信息速览
TCGA-HNSC 是 TCGA 计划里的头颈鳞状细胞癌项目，2015 年在 Nature 发表主论文，2018 年随泛癌分析完成而冻结。它把口腔、口咽、喉与下咽四个解剖部位的肿瘤放进同一个入组框架，用同一套流程做外显子、全基因组、转录组、miRNA、甲基化、拷贝数与蛋白测量，再让放疗期影像从另一个入口挂到同一串 barcode 上。
对做头颈 AI 的团队，它的稀缺之处不是样本量，而是「四个部位共用一套测量」：跨部位比较不需要重建对照，HPV 阴性与阳性可以在同一张表里分层，分子标签与生存天数来自同一批随访。代价是每个部位分到的例数不同，官方也不提供把十二个解剖取值合并成四组的字段。
下面按「它解决什么麻烦、里面有什么、怎么取、边界在哪」四段展开，数字以 GDC 项目页、TCIA 集合页与 2015 年主论文为准，口径与核验日期集中写在附录。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全称 | The Cancer Genome Atlas Head and Neck Squamous Cell Carcinoma |
| 项目编号 | TCGA-HNSC（GDC project_id） |
| 发起机构 | 美国国家癌症研究所（NCI）与国家人类基因组研究所（NHGRI） |
| 主论文 | Nature 2015，517 卷 576 至 582 页，多平台分析 279 例 |
| 病例规模 | 五百二十八例（GDC 项目页，2026-10 查询） |
| 文件规模 | 35,128 份，合计约 303 TB |
| 数据类别 | 10 类 |
| 实验策略 | 10 种 |
| 解剖部位 | 13 个 ICD-O-3 部位码，临床表 12 个亚部位取值 |
| 组织来源站点 | 29 个 |
| 配对影像 | TCIA 227 例、479 次检查、2,561 个序列、270,376 张图像 |
| 影像模态 | CT、PT、MR、RTDOSE、RTSTRUCT、RTPLAN、OT |
| 影像体量 | 129.63 GB（DICOM 原始） |
| 病理切片 | 组织切片 520 例、诊断切片 450 例，存 GDC |
| 蛋白层 | RPPA 覆盖 354 例 |
| HPV 字段 | p16 可判读 115 例，ISH 可判读 89 例 |
| 主键 | 患者 barcode（TCGA-XX-XXXX），影像与组学共用 |
| 访问层级 | 开放层免注册；受控层经 dbGaP；影像经 NIH 受控审批 |
| 影像 DOI | 10.7937/K9/TCIA.2016.LXKQ47MS（第六版，2023-05-24） |
§1 它要解决的具体麻烦
1.1 一句话结论：它解决的是「四个部位共用一套尺子」
头颈鳞癌在临床上不是一个病。口腔、口咽、喉、下咽的解剖结构、淋巴引流、手术方式、放疗靶区与预后各不相同，口咽癌还要再按 HPV 状态劈成两半。任何一个单中心队列，通常只覆盖其中一两个部位，跨部位比较只能靠拼接文献。
这个项目的设计不是「把四个部位各做一遍」，而是「用同一套测量流程，对四个部位同时取样」，再把切分的决定留给分析阶段。这带来两个直接后果。好的一面是横向可比：同一批试剂、同一套比对管线、同一张临床表，跨部位比较只需要处理批次，不需要处理定义漂移。坏的一面是纵向不齐：某些部位的例数足以单独建模，某些只够做描述，而官方并不提供一个把十二个解剖取值合并成四组的字段。
把这句话展开成三个可操作的判断。第一，如果你要问「HPV 阳性与阴性的分子差异」，它是最省事的一站，因为两组在同一个项目里、同一套平台上测过。第二，如果你要问「喉癌的独立预后模型」，它的例数不够支撑多因素分析，必须外接别的队列。第三，如果你要问「口腔与口咽的放疗反应差异」，它答不了，因为治疗字段既没有剂量也没有分割方式。
| 你想问的问题 | 需要什么 | 够不够 |
|---|---|---|
| HPV 阳性与阴性的分子差异 | 同平台、同批次的两种状态 | 够，但 HPV 标签只覆盖部分病例 |
| 跨部位（口腔、口咽、喉、下咽）比较 | 统一的测量与统一的临床表 | 够，切分需自建映射 |
| 单部位的预后模型 | 该部位足够的例数与事件数 | 不够，多数部位事件数偏少 |
| 放疗剂量与疗效关系 | 剂量体积参数与靶区 | 不够，无剂量学字段 |
1.2 三条常见的错误期待
第一条，把它当成「头颈癌全集」。TCGA-HNSC 只收鳞状细胞癌，ICD-O-3 形态学码集中在四个码；鼻咽癌、涎腺肿瘤、甲状腺癌都不在其中。用「头颈」两个字去检索，很容易把它当成整个头颈区域的代表。
第二条，把它当成「纯组学项目、没有影像」。TCIA 有一个同名的 TCGA-HNSC 集合，收录二百二十七例放疗期影像，含 CT、PET、MR 与放疗结构。这批影像走 NIH 受控审批，不在 GDC 门户里，所以只看 GDC 的人常常漏掉它。
第三条，把它当成「HPV 状态齐全」。临床表确实有 p16 与 ISH 两列，但两列都以未评估为主，可判读的病例加起来不到全队列的一半，两法之间还有不一致。把它当作 HPV 分层的金标准队列，会在建模时发现标签大面积缺失。
| 常见期待 | 实际情况 | 后果 |
|---|---|---|
| 「头颈癌都在里面」 | 只有鳞癌，无鼻咽、涎腺、甲状腺 | 病变谱与真实头颈门诊不符 |
| 「没有影像」 | TCIA 另存二百二十七例放疗期影像 | 漏掉唯一的多模态入口 |
| 「HPV 状态齐全」 | 两列检测字段大面积未评估 | 分层建模的有效样本骤减 |
| 「四个部位平分」 | 各部位例数差异很大 | 单部位模型的功效被高估 |
| 「治疗信息完整」 | 只有术后辅助的是否标记 | 无法做疗效或剂量分析 |
| 「分期可以直接合并」 | 横跨四个 AJCC 版本 | 分期作为协变量前必须统一 |
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 分子标签配病理切片 | 组织切片 520 例、诊断切片 450 例，与突变、表达同源 | 够做弱监督与多实例学习 |
| 分子标签配影像 | 二百二十七例放疗期 CT/PET/MR，患者级可直连 | 够做探索性放射基因组学 |
| HPV 分层的分子对照 | p16 与 ISH 两列，可判读合计不足半数 | 够做假设生成，不够做分层训练 |
| 头颈癌的突变图谱 | 外显子 527 例、全基因组 482 例 | 够，且是文献标准口径 |
| 拷贝数与结构变异 | 基因型阵列 526 例，结构变异独立成类 | 够做驱动事件与克隆性分析 |
| 蛋白层验证 | RPPA 354 例 | 勉强够，覆盖不到七成 |
| 放疗剂量与靶区剂量学 | 有 RTDOSE 与 RTSTRUCT，但只覆盖影像子集 | 部分够，需自行提取 DVH |
| 统一治疗方案 | 无 | 不够，需外接临床试验 |
| 复发与转移的影像随访 | 无 | 不够 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 手上有一批口咽癌切片，缺 HPV 标签 | 提供同一批患者的 p16 与 ISH 两列 | 先按可判读子集建标签，再评估两法一致性 |
| 想验证一个头颈预后基因签名 | 五百余例同源表达与生存 | 用 TCGA-CDR 四终点复算，报告分层结果 |
| 做病理基础模型，缺带分子标签的切片 | 五百二十例组织切片配突变与拷贝数 | 走 GDC 切片下载，注意 SVS 体积 |
| 想研究放疗影像与基因的关联 | 二百二十七例影像配全矩阵分子 | 先按 barcode 取交集，再按站点分层 |
| 写综述，需要头颈多组学的标准参照 | 2015 年主论文是领域通用引用 | 同时给项目 DOI 与 TCIA 数据 DOI |
| 教学，需要一套完整的多模态案例 | 一位患者可串起影像、切片、突变、表达、随访 | 选影像子集里的病例做贯穿演示 |
| 想做新辅助或复发治疗研究 | 缺统一方案与前后配对 | 改用专门的前瞻试验队列 |
1.5 一句话判断
它是一个把「四个解剖部位放进同一套测量」做到位、却把「每个部位分到多少例」留成缺口的项目；用它的正确姿势是拿它做跨部位对照与标签锚点，而不是拿它做单部位规模。
1.6 不适合谁：四条边界
| 边界 | 具体表现 | 更适合的替代 |
|---|---|---|
| 追求单部位规模 | 多数部位例数不足以支撑多因素模型 | 单中心大样本队列，或按部位合并的联盟数据集 |
| 追求前瞻协议 | 常规诊疗采集，无统一扫描与治疗方案 | ACRIN 6685 一类前瞻诊断试验 |
| 追求 HPV 全覆盖 | 两列检测字段大面积未评估 | 以 p16 为入组标准的专项口咽癌队列 |
| 追求治疗反应标签 | 无剂量、无疗效判定、无复发影像 | 放疗剂量学队列，或带 DVH 的影像组学集合 |
§2 数据构成与规格
2.1 六层实体结构：从患者到文件
GDC 的组织方式是一棵树，从顶到底共六层。最上层是 case，即一位患者，标识为十二位 barcode。第二层是 sample，对应手术切下来的一块组织，标识里带样本类型码。第三层是 portion，一份样本切出的蜡块或冰冻块。第四层是 analyte，从部分里提取的 DNA、RNA 或蛋白。第五层是 aliquot，分析物分装出的一份。第六层是 file，一次测量的产物。
