IHC4BC — 从 H&E 形态学预测乳腺癌 ER/PR/HER2/Ki67 状态的配对图像数据集

INFOBOX — IHC4BC 一屏速览

维度	内容
本质	配对 H&E↔IHC 的乳腺癌分子状态预测数据集（判别任务，非图像翻译、非分割）
团队	University of Alberta（计算科学+病理）+ Dalhousie University（病理），加拿大；4 作者
论文	AIMM 2025;33(3):131-141，doi:10.1097/PAI.0000000000001258（预印本 arXiv:2308.01982，2023-08-03）
样本	2022 年 50 例连续穿刺活检 → 231 对 WSI → 92,769 对 patch = 185,538 张 3000×3000 图像
标记	Ki67（增殖指数）/ ER / PR（H-Score 0-300）+ HER2（二分类：0/1+ vs 3+，2+ 排除）
标签工艺	StarDist 核分割 + DAB 颜色反卷积逐核定量 + 专家逐对人工检查（a/0/d 三处置）
核心卖点	此前同类研究多 ≤5K 训练样本，本集 20K-26K/标记——规模+标签可靠性双升级
基线	ResNet-18+多头自注意力 ViT 管线，灰区累加 logit 协议 约 90% AUC
反直觉发现	同样 90% AUC 的模型热图完全无法定位 IHC 阳性区域；弱监督 CLAM 四标记全线失效
许可	CC BY-NC-SA 4.0（非商业+相同方式共享）
获取	pcloud 原图近 2 TB｜Kaggle 压缩版 39.07 GB｜GitLab 标签仓数 GB（滚动更新需频繁 pull）
伦理	Health Ethics Board of Alberta 批准 HREBA.CC-19-0347（含匿名公开授权）
库内互链	bci-ihc(841)、herohe(318)、breastpathq(268)、bracs(138)、bcss(258)、consep(228)

本文导航

章节	内容	适合谁
§0 导读	H&E 预测分子状态为何难、IHC4BC 的三层回答	所有读者
§1 十问十答	规模、规格、标签、任务、获取一屏清	赶时间者
§2 数据构成	50 例→231 对 WSI→92,769 对 patch 的漏斗账目	数据工程
§3 标签流水线	DAB 定量+人工三处置：非读片标签的完整工艺	标注方法论
§4 领域坐标	与 TMA/弱监督/虚拟染色三条前人路线的比较	综述写作者
§5 基线与评估	ViT 灰区协议 90% AUC 的来龙去脉与热图失败	建模者
§6 获取与许可	三通道下载实操与 CC BY-NC-SA 边界	想下数据者
§7 生态与影响	正式发表时间线、第三方使用、GPEX 侧记	引用者
§8 方法学启示	三条可迁移经验	数据集作者
§9 库内关系	与 bci-ihc 等 12 条的互链图谱	站内检索
§10 避坑清单	十二个已踩的坑	所有人
§11 总结	三句话+适合谁+30 秒决策卡	决策者
FAQ+附录	54 问、50 条硬事实、46 条术语、附录 A-Y	深查者

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——原图在 pcloud（近 2 TB，有配额坑），推荐 Kaggle 压缩版（39.07 GB）；标签在 GitLab 且持续滚动更新，引用必须注明拉取日期。
2. 关心标签质量：直奔 §3——这套标签不是病理医生读出来的，是 StarDist 分割+DAB 定量的图像分析产物，人工只做「可信/置零/丢弃」三处置；这个工艺决定了它能堆到 9 万对，也带来 §10 坑 2 的系统偏差。
3. 做模型评测：直奔 §5——约 90% AUC 的表象下藏着两个更有信息量的负结果：灰区协议拿掉的瞬间性能跳水、高 AUC 模型的热图定位全线失败。

§0 导读：这个数据集解决什么问题

乳腺癌的四个经典免疫组化标记——雌激素受体（ER）、孕激素受体（PR）、HER2/neu、增殖指数 Ki67——是治疗方案分型的四把钥匙：ER/PR 决定内分泌治疗资格，HER2 决定靶向治疗资格，Ki67 量化增殖活性。但给这四把钥匙定价的免疫组化检测是贵的：需要专门染色设备、验证过的抗体克隆、受训技师、前分析条件控制，还要参加外部能力验证项目。于是计算病理学领域一个悬了多年的问题是：能不能只看便宜又普及的 H&E 染色切片，就把这四个分子状态猜出来？

十几年的答案一直卡在两个瓶颈上。第一个瓶颈是 Cifci 等人在 2022 年综述里总结的：除个别标记外，文献最好的预测性能在 AUC 80% 左右徘徊。第二个瓶颈更根本——数据不够大、标签不够可靠。已有研究的训练样本多在几千上下：有人用约 1000 个 TMA（组织微阵列）芯预测 ER/PR/HER2，有人用约 5000 个 TMA 芯做激素状态评估。样本小的代价是双重的：神经网络吃不饱，而少量被污染的标签就足以显著拖垮预测性能——病理读片标签自带观察者间变异，像 Allred 评分这类序数量表本身精度有限（一个 5 分涵盖 66% 到 100% 的宽区间）。

IHC4BC 的回答分三层。第一层是数据规模：从 2022 年采集的 50 例连续乳腺癌穿刺活检出发，把 H&E 与四种 IHC 的相邻切片逐一配准，切成 3000×3000 的 patch 对，经逐对人工质检后得到 92,769 对（185,538 张图像）——按标记拆分是每标记 2 万到 2.6 万训练实例，比此前研究的 5K 上限高出一个量级。第二层是标签工艺：不用医生读片打分，而用 StarDist 核分割加 DAB 颜色通道定量，给每个 patch 生成逐核的染色强度测量，再由一名专家病理学家与一作紧密协作做逐对人工质检——这套「机器定量+人工质检」的组合让标签既有客观性又通过了穷举式筛查。第三层是基准与清醒剂：用这套数据训练标准 ViT 管线做到约 90% AUC（比领域均值高约 10 个点），但论文同时给出两个负结果——弱监督的 CLAM 在全部四个标记上失效，且两个达到高 AUC 的模型在注意力热图上都无法定位真正表达阳性的组织区域。高分离不开「看对了什么」和「蒙对了什么」，这个数据集把这道裂缝摆到了台面上。

§0 读法三则：

1. 这个条目的主角是数据集，但数据集与论文是绑定的：论文里的数字账目（152,741 提取、147,404 受检、92,769 入集）是理解数据构成的唯一权威口径，本文 §2 逐项复算可验证。
2. 全文统计数字均出自论文正文（arXiv v1 与 AIMM 正式版）与官网说明；两版标题、投稿目标期刊与正式发表期刊的出入已在坑 1、坑 2 存照。
3. 检索时注意：IHC4BC（状态预测）与库内 bci-ihc 条目（BCI，图像翻译）是两个不同数据集、不同团队、不同任务——只搜「H&E IHC 配对乳腺癌数据集」很容易把两者混淆（坑 3）。

0.1 与常规数据集条目的三点不同

第一，它与论文共生。多数数据集条目可以把论文当背景板，IHC4BC 不行——它的规模口径、标签语义、甚至 CSV 每一列的含义都只在论文里，官网只提供下载与阈值速查。把论文丢开用数据集，第一步就会掉进坑 2（a/0/d 语义）。第二，它发布的是「测量」而非「标签」。常见数据集给每个样本一个终审结论；IHC4BC 给的是逐核 DAB 光密度序列——结论（H-Score/百分比/序数类）是使用者按自己阈值算出来的。这让条目里「标签」一词处处要加引号。第三，它的负结果与正结果同样重要。90% AUC 是卖点，CLAM 全失效与热图定位失败是清醒剂——一个数据集论文用一半篇幅讲自己基线的失败模式，这在领域里不多见，也是它值得整条目展开的原因。

§1 数据集速览：十问十答

Q1：IHC4BC 四个字母是什么意思？
ImmunoHistoChemistry for Breast Cancer——「乳腺癌免疫组化」。数据集为四种乳腺病理最常用 IHC 检测（ER、PR、HER2/neu、Ki67）各建一套与 H&E 配准的镜像图像对，任务是预测这四项检测的状态结论。

Q2：规模到底多大？
精确账目：147,404 个 patch 对受检，54,635 对被丢弃，剩 92,769 对进入数据集，每对含 H&E 与 IHC 两张图，合计 185,538 张图像（论文摘要口径，逐项自洽）。官网与第三方常粗说「约 9 万对」。按标记拆：ER 30,395 对、PR 24,971 对、Ki67 21,745 对、HER2 20,995 对（提取数减丢弃数；另有共 22,734 对被人工置零但保留在集中）。

Q3：原始组织来自多少病人？
2022 年采集的 50 例连续未选择乳腺癌穿刺活检。每例做四种 IHC 染色的相邻切片，逐标记计 WSI 对为 ER 59、PR 60、Ki67 60、HER2 52（共 231 对；一例可贡献多个标记的多张切片）。严格的前分析控制：无冷缺血（取材后立即固定）、福尔马林固定 24-48 小时、载片阳性对照、阴性结果复测确认。

Q4：图像规格是什么？
Aperio GT 450 自动扫描仪 40X 扫描；patch 3000×3000 像素，以步长 1500 在人工配准的区域对上滑动提取（相邻 patch 有 50% 重叠）；建模实验时 resize 到 1000×1000。

Q5：标签是怎么来的？
不是医生读片。管线用 StarDist 在 H-DAB（苏木精-DAB）IHC 图上分割细胞核，颜色反卷积提取 DAB 棕色通道，记录每个核的平均 DAB 值；总核数从 H&E patch 计数（H&E 上分割更可靠）。由此可重算 H-Score（0-300）或阳性核百分比。一名专家病理学家随后逐对人工检查，处置分三类：a（定量结果可靠，保留）、0（人工置零，保留）、d（丢弃，不上传）。

Q6：HER2 的标签为什么特殊？
HER2 是膜着色信号，2+（等效）判读的观察者间重复性差，本数据集把 2+ 病例整例排除，只保留 WSI 级 0/1+（阴性）与 3+（阳性）两类；patch 级正标签 = patch 内存在任何 3+ 模式且对应区域在 H&E 中存在。所以它不能用于 HER2 等效（2+）判读研究。

Q7：任务形式是什么？
patch 级二分类。Ki67 用阳性百分比、ER/PR 用 H-Score，经阈值二分（如 Ki67 百分比 5/10/15/20 四档、ER/PR H-Score 30/60/90 三档）；HER2 直接阴/阳。论文用「累加 logit」（cumulative logits）协议组织多阈值分类器，并对比「有灰区」（跳过阈值附近样本）与「无灰区」两种设置。

Q8：基线性能如何？
ResNet-18 特征 + 多头自注意力的 ViT 式管线，在灰区协议下约 90% AUC（各标记 5 个随机划分，多数划分接近或超过 90%）；去掉灰区协议性能大幅跳水；弱监督 CLAM（WSI 级标签）在四个标记上全部失效。模型热图定位实验：两类模型都无法对准 IHC 阳性区域。

Q9：在哪里下载，什么许可？
许可 CC BY-NC-SA 4.0（非商业+相同方式共享）。三通道：pcloud 原图（近 2 TB，https://filedn.com/laHPyhQ5wAHBUyNr64yhV0Q/IHC4BC_Dataset/）；Kaggle 压缩版 39.07 GB（akbarnejad1991/ihc4bc-compressed）；GitLab 标签仓（gitlab.com/ihc4bc-dataset/labels，数 GB，持续滚动更新）。无 Zenodo/HuggingFace 官方托管。

Q10：引用什么论文？
正式版：Akbarnejad A, Ray N, Barnes PJ, Bigras G. Toward Accurate Deep Learning-Based Prediction of Ki67, ER, PR, and HER2 Status From H&E-Stained Breast Cancer Images. Appl Immunohistochem Mol Morphol. 2025;33(3):131-141. doi:10.1097/PAI.0000000000001258（PMID 40143808）。预印本：arXiv:2308.01982（2023-08-03，标题为 Predicting Ki67, ER, PR, and HER2 Statuses from H&E-stained Breast Cancer Images）。官网 Citation 节要求引用论文。

1.5 高频误读一屏清

高频误读	事实
「185,538 张图=185,538 个独立样本」	185,538 = 92,769 对 × 2（H&E 与 IHC 各一张）；独立单元是「对」，且全部来自 50 例病人
「patch 是独立随机样本」	相邻 patch 重叠 50%，同一组织最多出现在 4 个 patch 里；按 patch 随机划分=泄漏
「a/0/d 是类别标签」	是质检处置：a=定量可靠、0=人工置零（保留）、d=已丢弃；d 行的图根本不在包里
「HER2 标签也是 DAB 定量」	HER2 是读片系标签（WSI 级 0/1+ vs 3+），且 2+ 整例排除；与 ER/PR/Ki67 的定量系不同源
「H-Score 是病理医生的评分」	是图像分析产物（StarDist+DAB 反卷积），且未剔除非肿瘤核——比临床读片口径系统性偏低
「IHC4BC 就是 BCI」	两个数据集：IHC4BC 判别（加拿大，四标记，92,769 对）；BCI 生成（北邮，单 HER2，4,873 对）
「官网说 90K 对，论文说 9.2 万，有矛盾」	无矛盾：92,769 是精确数，~90K 是官方粗口径；引用用精确数
「Kaggle 页 license 是 Unknown，所以可商用」	许可以官网 CC BY-NC-SA 4.0 为准；Unknown 是 Kaggle 元数据缺失

§2 数据构成与规格

2.1 漏斗账目：50 例 → 231 对 WSI → 185,538 张图

IHC4BC 的规模不是一个孤立数字，而是一条可以逐级复算的漏斗。上游是 2022 年在严格前分析控制下采集的 50 例连续未选择乳腺癌穿刺活检：取材后组织立即入福尔马林（无冷缺血时间）、固定 24-48 小时、每批 IHC 附载片阳性对照、肿瘤性 ER/PR 阴性而内对照（正常乳腺导管）阳性时重复确认性 IHC。四种标记的抗体克隆为 ER-SP1、PR-PgR 636、HER2-SP3、Ki67-MIB-1，分别经 Ventana Ultra（ER/PR/HER2）与 Dako Omnis（Ki67）全自动平台完成染色，随后由 Aperio GT 450 以 40X 扫描。

中游是 231 对 WSI：一例病人的 H&E 切片与某种 IHC 切片构成一个 WSI 对，逐标记计为 ER 59 对、PR 60 对、Ki67 60 对、HER2 52 对。四个标记合计 231 对——官网与论文讨论部分粗说「约 240」，精确数以 231 为准（每对 WSI 意味着两张玻璃切片、一次人工区域配准）。

下游是 patch 对的提取与淘汰漏斗，论文 §2.2/§2.4/§2.6 给出的完整账目如下表（单位：patch 对）：

标记	提取	丢弃	人工置零（保留）	入集保留
ER	41,098	10,703	4,122	30,395
PR	38,914	13,943	2,872	24,971
Ki67	31,631	9,886	1,756	21,745
HER2	41,098	20,103	13,984	20,995
合计	152,741	54,635	22,734	98,106

