切分、生态趋冻。
给三类人群的一句话结论：
- 基准研究者：把 CRIC 当「严格评估集」用——患者级划分、宏 F1 报告、跨库对照 SIPaKMeD/Herlev（rid 483/490），它的三人共识标签是可靠的裁判；
- 工程落地者：把它当「分割监督源 + 商用友好许可源」用，配公开 WSI 库补规模，接入前做域适应；
- 数据策展人：它是宫颈癌筛查数据家族（herlev-pap → cric → sipakmed，后接 papila 拉美聚簇）的枢纽节点，rid 互链价值高，cervix93 与 intel-mobileodt 入库后家族可扩为六链。
附录 A：来源 URL 清单（核验依据）
一手来源：
- 论文 DOI：https://doi.org/10.1038/s41597-021-00933-8（Scientific Data 8:151, 2021）
- PubMed：https://pubmed.ncbi.nlm.nih.gov/34112812/
- PMC 全文镜像：https://pmc.ncbi.nlm.nih.gov/articles/PMC8192784/
- Springer 镜像：https://rd.springer.com/article/10.1038/s41597-021-00933-8
- figshare collection：https://figshare.com/collections/CRIC_Cervix/4960286
- figshare collection DOI：https://doi.org/10.6084/m9.figshare.c.4960286.v2
- figshare 单条（元数据 csv/json/README）：https://figshare.com/articles/dataset/CRIC_Cervix/12233156
- CRIC 平台主页：https://www2.decom.ufop.br/cric/
- UFOP 数据直链：https://www2.decom.ufop.br/cric/cric-database
衍生与佐证来源：
- CERVEX 划分方法学（medRxiv 2026）：细胞级切分虚高 6.76 pp 发现出处
- EfficientNetB7 宏 F1 0.9324 与 U-Net Dice 0.9429 衍生文献（经 PMC/Springer 双路核验）
- exaly 引文格式页（作者全名核对）：https://exaly.com/
- OSTI / escholarship 镜像（论文四路镜像互证的另外两路）
- YOLOv9 应用文献（检测任务线佐证）
- Diniz 2023（巴西本土复用佐证）
- ICoECIT 2026（会议引用佐证，二手）
千方库内互链（DB 实查 2026-10-04）：
- herlev-pap：https://www.qianfanghub.com/ai-ready-dataset/herlev-pap/0（rid 483）
- sipakmed：https://www.qianfanghub.com/ai-ready-dataset/sipakmed/0（rid 490）
- papila：https://www.qianfanghub.com/ai-ready-dataset/papila/0（rid 765）
附录 B：坑点索引
- 坑 1：brief 机构口径错误——「iJet/INCA 相关」不成立，实为 UFOP 联合体（存照 1）。检索 CRIC 相关二手资料时，凡出现 INCA 署名的条目都要回查一手来源。
- 坑 2：非官方名泛滥——「CRIC Cervical Image Dataset」是社区俗称；引用请用论文名 CRIC Cervix 或 figshare 名 CRIC Cervix Cell Classification（存照 2）。
- 坑 3：细胞级随机切分虚高——约 6.76 个百分点（CERVEX 2026）；按 118 患者分组划分是硬前提（存照 3）。
- 坑 4：许可双轨勿混写——数据 CC BY 4.0、代码 GNU AGPL v3.0；「CRIC 是 AGPL」是错误笼统说法；figshare 8 人 vs 论文 11 人署名差异同属此坑（存照 4）。
- 坑 5：平台维护冻结——代码最后提交 2023-12-03；数据锚定以 figshare V2 为准，平台当浏览界面用（存照 5、9 相关）。
- 坑 6：Herlev 规模双口径——CRIC 论文自身写 917（Table 1）与 819（Table 2）两个数；本条目按 917 口径成稿并显式标注（§5.2）。
- 坑 7：偏斜盲报 accuracy——NILM 58.8% 的先验使裸 accuracy 无意义；宏 F1 + 每类召回必报（§4.3）。
附录 C：十条速记
- 官方名三个：论文 CRIC Cervix / figshare CRIC Cervix Cell Classification / 平台 CRIC Searchable Image Database。
- 双 collection：400 图 11,534 细胞六分类 + 3,233 组核质分割。
- 118 患者 118 涂片，患者级标识公开，分组划分是硬前提。
- TBS 六类：NILM 6,779 / ASC-US 606 / LSIL 1,360 / ASC-H 925 / HSIL 1,703 / SCC 161。
- 设备：Zeiss AxioImager.Z2 + AxioCam MRc，40×/10×，1376×1020，0.228 μm/pixel。
- 标注：3 名细胞学家（6/11/20 年）独立→复核→共识；kappa 未披露。
- 伦理 CAAE 1944523（UFOP）；数据 CC BY 4.0；代码 AGPL v3.0。
- 论文 Scientific Data 8:151（2021），doi 10.1038/s41597-021-00933-8；figshare c.4960286 V2。
- 划分陷阱：细胞级切分虚高 6.76 pp（CERVEX 2026）。
- 基准：Dice 0.9429（分割）、宏 F1 0.9324（EfficientNetB7 分类，划分方式需核）。
§11 Bethesda 系统与六类形态学背景
CRIC 采用的 TBS 六分类不是六个平行的「类别名」，而是一套有临床判读次序、有形态学阶梯关系的报告语言。理解每个类别的形态学内涵，是正确使用这个数据集的前提——本节给出六类的文字版形态学图鉴。需要声明：本节的形态学描述属于 Bethesda 系统（The Bethesda System for Reporting Cervical Cytology）的教科书通识内容，用于帮助读者理解标签含义；CRIC 特有的统计数字（每类细胞数、涂片数）均标注来源为论文 Table 2 口径（§4.1）。
11.1 为什么「Bethesda 命名」是 CRIC 的核心资产
宫颈细胞学报告语言的演化史，本质是一部「方言统一史」：在 TBS 之前，各实验室用 Papanicolaou 分级（I-V 级）、CIN 分级（CIN 1/2/3）或各自修改版，同一张涂片在不同实验室可能得到不可互译的报告。TBS（1988 年首版，2001 年与 2014 年两次大修订）用「标本质量评估 + 鳞状/腺细胞异常二大谱系 + 感染与反应性改变」的结构化框架统一了全球报告语言。
对 AI 研究者而言，「数据集标签用 TBS」意味着三件事：
- 标签可跨数据集对译：任何用 TBS 报告的队列（包括临床 LIS 系统导出的历史数据）都能与 CRIC 标签建立映射，而 Herlev 的 7 分类、SIPaKMeD 的形态学 5 分类都需要先解决「方言翻译」（§5.3）；
- 类别次序有临床语义：NILM → ASC-US → LSIL → ASC-H → HSIL → SCC 大致沿「病变严重度」递增（ASC-US 与 ASC-H 是「意义不明」的过渡缓冲带而非严格阶梯），这不是无序多分类问题——ordinal 回归、严重度分组评估都有临床依据；
- 与筛查工作流对齐：TBS 报告直接驱动临床处置（NILM 常规随诊、ASC-US 转 HPV 检测或重复涂片、HSIL 以上转阴道镜），模型输出可直接挂接临床决策路径，不需要额外的「类别→处置」翻译层。
11.2 NILM：未见上皮内病变或恶性（6,779 细胞，58.8%）
临床含义：标本质量满意、未见上皮内病变或恶性细胞。这是「健康报告」的标签，但 NILM 不等于「图里只有正常细胞」——反应性改变、炎症细胞（白细胞）、细菌菌群、滴虫等非肿瘤性发现同样归入 NILM 谱系。