TCIA 是另一棵树，只在最上层与 GDC 相接：DICOM 的 PatientID 就是 case 的十二位 barcode。Study 对应一次检查，Series 对应一个序列，Image 对应一张切片或一帧。两棵树之间没有外键，只有字符串相等。这一点与乳腺项目完全一致，也是 TCGA 各癌种共享的约定。
这个结构有一个实用推论：任何跨模态分析的第一步都不是读文件，而是把两边的患者清单做交集，并检查交集的 barcode 是否带版本后缀。GDC 的 case_submitter_id 是纯净的十二位，TCIA 的 PatientID 也是十二位，但部分导出工具会给样本级标识加后缀，混用会把交集做小。
| 层级 | GDC 侧 | TCIA 侧 | 连接键 |
|---|---|---|---|
| 患者 | case，十二位 barcode | Patient，PatientID | TCGA-XX-XXXX |
| 样本 | sample，含样本类型码 | 无 | 不适用 |
| 部分 | portion，蜡块或冰冻块 | 无 | 不适用 |
| 分析物 | analyte，DNA/RNA/蛋白 | 无 | 不适用 |
| 等分样 | aliquot，分装单位 | 无 | 不适用 |
| 检查 | 无 | Study，含检查日期 | 不适用 |
| 序列 | 无 | Series，含模态 | 不适用 |
| 文件 | 分析文件，含 UUID | DICOM 实例 | 不适用 |
2.2 字段字典：一张六十八列的临床表
GDC 随项目提供的患者级临床表是六十八列的长表，按 case 聚合后一行一例。字段可以分成九组：身份、诊断、部位、分期、病理、HPV、暴露、治疗、结局。跨版本列名基本稳定，但空值写法不统一，有的写 [Not Available]，有的写 [Not Evaluated]，有的写 [Unknown]，三者含义不同，不能一律当缺失处理。
| 字段组 | 代表字段 | 类型 | 说明 |
|---|---|---|---|
| 身份 | bcr_patient_barcode | 字符串 | 十二位 barcode，主键 |
| 身份 | gender、race、ethnicity | 枚举 | 自报信息 |
| 诊断 | histologic_diagnosis | 字符串 | 鳞癌 NOS、基底样鳞癌等 |
| 诊断 | icd_o_3_histology | 编码 | 形态学码，共四个取值 |
| 部位 | anatomic_organ_subdivision | 枚举 | 十二个取值，核心分层字段 |
| 部位 | icd_o_3_site、tumor_tissue_site | 编码 | 部位码与站点口径 |
| 分期 | ajcc_pathologic_tumor_stage | 枚举 | 病理总分期 |
| 分期 | ajcc_staging_edition | 枚举 | 第 4 至第 7 版 |
| 病理 | margin_status | 枚举 | 阴性、阳性、近切缘 |
| 病理 | lymphovascular_invasion | 枚举 | 脉管侵犯 |
| 病理 | perineural_invasion | 枚举 | 神经侵犯 |
| HPV | hpv_status_p16 | 枚举 | 免疫组化，阳性或阴性 |
| HPV | hpv_status_ish | 枚举 | 原位杂交，阳性或阴性 |
| 暴露 | tobacco_smoking_history_indicator | 枚举 | 吸烟史 |
| 暴露 | alcohol_history_documented | 枚举 | 饮酒史 |
| 治疗 | radiation_treatment_adjuvant | 枚举 | 术后放疗是否实施 |
| 治疗 | pharmaceutical_tx_adjuvant | 枚举 | 术后用药是否实施 |
| 结局 | vital_status | 枚举 | Alive 或 Dead |
| 结局 | death_days_to | 整数 | 仅死亡患者有值 |
| 结局 | last_contact_days_to | 整数 | 存活患者的末次接触 |
| 结局 | new_tumor_event_dx_indicator | 枚举 | 新发事件，覆盖不足一半 |
空值形态是这个项目最容易踩的坑。同一张表里，[Not Available] 表示该字段没有采集，[Not Evaluated] 表示采集了但没有做判读，[Unknown] 表示做了但结果不明。三者在统计上都可以当缺失，但在方法学上意义完全不同：把 [Not Evaluated] 当随机缺失，会低估 HPV 阳性率的偏差方向。
| 字段 | 空值形态 | 处理建议 |
|---|---|---|
| race、ethnicity | 写 not reported，或整列缺失 | 不作为主特征 |
| hpv_status_p16 | 大量 [Not Available] 与 [Not Evaluated] | 只在可判读子集上分层 |
| hpv_status_ish | 大量 [Not Available] | 不用于填补 p16 |
| ajcc_staging_edition | 四个版本并存 | 作为协变量或分层变量 |
| radiation_treatment_adjuvant | 仅部分病例有记录 | 不进入主模型 |
| new_tumor_event_dx_indicator | 覆盖不足一半 | 无病生存只能近似 |
| death_days_to | 存活者为空 | 与生命状态联合判断 |
样本侧的字段更少，但更容易出错。样本类型码决定这份样本是原发肿瘤、转移灶还是配对正常组织，所有下游比较都依赖这一位字符。这个项目的样本类型以原发肿瘤、血液来源正常与实体组织正常三类为主，没有转移灶的大规模采集。
| 字段 | 取值示例 | 用途 |
|---|---|---|
| sample_submitter_id | TCGA-CV-7247-01A | 样本级标识 |
| sample_type | Primary Tumor | 区分肿瘤与正常 |
| tissue_type | Tumor 或 Normal | 组织来源 |
| specimen_type | Solid Tissue | 标本形态 |
| preservation_method | FFPE 或 Snap Frozen | 影响核酸质量 |
| days_to_collection | 整数 | 相对诊断日的天数 |
文件侧的字段决定能不能批量取数。GDC 的 files 端点返回的每条记录都带 data_category、data_type、experimental_strategy、access 四个关键属性，其中 access 决定这份文件在开放层还是受控层。这个项目的受控层比例不低，因为全基因组与原始读段都在受控侧。
| 字段 | 取值示例 | 用途 |
|---|---|---|
| file_id | UUID 字符串 | 下载与去重的主键 |
| file_name | 形如 uuid.htseq.counts.gz | 判断内容与格式 |
| data_category | Transcriptome Profiling | 粗粒度分类 |
| data_type | Gene Expression Quantification | 细粒度类型 |
| experimental_strategy | RNA-Seq | 实验方法 |
| access | open 或 controlled | 决定是否需要 dbGaP |
| file_size | 字节数 | 规划存储 |
| md5sum | 三十二位十六进制 | 校验完整性 |
2.3 一条 barcode 的完整解剖
把一位患者摊开，可以看到标识体系如何逐级收窄。患者级十二位，样本级十六位，文件级再加若干位，任何一位都有含义，不能随意截断。取库里真实存在的一条记录作例子：TCGA-CV-7247，来自 MD 安德森站点（TCIA 的站点表把 CV 对应到该院），原发部位为喉，诊断为鳞状细胞癌 NOS，名下挂着两份原发肿瘤样本与血液、实体组织两类正常样本。
TCGA-CV-7247-01A-21R-A034-07
│ │ │ │ │ │ │ │
│ │ │ │ │ │ │ └─ 中心代码（07 = 分析中心）
│ │ │ │ │ │ └────── 板号（A034）
│ │ │ │ │ └──────── 分析物类型（R = RNA）
│ │ │ │ └────────── 部分/孔位（21）
│ │ │ └──────────── 样本类型（01A = 原发肿瘤，A 为顺序）
│ │ └───────────────── 患者序号（7247）
│ └──────────────────── 组织来源站点（CV）
└───────────────────────── 项目前缀（TCGA）
这段标识里，真正跨模态通用的是前十二位。影像侧只保留到患者级，因为一次颈部 CT 覆盖的是整个头颈区域，不对应某一块蜡块；切片侧保留到样本级，因为一张切片来自特定蜡块。做三模态对齐时，正确的粒度是先按患者级连接，再在样本级内部分析，不要试图把影像与某个特定等分样一一对应。
| 标识段 | 位数 | 含义 | 是否跨模态 |
|---|---|---|---|
| TCGA | 4 | 项目前缀，固定 | 是 |
| TSS | 2 | 组织来源站点 | 是 |
| Participant | 4 | 患者序号 | 是 |
| Sample | 3 | 样本类型与顺序 | 否，仅组学与病理 |