注意最后一列与 92,769 的差：论文 §2.4 说「共 147,404 对受检」，147,404 − 54,635 = 92,769，与摘要的 185,538 ÷ 2 = 92,769 完全咬合；而 152,741（提取）− 147,404（受检）= 5,337 对提取后未进入受检流程，论文未解释这批对的去向（坑 4）。成稿主口径取 92,769 对/185,538 张——这是唯一精确自洽的数字；「约 9 万对」是官网与第三方的粗口径。另外要分清「丢弃」与「人工置零」：置零的 22,734 对保留在数据集里（带 0 标签），只有 54,635 对被真正剔除——论文特意保留墨水伪影等疑难样本，让模型学会把伪影判为阴性。丢弃率逐标记差异很大：HER2 最高（20,103/41,098 ≈ 48.9%），ER 最低（10,703/41,098 ≈ 26.0%）——HER2 的膜着色信号对伪影与配准误差最敏感。

2.2 patch 提取：为什么是 3000×3000、步长 1500

WSI 级刚体配准对相邻切片永远不够准——组织在两张玻璃片上的摆放形变是非刚体的。IHC4BC 的对策是三级流程：先在两张 WSI 上人工圈出对应的区域对（region-pairs），再对每个区域对逐对手工配准，最后在配准好的区域上以步长 1500 滑窗切出 3000×3000 的 patch 对。步长 1500 意味着相邻 patch 重叠 50%——同一组织会出现在多个 patch 里，这是漏斗里 15 万对提取量的直接来源，也是使用时必须按病人/区域分组的泄漏防线的根源（坑 7）。实验阶段每对 resize 到 1000×1000 再进模型。

2.3 图像命名与 CSV 标签结构：逐核定量藏在第三列以后

文件名形如 xxx_caseid_regionindex_rowindex_colindex.png：caseid 是病人唯一编号（示例 0_1010_11_1_2.png 即病人 1010、区域 11、该区域内第 1 行第 2 列的 patch）。caseid 是防止病人级泄漏的唯一钥匙——任何 train/test 划分必须按 caseid 分组。

标签 CSV 每行四段：

段	内容	语义
第 1 列	图名	对应一张 IHC patch（及配对 H&E patch）
第 2 列	人工标注	a=DAB 定量结果可靠；0=人工置零（保留）；d=已丢弃（对应图不上传）
第 3 列	H&E patch 核数	作 H-Score 或阳性百分比的分母——从 H&E 而非 IHC 图计数
第 4 列起	逐核 DAB 值序列	H-DAB 图内每个核的平均 DAB 通道值（0-1），数量不定

这张表是整个数据集的「原料层」：拿到手的研究者可以按自己的阈值重算 H-Score、百分比乃至 Allred 评分，而不必接受论文的固定分箱。论文实验用的核分层阈值（按平均 DAB 值把每核分为 0/1+/2+/3+）：Ki67 为 0.12/0.35/0.55，ER 为 0.06/0.26/0.46，PR 为 0.06/0.26/0.46——官网注明这些阈值「在专家病理学家看来对数据集图像工作良好」。

2.4 体量与分发形态

原始 PNG 体量近 2 TB，官方主通道是 pcloud 直链目录；Kaggle 压缩版 v1 为 39.07 GB（约 185,000 个文件，官网描述「roughly 50 GB」——官网粗口径与 Kaggle 页面精确值的出入见坑 5）；标签 CSV 在 GitLab 仓共数 GB。分发为「图像包+标签仓」分离设计：图像基本不动，标签持续修正——这决定了使用者必须记录标签拉取时点（坑 8）。

2.5 与 BCI、MIST 的构成对照（检索者常见混淆点）

维度	IHC4BC	BCI（库内 bci-ihc，rid 841）	MIST
任务	H&E → 分子状态（判别）	H&E → HER2 IHC 图像（翻译生成）	H&E → IHC 染色翻译
标记	ER/PR/HER2/Ki67 四套	仅 HER2	Ki67/ER/PR/HER2 四套
规模	92,769 对 patch	4,873 对（1,024²）	每标记约 4,100-4,600 对
团队	University of Alberta 等	北京邮电大学 MIC Group	—
标签	逐核 DAB 定量	WSI 级 HER2 等级（文件名携带）	配准图像对
许可	CC BY-NC-SA 4.0	自定义非商业条款	—

三者在「配对 H&E↔IHC」上共享生态位但互不可替代：做状态预测用 IHC4BC，做染色生成用 BCI/MIST。USIGAN（arXiv 2507.05843）这类虚拟染色工作甚至把 IHC4BC 反向用作生成基准——按其自行划分，Ki67 训练/测试 17,745/1,000、ER 26,395/1,000、PR 20,071/1,000、HER2 16,995/1,000（合计 85,206 对，与官方 92,769 的出入见坑 6）。

2.6 前分析控制：为什么这套 IHC 值得信任

分子预测数据集的隐藏质量层在切片制作——IHC 染色本身不可靠，下游一切定量都是空中楼阁。IHC4BC 的前分析控制四件套在论文 §2.1 全部写明：

控制项	内容	防的是什么
无冷缺血	活检组织取材后立即入福尔马林	抗原降解导致的假阴性
固定时长窗口	福尔马林 24-48 小时	固定不足（抗原弥散）或过度（抗原封闭）
载片阳性对照	每批 IHC 附对照组织	染色批次失败的静默漏检
阴性复测	肿瘤 ER/PR 阴性而内对照（正常乳腺导管）阳性时重复 IHC	把技术性阴性误当生物学阴性

配合验证过的抗体克隆（SP1/PgR 636/SP3/MIB-1）与全自动染色平台（Ventana Ultra、Dako Omnis），这套流程把「标签测的是生物学而非工艺噪声」的前提焊住了。对比之下，多数 TMA 路线研究无法追溯逐例的固定条件——这是 IHC4BC 在标签可靠性叙事里常被忽略但分量最重的一环。

2.7 伦理、匿名化与数据治理

论文 §2.6 末明确：数据集的构建与匿名化公开发布获 Health Ethics Board of Alberta 批准（批号 HREBA.CC-19-0347）。数据治理侧的事实：文件名只含数字索引（caseid/区域/行列），无日期、无解剖部位文字、无机构标识；DynaLIFE Medical Laboratory 参与扫描但其商业身份与数据许可解耦（许可条款只有 CC BY-NC-SA 4.0 一层，无附加使用协议）。对使用者而言，合规义务收敛为两条：署名引用论文、遵守 NC-SA。没有隐藏的 data use agreement——这在医学影像数据集里属于少见的高透明度。

2.8 一对 patch 的完整生命史

把一个 patch 对从组织到标签的一生走一遍，帮助建立具象认知。第 1 天（取材）：50 例穿刺活检中的一例取出，组织立即入福尔马林——无冷缺血，抗原构象保全。第 2-3 天（固定与包埋）：福尔马林浸泡 24-48 小时（窗口两端都有讲究），石蜡包埋，切成相邻的多张 4 微米切片。第 4 天（染色）：一张切染 H&E（形态学基准），相邻切片分别上 Ventana Ultra（ER-SP1、PR-PgR 636、HER2-SP3）或 Dako Omnis（Ki67-MIB-1）自动染色机，载片带阳性对照。第 5 天（扫描）：Aperio GT 450 以 40X 扫描，两张玻璃片变成两张 gigapixel WSI。第 6 天（配准）：标注员在两张 WSI 上圈出组织对应的区域对，逐对手工微调对齐——刚体变换不够，靠人眼。第 7 天（切片）：步长 1500 滑窗，区域对变成几十上百个 3000×3000 patch 对。第 8 天（定量）：StarDist 在 H-DAB patch 分割细胞核，颜色反卷积出每个核的 DAB 均值，写进 CSV；H&E patch 数出总核数。第 9 天（质检）：病理学家与一作逐对过目——伪影误导定量的标 d 丢弃，伪影可见但定量可救的标 0 保留，干净的标 a。此后（公开）：patch 对进 pcloud/Kaggle，CSV 进 GitLab 等待被 pull。九个环节里，任何一环失守（固定超时、染色失败、配准偏移、误切、误分割、误质检）都会在这对 patch 的标签里留痕——这就是为什么漏斗末端的 92,769 对每一对都过了七道关。

2.9 为什么相邻切片配对是「物理上限」

理想中的配对是同一张组织片先 H&E 后 IHC（去染重染），那样逐核对应完美。但去染重染不是标准流程、染色等效性存疑、且几乎无法核级对齐（论文引言的批判）。相邻切片（间隔约 4 微米）是临床现实里的最大公约数：同一细胞的两次「拍照」永远隔着几微米的组织深度——细胞在两张片里的位置天然有微小漂移。IHC4BC 不假装这个漂移不存在，而是把配准精度锚定在「区域级人工对齐 + patch 级容忍」：patch 内部不追求逐核配准，标签在 patch 级聚合（逐核 DAB 分布→H-Score/百分比）。理解了这个物理上限，就理解了为什么「逐核 DAB 序列」与「总核数」分属两个模态（§3.2），以及为什么下游做核级对应研究要先解决跨切片漂移。

§3 标签流水线：机器定量 + 人工三处置

3.1 为什么不用医生读片

病理读片标签的三种失效模式在引言里被逐一点名：其一，观察者间与观察者内变异——同一张片不同医生不同分，同一医生不同时间不同分；其二，序数量表精度粗——Allred 评分的 5 分涵盖 66%-100% 的阳性核比例区间，监督信号天然模糊；其三，同质区域偏置——先圈出同质阳性/阴性区域再取对应 H&E 区域的做法（Anand、Liu 等的路线）会系统性丢弃表达异质的区域，而 PR 和 Ki67 恰恰异质高发。IHC4BC 的回答是把标签变成测量：每个 patch 的每个核都有一个 DAB 光密度均值，标签是连续量的集合而非一次目测评分。

3.2 三步定量：分割 → 反卷积 → 逐核记录

第一步核分割：StarDist 在 H-DAB patch 上分割细胞核。第二步颜色反卷积：用 Ruifrok 经典方法把 RGB 分解出棕色 DAB 通道，取每个核内 DAB 通道均值。第三步逐核记录：把每个核的平均 DAB 值写进 CSV——H-Score（0-300 = 弱染核百分比×100 + 中染核百分比×200 + 强染核百分比×300）、阳性百分比、Allred 评分都可由此重算。

管线里有一个关键的不对称设计：分母从 H&E 来。百分比分母是总核数，而 StarDist 在 H-DAB 的苏木精通道上容易漏掉阴性核、把伪影误当核（论文补充材料图 S2 实证），在 H&E 的苏木精通道上分割可靠得多。于是总核数在 H&E patch 上计数、阳性核在 IHC patch 上计数——两个模态各取所长。代价是跨模态并非逐核配准：第 3 列的总核数与第 4 列起的逐核序列之间没有一一对应关系（坑 2 的根源之一）。

3.3 人工三处置：a、0、d 的语义

定量管线会因几类输入失效：失焦非组织伪影、手术标记墨水（绿/黄/红棕色）、配准不良、组织在一侧缺失、含铁血黄素与黑色素等内源性棕色色素。一名专家病理学家（论文四作）与一作（非专家）配对，对全部 147,404 对做穷举式人工检查——不是抽检。处置三分类：

• a（接受）：DAB 定量结果看起来可靠，原样保留；
• 0（人工置零）：伪影被自动管线误判为阳性信号、但全片确无真实阳性核——图像保留、H-Score 标 0。论文特意不丢弃这批样本（ER 4,122/PR 2,872/Ki67 1,756/HER2 13,984 对），理由是让模型见过这些临床真实存在的坑；
• d（丢弃）：配准不良、组织缺失、真实阳性核与假阳性信号混杂到无法保证 H-Score 可靠、棕色内源色素——54,635 对因此出局。

3.4 HER2 特殊通道

HER2 的 DAB 信号是膜着色而非核着色，逐核定量范式不直接适用。论文的处理：2+（等效）病例整例不进数据集（等效判读观察者间重复性差、且临床需 ISH/FISH 复检）；WSI 级标签取病理读片结果，0/1+ 归阴、3+ 归阳；patch 级正标签的条件是「patch 内存在任何 3+ 模式且对应区域在 H&E 中存在」——逐对检查逐对确认。因此 HER2 子集的「标签置信」与 ER/PR/Ki67 的定量置信是两种性质，混用时需注意（坑 2）。

3.5 自曝的方法论局限

论文讨论节明说：H-Score 计算时未区分肿瘤核与非肿瘤核——多数非肿瘤核对 ER/PR/Ki67 是阴性的，因此数值比「只算肿瘤细胞」的口径系统性偏低。作者选择这个口径是刻意模仿某些商业分子检测（PCR 类）无法完全排除非肿瘤细胞的现实；数据集公开后，研究者完全可以用分类器先剔非肿瘤核再重算。这是数据集「原料层」设计的直接红利：标签争议可以事后重算，不必回炉重标。

3.6 白背景与采样卫生

白背景 patch（无组织）大部分被丢弃，但每个区域刻意保留少量——让模型学会把空白判为阴性而非崩溃。数据增强用 ±10% 饱和与色相抖动、±180° 随机旋转；验证集取每张训练 WSI 的一个标注区域的全部 patch（或 CLAM 侧随机 5 张 WSI），按 WSI 级 90/10 划分训练/测试保证 patch 级无泄漏；类别过偏的随机划分被直接弃用。

3.7 核分割选型：为什么是 StarDist

论文没有做分割器对比实验，但选型逻辑可从文中线索拼出。StarDist（Weigert 等，WACV 2020）是 2020 年前后病理核分割的事实标准：星凸多边形参数化对密集接触的核分割特别稳、推理快、在 H&E 苏木精通道上表现成熟。论文的实证观察（补充图 S2）：同一分割器在 H-DAB 上会漏检阴性核、把墨水/色素误检为核——这不是 StarDist 的缺陷，而是 H-DAB 模态本身对分割不友好（棕色阳性信号会吞噬核边界、DAB 沉积改变核形态）。结论落到管线设计：分割器固定为 StarDist，模态选择 H&E 侧计数。对使用者的启示：若用更新的分割模型（Cellpose、HoVer-Net、基础模型分割头）重新计数，H-Score 会整体移动——CSV 保留逐核原值正是为了让这种重算不必回炉。

3.8 与临床评分体系的关系

CSV 的原料层可以重算三类临床评分，但各有口径差异要明白。H-Score（0-300）：论文主口径，弱/中/强三档按 100/200/300 加权——CSV 直接支持，阈值自定（论文用 ER/PR 0.06/0.26/0.46）。Ki67 阳性百分比：阳性核数/总核数，分母口径是关键分歧（全核 vs 肿瘤核——IHC4BC 用全核，临床指南多用肿瘤区热点的肿瘤核，两者数值不可直接对表）。Allred 评分：比例分（0-5）+ 强度分（0-3）的 8 分制——可由 CSV 离散化近似，但 Allred 的比例档位粗（0/1%=1 分、1-10%=2 分…），信息损失大，作回归目标不如连续值。一句话：原料层向下兼容临床评分，临床评分反向不了原料层——这也是「发测量不发评分」设计理念的价值。

