犬自发性胶质瘤跨物种影像与组学集 — 七十八只

ICDC-Glioma 是一套把犬的自发性胶质瘤拍成影像、做成切片、再测成四层组学的公开数据集合。它不挂在通常的人脑肿瘤数据集一类里，而是挂在美国国家癌症研究所的比较肿瘤项目名下，由两个仓库分工保管：影像在 The Cancer Imaging Archive，组学在 Integrated Canine Data Commons。犬只总数 78，其中 57 只带术前脑 MRI，76 只带 H&E 全切片，影像合计约一百七十七吉字节，全部以 CC BY 4.0 开放。

它解决的是一个困扰比较肿瘤学多年的老问题：实验室里用转基因或移植瘤模型研究脑胶质瘤，肿瘤不是自己长出来的，免疫系统也不是完整的，因此药物在模型里有效、到病人身上失效的例子屡见不鲜。犬的胶质瘤是自发发生的，宿主免疫健全，脑的解剖尺度也接近人，于是这批动物被当作「不自造肿瘤也能观察肿瘤自然史」的窗口。困难在于，这个窗口过去只有病理和零星临床记录，没有统一的影像，也没有与影像配对的组学。

正确的用法是把它当成外部验证集、机制对照组和罕见亚型的补充来源，而不是「给人脑肿瘤数据集增加样本量」。犬胶质瘤在突变负荷与甲基化类别上更接近人儿童胶质瘤，而不是人成人胶质母细胞瘤；分子分型的定义体系也不一一对应。这一层边界是本篇最重要的判断，§4 会逐条拆开。一屏速览见下表。

§1 它是什么：一份被两个仓库分管的跨物种基线集

1.1 一句话定义

ICDC-Glioma 是同一批犬自发性脑胶质瘤的基线影像与病理切片集，由 NCI 比较肿瘤学项目组采集，作为伴随论文《Comparative Molecular Life History of Spontaneous Canine and Human Gliomas》（Cancer Cell，2020）的影像发布物，2020 年上线 TCIA，2021 年 1 月 12 日完成第一版更新。

「基线」二字是关键词。官方描述写明这批数据是 treatment-naive，即治疗前采集：MRI 全部在治疗前拍摄，H&E 切片来自手术活检或在尸检时取材。因此它记录的是肿瘤的初始状态，没有随访、没有复发、没有放疗后改变。

1.2 为什么它不能被塞进「人脑肿瘤影像数据集」那一格

全站一千七百余篇里，脑胶质瘤相关的篇目并不少：分赛道比较的挑战赛集、单中心影像基因组学队列、TCGA 的影像配套、术中超声与术中 MRI 库，都属于同一家族。它们共享一个前提——受试者是人，病理分类用 WHO 中枢神经系统肿瘤分类，分子标记用 IDH、1p/19q、MGMT 启动子甲基化这一套。

ICDC-Glioma 是这个家族里唯一的例外。它的物种是犬，病理分类用的是美国比较脑肿瘤联盟（Comparative Brain Tumor Consortium，CBTC）为犬专门制定的方案，分子标记的描述方式也不同。把两边的数字直接放在同一张表里比较，看起来整齐，实际上是把两套互不通约的分类体系强行对齐。

这个差别不小：它意味着在使用这批数据时，一切「按人类分型写的预处理脚本」都要重新审一遍，从肿瘤分割范围、脑区命名，到家养犬头颅的形状与比例（短头犬的脑室形态与人有显著差异），再到影像上的对比度表现。

1.3 三十秒决策卡

左列写的是使用者所处的情形，右列写的是这套数据能提供的东西。判断的标准不是「它有多大」，而是「你手里缺的是什么」。

你的处境	这套数据能帮你什么
你训练了一个人脑胶质瘤甲基化分类器，想知道它换一个物种还认不认得	提供四十五例有甲基化谱的犬肿瘤，可作为零样本外部验证集
你在做比较肿瘤学的机制研究，想找跨物种共享的驱动事件	同一批动物上，PDGFRA、PIK3CA、IDH1 等热点突变的分布可直接与已发表的人数据对照
你要论证「犬可以作为人胶质瘤的临床前模型」	这套数据是公开发表的、最有分量的证据链之一，可直接引用
你在做小样本、多模态、跨物种的影像算法预研	五十七例 MRI 加七十六例全切片的组合，在公开数据里罕见
你想验证某个影像组学评分在非人种属上的行为	可用于探索性检验，但不能当作独立验证的证据强度
你需要一批带分割标注的脑肿瘤数据来训练 U-Net	给不了你——这里没有参考掩膜

1.4 不适合谁，以及为什么

如果你的需求是「把人脑肿瘤数据集的样本量再扩一点」，那这套数据不适合。它的 78 只动物不是人成人胶质母细胞瘤的同分布样本，把它们当额外训练样本喂进人模型，得到的不是更多数据，而是标签噪声。详细论证见 §4。

如果你的需求是「带像素级标注的分割基准」，它也给不了你。官方没有发布任何肿瘤轮廓、脑区掩膜或器官分割，全切片侧同样没有肿瘤区域的坐标标注，只有组织学诊断结论。

如果你的需求是「犬脑影像的通用分布」，它同样不合适。全部病例都是组织学确诊的胶质瘤，没有脑膜瘤、没有正常犬脑、没有其他颅内病变。用它训练出来的模型只认识胶质瘤。

§2 数据构成与规格

2.1 官方口径的全部数字

下表把 TCIA 集合页「Data Access」板块与顶栏统计的全部计量项并列，不做推算，也不做合并。

指标	影像侧（MR）	病理侧（H&E 全切片）
数据类型	磁共振	全切片图像
文件格式	DICOM	SVS
受试者数	57	78
检查数 / 切片张数	58 / 84	—
序列数	650	—
图像数	一万七千七百九十七幅	84
体积	5.1 GB	172 GB
许可	CC BY 4.0	CC BY 4.0
元数据	nbia-digest 表（可在线查看）	无

顶栏把整个集合写成「78 subjects」「MR, Whole Slide Image」「177.1GB」（约 5.1 加 172 之和）。这个总量是两个模态简单相加的结果，不是同一批动物的完整四层数据——组学部分完全不在 TCIA 侧。

这里有一处必须点明的口径差异：病理侧「受试者数」写 78，但正文描述写的是「pathology imaging for 76 subjects」。两处数字对不上，官方页面自身没有解释。合理的读法是：78 是参与该研究的犬只总数（含只贡献了组学或临床、没有切片的那两只），76 是真正有切片的动物数。使用时以 76 为准，78 不要当作切片覆盖数。

2.2 影像侧：58 次检查、650 个序列

650 个序列摊在 58 次检查上，平均每次检查约十一个序列。这个密度说明多数检查是一套完整的犬脑常规序列组合——通常包含 T2 加权、FLAIR、T1 平扫、T1 增强以及部分梯度回波序列。十一个序列在兽医神经影像里属于「扫描得比较全」的水平，而不是只出一两个关键序列的简易协议。

但官方没有逐例给出序列说明。要确认某只犬到底有没有增强序列、有没有扩散加权，只能在下载后用 DICOM 头中的 SeriesDescription 与协议字段逐个筛选。这一点在 §5 会给出可运行的筛查代码。