| Vial/Portion | 2 | 份数与孔位 | 否 |
| Analyte | 2 | 分析物类型 | 否 |
| Plate | 4 | 板号 | 否 |
| Center | 2 | 测序或分析中心 | 否 |
| 对齐目标 | 应使用的粒度 | 不能做的事 |
|---|---|---|
| 影像与突变 | 患者级十二位 | 用样本级标识去连影像 |
| 影像与切片 | 患者级先连，再在样本内挑切片 | 假设切片对应影像里的同一病灶 |
| 表达与甲基化 | 样本级或等分样级 | 跨样本类型合并 |
| 临床与全部 | 患者级 | 把随访多行直接并进主表 |
2.4 十个数据类别与十种实验策略
GDC 项目页给出的十个数据类别，是理解「哪一层最厚」的最快方式。简单核苷酸变异与拷贝数占文件数的大头，转录组与甲基化的文件数中等但单文件信息密度高，蛋白组只有三百五十四例，是覆盖最薄的一层，与乳腺项目的八百八十一例差了近一倍。
| 数据类别 | 文件数 | 覆盖病例 | 说明 |
|---|---|---|---|
| Simple Nucleotide Variation | 10,955 | 528 | 体细胞突变调用，MAF 为主 |
| Copy Number Variation | 7,049 | 528 | 基因级与片段级拷贝数 |
| Sequencing Reads | 4,599 | 528 | 比对后的读段文件 |
| Biospecimen | 2,858 | 528 | 样本与标本元数据 |
| Structural Variation | 2,645 | 525 | 结构变异调用 |
| Transcriptome Profiling | 2,270 | 528 | 表达定量 |
| DNA Methylation | 1,740 | 528 | 探针级 beta 值 |
| Somatic Structural Variation | 1,555 | 433 | 体细胞结构变异 |
| Clinical | 1,103 | 528 | 病例、随访、治疗表与病理报告 |
| Proteome Profiling | 354 | 354 | RPPA 蛋白丰度 |
实验策略的覆盖面更能说明「同一患者被几种尺子量过」。甲基化阵列与基因型阵列接近全覆盖，外显子与 miRNA 覆盖九成九以上，全基因组覆盖略低，RPPA 只覆盖三分之二，ATAC-seq 是后来补测的极小批，只有九例，不具备单独分析的价值。
| 实验策略 | 文件数 | 覆盖病例 | 主要产物 |
|---|---|---|---|
| WXS | 8,264 | 527 | 外显子突变 |
| Genotyping Array | 6,989 | 526 | 拷贝数与杂合性缺失 |
| WGS | 7,010 | 482 | 全基因组变异与结构变异 |
| RNA-Seq | 5,094 | 521 | 表达定量 |
| miRNA-Seq | 1,707 | 524 | 小 RNA 表达 |
| Methylation Array | 1,740 | 528 | 甲基化 beta 值 |
| Tissue Slide | 791 | 520 | 组织切片扫描 |
| Diagnostic Slide | 472 | 450 | 诊断切片扫描 |
| Reverse Phase Protein Array | 354 | 354 | 蛋白丰度 |
| ATAC-Seq | 9 | 9 | 染色质可及性 |
2.5 与同族项目的字段差异
同为 TCGA 单癌种项目，TCGA-HNSC 与 TCGA-BRCA 的字段骨架几乎相同：同样是六层实体、同样是十二位 barcode、同样是十类数据。差别在厚度与部位编码：乳腺的分期只有一套版本，头颈的分期横跨四个版本；乳腺的蛋白层覆盖近九成，头颈只有三分之二；乳腺的解剖字段是单一器官，头颈的解剖字段有十二个取值。
| 维度 | TCGA-HNSC | TCGA-BRCA | 差异的实际影响 |
|---|---|---|---|
| 病例规模 | 五百二十八 | 一千零九十八 | 头颈的事件数更少 |
| 解剖编码 | 12 个取值，需归并 | 单一器官，无需归并 | 头颈多一步映射工作 |
| 分期版本 | 四个 AJCC 版本并存 | 以单一版本为主 | 头颈分期不能直接作协变量 |
| 蛋白层 | 354 例 | 881 例 | 头颈的蛋白验证更受限 |
| 配对影像 | 227 例放疗期 CT/PET/MR | 139 例术前 MRI 与钼靶 | 头颈的影像偏治疗期，乳腺偏术前 |
| 病毒病因字段 | 有 p16 与 ISH 两列 | 无 | 头颈可做病毒分层，乳腺不能 |
§3 核心层 A：项目身份与四亚部位边界
3.1 它在 TCGA 里的坐标
TCGA 是一个计划，HNSC 是其中一个项目。计划层面回答「癌症的共同分子逻辑是什么」，项目层面回答「头颈鳞癌这一组病被测量到了什么程度」。把两者混为一谈，会出现两种典型错误：用泛癌的样本量描述头颈，或用头颈的解剖复杂度描述整个 TCGA。
项目页把疾病类型写成 Squamous Cell Neoplasms，形态学码集中在四个取值，说明入组时已经排除了腺癌、未分化癌与其他组织学类型。这一点常被忽略：头颈区域的肿瘤谱很宽，涎腺肿瘤、甲状腺癌、鼻咽癌在临床上同属「头颈部」，但它们不在这个项目里，也不应该拿这个项目的数据去外推。
| 层级 | 对象 | 规模口径 | 回答的问题 |
|---|---|---|---|
| 计划 | TCGA | 33 个癌种、上万患者 | 跨癌种的分子共性 |
| 项目 | TCGA-HNSC | 五百二十八例 | 头颈鳞癌的多组学全貌 |
| 影像子集 | TCIA TCGA-HNSC | 227 例 | 放疗期影像与分子的配对 |
| 分析子集 | 2015 年主论文 | 279 例 | 多平台交集后的分子分型 |
3.2 与泛癌总库的明确分工
库内已有 TCGA 泛癌总库词条，它把 33 个癌种放在一个入口下，重点在跨癌种比较、泛癌图集、统一临床资源与 GDC 的通用取数方法。本篇只做一件事：把 HNSC 这一个项目的解剖分层、影像子集、临床字段与组学厚度讲到能直接开工。
分工可以用三句话记住。泛癌总库回答「头颈鳞癌在 33 个癌种里处于什么位置」，本篇回答「这一个项目里每一层数据长什么样」。泛癌总库的使用者是要做跨癌种迁移或比较分析的人，本篇的使用者是要在头颈这一个病种上做多模态实验的人。泛癌总库的典型表格是癌种乘模态的覆盖矩阵，本篇的典型表格是病例乘数据层的覆盖与取数路径。
| 关注点 | 泛癌总库 | 本篇 |
|---|---|---|
| 分析单位 | 癌种 | 患者与样本 |
| 核心表格 | 癌种乘模态覆盖 | 病例乘数据层覆盖 |
| 解剖处理 | 一句带过 | 十二个取值与四组的映射 |
| 影像处理 | 指向 TCIA | 模态、站点、受控层级逐项展开 |
| 临床处理 | 统一到 TCGA-CDR | 字段组、空值形态、分期版本 |
| 适用任务 | 跨癌种迁移、泛癌分型 | 头颈多模态、HPV 分层 |
3.3 十二个解剖取值与四个临床分组的错位
这是这个项目最需要说清楚的一件事。官方的临床表里有一个字段叫 anatomic_organ_subdivision，共十二个取值；而临床习惯上的分层只有四组：口腔、口咽、喉、下咽。两者之间没有官方映射，必须自己做。
十二个取值与四组的关系可以按解剖学归并：口腔一侧包含舌、口底、颊黏膜、牙槽嵴、硬腭、口腔（未特指）与唇；口咽一侧包含扁桃体、舌根与口咽（未特指）；喉与下咽各自单独一组。归并本身不难，难的是「未特指」这一类：口腔未特指与口咽未特指在原始编码里就是模糊的，归到哪一组都会引入误差。
还有一处不一致值得注意。项目页的 primary_site 列的是十三个 ICD-O-3 部位码，与临床表的十二个取值不是同一套编码，其中还包含一个与头颈无关的部位码（骨与关节），属于编码填写的边界情况。做部位分层时，应该以临床表的 anatomic_organ_subdivision 为主，项目页的部位码只用于粗筛。
| 临床四组 | 临床表取值 | 归并难度 |
|---|---|---|
| 口腔 | 舌、口底、颊黏膜、牙槽嵴、硬腭、口腔未特指、唇 | 中，唇是否计入需说明 |
| 口咽 | 扁桃体、舌根、口咽未特指 | 中，未特指部分有归类风险 |
| 喉 | 喉 | 低，单一取值 |
| 下咽 | 下咽 | 低，单一取值 |
这个错位带来三个实用后果。第一，任何声称「按四个部位分层」的分析，都必须公开自己的归并规则，否则结果不可复现。第二，跨论文比较时，别人说的「口腔癌」可能包含唇，也可能不包含，差异足以改变结论。第三，如果把「未特指」直接丢弃，剩下的样本就不再是连续入组，选择偏差会进入模型。
3.4 纳入边界：初治、可手术、标本量足够
这五百余例不是随机抽样，而是多中心连续入组加质量筛选的结果。纳入的是初治、可手术、标本量足以完成多平台测量的病例；新辅助治疗史在表里几乎全为「无」，说明入组时基本未接受术前治疗。复发病例、标本不足的病例、以及仅有穿刺活检的病例被排除在外。
这个筛选过程决定了三件事：分期偏早、治疗以手术为主、随访从病理诊断日起算。它同时解释了为什么这个项目不适合回答「局部晚期如何治疗」这类问题——真正需要答案的那部分病人，恰恰是最容易被标本量门槛挡在外面的人。
| 纳入特征 | 表现 | 对分析的影响 |
|---|---|---|
| 初治 | 新辅助治疗史几乎全为「无」 | 可视为治疗前基线 |