§4 领域坐标：三条前人路线与 IHC4BC 的位置

4.1 路线一：同质区域圈选（Anand/Liu 路线）

Anand 等（J Pathol Inform 2020）与 Liu 等（Front Mol Biosci 2020）的做法是在 HER2 或 Ki67 染色的 WSI 上人工圈出同质的阳性/阴性区域，把 H&E 侧对应区域当作正/负样本训练。这条路的问题在 §3.1 已述：PR 和 Ki67 的高异质表达区会被整体丢弃，数据天然偏向「好认的」组织。IHC4BC 不圈同质区，配准对里的每个 patch 都带逐核测量——异质性本身被保留在数据里。

4.2 路线二：TMA 芯批量预测（Shamai/Rawat 路线）

Rawat 等（Sci Rep 2020）自监督训练特征提取器后在约 1000 个 TMA 芯上预测 ER/PR/HER2，slide 级 AUC 分别 0.89/0.81/0.79；Shamai 等（JAMA Netw Open 2019）用约 5000 个 TMA 芯做激素状态，AUC 到 85-88。TMA 路线的天花板是样本量：芯是工厂化生产的但总量有限，且 TMA 取点代表性受质疑。IHC4BC 用全切片穿刺活检，每标记 2 万-2.6 万个 patch 实例，规模高出 4-5 倍，组织多样性也远超 TMA 阵列。

4.3 路线三：虚拟染色与去染重染（Zeng/Jackson 路线）

Zeng 等（MICCAI 2022）配准 H&E 与 H-DAB 图像后用棕色像素占比估计阳性百分比，训练 CycleGAN 类虚拟染色器——但其百分比标签本身不可靠（棕色像素≠阳性核），且只用 SSIM/PSNR 这类视觉指标评估。Jackson 等（Mod Pathol 2020）的去染重染路线（12 对 WSI 预测 SOX10）能做到核级标签，但去染重染不是标准流程、染色等效性需验证，且核级完美配准近乎不可能。IHC4BC 走第三条路：保留相邻切片配对的物理现实，承认刚体配准的极限，用区域级手工配准+穷举质检兜底。

4.4 结果坐标：80% → 90% 的那十个点

Cifci 综述口径下领域均值约 80% AUC，此前 PR/Ki67/HER2 最好约 85%、ER 略高。IHC4BC 的 ViT 灰区协议把四个标记推到约 90%——论文把这十个点的增益归因于「规模 + 标签质量」双因子，并明说这可能仍不是上限：部分 split 的性能下滑提示 231 对 WSI 的组织多样性仍不够，扩数据集依旧有边际收益。同时论文用 CLAM 的全线失效提醒读者：弱监督路线在分子预测任务上并不因数据变大而自动翻身（与 Laleh 等 2022 的基准结论一致）。

4.5 前人研究数字对照总表（论文引言口径）

研究	任务/标记	数据规模	最好 AUC/性能	路线
Anand 等 2020	HER2 状态	同质区域圈选 WSI	—	区域迁移
Liu 等 2020	Ki67 阳性核	同质区域圈选 WSI	—	区域迁移
Rawat 等 2020	ER/PR/HER2	约 1,000 TMA 芯	0.89/0.81/0.79（slide 级）	自监督特征+分类
Shamai 等 2019	激素状态	约 5,000 TMA 芯	最高 88（ER）	TMA 分类
Shamai 等 2022	PD-L1/PD-1	约 5,000 TMA 芯	90/85	TMA 分类
Zeng 等 2022	PR 虚拟染色	配准 H&E-H-DAB	SSIM/PSNR（视觉指标）	CycleGAN 染色
Jackson 等 2020	SOX10	12 对去染重染 WSI	约 90（核级）	去染重染
Qu 等 2021	基因突变/CNA	乳腺癌 WSI	68-85	基因预测
Höhne 等 2021	BRAF/NTRK	甲状腺多队列 WSI	75-85	slide 级弱标签
He 等 2020	空间转录组	>30K H&E 区域	多数 70-80	空转配对
IHC4BC 2023/2025	Ki67/ER/PR/HER2	92,769 配对 patch	约 90（四标记）	配准 patch + DAB 定量

这张表的信息密度在于最后一列：三条老路线的瓶颈各不相同（异质区丢失/TMA 量级/染色等效性），IHC4BC 用「配准 patch + 逐核定量」同时绕开三者。

4.6 可比性边界：为什么这些 AUC 不能直接横比

把表里的数字并排看是诱惑，直接横比是错误。四处不可比：其一，任务粒度——Rawat/Shamai 是 slide 级（一张 TMA 芯一个预测），IHC4BC 是 patch 级，slide 级聚合通常平滑误差、指标系统性偏好不同；其二，标签口径——TMA 路线用病理读片标签，IHC4BC 用图像分析标签，「阳性」的定义不同，AUC 高低不构成方法优劣的证明；其三，阈值选择——IHC4BC 的 90% 是灰区协议下的多阈值带（5/10/15/20 等），别人家的 85% 可能是单阈值中位数二分，灰区把最难的样本摘出了考场；其四，数据分布——TMA 芯取自肿瘤热点，IHC4BC patch 含大量间质/正常区，类先验和难度分布不同。正确的横比姿势：同一数据集上重跑多方法（IHC4BC 支持这种重跑，这正是它的设计目的），而不是跨数据集比论文数字。

4.7 HER2 为什么是最难的标记

四标记的丢弃率梯度（ER 26% → HER2 48.9%，附录 F）背后是染色物理。核着色标记（ER/PR/Ki67）的 DAB 信号局限在核内——分割出核、量核内棕色密度，范式干净。HER2 的信号在细胞膜——环形/新月形的棕色描边包着未染色的核，StarDist 的核分割与膜信号的对应天然错位；加之 HER2 表达在病例间两极分化（0 与 3+ 为主）、肿瘤内异质性高，patch 级「存在任何 3+ 模式即正」的标签让正负 patch 在形态学上可能只差几个细胞膜。这解释了三件事：为什么 HER2 的置零对最多（13,984，占置零总量 61.5%）；为什么作者干脆把 2+ 整例砍掉；为什么 HER2 的 WSI 对最少（52）却贡献了最多的质检工作量。做 HER2 子集研究时，把「它是最脏也最难得的 20,995 对」当成先验。

§5 基线与评估：90% AUC 的来龙去脉

5.1 模型结构：ResNet-18 + 多头自注意力

强监督管线按四步组装：3K patch resize 到 1K；1K 图切成 4×4 网格（每格 250×250）；每格经 ResNet-18 得 512×8×8 特征体，拼接成 512×32×32；再过一层多头自注意力（ViT 式）与线性分类头。弱监督对照是 CLAM（Lu 等，Nature Biomedical Engineering 2021）——直接吃 WSI 级标签。训练用 AdamW（开 AMSGrad），学习率 1e-4 与 1e-5 两档，按验证 AUC 挑 checkpoint；每个标记跑 5 个随机划分。

5.2 标签协议：累加 logit 与灰区

连续标签（Ki67 百分比、ER/PR H-Score）不做回归，而是用累加 logit（cumulative logits）协议离散化：给阈值 T1<T2<…<TM，每个阈值训练一个「低于/高于」二分类器。这个协议有个天然软肋——阈值附近 ±ε 的样本被强行分到两侧。论文 therefore 对比两种设置：

• 无灰区：每个阈值直接二分，阈值附近样本参与训练；
• 有灰区：分类器 1 判「低于 T1 还是高于 T2」，跳过 T1-T2 之间的样本——灰区样本不训练也不误判。

阈值取值：Ki67 百分比 5/10/15/20；ER/PR H-Score 30/60/90。弱监督 CLAM 的 WSI 级标签用中位数二分：Ki67 百分比 3.82、ER H-Score 42.61、PR H-Score 7.373；HER2 直接按 WSI 读片 0/1+ vs 3+。

5.3 结果一：灰区是性能开关

最佳设置（ViT + 灰区，HER2 对应「high vs low」划分）达到接近或超过 90% 的 AUC；去掉灰区，性能大幅跳水——阈值附近 ±ε 样本的标签翻转足以显著伤害分类器。这组对照对任何打算用连续病理标签离散训练的团队都是直接可操作的结论：不要让阈值附近的样本硬站队。HER2 是唯一的天然二分类（不存在灰区问题），其「ViT high vs low」设置与 ER/PR/Ki67 的灰区设置性能相当。

5.4 结果二：弱监督 CLAM 全线失效

在四个标记上，CLAM 的 WSI 级二分性能都显著低于 patch 级强监督管线——弱监督学习对 ER/PR/Ki67/HER2 状态预测不有效。这与 Laleh 等（Med Image Anal 2022）对弱监督管线的基准结论一致：WSI 级标签太粗，分子表达信息在聚合中被稀释。对数据集使用者的含义：IHC4BC 的价值主要兑现在 patch 级强监督（或逐核弱标签创新）上，拿 WSI 级标签跑 MIL 基线大概率复现「失效」而非「惊喜」。

5.5 结果三：高 AUC 不等于看对了地方

论文的可解释性实验是全文最有信息量的负结果。两种热图：CLAM 用滑窗注意力图（256 窗口、步长 10）；ViT 管线无显式注意力，用白窗遮挡法（50×50 白块、步长 10）测输出敏感度。对照图 8 与补充图 S5-S7 的结论：尽管 AUC 约 90%，两类模型都无法把注意力对准 IHC 图里真正 3+ 阳性的组织区域——CLAM 会错误关注阴性区域或组织边界（与 Laleh 等观察一致），ViT 的热图则趋于均匀（作者推测其管线天然利用全局上下文）。作者据此提出：评估应引入「定位质量」指标——例如热图与对应 H-DAB 图 DAB 通道的刚体不变「接近度」——并把它作为未来训练目标。对可解释 AI 研究者，这批热图与逐核 DAB 真值构成一个现成的「注意力对错」标注集。

5.6 划分卫生与泛化边界

每标记 5 个划分、按 WSI 90/10 切分（patch 随 WSI 走，无病人泄漏）、验证集按区域取。部分 split 的 AUC 下滑被作者归因于 231 对 WSI 的组织类型覆盖有限——测试集里出现训练集没见过的组织类型。换言之，90% 是「平均最好设置」的口径而非下界；使用者在自建划分时应报告分布而不是单点，并优先按 caseid 分组（坑 7）。

5.7 复现骨架（论文口径的伪代码）

# 论文 §2.7-2.9 管线骨架（示意）
def ihc4bc_baseline(patches, labels, thresholds):
    # patches: (N, 3000, 3000, 3) H&E；resize -> (N, 1000, 1000, 3)
    x = resize(patches, (1000, 1000))
    grid = split_grid(x, rows=4, cols=4, cell=250)          # 4x4 网格
    feats = concat([resnet18(cell) for cell in grid])        # -> (512, 32, 32)
    logits = mhsa_linear_head(feats)                          # ViT 式头
    # 累加 logit + 灰区：阈值两侧留白
    tasks = []
    for t_low, t_high in pairwise(thresholds):               # 如 ER: 30/60/90
        tasks.append(binary_task(x, y_low=labels < t_low,
                                     y_high=labels > t_high))  # 灰区样本跳过
    train(tasks, optimizer=AdamW(amsgrad=True),
          lr=[1e-4, 1e-5], augment=sat_hue_jitter(0.1) + rotation(180))
    return pick_best_by_val_auc(tasks)

5.8 五划分与实验卫生清单

论文实验的卫生细节，复现者逐条对照：划分单位——WSI 级 90/10，patch 随 WSI 走，杜绝 50% 重叠 patch 跨集；划分次数——每标记 5 个随机划分，结果以「划分间分布」呈现（论文用箱线图），不是单点；验证集——强监督侧从每张训练 WSI 抽一个标注区域的全部 patch，弱监督侧随机 5 张 WSI；类别偏斜防御——随机划分若导致某类实例缺失，该划分弃用重抽（论文明说）；checkpoint 选择——两个学习率各训一遍，取验证 AUC 最高者，避免测试集调参；增强策略——训练时 ±10% 饱和/色相与 ±180° 旋转，测试时不增强。对照这些细节，可以解释很多「复现值低于论文值」的案例：最常见的坑是单划分单点对比与 patch 级随机划分。

§6 获取与许可：三通道三种门

6.1 三条下载路线

通道	内容	体量	注意事项
pcloud 直链	原图 PNG 全集（https://filedn.com/laHPyhQ5wAHBUyNr64yhV0Q/IHC4BC_Dataset/）	近 2 TB	下载配额从上传者与下载者双向扣除、每月重置；配额不足时官网建议注册 pcloud 免费账户，仍不足则付费——官网明示「不保证可行，付费前自查」（坑 5）
Kaggle 压缩版	akbarnejad1991/ihc4bc-compressed（Images + Labels 目录树）	v1 共 39.07 GB（约 185,000 文件）	Kaggle 页 license 字段为 Unknown，许可以官网 CC BY-NC-SA 4.0 为准（坑 6）；官网粗说约 50 GB
GitLab 标签仓	gitlab.com/ihc4bc-dataset/labels（CSV 全集）	数 GB	活仓：官方会修正/增补标签，官网原话「请频繁 pull 以获取最新版」——引用必须注明拉取时点（坑 8）

实操建议：先拉 GitLab 标签仓（小、快、决定你能用什么），再决定图像走 Kaggle（绝大多数场景够用）还是 pcloud（需要原生 3000×3000 时）。无 Zenodo/HuggingFace 官方托管；沙箱环境引用 HuggingFace 资源一律走 hf-mirror.com 镜像（本数据集当前无官方 HF 仓库）。

6.2 许可边界：CC BY-NC-SA 4.0 意味着什么

官网明示数据许可为 CC BY-NC-SA 4.0：署名（引用论文）、非商业（商用需另行授权，CC 不自动授予）、相同方式共享（衍生数据集须以同款许可发布）。三点边界：其一，论文本体是另一回事——arXiv 页脚为 CC BY-NC-ND 4.0、正式版 © 2025 Wolters Kluwer，引用论文不等于获得数据许可；其二，Kaggle 压缩版页面 license 字段缺失（Unknown），不构成许可变更，别拿它当「许可不明可商用」的借口；其三，官网 Citation 节要求使用数据集必须引用论文——这不是许可条款但是学术义务。伦理与隐私侧：数据经匿名化，公开发布获 Health Ethics Board of Alberta 批准（HREBA.CC-19-0347）；问题反馈邮箱 ah8 [at] ualberta [dot] ca。

6.3 AI-Ready 评估：原料层设计的得失

IHC4BC 的 AI-Ready 成色取决于你站在哪一层看。**原料层（逐核 DAB CSV）**是教科书级的：连续量标签可重算、可自定义阈值、可扩展新标记定义——这比绝大多数「patch+固定标签」数据集的可用性高一个档次。工程层则明显偏弱：2 TB 依赖 pcloud 个人目录直链（配额机制+无断点续传保障）、标签无版本号、无官方加载脚本/数据卡片、无 Zenodo/HF 的 DOI 存档。综合看是「科学上 AI-ready、工程上半手工」的典型——下载数据的工程成本由使用者自担。