把总幅数摊到 58 次检查上，每次约三百幅，摊到十一个序列上每序列二十多幅，属于二维逐层采集的典型规模，而非三维容积采集。对头颅较小的动物，二维采集的层厚与层间距会比较敏感，混用不同机构的数据时尤须留意。

2.3 病理侧：76 只犬、84 张切片

84 张切片分给 76 只犬，平均每只一至两张。这个数量说明切片是诊断用途的取材，不是全脑连续切片，也不是为算法训练专门设计的多视野采集。多数动物只有一张 H&E，部分有第二张（可能是不同切面或第二次取材）。

SVS 是 Aperio 系的专有格式，本质是金字塔式多分辨率 TIFF，支持从缩略图到 40 倍视野的逐级放大。172 GB 除以 84，平均每张约两吉字节，属于中等倍率扫描的典型体积，适合做组织学分类与肿瘤微环境分析，不适合当作全视野超高分辨率样本使用。

病理侧的下载通道与影像侧完全不同：影像走 NBIA Data Retriever（基于 .tcia 清单的批量下载器），病理走 IBM Aspera 的高速传输包。两套工具都需要事先安装，这是实际使用中最先遇到的门槛。

2.4 组学侧：四层测序不在 TCIA

TCIA 页面的 External Resources 一栏指向两处：Imaging Data Commons 提供影像的云端镜像，Integrated Canine Data Commons 提供组学。组学的入口是 ICDC 的 GLIOMA01 研究页。

官方对该侧的描述是：全基因组、全外显子、转录组与甲基化四种测序，以 BAM 格式分发，覆盖全部 81 个受试者。这与 TCIA 的 78 之间存在一个差额——81 对应的是论文测序队列的规模，78 是影像集合的规模，两者不是同一计数口径。

按论文的方法部分，测序文库共 370 个，来自 81 只犬的 81 例胶质瘤与 57 例生殖系对照样本。也就是说，转录组与甲基化并非每只犬都做全：拷贝数分析子集为 57 例，甲基化分类子集为 45 例，免疫微环境 RNA 分析子集为 40 例。做组学分析时，实际可用样本数取决于你要的是哪一种测量。

2.5 一条记录长什么样

影像侧的一条「记录」在 TCIA 的语义下是一次检查（Study），其下挂若干序列（Series），序列下挂若干图像实例（Instance）。解包后的目录树大致如下，这一形态与所有人脑肿瘤 TCIA 集合一致：

ICDC-Glioma/
└── <Dog_ID>/
    └── <StudyDate>-<StudyDescription>/
        ├── 1.000000-<SeriesDescription>/   # 每序列一目录
        │   ├── 1-1.dcm
        │   ├── 2-1.dcm
        │   └── …
        └── 2.000000-<另一个序列>/
            └── …

关键点在于 <Dog_ID> 这一层。影像包里它是狗的名字或编号，病理包里的组织方式类似但命名不同；两侧的 ID 体系对不上，这一点在第 3 章与第 4 章都会讲到。

2.6 与同类资源在人脑肿瘤家族中的位置

资源	物种	与 ICDC-Glioma 的差异
BraTS 系列	人	四序列 MRI 加像素级分割掩膜，规模以千计，任务定义明确
UPenn-GBM	人	单中心影像基因组学队列，带多参数 MRI 与临床终点
TCGA-GBM / TCGA-LGG	人	组织学与组学区，影像为 TCIA 配套子集，病理图像不随主集发布
ReMIND	人	术中影像，与术前诊断影像互补
ICDC-Glioma	犬	唯一一个把术前 MRI、H&E 全切片、四层组学放同一物种个体的公开集

这张表要说明的只有一件事：在人脑肿瘤家族里，影像与病理通常分属不同数据集，需要第三方软件做配对；ICDC-Glioma 的罕见之处在于配对在同一批动物上，但配对工作需要自己做（见 §3.4）。

§3 标识层：犬只个体怎么被锚定

3.1 为什么这一层是使用成败的关键

这套数据的主体单位是「犬只个体」，不是一个病例、一次检查，也不是一张切片。一只犬可能贡献一次 MRI、一到两张切片、四层组学、一份临床记录。要把这些东西拼成一条完整的个体档案，必须先有一把能贯穿所有仓库的钥匙。

现实是这把钥匙并不天然存在。TCIA 的影像按检查组织，病理按切片组织，ICDC 按 case 组织，三处的标识符各自为政。标识层讲清楚，§4 的「两个模态不是同一批犬」才有落脚点。

3.2 TCIA 侧的标识结构

TCIA 对每个集合同时维护三套标识：

标识层级	含义	在 ICDC-Glioma 中的取值
Collection	集合名，全局唯一	ICDC-Glioma
Patient ID	受试者层标识	犬的个体编号（影像侧 57 个）
Study Instance UID	单次检查的全局唯一号	58 个
Series Instance UID	单个序列的全局唯一号	650 个
SOP Instance UID	单幅图像的全局唯一号	与图像数相同

这套结构是从人的 DICOM 体系直接继承的，字段名一字未改（PatientName、PatientID、PatientBirthDate）。在犬的数据上，这些字段里装的是犬的信息。这带来一个需要注意的细节：从影像系统导出的 DICOM 头里，PatientSex 一栏对犬通常是空值或按人格式填写的「M/F」，PatientAge 用的是 DICOM 的周岁编码（如 108Y 表示八岁多），并非兽医常用的月龄表达。

3.3 病理侧的标识与影像侧不一致

病理包的目录以犬的名字或简称命名，例如常见的犬名缩写加编号。影像包的 Patient ID 是另一套形式。两边的差异导致一个具体的后果：不能按文件名直接 join。

解决路径有三条，按可靠性排序：

1. ICDC 的 case 编号。ICDC 的 GLIOMA01 研究页为每只犬维护一个 case，临床、病理、组学三侧都挂在同一个 case 下。这是唯一官方的一级键。
2. 名称模糊匹配加人工核对。用犬名做模糊匹配，再用年龄、性别、组织学诊断、取材日期做交叉校验。这条路径的工作量不小，且存在重名风险。
3. 检查日期与取材日期对齐。影像 StudyDate 与病理取材日期通常相差不超过数日（术前影像与手术或尸检的间隔）。这条路径可作为辅助校验，不能单独用作主键。

3.4 落地的对齐脚本

下面这段按 ICDC case 编号组织本地目录，并把影像与病理两侧的文件登记到一张表里。脚本只在本地目录结构上操作，不联网。

#-- 把 TCIA 影像目录与病理目录按 ICDC case 编号归并到同一张表
from pathlib import Path
import pandas as pd

MR_ROOT = Path("ICDC-Glioma-MR")      # NBIA Data Retriever 解包后的根目录，一层狗名
SVS_ROOT = Path("ICDC-Glioma-SVS")    # Aspera 包解包后的根目录，文件名含狗名
#-- case_map.csv 需要自己整理：两列 dog_name_imaging, dog_name_pathology, icdc_case_id
case_map = pd.read_csv("case_map.csv")

rows = []
for dog_dir in sorted(p for p in MR_ROOT.iterdir() if p.is_dir()):
    series = [d for d in dog_dir.iterdir() if d.is_dir()]
    rows.append({
        "dog_name_imaging": dog_dir.name,
        "n_series": len(series),
        "n_dicom": sum(len(list(s.glob("*.dcm"))) for s in series),
    })
mr = pd.DataFrame(rows)

svs = pd.DataFrame({
    "svs_file": [p.name for p in SVS_ROOT.glob("*.svs")],
    "dog_name_pathology": [p.stem.split("_")[0] for p in SVS_ROOT.glob("*.svs")],
})