| 可手术 | 以可切除病例为主 | 不能外推到不可切除的局部晚期 |
| 标本量门槛 | 需同时满足 DNA、RNA、蛋白 | 小标本与穿刺活检被排除 |
| 鳞癌限定 | 形态学码仅四个取值 | 与头颈肿瘤全谱不同 |
| 多中心入组 | 二十九个组织来源站点 | 批次效应必须处理 |
| 随访起点 | 病理诊断日 | 与影像日期需换算 |
3.5 分期横跨四个 AJCC 版本
这是使用这个项目时最容易被低估的障碍。临床表的 ajcc_staging_edition 字段有四个取值：第四版、第五版、第六版、第七版，以第七版为主，但其余三版合计仍占相当比例。四个版本对 T、N、M 的定义不同，尤其淋巴结的划分标准变化很大。
后果是直接的：把 ajcc_pathologic_tumor_stage 当作一个统一的分期变量放进模型，等于把不同年代的判定标准混在一起。正确的做法是二选一——要么只用同一版本的子集，要么把版本本身作为协变量，要么放弃总分期、改用 T、N、M 三个分项并明确其版本。
| 版本 | 主要差异 | 处理建议 |
|---|---|---|
| 第四版 | 淋巴结分区较粗 | 与后续版本不可直接合并 |
| 第五版 | 引入更细的 N 分级 | 同上 |
| 第六版 | 头颈专用分期成熟 | 可作过渡口径 |
| 第七版 | 口咽按 HPV 相关与否分流 | 主流口径，但需注意其时代背景 |
需要注意的是，第七版之后 AJCC 第八版才把 HPV 状态正式写入口咽癌分期。这个项目采集于第八版之前，因此它的口咽分期是「未按 HPV 分流」的旧口径。用这份数据训练的分期模型，迁移到今天的临床分期体系时，必须重新映射。
3.6 命名体系与检索习惯
文献里对这个项目有五六种写法，检索时会漏。GDC 用 TCGA-HNSC，TCIA 用同名集合，论文里常写 HNSCC 或 TCGA head and neck cancer，旧版数据包用 HNSC 作为队列缩写。做系统集成时，建议以 project_id 为主键，其余写法做别名表。
| 写法 | 出现场景 | 是否等价 |
|---|---|---|
| TCGA-HNSC | GDC、TCIA、API | 是，标准写法 |
| HNSC | 论文、旧数据包、cBioPortal 早期研究 | 是，需上下文确认 |
| HNSCC | 论文、指南 | 通常指疾病，不特指本项目 |
| Head and Neck Squamous Cell Carcinoma | 项目全称 | 是，正式名 |
| SCCHN | 欧洲文献 | 通常指疾病，不特指本项目 |
§4 核心层 B：影像子集与分子分层
4.1 影像子集的技术规格
TCIA 的集合页给出一组可直接引用的数字：二百二十七例受试者、四百七十九次检查、两千五百六十一个序列、二十七万零三百七十六张图像，体量一百二十九点六三 GB，模态标注为 CT、PT、MR、RTDOSE、RTSTRUCT、RTPLAN 与 OT 七类。检查次数约为受试者的两倍，说明相当一部分患者有多次检查，通常是定位 CT 与复查或计划的组合。
与乳腺项目相比，这批影像的性质不同。乳腺的影像是术前诊断性的 MRI 与钼靶，头颈的影像以放疗计划期为主，带 RTSTRUCT 与 RTDOSE，因此它天然适合做危及器官分割、靶区勾画与剂量学分析，而不适合做「术前影像预测分子亚型」这类任务——因为扫描时患者已经进入治疗流程。
| 指标 | 数值 | 口径 |
|---|---|---|
| 受试者 | 227 | TCIA 集合页 |
| 检查 | 479 | Study 级 |
| 序列 | 2,561 | Series 级 |
| 图像 | 270,376 | 实例级 |
| 体量 | 129.63 GB | DICOM 原始 |
| 模态 | CT、PT、MR、RTDOSE、RTSTRUCT、RTPLAN、OT | 七类 |
| 许可 | NIH Controlled Data Access Policy | 需审批，因可能重建人脸 |
| 版本 | 第六版，2023-05-24 | 集合页标注 Complete |
4.2 八个来源站点与采集差异
这批影像由八家机构提供，各自沿用本院的常规扫描协议。CT 的层厚、造影期相、扫描范围不统一；PET 的示踪剂剂量与采集时长不统一；MR 的场强与序列组合差异更大。TCIA 的集合页明确写到，这些图像多数是常规诊疗的一部分，不是按研究方案采集的。
| 来源机构 | 国家或地区 | 对影像子集的贡献 |
|---|---|---|
| MD 安德森癌症中心 | 美国德州 | CT 为主，另有 MR 与 PET |
| 范德堡大学医学中心 | 美国田纳西 | CT 为主，另有 MR 与 PET |
| 多伦多大学健康网络 | 加拿大 | CT 与 MR |
| 北卡罗来纳大学 | 美国北卡 | CT 为主 |
| 约翰斯霍普金斯大学 | 美国马里兰 | CT、MR、PET |
| 匹兹堡大学医学中心 | 美国宾州 | CT |
| 迈阿密大学 | 美国佛罗里达 | CT |
| 巴雷托斯癌症医院 | 巴西 | CT |
站点差异不是一句「异质性」可以带过的，它直接决定模型能不能学。同一个序列名在不同站点可能对应不同的层厚与重建核；同一块靶区在不同机构的勾画风格不同；PET 的 SUV 标定与重建算法也不一致。做交叉验证时，按站点分组比随机分组更接近真实部署。
| 差异维度 | 可能的表现 | 对建模的影响 |
|---|---|---|
| 层厚 | 各院自定，薄层与厚层混合 | 重采样策略必须统一 |
| 造影 | 是否增强、期相不同 | 灰度分布不可比 |
| PET 采集 | 剂量与时长不一 | SUV 阈值不可直接移植 |
| MR 序列 | 场强与序列组合不同 | 通道设计必须兼容缺失 |
| 靶区勾画 | 各院风格不同 | 分割标签的噪声水平不同 |
| 日期 | DICOM 日期按站点整体平移 | 不能与 GDC 天数直接换算 |
4.3 案例：一位喉癌患者的四段轨迹
把 TCGA-CV-7247 当作一个具体对象看，比抽象讨论「影像与组学能否关联」更有用。这位患者的原发部位是喉，诊断为鳞状细胞癌 NOS，名下有两份原发肿瘤样本与两类正常样本，站点代码 CV 在 TCIA 的站点表里对应 MD 安德森。
它在 TCGA 体系里的轨迹可以分成四段。第一段是手术，标本进入生物样本库，分装后跑外显子、表达、甲基化与拷贝数，病理科留一张诊断切片，扫描后在 GDC 以切片图像形式提供。第二段是治疗，若接受术后放疗，计划期的 CT 与靶区结构进入 TCIA。第三段是随访，临床团队按随访表记录生命状态与天数。第四段是复用，后来的研究者按十二位 barcode 把四段拼起来。
这条轨迹有三个可验证的接点，也有三个不能假设的地方。可验证的是：患者 barcode 在两边完全相等；切片属于样本级，与分子数据同源；生存天数相对病理诊断日。不能假设的是：这位患者未必在 TCIA 的二百二十七例里；即便在，影像也未必覆盖原发灶的完整范围；切片所属的蜡块与测序所用的蜡块未必是同一块。
| 轨迹段 | 存放位置 | 标识粒度 | 可连接性 |
|---|---|---|---|
| 手术标本 | GDC Biospecimen | 样本级 | 患者级下钻 |
| 分子测量 | GDC 各数据类别 | 样本或等分样 | 患者级聚合 |
| 病理切片 | GDC Slide Image | 样本级 | 与分子同源 |
| 放疗影像 | TCIA | 患者级 | 与 GDC 患者级直连 |
| 随访结局 | GDC Clinical | 患者级 | 与影像同源 |
这个案例最容易被误用的地方，是按站点推断影像有无。MD 安德森是贡献影像最多的站点，但不等于该院每一位患者都有影像。正确做法是拿患者清单去 TCIA 的 getPatient 端点做交集，而不是按 TSS 代码推测。
4.4 HPV 两列检测字段的覆盖与不一致
HPV 状态是口咽癌最重要的分层变量，这个项目确实提供了检测数据，但覆盖情况与想象中不同。临床表里有两列：hpv_status_p16 记录 p16 免疫组化结果，hpv_status_ish 记录原位杂交结果。两列都不是二值字段，而是带「未评估」「不可用」「未知」的多值枚举。
可判读的病例数远低于总数：p16 一列约一百一十五例有明确的阳性或阴性结论，ISH 一列约八十九例。两列的交集更小，且存在 p16 阳性而 ISH 阴性的个案——这在生物学上是合理的（p16 是替代标志物，ISH 检测的是病毒核酸），但在数据层面意味着不能简单地用一列填补另一列。
| 检测方式 | 可判读病例 | 记录形式 | 使用建议 |
|---|---|---|---|
| p16 免疫组化 | 约一百一十五 | 阳性、阴性、未评估、不可用、未知 | 作为主标签，注明判读标准 |
| 原位杂交 | 约八十九 | 阳性、阴性、不可用、未知 | 作为敏感性分析或一致性检验 |
| 两法一致 | 小于上述两者 | 需自行交叉 | 不一致的个案单独报告 |
这个覆盖水平带来一个现实约束：如果要做 HPV 阴性与阳性的对照，有效样本是百例量级，不是五百例量级。做差异表达尚可，做多因素预后模型则事件数不足。2015 年主论文的做法是先按 HPV 状态把队列切开，再在每一层内部做分子分析，这个策略在今天依然适用——只是要接受分层后的样本量。
还有一点需要说明：这个项目的 HPV 检测分散在各站点完成，方法学不完全统一，有的用 p16 作为替代，有的用 ISH 或 PCR。临床表没有记录每位患者用的是哪一种试剂或判读阈值，因此「HPV 阳性」在这份数据里是一个操作性定义，不是一个标准化的实验室结论。
