Mendeley LBC — 印度三中心液基细胞学宫颈癌多分类图像数据集

INFOBOX — Mendeley LBC 一屏速览

维度	内容
本质	印度三中心真实临床采集的液基细胞学（LBC）宫颈 Pap 涂片图像分类数据集（非挑战赛、非重标注衍生）
官方名	Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer
通行简称	Mendeley LBC（因托管于 Mendeley Data 而得名）
贡献者	Elima Hussain（IASST，Guwahati）
托管	Mendeley Data（Elsevier），DOI 10.17632/zddtpgzv63.4（Version 4，2019-11-18）
数据论文	Data in Brief 2020;30:105589（doi:10.1016/j.dib.2020.105589；PMID 32368601；PMCID PMC7186519）
关联论文	Tissue and Cell 65(2020)101347（doi:10.1016/j.tice.2020.101347，集成 CNN 融合决策）
规模	963 张图像 / 460 名受试者
分类	The Bethesda System 四类：NILM 613 / LSIL 163 / HSIL 113 / SCC 74
采样	液基细胞学（SurePath），400× 总放大（40×物镜×10×目镜），Leica DM 750 + ICC50 HD，2048×1536 px
中心	Babina Diagnostic（Imphal）｜Dr. B. Borooah Cancer Research Institute（Guwahati）｜Gauhati Medical College & Hospital（Guwahati）
许可	CC BY 4.0（公开直链，可共享可改编需署名）
获取	Mendeley Data 网页直接下载，无需申请
库内互链	herlev-pap（483）、sipakmed（490）、cric（847）、cervix93（848）、cdetector（849）、cytoimagenet（31）、papila（765）

Mendeley LBC 是一个"把真实医院检验台搬进公开数据仓库"的宫颈细胞学图像数据集。它不来自任何竞赛，也不是某个大数据集的二次加工，而是印度东北部三家医疗机构在真实宫颈癌筛查流程中采下的 963 张液基细胞学涂片图——每一位图像背后都是一位真实女性的筛查样本（共 460 人），每一张标签都出自病理专家的显微镜判读，并严格对齐世界卫生组织推荐、全球通用的 The Bethesda System（TBS）命名。正因"真实、干净、公开"，它在 2020 年之后迅速成为宫颈细胞学 AI 分类研究最重要的 LBC 级基准之一：几乎每一篇"用深度学习做宫颈 Pap 涂片分类"的论文，都会把 Mendeley LBC 与 Herlev、SIPaKMeD 并列评估。

导语读法三则：

1. 只想下数据：直奔 §6——Mendeley Data 公开直链、CC BY 4.0、无需申请，是同类宫颈细胞学数据集里获取门槛最低的一档。
2. 关心类别不平衡：直奔 §2.4 与 §5——NILM 613 对 SCC 74 的极度不均衡，是几乎所有研究在该集上碰到的主要难点。
3. 做数据选型：直奔 §7 生态与 §8 方法学启示——Mendeley LBC 与 Herlev/SIPaKMeD/CRIC 的分工与互补，决定了它适合"真实临床图像分类"而非"单细胞形态分析"。

§0 导读：这个数据集解决什么问题

宫颈癌是全球女性第四大常见恶性肿瘤，也是少数可以通过筛查有效预防的癌症之一——关键在于"在癌变之前发现癌前病变"。巴氏涂片（Pap smear）及其改良版液基细胞学（Liquid-Based Cytology, LBC）是两大主流筛查手段：医生用刷子在宫颈转化区取样，制片后在显微镜下由细胞病理医生逐张判读，按细胞形态归入不同病变等级。这个流程准确、成熟，但代价昂贵且高度依赖专家：一个病理医生一天要读几十上百张涂片，判读结果还存在观察者内与观察者间的波动（同一张片子不同医生可能给出不同分级）。

人工智能的介入点非常自然：如果能把涂片图像喂给卷积神经网络（CNN），让它输出与病理医生一致的病变分级，就能大幅降低筛查成本、提升基层覆盖。但要训练这样的模型，需要真实、标注可靠、许可开放的临床图像数据集。Mendeley LBC 正是为填补这一空白而生：它从真实筛查场景出发，把 460 名女性的 963 张液基涂片图与专家判读标签一起公开，让研究者在"真实世界数据"而非"理想化实验数据"上训练与验证。

§0 读法三则：

1. 这个数据集的独特价值不在"大"，而在"真"：963 张并不算多，但它来自真实筛查流程（含伦理审查与知情同意）、由病理专家逐图判读、按国际标准 TBS 分类——这类"临床级"公开数据集在宫颈细胞学领域相当稀缺（§4）。
2. 它的主要短板是类别不平衡与规模偏小：NILM 与 SCC 之比接近 8:1，模型很容易"押注多数类"而虚高准确率（§2.4、§5）。
3. 它是"图像级分类"数据集，不是"细胞级分割"数据集：如果你要做的是单细胞形态分析，应看 SIPaKMeD/Herlev/CRIC；如果你要的是真实涂片视野下的多分类，Mendeley LBC 才对口（§7.3）。

§1 数据集速览：十问十答

Q1：Mendeley LBC 的官方全名是什么？为什么叫"Mendeley LBC"？
官方名是 “Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer”（液基细胞学巴氏涂片图像用于宫颈癌多分类诊断）。“Mendeley LBC” 是学术界为方便引用而起的通行简称——因其托管在 Elsevier 旗下的 Mendeley Data 平台，且数据类型为 LBC（液基细胞学），两个关键词合起来就成了 “Mendeley LBC”。检索时若只搜 “Mendeley LBC” 能找到大量论文，但下载入口应以官方名对应的 Mendeley Data 页面为准（§6）。

Q2：它有多少数据？
共 963 张图像，来自 460 名接受宫颈筛查的女性受试者，由病理专家按 The Bethesda System（TBS）分为四类：NILM（阴性/正常）613 张、LSIL（低级别鳞状上皮内病变）163 张、HSIL（高级别鳞状上皮内病变）113 张、SCC（鳞状细胞癌）74 张（来源：Mendeley 官方页、Data in Brief 论文、PMC8282795，三源一致）。

Q3：图像是怎么采集的？
采用液基细胞学（LBC，SurePath 法）：刷取的宫颈转化区样本置入含保存液的容器，经涡旋（3000 rpm，15-20 秒）、密度试剂沉降与离心（2500 rpm，5 分钟）、酒精洗、H&E 染色后制片，再用 Leica DM 750 显微镜配 Leica ICC50 HD 相机在 400× 总放大（40× 物镜 × 10× 目镜）下拍摄，得到 2048×1536 像素的 JPG 图像。

Q4：四个类别代表什么？
按 TBS 标准：NILM（Negative for Intraepithelial Lesion or Malignancy）= 未见上皮内病变或恶性，即"正常"；LSIL = 低级别鳞状上皮内病变（相当于轻度异型增生）；HSIL = 高级别鳞状上皮内病变（中重度异型增生，癌前病变）；SCC = 鳞状细胞癌（浸润癌）。研究中也常把 NILM 归"正常"、其余三类归"异常"，做二分类（正常 613 vs 异常 350）。

Q5：数据从哪些医院来？
三家印度东北部机构：Babina Diagnostic Pvt. Ltd（Imphal，曼尼普尔邦，私立诊断中心）、Dr. B. Borooah Cancer Research Institute（Guwahati，阿萨姆邦，区域癌症研究院）、Gauhati Medical College and Hospital（Guwahati，阿萨姆邦，公立教学医院）。三中心均走伦理审查并获得患者知情同意。