鳞状上皮细胞的形态学阶梯（正常状态）：
- 表层细胞（superficial cell）：多边形、大而扁平，胞质丰富嗜酸（巴氏染色呈粉橙色）或嗜碱，核小而固缩（直径约 6-7 μm），核质比极低；
- 中层细胞（intermediate cell）：与表层细胞大小相近（直径约 50-60 μm），胞质嗜碱浅染，核稍大、泡状、染色质细腻——这是 TBS 判读中「核增大倍数」的参照基准（ASC-US 的核增大即以中层细胞核为尺子）；
- 副基底细胞（parabasal cell）：圆形或卵圆形、较小（直径约 15-30 μm），胞质致密嗜碱，核质比明显高于中表层细胞——萎缩涂片与激素水平低的人群中多见；
- 基底细胞（basal cell）：最小、核质比最高，正常涂片罕见，出现增多提示上皮修复或再生。
对 AI 的含义：NILM 内部本身是一个「正常形态谱系」（中表层/副基底/化生细胞 + 炎症背景 + 各种反应性改变），把 6,779 个 NILM 细胞当一个同质类训练，模型实际要学的是一个多模态分布。一个常见改进是把 NILM 内部再按细胞类型细分做预训练，再映射回六分类。
11.3 ASC-US：非典型鳞状细胞，意义不明确（606 细胞，5.3%）
临床含义：细胞呈现提示 LSIL 的形态变化，但数量/质量不足以确证。ASC-US 是 TBS 2001 引入的「灰区缓冲」类别——它解决的问题是「异常得不够、正常得不透」的判读尴尬。
形态学判据（以中层细胞核为参照）：
- 核面积增大至中层细胞核的约 2.5-3 倍；
- 轻度深染（hyperchromasia）、染色质轻度增粗；
- 核形轻度不规则，但核膜尚平滑；
- 可伴轻度核周空晕（perinuclear halo），但不典型挖空细胞；
- 胞质仍相对丰富，核质比未显著倒置。
对 AI 的含义：ASC-US 本质上是「边界样本集合」——它收容的正是三个细胞学家意见可能不一致的地带。CRIC 的三人共识流程对这类样本尤其有价值（分歧最大的类别恰好被共识流程强制收敛），但也意味着：用 ASC-US 做「标签即真值」的实验要格外谨慎，模型在这个类上的错误率天然更接近「人类判读的方差」而非「可消除的噪声」。606 个细胞（涂片级 45/118 张）的规模对细粒度 ASC-US 亚型研究偏少。
11.4 LSIL：低级别鳞状上皮内病变（1,360 细胞，11.8%）
临床含义：明确的低级别鳞状上皮病变，对应 CIN 1 谱系，多数由 HPV 一过性感染驱动、可自行消退，临床处置相对温和（随访为主）。
形态学判据：
- 挖空细胞（koilocyte）是标志性形态：核周大的透亮空晕（核周晕），空晕区胞质崩解、边缘增厚形成「洞中岛」外观；
- 核增大超过中层细胞核 3 倍以上；
- 核深染、染色质增粗、核膜轻度不规则；
- 常见双核、多核；
- 细胞成熟度与正常表层/中层相当（「表层成熟型」异常）。
与 ASC-US 的判读边界：核增大倍数（3 倍线）、核膜不规则程度、挖空细胞典型性是三把分界尺。这正是 §11.3 所述「ASC-US 收容边界样本」的另一面——LSIL 侧要求形态证据更充分。
对 AI 的含义：挖空细胞的核周空晕是强局部特征，CNN 与 ViT 都容易捕获——LSIL 通常是被识别得较好的异常类之一。但「假挖空」（糖原溶解、退变细胞、炎症性空晕）是主要混淆源，颜色增强过度时尤甚（§9.5 工程要点 2）。
11.5 ASC-H：非典型鳞状细胞，不除外高级别病变（925 细胞，8.0%）
临床含义：细胞数量少、形态提示但不能确证 HSIL。临床处置比 ASC-US 激进（直接转阴道镜），因为其背后 HSIL 的检出概率显著更高。
形态学判据：
- 核质比高（与 HSIL 相当的核质比），但核异型证据不完整；
- 细胞常单个散在、成小片或合胞体样排列（syncytial aggregates）；
- 核中等偏大、深染、染色质可增粗，核形不规则程度不足以确证 HSIL；
- 胞质少而致密（化生型）、或花边状（修复型）。
对 AI 的含义：ASC-H 与 HSIL 的区分是六类里「信息量最少」的判断之一——差异往往在于「异型的完整度」这种难以形式化的整体印象。CRIC 中 ASC-H 925 个细胞、涂片级仅 12/118 张，三层统计都指向同一个结论：这是最难学、最难评的类别，衍生文献若不单报 ASC-H 指标应视为重大缺失（§7.2 第 3 问的延伸）。
11.6 HSIL：高级别鳞状上皮内病变（1,703 细胞，14.8%）
临床含义：对应 CIN 2/3 谱系，癌前病变，临床处置为阴道镜下切除/消融——这是筛查要抓住的核心类别，「筛查灵敏度」的临床定义通常锚定在 HSIL+ 检出率上。
形态学判据：
- 核质比显著升高（核增大、胞质减少，核占据细胞大部分）；
- 核染色质明显增粗、深染，核膜显著不规则（凹陷、突起、皱褶）；
- 核大小可不一致，可见核分裂象（异常分裂象支持 HSIL）；
- 细胞成熟度差：异常细胞从副基底型到小型圆形细胞，「未成熟」是其形态学主题——与 LSIL 的「表层成熟型」形成对照；
- 可出现合胞体样排列、核重叠拥挤。
对 AI 的含义：HSIL 1,703 个细胞是六类中第二多的异常类，形态信号强（核质比是可量化的几何特征），通常报告指标较好。但注意「HSIL 样形态」可被修复/化生/放疗改变 mimic，真实临床特异性问题在数据集内无法评估（无阴性随访）。涂片级仅 10/118 张——患者级评估时 HSIL 类的涂片样本量是最窄瓶颈。
11.7 SCC：鳞状细胞癌（161 细胞，1.4%）
临床含义：浸润性鳞状细胞癌的脱落细胞。在规范化筛查人群中占比极低——CRIC 涂片级也只有 3/118 张，这符合癌在筛查阳性构成中的真实稀有度。
形态学判据：
- 恶性核特征全面：核极度增大、深染、染色质粗块状分布不均、核膜厚而不规则、巨大核仁；
- 核质比严重失调，细胞大小形态显著多形性（pleomorphism）；
- 可见肿瘤素质（tumor diathesis）——坏死碎屑与炎症细胞构成的「脏背景」；
- 角化型可见怪异细胞形（蝌蚪状、纤维状、蜘蛛状）、胞质角化（橘黄染）；
- 非角化型以圆形/卵圆形恶性裸核细胞为主。
对 AI 的含义：161 个细胞支持「癌与非癌」二分的敏感性研究，不支持 SCC 亚型（角化/非角化/小细胞型等）的细粒度建模。一个务实建议（§4.3 第 3 条的重申）：把 SCC 并入 HSIL+ 做高级别组评估，其统计功效远好于把 SCC 单列成稀有类硬训——任何在 SCC 单类上报告的高分都应核查该类的测试集构成。
11.8 六类混淆拓扑与判读阶梯总结
把六类的形态学关系画成「判读难度地图」，三对高混淆边贯穿始终：
- ASC-US ↔ LSIL（3 倍核增大线 + 挖空细胞典型性）：TBS 判读研究文献长期报告的观察者间分歧重灾区；CRIC 涂片级 ASC-US 45 张与 LSIL 45 张并列最多，标注端已对这一边界做了最大富集；
- ASC-H ↔ HSIL（异型完整度）：信息量最薄的判断，§11.5 已述；
- NILM（副基底/化生）↔ HSIL（核质比陷阱）：副基底细胞与化生细胞核质比天然偏高，萎缩/修复背景下的化生细胞是最容易被过判为 HSIL 的正常形态——NILM 内部谱系多样性（§11.2）正是这一混淆的根源。
使用建议：做误差分析时按这三条边组织混淆矩阵，比按 6×6 全矩阵阅读更接近临床判读的真实故障模式；做主动学习时优先把这三条边上的低置信样本送人工复核，标注预算的边际收益最高。
§12 官方工具生态：论文之外，团队还产出了什么
CRIC 联合体的产出不止「一个数据集 + 一篇论文」，而是围绕同一批数据与同一套工作流衍生出的工具群。理解这个生态有助于判断：哪些能力可以复用、哪些承诺不要过度期待。
12.1 官方工具三件套
UFOP CRIC 中心页与论文披露的衍生工具，按功能定位整理如下：
| 工具 | 功能定位 | 与本数据集的关系 |
|---|---|---|
| CRIC 可检索图像数据库（searchable-image-database） | Web 平台 + REST API，数据发布主入口 | 本条目数据集的官方载体（§2.4、§6.2） |
| pyCBIR | 基于内容的图像检索（Content-Based Image Retrieval）工具库 | 以 CRIC 图像为检索对象，支持「以图搜图」式相似细胞检索实验 |
| CRIC-feat | 特征工程工具（从命名与中心页归类推知，特征提取方向） | 面向 CRIC 图像的特征提取流水线，服务于手工特征研究路线（§7.4 Diniz 2023 的 232 维手工特征同属此路线） |