4.5 治疗与随访字段的稀薄
治疗字段是这个项目最薄的一块。临床表里有 radiation_treatment_adjuvant 与 pharmaceutical_tx_adjuvant 两个是否实施的标记，覆盖病例不到全部的四成；没有剂量、没有分割方式、没有药物方案、没有周期数。这意味着任何「治疗强度与预后」的问题都答不了。
随访字段的情况类似。生命状态与死亡天数覆盖完整，可以直接算总生存；但新发事件标记只覆盖不足一半的病例，复发部位与时间更没有系统采集。想算无病生存，只能借助 TCGA-CDR 的派生规则，用有限的信息做最大化近似。
| 终点 | 需要的字段 | 是否可直接计算 | 备注 |
|---|---|---|---|
| 总生存 | vital_status、death_days_to、last_contact_days_to | 是 | 最常用，缺失最少 |
| 疾病特异生存 | 死因相关字段 | 部分 | 死因归类需人工核对 |
| 无进展生存 | 复发或进展日期 | 否 | 需派生终点近似 |
| 无病间期 | 复发日期 | 否 | 同上 |
| 治疗反应 | 统一疗效判定 | 否 | 无疗效判定字段 |
| 放疗剂量反应 | 剂量体积参数 | 部分 | 仅影像子集有 RTDOSE |
4.6 可复现性与版本
这个项目的可复现性取决于三件事是否被记录：下载时间对应的 GDC 数据版本、使用的参考基因组与管线、影像来自 TCIA 的哪一版。官方在 2018 年冻结了数据生成，但 harmonized 重处理仍在继续，同一文件在不同年份可能有不同的 UUID。影像侧已经更新到第六版，从第一版的 164 例扩到 227 例，早期论文里引用的例数与今天看到的可能不一致。
| 复现要素 | 应记录的内容 | 缺失后果 |
|---|---|---|
| 数据版本 | GDC 数据发布号与查询日期 | 文件 UUID 漂移，无法复算 |
| 参考基因组 | GRCh38 或 GRCh37 | 坐标不一致，变异无法对齐 |
| 管线 | STAR、MuTect2 的版本 | 表达与突变调用不可比 |
| 影像版本 | TCIA 集合版本与 DOI | 例数变化，切分不可复现 |
| 分期版本 | AJCC 第几版 | 协变量定义漂移 |
| 代码环境 | 依赖版本与随机种子 | 结果不可重复 |
§5 核心层 C：怎么拿到、怎么接上
5.1 三条通道与各自的门槛
取数有三条通道：GDC 数据门户的网页下载、GDC 的 API、TCIA 的下载器。网页适合小批量挑选，API 适合可重复的脚本，TCIA 下载器适合整包拉取。三条通道的认证要求不同，规划时要分开算：GDC 开放层免注册，受控层要 dbGaP，TCIA 影像要 NIH 受控数据审批，而影像审批与 dbGaP 审批是两套流程，不能互相替代。
| 通道 | 适用场景 | 认证 | 批量能力 |
|---|---|---|---|
| GDC 门户网页 | 挑选少量文件、看元数据 | 开放层免注册 | 弱 |
| GDC API | 可重复查询、生成清单 | 开放层免注册 | 强 |
| gdc-client | 按清单批量下载 | 受控层需 token | 强，支持断点 |
| TCIA 网页 | 浏览集合与引用信息 | 无 | 弱 |
| TCIA Data Retriever | 整包或按序列下载 | NIH 受控审批后发放 | 强 |
| IDC 门户 | 云端分析、按需取数 | 无 | 中 |
5.2 用 GDC API 拿项目概览
项目端点会返回病例数、文件数、数据类别与实验策略的汇总。这一段查询是所有后续规划的依据，建议在论文方法里写明查询日期。
curl -s "https://api.gdc.cancer.gov/projects/TCGA-HNSC?expand=summary,summary.experimental_strategies,summary.data_categories&pretty=true" \
| python3 -c "import sys,json; d=json.load(sys.stdin)['data']['summary']; print(d['case_count'], d['file_count'], d['file_size'])"
返回的三个数字分别是病例数、文件数与总字节数。把它们除以一千的幂次，可以得到便于写进预算的体量。注意 file_size 是该项目全部文件之和，包含受控层，不等于开放层可下载的体量，也不等于影像体量——影像不在 GDC 里，而在 TCIA。
| 端点 | 返回内容 | 典型用途 |
|---|---|---|
| /projects/TCGA-HNSC | 项目元数据与汇总 | 立项、写方法学 |
| /projects/TCGA-HNSC?expand=summary | 类别与策略汇总 | 规划存储与算力 |
| /cases | 病例级字段 | 建临床表 |
| /files | 文件级字段 | 生成下载清单 |
| /files/ | 单文件元数据 | 校验与排错 |
| /history | 文件版本变更 | 追踪 UUID 漂移 |
| 返回字段 | 读法 | 常见误解 |
|---|---|---|
| case_count | 该项目下的患者数 | 当成样本数 |
| file_count | 全部文件数，含受控层 | 当成开放层可下载数 |
| file_size | 全部文件字节和 | 当成影像体量 |
| data_category | 粗粒度分类 | 与 data_type 混用 |
| case_count（类别级） | 该类别覆盖的患者数 | 当成该类别文件数 |
5.3 按数据类别筛文件
文件端点的过滤器是嵌套 JSON，结构固定：最外层是 and，里面每个条件是一个 in。把项目、数据类别、访问层级三个条件叠起来，就能得到一份干净的清单。下面的写法把类别换成表达定量，是头颈项目里最常用的一段。
import requests
filters = {
"op": "and",
"content": [
{"op": "in", "content": {"field": "cases.project.project_id", "value": ["TCGA-HNSC"]}},
{"op": "in", "content": {"field": "data_category", "value": ["Transcriptome Profiling"]}},
{"op": "in", "content": {"field": "access", "value": ["open"]}},
],
}
payload = {
"filters": filters,
"fields": "file_id,file_name,file_size,md5sum,cases.samples.sample_type",
"format": "JSON",
"size": 5000,
}
r = requests.post("https://api.gdc.cancer.gov/files", json=payload, timeout=120)
hits = r.json()["data"]["hits"]
print(len(hits), round(sum(h["file_size"] for h in hits) / 1e9, 1), "GB")
这段代码返回的是文件级记录，不是表达矩阵。要做差异表达，还得把每个样本的定量文件读进来按基因合并，或者直接取 GDC 已打包的 HTSeq counts 矩阵。头颈项目的表达文件有五千余份，覆盖五百二十一例，其中一部分是同一患者的重复等分样，合并前必须按样本类型与原发肿瘤筛选。
| 过滤字段 | 常用取值 | 说明 |
|---|---|---|
| cases.project.project_id | TCGA-HNSC | 项目限定，必填 |
| data_category | Transcriptome Profiling | 粗分类 |
| data_type | Gene Expression Quantification | 细分类 |
| experimental_strategy | RNA-Seq | 方法限定 |
| access | open / controlled | 访问层级 |
| cases.samples.sample_type | Primary Tumor | 样本类型 |
| analysis.workflow_type | STAR - Counts | 管线口径 |
5.4 从 TCIA 取影像
TCIA 的接口是另一套。集合名固定为 TCGA-HNSC，先用集合端点拿患者清单，再用序列端点拿每个患者的序列，最后用下载器按清单取 DICOM。整个过程需要先通过受控数据审批，拿到访问凭据后才能下载图像本体；元数据查询本身不需要审批。
import requests
base = "https://services.cancerimagingarchive.net/nbia-api/services/v1"
patients = requests.get(f"{base}/getPatient", params={"Collection": "TCGA-HNSC", "format": "json"}, timeout=180).json()
print("patients", len(patients))