6.4 下载后完整性校验

拿到手先做四步体检，再开训练。步 1（标签侧）：统计 CSV 的 a/0/d 行数——a+0 应在 92,769 上下浮动（标签活仓会微调），若 d 行比例异常升高说明拉到了中间状态。步 2（图像侧）：Kaggle 版核对文件数（约 18.5 万）与目录树（Images/Labels 两大分支）；抽 20 个文件名核对其 CSV 行存在且处置非 d。步 3（键对齐）：随机抽 50 个 caseid，确认图像键（caseid_region_row_col）与 CSV 键可互相解析——两仓分离设计下版本错位的风险点就在这里。步 4（分布快照）：立即算一版逐标记 H-Score 分布并连同 GitLab commit hash 存档——三个月后任何人质疑你的数字，你都能回答「我的标签快照是哪一天」。

§7 生态与影响：从预印本到正式发表的两年半

7.1 时间线全景

• 2022 年：50 例活检采集与扫描（论文正文口径）；
• 2023-08-03：arXiv:2308.01982 v1 上线（标题 Predicting…，模板标注投稿目标 Modern Pathology），官网 ihc4bc.github.io 同步开放，pcloud/Kaggle/GitLab 三通道发布；
• 2024-01-08：期刊收稿（PubMed 收稿记录）；
• 2025-03-04：接收；2025-03-27：epub 上线；
• 2025-05-01：正式卷期 Appl Immunohistochem Mol Morphol 33(3):131-141，DOI 10.1097/PAI.0000000000001258，PMID 40143808；
• 标签 GitLab 仓持续滚动更新（无公开 tag 记录）。

投稿目标（Modern Pathology）与最终发表期刊（AIMM）不一致——引用时以 AIMM 为准，预印本标题与正式版标题亦有措辞差异（坑 1、坑 2）。

7.2 第三方使用实录

可查证的下游使用分三类。虚拟染色基准化：USIGAN（arXiv 2507.05843）把 IHC4BC 与 MIST 并列为配对 H&E-IHC 生成基准，其表 I 给出按自行划分的逐标记 train/test 对数（合计 85,206 对）——注意这是第三方口径而非官方 split（坑 6）。预测方法综述定位：Frontiers in Oncology 2026（doi:10.3389/fonc.2026.1867968）在方法对比表中引作「Akbarnejad et al., 2025」，概括其方法为 ViT + GPEX、并指出其依赖数学阈值离散化、丢弃了连续临床变异——GPEX 是一作自己的可解释性框架（NeurIPS 2023，Hosseini Akbarnejad/Bigras/Ray），arXiv v1 全文并未出现 GPEX，应为正式版或后续工作引入（存照，见 §7.3）。数据集本身的口碑：Kaggle 压缩版页面上万次浏览、6,200+ 下载（2026-10 抓取口径），是乳腺癌分子预测方向引用率最高的公开 patch 级资源之一。

7.3 GPEX 侧记：从数据集到可解释框架

一作 Akbarnejad 的学术轨迹值得单列：2021 年 arXiv:2112.09820 提出 GPEX（Gaussian Process Explanation，解释神经网络的框架）；2023 年 GPEX 正式发表于 NeurIPS（Adv Neur Inf Process Syst 36:64181-64192）；正式版论文的作者列表与 IHC4BC 完全一致。Frontiers 2026 的转述口径说明：IHC4BC 团队后续把「预测性能」与「可解释性」两条线合流——这正好呼应 §5.5 的负结果：90% AUC 的模型看不对地方，需要专门的解释框架来审问。检索者若看到「IHC4BC + GPEX」的组合出处，来源大概率是正式版或 2025 年后的引用文献，而非 arXiv v1。

7.4 生态位：判别侧的规模天花板

在「H&E 预测乳腺癌分子信息」这个赛道上，IHC4BC 的生态位是公开可下载的规模天花板：TMA 路线千级、弱监督路线千级 WSI、配对 patch 路线此前千级——92,769 对的体量让「数据不够」不再是这个方向的第一借口。生成侧的对应角色由 BCI（bci-ihc，rid 841）与 MIST 扮演：两者任务不同但共享「配对 H&E↔IHC」基础设施属性，四个数据集合起来构成乳腺癌虚拟病理的完整工具箱。

7.5 库内生态互补矩阵

能力维度	首选库内条目	IHC4BC 的角色
H&E→分子状态（判别）	IHC4BC 本尊（四标记 92,769 对）	提供任务与数据
H&E→HER2 状态（小规模对照）	herohe(318)	规模与方法对照
H&E→IHC 图像生成	bci-ihc(841)/MIST	反向基准（USIGAN 用法）
形态学分级/分类	bracs(138)/breastpathq(268)	分子维度扩展
区域/像素分割	bcss(258)	标签范式对照（图像分析 vs 人工掩码）
核级分割与检测	consep(228)/monusac(651)/midog(298)	标签管线的技术同源层
大规模转移检测	camelyon16(694)/camelyon17(699)	patch 级标注传统源头
标签质量方法论	panda-plus(640)	两条工艺路线互证

矩阵的用法：从任何一格进来，IHC4BC 都能在「分子标签」维度补上该条目缺的那块——反之亦然。这是把它放进库内的结构理由：不是多一条乳腺癌数据，而是补全「形态学↔分子」这一整条轴。

7.6 引用与被引检索指南

引它：正式版 DOI 10.1097/PAI.0000000000001258（附录 M 有 BibTeX）；数据集本体加注官网 URL 与标签拉取时点。找谁引了它：三条路径——PubMed 的「Cited by」（按 PMID 40143808）；Google Scholar 按正式版标题与预印本标题分别搜（两版标题不同，单搜漏一半，坑 1）；arXiv 的引用索引（2308.01982）。搜它的别名：IHC4BC、IHC4BC dataset、ImmunoHistoChemistry for Breast Cancer、「H&E predict Ki67 ER PR HER2」组合词——注意最后这类组合词会同时捞到 BCI/MIST/HeroHe，需按 §2.5 的对照表甄别。

§8 方法学启示：三条可迁移的经验

8.1 测量替代读片：标签工艺的范式价值

把「医生看一眼给分」换成「算法逐核测量+医生质检」，本质是把标注成本从「专家时间×样本量」改写为「专家时间×质检量」。IHC4BC 证明这条路线在病理形态学-分子标签场景可扩展到 9 万对量级。可迁移条件有三：标签空间存在客观物理测量（此处是 DAB 光密度）；测量失败的样本能被人工快速识别（a/0/d 三处置只需数秒级判断）；保留测量明细（逐核序列）而非只发最终标签。

8.2 故意保留脏样本：伪影的教材价值

墨水、失焦、色素——这些临床真实存在的脏样本没有一丢了之，而是「置零保留」，让模型在训练时见过伪影长什么样。这与许多数据集「洗净了再发布」的洁癖相反。代价是使用者必须理解 a/0/d 语义（坑 2），收益是模型对真实切片的鲁棒性。任何标注流水线设计者都值得抄这一条：丢弃是最后手段，置零保留是教学素材。

8.3 灰区协议：连续标签离散化的通用解

阈值附近 ±ε 样本的标签翻转能把分类器打回原形（§5.3 的性能跳水）。累加 logit + 灰区的组合是通用解：任何「连续生物测量 → 离散分类监督」的场景（血糖、血压、肿瘤负荷、评分量表）都适用。IHC4BC 用四标记 × 5 划分的一致结论把这条例从「直觉」升格为「实证」。

8.4 第四条经验：负结果的数据集价值

多数数据集论文只卖正结果，IHC4BC 把两个负结果写进标题级贡献：弱监督不有效、高 AUC 不等于会看地方。这两个负结果恰恰是数据集设计者才能给出的——只有拿到了「逐核真值」的人，才有资格宣布「模型的热图没对准」，因为只有你有参照系。对数据集作者群体的启示：你手里被浪费的负结果，可能是社区最稀缺的资源。审稿人问「为什么数据集论文要花两节讲失败」时，IHC4BC 的引用轨迹就是答案。

8.5 给后来者的流水线改造建议

站在 2026 年回看这条 2023 年的管线，有四处可以无损升级：其一，分割器从 StarDist 换成更新的核分割模型（Cellpose-SAM、HoVer-Net 系或病理基础模型分割头）——但保留逐核原值可重算的设计；其二，颜色反卷积可升级为监督式染色分离（如 stain-AI 模型），降低墨水/色素误判率，直接压缩 22,734 对置零样本的比例；其三，人工质检阶段可用「模型预筛+人审」两档替代纯人工穷举，147,404 对的质检成本可降一个量级；其四，发布侧补 Zenodo/HF 镜像与版本 tag——科学层已经满分，工程层欠的只是发布基建。这四条都不动「相邻切片配对+测量替代读片」的根，属于工艺迭代而非范式更换。

§9 与库内条目的关系

9.1 家族图谱

库内条目	rid	关系
bci-ihc	841	最近邻双子：同为配对 H&E↔IHC 乳腺癌数据集，任务相反——BCI 生成 IHC 图像（翻译），IHC4BC 预测分子状态（判别）；BCI 单 HER2 标记 4,873 对 vs IHC4BC 四标记 92,769 对
herohe	318	同任务先导：H&E→HER2 状态预测，单标记小规模——IHC4BC 的直接同类与规模对照
bci-competition-iv-2a	352	防混淆必链：那是脑电运动想象数据集（BCI=Brain-Computer Interface），与本条目（IHC=免疫组化）毫无关系
breastpathq	268	乳腺癌病理分级预测（H&E 形态学→等级），判别侧同门
bracs	138	乳腺癌 H&E 分类（七类别），形态学侧
bcss	258	乳腺癌 H&E 区域分割，像素级形态学侧
camelyon16	694	乳腺癌淋巴结转移检测（H&E 大规模 WSI），patch 级标注范式的另一源头
camelyon17	699	同上竞赛系列病人级任务
consep	228	核分割基准——IHC4BC 标签管线所用 StarDist 的同类任务
monusac	651	多器官核分割——核分割方法学对照
midog	298	有丝分裂检测——核级事件检测的近亲任务
panda-plus	640	方法论镜像：PANDA-PLUS 用「人工重标注」质疑切片级标签，IHC4BC 用「机器定量」绕开读片标签——两条不同的标签质量路线

9.2 检索路径建议

按任务找：做状态预测（分类）→ IHC4BC + herohe + breastpathq；做染色生成 → bci-ihc；做核分割/检测 → consep + monusac + midog；做大规模 WSI 转移检测 → camelyon16/17。按方法论找：标签质量工程 → panda-plus + IHC4BC（人工重标注 vs 机器定量两条路线对照）。按病种找：乳腺癌全景 → bracs + bcss + breastpathq + camelyon16/17 + bci-ihc + herohe + IHC4BC。

9.3 深度对照：IHC4BC vs bci-ihc vs herohe

三个乳腺癌 H&E-IHC 条目经常被并排检索，逐维拆开看差异与互补：

维度	IHC4BC（本条目）	bci-ihc（rid 841）	herohe（rid 318）
任务范式	patch 级状态预测（判别）	H&E→IHC 图像翻译（生成）	H&E→HER2 状态（判别）
标记覆盖	Ki67+ER+PR+HER2 四套	仅 HER2	仅 HER2
样本单元	3000×3000 配对 patch（重叠 50%）	1024×1024 配对 tile	patch/图像对
规模	92,769 对（185,538 张）	4,873 对（9,746 张）	千级
病人规模	50 例活检/231 对 WSI	51 例/51 对连续切片 WSI	未公开病人级口径
标签性质	逐核 DAB 定量 + 读片（HER2）	WSI 级 HER2 等级（文件名携带）	HER2 状态标签
标签工艺	机器定量+穷举人工质检	临床读片沿用	临床读片沿用
评估指标	AUC（分类）	PSNR/SSIM（生成）	AUC（分类）
团队/地区	University of Alberta 等（加拿大）	北京邮电大学 MIC Group	—
许可	CC BY-NC-SA 4.0	自定义非商业	—
配套基线	ViT 灰区管线+CLAM 对照	PyramidPix2pix+竞赛榜单	论文内基线
库内互补位	判别侧规模天花板	生成侧标准基准	判别侧单标记轻量入口

三者的关系是「一轴三点」：同一根「H&E↔IHC 配对」轴上，herohe 是轻量入口（单标记、上手快）、IHC4BC 是判别端重型装备（四标记、原料层标签）、bci-ihc 是生成端标准基准（竞赛检验、榜单成熟）。检索者按任务选入口，研究者三者连用可搭「预测-生成-对照」完整实验矩阵。

§10 避坑清单：十二个已踩过或必然踩的坑

坑 1：标题对不上。arXiv v1 标题是「Predicting Ki67, ER, PR, and HER2 Statuses from H&E-stained Breast Cancer Images」，正式版改为「Toward Accurate Deep Learning-Based Prediction of…」。按预印本标题在出版商平台检索会空手而归；按正式版标题搜预印本同样对不上。引用以 AIMM 正式版（doi:10.1097/PAI.0000000000001258）为准。

坑 2：标签语义三义性。CSV 第 2 列的 a/0/d 不是类别标签而是质检处置：a=定量可靠、0=人工置零（保留）、d=已丢弃（图像不上传）。把 0 当「类别 0」、把 a 当「类别 a」都是错读；HER2 的「阳性」另有定义（patch 内存在任何 3+ 模式），与 ER/PR/Ki67 的阈值二分不同源。用错语义的下游实验全部作废。

坑 3：与 BCI（bci-ihc）混淆。IHC4BC（判别：H&E→状态）与 BCI（生成：H&E→HER2 IHC 图像）都是「配对 H&E↔IHC 乳腺癌」数据集，检索「breast cancer paired H&E IHC dataset」两者都会出现。区分锚点：IHC4BC 是 Canadian 团队、四标记、92,769 对、官网 ihc4bc.github.io；BCI 是北邮团队、单 HER2、4,873 对、官网 bupt-ai-cz.github.io/BCI。

坑 4：5,337 对的账目缺口。论文提取 152,741 对、受检 147,404 对，差 5,337 对未说明去向；官网「~150K 提取、~60K 丢弃、~90K 入集」是三段粗口径。复算规模时以「147,404 受检 − 54,635 丢弃 = 92,769 入集（×2 = 185,538 张）」为主轴，别用 152,741 做入集基数。

坑 5：pcloud 配额陷阱。近 2 TB 原图在 pcloud，下载配额双向扣、每月重置，配额不足时官网建议开付费账户并明示「不保证可行，付费前自查」——别先付费后踩坑。绝大多数用途走 Kaggle 压缩版（39.07 GB）即可。

坑 6：第三方口径漂移。USIGAN 表 I 的逐标记 train/test 拆分（合计 85,206 对）是自行划分；Kaggle 页「roughly 90K pairs」与官网「~90K」是粗口径；「patch 1000×1000」是 resize 后口径（原生 3000×3000）。引用规模一律回到「92,769 对/185,538 张」官方精确口径并注明出处。

坑 7：patch 泄漏。步长 1500 的滑窗让相邻 patch 重叠 50%，同一病人（caseid）贡献大量重叠 patch。按 patch 随机划分 train/test 会把「同一张组织」同时塞进训练与测试集，AUC 虚高。正确做法：按 caseid（或至少按 WSI/区域）分组划分——论文自己的 5 个划分也是按 WSI 90/10 切的。