| CitoFocus | CRIC 中心在研项目（中心页列名） | 细胞学辅助判读方向的延续项目 |
使用提示：pyCBIR 与 CRIC-feat 的具体接口以各仓库文档为准；本条目核验时未逐仓库核对其最新可用性（涉及 GitHub 多仓遍历，超出数据集本体核验范围），接入前请回查 CRICDatabase 组织页确认仓库状态。
12.2 平台技术栈与代码库状态
CRIC 平台的工程形态（论文 + GitHub 口径）：
- 架构：NodeJS 后端 + Angular 前端，前后端分离，子模块化仓库组织；
- 文档：readthedocs 站点承载部署与 API 文档；
- 互操作：论文声明支持 REST API 拉取，平台接口可直接接入脚本化数据管道；
- 版本节奏：65 commits、最后提交 2023-12-03（§2.4）；
- 社区形态：3 stars / 6 forks——典型的「学术引用为主、代码贡献趋零」的数据库型仓库。
这个社区形态是「数据库描述型论文」生态的常态而非败笔：引用 CRIC 的论文绝大多数直接从 figshare 取数、不复现平台部署。平台的价值在浏览、检索与标注工作流的参考实现——若你的项目需要自建细胞标注平台，AGPL v3.0 的 CRIC 源码是可以合法参考改造的（注意 §6.3 所述传染性条款）。
12.3 UFOP 中心项目版图
UFOP decom 中心的 CRIC 页面列出的在研/已研项目方向：Nuclei Detection（细胞核检测）、Cell segmentation（细胞分割）、CitoFocus（判读辅助）。三个方向与数据集的两个 collection 一一呼应——检测与分割任务直接由 segmentation collection 供给监督信号（3,233 组核质掩码），判读辅助则消费 classification collection 的六类标签。对使用者的启示：UFOP 团队自己就是数据集的首批「用户」，其项目方向可作为「这批数据适合做什么」的官方参考答案。
12.4 资助网络与可持续性回看
§3.5 列出的资助清单（CNPq ×5、CAPES-PVE ×3、FAPEMIG ×3、PPSUS、PROPPI/UFOP ×3、US DOE DE-AC02-05CH11231、Moore-Sloan）里藏着可持续性的解读线索：CAPES-PVE（巴西面向国际访问学者的特别访客计划）与美国 DOE 合同对应 LBNL/UC Berkeley 的深度参与——这是「巴西数据 + 美国算法分析能力」的跨国配置，也解释了为什么 CRIC 的传播轨迹（LBNL 官网、GitHub、国际会议）超出巴西本土。但跨国项目制资助的通病是资助周期结束即动力衰减：2021 论文发表、2023-12 最后代码提交的时间线与之吻合（§9.2 维度四「稳定但冻结」判断的依据）。
§13 扩展数据生态：CRIC 之外还有什么可用
单一数据集撑不起完整的宫颈癌 AI 流水线。本节把 CRIC 放回更大的数据版图，给出「缺什么、去哪补」的指引。
13.1 写作池近邻：cervix93 与 intel-mobileodt
千方写作池中已有两个与 CRIC 强相关的条目规划（核验时点未入库，故正文不写 rid 互链）：
- cervix93：宫颈组织病理图像数据集，TBS 2014 口径——注意它是**组织学（histopathology）**而非细胞学：成像对象是组织切片而非脱落细胞，判读的形态学单元从「细胞」变为「组织结构与上皮层次」。它与 CRIC 组成「细胞学-组织学」纵向配对，正好补上 CRIC 缺失的「细胞学异常 → 组织学确诊」链条的下游（§9.3 第 8 条局限的组织学侧）；
- intel-mobileodt：Intel 与 Mobile ODT 联合的宫颈类型分类竞赛数据（Kaggle 口径）——成像对象是阴道镜视野照片（cervix type classification：I 型/II 型/III 型宫颈），与 CRIC 的显微细胞图像分属完全不同的成像层级（宏观视野 vs 微观细胞），但同属「宫颈癌筛查」决策链的上游入口。
三者加上已入库的 herlev-pap(483)、sipakmed(490)、papila(765)，构成「宏观筛查视野 → 细胞学涂片 → 组织病理确诊」的完整证据链骨架。CRIC 在其中的位置：唯一提供核质双层分割掩码 + 患者级标识的细胞学节点。
13.2 HuggingFace 生态空白与数据镜像策略
核验时点（2026-10）经 hf-mirror.com API 检索，未见 CRIC 宫颈数据的官方或社区镜像（搜索结果全为板球等无关条目）——宫颈细胞学在 HF 生态中整体薄弱，CRIC 尤其（存照 9）。含义与对策：
- HF hub 的 datasets 生态无法作为 CRIC 的获取或分发渠道；
- 工程上若需 HF 兼容格式（Parquet/Arrow），需自行从 figshare V2 转换——转换脚本应记录源 DOI 与文件 MD5，保证可追溯；
- 转换后二次分发的许可义务：CC BY 4.0 允许再分发，但必须保留署名（原论文 + figshare DOI），且不建议在 HF 上创建未经与原团队沟通的镜像仓库（学术礼节 + 版本漂移风险）。
13.3 与 WSI 生态的衔接缺口
CRIC 的 400 张分类图是「多细胞视野图」而非全涂片扫描（WSI，whole slide image）——单幅约 314×233 μm 的视野对完整涂片（通常 1-2 cm²）是千分之几的采样率。这带来一个衔接缺口：
- 缺口：想在「整张涂片 → top-k 可疑视野 → 细胞级判读」的两级工作流上训练模型，CRIC 只能覆盖第二级；第一级（视野选择/扫描伪影处理）没有监督信号；
- 补法：公开 WSI 宫颈资源稀缺（组织学 WSI 丰富但细胞学 WSI 少），现实路径是用 CRIC 做细胞级判读器、用 cervix93 或临床合作数据补涂片级建模，或等待液基细胞学（LBC）扫描仪厂商的开放数据；
- 务实边界：如果任务本身定义在「已裁剪细胞/视野」粒度（多数细胞学 benchmark 论文的定义），CRIC 完整覆盖，无缺口。
13.4 拉美开放医学影像聚簇中的 CRIC
papila（rid 765，眼底）、CRIC Cervix（本条目）以及更广的拉美数据集（巴西、墨西哥、阿根廷各医学中心）共同构成「拉美开放医学影像」聚簇——其共性特征恰好是 CRIC 条目的三条人群标签：公共医疗系统来源、混血人群、常规（非受控）采集。做跨人群泛化研究时，这个聚簇内的数据集互为天然的域外验证集；做 fairness 研究（如「模型在拉美人群 vs 欧美人群的性能差」）时，聚簇内数据是稀缺的对照资源。CRIC 的人群元数据受限（伦理协议，§3.1），聚合到涂片级的域间对比仍可行。
附录 D：事实清单（硬事实逐条溯源）
以下 32 条硬事实覆盖本条目全部关键数字与声明，每条标注来源编号（对应附录 A 来源清单与 §7 所引衍生文献）。引用本条目时可直接按编号取用。
- 官方平台名：CRIC Searchable Image Database（来源 8、9）。
- figshare 归档官方名：CRIC Cervix Cell Classification（来源 5）。
- 论文标题口径名：CRIC Cervix（来源 1）。
- CRIC 中心全称：Center for Recognition and Inspection of Cells，UFOP 牵头（来源 8）。
- 论文：Scientific Data 8(1):151（2021），doi 10.1038/s41597-021-00933-8（来源 1）。
- PubMed ID：34112812（来源 2）。
- 论文署名 11 位作者；figshare collection 页署名 8 位（来源 1 vs 5，存照 4）。
- 牵头机构 UFOP（巴西 Minas Gerais）；合作机构 UFC、UC Berkeley、LBNL、IFCE、UFPI（来源 1、3）。
- 分类 collection：400 张 Pap 涂片图像 / 11,534 个单细胞（来源 1、5、8 三源一致）。
- 六类分布：NILM 6,779 / ASC-US 606 / LSIL 1,360 / ASC-H 925 / HSIL 1,703 / SCC 161（论文 Table 2 口径，来源 1）。
- 分割 collection：3,233 组核质分割（来源 1 与 MDPI Applied Sciences 2021 互证）。
- 患者数：118 名患者 / 118 张涂片；涂片级分布 NILM 3 / ASC-US 45 / LSIL 45 / ASC-H 12 / HSIL 10 / SCC 3（来源 1 Methods 口径）。