first = patients[0]["PatientId"]
series = requests.get(f"{base}/getSeries", params={"Collection": "TCGA-HNSC", "PatientId": first, "format": "json"}, timeout=180).json()
mods = sorted({s["Modality"] for s in series})
print(first, len(series), mods)
如果只需要元数据做统计，这两步就够了；如果要图像，用官方下载器读取集合的清单文件，或把 SeriesInstanceUID 交给下载器逐条取。头颈的序列数约两千六百个，比乳腺多，但单序列图像数少，逐条下载的文件碎片问题没有乳腺严重。
| 端点 | 参数 | 返回 |
|---|---|---|
| getCollectionValues | 无 | 全部集合名 |
| getPatient | Collection | 患者清单 |
| getStudy | Collection、PatientId | 检查清单 |
| getSeries | Collection、PatientId | 序列清单 |
| getImage | SeriesInstanceUID | 图像清单 |
5.5 用 barcode 做交集
影像与组学的连接只有一步，但这一步的写法决定后续所有分析的正确性。核心是把两边都截断到十二位，再去重、再连接。§4.3 的案例已经把这条路径走过一遍：先连患者级，再在样本级内部分析。
import pandas as pd
clin = pd.read_csv("TCGA-HNSC.clinical.tsv", sep="\t", low_memory=False)
tcia = pd.read_csv("tcia_patients.tsv", sep="\t")
clin["pid"] = clin["case_submitter_id"].str.strip().str[:12].str.upper()
tcia["pid"] = tcia["PatientID"].str.strip().str[:12].str.upper()
tcia_ids = set(tcia["pid"])
clin["has_image"] = clin["pid"].isin(tcia_ids)
merged = clin.merge(tcia[["pid"]].drop_duplicates(), on="pid", how="inner")
print("clinical", clin["pid"].nunique(), "imaging", len(tcia_ids), "overlap", merged["pid"].nunique())
连接之后先看三件事：交集数量是否与官方集合页的受试者数接近、有没有重复的 pid、带影像与不带影像的两组在部位与分期上是否可比。第三件事在头颈项目里尤其重要，因为影像来自八家机构，而病例来自二十九个站点，两者的交集天然偏向「愿意提供影像的机构」。
| 检查项 | 期望 | 异常时的处理 |
|---|---|---|
| 交集数量 | 接近二百二十七 | 检查截断位数与大小写 |
| pid 唯一性 | 无重复 | 去重后再连接 |
| 样本类型 | 以原发肿瘤为主 | 排除转移灶与正常组织 |
| 组间可比性 | 部位与分期分布接近 | 做倾向评分或分层 |
| 影像日期 | 与治疗时间线一致 | 核对日期平移规则 |
5.6 常见取数故障与口径问题
取数阶段的问题大多不是网络，而是口径。最常见的是把受控层文件写进开放层清单，其次是混用新旧版本的文件 UUID，第三是拿样本级标识去连患者级影像。在头颈项目里还有第四个高频问题：把项目页的十三个部位码当成临床表的十二个亚部位取值，两边对不上。
| 现象 | 原因 | 处理 |
|---|---|---|
| 清单里有文件下载 403 | 含受控层文件 | 按 access 字段过滤或申请 dbGaP |
| 同一患者多份表达文件 | 不同等分样或不同管线 | 按 workflow_type 固定口径 |
| 表达矩阵基因数不一致 | 新旧注释版本混用 | 统一到同一 GTF 版本 |
| 影像找不到对应患者 | barcode 截断错误 | 统一到十二位并大写 |
| 部位字段为空或异常 | 项目页码与临床表码混用 | 以 anatomic_organ_subdivision 为准 |
| 生存天数出现负值 | 事件日期早于诊断日 | 按数据字典核查 |
5.7 存储与算力预算
按开放层全量、影像全量、切片全量三块估算，存储需求远大于一般影像项目同规模的水平。切片是隐形的大头，单张 SVS 从几十 MB 到数百 MB 不等，五百二十例组织切片足以把磁盘吃满。受控层的原始读段是另一块，量级以十 TB 计，且只能放在有审批的机构存储里。
| 数据块 | 体量级 | 是否需要 GPU | 备注 |
|---|---|---|---|
| 开放层组学矩阵 | 数十 GB | 否 | 表达、甲基化、拷贝数为主 |
| 影像 DICOM | 129.63 GB | 否 | 需受控审批 |
| 组织与诊断切片 | 数百 GB 至 TB 级 | 推理时需要 | 建议流式读取 |
| 受控层读段 | 十 TB 级 | 否 | 需 dbGaP 与机构存储 |
| 中间特征 | 数十至数百 GB | 视方法 | 建议落盘复用 |
§6 与库内词条的关系
6.1 关系图谱
在这个库里，TCGA-HNSC 处在「计划—项目—派生」三层结构的中间，同时在横向上与五条头颈专项词条并列。向上是 TCGA 泛癌总库，横向是各类头颈影像与病理队列，向下是拿这批数据再做一层的分析结果集。
| 库内对象 | 关系 | 分工 |
|---|---|---|
| TCGA 泛癌总库 | 上级计划 | 33 癌种的跨癌种比较与通用取数 |
| TCGA-BRCA | 同族项目 | 同为 TCGA 单癌种条目，可对照字段骨架 |
| HANCOCK | 同病种对照 | 单中心 763 例病理与临床文本，无全矩阵组学 |
| Head-Neck-CT-Atlas | 同病种对照 | MD 安德森 215 例放疗 CT 图集，带 OAR 轮廓 |
| Head-Neck-PET-CT | 同病种对照 | 四中心 298 例 PET/CT 影像组学基准 |
| HEAD-NECK-RADIOMICS-HN1 | 同病种对照 | MAASTRO 137 例放疗 CT，Aerts 2014 的 H&N1 |
| ACRIN-HNSCC-FDG-PET-CT | 同病种对照 | 260 例术前 PET/CT 诊断准确性试验 |
| HNTS-MRG 2024 | 同病种对照 | 150 例 MR 引导放疗分割挑战 |
| 关系边 | 方向 | 判断依据 |
|---|---|---|
| 计划到项目 | 包含 | 项目编号以 TCGA- 开头 |
| 项目到派生 | 被加工 | 派生资源标注原始项目号 |
| 项目到同类 | 并列 | 无包含关系，仅任务相近 |
6.2 与五条头颈词条的分工
这五条词条容易被混为一谈，因为它们都叫头颈。区分的关键不在模态，而在「有没有同一批患者的全矩阵分子测量」。
HANCOCK 是单中心真实世界队列，强在病理全切片、组织微阵列与手术报告文本，弱在没有外显子与甲基化；Head-Neck-CT-Atlas 强在危及器官轮廓与放疗记录，弱在分子层；Head-Neck-PET-CT 强在影像组学特征的可复现方法学，弱在样本量；HEAD-NECK-RADIOMICS-HN1 是方法学基准队列，例数最少；ACRIN 6685 是前瞻诊断试验，强在颈淋巴结阴性预测值这一具体临床问题，与分子无关。
| 词条 | 模态与材料 | 规模级 | 与本篇的关系 |
|---|---|---|---|
| 本篇 | 全矩阵组学加放疗影像 | 五百二十八例 | 唯一的分子参照系 |
| HANCOCK | 病理 WSI、TMA、临床文本 | 763 例 | 可补病理形态层 |
| Head-Neck-CT-Atlas | 放疗 CT 与 OAR 轮廓 | 215 例 | 可补器官分割标签 |
| Head-Neck-PET-CT | PET/CT 与影像组学特征 | 298 例 | 可补特征提取的方法学 |
| HEAD-NECK-RADIOMICS-HN1 | 放疗 CT 与 GTV | 137 例 | 可作外部验证小折 |
| ACRIN-HNSCC-FDG-PET-CT | 术前 PET/CT 与病理金标准 | 260 例 | 可补前瞻诊断场景 |
| HNTS-MRG 2024 | 双时点 T2w MRI 与 GTV | 150 例 | 可补 MR 分割任务 |
一个实用的判断方法：如果问题里有「分子」「突变」「表达」「HPV 相关通路」这些词，从本篇起步；如果问题里有「勾画」「剂量」「分割」「诊断准确性」，从后五条起步。两边的交集只有一个——二百二十七例带影像的子集，而它的分子层与影像层的交集还会更小。
6.3 与泛癌总库的边界：三不要
第一，不要在本篇里重复泛癌的 33 癌种矩阵，那是上级词条的职责。第二，不要把泛癌的病例总数当作头颈的规模，两者差一个数量级。第三，不要用泛癌的统一临床资源替代本篇的字段级说明，前者给的是跨癌种可比的四终点，后者给的是单项目内每个字段的取值与空值形态。
| 容易混淆的说法 | 正确口径 |
|---|---|
| 「TCGA 有一万一千多例，头颈是其中一部分」 | 计划级总数与项目级病例数不能混用 |