Q6：许可是什么？能商用吗？
CC BY 4.0（Mendeley Data 官方页明确标注）。这意味着你可以自由共享、改编甚至用于商业目的，只要按规范署名原作者。这是宫颈细胞学公开数据集里许可最宽松的一档之一——相比之下，某些衍生重标注数据集采用 CC BY-NC-ND（禁商用禁演绎）。

Q7：怎么下载？需要申请吗？
不需要申请。在 Mendeley Data 页面上直接下载（https://data.mendeley.com/datasets/zddtpgzv63），无需注册付费、无需机构审批、无需联系作者。这与很多"请求制"医学数据集形成鲜明对比（§6）。

Q8：数据集配了哪篇论文？
两篇：数据论文（Data in Brief 2020;30:105589，专述数据集与采集方法，DOI 10.1016/j.dib.2020.105589）和关联研究论文（Tissue and Cell 65(2020)101347，用集成 CNN 融合决策做多分类诊断，DOI 10.1016/j.tice.2020.101347）。引用数据集时两者都可引，但数据本身的标准引文是 Mendeley Data 的 DOI（§2）。

Q9：为什么它这么常被引用？
因为它同时满足三个条件：真实临床来源（非实验室理想图像）、专家标注且标准可循（TBS）、许可开放且直链可取（CC BY 4.0）。对很多资源有限的研究团队来说，它是一个"拿来就能用、用了能发表、引用无法律顾虑"的 LBC 基准。

Q10：它有什么明显缺点？
三点：类别不平衡（NILM 是 SCC 的约 8 倍）、总量偏小（963 张，深度模型易过拟合）、标签粒度粗（只有图像级分类，无细胞级/像素级标注）。使用时应做到分层抽样、类别加权、交叉验证，并谨慎报告"高准确率"以免被不平衡样本误导（§2.4、§5、§10）。

§2 数据构成与规格

2.1 规模、来源与三中心构成

Mendeley LBC 的规模可以用一组硬数字概括：963 张图像、460 名受试者、3 家机构、4 个诊断类别。这三个维度彼此咬合——460 名受试者共贡献 963 张图像，意味着平均每位受试者约 2 张图像；而 Data in Brief 论文进一步说明，实际制片时"每张玻片取约 10 张最佳质量图像"再从中精选，说明数据集经历了从"候选池"到"发布集"的筛选。

三家采集机构的角色并不相同。Gauhati Medical College and Hospital（GMCH） 是主要的样本来源地——Data in Brief 论文明确说明数据主要采集于该院妇产科（O&G），且 GMCH 是区域主要公立医疗中心，承担了大部分筛查量；Dr. B. Borooah Cancer Research Institute 是区域癌症研究院，提供癌症（SCC/HSIL）样本的临床支撑；Babina Diagnostic Pvt. Ltd（Imphal）是私立诊断中心，补充了区域样本多样性。Mendeley 官方页把三家并列描述为"three distinguished medical diagnostic centers of the NER regions"（印度东北区域），点明了数据集的地域特征——它代表的是印度东北部特定人群的宫颈细胞形态分布。

三中心分布带来一个常被忽视的点：这是一份"区域数据集"。印度东北部在族裔、遗传背景、HPV 型别分布上与印度其他地区乃至全球其他人群都有差异，因此在该集上训练的模型迁移到其他人群时应做外部验证。数据集本身没有按中心拆分披露样本量（§9 待核），研究者无法直接做"跨中心泛化"实验——这是它的一个结构性局限。

表 2-1 Mendeley LBC 三中心一览

机构	地点	角色	备注
Gauhati Medical College and Hospital	Guwahati, Assam	主要采集地（O&G 科室）	区域公立教学医院
Dr. B. Borooah Cancer Research Institute	Guwahati, Assam	癌症样本支撑	区域癌症研究院（亦作 Barooah）
Babina Diagnostic Pvt. Ltd	Imphal, Manipur	私立诊断中心	MDPI 论文误记 “Mumbai”（§9 存照）

2.2 图像规格与采集工艺

每一张 Mendeley LBC 图像都携带一套完整的采集参数。放大倍率是 400× 总放大（40× 物镜与 10× 目镜组合），空间分辨率对应图像的 2048×1536 像素。需要特别指出的是，Mendeley 官方页在描述中写的是"40x magnification"，而数据论文与综述文献写的是"400x"——这不是矛盾而是表述差异：前者指物镜倍率，后者指总放大。条目按文献常用的 400× 总放大 口径写，并在 §9 与 §10 存照（坑 1）。

采集的完整工艺链如下（据 Data in Brief 论文的实验设计章节）：

1. 取样：用刷子在宫颈转化区（columnar 上皮向 squamous 上皮过渡处）取样，与常规涂片相同；
2. 固定与保存：样本不直接涂片，而是置入含保存液的容器，液体预先清除黏液、血细胞等碎屑；
3. 涡旋：含样本的瓶置于涡旋器上 3000 rpm 处理 15-20 秒，打断黏液与血细胞团；
4. 沉降与离心：加入密度试剂后沉降并离心，2500 rpm 处理 5 分钟，使高分子量颗粒沉底；
5. 洗片与染色：经一至两次酒精洗后，用苏木精-伊红（H&E）染色；
6. 成像：在 Leica DM 750 显微镜 + ICC50 HD 相机下于 400× 拍摄，每张玻片取约 10 张最佳质量图像；
7. 记录：图像与患者医学报告一并保存在 Excel 中，拍摄时通过顺序移动目镜、控制最小重叠来减少重复视野。

这套工艺是 SurePath 型液基细胞学的标准流程，其核心优势在于"均匀固定 + 干净背景 + 细胞保存良好"，比传统涂片更适合后续 HPV 检测与计算机辅助分析——这也是数据集选择 LBC 而非传统 Pap 的原因（Mendeley 描述原文）。

2.3 类别体系：严格对齐 The Bethesda System

Mendeley LBC 的分类体系直接采用 The Bethesda System（TBS，贝塞斯达系统）——这是全球宫颈细胞学报告的统一语言。四个类别及其临床含义如下：

表 2-2 TBS 四分类、计数与临床含义

类别	英文全称	图像数	临床含义	归并
NILM	Negative for Intraepithelial Lesion or Malignancy	613	未见上皮内病变或恶性（正常）	正常
LSIL	Low-grade Squamous Intraepithelial Lesion	163	低级别鳞状上皮内病变	异常
HSIL	High-grade Squamous Intraepithelial Lesion	113	高级别鳞状上皮内病变（癌前）	异常
SCC	Squamous Cell Carcinoma	74	鳞状细胞癌（浸润癌）	异常
合计	—	963	—	正常 613 / 异常 350

选择 TBS 而非"3 级异型增生（CIN1/2/3）"体系，是数据集的一个关键设计决策：TBS 是目前临床报告的主流标准，采用它意味着模型的输出可以直接对应临床报告术语，落地路径更短。同时，TBS 的二分类降级（NILM vs 其余）也是天然可得的——研究者在"正常/异常"二分类任务上常直接把 LSIL+HSIL+SCC 合并为异常类。

值得注意的是，四类中 NILM 与 LSIL 是"边界易混"区：NILM 中可能含反应性改变、炎症等易被误判为低级别病变的细胞；而 HSIL 与 SCC 的边界同样模糊——这与文献报告一致。数据论文引用了 Gray 等人的宫颈细胞形态计量学描述作为区分依据，说明分类并非随意，而是有病理学标准支撑。

2.4 类别不平衡：本数据集的头号挑战

把 613、163、113、74 四个数字放进同一张图，问题立刻显现：NILM 占 63.7%，SCC 仅占 7.7%，多数类与少数类之比约 8.3:1。即便做二分类，正常 613 与异常 350 也仍有约 1.75:1 的差距。