坑 8：标签漂移。GitLab 标签仓是活仓，官方会修正/增补标签，无版本号可锁。今天算的 H-Score 分布与三个月后可能不同。规范操作：记录 commit hash 与拉取日期，实验报告里写明标签快照时点。

坑 9：「官方 split」不存在。论文用每标记 5 个随机划分，但没有发布 split 文件——你拿不到和论文完全一样的划分。复现的诚实姿势：自己按 WSI 90/10 重抽 5 划分并报告分布，与论文数字比区间而非单点；把「复现值差 2 个点」当论文错误是 category mistake。

坑 10：五张表三种「对数」。提取对（152,741）、受检对（147,404）、入集对（92,769）、置零对（22,734，含在入集内）、USIGAN 第三方对（85,206）——五个数字各有所指。写论文引用前先对照附录 F 的口径表，确认自己引的是哪一列。

坑 11：GPEX 时代错置。把「ViT + GPEX」当成 arXiv v1（2023）的内容是时代错置——GPEX 发表于 NeurIPS 2023（v1 之后），v1 全文只有 ViT+多头注意力管线。引 GPEX 请引正式版或 NeurIPS 论文（arXiv:2112.09820 / Adv Neur Inf Process Syst 36）。

坑 12：pcloud 付费前不自查。官网反复警告付费配额「不保证可行」——有人先买 pcloud 会员再发现配额双向扣除机制下依然拉不动 2 TB。先 Kaggle 后 pcloud、先小额试拉再大额付费，是唯一理性顺序。

§11 总结

11.1 三句话总结

1. IHC4BC 把「H&E 预测乳腺癌四标记状态」的数据底座从千级 TMA 芯抬到 92,769 个逐质检的配对 patch（185,538 张图），标签从医生读片换成 StarDist+DAB 逐核定量加人工三处置，公开许可 CC BY-NC-SA 4.0。
2. 论文给的基准结论是三段式：ViT+灰区协议约 90% AUC（比领域均值高约 10 点）、弱监督 CLAM 四标记全失效、90% AUC 模型的热图照样看不对地方——规模和标签质量买来了判别力，但没自动买来可解释性。
3. 使用侧三个关键词：Kaggle 拿图（别碰 pcloud 配额坑）、GitLab 拿标签（记拉取时点）、caseid 分组划分（防 50% 重叠泄漏）。

11.2 适合谁

做 H&E 分子状态预测（分类/回归）的建模团队；研究标签工艺与标注流水线的方法学者；需要「逐核定量真值」做可解释性/注意力评估的 XAI 研究者；需要配对 H&E↔IHC 做跨模态预训练或染色调制的表征学习者；写乳腺癌数字病理综述的作者。

11.3 不适合谁

需要 HER2 等效（2+）判读研究的人——2+ 病例整例不在集内；需要像素级分割掩码的人——本集只有逐核测量与 patch 标签，没有掩码；商业产品训练——CC BY-NC-SA 禁止商业用途，需另行授权；期待现成 DataLoader/基准榜单的人——无官方加载脚本、无 leaderboard，工程自理。

11.4 30 秒决策卡

你要做什么	用不用	怎么用
训练四标记状态预测器	用	Kaggle 拿图+GitLab 拿标签，caseid 分组划分，灰区协议直接抄
复现/对比 90% AUC 基线	用	§5.7 骨架按论文超参复现，5 划分报告分布
做可解释性/注意力评估	用	热图对逐核 DAB 真值算定位误差——现成标注集
做虚拟染色/图像翻译	慎用	更对口的是 bci-ihc(841)/MIST；USIGAN 有第三方用法可参考
HER2 2+ 等效研究	不用	2+ 已整例排除，集内无此类样本
商业用途	不用	CC BY-NC-SA 禁止商用，联系作者另谈授权

FAQ（高频问答 34 问）

A. 基础认知

Q1：IHC4BC 里的「4」指什么？
四个 IHC 标记：Ki67、ER、PR、HER2——乳腺病理最常开的四张免疫组化化验单。数据集为每个标记各建一套与 H&E 配准的 patch 对。

Q2：它是分类数据集还是生成数据集？
判别（分类）。给 H&E patch，预测对应 IHC 检测的状态（Ki67 高/低、ER/PR H-Score 阈值两侧、HER2 阴/阳）。生成 IHC 图像（虚拟染色）请用 bci-ihc(841) 或 MIST。

Q3：一条样本长什么样？
一对 3000×3000 PNG（一张 H&E + 一张 H-DAB IHC）+ 一行 CSV（图名、a/0/d 质检处置、H&E 核总数、逐核 DAB 值序列）。不是「一张图一个 0/1 标签」——原料层是逐核连续测量。

Q4：数据是公开的吗？要申请吗？
公开直链，无需申请、无需注册审批。图像走 pcloud 或 Kaggle，标签走 GitLab。许可 CC BY-NC-SA 4.0 只约束用途（非商业）与衍生品（相同方式共享），不设访问门槛。

Q5：为什么说它「大」？大在哪？
此前 H&E→分子状态研究多为 TMA 芯路线（约 1000-5000 样本）。IHC4BC 有 92,769 个 patch 对（185,538 张图），每标记 2 万-2.6 万训练实例，且每个 patch 带逐核定量测量——规模与标签信息密度双高。

Q6：病人级规模呢？
50 例穿刺活检（2022 年）。patch 多不代表病人多——92,769 对 patch 全部来自这 50 例的 231 对 WSI。做病人级泛化结论时要清醒（坑 7）。

Q7：是单中心数据吗？
是。样本采集、IHC 染色（Ventana Ultra 与 Dako Omnis 平台）、扫描（Aperio GT 450）都在同一套前分析控制流程下（DynaLIFE Medical Laboratory，Edmonton）。单中心是可控性的来源，也是泛化性的边界。

B. 数据与获取

Q8：三个下载通道怎么选？
先 GitLab 拉标签 CSV（几 GB，决定你手里有什么）；再 Kaggle 拿压缩版图像（39.07 GB，绝大多数场景够用）；只在需要原生 3000×3000 PNG 时才碰 pcloud（近 2 TB，注意配额坑 5）。

Q9：pcloud 下载失败怎么办？
官网解释：配额从上传者与下载者双向扣、每月重置。失败时可注册 pcloud 免费账户拿基础配额；不够则付费——但官网原话「不保证这样做一定可行，付费前请自查」。稳妥路线始终是 Kaggle。

Q10：Kaggle 版和 pcloud 版内容一致吗？
内容同源（压缩 vs 原图），Kaggle 页标 v1 共 39.07 GB、约 18.5 万文件。注意 Kaggle 页 license 字段是 Unknown——那是元数据缺失，许可仍以官网 CC BY-NC-SA 4.0 为准（坑 6）。

Q11：标签会变吗？
会。官网明示「可能修正或增补标签，请频繁 pull」。GitLab 仓无版本 tag，引用时必须记录 commit hash 与拉取日期（坑 8）。

Q12：有 HuggingFace/Zenodo 镜像吗？
截至抓取时点无官方托管。第三方引用 HuggingFace 资源时（沙箱环境）一律走 hf-mirror.com 镜像。后续若官方上架 Zenodo/HF 属维护触发点。

Q13：图像是 raw WSI 吗？
不是。发布物是切好的 3000×3000 patch 对（相邻重叠 50%），不是原始 WSI 文件（.svs 等）。需要 WSI 级上下文的研究无法从本集重建原始全切片。

Q14：病人身份信息清理干净了吗？
论文声明匿名化公开发布获 Alberta 省卫生伦理委员会批准（HREBA.CC-19-0347）。文件名只含数字索引（caseid/区域/行列），无日期、无解剖部位文字描述。

C. 标签与任务

Q15：H-Score 怎么从 CSV 算出来？
第 3 列是 H&E patch 总核数（分母）；第 4 列起是 IHC patch 每个核的平均 DAB 值。按阈值把核分成弱/中/强（论文用值：Ki67 0.12/0.35/0.55、ER 与 PR 0.06/0.26/0.46），H-Score = 弱%×100 + 中%×200 + 强%×300（0-300）。

Q16：为什么分母从 H&E 数而分子从 IHC 数？
StarDist 在 H&E 的苏木精通道上分割更可靠；H-DAB 上易漏阴性核、误纳伪影。分母要准，所以从 H&E 数。代价：分子分母来自两个模态，非逐核对应（坑 2 的深层原因）。

Q17：a/0/d 到底怎么用？
只保留 a 和 0 的行（d 的图像根本不在下载包里）。a 行用逐核 DAB 值正常计算；0 行直接当零标签用（这些是墨水/伪影被误判但确无阳性核的「教材样本」）。把 a/0 当类别标签是典型错读。

Q18：HER2 为什么没有逐核定量？
HER2 信号是膜着色，逐核平均 DAB 的范式不匹配。HER2 标签是 WSI 级读片（0/1+ 阴、3+ 阳、2+ 排除）+ patch 级「存在任何 3+ 模式即正」。四个标记里它是唯一的读片系标签。

Q19：2+ 病例去哪了？
整例排除，不在数据集内。等效（equivocal）判读的观察者间重复性差、临床需 ISH/FISH 复检——作者选择不趟这浑水。HER2 等效研究请另找数据。

Q20：回归任务能做吗？
论文只做二分类，但 CSV 的连续量（逐核 DAB、H-Score、百分比）天然支持回归。后续工作（如 Elharouni 等 2024 的回归路线）已在此方向扩展；做回归时注意 H-Score 未剔除非肿瘤核的系统偏低（§3.5）。

D. 基线与复现

Q21：90% AUC 是哪个设置的数字？
ViT 管线 + 灰区累加 logit（HER2 对应 high vs low 设置），每标记 5 个划分，多数划分接近或超过 90%。去掉灰区性能大幅跳水；CLAM 弱监督全线失效。90% 不是单点而是分布。

Q22：灰区是什么？为什么重要？
阈值附近的样本（H-Score 在 T1-T2 之间）不参与任何「低于/高于」分类器的训练与判别。实证：灰区一拿掉，性能显著下降——阈值 ±ε 样本的标签翻转噪声足以毁掉分类器。做连续标签离散化时必抄这一招。

Q23：为什么我的划分只有 80%？
先查三件事：划分是否按 caseid/WSI 分组（patch 随机划分会泄漏虚高，不会解释偏低）；是否用了灰区；是否某划分的训练/测试组织类型分布失衡（论文自己也观察到部分 split 下滑并归因于 231 对 WSI 的多样性有限）。

Q24：模型结构必须用论文的 ViT 管线吗？
不必。论文管线（ResNet-18 网格特征+多头自注意力）是 2023 年的朴素强基线，本来就是给数据集「验货」用的。现代病理基础模型（UNI、Virchow 等）特征+线性探针是常见升级路线，但注意 CC BY-NC-SA 对衍生模型发布的约束。

Q25：热图定位实验能复现吗？
论文给了两种热图方法（CLAM 注意力滑窗、ViT 白窗遮挡敏感度）与结论（都无法对准阳性区域）。复现的加分项是定量指标：用 CSV 的逐核 DAB 通道生成「真值热图」，算模型热图与它的相关性/定位误差——作者在讨论里明确提议了这个方向。

E. 许可与合规

Q26：CC BY-NC-SA 4.0 具体约束什么？
署名（引用论文）、非商业（商用需另行授权）、相同方式共享（你的衍生数据集须同许可）。训练出的模型权重是否「衍生品」在 CC 框架下有争议空间——发布前建议咨询所在机构合规岗。

Q27：发论文时要引用什么？
官网 Citation 节的要求：引用论文（AIMM 正式版或 arXiv）。规范引法是正式版：Akbarnejad A, et al. Appl Immunohistochem Mol Morphol. 2025;33(3):131-141. doi:10.1097/PAI.0000000000001258。

Q28：能放进公司内部项目吗？
「非商业」边界以 NC 条款为准：内部研发若最终服务商业产品，大概率越界。稳妥做法：联系作者（ah8 [at] ualberta [dot] ca）书面确认或寻求商业授权。

F. 库内与生态

Q29：和 bci-ihc（BCI）什么关系？
任务互补的双子条目：BCI 做图像翻译（H&E→生成 HER2 IHC 图），IHC4BC 做状态预测（H&E→分子标签）。数据侧 BCI 单标记 4,873 对、IHC4BC 四标记 92,769 对。两站条目应互相内链。

Q30：检索「BCI 乳腺癌数据集」会搜到哪个？
大概率两者混出——BCI 有歧义（Brain-Computer Interface vs Breast Cancer Immunohistochemical）。库内 bci-competition-iv-2a(352) 是脑电数据集，三者的条目页都应有防混淆互链。

Q31：这个数据集填补了库内什么空白？
判别侧的「H&E→分子状态」此前只有 herohe(318)（单 HER2）；IHC4BC 一条补齐四标记且规模大一个量级。同时它把「机器定量标签」这条工艺路线带进库内（与 panda-plus 的人工重标注路线形成方法论对照）。

Q32：category_tags 为什么这样选？
医学影像/病理图像（模态层）、图像分类（任务层）、评测基准（自带基线与 5 划分协议）、乳腺癌/肿瘤学（病种层）——六个全在受控词表内，覆盖检索者可能从模态、任务、病种三个方向进来的路径。

Q33：后续更新盯什么？
三个触发点：GitLab 标签仓打 tag 或大版本修正（影响已发布数字）；官方上架 Zenodo/HF（影响获取章节）；正式版论文若开放获取（影响引用页码与许可栏）。

Q34：一句话卖点是什么？
「把 H&E 预测乳腺癌分子标志物的数据底座从千级抬到 9 万对，标签从读片换成测量，并诚实地告诉你：90% AUC 的模型其实没看对地方。」

G. 深水区

Q35：92,769 和 98,106 差在哪？
98,106 = 提取 152,741 − 丢弃 54,635（若所有提取对都受检的假想数）；92,769 = 受检 147,404 − 丢弃 54,635（论文实际口径）。差值 5,337 对提取了但未进入受检流程，论文没解释（坑 4/坑 10）。引用用 92,769。

Q36：想做核级 H&E↔IHC 配准怎么办？
本数据集只在区域级保证对齐，patch 内核级对应有跨切片漂移。可行方向：以逐核 DAB 序列的分布特征（而非单核一一对应）做弱对齐评估；或用弹性配准算法在 patch 内做核级软对应并量化误差。论文明确没有解决这个问题。

Q37：CSV 为什么没有现成的 H-Score 列？
因为「原料层」哲学——H-Score 依赖阈值选择（弱/中/强的 DAB 切点），论文给的阈值是作者选择而非唯一真理。发逐核测量让你自己算，比发一个锁死阈值的分数科学得多。代价是你必须读 §3/Q15 的计算方法。

Q38：论文讨论里说「roughly 240 WSIs」，精确数不是 231 吗？
231 是四标记 WSI 对的精确和（59+60+60+52）；「约 240」是作者的口语化表述（50 例活检产出的全部 WSI 对上下文）。精确口径 231。

Q39：Ki67 的 3.82 是什么数？
全体 Ki67 patch 阳性百分比的中位数——CLAM 弱监督实验用来做 WSI 级中位数二分的切点。它与灰区阈值（5/10/15/20）是两套体系：前者给 WSI 级弱标签，后者给 patch 级强标签任务。