- 显微镜：Zeiss AxioImager.Z2；相机：Zeiss AxioCam MRc（来源 1）。
- 采集配置：40× 物镜 + 10× 目镜（来源 1）。
- 图像规格：1376×1020 px，150 dpi，0.228 μm/pixel，RGB，TIF 格式（来源 1）。
- 染色：常规 Pap 染色（传统涂片，非液基）（来源 1）。
- 标注团队：3 名细胞学家，经验 6/11/20 年，UFOP 药学院细胞学实验室（来源 1）。
- 标注流程：独立标注 → 第二位复核标签 → 第三位复核标注，三者一致通过，否则共识定标（来源 1）。
- 标注载体：CRIC 自研 Web 平台在线标注，NodeJS 后端 + Angular 前端（来源 1、9、GitHub 主仓）。
- 预处理：标注后计算例程移除近边界细胞与核/质结构不完整可见的细胞（来源 1）。
- 伦理：UFOP 伦理批号 1944523（CAAE 口径，PMC8321382）；图像匿名化（GitHub README）。
- 数据许可：CC BY 4.0（来源 5 figshare 声明 + 论文 Creative Commons 声明双源）。
- 平台代码许可：GNU AGPL v3.0（GitHub CRICDatabase/searchable-image-database）。
- figshare collection DOI：10.6084/m9.figshare.c.4960286；V1 2020-05-01 / V2 2020-05-15（来源 6）。
- figshare 单条记录 12233156：classifications.csv 1.17 MB + classifications.json 1.07 MB + README.md 1.22 kB（来源 7）。
- 平台上线时间：2020-07-01（GitHub README 口径）；代码库 65 commits，最后提交 2023-12-03，3 stars / 6 forks。
- UFOP 另一数据下载入口：www2.decom.ufop.br/cric/cric-database（MDPI Bioengineering 2026 引用口径）。
- 同类对比：Herlev 917 细胞（论文 Table 1 口径；论文 Table 2 处另现 819，存照 3/坑 6）；SIPaKMeD 4,049 细胞（Table 1 口径）。
- 分割衍生基准：U-net/SegNet 在 CRIC Cervix-Seg 上 Dice 0.9429（MDPI Applied Sciences 2021）。
- 分类衍生基准：EfficientNetB7，11,955 图训练 / 961 图测试，macro F1 0.9324 / accuracy 0.9775（medRxiv 2025，坦桑尼亚团队）。
- 方法学发现：细胞级切分使 CRIC 准确率虚高 6.76 个百分点；跨实验室迁移性能下降（CERVEX，medRxiv 2026）。
- HuggingFace 生态：核验时点无 CRIC 宫颈相关镜像数据集（hf-mirror.com API 检索，2026-10-04）。
附录 E：FAQ（高频问答 24 问）
以下问答按「许可获取 → 数据内容 → 建模实操 → 生态引用」四组排列，回答不重复正文论证、只给结论与出处指针。
许可与获取
Q1：CRIC 数据能用于商业产品吗？
能。数据本体 CC BY 4.0，商用、改编、再分发均允许，唯一义务是署名（引用论文 + figshare DOI）。注意平台源代码是 AGPL v3.0（§6.3），复用代码做对外服务需开源修改——数据与代码两条许可线不要混。
Q2：下载需要注册、申请或签署协议吗？
三条路径（Web 平台 / figshare / UFOP 直链）均无需注册（§6.1）。
Q3：V1 和 V2 下载哪个？
V2（2020-05-15），当前 release。官方无变更日志，两版相隔两周，推测为元数据修订；引用时锁定 V2 并注明访问日期（§6.5）。
Q4：平台打不开、figshare 也慢怎么办？
UFOP 直链（www2.decom.ufop.br/cric/cric-database）兜底；巴西服务器跨洋访问偶发超时，换时段重试（§6.5）。
Q5：HuggingFace 上有现成镜像吗？
没有。核验时点 HF 生态零镜像（附录 D 第 32 条），需自行从 figshare 转换，转换时记录源 DOI 与 MD5（§13.2）。
数据内容
Q6：数据里有患者年龄、HPV 状态或随访结果吗？
都没有。人口学信息因伦理协议不公开，HPV 状态与组织学随访未随数据发布（§3.1、§9.3 第 8 条）。
Q7：图像是原始 TIF 还是压缩格式？
论文口径 TIF 格式、150 dpi、1376×1020 px（附录 D 第 15 条）。figshare 打包内的具体文件组织以 README 为准。
Q8：一张分类图里有几个细胞？
可变——含重叠细胞与炎症细胞，这正是「常规涂片」的真实特征（§4 表述）。11,534 细胞分摊在 400 张图上平均约 29 个/图，但单图分布无官方统计，以 CSV 元数据实测为准。
Q9：分割 collection 和分类 collection 的图像能对上吗？
没有官方映射表。两 collection 的图像级对应关系未随发布提供（存照 5），跨任务联合建模需自行对齐。
Q10：每类细胞的裁剪图尺寸一致吗？
数据集以「整图承载多细胞」方式发布，细胞级导出经平台完成；裁剪尺寸无统一规范，衍生文献用 90×90 crop 的有先例（§7 表），自行裁剪时以核质完整可见为界（与官方预处理例程一致，附录 D 第 20 条）。
Q11：NILM 类里有什么「非正常」内容吗？
有。反应性改变、炎症细胞、微生物等非肿瘤性发现归 NILM 谱系（§11.2），NILM 不是形态同质的「干净正常类」。
建模实操
Q12：官方有 train/val/test 切分吗？
没有。且必须自行按 118 名患者分组划分——细胞级随机切分会虚高约 6.76 个百分点（CERVEX 2026，§7.3），操作细节见附录 G。
Q13：为什么我复现别人论文的 accuracy 差那么多？
三个最常见原因：①对方是细胞级随机切分（同上泄漏）；②只报 accuracy 不报宏 F1（NILM 58.8% 先验使裸 accuracy 无意义，坑 7）；③划分随机种子不同导致的小样本方差。先核对方法的划分描述再下结论。
Q14：类别不平衡用什么策略？
类别加权 / 两级任务 / 长尾方法三选一（§4.4 对照表），但全部以患者分组划分为前置。SCC 161 个样本建议并入 HSIL+ 做高级别组评估（§11.7）。
Q15：能和 SIPaKMeD 混合训练吗？类别怎么映射？
能，但映射非一对一：SIPaKMeD 的 Koilocytotic 大致对应 LSIL 相关形态、Dyskeratotic 散布于 LSIL-HSIL 谱系（§5.3），映射规则必须写进论文附录并在跨库验证中单独消融。
Q16：分割任务要分开报核和质的 Dice 吗？
强烈建议。核边界清晰、质边界渐变，难度不对称，混合 Dice 会掩盖质的误差（§7.1）。
Q17：数据增强有什么特别注意事项？
颜色类增强（HSV 抖动、染色归一化）对 Pap 染色域漂移有效；但挖空细胞的核周空晕对过度颜色变换敏感（§11.4），LSIL 类上做颜色增强消融再定强度。几何增强保持核质拓扑。
Q18：能做涂片级筛查端到端模型吗？
不能。无 WSI 全涂片扫描，400 张分类图对完整涂片是极小采样率（§13.3）；细胞学 WSI 需另寻资源或临床合作。
Q19：跨实验室泛化怎么评估？
CRIC 内部无多中心数据。用 SIPaKMeD/Herlev 做域外测试（类别映射见 Q15），并引用 CERVEX 的跨实验室迁移下降结论设置预期（§7.3）。
生态与引用
Q20：平台代码能拿来改造成自己的标注系统吗？
能，但 AGPL v3.0 有网络交互开源义务——对外提供的服务端必须开源修改（§6.3），商用团队先过法务。
Q21：CRIC 是 INCA（巴西国家癌症研究所）的数据吗？
不是。全部一手来源机构均为 UFOP 牵头联合体，INCA 零出现（存照 1/坑 1）。「iJet/INCA 相关」是 brief 误传。
Q22：Herlev 到底是 917 还是 819 个细胞？
CRIC 论文自身两处口径不一（Table 1 写 917、Table 2 写 819，坑 6）。引用 Herlev 请回查 Herlev 原论文并标注口径。