这种不平衡有深刻的现实根源，而非数据集的缺陷：真实筛查人群中，绝大多数受检者本就是阴性（正常），癌前病变与癌症只是少数。也就是说，Mendeley LBC 的分布恰恰忠实地反映了真实筛查人群的流行病学——这正是它作为"真实世界数据集"的价值所在。但代价是，任何在该集上直接最大化准确率的模型都可能"押注 NILM"：只需全部预测为正常，准确率就有 63.7%。

因此在该集上做实验，必须至少做到以下几点，否则性能数字毫无意义：

• 报告类别级指标：不看总体准确率，而看 macro-F1、每类 recall、混淆矩阵；
• 类别加权或重采样：加权随机采样、SMOTE、focal loss 等；
• 分层划分：确保每折中四类都有代表性样本；
• 区分边界：文献（如 arXiv 2607.09837 的校准研究）发现，模型混淆集中在 HSIL↔SCC 边界，而 NILM/LSIL 几乎不出错——这一模式值得研究者重点关注。

2.5 与"细胞级"数据集的粒度边界

理解 Mendeley LBC，必须理解它的标签粒度。它是图像级（image-level）分类数据集：一张图对应一个 TBS 类别，而不是对图中每个细胞或每个像素做标注。这一点与几类常见混淆对象形成鲜明对比：

• Herlev（herlev-pap）：917 张单个细胞图像，7 类，逐细胞手动分割出背景/细胞质/细胞核——是单细胞形态分析数据集；
• SIPaKMeD（sipakmed）：4049 张单个细胞图像，5 类——同样偏细胞级；
• CRIC（cric）：400 张常规涂片图，含 11,534 个已分类细胞，TBS 六类——图像级 + 细胞级兼具；
• Mendeley LBC：963 张涂片视野图像，4 类，只有图像级标签。

换言之，如果你的研究任务是"给定一个视野图，判断整体病变等级"，Mendeley LBC 完全对口；如果是"在图中定位并分类每个细胞"，则需要 cdetector、CRIC 或 HiCervix 这类带检测框或细胞级标注的数据集。把粒度搞混，是使用 Mendeley LBC 时最常见的错配（§10 坑 3）。

2.6 规格速查表

表 2-3 Mendeley LBC 规格速查

项目	取值
图像总数	963
受试者数	460
类别数	4（TBS）
各类计数	NILM 613 / LSIL 163 / HSIL 113 / SCC 74
放大倍率	400× 总放大（40× 物镜 × 10× 目镜；官方页写 40×）
图像尺寸	2048 × 1536 像素
图像格式	JPG
显微镜	Leica DM 750 + ICC50 HD 相机
制片方法	液基细胞学（SurePath），H&E 染色
采集中心	3 家（Imphal + Guwahati 两处）
标签粒度	图像级（类别标签）
许可	CC BY 4.0
版本	V4（2019-11-18，最新）

2.7 类别体系对照：TBS 与 CIN 名词体系

理解 Mendeley LBC 的标签，绕不开一个现实世界的"术语双轨制"：临床病理报告常同时使用两套名词——The Bethesda System（TBS）的细胞学名词，以及 CIN（Cervical Intraepithelial Neoplasia，宫颈上皮内瘤变）的组织学分级。二者虽常被混用，但描述的对象并不相同：TBS 描述"细胞学（涂片看到的细胞）“，CIN 描述"组织学（活检取下的组织）”。

表 2-4 TBS 与 CIN 名词对照（近似，非严格一一对应）

TBS（细胞学）	CIN（组织学）	临床含义	Mendeley LBC 计数
NILM	正常/CIN 阴性	未见病变	613
LSIL	大致对应 CIN 1	低级别病变	163
HSIL	大致对应 CIN 2/3	高级别病变	113
SCC	浸润癌	鳞状细胞癌	74

这一对照的意义在于：Mendeley LBC 采用的是细胞学 TBS 名词，因此它的标签应被理解为"病理医生对涂片细胞形态的判读结论"，而非"组织学确诊分级"。在临床路径中，LSIL/HSIL 的涂片判读通常会引导进一步的阴道镜与活检，组织学确诊才是金标准。研究者若把 Mendeley LBC 的标签当作"组织学金标准"来做临床效力宣称，就是越界了——这条边界必须守住。

2.8 文件组织与命名约定

Mendeley LBC 在 Mendeley Data 页面上的文件组织，是按 TBS 四类分目录（folder）存放图像。虽然官方页面在未登录状态下不总是完整展开文件列表，但据数据论文与众多使用者的通行描述，其结构大致为：

• 顶层：4 个类别目录（对应 NILM / LSIL / HSIL / SCC）；
• 每个目录下：该类的 JPG 图像文件；
• 图像命名：以编号标识，配合数据论文中提到的患者报告对照表（Excel，受控）。

使用者的一个常见工程问题是"如何建立 image → label 的映射"。由于目录名即类别，最稳妥的做法是遍历目录、以目录名赋标签（附录 F 的伪代码即采用此法）。切勿依赖文件名中可能存在的、含义不明的编号去反推类别——那容易在跨版本时出错。

2.9 数据清洗与质量控制线索

数据论文对清洗的记载集中在采集环节而非后期：其一，拍摄时"通过顺序移动目镜、控制最小重叠"来避免同一视野被重复采入；其二，“每张玻片取约 10 张最佳质量图像”，即已经过"质量筛选"这一关；其三，图像由病理专家判读时才赋予类别，意味着没有类别的图像不会进入发布集。

这些线索说明：Mendeley LBC 的"干净"来自采集与筛选流程，而非后期的自动化清洗。它的好处是数据来源可追溯；局限是没有公开的质量评分或伪迹标记，使用者若遇到成像质量差的图（如染色过深、细胞稀疏），只能自行过滤——这也是为什么文献中预处理（CLAHE 等）如此重要的原因之一。

2.10 与相邻数据集的规模-粒度矩阵

把 Mendeley LBC 放进"规模 × 标注粒度"的二维坐标系，它的位置一目了然。横轴是数据规模，纵轴是标注精细度：

表 2-5 宫颈细胞学数据集的规模-粒度矩阵

数据集	规模	粒度	类型
Herlev (483)	917 单细胞	细胞级（含分割）	常规 Pap
SIPaKMeD (490)	4049 单细胞	细胞级（5 类）	常规 Pap
Mendeley LBC	963 视野图	图像级（4 类）	LBC
BTTFA	104 视野图	像素级	LBC
Cervix93 (848)	93 图栈	核级（2705）	LBC
CRIC (847)	400 图 / 11534 细胞	图像 + 细胞级	常规 Pap
cdetector (849)	7410 裁剪图 / 48587 框	目标框（11 类）	LBC
HiCervix	40229 细胞/簇	细胞级（29 类层级）	LBC

这张矩阵揭示一个关键事实："规模大"与"粒度细"往往不能兼得。Herlev/SIPaKMeD 粒度细但规模小；cdetector/HiCervix 规模大但主要服务于检测或细胞级任务；而 Mendeley LBC 恰好卡在"中等规模 + 图像级分类"这一格——这正是它不可被直接替代的原因：需要"整张视野图 → 一个 TBS 类别"这一特定映射的研究，很难从其他数据集得到完全等效的替代。