Q40：白背景 patch 有什么用？
每个区域保留的少量空白 patch 是「负样本教材」：模型学会把无组织区域判为阴性而不是输出随机值。丢掉它们模型会在纯背景 patch 上给出不可预测的输出——临床部署时这是真实风险。

Q41：pcloud 直链打不开了怎么办？
先确认不是配额问题（官网机制：双向扣、月重置）；再确认链接格式未被官网更新（以 ihc4bc.github.io 的 Download Images 按钮当前指向为准）。长期失效属维护触发点（附录 L），本条目将改标 pcloud 为历史通道。

Q42：沙箱/受限网络里怎么下载？
Kaggle 需账号与 API token；GitLab 直连一般可达；pcloud 在受限网络常不稳定。若引用 HuggingFace 上的第三方衍生资源（非官方托管），一律走 hf-mirror.com 镜像域。下载校验按 §6.4 四步走。

Q43：为什么作者要把置零样本留在集里？
「让模型见过临床的坑」——墨水、失焦、色素在真实切片里必然出现，训练集里没有它们，部署时模型就会在这些区域输出不可信的预测。置零保留是鲁棒性设计（§8.2）。

Q44：数据集会和 AIMM 论文版权冲突吗？
不会。数据许可（CC BY-NC-SA）与论文版权（Wolters Kluwer）是两个客体：用数据集受前者约束，引用论文文字/图表受后者约束。别把论文插图直接搬进你的衍生数据集——那要走论文版权，不是数据许可覆盖的范围。

H. 工程复现细节

Q45：CSV 逐核 DAB 值的长度为什么不一样？
每行对应一个 patch，核数因组织密度而异——第 4 列起是不定长序列。解析时按行 split 后跳过前 3 列，剩余全为浮点；不要假设固定列宽。

Q46：H&E 图和 IHC 图怎么配对？
同一键 caseid_regionindex_rowindex_colindex 在 H&E 文件与 IHC 文件名中各出现一次。Kaggle 包的目录树按标记分文件夹——先确定标记再找它的键集合，别跨标记混配。

Q47：为什么我的 StarDist 复现核数和 CSV 第 3 列对不上？
官方数用 StarDist 特定版本与特定参数在 H&E 上跑出；你的模型版本/阈值/预处理任一不同都会偏。对不齐不影响使用——分母口径自洽即可，但要写进实验记录。

Q48：能只下载一个标记的子集吗？
可以。pcloud 目录按标记分文件夹；Kaggle 包目录树同样分组。GitLab 标签仓按标记分 CSV——拿 HER2 就只 pull 对应文件。这把 2 TB 的心理门槛降到千 GB 级以下。

Q49：训练时用什么归一化？
论文只报了饱和/色相抖动与旋转增强，未提染色归一化（Macenko 等）——这是留白。跨机构泛化实验建议自加染色归一化做消融：IHC4BC 的 DAB 定量标签对染色强度敏感，归一化可能同时帮助也伤害标签对齐，值得实证。

Q50：类别不平衡怎么处理？
论文未报重加权/重采样细节（置零样本天然偏向阴性）。实用建议：按标记统计正负比后决定 focal loss 或加权采样；HER2 的 3+ patch 稀少且难，过采样时防过拟合。

Q51：能拿它做半监督/自监督预训练吗？
图像本体可预训练（185,538 张无标签图也是资源），标签可做预训练任务。但注意 NC 条款约束衍生模型发布；且逐核 DAB 作为预训练代理任务（预测染色密度）是有文献支持的方向。

Q52：想引用官网数据该引什么 URL？
数据集主页 https://ihc4bc.github.io/；论文 DOI 10.1097/PAI.0000000000001258；标签仓 https://gitlab.com/ihc4bc-dataset/labels。pcloud 直链不稳定，引用时优先前两者。

Q53：审稿人质疑「单中心 50 例」怎么回应？
三段式：规模按 patch 计（每标记 2 万+）；前分析控制与穷举质检保证「少而净」；论文自己承认多样性边界并公开数据集邀请社区扩展——批评者的下一步工作正是作者铺好的路。

Q54：与本站其他病理条目一起用有什么组合拳？
入门：camelyon16 → bcss → 本条目（形态学→分子）；进阶：consep（核分割）→ 本条目（逐核定量）；方法论：panda-plus → 本条目（人工重标注 vs 机器定量）；生成侧：bci-ihc → 本条目（翻译 vs 预测）。

事实清单（硬事实 50 条）

1. IHC4BC = ImmunoHistoChemistry for Breast Cancer，官网 https://ihc4bc.github.io/（GitHub Pages）。
2. 数据集含 185,538 张图像 = 92,769 个 H&E↔IHC patch 对 × 2（论文摘要口径，账目自洽）。
3. 漏斗账目：提取 152,741 对 → 受检 147,404 对 → 丢弃 54,635 对 → 入集 92,769 对（含人工置零 22,734 对）。
4. 152,741 与 147,404 之间差 5,337 对，论文未解释去向。
5. 逐标记提取：ER 41,098 / PR 38,914 / Ki67 31,631 / HER2 41,098。
6. 逐标记丢弃：ER 10,703 / PR 13,943 / Ki67 9,886 / HER2 20,103。
7. 逐标记人工置零（保留）：ER 4,122 / PR 2,872 / Ki67 1,756 / HER2 13,984。
8. 逐标记 WSI 对：ER 59 / PR 60 / Ki67 60 / HER2 52，共 231（官网粗口径约 240）。
9. 原始组织：2022 年 50 例连续未选择乳腺癌穿刺活检。
10. 前分析控制：无冷缺血、福尔马林固定 24-48 h、载片阳性对照、阴性复测确认。
11. 抗体克隆：ER SP1 / PR PgR 636 / HER2 SP3 / Ki67 MIB-1；平台 Ventana Ultra（ER/PR/HER2）+ Dako Omnis（Ki67）。
12. 扫描：Aperio GT 450 自动数字病理扫描仪，40X。
13. patch 3000×3000，提取步长 1500（相邻重叠 50%）；实验时 resize 1000×1000。
14. 配准三级流程：WSI 上人工圈区域对 → 区域对手工配准 → 滑窗切 patch。
15. 标签管线：StarDist 核分割 + Ruifrok 颜色反卷积提取 DAB 通道 + 逐核记录平均 DAB 值。
16. 总核数（H-Score/百分比分母）从 H&E patch 计数，非 IHC patch——H&E 侧分割更可靠。
17. H-Score 0-300 = 弱%×100 + 中%×200 + 强%×300。
18. 核分层阈值（平均 DAB 通道）：Ki67 0.12/0.35/0.55；ER 0.06/0.26/0.46；PR 0.06/0.26/0.46。
19. 人工检查：147,404 对穷举式（非抽检），专家病理学家（四作）与非专家（一作）配对完成。
20. 处置三分类：a=DAB 可靠（保留）；0=人工置零（保留，多为墨水/伪影误判但无真实阳性核）；d=丢弃（不上传）。
21. 保留置零样本的理由：让模型见过临床伪影——墨水（绿/黄/红棕）、失焦、含铁血黄素/黑色素。
22. HER2 标签：WSI 级 0/1+（阴）vs 3+（阳），2+ 整例排除；patch 级正 = 存在任何 3+ 模式且 H&E 对应区域存在。
23. 白背景 patch 大多丢弃但每区域保留少量，让模型学会判空白为阴性。
24. CSV 结构：图名 / a-0-d / H&E 核数 / 逐核平均 DAB 值序列。
25. 文件命名 xxx_caseid_regionindex_rowindex_colindex.png，caseid 为病人唯一 ID。
26. 基线强监督管线：3K→1K resize，4×4 网格（250×250/格）→ ResNet-18（512×8×8/格）→ 拼接 512×32×32 → 多头自注意力 → 线性头。
27. 训练：AdamW+AMSGrad，lr 1e-4 与 1e-5，按验证 AUC 选 checkpoint；增强 ±10% 饱和/色相、±180° 旋转。
28. 弱监督对照：CLAM（WSI 级标签），中位数二分——Ki67 百分比 3.82 / ER H-Score 42.61 / PR H-Score 7.373；HER2 直接读片二分。
29. 灰区阈值：Ki67 百分比 5/10/15/20；ER/PR H-Score 30/60/90。
30. 结果：ViT+灰区约 90% AUC（多数划分）；无灰区大幅下降；CLAM 四标记全失效（与 Laleh 2022 一致）。
31. 每标记 5 个随机划分，按 WSI 90/10 切分；验证集=每训练 WSI 一个区域（或 CLAM 侧 5 WSI）。
32. 热图实验：CLAM 滑窗注意力 + ViT 白窗遮挡——两者均无法定位 IHC 阳性区域。
33. 论文正式版：Appl Immunohistochem Mol Morphol 2025;33(3):131-141，doi:10.1097/PAI.0000000000001258，PMID 40143808。
34. 时间线：2023-08-03 arXiv v1 → 2024-01-08 收稿 → 2025-03-04 接收 → 2025-03-27 epub → 2025-05-01 卷期。
35. 预印本模板投稿目标 Modern Pathology，实际发表于 AIMM；预印本与正式版标题措辞不同。
36. 作者 4 人：Akbarnejad（一作，U Alberta 计算科学）、Ray（U Alberta 计算科学）、Barnes（Dalhousie 病理）、Bigras（通讯，U Alberta 病理；PubMed 页简写将 Barnes/Bigras 均列 Dalhousie——与 arXiv 口径出入存照）。
37. 资助：Mitacs Accelerate；算力：Digital Research Alliance of Canada；扫描支持：DynaLIFE Medical Laboratory（Edmonton）。
38. 伦理：Health Ethics Board of Alberta，HREBA.CC-19-0347（含匿名化公开发布授权）。
39. License：数据集 CC BY-NC-SA 4.0（官网明示）；arXiv 论文页脚 CC BY-NC-ND 4.0；Kaggle 页 license 字段 Unknown（元数据缺失，以官网为准）。
40. 获取：pcloud 原图近 2 TB（配额双向扣、月重置）+ Kaggle 压缩版 39.07 GB（约 18.5 万文件；官网粗说约 50 GB）+ GitLab 标签仓数 GB（活仓，需频繁 pull）。
41. 一作后续工作 GPEX（NeurIPS 2023，Hosseini Akbarnejad/Bigras/Ray）为神经网络解释框架；arXiv v1 全文无 GPEX，Frontiers 2026 引用口径「ViT + GPEX」应出自正式版或后续工作。
42. 第三方使用：USIGAN（arXiv 2507.05843）列 IHC4BC 为虚拟染色基准，其自行划分逐标记 train/test 合计 85,206 对（非官方 split）；Frontiers in Oncology 2026（10.3389/fonc.2026.1867968）方法对比表引作 Akbarnejad et al., 2025。
43. 逐标记丢弃率：ER 26.0% / PR 35.8% / Ki67 31.3% / HER2 48.9%——HER2（膜着色）对伪影与配准误差最敏感。
44. 逐标记入集保留（提取−丢弃）：ER 30,395 / PR 24,971 / Ki67 21,745 / HER2 20,995。
45. HER2 置零对数（13,984）占置零总量（22,734）的 61.5%——膜信号的 DAB 误判率显著高于核着色标记。
46. GPEX 学术链条：arXiv:2112.09820（2021 提出）→ NeurIPS 2023（Adv Neur Inf Process Syst 36:64181-64192）正式发表，作者与 IHC4BC 完全重叠（Hosseini Akbarnejad/Bigras/Ray）。
47. 论文补充材料含图 S1（HER2 配对示例）、S2（H-DAB 分割失败示例）、S3/S4（PR/Ki67 分割示例）、S5-S7（ER/PR/Ki67 定位热图）——与正文图 8 共同构成可解释性证据集。
48. Cifci 等 2022 综述（J Pathol 257:430-444）是论文引言的领域基线出处：「除个别标记外最好 AUC 约 80%」。
49. Laleh 等 2022（Med Image Anal 79:102474）是 CLAM 失效结论的外部佐证：弱监督管线在 WSI 分子预测上的系统性局限早有基准证据。
50. 官网问题反馈邮箱 ah8 [at] ualberta [dot] ca 与一作 arXiv 提交邮箱一致（Amir Hossein Hosseini Akbarnejad），官网由一作维护。

术语表（46 条）

术语	释义
IHC（immunohistochemistry）	免疫组化：用抗体对组织切片做抗原定位染色的病理技术
H&E	苏木精-伊红染色，病理常规染色，形态学观察的基础
H-DAB	苏木精+DAB（3,3’-二氨基联苯胺）显色的 IHC 切片，阳性信号呈棕色
ER / PR	雌激素受体 / 孕激素受体，乳腺癌内分泌治疗的靶点标志物
HER2/neu	人表皮生长因子受体 2，靶向治疗（抗 HER2）的标志物
Ki67	细胞增殖标志物，阳性率反映肿瘤增殖活性
H-Score	染色强度半定量评分，0-300 = 弱%×100+中%×200+强%×300
Allred 评分	ER/PR 的 8 分制临床评分（比例分+强度分），精度粗于连续测量
DAB 通道	颜色反卷积后分离出的棕色信号通道，强度对应抗原表达量
颜色反卷积	把 RGB 图像分解为各染料通道的算法（Ruifrok 方法）
StarDist	星凸多边形核分割模型（WACV 2020），本数据集标签管线的分割器
核分层阈值	把每核按平均 DAB 值分为 0/1+/2+/3+ 的切点（官网公布三组值）
WSI	Whole Slide Image，全切片数字扫描图像
patch 对	配准后同位置切出的一对 H&E/IHC 图块，本集基本样本单元
region-pair	人工在两张 WSI 上圈出的对应区域，patch 的母体
stride（步长）	滑窗切 patch 的步距；1500 = 相邻 patch 重叠 50%
caseid	病人唯一编号，防泄漏分组的最小单元
2+（equivocal）	HER2 等效判读，需 ISH/FISH 复检；本数据集整例排除
3+	HER2 强完全膜染色，判阳性；本集 HER2 正标签的来源
累加 logit（cumulative logits）	对连续量设多阈值、每阈值训一个二分类器的序数化协议
灰区（gray-zone）	相邻阈值之间的样本带，训练与判别时跳过——防 ±ε 标签翻转
CLAM	弱监督 WSI 分类框架（Nature Biomed Eng 2021），本集失效对照
MIL（多示例学习）	只有一袋（WSI）级标签、实例（patch）标签未知的监督范式
TMA（组织微阵列）	把多个组织点阵列化到一张载片的通量技术，此前研究的样本来源
虚拟染色（virtual staining）	用生成模型从 H&E 合成 IHC 图像的任务（BCI/MIST 方向）
注意力热图	模型注意力权重的空间可视化，本集用于定位能力审计
白窗遮挡	用白色小块遮挡输入、测输出变化以生成敏感度热图的方法
数据泄漏	测试信息经重叠 patch/同病人混入训练集，致指标虚高
CC BY-NC-SA 4.0	署名-非商业-相同方式共享许可，本数据集许可
CC BY-NC-ND 4.0	署名-非商业-禁止演绎，arXiv 论文页脚许可（非数据许可）
pcloud	瑞士网盘服务，本集原图主通道，下载配额双向扣
Kaggle	数据科学竞赛与数据集平台，本集压缩版通道（39.07 GB）
GPEX	一作团队的可解释性框架（NeurIPS 2023），正式版引用生态中出现
AIMM	Applied Immunohistochemistry & Molecular Morphology，正式发表期刊
RoI	Region of Interest，感兴趣区域（BRACS 等数据集的标注单元）
patch 级	以图块为样本单元的粒度（本集主粒度）
slide 级	以整张 WSI 为样本单元的粒度（CLAM 对照实验粒度）
病人级	以患者为分组单元的泄漏防线粒度（caseid）
epoch	训练轮次——论文未披露轮数，复现以验证 AUC 收敛为准
checkpoint	训练中保存的模型快照，按验证 AUC 挑选
序数标签	有序但非等距的类别（如 0/1+/2+/3+），累加 logit 的对象
等效判读	HER2 2+ 的临床术语，需分子检测复检——本集排除此类
光密度（OD）	染色深度的物理量度，DAB 通道值即平均 OD
断点续传	下载中断后从断点继续的能力——pcloud 直链不保障