Q23：标准引用格式是什么？
论文：Rezende, M.T. et al. Sci Data 8, 151 (2021). doi:10.1038/s41597-021-00933-8。数据：figshare collection doi:10.6084/m9.figshare.c.4960286（注明 V2 与访问日期）。完整清单见 §6.4。
Q24：千方库内哪些条目和它相关？
已入库：herlev-pap（rid 483）、sipakmed（rid 490）、papila（rid 765）；写作池规划中：cervix93、intel-mobileodt（§13.1）。
附录 F：术语表（28 条）
| # | 术语 | 英文/缩写 | 释义 |
|---|---|---|---|
| 1 | 巴氏涂片 | Pap smear | 以脱落细胞学检查宫颈癌前/癌变的标准筛查方法，因推广者 Papanicolaou 得名 |
| 2 | 常规涂片 | conventional cytology | 直接涂片 + 固定染色的传统制片方式（相对液基薄层）；CRIC 全部样本属此 |
| 3 | 液基细胞学 | liquid-based cytology, LBC | 液体介质保存细胞、自动化薄层制片的现代制片方式；CRIC 未覆盖 |
| 4 | Bethesda 系统 | The Bethesda System, TBS | 宫颈细胞学报告的国际标准语言，1988 首版、2001/2014 修订 |
| 5 | 未见上皮内病变或恶性 | NILM | TBS 阴性报告类别；含炎症、反应性改变等非肿瘤发现（§11.2） |
| 6 | 非典型鳞状细胞-意义不明确 | ASC-US | 提示 LSIL 但证据不足的灰区类别（§11.3） |
| 7 | 非典型鳞状细胞-不除外高级别 | ASC-H | 核质比高但异型证据不完整的灰区类别，临床处置更激进（§11.5） |
| 8 | 低级别鳞状上皮内病变 | LSIL | 对应 CIN 1 谱系，多可自行消退（§11.4） |
| 9 | 高级别鳞状上皮内病变 | HSIL | 对应 CIN 2/3，癌前病变，筛查核心目标（§11.6） |
| 10 | 鳞状细胞癌 | squamous cell carcinoma, SCC | 浸润性鳞癌；CRIC 中仅 161 细胞（§11.7） |
| 11 | 宫颈上皮内瘤变 | cervical intraepithelial neoplasia, CIN | 组织学分级体系（CIN 1/2/3），与 TBS 细胞学类别横向对应 |
| 12 | 挖空细胞 | koilocyte | HPV 感染的标志性细胞形态：核周大空晕 + 核异型（§11.4） |
| 13 | 核周空晕 | perinuclear halo | 细胞核周围胞质透亮区，LSIL 判读线索之一 |
| 14 | 核质比 | nuclear-to-cytoplasmic ratio, N/C ratio | 核面积与胞质面积之比，异型性判读的核心定量指标；CRIC 双层掩码直接支持其计算（§2.3） |
| 15 | 副基底细胞 | parabasal cell | 较小、核质比较高的正常鳞状上皮细胞；萎缩涂片多见，是「过判 HSIL」的常见陷阱（§11.8） |
| 16 | 化生 | metaplasia | 鳞状化生细胞，正常谱系成员但核质比偏高，易与 HSIL 混淆 |
| 17 | 肿瘤素质 | tumor diathesis | 坏死碎屑与炎症构成的「脏背景」，浸润癌的辅助判据（§11.7） |
| 18 | 细胞学家 | cytologist / cytopathologist | 经专业训练的细胞学判读者；CRIC 标注者为 3 名（6/11/20 年经验） |
| 19 | 观察者间一致性 | inter-observer agreement | 多名判读者判读一致程度（常以 kappa 量化）；CRIC 未披露（存照 6） |
| 20 | 全切片图像 | whole slide image, WSI | 整张玻片的高倍扫描数字图像；CRIC 无 WSI（§13.3） |
| 21 | 细胞级切分 | cell-level splitting | 以细胞为单元随机划分训练/测试集；对 CRIC 会虚高 6.76 pp（坑 3） |
| 22 | 涂片级分组切分 | slide-grouped splitting | 以涂片/患者为单元分组划分，杜绝同源泄漏；本条目硬前提（§7.3） |
| 23 | 域漂移 | domain shift | 训练与部署数据分布差异；CRIC 单中心单设备的必答风险题（§9.3 第 3 条） |
| 24 | 宏平均 F1 | macro F1 | 各类别 F1 算术平均（等权），偏斜数据下替代 accuracy 的默认指标（§7.2） |
| 25 | DAIMS | Data Available / Intended Use / Mission / Shortcomings | 本库 AI-Ready 评估框架，§9.1 |
| 26 | CC BY 4.0 | Creative Commons Attribution 4.0 | 署名即可商用/改编/再分发的开放许可；CRIC 数据许可 |
| 27 | GNU AGPL v3.0 | GNU Affero General Public License v3.0 | 含网络交互开源义务的强传染许可；CRIC 平台代码许可 |
| 28 | figshare collection | — | figshare 的集合打包形态，版本化 DOI 归档；CRIC 用 c.4960286 |
附录 G：患者级划分工作手册（复现者专用）
§9.5 给出了骨架，本附录展开为可直接落地的完整流程与自检清单。代码为参考实现框架，字段名以 figshare CSV 实际列名为准（下载后先核对，勿照抄）。
G.1 标准划分流程（参考实现）
import pandas as pd
import numpy as np
from sklearn.model_selection import GroupShuffleSplit
# 0) 读入元数据：每行一个细胞对象，关键字段 patient_id / smear_id / cell_id / label
meta = pd.read_csv("cric_metadata.csv")
assert meta["label"].nunique() == 6, "TBS 六类，先确认标签枚举"
# 1) 患者级分层（按涂片级类别 3/45/45/12/10/3 极不均衡，简单随机分组会让
# NILM 3 例患者全部落进同一集合，涂片级评估直接失效）
# 做法：先按患者的涂片级标签分层，再在层内做组划分
smear_label = meta.groupby("patient_id")["smear_label"].first()
train_p, test_p = [], []
for lbl, grp in smear_label.groupby(smear_label):
gss = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
tr, te = next(gss.split(grp, groups=grp.index))
train_p += list(grp.index[tr]); test_p += list(grp.index[te])
# 2) 细胞级索引映射：先划分患者，再取该患者的全部细胞
train_idx = meta[meta["patient_id"].isin(train_p)].index
test_idx = meta[meta["patient_id"].isin(test_p)].index
# 3) 泄漏自检（三重）
assert set(train_p) & set(test_p) == set(), "患者级泄漏！"
assert not (set(meta.loc[train_idx, "smear_id"]) &
set(meta.loc[test_idx, "smear_id"])), "涂片级泄漏！"
# 4) 分布体检：打印两边细胞级与涂片级的六类计数，
# 重点核对 SCC（161 细胞 / 3 涂片）与 ASC-H（925 细胞 / 12 涂片）
G.2 十条自检清单
- 划分单元是患者（118 个），不是细胞、不是图像；
- 涂片级六类（3/45/45/12/10/3）做了分层，NILM 与 SCC 患者不会全体落入同一侧；