2.11 数据集的"时间戳"意义

把 Mendeley LBC 放回时间线上：它发布于 2019 年底（V4 于 2019-11-18），论文 2020 年发表。这个时间点很关键——它正好处在深度学习医学图像分类从"兴起"走向"普及"的阶段。彼时，ImageNet 预训练 + 迁移学习已是标配，但真实临床、开放许可、标准标签的宫颈细胞学数据仍然稀缺。Mendeley LBC 恰好填补了这一空档。

从今天的眼光回看，它的"规模"已不算大，但它的"真实 + 开放 + 标准"三属性，仍是许多后续数据集努力对标的标杆。数据集的"时间戳"不只记录发布年份，更记录了它相对于行业需求的"补位"作用——这正是理解一个数据集历史意义的正确方式。

§3 任务与标注体系

3.1 主打任务：多分类图像分类

Mendeley LBC 的官方定位是"支持与图像分割及最终分类相关的完整决策支持系统研究"（Mendeley 描述）。但就实际提供的数据结构而言，其直接可用的主任务是四分类图像分类：输入一张 2048×1536 的液基涂片图，输出 NILM/LSIL/HSIL/SCC 之一。

围绕这一主任务，研究社区发展出若干任务变体：

1. 四分类（4-way）：完整 TBS 四类，最能体现细粒度判读能力，也是最有临床意义的设置；
2. 二分类（binary）：NILM vs 异常（LSIL+HSIL+SCC 合并），对应"是否需要转诊/进一步检查"的临床决策；
3. 三分类（变体）：部分研究把 SCC 与 HSIL 合并为"高级别"，得到 NILM/LSIL/高级别三类；
4. 作为联合评估集：与 SIPaKMeD 等合并训练或做跨集评估（§7.3）。

需要强调，Mendeley LBC 不提供分割掩码，因此严格意义上的语义分割任务无法直接在其上做；文献中提及的"分割"通常指研究者自行把原图裁剪成 ROI/patch 的预处理步骤，而非数据集自带的分割标签。

3.2 标注体系与质量保障

Mendeley LBC 的标注流程体现了"临床级标注"的严谨性：

• 标注者：病理科室专家（Data in Brief 论文称图像"由病理科专家阅读并分类"）；
• 标注标准：The Bethesda System（TBS），国际通用；
• 标注对象：整张涂片视野图对应一个 TBS 类别；
• 配套记录：每张图像与对应患者的医学报告一并保存在 Excel 中（数据集本身公开发放的是图像与类别，患者报告属受控信息）。

标注的可靠性来自两重保障：一是 TBS 标准本身有明确的细胞形态学判据；二是采集机构的三中心均执行统一伦理审查与知情同意。但必须诚实指出，细胞学判读本身存在固有的观察者间变异——即便资深细胞病理医生对同一张涂片也可能给出不同分级，尤其集中在 LSIL 与 HSIL、HSIL 与 SCC 的边界。数据集并未公开多标注者一致性统计（如 Kappa），因此其标签应视为"一位（或一组）专家的一次判读结果"，而非绝对金标准（§8.3）。

3.3 常用预处理与增强范式

由于原图较大（2048×1536）且总量偏小，在 Mendeley LBC 上开展研究前通常要做一套标准预处理。据多篇第三方论文（如 Springer 的 Cx22 团队、Sood et al. 2024 等）的通行做法：

• ROI 裁剪：从全图中裁出含细胞的感兴趣区块，转成 patch；
• 尺寸统一：将 patch 缩放至 256×256 或 224×224（匹配 ImageNet 预训练骨干）；
• 对比度增强：CLAHE（限制对比度自适应直方图均衡）改善过暗图像；
• 特征变换：HOG（方向梯度直方图）、离散小波变换（DWT）等；
• 数据增强：几何变换（旋转、翻转、仿射）、光度变换、边缘检测（Canny）等，常用 imgaug / ImageDataGenerator 实现；
• 类别平衡：加权随机采样等。

这套预处理范式在文献中高度收敛，说明 Mendeley LBC 已成为一个"工程流程标准化程度高"的基准——好处是复现门槛低，坏处是"预处理选择"本身可能成为性能差异的主要来源（同一模型在原始数据与预处理后的准确率可相差数十个百分点，§5.2）。

3.4 划分与评估协议

Mendeley LBC 没有官方固定的训练/验证/测试划分，这是使用它时必须自己处理的一件事。文献中的通行做法包括：

• 5 折交叉验证：最常见，便于在小数据集上充分利用样本（PMC8282795、arXiv 2108.09460 等均用 5 折）；
• 分层划分：按类别比例切分，应对不平衡；
• 80/10/10 或 80/20 划分：部分联合实验采用（如 Springer BMCMI 2025 联合 SIPaKMeD 的 80/10/10）；
• 评估指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall/Sensitivity）、F1 分数最常用；面对不平衡，macro-F1 与每类 recall 更具参考价值。

由于划分不固定，跨论文的性能数字不可直接比较——同样"98% 准确率"可能来自完全不同的划分与预处理。这是 Mendeley LBC 生态的一个现实问题，研究者引用性能时应同时注明划分协议（§5.1）。

§3（续）任务与标注体系

3.5 从"分类"到"决策支持"的路径

Mendeley 官方描述里有一个容易被跳过的词组：数据集"支持与图像分割及最终分类相关的完整决策支持系统（decision support system）"研究。这句话暗示了作者的愿景——数据不只是用来刷准确率，而是要为临床决策支持服务。

从一个图像分类器到一个决策支持系统，中间隔着若干台阶：

1. 分类器：输入图 → 输出 TBS 类别；
2. 不确定性输出：不只给类别，还给置信度（对应 §5.3 的校准议题）；
3. 人机协同：把低置信或边界案例交回病理医生复核；
4. 流程集成：接入筛查工作流，处理批量样本、生成报告；
5. 临床验证：在真实人群中证明其安全性（降低漏诊）与有效性（减少医生负担）。

Mendeley LBC 处在第 1 级——它是起点，不是终点。清晰认识这一"阶梯"，能避免把"数据集上的高准确率"误读为"临床可用的决策系统"。

3.6 标注的经济学

963 张图像背后，是 460 名受试者的筛查、3 家机构的协作、以及病理专家的逐图判读。用"数据标注经济学"的眼光看，这份数据集凝结的专家时间成本远高于其体量所示。

• 采样成本：460 例真实筛查样本，涉及临床操作、伦理流程、患者同意；
• 制片成本：LBC 制片（涡旋、离心、染色）每例都有耗材与人工；
• 成像成本：显微镜 + 相机的设备与操作时间；
• 标注成本：病理专家按 TBS 逐图判读的时间。

正因为每一张图都"带着成本"，公开这些数据（且用最宽松的 CC BY 4.0）才显得尤为慷慨。理解这一点，也就能理解为什么"样本量"在这类数据集上不能简单与"网络爬来的百万图"相提并论——专家标注的图像，单张的信息密度与可信度远高于海量弱标注数据。

§4 数据质量与临床语境

4.1 "真实临床数据"的含义与代价

Mendeley LBC 最核心的卖点是"真实临床数据（real-world clinical data）"。Data in Brief 论文开篇即点明动机：公开基准数据集提供算法比较的基线，但医院真实场景采集的数据同样重要，因为只有它能保证算法在"本地语境"下尽可能准确。

这句话背后有两层含义：

• 好处：真实涂片包含真实世界的噪声——炎症细胞、血液、黏液、制片伪迹、染色不均——在这些数据上训练的模型，鲁棒性往往比在"净化过的"实验图像上更接近临床可用；
• 代价：真实数据的标签质量、患者异质性、设备批次差异都更难控制，模型性能的方差更大，也更难解释。