附录

附录 A：条目信息速查卡

项	值
条目名	IHC4BC
url_name	ihc4bc
类型	配对数据集 + 方法论文（二合一）
论文	Appl Immunohistochem Mol Morphol 2025;33(3):131-141（PMID 40143808）
预印本	arXiv:2308.01982（2023-08-03，仅 v1）
团队	University of Alberta + Dalhousie University（加拿大），4 作者
规模	92,769 对 patch = 185,538 张 3000×3000 图；50 例活检、231 对 WSI
标记	Ki67 / ER / PR（H-Score 系）+ HER2（读片二分系）
许可	CC BY-NC-SA 4.0
获取	pcloud（2 TB）/ Kaggle（39.07 GB）/ GitLab 标签（活仓）
抓取时点	2026-10-04
库内互链	bci-ihc(841)/herohe(318)/breastpathq(268)/bracs(138)/bcss(258)/consep(228)/monusac(651)/midog(298)/camelyon16(694)/camelyon17(699)/panda-plus(640)/bci-competition-iv-2a(352)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	官网+arXiv+PubMed 三入口可索引，正式版 DOI 稳定；但「IHC4BC」与 BCI/MIST 在泛检索中易混淆，无独立 Dataset DOI
A 可获取性	6	公开直链无申请门槛（Kaggle 39.07 GB 即取即用）；扣分：原图 2 TB 依赖 pcloud 配额机制、无 Zenodo/HF 存档、标签与图像分离两处取
I 可互操作	5	PNG+CSV 通用格式无专有门槛；但无官方加载脚本、无数据字典文档页、无标准 split 文件，工程对接全靠读论文
M 元数据质量	8	论文账目精确自洽（提取/受检/丢弃/置零逐标记可复算）、官网公布阈值与命名规则；扣分：5,337 对缺口未解释、标签无版本号
S 可持续性	6	GitLab 活仓有官方维护意愿（修正标签）；pcloud 个人目录直链为单点风险，无机构库备份承诺
综合评级	6.4/10（中上）	科学层（标签原料+文档）显著高于均值；工程层（分发基础设施）拖后腿——「科学 AI-ready、工程半手工」的典型样本

附录 C：逐项证据链自证

关键数字	来源	位置
185,538 张 / 92,769 对	论文摘要 + §2.4 账目复算	arXiv:2308.01982 HTML 全文
提取 152,741 / 受检 147,404 / 丢弃 54,635 / 置零 22,734	论文 §2.4 与 §2.6	arXiv HTML 全文
逐标记四组数字	论文 §2.6	arXiv HTML 全文
231 对 WSI（59/60/60/52）	论文 §2.6	arXiv HTML 全文
50 例活检 / 前分析控制 / 克隆 / 平台 / 扫描仪	论文 §2.1	arXiv HTML 全文
patch 3000²、stride 1500、resize 1K	论文 §2.2、§2.7	arXiv HTML 全文
StarDist / 颜色反卷积 / H&E 计分母	论文 §2.3	arXiv HTML 全文
a/0/d 语义 / CSV 结构 / 命名规则	官网 Format 节	ihc4bc.github.io 实抓 2026-10-04
阈值三组（0.12/0.35/0.55 等）	官网 Format 节	ihc4bc.github.io 实抓
CC BY-NC-SA 4.0 / pcloud 2TB / Kaggle 链接 / GitLab 链接	官网 Download 节	ihc4bc.github.io 实抓
HREBA.CC-19-0347	论文 §2.6 末	arXiv HTML 全文
ViT 管线结构 / AdamW / 增强	论文 §2.7、§2.9	arXiv HTML 全文
中位数 3.82/42.61/7.373、灰区阈值	论文 §3.1、§2.8	arXiv HTML 全文
~90% AUC / CLAM 失效 / 热图失败	论文 §3.1、§3.2、§4	arXiv HTML 全文
AIMM 33(3):131-141 / DOI / 时间线	PubMed E-utilities esummary	eutils.ncbi.nlm.nih.gov 实抓 2026-10-04
Kaggle 39.07 GB / 185k 文件	Kaggle 数据集页	kaggle.com 实抓（搜索快照）2026-10-04
USIGAN 第三方拆分 85,206 对	USIGAN 表 I	arXiv:2507.05843 HTML
GPEX 引用口径	Frontiers in Oncology 2026 表 1	10.3389/fonc.2026.1867968

附录 D：数据获取决策树

需求是什么？
├── 快速上手做分类实验
│   └── Kaggle 压缩版（39.07 GB）+ GitLab 标签仓
│       └── 按 caseid 分组划分，直接用论文灰区协议
├── 需要原生 3000×3000 高分辨率
│   └── pcloud 直链（近 2 TB）
│       └── 先确认配额：免登录基本不可行，免费账户月配额有限
│           仍不足再考虑付费（官网明示不保证，付费前自查）
├── 只想算 H-Score/百分比分布做统计
│   └── GitLab 标签仓就够（数 GB，含全部逐核 DAB 值）
│       └── 记录 commit hash 与拉取日期（活仓会变）
├── 做虚拟染色/图像翻译
│   └── 建议改用 bci-ihc(841) 或 MIST
│       （IHC4BC 亦有第三方用作生成基准，见 USIGAN 口径）
├── 需要 HER2 2+ 等效样本
│   └── 本数据集无此类别（整例排除）——另寻数据源
└── 商业用途
    └── CC BY-NC-SA 禁止商用——联系作者另谈授权

附录 E：relatedLink 互链清单

#	条目	URL（占位）	关系
1	bci-ihc（rid 841）	https://www.qianfanghub.com/ai-ready-dataset/bci-ihc/0	配对 H&E↔IHC 生成侧双子条目
2	herohe（rid 318）	https://www.qianfanghub.com/ai-ready-dataset/herohe/0	同任务先导（H&E→HER2 状态）
3	breastpathq（rid 268）	https://www.qianfanghub.com/ai-ready-dataset/breastpathq/0	乳腺癌 H&E 分级预测
4	bracs（rid 138）	https://www.qianfanghub.com/ai-ready-dataset/bracs/0	乳腺癌 H&E 分类
5	bcss（rid 258）	https://www.qianfanghub.com/ai-ready-dataset/bcss/0	乳腺癌区域分割
6	consep（rid 228）	https://www.qianfanghub.com/ai-ready-dataset/consep/0	核分割基准（StarDist 同类任务）
7	camelyon16（rid 694）	https://www.qianfanghub.com/ai-ready-dataset/camelyon16/0	乳腺癌转移检测大规模 WSI
8	panda-plus（rid 640）	https://www.qianfanghub.com/ai-ready-dataset/panda-plus/0	标签质量工程方法论对照
9	bci-competition-iv-2a（rid 352）	https://www.qianfanghub.com/ai-ready-dataset/bci-competition-iv-2a/0	同名前缀防混淆（脑电数据集）
10	midog（rid 298）	https://www.qianfanghub.com/ai-ready-dataset/midog/0	核级事件检测近亲任务

附录 F：逐标记账目总表（含派生比例）

标记	WSI 对	提取	丢弃	置零	保留（提取−丢弃）	丢弃率
ER	59	41,098	10,703	4,122	30,395	26.0%
PR	60	38,914	13,943	2,872	24,971	35.8%
Ki67	60	31,631	9,886	1,756	21,745	31.3%
HER2	52	41,098	20,103	13,984	20,995	48.9%
合计	231	152,741	54,635	22,734	98,106*	35.8%

*保留列合计 98,106 按提取−丢弃计；官方入集口径 92,769（=受检 147,404−丢弃 54,635），差额 5,337 对即坑 4 所述未解释缺口。HER2 丢弃率最高（48.9%）且置零最多（13,984 对）——膜着色信号的定量失败率与伪影敏感度显著高于核着色标记。

附录 G：阈值总表（三套体系一屏对照）

体系	Ki67	ER	PR	HER2
核分层（平均 DAB 值 → 0/1+/2+/3+）	0.12/0.35/0.55	0.06/0.26/0.46	0.06/0.26/0.46	不适用（膜信号）
CLAM WSI 级中位数二分	3.82（%）	42.61（H-Score）	7.373（H-Score）	读片 0/1+ vs 3+
灰区累加 logit 阈值	5/10/15/20（%）	30/60/90	30/60/90	无（天然二分）

三套体系各管一层：核分层是「原料层」的逐核测量分箱（官网公布、可自改）；中位数二分是弱监督对照的 WSI 级标签口径；灰区阈值是强监督实验的 patch 级任务定义。混用任何两套都会产生不可比数字。

附录 H：标签 CSV 数据字典

列	类型	语义	使用要点
1 图名	字符串	形如 xxx_caseid_regionindex_rowindex_colindex.png	caseid 提取自第二段下划线
2 人工标注	枚举	a（可靠）/ 0（人工置零）/ d（已丢弃）	d 行的图像不在任何下载包中；0 是合法训练样本
3 核数	整数	对应 H&E patch 的总核数	作百分比与 H-Score 的分母
4+ 逐核 DAB	浮点序列	H-DAB patch 内每核平均 DAB 通道值	长度可变；可重算 H-Score/百分比/Allred

附录 I：论文三类实验设置对照

设置	监督粒度	标签来源	结果带
CLAM（弱监督）	WSI 级	连续量中位数二分 / HER2 读片	全标记失效（显著低于 patch 级）
ViT 无灰区	patch 级	阈值两侧硬二分	显著低于灰区设置（±ε 噪声）
ViT 有灰区	patch 级	阈值带外二分	约 90% AUC（最优；HER2 用 high vs low）

附录 J：检索决策树

你是谁？
├── 建模者：要训练状态预测模型
│   ├── 关键词：IHC4BC / biomarker prediction H&E
│   └── 落点：§5 基线（灰区协议）→ §6 获取（Kaggle 路线）→ 坑 7（泄漏）
├── 标注工程师：设计标注流水线
│   ├── 关键词：DAB quantification / StarDist labels
│   └── 落点：§3 流水线（三步定量+a/0/d）→ §8.2（保留脏样本）
├── XAI 研究者：要注意力审计数据
│   ├── 关键词：attention localization IHC
│   └── 落点：§5.5（热图失败）→ 附录 C（逐核真值可得性）
├── 综述作者：梳理数据集景观
│   ├── 关键词：breast cancer paired H&E IHC dataset
│   └── 落点：§2.5（与 BCI/MIST 对照）→ §4（三条前人路线）→ 坑 3（防混淆）
└── 引用者：写论文脚注
    ├── 关键词：IHC4BC citation
    └── 落点：§7.1 时间线 → 附录 M 引文规范 → 坑 1/2（标题与期刊口径）

附录 K：双口径登记表

#	项	口径 A	口径 B	裁定
1	标题	arXiv「Predicting…」	正式版「Toward Accurate…」	引正式版，预印本存照
2	期刊	arXiv 模板 Modern Pathology	AIMM 33(3):131-141	以 AIMM 为准
3	总量	185,538 张/92,769 对	官网/Kaggle/USIGAN 约 9 万对	主口径精确数
4	提取 vs 受检	152,741	147,404	差 5,337 未解释，两数并列
5	WSI 对	231（59/60/60/52）	官网约 240	主口径 231
6	patch 尺寸	原生 3000×3000	USIGAN 1,000×1,000	主口径 3000²，注明 resize
7	第三方拆分	官方 92,769 对	USIGAN 合计 85,206 对	USIGAN 系自行划分
8	Kaggle 许可	官网 CC BY-NC-SA 4.0	Kaggle 页 Unknown	以官网为准
9	Bigras 机构	arXiv/官网 U Alberta	PubMed 简写 Dalhousie	主口径 arXiv/官网
10	GPEX	arXiv v1 无 GPEX	Frontiers 2026 引「ViT+GPEX」	按 v1 写管线，GPEX 作生态侧记
11	体量	Kaggle 页 39.07 GB	官网约 50 GB	两数并存（压缩口径 vs 粗口径）

附录 L：维护计划与触发点

触发点	影响	动作
GitLab 标签仓打 tag/大修正	§3/§6/坑 8 的活仓描述、所有标签相关数字	核对新 commit，更新拉取时点
官方上架 Zenodo/HF	§6 获取通道、AI-Ready 评估 A 分	补镜像链接与 DOI，重评 DAIMS
正式版论文开放获取	§7 引用与许可栏	核对正文表格与 v1 差异
pcloud 直链失效	§6 主通道描述	将 pcloud 标注为历史通道
库内新增乳腺癌分子预测条目	§9 家族图谱	补互链与 relatedLink

附录 M：引文规范

正式版（推荐）：

@article{akbarnejad2025toward,
  author  = {Akbarnejad, Amir and Ray, Nilanjan and Barnes, Penny J. and Bigras, Gilbert},
  title   = {Toward Accurate Deep Learning-Based Prediction of Ki67, ER, PR, and HER2 Status
             From H\&E-Stained Breast Cancer Images},
  journal = {Applied Immunohistochemistry \& Molecular Morphology},
  year    = {2025},
  volume  = {33},
  number  = {3},
  pages   = {131--141},
  doi     = {10.1097/PAI.0000000000001258}
}

预印本（历史口径）：

@article{akbarnejad2023predicting,
  author  = {Akbarnejad, Amir and Ray, Nilanjan and Barnes, Penny J. and Bigras, Gilbert},
  title   = {Predicting Ki67, ER, PR, and HER2 Statuses from H\&E-stained Breast Cancer Images},
  journal = {arXiv preprint arXiv:2308.01982},
  year    = {2023}
}

数据集引用：官网 Citation 节要求引用论文；引用数据本身时建议并注官网 URL（https://ihc4bc.github.io/）与标签仓拉取时点（commit hash）。

附录 N：本条目生产档案

项	值
代理名	agent-a-ihc4bc
开工时间	2026-10-04T07:23（锁内容时间戳）
恢复私有区	.parts_agent-a-ihc4bc_1791070897_1692567_recovery（R008 事故后重建，见附记）
查重 SQL	url_name ILIKE ‘%ihc%’ → 仅 bci-ihc(841)，无撞库
一手来源	arXiv HTML 全文 / 官网 curl 实抓 / PubMed E-utilities / Kaggle 页（搜索快照）
三源互证	论文账目 × 官网口径 × 第三方引用交叉成立（92,769 对三重咬合）
双零自检	check_md.py + preflight_check.py（交付前执行）