- 跑了患者级与涂片级双重泄漏断言；
- 训练/测试两侧的细胞级与涂片级分布都打印核对过；
- 报告指标是宏 F1 + 每类召回 + 混淆矩阵，accuracy 仅作参考；
- ASC-US↔LSIL、ASC-H↔HSIL、NILM(副基底/化生)↔HSIL 三条混淆边重点查看（§11.8）；
- 分割任务核、质 Dice 分开报（§7.1）；
- 小样本方差用至少 5 折分组交叉验证估计，单次划分结果不入论文；
- dataLimitations 写明：单中心单设备、共识标签上界、类别先验非人群先验（§9.3）；
- 与文献对比时，先核对对方划分方式——细胞级切分的 0.98 和患者级切分的 0.90 没有可比性（§7.3）。
附录 H：三类读者路线图
路线一：基准研究者（要跑对比实验、写论文）
- 从 §1 十问十答建立全貌 → §2/§4 记下双 collection 与六类分布硬数字；
- 直接跳附录 G 执行划分流程，五折分组交叉验证；
- 读 §7 衍生基准清单，把 Dice 0.9429 与宏 F1 0.9324 记为可对照锚点（注意各自划分方式未明的提示）；
- 跨库对照用 sipakmed（rid 490）+ herlev-pap（rid 483），类别映射按 §5.3；
- 交稿前过一遍 §10 存照清单与附录 B 坑点，检查论文里有没有踩中任何一条。
路线二：工程落地者（要接入产品/流水线）
- §6 确认获取路径与许可：数据 CC BY 4.0 商用可、代码 AGPL 隔离使用；
- 附录 G 的划分纪律同样适用——线上模型的离线评估若无患者级隔离，上线第一天就会遇到「同一患者数据横跨训练与生产」的真实泛化落差；
- 按 §9.5 工程要点检查输入尺寸、增强与指标三件套；
- 域适应评估不可省（单中心单设备，§9.3 第 3 条）；接入前用 §13.1 证据链上下游数据做一次真实场景试跑；
- 长期数据锚点选 figshare V2 版本化 DOI，不依赖平台在线状态（坑 5）。
路线三：数据策展人（建库、挑数据、做互链）
- 附录 D 事实清单 32 条逐条核对来源，是本条目的「验收底稿」；
- 互链格局：herlev-pap(483) → cric → sipakmed(490) 三链 + papila(765) 拉美横链；cervix93 与 intel-mobileodt 入库后扩为五链家族（§13.1）；
- 收录定位建议：把 cric 标记为「宫颈癌筛查数据家族」的枢纽节点——六类 TBS 标签 + 双层掩码 + 患者级标识三件套在同类库中唯一；
- 引用格式与伦理声明直接取 §6.4 合规清单。
§14 检测与定位任务的工程适配
分类与分割之外，CRIC 还有第三条被验证过的任务线：细胞检测定位（EPIA 2024 的 YOLOv9/GELAN/RT-DETR 对比，YOLOv9 最佳 mAP，§7.4）。本节给出把 CRIC 用于检测训练时的工程适配要点——全部基于已核事实（图像规格、掩码结构、预处理例程）与通用工程实践，不引入新硬数字。
14.1 从分割掩码构造检测标签
CRIC 的分割 collection 提供 nucleus + cytoplasm 双层像素掩码，检测标签可从中机械转换：
- 连通域分析：对核掩码做连通域标记（connected component labeling），每个连通域一个细胞实例；质掩码用于归属裁决（相邻核共享一个质区域时，按质掩码的最大重叠归属）；
- 边界框生成：实例掩码外接矩形即 bbox；建议记录 bbox 面积占掩码面积的比值（solidity 代理量）——重叠拥挤涂片中该比值偏高，可用来在数据侧统计「重叠细胞比例」这一关键难度变量；
- 类别对齐问题：分割 collection 与分类 collection 无官方映射表（存照 5），若检测框需要 TBS 类别标签，只能对分割侧做增量标注或用分类侧图先训练检测器再迁移——两条路都要在论文里声明；
- 标签粒度选择：单细胞框之外，可把紧邻细胞团（cluster）作为第二级框标注目标，模拟筛查报告里「合胞体样排列」的定位需求（§11.6 的 HSIL 形态主题）。
14.2 物理尺度与 anchor 设计
0.228 μm/pixel 的标称分辨率（§2.5）让 anchor 尺寸设计有了物理依据，这是 CRIC 相对无标尺数据集的实际优势：
- 中层鳞状上皮细胞直径约 50-60 μm → 约 220-260 px 宽；副基底细胞直径约 15-30 μm → 约 65-130 px；核直径通常为细胞的 1/4 到 1/3；
- 检测头的 anchor/先验框建议覆盖 64-320 px 的尺度带，重心放在 128-256 px 段；
- 输入 1376×1020 直接进 640×640 训练会丢约 60% 视野——要么按原图多尺度切片训练（保留物理尺度一致性），要么在数据管道里统一 resize 并重算像素-微米换算，二选一，别混用；
- 炎症细胞（白细胞，约 10-15 μm → 40-65 px）是天然的小目标干扰项，评估小目标召回时应单列——它们同时是 §11.2 所述 NILM 谱系成员，误检为异常细胞是临床假阳性的重要来源。
14.3 重叠细胞与 NMS 的特殊矛盾
常规涂片（区别于单细胞裁剪库）的核心难点在重叠：相邻细胞粘连、核重叠、质边界共享。标准 NMS 会把合法重叠的异常细胞对当重复检测抑制掉——这在单细胞裁剪数据集（Herlev/SIPaKMeD）上不存在，恰恰是 CRIC 这类「真实涂片」数据集的独特价值：
- 训练侧：软 NMS（Soft-NMS）或按类别错峰置信度的 NMS 变体值得消融；
- 评估侧：IoU 阈值放宽到 0.3-0.4 量级再报一档，重叠细胞场景下 0.5 的严格 IoU 会系统性低估可用性；
- 报告侧：把「细胞密度」（每图细胞数）分桶报召回——密度与漏检率的关系是从基准走向部署最该量化的曲线。
14.4 与 YOLOv9 基线的对接提示
EPIA 2024 的对比（YOLOv9 vs GELAN vs RT-DETR，YOLOv9 最佳）表明：CRIC 图像规格下，轻量级检测器即可起效——1.4 MP 输入、单图数十目标，不属于检测领域的高难场景。复现者从 YOLOv9 起步的合理路径：figshare V2 分割侧数据 → §14.1 标签转换 → §14.2 尺度策略 → 宏观 mAP + §14.3 分桶召回双报。把「检测框 → 分类验证」串联（检测器找细胞、分类器定 TBS 类别）是利用双 collection 的自然两级方案，但受限于两 collection 无映射（存照 5），联合训练需自建小规模桥接标注。
附录 J：跨库类别映射工作表
跨库迁移（CRIC ↔ SIPaKMeD ↔ Herlev）的第一道坎是类别对译。下表按形态学通识给出建议映射——这是形态学语义的合理对译而非官方声明（三个数据集均未发布官方映射），使用前必须按 Q15/§5.3 要求做标注级验证与消融。
J.1 SIPaKMeD 五类 → CRIC TBS 六类
| SIPaKMeD 类别 | 形态学要点 | 建议 CRIC 目标类 | 置信度 | 备注 |
|---|---|---|---|---|
| Superficial-Intermediate | 正常中表层细胞 | NILM | 高 | 核固缩/泡状两型均归 NILM |
| Parabasal | 小、核质比偏高 | NILM | 中 | 副基底核质比天然偏高（§11.8 第 3 条陷阱），别误映到 HSIL |
| Koilocytotic | 挖空细胞 | LSIL | 高 | 核周空晕 + 核异型是 LSIL 标志（§11.4） |
| Dyskeratotic | 角化不良 | LSIL 与 HSIL 双向 | 低 | 散布于 LSIL-HSIL 谱系（§5.3），映射规则须消融 |
| Metaplastic | 鳞状化生 | NILM | 中 | 正常谱系成员（附录 F 第 16 条），核质比偏高 |
J.2 Herlev 七类 → CRIC TBS 六类
| Herlev 类别 | 建议 CRIC 目标类 | 置信度 | 备注 |
|---|---|---|---|
| Normal (superficial) | NILM | 高 | — |
| Normal (intermediate) | NILM | 高 | — |
| Normal (columnar) | NILM（或不映射） | 中 | 柱状/腺细胞在 CRIC 六类无对位——CRIC 鳞状为主，腺细胞未单列；建议丢弃或归 NILM 并声明 |
| Mild dysplasia | LSIL | 高 | CIN 1 谱系对应 |