换句话说，Mendeley LBC 换来了"临床真实性"，放弃了一部分"实验可控性"。这正是它区别于 Herlev/SIPaKMeD 这类"实验室净化"单细胞数据集的本质。

4.2 采集与伦理合规

数据集的可信度很大程度建立在合规性上。据 Data in Brief 论文与 AI-BT 数据说明：

• 三中心均执行伦理审查协议（ethical clearance protocol）；
• 全部 460 名受试者均获得患者知情同意（patient consent）；
• 受试者为前往公立医院妇产科就诊、有各类妇科问题的筛查女性；
• 图像由病理专家判读并与患者报告对应保存。

这些合规步骤使 Mendeley LBC 成为一个"可以放心用于发表"的数据集——研究者在论文中引用它不会面临伦理质疑，这也是它被大量采用的原因之一。

4.3 潜在偏倚与使用边界

诚实地使用 Mendeley LBC，需要认识它的偏倚来源：

1. 地域/人群偏倚：全部来自印度东北部特定区域，族裔与 HPV 型别分布不代表全球；
2. 中心偏倚：虽有三中心，但样本量分布未知，且主要由 GMCH 贡献；
3. 时间偏倚：样本集中于 2019 年前后，无法反映近年筛查技术或人群变化；
4. 设备偏倚：单一显微镜与相机型号（Leica），染色与扫描条件固定；
5. 病例选择偏倚：受试者是"有妇科问题的就诊者"而非社区随机抽样人群，病变比例可能高于普通筛查人群。

这些偏倚不否定数据集的价值，但决定了正确的使用姿势：把它当作"区域临床基准"，而非"全球通用基准"；在报告结果时说明适用人群；若目标部署人群不同，务必做外部验证。

4.4 与其他 LBC 数据集的临床语境对比

表 4-1 宫颈细胞学数据集的临床语境对比

数据集	类型	来源	粒度	公开性
Mendeley LBC	LBC	印度三中心（真实筛查）	图像级 4 类	CC BY 4.0 直链
Herlev (483)	常规 Pap	丹麦 Herlev 医院	单细胞 7 类	公开
SIPaKMeD (490)	常规 Pap	希腊 Ioannina 大学	单细胞 5 类	公开
CRIC (847)	常规 Pap	巴西 UFOP	图像+细胞级 6 类	公开（需注册）
Cervix93 (848)	ThinPrep LBC	美国	图像栈 3 类	GitHub 公开
cdetector (849)	LBC	中国	检测框 11 类	GitHub 公开

从这张表可以看出，Mendeley LBC 在"LBC 类型 + 图像级分类 + 开放许可"这一组合上是相对独特的：它与 Cervix93、cdetector 同属 LBC，但 Cervix93 偏检测、cdetector 偏目标检测，只有 Mendeley LBC 提供干净的四类图像级分类标签；它与 Herlev/SIPaKMeD 同属"分类"任务，但后两者是单细胞、非 LBC。正是这种互补性，使 Mendeley LBC 在宫颈细胞学数据集生态中占据了不可替代的一角（§7）。

§4（续）数据质量与临床语境

4.5 为什么"背景干净"对 LBC 尤其重要

液基细胞学的核心工程优势，是它能把传统涂片里大量干扰物去掉。传统 Pap 涂片在玻片上直接涂抹样本，常伴随红细胞、黏液、炎症细胞层层堆叠，把真正的上皮细胞"埋"在背景里；而 LBC 通过保存液 + 沉降/离心的方式，先一步去除大部分碎屑，再形成薄而均匀的细胞层。Mendeley LBC 采用的正是这一工艺，因此其图像背景比传统涂片更"干净"、细胞更"铺得开"。

这一点对机器学习直接有意义：背景噪声越小，模型越容易聚焦于有诊断价值的细胞形态，而不是被血液或黏液"带偏"。这也是 Mendeley LBC 相对 Herlev 等老一代常规涂片数据集的一个隐性优势——尽管后者做了单细胞切分，但 Mendeley LBC 保留的是真实 LBC 视野，更贴近当前临床筛查的制片主流。

4.6 图像质量的双刃剑

不过，"真实"也意味着 Mendeley LBC 中不可避免地包含质量参差的图像：由于是真实涂片，某些视野可能细胞密度低、染色不均、或含少量残存伪迹。文献中反复出现"CLAHE 显著提升性能"这一观察（§5.2），其实就是这一现实的注脚——如果图像质量本就完美，又何须对比度增强？

因此，使用 Mendeley LBC 时，"图像质量"应被视为一个需要管理的变量，而非理所当然的前提。负责任的报告应说明：是否做了质量筛选？筛选标准是什么？是否对低质量图做了增强？这些细节，往往比模型架构更能解释性能差异。

4.7 患者级数据缺失的影响

Mendeley LBC 未公开患者级的元数据——年龄、HPV 感染状态、既往筛查史、随访结局等均不在公开数据集中。这带来三重影响：

1. 无法做分层分析：不能研究"模型在年轻/年长、HPV 阳性/阴性人群中表现是否不同"；
2. 无法做纵向建模：没有同一患者多次筛查的配对数据，无法研究病变进展；
3. 划分时的泄漏风险：若同一患者贡献了多张图像而研究者随机划分，训练集与测试集可能出现"同一患者的不同图"，导致性能虚高。

第三点尤其值得警惕。由于 460 名患者贡献 963 张图（人均约 2 张），患者级泄漏是真实存在的风险。规范做法是：若能从元数据区分患者，应做"患者级划分（patient-level split）“而非"图像级划分”。Mendeley LBC 公开版未提供患者 ID 映射，这使得严格的患者级划分难以实施——这是它作为基准集的一个结构性遗憾（§10 坑 9 相关）。

4.8 一个具体的"临床语境"还原

为了把抽象的"真实临床"落到实处，不妨还原 Mendeley LBC 中一张图从患者到数据集的完整旅程：

1. 一位女性因妇科问题到 Gauhati Medical College and Hospital 妇产科就诊，医生建议做宫颈筛查；
2. 在知情同意后，医生在宫颈转化区取样，样本刷置入液基保存瓶；
3. 实验室对样本涡旋、沉降、离心、染色，制成薄层涂片；
4. 病理医生在显微镜下读片，判定该病例的 TBS 类别；
5. 在 400× 下拍摄约 10 张最佳质量图像，与患者报告对应登记；
6. 该图像经筛选后进入公开数据集，并沿用病理医生的类别标签。

这条链条的价值在于：它把"一张图"重新还原为"一次真实的临床决策"。也正因此，Mendeley LBC 上的每一次分类错误，在现实语境里都可能对应一次"判读分歧"或"漏诊风险"——这是它比合成数据更"重"的地方。

4.9 与合成数据/增广数据的边界

在深度学习实践中，有研究者会尝试用生成模型（GAN、扩散模型）合成更多宫颈细胞图来扩充 Mendeley LBC。这需要谨慎：

• 合成数据的标签可信度依赖生成器：若生成器本身不理解病理，合成图的"标签"可能名不副实；
• 分布漂移：合成数据可能放大或掩盖真实的形态多样性；
• 伦理与合规：用真实患者数据训练生成器需额外伦理考量。

规范做法是把合成/增广数据用于训练期增强，而评估必须始终基于真实图像。若研究声称"用合成数据提升了 Mendeley LBC 上的性能"，应明确区分"训练用增广"与"测试集"，避免自欺。

4.10 数据集的"最小可用剂量"