附录 O：FAIR/AI-Ready 检查单

检查项	状态	说明
F1 元数据可引用	部分	论文/官网有；数据集无独立 DOI
F2 标识符持久	部分	arXiv/DOI 稳定；pcloud 直链无持久化保证
A1 公开可访问	是	无申请门槛
A2 标准协议	是	HTTPS 直链
I1 开放格式	是	PNG+CSV
I2 引用词汇表	部分	无本体映射；标签语义靠论文+官网自述
R1 许可明确	是	CC BY-NC-SA 4.0（官网明示）
R2 出处可溯	是	论文+伦理批号+资助声明齐全
R3 社区维护	部分	GitLab 活仓有维护，但无版本号
AI-R 就绪度	中高	原料层（逐核 CSV）可直接进训练管线；工程层需自建 loader

附录 P：缩写速查

缩写	全称	中文
IHC4BC	ImmunoHistoChemistry for Breast Cancer	乳腺癌免疫组化（四标记数据集）
ER	Estrogen Receptor	雌激素受体
PR	Progesterone Receptor	孕激素受体
HER2	Human Epidermal Growth Factor Receptor 2	人表皮生长因子受体 2
IHC	Immunohistochemistry	免疫组化
DAB	3,3’-Diaminobenzidine	二氨基联苯胺（棕色显色底物）
H-DAB	Hematoxylin & DAB	苏木精-DAB 双色 IHC 染色
WSI	Whole Slide Image	全切片图像
TMA	Tissue Microarray	组织微阵列
ViT	Vision Transformer	视觉Transformer
CLAM	Clustering-constrained Attention Multiple Instance Learning	聚类约束注意力多示例学习
GPEX	Gaussian Process Explanation（一作团队命名）	神经网络解释框架
AIMM	Applied Immunohistochemistry & Molecular Morphology	正式发表期刊
HREBA	Health Research Ethics Board of Alberta	阿尔伯塔卫生研究伦理委员会
AUROC/AUC	Area Under the Receiver Operating Characteristic curve	ROC 曲线下面积
ISH/FISH	(Fluorescence) In Situ Hybridization	（荧光）原位杂交（HER2 2+ 复检手段）
SSIM/PSNR	Structural Similarity / Peak Signal-to-Noise Ratio	图像相似度/峰值信噪比（生成任务指标）
NOS/NST	Not Otherwise Specified / No Special Type	非特殊类型浸润性癌（乳腺最常见类型）

附录 Q：基于本数据集的研究检查清单（12 项）

1. 划分按 caseid 分组（不是按 patch）——重叠 50% 的滑窗必泄漏。
2. 只使用 a 与 0 行；确认没有把 d 行的图名当样本。
3. HER2 标签单独处理（读片系），不与 ER/PR/Ki67 的定量标签混源。
4. ER/PR/Ki67 若做阈值分类，采用灰区协议；报告灰区宽度。
5. 报告 H-Score 时注明「未剔除非肿瘤核」口径，或自行剔除后重算并双报。
6. 标签拉取的 GitLab commit hash 写进实验记录。
7. 引用论文用 AIMM 正式版 DOI；预印本口径另注。
8. 商业用途前确认 NC 边界。
9. 与 BCI/MIST 的数字对比时先对齐任务（判别 vs 生成）与单位（对 vs 张）。
10. 五划分报告分布（均值±极差），不报单点。
11. 热图/注意力实验以逐核 DAB 真值为参照系（附录 C）。
12. 衍生数据集遵守相同方式共享（SA 条款）。

附录 R：下载实操 checklist

1. git clone https://gitlab.com/ihc4bc-dataset/labels.git（数 GB），记录 HEAD hash。
2. 扫描 CSV：统计 a/0/d 行数，确认与附录 F 账目量级一致（a+0 ≈ 92,769 上下）。
3. Kaggle 下载 akbarnejad1991/ihc4bc-compressed（39.07 GB，v1），核对文件数约 18.5 万。
4. 抽验 10 个文件名：caseid/区域/行列三段完整性；对应 CSV 行存在且处置非 d。
5. 若需原生分辨率再走 pcloud，先小额试拉验证配额。
6. 建立本地数据字典（附录 H）随代码库走，任何 re-split 脚本以 caseid 为分组键。

附录 S：乳腺癌 H&E/IHC 公开数据集景观总表

数据集	任务	标记	规模	配对	许可	库内
IHC4BC	状态预测	Ki67/ER/PR/HER2	92,769 对（3000²）	是（相邻切片）	CC BY-NC-SA 4.0	本条目
BCI	图像翻译	HER2	4,873 对（1024²）	是（相邻切片）	自定义非商业	bci-ihc(841)
MIST	图像翻译	Ki67/ER/PR/HER2	每标记约 4,100-4,600 对	是	—	—
HeroHe	状态预测	HER2	千级	是	—	herohe(318)
CAMELYON16	转移检测	—（形态学）	399 WSI	否	开放	camelyon16(694)
CAMELYON17	转移检测	—（形态学）	1,000 WSI	否	开放	camelyon17(699)
BRACS	区域分类	—（七类）	547 WSI/4,547 RoI	否	CC BY-NC-SA	bracs(138)
BCSS	区域分割	—（四类）	约 20,000 patch	否	—	bcss(258)
BreastPathQ	分级预测	—（等级）	约 2,000 patch	否	—	breastpathq(268)
TMA 系列（Rawat/Shamai）	状态预测	ER/PR/HER2	约 1,000-5,000 芯	否（TMA）	多不公开	—

景观读法：配对轴（IHC4BC/BCI/MIST/HeroHe）vs 形态学轴（CAMELYON/BRACS/BCSS/BreastPathQ）在乳腺癌数字病理里平行演进；IHC4BC 是配对轴上「判别方向、四标记、最大规模」的交点。

附录 T：H-Score 演算示例（用 CSV 原料）

假设某 ER patch 的 CSV 行给出：核数（第 3 列）= 400；逐核 DAB 值（第 4 列起）共 400 个，按论文阈值 0.06/0.26/0.46 分箱后：弱（0.06-0.26）100 核、中（0.26-0.46）60 核、强（>0.46）20 核、阴性 220 核。

弱% = 100/400 = 25%   中% = 60/400 = 15%   强% = 20/400 = 5%
H-Score = 25×100 + 15×200 + 5×300 = 2500+3000+1500 = 70（0-300 刻度）
阳性百分比 = (100+60+20)/400 = 45%
Allred 近似 = 比例分(45%→3 分) + 强度分(强占比低→2 分) ≈ 5

同一个 patch，换阈值（如 0.05/0.25/0.45）H-Score 就变——这就是为什么官方发逐核值而非固定分数。注意分母 400 来自 H&E patch 核计数，不是 IHC 侧检出的核数（§3.2 的不对称设计）。

附录 U：关键数字一页纸

数字	含义	出处
50	病例数（2022 穿刺活检）	论文 §2.1
231	WSI 对总数（59/60/60/52）	论文 §2.6
152,741	提取 patch 对	论文 §2.6
147,404	人工受检对	论文 §2.4
54,635	丢弃对	论文 §2.4
22,734	人工置零对（保留）	论文 §2.4
92,769	入集对（=185,538÷2）	摘要+账目复算
3000² / 1500	patch 边长 / 滑窗步长	论文 §2.2
0-300	H-Score 值域	论文 §2.3
3.82 / 42.61 / 7.373	Ki67%/ER/PR 中位数切点	论文 §3.1
5/10/15/20 与 30/60/90	灰区阈值（Ki67 与 ER/PR）	论文 §2.8
~90% AUC	ViT+灰区最好性能带	论文 §3.1
2 TB / 39.07 GB	原图 / Kaggle 压缩版体量	官网/Kaggle 页
33(3):131-141	AIMM 正式版卷期页	PubMed 40143808

附录 V：术语辨析

• 标记 vs 标志物：本条目统一用「标记」（marker 的中文习惯译法之一）；文献中「标志物」同义混用——检索时两个词都要试。
• 判别 vs 生成：判别（discriminative）从图像预测标签；生成（generative）从 H&E 合成 IHC 图像。IHC4BC 是判别系，BCI/MIST 是生成系——任务不同，数据结构相似。
• 置零 vs 丢弃：置零（manual zero）图像保留、标签为 0；丢弃（discarded）图像不发布。两者在论文账目里是两个独立数字。
• 灰区 vs 中位数切点：灰区是强监督 patch 级协议（跳过阈值间样本）；中位数切点是弱监督 WSI 级标签（连续量二分）。两套机制服务两类实验。
• 配准 vs 对齐：IHC4BC 的配准精度到「区域级人工对齐」，不是核级——任何「逐核配准」的说法都是过度解读。
• H-Score vs Allred：H-Score 连续 0-300（原料层可重算）；Allred 是 8 分制临床 ordinal（信息损失大）。IHC4BC 支持前者为原生、后者为近似。

附录 W：本条目生产事故附记（R008 型实证）

生产期间（2026-10-04 07:34-07:41）遭遇同名代理双实例互写：外来实例覆写本代理私有区全部 5 个 part 与 FACTS.md，期间还观察到目录内容短暂整体消失的删除窗口。特征串鉴别确认外来版本含无法溯源的措辞体系（「标志物/注释流水线/官方拆分/注册配对」）与本代理基于一手来源（arXiv HTML 全文/官网 curl 实抓/PubMed E-utilities）的措辞体系（「标记/标签流水线/漏斗账目/配对」）系统不符。处置按 R008 协议：封存被污染私有区与 lastpath 指针证据 → 换新恢复私有区（.parts_agent-a-ihc4bc_1791070897_1692567_recovery）→ 全量重写 5 part 与 FACTS.md → 重新拼接成稿并全文核对章节序（§0-§11+FAQ+清单+术语+附录 A-W+尾注）→ 本附记与汇报存照。外来版本的数字主张一律未采信；建议主会话派发侧核查同 slug 双实例来源，并在收稿后清理异稿私有区。

附录 X：条目-论文交叉索引

条目章节	论文对应位置	说明
§2.1 漏斗账目	arXiv v1 §2.4 + §2.6	147,404/54,635/22,734 与逐标记账目
§2.2 patch 提取	arXiv v1 §2.2	区域对→手工配准→stride 1500
§2.6 前分析控制	arXiv v1 §2.1	50 例、固定窗口、克隆、平台、扫描仪
§3.2 三步定量	arXiv v1 §2.3	StarDist+反卷积+H&E 计分母
§3.3 人工三处置	arXiv v1 §2.4	a/0/d 与图 2/图 3 案例
§3.4 HER2 通道	arXiv v1 §2.5	2+ 排除与二分定义
§4 前人路线	arXiv v1 §1	12 项研究数字（附录 S 补全）
§5.1-5.2 基线与协议	arXiv v1 §2.7-2.9	ViT 管线/累加 logit/灰区
§5.3-5.5 三大结果	arXiv v1 §3.1-3.2 + 图 4-8	AUC/CLAM 失效/热图
§7.1 时间线	PubMed 40143808	收稿/接收/epub/卷期
附录 G 阈值表	官网 Format 节 + 论文 §2.8/§3.1	三套体系并置
FAQ Q15-Q20	官网 Format + 论文 §2.3-2.5	标签实操
补充材料图 S1-S7	arXiv v1 附录	HER2 示例/分割失败/定位热图

附录 Y：评审视角常见问题（预答辩用）

Q：50 例病人就敢叫 large-scale？
A：scale 的度量是监督信号量（92,769 个带逐核定量的配对 patch），不是病人数。此前同任务研究的训练实例 ≤5K，本集每标记 2 万-2.6 万。且论文自己承认 231 对 WSI 的多样性是性能边界（§5.6）——「大而不傲」正是它可信的地方。

Q：标签是算法算的，算 ground truth 吗？
A：是「测量的 ground truth」而非「诊断的 ground truth」。它忠实反映 IHC 染色的光密度分布，与临床读片口径的系统差已被作者声明（未剔非肿瘤核）。做「形态学→染色定量」研究时它是对的参照系；做「形态学→临床判读」研究时需自行加一层临床口径转换。

Q：为什么不用 SOTA 基础模型跑基线？
A：数据集论文的基线职责是「验证数据可用性」而非刷榜。2023 年的 ViT 朴素管线恰好起这个作用；基础模型评测是社区后续工作（USIGAN、Frontiers 2026 等已在用）。

Q：patch 重叠 50% 会不会虚增数据量？
A：会——152,741 对里同一组织最多出现 4 次。但这是「训练监督密度」的设计而非「独立样本量」的宣称；论文的划分协议（WSI 级）保证了评测侧不被重叠污染。引用规模时说「对」不说「独立样本」即可。

Q：这个数据集两年了会不会过时？
A：恰恰相反——第三方使用（USIGAN/Frontiers 2026）显示 2025-2026 年它正在从「乳腺癌专用」泛化为「H&E↔IHC 跨模态研究的基础设施」。原料层标签的可重算性让它不随阈值标准演化而失效。

尾注与边界声明

溯源声明：本条目基于 arXiv:2308.01982 v1 全文（HTML）、IHC4BC 官网（ihc4bc.github.io，curl 实抓 2026-10-04）、PubMed E-utilities 正式版元数据（PMID 40143808）、Kaggle 数据集页与第三方引用文献（USIGAN arXiv:2507.05843、Frontiers in Oncology 10.3389/fonc.2026.1867968）交叉核验成稿；所有硬数字的来源位置见附录 C 证据链。双口径冲突按附录 K 登记表逐条裁定并存照。

未亲验项：数据集本体未由本条目下载验证（2 TB 体量超出核验必要），图像内容与标签一致性以论文与官网声明为准；AIMM 正式版全文在付费墙内，正文表格与 v1 的差异未逐表核对（epub 摘要已核）。

时效边界：所有「截至抓取时点」表述锚定 2026-10-04；GitLab 标签仓为活仓，后续数字漂移属预期行为（坑 8）。本条目不构成医学诊断依据，临床决策请以正规免疫组化检测为准。

导航回执：本文共 12 个主章节（§0-§11）、FAQ 54 问、硬事实 50 条、术语 46 条、附录 A-Y；九个互链条目分布于 §9 与附录 E。检索未命中时优先检查坑 1（标题双口径）与坑 3（与 BCI 混淆）。

---

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：

• breakhis — 共享标签：医学影像 / 病理图像 / 图像分类 / 乳腺癌 / 肿瘤学
• bracs — 共享标签：医学影像 / 病理图像 / 图像分类 / 乳腺癌 / 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
• pcam — 共享标签：病理图像 / 图像分类 / 评测基准 / 乳腺癌
• 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
• 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
• bach — 共享标签：医学影像 / 病理图像 / 图像分类 / 乳腺癌 / 肿瘤学
• cnmc-2019 — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
• pair-bst — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
• sinus-her2-nuclei — 共享标签：医学影像 / 病理图像 / 评测基准 / 乳腺癌 / 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。