| 「泛癌词条已经讲了头颈，不用重复」 | 泛癌只给一节摘要，不给部位映射与取数 |
| 「头颈的影像就是 TCGA 的影像」 | 影像在 TCIA，且只有二百二十七例 |
| 「两个词条是同一对象的两种写法」 | 一个是计划级，一个是项目级，粒度不同 |
6.4 组合使用的三种配方
配方一，分子分型加病理验证：用本篇的表达与突变做无监督分型，再用 HANCOCK 的切片做形态学层面的验证，看分型是否对应可观察的组织学差异。配方二，影像预训练加分子微调：先用 Head-Neck-CT-Atlas 的器官轮廓训练一个分割模型，再在本篇的二百二十七例上做小样本的多任务微调。配方三，方法迁移：把 Head-Neck-PET-CT 上验证过的特征提取流程搬到本篇，看同一套纹理特征在不同队列上的稳定性。
| 配方 | 主数据 | 辅助数据 | 注意 |
|---|---|---|---|
| 分子分型加病理验证 | 本篇 | HANCOCK | 两队列的分期版本不同 |
| 影像预训练加微调 | 本篇影像子集 | Head-Neck-CT-Atlas | 扫描协议与勾画风格不同 |
| 特征方法迁移 | 本篇影像子集 | Head-Neck-PET-CT | 需固定重采样与量化参数 |
§7 质量评估与局限性
7.0 读这一节之前的三条前置校正
第一条校正：把「TCGA 这块牌子」当成「这个项目的规格」。TCGA 作为计划确实是癌症基因组的里程碑，但落到头颈这一个项目上，主论文的多平台分析口径只有两百七十九例，配对影像两百二十七例，HPV 可判读的子集更小。计划的光环与项目的实际尺寸不是一回事。
第二条校正：把「四个部位合在一个项目里」当成「四个部位可以合并分析」。口腔、口咽、喉、下咽的病因学、治疗路径与预后都不同，口咽还要再按 HPV 状态切一刀。合在一起能提高样本量，但会混入部位效应，凡是不按部位分层的结论都要打折。
第三条校正：把「开放层免注册」当成「全部免注册」。GDC 的派生数据确实免注册，但原始读段与胚系变异要走 dbGaP 受控申请，头颈影像更是单独一层受控，理由写在 TCIA 的说明里——面部 CT 可能被重建出人脸。三条校正摆在这里，下面的分数才有意义。
7.1 DAIMS 评分表
DAIMS 是数据集资产信息模型的缩写，用它把评估拆成描述层、结构层与访问层三块，每块给一个五分制的整数分并写明扣分理由。分数不做排名，只用来判断哪一块需要额外投入。
| DAIMS 维度 | 分数 | 扣分理由 |
|---|---|---|
| 描述层：身份与边界 | 4 | 项目边界清楚，但四个部位混装，亚部位字段有十二个取值需自行归并 |
| 描述层：文档完备度 | 5 | GDC 数据字典、TCIA 集合页、2015 年主论文形成闭环 |
| 结构层：标识体系 | 5 | 十二位 barcode 直连 GDC 与 TCIA，跨模态只需一次字符串比较 |
| 结构层：层级一致性 | 4 | 六层实体树的层级严格，但空值三态写法不统一 |
| 结构层：模态配对 | 4 | 同一患者的分子、切片、影像同源，但影像只覆盖部分病例 |
| 访问层：开放程度 | 3 | 派生数据免注册，原始读段与影像需两级受控申请 |
| 访问层：可复现性 | 4 | 冻结加版本化，但重处理会导致文件标识漂移 |
| 访问层：许可清晰度 | 4 | 三层许可各自成文，但影像层的用途限制需逐条读 |
7.2 分数怎么读
描述层给 4 分而不是 5 分，扣在部位归并上。原始字段有十二个解剖取值，做任何部位层面的分析之前都得先映射到四个大类，而映射规则官方没有给标准答案，不同论文的归并方式不一致，跨论文比较时会遇到口径差。
结构层两个 5 分与两个 4 分：标识体系是这个项目最结实的地方，十二位 barcode 让跨模态连接变成一次字符串相等判断；层级一致性扣在空值三态上，三种写法含义不同却都能被统计软件读成缺失，不加区分地填补会引入方向性偏差。
访问层整体偏低，是这类受控资源的常态。开放程度给 3 分，因为真正有分析价值的两块——原始读段与影像——都在受控层。可复现性给 4 分，扣在重处理：数据生成冻结了，但门户仍在更新文件版本，今天的标识明年可能对不上。许可清晰度给 4 分，四份文档各管一段，读全了才不越界。
| 分数段 | 含义 | 建议动作 |
|---|---|---|
| 5 | 业内标杆，可直接依赖 | 按官方文档执行 |
| 4 | 有小坑，不影响主结论 | 记录版本，做一次校验 |
| 3 | 需额外投入才能用 | 预留清洗与对齐时间 |
| 2 | 只能作为补充 | 不作为主数据 |
| 1 | 不建议使用 | 换数据集 |
7.3 可枚举的偏差
偏差一，部位构成偏差。四个部位的入组比例不均衡，口腔与口咽占了大头，喉与下咽相对稀薄。凡是不分部位的整体统计，实际上是被口腔与口咽主导的加权结果。
偏差二，HPV 检测偏差。HPV 状态对口咽癌的预后判断是决定性的，但这个字段的空值形态复杂：一部分是没采集，一部分是采集了没判读，一部分是判读了结果不明。把三种都当随机缺失处理，会系统性低估 HPV 阳性者的比例，因为阳性病例更可能被送检。
偏差三，治疗背景偏差。采集跨越本世纪头十年，放疗技术、靶向药物与手术方式都与今天有距离。用它训练的预后模型放到当代队列上，可能低估当前治疗的疗效。
偏差四，结局信息偏差。新发事件的覆盖不足一半，无病生存只能靠派生终点近似。以总生存为主轴是稳妥做法，但会损失治疗强度的信息。
| 偏差 | 来源 | 影响方向 | 缓解方式 |
|---|---|---|---|
| 部位构成 | 四部位入组不均 | 整体统计被口腔与口咽主导 | 按部位分层报告 |
| HPV 检测 | 三态空值 | 阳性比例被低估 | 只在可判读子集上分层 |
| 分期版本 | 四个 AJCC 版本并存 | 分期不可直接比 | 作为协变量或分层变量 |
| 治疗背景 | 采集跨越十余年 | 当代疗效被低估 | 不与当代队列直接比 |
| 结局信息 | 新发事件覆盖不足一半 | 无病生存被高估 | 以总生存为主轴 |
| 影像协议 | 常规检查、无统一协议 | 序列参数不齐 | 重采样加站点分层 |
7.4 外部验证矩阵
一个项目值不值得依赖，很大程度上取决于它的主要结论被独立重复过多少次。下表把常见结论与已有的外部证据类型列出来，方便判断哪些可以直接引用。
| 结论 | 内部证据 | 外部验证 | 可信度 |
|---|---|---|---|
| 四个部位共享鳞癌的核心驱动基因 | 外显子测序与拷贝数 | 多个独立头颈队列复现 | 高 |
| HPV 阳性口咽癌预后显著更好 | 临床表与生存分析 | 大量前瞻与回顾队列一致 | 高 |
| 亚型划分与部位相关 | 表达聚类 | 独立队列部分复现 | 中高 |
| 表达亚型有预后价值 | 单队列生存分析 | 复现结果不一致 | 中 |
| 影像特征与分子分型相关 | 小样本影像子集 | 缺独立验证 | 低到中 |
| 影像组学预测生存 | 单中心或少站点 | 缺统一协议 | 低 |
7.5 它为何能持续：部位异质性只有在这一层才讲得清
泛癌分析里，头颈总是被压缩成一行。那一行给不出十二个解剖取值怎么归并成四个部位，给不出 HPV 字段的三种空值形态分别意味着什么，也给不出影像为什么只有一部分病例有。这些恰恰是真正动手的人第一批会撞上的问题。
它的价值不在规模，在于它把「一个癌种内部的解剖异质性」完整保留了下来。后来者要研究部位效应，很难找到一个比它更规整的坐标系。
§8 生态位与历史
8.1 历史沿革
项目在 2009 年前后进入采集阶段，2015 年在 Nature 发表主论文，2018 年随泛癌分析一并冻结。冻结之后门户仍在做重处理与注释更新，所以文件的生成日期会晚于冻结年份，这不是新数据，是旧数据重新跑过一遍。
2020 年前后 TCIA 侧的影像集合做了一次整理，把放疗结构、剂量与影像归到同一个集合下，并对可能重建人脸的序列加了访问限制。这次整理之后，影像侧的可用性下降了一档，但合规边界清楚了。
| 时间 | 事件 | 对使用者的影响 |
|---|---|---|
| 2009 前后 | 进入采集阶段 | 无 |
| 2015 | Nature 主论文发表 | 有了可引用的方法学基准 |
| 2018 | 随泛癌分析冻结 | 数据版本稳定 |
| 2020 前后 | 影像集合整理加访问限制 | 影像需申请 |
| 持续 | 门户重处理与注释更新 | 文件标识会漂移 |
8.2 与同族资源的位置关系
| 资源 | 与它的关系 | 该用哪个 |
|---|---|---|
| 泛癌图谱 | 它是其中一行 | 要跨癌种比较用泛癌，要部位细节用它 |
| TCGA 其它癌种 | 同框架、不同部位 | 方法可迁移，结论不可外推 |
| 头颈影像图谱类集合 | 只给器官轮廓，不给分子 | 分割预训练用图谱，分子关联用它 |
| 头颈 PET-CT 类集合 | 只给影像与放疗，不给组学 | 影像方法验证用前者，跨模态用它 |
| 头颈病理切片集合 | 只给切片与有限临床 | 形态学验证用前者 |
| 单细胞图谱 | 分辨率更高，样本更少 | 细胞类型问题用单细胞 |
8.3 它不替代什么
它不替代前瞻性临床试验。回顾性采集的病例，治疗方案不统一，无法回答「哪种治疗更好」。它也不替代单细胞与空间组学，组织匀浆后的测量拿不到细胞层面的异质性。它更不替代当代队列，十余年前的设备与方案决定了它无法评估今天的治疗。
§9 使用指引
9.1 三条最短路径
路径一，只做分子分型。取开放层的表达与突变，按部位分层做无监督聚类，重点看口咽与非口咽是否自然分开。这条路径不需要任何申请，当天就能开始。