对首次接触 Mendeley LBC 的研究者，一个实际问题：要用多少数据才能做出有意义的结果？经验上：

• 入门/教学：几十张即可跑通流程，理解类别不平衡；
• 方法验证：完整 963 张 + 5 折 CV 是标准配置；
• 发表级结论：建议同时报告完整集结果与跨折稳定性，并说明划分协议；
• 临床级主张：963 张远远不够，必须辅以多中心、更大规模数据的验证。

认清"最小可用剂量"与"主张所需剂量"的差别，能避免"在一个小集上跑出高准确率就宣称临床可用"的常见越界。

§5 评估与基准

5.1 说明：这是一份"社区基准"而非"官方榜单"

必须首先澄清一个常见误解：Mendeley LBC 没有官方 leaderboard 或固定评估协议。它不像 ImageNet 或某些挑战赛数据集那样提供统一的测试集与排行榜。因此本节所列的所有性能数字，都来自第三方研究论文在各自划分协议下报告的结果，彼此不可直接横比。

这不影响它作为"基准"的地位——恰恰相反，正因为它是开放直链、标准清晰、被广泛采用，它事实上成了宫颈细胞学分类研究的事实标准评估集（de facto benchmark）：新方法往往把它作为三个必测数据集之一（另两个常是 Herlev、SIPaKMeD）。但要读懂这些数字，必须配上"划分协议"与"预处理"两个坐标。

读这组数字的四条守则：

1. 看划分：5 折交叉验证 vs 固定 hold-out，数字不可混比；
2. 看预处理：原始数据训练还是经过 ROI 裁剪 + CLAHE + 增强，性能差异可达数十个百分点；
3. 看指标：总体准确率在类别不平衡下会虚高，优先看 macro-F1 与每类 recall；
4. 看骨干：ResNet/Xception/DenseNet/ViT 等不同骨干，加之是否 ImageNet 预训练，直接影响结果。

5.2 代表性性能报告（第三方，按论文口径）

以下是文献中可核实、被反复引用的 Mendeley LBC 性能报告，均注明来源与口径：

• Sood et al. 2024（Biomedical Physics & Engineering Express，DOI 10.1088/2057-1976/ad7bc0）：在 Mendeley LBC 上，ResNet 原始数据训练准确率仅 63.95%；加入图像归一化、缩放、HOG 预处理后升至 96.74%；进一步引入注意力机制 + 预处理的 Xception 模型达 98.95%（precision 0.97 / recall 0.99 / F1 0.98）。这组数字最生动地展示了"预处理决定一切"——同一数据集，同一类骨干，预处理前后相差 30 余个百分点。
• PMC8282795（模糊秩集成 CNN）：使用 Mendeley LBC 训练时间为每折约 25 分钟（对比 SIPaKMeD 约 90 分钟），反映该集规模较小、训练成本低；采用 5 折交叉验证，报告了高准确率与灵敏度。
• Springer BMCMI 2025（混合 ViT + 集成 CNN）：将 Mendeley LBC 与 SIPaKMeD 合并（9 类），合并后训练/验证/测试为 3484 / 772 / 755 张；预处理含 ROI 裁剪、CLAHE、缩放至 256×256，采用 DenseNet201/InceptionResNetV2/Xception 等骨干。
• arXiv 2607.09837（可靠性与校准研究，2026）：以 Mendeley LBC 原生四类（而非二分类降级）做类别不平衡感知与校准研究，用 Swin-Tiny/TinyViT-5M/DenseNet121 三骨干 + 加权随机采样；核心发现是校准（温度缩放）是可靠性的主导手段，集成规模几乎无额外收益；且所有分类错误都局限在 HSIL 与 SCC 边界，NILM 与 LSIL 从不出错。

表 5-1 代表性性能报告速查

来源	骨干/方法	报告性能	口径备注
Sood et al. 2024	ResNet（原始数据）	准确率 63.95%	无预处理
Sood et al. 2024	ResNet + HOG + 注意力	准确率 96.74%	预处理+注意力
Sood et al. 2024	Xception + 预处理 + 注意力	准确率 98.95%（F1 0.98）	最佳报告
PMC8282795	模糊秩集成 CNN	高准确率/灵敏度	5 折 CV
arXiv 2607.09837	Swin/TinyViT/DenseNet + 校准	校准前后识别指标持平	错误集中 HSIL↔SCC

5.3 不平衡与可靠性：本集特有的评估议题

Mendeley LBC 的评估讨论中，有两个议题比其他数据集更突出：

议题一：类别不平衡如何污染准确率。 由于 NILM 占绝对多数，任何不设防的模型都能拿到 60%+ 的"基线准确率"。真正有意义的问题是"少数类（尤其 SCC）能不能被识别出来"。因此在该集上报告性能，SCC 的 recall 与 macro-F1 比总体准确率更能说明问题。文献中不少"99% 准确率"的报告，若不做类别加权或分层评估，其实可能对少数类毫无能力。

议题二：可靠性与校准。 arXiv 2607.09837 首次系统地把"校准"引入 Mendeley LBC 评估，指出：真实 LBC 集合小且不平衡，模型不仅要"准"，还要"知道自己有多不确定"。该研究发现温度缩放能显著降低期望校准误差（ECE）、Brier 分数与负对数似然（NLL），而不改变识别指标（准确率、macro-F1、macro-AUROC）。这一视角提示：在小规模不平衡临床集上，可靠性评估应与性能评估并重。

议题三：HSIL 与 SCC 的边界。 多篇论文（含 2607.09837）观察到，模型在 NILM、LSIL 上几乎不出错，错误高度集中于 HSIL↔SCC 边界。这与临床现实一致：高级别病变与浸润癌在细胞形态上确有连续过渡，判别本身困难。因此在该集上，"提升 HSIL/SCC 分辨力"是比"提升总体准确率"更值得追求的目标。

5.4 与相邻数据集的联合评估惯例

Mendeley LBC 极少被单独评估，更常见的是与 SIPaKMeD 并列或联合。典型模式有两类：

• 并列评估：在同一论文中对 Mendeley LBC 与 SIPaKMeD 分别训练、分别报告，用于展示方法的通用性；
• 联合训练：把两集合并（类别合并后约 9 类），扩大训练数据，缓解单集样本不足（Springer BMCMI 2025 即采用此法，合并后训练集 3484 张）。

这种"联合惯例"的存在，本身说明了 Mendeley LBC 的定位——它不是"独孤求败"的大数据集，而是生态中的一块拼图，需要与 Herlev、SIPaKMeD、CRIC 等配合使用，才能覆盖宫颈细胞学研究的完整任务谱系（§7）。

5.5 性能数字为何如此"发散"？

浏览 Mendeley LBC 的文献，会看到从 63.95% 到 98.95% 的宽谱性能。这种"发散"不是数据集的缺陷，而是三个变量共同作用的结果：

1. 划分差异：谁进训练、谁进测试不同，结果自然不同；
2. 预处理差异：是否 ROI 裁剪、是否 CLAHE、图像尺寸多大，影响可达数十个百分点；
3. 评估口径差异：总体准确率 vs macro-F1，二分类 vs 四分类，数字含义天差地别。

理解了这一点，就能避免一个常见误区：不要试图从文献里"抄一个数字"当作该数据集的标准性能。更健康的做法是对标一篇与你任务设置最接近的论文，复现其协议，再在此基础上改进。

5.6 少数类 SCC 的识别：真正的难点

如果把 Mendeley LBC 上所有模型的混淆矩阵摆在一起，会看到一个反复出现的模式：NILM 与 LSIL 很少被弄错，错误集中在 HSIL 与 SCC 之间。这意味着两件事：