| Moderate dysplasia | HSIL（或 LSIL 双向） | 低 | CIN 2 归属长期有争议，细胞学与组织学口径分离；映射须消融 |
| Severe dysplasia | HSIL | 高 | CIN 3 谱系 |
| Carcinoma in situ | HSIL | 高 | TBS 把 CIS 归 HSIL 谱系 |
J.3 映射实验的三条纪律
- 先验证后使用：映射表上线的最低证据是——抽 100 个跨库样本人工核对映射一致性，报告一致率；直接拿映射跑迁移然后报告「跨库掉点」的论文，审稿人会问映射本身引入的误差；
- 低置信映射单列消融：Dyskeratotic（LSIL/HSIL 双向）与 Moderate dysplasia（HSIL/LSIL 双向）两行必须做双向消融，结论对映射选择的敏感性单独成段；
- 不映射 ≠ 丢弃：Herlev columnar 类暴露的是一个真实信息缺口——CRIC 六类不含腺细胞类别（腺细胞数据是 CRIC 团队声明的未来方向，§5 FACTS），涉及腺细胞病变的任务别在这三个库上勉强做。
附录 K：常见审稿质疑与应对自查表
用 CRIC 做工作的论文，审稿意见高度集中在以下九问。交稿前逐条自查（对应正文出处随行标注）：
- 「为什么不按患者分组划分？」——必须已分组（§7.3，虚高 6.76 pp）；附录 G 可直接引用；
- 「为什么只报 accuracy？」——补宏 F1 + 每类召回 + 混淆矩阵（坑 7）；
- 「SCC 只有 161 个，怎么保证结论？」——并入 HSIL+ 组报（§11.7），或声明稀有类分析的统计边界；
- 「标注质量有 kappa 吗？」——如实答：未披露（存照 6），转而引用三人共识流程描述（§3.4）；
- 「模型在真实筛查人群会怎样？」——声明类别先验差异（标注端富集，§4.3 第 2 条），不做流行病学外推（§9.4）；
- 「跨中心可用吗？」——引用单中心单设备局限 + CERVEX 跨实验室迁移下降（§9.3 第 3 条、§7.3）；
- 「和 SIPaKMeD/Herlev 比公平吗？」——映射消融 + 划分口径统一（附录 J）；
- 「检测框怎么来的？」——声明标签构造流程（§14.1），两 collection 无映射要写明（存照 5）；
- 「许可与伦理合规吗？」——CC BY 4.0 数据 + CAAE 1944523 + 脱敏声明（§6.4），一句话引用附录 D 第 21/22 条。
附录 L：数据卡片（Dataset Card）草案
以下为可直接粘贴进模型卡/数据说明文档的数据卡草稿，全部字段取自已核事实。
数据集身份
- 名称：CRIC Cervix（figshare 归档名 CRIC Cervix Cell Classification；平台名 CRIC Searchable Image Database）
- 版本：figshare collection V2（2020-05-15）；DOI 10.6084/m9.figshare.c.4960286
- 发布方：CRIC 联合体（Center for Recognition and Inspection of Cells），UFOP 牵头
- 论文：Rezende et al., Scientific Data 8:151 (2021), doi:10.1038/s41597-021-00933-8
数据概要
- 任务：宫颈细胞学六类分类（TBS）+ 核质双层像素分割
- 规模：分类 collection 400 图 / 11,534 单细胞；分割 collection 3,233 组核质掩码
- 人群：118 名常规妇科门诊患者 / 118 张常规 Pap 涂片（巴西 Minas Gerais）
- 采集：Zeiss AxioImager.Z2 + AxioCam MRc，40×/10×，1376×1020 px，150 dpi，0.228 μm/pixel，TIF
- 类别分布（细胞级）：NILM 6,779 / ASC-US 606 / LSIL 1,360 / ASC-H 925 / HSIL 1,703 / SCC 161
标注
- 流程：3 名细胞学家（6/11/20 年经验）独立标注 → 全量复核 → 共识定稿（§3.4）
- 一致性系数：未披露（存照 6）
- 预处理：移除近边界与核质不完整细胞（附录 D 第 20 条）
许可与合规
- 数据：CC BY 4.0（商用允许，署名义务）
- 代码：GNU AGPL v3.0（网络交互开源义务）
- 伦理：UFOP 伦理批号 1944523；图像匿名化；人口学信息不公开
已知局限（Top 5，完整 9 条见 §9.3）
- 类别极度偏斜（58.8% vs 1.4%，42 倍）；
- 无官方患者级切分——细胞级随机划分虚高 6.76 pp（CERVEX 2026）；
- 单一实验室单台设备，跨中心域漂移未覆盖；
- 无 WSI、无临床随访、无 HPV 状态；
- 双 collection 图像级映射未提供。
引用格式
见 §6.4 合规清单（论文引用 + 数据引用 + 署名建议三件套）。
附录 M：FAQ 补充（Q25-Q34）
Q25：可以只取一个子集再分发吗？
CC BY 4.0 允许，义务仅署名——保留原论文引用与 figshare DOI，声明你截取的子集口径（哪些患者/类别）。
Q26：用 CRIC 训练的模型需要开源吗？
数据许可不传染到模型权重（CC BY 4.0 非 copyleft）。声明训练数据来源是学术规范，开源权重是最佳实践而非义务。
Q27：TIF 转 PNG/JPG 会不会有问题？
TIF→PNG 无损转换对训练无影响；转 JPG 有损压缩会引入色块伪影，对染色细节敏感的任务（挖空细胞空晕、染色质纹理）不建议。转换结果建议留存 MD5 与转换脚本。
Q28：为什么 NILM 涂片只有 3 张、细胞却有 6,779 个？
每张涂片贡献的细胞数不同：正常涂片细胞多、异常涂片的可判读细胞少而异常细胞富集（§4.2 反直觉结构）。
Q29：适合做自监督/半监督预训练吗？
11,534 个细胞 + 400 图的规模做大规模预训练偏小；作为「预训练 → 微调」中的微调集或与外部无标注细胞图池组合使用更合理（§3.4 的定位结论）。
Q30：JSON 里的标注结构能直接当训练 ground truth 吗？
CSV/JSON 是平台数据结构镜像（§2.4），使用前先读 README 与字段对照，确认类别枚举与患者标识的字段名再消费（附录 O）。
Q31：检测训练时图片里的炎症细胞和杂质怎么处理？
它们是真实筛查场景的组成部分，建议保留并在评估时单列小目标/干扰项召回（§14.2），不做「净化」——净化后的指标会在部署时反弹。
Q32：跨库迁移实验里哪类最难对齐？
Dyskeratotic（SIPaKMeD）与 Moderate dysplasia（Herlev）两个双向类（附录 J 低置信行），必须消融。
Q33：CRIC 团队接下来会更新数据吗？
团队声明未来方向包括加入腺细胞与肛门细胞学数据（§5 FACTS）；核验时点未见新 collection 发布，勿在论文中承诺引用未发布的数据。
Q34：论文里要引用千方条目吗？
建议（§8.4）：原论文 + figshare DOI 之外，若采纳了本条目的划分建议与存照（尤其 §7.3），一并注明帮助社区避坑。
附录 N：数据加载与体检脚本（参考实现）
下载 figshare V2 后的第一小时该跑的体检脚本——确认数据完整、分布与论文口径一致，再开始任何建模。字段名以实际 CSV 为准（附录 O）。
import pandas as pd
# 1) 加载与基本体检
meta = pd.read_csv("classifications.csv") # 1.17 MB 结构化标注
print(meta.shape) # 预期行数量级：11,534 细胞（含表头偏差以实测为准）
print(meta.isna().sum()) # 缺失分布：任何关键列（类别/患者）缺失需先回查 README
# 2) 六类分布核对（对照论文 Table 2 口径）
# 预期：NILM 6,779 / ASC-US 606 / LSIL 1,360 /
# ASC-H 925 / HSIL 1,703 / SCC 161
print(meta["label"].value_counts())
# 3) 患者级覆盖核对
# 预期：118 名患者；涂片级分布 3/45/45/12/10/3
print(meta["patient_id"].nunique())
print(meta.groupby("patient_id")["smear_label"].first().value_counts())