路径二，分子加病理。把表达分型与诊断切片对接，用切片做形态学层面的验证，看分型是否对应可观察的组织学差异。切片在开放层，路径同样不需要申请。
路径三，跨模态。这条要先解决影像访问。做法是先在 TCIA 侧确认可用的病例清单，再回头核对这些病例在 GDC 侧有没有完整的分子数据，两边取交集之后再提申请。顺序反了会白跑一趟。
| 路径 | 前置条件 | 首个可用产出 | 预计阻力 |
|---|---|---|---|
| 分子分型 | 无 | 部位分层的表达聚类 | 低 |
| 分子加病理 | 无 | 分型与形态的对应表 | 低 |
| 跨模态 | 影像受控申请 | 影像与分子的配对表 | 高 |
9.2 落地时的动作清单
第一步，把两侧的患者清单做交集，检查 barcode 是否带版本后缀。第二步，把十二个解剖取值映射到四个部位，映射表要存下来随文附上。第三步，把 HPV 字段的三种空值形态分别标记，不要合并。第四步，把分期版本作为协变量而不是直接比较。第五步，把影像的重采样参数固定下来并写进方法。
| 动作 | 检查点 | 常见错误 |
|---|---|---|
| 取交集 | barcode 逐字符相等 | 带后缀导致交集变小 |
| 部位归并 | 十二取值到四类 | 归并规则不随文附上 |
| 空值处理 | 三种形态分列 | 一律当缺失填补 |
| 分期处理 | 版本作为协变量 | 跨版本直接比分期 |
| 影像预处理 | 参数固定并记录 | 各站点各自重采样 |
9.3 不该用它做什么
不该用它估计某个部位的发病率，样本不是人群抽样。不该用它比较不同治疗方案的优劣，治疗不是随机分配的。不该用它训练通用的头颈影像模型，影像只覆盖部分病例且协议不统一。不该把泛癌论文里的头颈结论直接搬过来，那一行是摘要级。
§10 AI 使用声明
10.1 可以怎么用
可以做分子分型的训练与验证，可以做跨模态对齐的方法学研究，可以做部位效应的对照分析。用于教学时，它是讲「一个癌种内部异质性」的好例子。
10.2 不能怎么用
不能用于临床诊断或治疗决策。不能把模型输出当作预后判断依据。不能在未取得受控层授权的情况下使用原始读段与影像。不能把数据再分发给第三方。用于发表时必须按官方要求致谢并声明数据来源。
10.3 引用与致谢
引用主论文时用 2015 年 Nature 那篇，引用数据时按 GDC 与 TCIA 各自的要求分别致谢。两者不是一回事，只引论文不引数据门户在部分期刊会被要求补正。
10.4 本文档的核验状态
规模数字取自 GDC 项目端点与 TCIA 集合页，为官方一级来源。主论文的样本口径取自论文摘要，与门户口径不同，文中已并列。影像受控的具体条款以 TCIA 页面为准，本文只做转述不做解释。凡涉及版本的表述均标注了核验日期。
常见误读（避坑清单）
| 容易混淆的说法 | 正确口径 |
|---|---|
| 「TCGA 有一万一千多例，头颈是其中一部分」 | 计划级总数与项目级病例数不能混用 |
| 「四个部位合在一起就是头颈癌」 | 四个部位的病因与预后都不同，必须分层 |
| 「HPV 状态全都有」 | 三态空值并存，可判读子集明显小于总例数 |
| 「分期可以直接比」 | 四个 AJCC 版本并存，需作为协变量 |
| 「影像和分子一样都是开放层」 | 影像是单独一层受控，理由是可能重建人脸 |
| 「泛癌论文已经讲了头颈」 | 泛癌只给一行摘要，不给部位映射与取数 |
| 「新发事件能算无病生存」 | 覆盖不足一半，只能近似 |
| 「重处理就是新数据」 | 是旧数据重跑，不是新采集 |
FAQ
问：为什么主论文的例数和门户的例数不一样？
答：主论文只纳入完成多平台测量的病例，门户收录的是全部入组病例。前者是分析口径，后者是项目口径，两个数都对，用途不同。
问：口咽的 HPV 状态能不能用 p16 替代？
答：不能直接替代。p16 是替代标志物，与 HPV 检测的一致率不是百分之百。项目里两个字段都有，能同时取到时应以核酸检测为准。
问：影像为什么只有一部分病例有？
答：影像来自放疗期的常规检查，只有接受放疗且影像被回收的病例才有。手术为主、未做放疗的病例没有对应影像。
问：能不能只用开放层做完整的生存分析？
答：可以。生存字段在开放层，受限的是原始读段与影像，不影响基于派生数据的生存分析。
问：十二个解剖取值必须归并成四类吗？
答：不必须，但归并后样本量才够分层。若研究问题本身在更细的粒度上，可以只取其中几个取值，代价是样本量下降。
术语表
| 术语 | 说明 |
|---|---|
| HNSC | 头颈鳞状细胞癌的项目代号 |
| HNSCC | 头颈鳞状细胞癌的通用缩写 |
| 亚部位 | 肿瘤所在的解剖分区，本项目有十二个取值 |
| p16 | 免疫组化替代标志物，常用于口咽癌的 HPV 初筛 |
| ISH | 原位杂交，直接检测病毒核酸 |
| barcode | 十二位患者标识，连接 GDC 与 TCIA 的唯一键 |
| DAIMS | 数据集资产信息模型，用于分描述层、结构层与访问层评估数据集 |
| RPPA | 反相蛋白阵列，测量蛋白丰度 |
| 派生数据 | 门户已处理好的比对、定量与变异文件，属开放层 |
| 受控层 | 需授权才能访问的原始数据层 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 病例数 | 五百二十八 | GDC 项目端点 | 官方 API |
| 文件数 | 三万五千余 | GDC 项目端点 | 官方 API |
| 总体量 | 约三百 TB | GDC 项目端点 | 官方 API |
| 数据类别 | 十 | GDC 项目端点 | 官方 API |
| 解剖取值 | 十二 | GDC 临床表 | 官方数据字典 |
| 临床表列数 | 六十八 | GDC 临床表 | 官方数据字典 |
| 主论文分析口径 | 二百七十九 | Nature 摘要 | 论文 |
| 影像受试者 | 二百二十七 | TCIA 集合页 | 官方页面 |
| 影像张数 | 二十七万余 | TCIA 集合页 | 官方页面 |
| 影像来源机构 | 八 | TCIA 集合页 | 官方页面 |
| 主论文年份 | 2015 | Nature 摘要 | 论文 |
| 项目立项 | 2009 前后 | 官方说明 | 官方页面 |
附录 B：数字的来源分层
一级来源是 GDC 项目端点与 TCIA 集合页，可直接复算。二级来源是主论文与官方数据字典，给出字段定义与分析口径。三级来源是综述与第三方门户的转述，本文只在交叉核对时使用，不作为主口径。
附录 C：完整参考文献
主论文为 TCGA Research Network 于 2015 年发表在 Nature 的头颈鳞癌综合基因组刻画，DOI 10.1038/nature14129。数据门户为 GDC 的 TCGA-HNSC 项目页。影像来源为 TCIA 的头颈对应集合。临床资源与字段定义以 GDC 数据字典为准。
附录 D：任务代码
#-- 取项目级汇总
projects/TCGA-HNSC 端点 -> case_count / file_count / data_categories
#-- 取患者级临床表
clinical 端点 -> 六十八列长表 -> 按 case 聚合为一行一例
#-- 取影像清单
TCIA 集合页 -> 受试者清单 -> 与 case 清单做 barcode 交集
#-- 部位归并
十二个 anatomic_organ_subdivision 取值 -> 四个大类 -> 映射表随文保存
附录 E：如果只记五件事
一，它是四个部位合装在一个项目里，不是一种病。二，HPV 字段的三种空值形态必须分开处理。三，影像是单独一层受控，因为可能重建人脸。四，分期有四个版本并存，不能直接比。五，主论文口径与门户口径不同，引用时说清用的是哪一个。
编辑说明
本篇的规模数字取自 GDC 项目端点与 TCIA 集合页，核验日期为 2026 年 10 月 29 日。主论文口径与门户口径的差异已在前文并列，未做合并。影像受控条款只做转述。文献 DOI 按 Nature 页面核对。
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：
- soft-tissue-sarcoma — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 多模态 / 转录组
- tcga-gbm — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 多模态
- spatial-touchstone — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 转录组
- tcga-lgg — 共享标签：基因组学与多组学 / 肿瘤学 / 多模态
- sthelar — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像 / 转录组
- cellxgene — 共享标签：基因组学与多组学 / 病理图像 / 转录组
- icgc — 共享标签：基因组学与多组学 / 肿瘤学 / 病理图像
- hest-1k — 共享标签：肿瘤学 / 病理图像 / 转录组
- so3d — 共享标签：基因组学与多组学 / 多模态 / 转录组
- tg-gates — 共享标签：基因组学与多组学 / 病理图像 / 转录组
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。