#-- 两侧都按名字这一层间接对上 ICDC case，再合并
tbl = mr.merge(case_map, on="dog_name_imaging", how="left") \
        .merge(svs.merge(case_map, on="dog_name_pathology", how="left"),
               on="icdc_case_id", how="outer")
print(tbl.shape, tbl["icdc_case_id"].isna().sum(), "条未能对上 case")
tbl.to_csv("icdc_glioma_index.csv", index=False)

how="outer" 是有意为之：它会把只在影像侧存在、或只在病理侧存在的动物一并保留下来，这正是下一章要用的证据。若换成 inner join，两个模态覆盖不一致这件事就被悄悄抹掉了。

§4 跨物种层：哪些能迁，哪些不能迁

4.1 先看官方自己说了什么

TCIA 页面给这套数据的定性，一句话可以概括：犬自发性胶质瘤是「观察肿瘤发生机制与宿主环境相互作用的一个窗口」，且论文「把犬胶质瘤定位为一种用于衡量犬或人胶质瘤患者疗效的前临床模型」。

注意这里的措辞层次。官方说的是前临床模型，用于衡量疗效，而且明确写给「犬或人胶质瘤患者」。它从头到尾没有说「犬的数据可以并入人数据一起训练」。这个区别在中文语境里极容易在转述中丢掉。

4.2 论文给出的相似之处

论文用全基因组、全外显子、转录组与甲基化四种测序，把 81 例犬胶质瘤与人儿童、成人胶质瘤并列比较。官方摘要写明的共享之处有三类：

• 受体酪氨酸激酶通路（以 PDGFRA 为核心）的改变；
• TP53 与细胞周期通路；
• IDH1 R132 热点突变。

这三类的确存在，且细节可核：犬队列中 PIK3CA H1047R/L 八例、PDGFRA K385I/M 六例、IDH1 R132C 三例，且彼此互斥，这与人类胶质瘤里驱动基因互斥的规律一致。全基因组扫描中，涉及 PDGFRA、KIT、MYC 的合成区域增益（犬 13 号染色体）出现在七十七例中的十九例，是最高频的臂级改变。三成以上的犬肿瘤至少带一个显著突变基因。

这些发现支持一个判断：胶质瘤在哺乳动物中走的是同一条收敛演化路径，把两物种放在一起能看出这条路径上哪些节点是保守的。

4.3 论文给出的不相似之处，才是关键

同样是这篇论文，给出了一组方向相反的证据：

维度	犬胶质瘤	人儿童胶质瘤	人成人胶质瘤
编码区突变率（每兆碱基）	0.25	相近	IDH 突变型 0.66；IDH 野生型 1.89
基因组非整倍体比例	25%	高级别 20%	9%–18%
端粒维持机制	不普遍	高级别不普遍	是成人胶质瘤发生的标志特征
IDH1 R132 出现频率	七十七例中三例	少见	IDH 突变型胶质瘤的定义性特征
甲基化分类器判定（四十五例）	七成八被判为儿童型	—	IDH 野生型一成一、IDH 突变型不足一成

这张表有一个不直观的结论：犬胶质瘤虽然在成年犬（中位九岁）身上发病，分子层面却更像人儿童胶质瘤。突变率低、非整倍体高、甲基化类别偏儿童型，这三条同时指向这一点。论文原话把犬肿瘤描述为「与人儿童胶质瘤高度相似」，依据正是这四条（非整倍体、突变率、突变相对时序、甲基化模式）。

这一层差异把「跨物种」与「可直接迁移」切开了。如果犬胶质瘤对应的是人成人胶质母细胞瘤，那么跨物种迁移至少在分子分型上有落点；而它对应的是人儿童胶质瘤——一个在临床上只占少数、分子谱系与成人截然不同的疾病群。

4.4 分子分型不对应，逐条拆

IDH 与 1p/19q。 人成人胶质瘤的分类骨架是「IDH 野生型 / IDH 突变伴 1p/19q 共缺失 / IDH 突变不伴共缺失」三分类。犬队列里 IDH1 R132C 只有三例，数量不足以支撑这一三分类；论文把 1p/19q 共缺失的对应簇列为成人 IDH 突变型胶质瘤中常见、在犬与人儿童队列中各占一成五到三成的改变。要说明的是，犬的染色体编号与人不一一对应，所谓 1p/19q 只能是合成区域层面的类比，不是字面意义的一号与十九号染色体短臂。

胶质母细胞瘤的定义。 人胶质母细胞瘤在 2021 年后的分类里，IDH 野生型与 IDH 突变型被明确分开，前者靠 TERT 启动子突变、EGFR 扩增、7 号染色体增益与 10 号染色体缺失等一组标志来定义。犬队列的十例胶质母细胞瘤不按这套标志定义，端粒维持机制在犬中也不普遍。也就是说，「犬 GBM」与「人 GBM」是两个同名但内涵不同的标签。

CDKN2A/B 与 PTEN。 论文报告犬基因组中 CDKN2A/B 纯合缺失为五十六例中七例（其中七例星形细胞瘤占六例），PTEN 缺失为五十六例中两例，且未检出任何局灶性拷贝数扩增。这与成人胶质母细胞瘤中 CDKN2A/B 缺失与 EGFR 扩增的高频形成对照——同样是「胶质母细胞瘤」，驱动基因的分布重心不同。

队列的取材时点。 还有一个容易被忽略的差异：犬样本全部来自尸检，人类对照样本多数在诊断时取得。论文作者自己在讨论里提示了这一点，认为取材时点的差异可能影响比较结果。这意味着即便在同一分子事件上观察到「犬高、人低」，也不能直接读成种属差异，可能部分是取材时点的差异。

参考基因组与注释。 犬的参考基因组是 CanFam 系列，基因注释与人类 Ensembl 注释不共用坐标，基因名虽多为同源，转录本结构却常有出入。做跨物种表达比较时，直接把人的特征矩阵与犬的表达矩阵按基因名并表，会丢掉相当一部分基因，也会把同源但结构不同的转录本错配到一起。稳妥的做法是先建一张一对一同源表，再在交集基因上做比较，并把这个交集写进方法的限制说明。

分型标签的语义。 最后一个差异不在分子层面，而在标签语义层面。人胶质瘤的「低级别」「高级别」对应的是 WHO 分级体系内的一套明确标准，犬的对应分级由比较脑肿瘤联盟的规范给出。两套规范的级别名称相同，判定依据的细节不同。把两边的分级数字放进同一张混淆矩阵，得到的不是跨物种一致性，而是两套标准在同一批标签名下的错位。

4.5 一个更具体的错用场景

假设有一个团队正在做人成人胶质母细胞瘤的生存预测。他们的训练集来自公开影像库，样本量偏小，于是想找一批额外的脑肿瘤影像来扩充训练。他们看到这套含近两万幅 MRI 的犬数据，觉得正合适。