# 4) 每图细胞数分布（§14.3 检测分桶的基础）
per_img = meta.groupby("image_id").size()
print(per_img.describe()) # 关注 min/max/四分位——重叠密集图是难度头部
# 5) 泄漏风险评估的先导统计
# 同一患者跨图像的情况、同一涂片细胞数 top10：
print(meta.groupby("patient_id")["image_id"].nunique().describe())
体检通过的三条标准：①六类计数与论文 Table 2 一致；②患者数 = 118 且涂片级分布一致；③无关键列缺失。任何一条不过，先停下核对版本（是否误拿 V1）与文件完整性，不要带病开训。
附录 O：标注文件处理指南
figshare 单条记录（id 12233156）的三个文件（CSV 1.17 MB / JSON 1.07 MB / README 1.22 kB）是分类 collection 的标注载体。处理建议：
- 先读 README 再动数据：1.22 kB 的 README 短到没有理由跳过——它定义字段语义与版本口径；
- CSV 为训练主源：结构化标注以 CSV 为准（类别、患者、图像参数），一行一细胞对象的宽表形态可直接进 pandas/sklearn 流水线；
- JSON 为结构镜像：JSON 保存平台数据模型（层级嵌套），适合重建平台侧检索逻辑或做细粒度结构分析；做训练时不要从 JSON 重新展开类别——两源若有出入以 README 声明为准并向 figshare 留言求证；
- 字段确认清单（首次使用逐项打勾）：类别枚举是否为 TBS 六类原文/编码；患者标识字段是哪个列；图像标识与文件名的对应关系；是否存在涂片级标签列（做分层划分必需，附录 G G.1 第 1 步）；采集参数（放大倍率/分辨率）是否逐图记录；
- 分割标注的获取：分割 collection（3,233 组核质掩码）在 collection 内按子条目组织（§2.4），标注形态以对应子条目自述为准——核验时点未单独确认其单条 DOI（存照 7），下载后同样先跑附录 N 式体检（核对 3,233 组数）。
二次转换纪律（与 §13.2 呼应）：任何格式转换（CSV→Parquet、TIF→PNG、JSON→COCO）都应留下「源 DOI + 版本 + 转换脚本 + 产物 MD5」四件套，保证六个月后能回答「这份数据是哪来的、动过什么」。
附录 P：延伸研究题单（从 CRIC 出发的八个开放问题）
以下题单是本条目各章节发现的「可发表空白」汇总，供选题参考。每题标注证据出处与起步路径。
- 患者级基准的官方化：CRIC 有 118 患者级标识，但社区至今没有公认的患者级 benchmark 切分。做一个固定种子、分层、可复现的切分协议并发布（含 leaderboard 化的评估脚本），填补 §7.3 所示「切分口径混乱」的根。起步：附录 G 流程 + 五折协议文档。
- 跨库映射的标注验证集：附录 J 的映射置信度是形态学推测。请两位细胞学家对 200-300 个跨库样本做映射一致性标注，产出首个「TBS ↔ SIPaKMeD ↔ Herlev」验证对照集——引用量可预期的工具型工作。
- 重叠细胞检测基准：§14.3 指出 CRIC 是唯一提供「真实重叠 + 多细胞视野」的公开细胞学库之一。把软 NMS / IoU 阈值 / 细胞密度分桶做成标准化检测协议，与 Herlev/SIPaKMeD 单细胞库形成难度阶梯对照。
- 染色归一化的定向消融：Pap 染色域漂移是跨中心部署的头号敌人（§9.5 工程要点 2）。用 CRIC 做 train、跨库做 test，消融 Reinhard/Macenko/随机颜色增强的域适应贡献，回答「染色归一化到底值几个点」。
- 副基底/化生混淆的定向挖掘：§11.8 第 3 条指出的 NILM 内部陷阱是「过判 HSIL」的临床假阳性来源。做错误类型学的细粒度分析（正常但高核质比 vs 真异常），产出临床可解释的误检归因。
- 核质比形态测量与类别的定量关系：双层掩码（§2.3）支持 N/C ratio 的精确计算。建立「N/C ratio 分布 × TBS 类别」的定量图谱——既是形态学教学素材，也是分类器可解释性的物理特征基线。
- 双 collection 一致性的半监督利用：分割掩码（3,233 组）可作为分类任务的辅助监督（掩码先验 → 注意力/区域一致性损失）。存照 5 的映射缺失恰是研究空间：自建小规模桥接标注 + 一致性正则。
- 低资源跨人群公平性：CRIC（巴西常规门诊）与欧美队列的域差是公平性研究的天然对照（§13.4）。结合坦桑尼亚团队的 EfficientNetB7 工作（附录 D 第 30 条），做三大洲两阶段筛查场景的性能均衡分析。
选题优先级建议：题 1 与题 3 工程量最小、社区收益最直接；题 6 与题 8 的论文故事最完整；题 2 的引用杠杆最高但依赖细胞学家资源。
附录 I：接管附记
本条目由两任写手接力完成，按 RSI 闭环纪律记录接管轨迹如下：
- 第一任 agent-b-cric（锁 2026-10-04T08:23:02+08:00）：完成 FACTS.md（九节全，11175 字节）与半稿 part1-part5（写入私有区 .parts_agent-b-cric_1791073382_1777790），拼接为成稿 698 行后中断。
- 接管核查（agent-b-cric-v2，2026-10-04T08:54）：覆写锁为
agent-b-cric-v2 2026-10-04T08:54:18+08:00；对半稿与第一任私有区做两轮（间隔 10 秒）md5 稳定性采样，全部一致，无并发写入；核验第一任私有区 part1-5 拼接 md5 与现存成稿完全一致——第一任无未拼接的遗留 part，半稿即其完整产出。 - 第二任增补（agent-b-cric-v2）：基于 FACTS.md 增补本文导航、§11（Bethesda 系统与六类形态学背景）、§12（官方工具生态）、§13（扩展数据生态）、附录 D（事实清单 32 条）、附录 E（FAQ 24 问）、附录 F（术语表 28 条）、附录 G（患者级划分工作手册）、附录 H（读者路线图）；修复 subtitle 超 255 字符问题（297 → 152）。第一任全部既有章节与结论未改动，仅删除文末「（条目完）」标记移至增补之后。
- 事故记录：接管初期一次私有区目录误建于锁目录之外（工作目录漂移所致），已当场删除并在锁目录内重建私有区
.parts_agent-b-cric-v2_1791075601_1840589；误建目录为空，未产生覆写或数据损失。 - 增补内容全部锚定 FACTS.md 已核事实；Bethesda 形态学描述为教科书通识内容（§11 开头已声明），未引入任何未核验的新硬数字。
（条目完）
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- panda-plus — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准 / 肿瘤学
- prostate-cnb-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准 / 肿瘤学
- camelyon17 — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
- unitopatho — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
- nuinsseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
- mendeley-lbc — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
- lisc — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
- raabin-wbc — 共享标签：医学影像 / 病理图像 / 图像分类 / 医学图像分割 / 评测基准
- all-idb — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
- ihc4bc — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 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。