其一，"正常 vs 低级别"的区分对本集而言相对容易——这也是为什么总体准确率容易做高；

其二，真正困难的是高级别病变与癌的区分，而这恰恰是临床最关心的（漏掉 SCC 后果严重）。因此，评估 Mendeley LBC 上模型价值的高低，不应看总体准确率，而应看 SCC 的 recall 以及 HSIL/SCC 边界的混淆程度。

这条洞察对做该数据集研究的人极具指导性：与其追求把 98.95% 刷到 99.2%，不如思考"如何让模型在 HSIL/SCC 边界更少犯错、且犯错时更早暴露不确定性"。

5.7 复现性挑战与建议

Mendeley LBC 的复现性挑战，主要来自"没有官方划分"。同一段代码，换个随机种子或划分方式，结果就可能显著变化。为提升可复现性，建议：

• 固定随机种子，并在论文中公开；
• 采用 5 折交叉验证，报告均值与标准差，而非单次结果；
• 公开预处理代码，尤其 CLAHE 参数与裁剪策略；
• 报告每折的混淆矩阵，便于他人核对；
• 注明版本（V4），避免版本差异带来的混淆。

这些做法虽增加工作量，却是把"一篇能发的论文"提升为"一份能被别人复现的贡献"的关键。

§6 获取与许可

6.1 一扇敞开的门：公开直链，无需申请

Mendeley LBC 在"获取门槛"这件事上，属于宫颈细胞学数据集里最友好的一档。它的获取方式极其简单：

1. 打开 Mendeley Data 页面：https://data.mendeley.com/datasets/zddtpgzv63；
2. 页面默认展示最新版本 V4（也可选择 V3/V2/V1）；
3. 点击 Download，直接下载——无需注册、无需付费、无需机构审批、无需邮件申请。

这与很多医学数据集的"请求制（upon request）"形成鲜明对比。对比同库内的 PANDA-PLUS（其像素级掩码需向通讯作者邮件申请），Mendeley LBC 是"拿来即用"的典型。也正因如此，它成为资源有限团队开展宫颈细胞学研究的首选入口之一。

6.2 许可：CC BY 4.0 的宽与限

Mendeley LBC 采用 CC BY 4.0（Creative Commons Attribution 4.0 International） 许可（Mendeley 官方页明确标注）。这是知识共享协议中较宽松的一档，核心条款如下：

你能做的：

• 共享（Share）：以任何媒介或格式复制、分发数据集；
• 改编（Adapt）：对数据集进行修改、再混合、再构建；
• 商用（Commercial）：将数据集或其衍生品用于商业目的。

你必须做的：

• 署名（Attribution）：必须给出适当署名，提供许可链接，并说明是否做了改动。署名方式需符合引用惯例，不得暗示作者为你的使用背书。

你不能做的：

• 附加法律条款或技术措施，限制他人做许可允许的事。

对研究者而言，CC BY 4.0 意味着：发表论文时可自由使用、可做增强与衍生、可在商业产品中使用，唯一硬性义务是规范引用。

6.3 标准引用方式

规范引用是 CC BY 4.0 的硬性义务，推荐两种格式：

• 引用数据集本身：

  Hussain, Elima (2019), “Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer”, Mendeley Data, V4. doi:10.17632/zddtpgzv63.4

• 引用数据论文：

  Hussain E., Mahanta L.B., Borah H., Das C.R. Liquid based-cytology Pap smear dataset for automated multi-class diagnosis of pre-cancerous and cervical cancer lesions. Data in Brief. 2020;30:105589. doi:10.1016/j.dib.2020.105589

若研究中还用到采集方法的细节，可一并引用关联论文（Tissue and Cell 65(2020)101347）。注意：这是 Mendeley LBC 本体的许可；若你使用的是某个第三方"重标注/重分类"衍生版本（例如 Zenodo 上基于本例的 reclassification 数据），那个衍生集可能另有更严格的许可（如 CC BY-NC-ND 4.0），需分别遵守。

6.4 版本链与"用哪一版"

Mendeley Data 页面记录了完整的版本历史：

表 6-1 Mendeley LBC 版本链

版本	发布日期	说明
Version 1	2019-11-15	初版
Version 2	2019-11-15	同日二版
Version 3	2019-11-15	同日三版
Version 4	2019-11-18	当前最新（推荐）

三版同日（11-15）发布、V4 三天后（11-18）发布，说明作者在初上线后做了快速迭代修订。Mendeley 未公开各版之间的具体变更说明（changelog），这是一处待核疑点（§9）。实践建议：引用与使用均以 V4 为准，并在文档中注明版本号（DOI 尾号 .4 即版本号），以便复现。

6.5 AI-Ready 视角下的得失

从"AI-Ready（AI 就绪）"的评价视角看，Mendeley LBC 有得有失：

得（优点）：

• 许可开放（CC BY 4.0）、获取直链（无申请）；
• 标签标准明确（TBS）、来源真实（临床筛查）；
• 图像规格统一（2048×1536）、工艺记录完整。

失（局限）：

• 规模小（963 张）、类别严重不平衡（8:1）；
• 无患者级元数据公开、无多标注者一致性统计；
• 无官方划分与评估协议，社区各自为政；
• 单一区域/人群/设备，泛化性受限。

这是一份"门槛低但天花板也清晰"的数据集：适合快速验证与基准对比，但若要追求临床级鲁棒模型，必须辅以更大规模数据与外部验证。

6.6 与库内可获取性光谱的对照

表 6-2 宫颈细胞学数据集可获取性对照

数据集	许可	获取方式	门槛
Mendeley LBC	CC BY 4.0	Mendeley Data 直链	最低（无需申请）
SIPaKMeD (490)	学术使用	官网下载	低
Herlev (483)	学术使用	官网下载	低
CRIC (847)	学术使用	官网注册	中
Cervix93 (848)	学术使用	GitHub	低
cdetector (849)	学术使用	GitHub	低

Mendeley LBC 在这张表中的位置很清楚：许可最宽（唯一明确 CC BY 4.0）、门槛最低（唯一明文无需注册申请）。这既解释了它为何被如此广泛地采用，也提醒使用者——正因门槛低，不同团队的质量控制水平参差，引用其上的性能数字时对口径要更警惕。

§6（续）获取与许可

6.7 下载后的第一步：核对完整性

从 Mendeley Data 下载 Mendeley LBC 后，建议第一步不是直接训练，而是核对：

• 图像总数是否为 963：四类目录分别应为 613 / 163 / 113 / 74；
• 图像尺寸是否为 2048×1536：抽查若干张；
• 四类目录是否齐全：缺任一类都说明下载不完整；
• 文件是否可正常打开：排除下载损坏。

完成这一步再开始建模，能避免"因为少了几十张图而得出错误结论"这类低级但致命的错误。尤其当文件从多个镜像或二次分发点获取时，完整性核对更为必要。

6.8 版本选择的实操建议

虽然 V4 是最新且推荐版本，但在实践中会遇到"某篇论文用的是 V1"的情形。此时该如何处理？

• 原则上用 V4：与最新研究对齐，减少"版本孤岛"；
• 若复现旧论文：明确使用其对应版本，并在结果中注明版本差异；
• 报告时写明版本：一句"使用 Mendeley LBC V4（doi:10.17632/zddtpgzv63.4）"就能排除大部分歧义。

由于 Mendeley 未公开版本间的变更说明（§9 待核），跨版本比较时应保持谨慎——若样本数或标签有变，性能差异可能部分来自版本而非方法。

6.9 与其他"开放 vs 受限"数据集的心态对照

医学数据集的获取门槛，大致可分四档：

• 完全开放（如 Mendeley LBC、部分 UCI 数据集）：直链下载，许可清晰；
• 注册开放（如 CRIC、部分 PhysioNet）：注册即可，通常还需签署使用协议；
• 请求制（如 PANDA-PLUS 掩码）：需邮件申请、说明用途、有时需机构背书；
• 受控访问（如 MIMIC、部分基因组数据）：需培训认证 + DUA 协议。