这个决定会在三个地方出问题。第一，模型学到的「GBM 影像特征」会混入犬脑的形态特征——头颅形状、脑室比例、白质束走向都与人有别，而这些差异与生存无关，却会进入特征空间。第二，标签语义不同，犬队列的十例胶质母细胞瘤在分子层面不满足人 GBM 的定义，把它们的标签当成人 GBM，等于给一部分样本贴了错标签。第三，评估方式会失真：如果在同一批混入犬样本的验证集上评估，数字可能上升；一旦换回纯人数据，性能回落，而此时已经很难分清回落的原因。

同样的团队，如果换成这样用：在人数据上训练，在这套犬数据上做一次零样本测试，把结论写成「模型在跨物种条件下仍能识别出胶质瘤的共同形态特征，但不具备跨物种的分级预测能力」——这就是一次有价值的外部验证，而不是一次有害的数据扩充。两件事用的是同一份数据，区别只在研究问题怎么问。

4.6 结论：三种正确用法，一种错误用法

用法	是否成立	理由
拿犬模型做外部验证，检验在人数据上训练的模型是否仍能识别基本病理形态	成立	形态学层面的胶质瘤特征跨物种保守，是检验过拟合的有效手段
做机制对照，比较同一通路（如 PDGFRA）在两物种中的改变形式	成立	收敛演化提供独立的第二个观测点
补充罕见亚型，例如在人群中样本很少的儿童型胶质瘤	有条件成立	只能作为同类特征的佐证，不能替代人数据
把 78 只犬当作额外训练样本，扩人成人胶质母细胞瘤模型的训练集	不成立	分型体系不对应，标签空间不同，混训等于向干净数据里注入异物种标签噪声

第四条为什么错得这么彻底，值得再说一句。机器学习意义上的「增加样本量」有一个前提：新样本与旧样本来自同一分布、共用同一标签定义。犬肿瘤与人成人胶质母细胞瘤在 IDH 状态、甲基化类别、驱动基因分布上都不同，标签「胶质母细胞瘤」在两边指的是不同的生物学实体。此时混训，模型学到的是「把两种不同分布的样本都映射到同一个标签」，这在验证集上或许不降分（如果验证集也混杂），但在纯人数据的外部测试上会引入系统性偏移。

4.7 这一层该写进论文的哪一句

如果要在方法或局限性里交代，建议的措辞是：本研究使用犬自发性胶质瘤影像作为跨物种外部验证集，该队列在突变负荷与甲基化类别上更接近人儿童胶质瘤而非成人胶质母细胞瘤（Amin 等，Cancer Cell 2020），因此其验证结论不能外推为人成人胶质瘤的性能保证。

这句话把「用了」和「能用来说明什么」分开，既不浪费数据的价值，也不把结论说过头。

§5 结构层：两个模态如何对齐成一个人

5.1 覆盖差异：五十七只与七十六只不是同一批

这是本篇必须写透的第二个坑。官方描述写得很清楚：影像覆盖 57 只，病理覆盖 76 只。两句并置，最容易被读成「五十七只是七十六只的子集」。

实际并非必然如此。如果影像组是病理组的子集，那么影像侧五十七只犬应当全部出现在病理侧；但两处数字的来源不同（影像来自放射科采集，病理来自手术或尸检取材），一只犬完全可能做了 MRI 却没有切片留档，或者有切片而其 MRI 未进入发布范围。官方没有给出交集数字。

这意味着第 3.4 节脚本用 outer join 得到的那张表，才是真正的工作底表。它至少会有三类行：两侧都有的、只有 MRI 的、只有切片的。做影像与病理配对分析（例如影像组学与组织学分级的相关性研究）时，可用样本数可能远小于 76，而不是 76 或 57 中的某一个。

5.2 组学侧的第三重覆盖

ICDC 侧组学覆盖 81 个受试者，即论文测序队列全部。所以三侧的覆盖关系是：组学最全（81），切片次之（76），影像最少（57）。三者的交集官方未披露。

模态对	官方覆盖	交集是否公布
组学 × 病理	81 × 76	未公布
组学 × 影像	81 × 57	未公布
影像 × 病理	57 × 76	未公布

要把三侧都齐的动物挑出来，唯一可靠的办法是按 ICDC case 编号做三重外连接，再逐只核对。这项工作没有捷径。

5.3 下载路径与工具

影像侧与病理侧的取数工具不同，下面给出各自的最小步骤。

#-- 影像：先取 .tcia 清单，再用 NBIA Data Retriever 批量下载
#-- 官方页面点 Download 得到 ICDC-Glioma.tcia，随后：
#--   Linux/macOS 图形界面启动 NBIA Data Retriever，加载清单，选择目标目录
#--   命令行环境可用其自带的 batch 模式（需先启动一次 GUI 生成配置）
ls -lh ICDC-Glioma.tcia          # 清单本身很小，几百字节到几 KB

#-- 病理：Aspera 包需要 IBM Aspera Connect
#-- 官方页面点 Download 会给出 faspex 链接，浏览器端需安装 Aspera Connect 插件
#-- 装好后同一链接即可拉取 172 GB 整包，无法按单张切片挑选
#--   若只有部分切片需求，改用 PathDB 的检索界面按 collection=ICDC-Glioma 过滤

#-- 影像下载完成后，逐序列统计元数据，确认哪些检查包含增强与 FLAIR
from pathlib import Path
import pydicom
import pandas as pd

root = Path("ICDC-Glioma-MR")
rows = []
for series_dir in root.glob("*/*/*"):
    if not series_dir.is_dir():
        continue
    files = sorted(series_dir.glob("*.dcm"))
    if not files:
        continue
    ds = pydicom.dcmread(files[0], stop_before_pixels=True)
    rows.append({
        "dog": series_dir.parent.parent.name,
        "series_desc": getattr(ds, "SeriesDescription", ""),
        "modality": getattr(ds, "Modality", ""),
        "n_slices": len(files),
        "slice_thickness": float(getattr(ds, "SliceThickness", 0) or 0),
        "field_strength": getattr(ds, "MagneticFieldStrength", None),
    })
df = pd.DataFrame(rows)
print(df["series_desc"].value_counts().head(20))   # 先看协议命名分布
print(df.groupby("dog")["n_slices"].sum().describe())

这段代码的用处不在于产出什么漂亮图表，而在于先确认序列命名的分布。五个机构的数据，序列描述文字各不相同，同一个 T2 加权序列可能被写成 T2W_TSE、T2 axial、t2_tra，靠字符串直接筛会漏。先看一遍 value_counts，再决定映射表怎么写。

5.4 全切片的读取与质检

SVS 用 OpenSlide 或 tiffslide 读取，两者都能给出金字塔层级与元数据。

#-- 逐张 SVS 读取缩略图，检查是否可解析以及是否含标签区
import openslide
from pathlib import Path
import pandas as pd

rows = []
for p in Path("ICDC-Glioma-SVS").glob("*.svs"):
    try:
        slide = openslide.OpenSlide(str(p))
        rows.append({
            "file": p.name,
            "levels": slide.level_count,
            "dimensions": slide.dimensions,
            "mpp_x": float(slide.properties.get("openslide.mpp-x", 0) or 0),
            "scanner": slide.properties.get("openslide.vendor", ""),
            "has_label": "label" in slide.associated_images,
        })
        slide.close()
    except Exception as e:            # 少数文件可能损坏或格式变体
        rows.append({"file": p.name, "levels": None, "error": str(e)[:80]})
pd.DataFrame(rows).to_csv("svs_qc.csv", index=False)

has_label 一列值得单独看。Aperio 扫描仪会把玻片上的标签区单独存为一个关联图像，标签区上通常有手写或打印的犬名、机构缩写与取材日期——这既是组织学信息之外的元数据富矿，也是去标识化最需要检查的地方。若标签区仍带有可识别字样，在把切片外传或发表示意图时须做遮挡处理。

5.5 分层依据：这三层分别解决谁的痛点

§3、§4、§5 三章不是按「字段、格式、下载」机械切的，它们各自对应一类无法绕开的困难：

层	解决的痛点	谁最需要
标识层（§3）	犬只个体跨仓库对不上号	要把影像、病理、组学拼成一条完整记录的人
跨物种层（§4）	犬数据能不能用于人研究、能用到什么程度	做迁移学习、外部验证、机制对照的人
结构层（§5）	覆盖差异与工具链差异带来的实际工程障碍	要真正把数据下载下来跑通流程的人

三层的顺序也对应三种失败模式：对不上号的失败在数据整合阶段暴露，用错范畴的失败在论文被审稿时暴露，跑不通的失败在下载与解析当天就暴露。

§6 与库内同族资源的关系

6.1 关系图谱

站内已经有一批成熟的人脑肿瘤篇目，它们与这里讲的这套数据形成对照关系而非替代关系：BraTS 系列负责分割基准，UPenn-GBM 负责影像基因组学，TCGA 的 GBM 与 LGG 两条负责组织学与分子分型，ReMIND 负责术中情境，FeTS 负责联邦学习。这些资源的共同点是物种为人、分类体系为 WHO 中枢神经系统肿瘤分类。

ICDC-Glioma 在其中的位置，是这整个家族的物种外参照点。人类胶质瘤影像研究里所有关于「模型会不会过拟合到某个机构、某个扫描仪、某个分型」的问题，都可以拿它做一次压力测试，但测出来的结论要按 §4.6 的规则来读。

6.2 检索路径建议

你要找什么	在站内怎么走
人脑胶质瘤的影像分割基准	从 BraTS 系列的篇目进入，再沿标签图找各年份赛道
带分子分型的人脑胶质瘤组学	从 TCGA-GBM 与 TCGA-LGG 两篇进入
犬源影像数据（影像学、骨科、心脏等）	站内的犬侧位胸片教学集与椎体心脏评分基准
术中与术后影像	ReMIND 与 BraTS 的放疗规划赛道
跨物种、动物模型类的数据	从共用的「脑肿瘤」与「MRI」标签出发，沿标签图检索

6.3 一句话的关系判断

若把人脑肿瘤篇目看作一本正面教材，这套数据就是另一物种的对照读本：它讲的不是「同样的病」，而是「同一条演化路径在不同物种里走到哪一步」。两者并读，比单独读任何一本都更能看出哪些特征是胶质瘤的普遍规律，哪些只是人类特定生物学背景的产物。

6.4 与自有术语体系的接口

站内的标签体系用受控词，本篇的归类是：一级域落在医学影像，二级细分落在磁共振与病理图像，疾病维度落在脑肿瘤与肿瘤学。这个组合同时打开了三条检索通道——影像侧、病理侧与病种侧，任何一条都能把它带进来。

这套标签有一个副作用需要留意：它与站内五百余篇人类脑肿瘤影像篇目共享「脑肿瘤」与「磁共振」两个标签，因此在标签图里它的邻居绝大多数是人的数据。看到它排在人的篇目旁边，容易产生「可以直接合起来用」的错觉。标签告诉你的是主题相近，不是分布相同。

比较合适的做法，是在引用时始终带一句物种限定。无论写在论文、写在实验记录，还是写在站内其他篇目的交叉引用里，把「犬」这个字放在前面，比放在后面更不容易被漏读。

6.5 它不该成为什么

有一点值得单独交代：这套数据不应被当成「站内人脑肿瘤家族的一个成员」来用，而应被当成「这个家族之外的一面镜子」。前者会诱导人做横向合并，后者会诱导人做纵向比较。两种用法在工程上差别不大，在结论的可信度上差别很大。

如果某一天站内出现了第二套犬源或猫源脑肿瘤数据，这条的身份会从「孤例」变成「起点」，那时 §6.3 的读法就要相应调整。在此之前，它的价值有一半来自稀有本身。

§7 质量评估与局限性

7.1 阅读本节前需要知道的一件事

用「数据集的常规标准」来评这套数据，会得出一个偏低的结论：没有分割标注、没有官方划分、样本量小、两个模态覆盖不一致。这些判断都对，但它们用的是训练集的尺子。

ICDC-Glioma 的定位更像一个发育良好的验证集与机制对照集。衡量它的标准应该是：它的样本是否真的独立于人类数据？它的分子证据是否足够支撑跨物种比较？它的影像与切片是否足以做形态学层面的外部检验？用这把尺子量，结论完全不同。本节先做这个框架校正，再逐条讲局限。

7.2 逐条局限

第一，样本量小。 78 只动物在影像研究里属于极小样本。用它做验证，置信区间会很宽；用它做训练，几乎必然过拟合。任何在它上面报告的性能数字，都应当附带明确的样本数与被试间方差。

第二，模态覆盖不一致。 五十七只带 MRI、七十六只带切片，两者的交集官方未公布。做联合分析前必须自行对齐，否则会把「只在影像里存在的动物」当成同时拥有两种模态的样本。

第三，没有参考标注。 影像侧没有任何肿瘤轮廓或脑区掩膜，病理侧没有肿瘤区域坐标。要做分割，只能自己做标注，或者借用其他犬脑图谱做配准，两者都会引入新的不确定性。

第四，机构异质性未披露。 数据来自五家兽医机构，但官方页面没有给出逐例的场强、层厚、对比剂方案与扫描仪型号。这意味着异质性存在，却无法在模型层面被显式建模或校正。

第五，跨物种迁移的边界。 如 §4 所述，犬与人胶质瘤的分子分型不一一对应，且犬肿瘤更接近人儿童类型。这限制了任何一个「用犬数据训练、人数据测试」的方案。

第六，组学侧的访问路径更复杂。 影像在 TCIA 一键下载，组学在 ICDC 需要走 manifest 与云端传输，且文件体积大，实际使用成本高于影像侧的印象。五个机构的临床记录也会随各自的信息系统形态而差异，官方只给出汇总口径，逐例的临床字段完整度无法从页面判断。

第七，没有官方划分。 训练、验证、测试三分的缺失，在小样本数据上后果被放大：一旦研究者自行随机划分，同一只犬的多张切片可能跨进训练与测试两侧，测试指标会虚高。切片级的划分必须先聚到犬只级，再做划分。这一点在病理侧尤其要紧。

第八，版本冻结。 第一版 2021 年 1 月更新后，页面状态标为 Complete，官方后续是否追加数据未在页面上声明。使用时须以这个时间点为准，不要假设它会与后续论文同步扩展。

7.3 DAIMS 八维评分

DAIMS（Data and Analytics Improvement Maturity Standard）把「数据就绪」拆成描述、结构、访问三个层面。下面八行逐维打分，分值为 5 分制。

#	维度	评分	依据
1	描述层：身份与边界	4 / 5	官方明确声明物种、癌种、治疗前状态与五家机构来源，边界清楚；但病理侧受试者数写 78 而描述写 76，口径自相矛盾
2	描述层：文档完备度	3 / 5	有集合页说明与论文可依，但无逐例字段字典、无序列级说明、无数据卡
3	结构层：标识体系	2 / 5	三个仓库各自维护标识，影像与病理的犬只 ID 不一致，官方未提供跨仓库主键
4	结构层：层级一致性	3 / 5	影像内部的 Collection / Patient / Study / Series / Instance 层级规范；但病理侧无与影像同构的层级，无法统一遍历
5	结构层：模态配对	2 / 5	影像 57 只、病理 76 只、组学 81 例，三者交集未公布，配对需人工完成
6	访问层：开放程度	5 / 5	影像与病理均以 CC BY 4.0 开放，无需申请、无需注册审核；组学公开可访问
7	访问层：可复现性	3 / 5	有固定 DOI 与版本号，影像下载有标准工具；但无官方划分、无基线代码、无预处理脚本发布
8	访问层：许可清晰度	5 / 5	影像与病理两侧均明示 CC BY 4.0，并要求按指定格式引用；组学侧见 ICDC 政策

评分解读。 总分落在 27 / 40。强项集中在访问层（开放与许可），弱项集中在结构层的标识与配对——这不是数据质量问题，而是三方仓库联合发布时常见的结构债。描述层的分数受一处口径矛盾拖累，这一处是可修的，但因为数据集已冻结，实际不会再修。

对你意味着什么。 如果计划把这个集合用起来，第一批工时应当花在结构层：先建 case 对照表，再确认三侧交集，最后才开始做实验。跳过这一步直接开跑，几乎一定会遇到「样本数对不上」的返工。

7.4 外部验证矩阵

验证维度	外部依据	结论
数据发布权威	NCI 比较肿瘤项目 + TCIA + ICDC 三方	机构背景扎实，属联邦资助项目
伴随论文	Cancer Cell 2020，DOI 10.1016/j.ccell.2020.01.004	同行评议，主结论为犬更似儿童型
组织学分类规范	比较脑肿瘤联盟的犬胶质瘤诊断方案	兽医与人类神经病理学家共同制定，跨物种可比
复用情况	DataCite 显示已有引用记录	复用规模尚小，属种子级资源
与人类的对照	论文以 TCGA 与儿童队列互为参照	对照设计明确，结论谨慎
可复现性	固定 DOI、固定版本、公开工具链	可复现，但无官方分析脚本

7.5 一处应当写清楚的口径冲突

TCIA 顶栏写 78 subjects，病理表格写 78，描述文字写 76。组学写 81。四个数字分别对应：影像集合受试者总数、病理表格行数、描述中的切片覆盖数、测序队列规模。

这四者并非同义。比较稳妥的表述是：这套研究共涉及 81 只犬，其中 57 只有影像、76 只有切片；TCIA 内部病理表格引用 78 这一数字，与描述不一致。在做样本量陈述时，用「五十七只影像、七十六只切片」最安全，因为它直接对应可下载的内容。

§8 版本与生态

8.1 版本节点

时间	事件
2020 年	以 TCIA 集合形式发布，伴随论文同期见刊
2021-01-12	第一版更新，当前页面标为该日期，状态 Complete
持续	ICDC 侧以 GLIOMA01 研究号维护组学

页面没有第二版、第三版的时间线。这与很多持续扩增的 TCIA 集合不同——它更像一次性交付的伴随发布物，而非持续生长的库。

8.2 生态位

这套数据处在三个生态的交汇处：

• 比较肿瘤学侧：NCI 的比较肿瘤项目与比较脑肿瘤联盟是它的组织基础，ICDC 是它的长期存放地。
• 影像数据侧：TCIA 的集合体系提供标准化的下载工具、DOI 与引用规范；IDC 提供云端镜像，可与其他人脑肿瘤集合在同一环境中检索。
• 组学侧：与 TCGA 的分析流程可共享工具，但物种差异要求重新做参考基因组、基因注释与同源映射。

它在生态里扮演的角色是「种子」：跨物种的数据集不多，一旦有一批团队开始用它做验证，后续会有更多犬源数据跟进。站内目前没有第二份兽医学肿瘤影像资源，这个空位说明了它的先发位置。

8.3 一次典型的使用流程

一条从下载到出结论的完整路径大致如下：

1. 取 .tcia 清单，用 NBIA Data Retriever 下载影像（5.1 GB，分钟级）。
2. 用 Aspera 拉取全切片（172 GB，视带宽而定），或改走 PathDB 只取部分。
3. 到 ICDC 的 GLIOMA01 页取 manifest，再经云端传输取组学文件。
4. 整理 case 对照表，用 outer join 得到三侧覆盖矩阵。
5. 决定研究问题属于哪一类（外部验证 / 机制对照 / 亚型补充），据此选相应的子集。
6. 按 §4.6 的规则解读结果，把跨物种边界写进方法部分的限制说明。

第 4 步与第 5 步是这条流程里最容易被跳过、也最容易出事的两步。

8.4 历史沿革：从一篇论文到一个公开集合

这套数据的起点是一篇论文的研究设计，而不是一个「建库」计划。研究团队为了做跨物种的分子生命史比较，从五家兽医机构收集了 81 只犬的肿瘤与生殖系样本，并把临床 MRI 与 H&E 切片一并纳入。论文发表后，影像与切片被整理成 TCIA 集合发布，组学被并入 ICDC。

这个来源决定了它的形态：样本是研究队列，不是刻意均衡的公开基准；它的价值在于样本的真实性（自发病例、治疗前状态），而不在于均衡性（无法控制品种、机构、扫描仪分布）。

8.5 它靠什么活着：为何能持续

三个原因。第一，机构承载：TCIA 与 ICDC 都是联邦资助的长期基础设施，不会因单个课题组结题而下线。第二，DOI 与引用规范：固定的数据集 DOI 让引用可计入，建立了持续被引用的动力。第三，需求刚性：比较肿瘤学的临床前试验需要基线影像与分子对照，这是目前公开可得的最合适的一套，替代品极少。

反过来说，它的局限也来自同一处：一次性交付的研究队列，不会因为使用者提出问题就补充数据。这是一份「已经定稿的证据」，不是「还在生长的库」。

§9 使用指引

9.1 三种角色的路径

角色	第一件事	第二件事	常见误区
影像算法研究者	下载影像，确认序列命名分布	建 case 对照表，标出只有影像的动物	把它当成分割训练集
分子与组学研究者	从 ICDC 取 manifest，确认各层测序实际例数	用论文的互斥突变与甲基化分类结果做校验	假设每只犬都有四层组学
比较肿瘤学临床研究者	读论文方法与官方描述，确认分类规范	找组织学分级与影像特征的对应关系	把犬的分级直接套用人分级

9.2 最小可用流程

一个最小可跑通的流程，只需要三步：下载影像、抽取序列清单、按序列类别生成一份研究清单。第三步用下面这段代码把序列描述归一成研究可用的类别。

#-- 把自由文本的序列描述归一到研究用类别（规则需按实际数据微调）
import pandas as pd

df = pd.read_csv("series_meta.csv")     # 由上一节的逐序列统计产出
rules = [
    ("FLAIR", ["flair"]),
    ("T2W",   ["t2", "t2w", "t2w_tse"]),
    ("T1C",   ["t1c", "t1+c", "post", "contrast", "gd"]),
    ("T1W",   ["t1", "t1w"]),
    ("T2STAR",["t2*", "gre", "gradient"]),
    ("DWI",   ["dwi", "diffusion", "adc"]),
]
def classify(desc: str) -> str:
    d = (desc or "").lower()
    for label, keys in rules:                # 顺序敏感：先判增强再判 T1 平扫
        if any(k in d for k in keys):
            return label
    return "OTHER"
df["seq_class"] = df["series_desc"].map(classify)
print(df["seq_class"].value_counts())
print(df.groupby("dog")["seq_class"].nunique().describe())

规则表里 T1C 必须排在 T1W 之前，因为序列描述里只要出现 post 或 contrast 就该判为增强，而字符串里往往同时含 t1。这是实际跑起来最先踩到的坑。

9.3 在 AI 流程中的位置

在一条典型的医学影像 AI 流水线里，这套数据最合适的位置是外部验证节点，而不是训练节点。

人数据训练（BraTS / UPenn-GBM / TCGA 配套影像）
        ↓
内部验证（同机构留出）
        ↓
跨机构验证（BraTS-Africa / FeTS）
        ↓
★ 跨物种验证（ICDC-Glioma）  ← 检验形态学层面的可迁移性
        ↓
结论：模型是否学到了物种无关的胶质瘤形态特征

放在这一位置的意义在于：它检验的是模型有没有学过头，而不检验模型在临床上有多少用。前者是方法学问题，后者是临床问题，两者不能混谈。

9.4 一句话的使用纪律

下载之后先建对照表，再谈研究问题。 这套数据的所有工程麻烦，七成来自标识对不上；所有方法论麻烦，七成来自把跨物种当成可直接迁移。

9.5 三件最值得先做的事

第一件是把三侧清单拉齐，写进一张表，然后在表头记下每只犬到底有哪几层数据。这张表做出来，后面所有关于样本量的争论都会消失——争论的根源往往不是数字不够，而是数字指的不是同一件事。

第二件是把序列类别归一，统计每种序列在多少只犬中出现。这一步会立刻暴露两个问题：有多少只犬缺增强序列，有多少只犬的序列只够做形态学描述而做不了组学分析式的特征提取。

第三件是找一篇已发表的使用了这套数据的论文，把它的样本数与自己的清单对齐。如果对不上，先怀疑自己的对齐方式，再怀疑论文。这类经验在各种公开数据上通用，不只适用于这一套。

9.6 团队协作时的分工建议

做跨物种验证往往不是一个小组独立完成的。比较现实的分工是：影像侧的人负责序列归一并产出可用切片；病理侧的人负责全切片的质检与染色质量筛查；组学侧的人负责从 ICDC 取数并与论文的分子结论核对；临床侧的人负责确认组织学诊断与分级口径。

四拨人各自产出一张表，再由一个人把它们按 case 编号合成一张总表。合成那一步不能分给四个人各做一遍——重复对齐是这套数据最常见的时间黑洞。

§10 AI 使用声明

项目	内容
数据性质	公开的动物医学影像与病理集合，非人类受试者数据
主要用途	跨物种外部验证、机制对照、比较肿瘤学教学
不建议用途	作为人成人胶质母细胞瘤模型的训练样本；作为分割基准；推断犬脑病变的整体分布
伦理要点	受试者为伴侣动物；须遵守所在机构的动物实验与数据使用规范；原作者已声明须按指定格式引用
引用要求	使用影像与病理须引用数据集 DOI 与伴随论文；组学须同时引用 ICDC 研究
版本锁定	以本文核验时页面的第一版（2021-01-12）为准，后续更新须重新核对
数据状态	页面标记为完成，官方未声明追加计划
使用前必查	两个模态的犬只覆盖差异；三侧交集；序列协议的实际构成

常见误读

常见说法	实际情况	证据
五十七只有影像的犬就是七十六只里有切片的犬的子集	两个子集由不同科室采集，交集官方未公布，须自行对齐	TCIA 描述段：影像 57 只、病理 76 只，两处数字并置但未说明关系
犬的胶质母细胞瘤可以直接当人胶质母细胞瘤用	同名不同内涵，IDH 状态、端粒维持、驱动基因分布都不对应	Cancer Cell 2020：犬更似儿童型；端粒维持机制不普遍
这批数据是跨物种训练集，能扩充人模型的样本量	只能做验证与对照，混训等于注入异物种标签噪声	同左；分类体系为犬专用方案
78 只犬都有四层组学	四层测序的实际上游规模是 81 例，且各层子集不同（拷贝数 57、甲基化 45、免疫 RNA 40）	论文方法部分；官方描述 81 subjects
影像自带肿瘤分割掩膜	没有任何参考标注	官方数据表中无标注类数据
组学也在 TCIA 能一起下	组学在 ICDC，须走 manifest 与云端传输	官方 External Resources 指向 ICDC
序列都是统一协议，可直接批量训练	五家机构、命名各异、无逐例协议披露	官方未提供逐例扫描参数
大犬更常见脑肿瘤，所以队列里大犬偏多	兽医文献显示短头犬显著易感，官方未公布品种构成	兽医临床队列文献：短头品种占七成以上
2021 年后应该还在扩	页面标完成，无追加声明	版本栏仅第一版
这批犬是人胶质瘤研究的「动物对照组」，结论可直接推广	它是前临床模型证据，不是对照组；两物种分型体系不同，结论只能落到机制层面	Cancer Cell 2020 摘要：犬更近似儿童型

三个反复出现的误读，为什么会反复

这三个误读之所以顽固，是因为它们各自踩中了中文转述里的一个省字。

第一个省掉的是「不是同一批」。影像五十七只、切片七十六只两句并排，中间省了「这两组不是同一批动物」这半句。读者补不上这半句，就会把两个数当成同一集合的两种测量。

第二个省掉的是「儿童型」。论文的核心结论是犬胶质瘤像人儿童胶质瘤，转述时常常只剩「犬胶质瘤像人胶质瘤」，形容词被吃掉，结论就被放大了。

第三个省掉的是「前临床」。官方把犬定位为衡量疗效的前临床模型，转述时「前临床」三个字最容易被删，于是「模型」变成了「样本来源」。

省字是转述的常态，补字是使用的责任。三条误读都只需要补回半句，但它们造成的影响不是半句能收回的——一条被夸大的结论，会沿着引用链一路传下去。

FAQ

Q1：这套数据的物种是什么？ 犬，具体是家养的伴侣犬，不是实验犬。全部病例为自发性胶质瘤，未经人工诱导。

Q2：一共多少只动物？ 研究队列 81 只，其中影像集合覆盖 78 只；带 MRI 的 57 只，带 H&E 全切片的 76 只。

Q3：影像是什么格式？ DICOM，磁共振，需用 NBIA Data Retriever 或 IDC 的 Python 客户端取。

Q4：切片是什么格式？ SVS，Aperio 系金字塔式全切片格式，可用 OpenSlide 或 tiffslide 读取。

Q5：有没有肿瘤的分割标注？ 没有。既没有影像侧掩膜，也没有切片的肿瘤坐标。

Q6：能不能直接用于训练人脑肿瘤模型？ 不能。分子分型不一一对应，混训会引入标签噪声。

Q7：最适合用来做什么？ 跨物种外部验证、机制对照，以及儿童型胶质瘤的补充佐证。

Q8：组学怎么拿？ 到 ICDC 的 GLIOMA01 研究页取 manifest，再经云端传输工具下载，无需注册。

Q9：许可是什么？ 影像与病理均为 CC BY 4.0，署名即可使用，需按官方指定的 DOI 格式引用。

Q10：会不会更新？ 页面标为完成，自第一版后无追加声明，使用时按冻结版本对待。

术语表

术语	含义
ICDC	Integrated Canine Data Commons，NCI 的犬癌症云端仓库
TCIA	The Cancer Imaging Archive，美国癌症影像档案库
IDC	Imaging Data Commons，TCIA 影像的云端镜像环境
CBTC	Comparative Brain Tumor Consortium，比较脑肿瘤联盟，制定犬胶质瘤分类规范
自发性肿瘤	未经人工诱导、自然发生的肿瘤
治疗前（treatment-naive）	接受任何治疗之前采集的样本
全切片图像（WSI）	把整张玻片数字化后的高分辨率图像
SVS	Aperio 扫描仪的专有全切片格式，实为金字塔式 TIFF
H&E	苏木精-伊红染色，病理诊断的基础染色
WES / WGS	全外显子 / 全基因组测序
甲基化谱	基于 DNA 甲基化位点的图谱，可用于肿瘤分类
1p/19q 共缺失	人类胶质瘤分子分型标志之一，犬中只作合成区域类比
IDH1 R132	异柠檬酸脱氢酶 1 第 132 位氨基酸热点，低级别成人胶质瘤的定义性事件
合成区域	不同物种间保守的染色体片段，用于跨物种基因定位
短头犬（brachycephalic）	头颅短宽的犬种，如拳师犬、法斗、英斗，脑肿瘤显著易感
非整倍体比例	基因组中拷贝数异常的片段占比
端粒维持	肿瘤延长端粒以维持无限增殖的机制，成人胶质瘤的标志性特征
收敛演化	不同物种独立演化出相似特征的过程
外部验证	在训练数据之外的独立数据集上检验模型
DAIMS	数据与分析改进成熟度标准，按描述、结构、访问三层评估
DataCite	数据集 DOI 的注册与统计机构
NBIA Data Retriever	TCIA 的官方批量下载工具
Aspera	IBM 的高速传输方案，TCIA 用于大体积病理包分发

附录 A：速查卡

项	值
全名	ICDC-Glioma: Canine glioma characterization project
数据集 DOI	10.7937/TCIA.SVQT-Q016
伴随论文 DOI	10.1016/j.ccell.2020.01.004
物种	犬
癌种	胶质瘤
受试者	78 只（影像集合口径）
影像	57 只 / 58 次检查 / 650 序列 / 约一万七千八百幅 / 5.1 GB
病理	76 只 / 84 张 / 172 GB
组学	ICDC GLIOMA01，WES/WGS/RNAseq/甲基化
版本	第一版，2021-01-12
许可	CC BY 4.0
状态	完成

附录 B：文件与工具清单

项	说明
.tcia 清单	影像下载入口，配合 NBIA Data Retriever 使用
nbia-digest 表	影像元数据的在线表格，可先浏览再决定下载哪一部分
SVS 整包	病理下载入口，需 Aspera
PathDB 检索页	病理切片的在线浏览与子集筛选
IDC 门户	在云端环境中浏览该集合并与其他集合同时检索
ICDC GLIOMA01	组学入口，附 manifest 生成与云端传输路径

附录 C：外部资源对照

缩写	全名	关系
NCI	美国国家癌症研究所	项目资助与组织方
COP	比较肿瘤项目	病例来源与组织框架
CBTC	比较脑肿瘤联盟	分类规范制定方
FNLCR	弗雷德里克国家实验室癌症研究部	ICDC 的开发与运维方
CRDC	癌症研究数据公共体	ICDC 与 IDC 的上级体系
CGC	癌症基因组云端平台	组学文件的下载通道之一

附录 D：核验与复现说明

项	内容
页面核验	2026-10-29 取官方集合页正文与 Data Access 表
论文核验	取 Preprint 全文与 PubMed 摘要，交叉核对样本量、突变率与非整倍体数字
规模数字来源	全部取自官方集合页，未做二次推算
未核验项	未下载任何影像或切片，未逐例核对序列协议，未获取 ICDC 侧文件清单
可复现性	§3.4、§5.3、§5.4、§9.2 的代码片段可直接运行，需先完成对应的下载步骤

附录 E：一处仍未闭合的问题

官方页面在描述「五十七只有影像的犬」与「七十六只有切片的犬」时，没有说明两者的交集规模。这一问题直接影响到所有需要影像与病理配对的研究设计。在拿到三侧清单并逐一核对之前，任何「这批犬同时具备影像与切片」的表述都应当加上「上限为五十七只」的限定。

编辑说明

核验时间 2026 年 10 月 29 日。核验方式：站点对 cancerimagingarchive.net 不在出网白名单内，改用正文抓取通道读取集合页，取得 Data Access 表中的全部计数与许可信息；另取 ICDC 开发者页确认开放访问与接口形态，取 European PMC 与 preprint 全文核对论文中的样本量与分子结论；兽医流行病学背景取自同期公开发表的犬胶质瘤临床队列文献。

未覆盖的内容：未下载任何 DICOM 或 SVS 文件，未逐例核对序列协议与扫描参数，未获取 ICDC 的逐文件清单，未核对五家兽医机构的具体名称（官方页面未列）。文中关于序列密度与切片体积的推算已注明为「平均」，不作为官方数字使用。

两处口径冲突已在正文并列写出，不做取舍：其一，病理侧受试者数官方表格写 78、描述段写 76；其二，组学侧受试者数为 81，与影像集合的 78 不同。两处均以官方原文为准照录。

关于跨物种迁移的论述，采用伴随论文自身的结论（犬更似人儿童胶质瘤）作为主要依据，未引入外部推断。文中所说「不能作为人成人胶质母细胞瘤训练样本」，是依据分型体系不对应这一事实作出的使用建议，非原作者表述。

禁用词与元话语已移出正文，口径说明集中于本区。

---

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：

• ucsf-pdgm — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
• fets — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
• ivy-gap — 共享标签：医学影像 / 病理图像 / 脑肿瘤 / 肿瘤学
• upenn-gbm — 共享标签：医学影像 / 病理图像 / 脑肿瘤 / 肿瘤学
• cptac-imaging — 共享标签：医学影像 / MRI / 病理图像 / 肿瘤学
• yale-brain-mets-longitudinal — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
• qin-gbm — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
• brats-africa — 共享标签：医学影像 / MRI / 脑肿瘤 / 肿瘤学
• rembrandt — 共享标签：医学影像 / MRI / 脑肿瘤
• ocelot — 共享标签：医学影像 / 病理图像 / 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。