Mendeley LBC 处在最开放的一档。使用它时，一方面应善用这份便利，另一方面也应意识到——开放不等于无约束，CC BY 4.0 的署名义务必须履行。养成"用数据必查许可、必标来源"的习惯，是整个研究社区健康运转的基础。

§7 生态与影响

7.1 在宫颈细胞学数据景观中的位置

Mendeley LBC 诞生在宫颈细胞学 AI 数据集的一个关键节点：2018-2020 年间，Herlev（1990s 老集）、SIPaKMeD（2018）、CRIC（2021）等数据集陆续成为基准，但这些数据集要么偏"单细胞"、要么偏"常规涂片"。Mendeley LBC 的独特贡献在于：它是较早的、真实的、图像级的、按 TBS 分类的 LBC 数据集之一。

系统综述（如 ScienceDirect S2352914825001157）把 Mendeley LBC 与 Herlev、CRIC、ISBI 2014、Intel & MobileODT、HiCervix 等并列，说明它已进入"标准被综述收录的数据集"行列。在综述的分类表中，Mendeley LBC 常被标注为 “LBC / TBS / Classification / 963 images / 4 classes”，与 Cervix93（LBC/Detection）、cdetector（LBC/TBS/Detection）形成 LBC 家族内的任务分工。

7.2 与库内相邻数据集的关系

Mendeley LBC 与本库内多个宫颈细胞学条目构成互补生态：

• herlev-pap（rid 483）：917 张单细胞、7 类、丹麦；与 Mendeley LBC 常被并列评估，但粒度与人群完全不同；
• sipakmed（rid 490）：4049 张单细胞、5 类、希腊；是 Mendeley LBC 文献中最常见的"联合评估搭档"（多篇论文合并两集）；
• cric（rid 847）：400 张涂片 + 11,534 细胞、6 类、巴西；提供 Mendeley LBC 缺失的细胞级标注；
• cervix93（rid 848）：ThinPrep LBC、93 组图、2705 标注核、3 类；同为 LBC，但偏检测；
• cdetector（rid 849）：7410 张 LBC 裁剪图、48,587 目标框、11 类；同为 LBC，偏目标检测；
• cytoimagenet（rid 31）/ papila（rid 765）：更广义的细胞学/Pap 涂片数据生态成员。

这组关系提示一个实用的检索路径：做"图像级四分类"→ Mendeley LBC；做"单细胞形态"→ Herlev/SIPaKMeD；做"细胞检测/分割"→ CRIC/cdetector；做"LBC 检测"→ Cervix93。

7.3 被引与影响

Mendeley LBC 的影响力可从两个信号读出：

• 被大量深度学习论文引用：从集成 CNN（Tissue and Cell 2020、Sci Rep 2021）、强化学习（MDPI Computation 2023）、Transformer/注意力（IOP 2024、Springer 2025）、到校准与可靠性（arXiv 2026），跨越了方法论的多个代际；
• 进入系统综述：多篇宫颈癌计算机视觉综述把它列为标准数据集之一。

它之所以"经久不衰"，核心在于前面反复强调的三点：真实来源、开放许可、标准标签。在医学 AI 数据治理日益严格的今天，"一个可以合法、免费、直接下载的临床级数据集"本身就是稀缺资源。

7.4 推动的研究方向

Mendeley LBC 的存在，事实上塑造了几个研究方向：

1. 类别不平衡学习：8:1 的不平衡使它成为测试 focal loss、重采样、代价敏感学习的好平台；
2. 小样本与迁移学习：963 张的规模迫使研究者依赖 ImageNet 预训练与数据增强，推动了医学小样本学习研究；
3. 模型可靠性/校准：真实不平衡集上的不确定性量化，成为新近热点；
4. 多数据集联合：与 SIPaKMeD 等的联合训练，推动了跨数据集融合研究；
5. 临床落地评估：从"准确率"到"HSIL/SCC 边界识别"的评估重心转移。

可以说，一个数据集的价值不仅在于它"有什么"，更在于它"激发了什么研究"。Mendeley LBC 在这两层都留下了清晰的印记。

7.5 对宫颈癌筛查公平性的意义

在讨论 Mendeley LBC 的影响时，一个常被低估的维度是全球健康公平性。宫颈癌的负担高度不均：低收入与中等收入国家（LMIC）承担了全球绝大多数宫颈癌死亡，而恰恰是这些地区最缺细胞病理医生。印度东北部本身就是一个"资源受限 + 负担沉重"的缩影——正是在这样的背景下，一个来自该区域、免费开放、真实临床的数据集，具有超越纯技术的影响力。

它的逻辑链是这样的：开放数据 → 降低研究门槛 → 更多团队开发低成本自动筛查 → 资源匮乏地区受益。这条链当然不是自动闭合的（从"能在数据集上跑出高准确率"到"能在基层部署"隔着工程、监管、成本多道关卡），但数据层的开放，是整条链的起点。Mendeley LBC 的 CC BY 4.0 许可，让任何地区的任何团队都能零成本上手，这一点在"数据即壁垒"的医学 AI 时代尤为可贵。

7.6 与后续大规模数据集的接力关系

Mendeley LBC 之后，宫颈细胞学数据集出现了向"更大、更细、更层级化"发展的趋势：如 HiCervix（40,229 张标注细胞/簇图，4,496 张 WSI，29 类三层级）等。这些后续数据集在规模上远超 Mendeley LBC，但在"真实临床 + 开放许可 + 图像级 TBS 分类"这一具体组合上，Mendeley LBC 仍保有其历史地位。

二者的关系更像"接力"而非"取代"：Mendeley LBC 证明了"小规模真实临床数据也能支撑有价值的研究"，为后续大规模投入提供了信心；后续数据集则补齐了规模与标注粒度的短板。研究者常把两者放在同一综述里对比（如 ScienceDirect S2352914825001157 就把 Mendeley LBC 与 HiCervix 并列讨论），正是这种"接力"关系的体现。

7.7 一个被引用的"教学样本"

在医学 AI 课程与教程中，Mendeley LBC 常被用作类别不平衡 + 小样本的经典教学案例。原因很实际：它足够小（能在单机上跑完）、足够不平衡（能直观展示准确率陷阱）、又足够真实（不是玩具数据）。许多讲解 focal loss、重采样、macro-F1 的教程，会直接拿它当例子。

这种"教学样本"的角色，反过来又扩大了它的使用面——很多初学者是"从 Mendeley LBC 入门宫颈细胞学 AI 的"。一个数据集能同时服务前沿研究、基准对比与教学入门三种场景，本身就是一种成功。

7.8 局限与争鸣：它是不是"过时了"？

随着更大数据集出现，一个合理质疑是：963 张的 Mendeley LBC 是否已被时代淘汰？冷静的回答是：规模上它确实不再领先，但在"真实、开放、标准"这三点的组合上仍有价值。 一个数据集的价值不只看体量——ImageNet 之外的很多细分基准，体量都不大，却仍被持续引用，因为它们定义了某个具体任务的"共同坐标系"。

对 Mendeley LBC 而言，只要"真实临床 LBC 图像级四分类"这个任务还有人研究，它就会是绕不开的参照点。当然，研究者也应清醒：单靠它已难以支撑"临床级鲁棒模型"的宣称，必须辅以更大规模数据与多中心外部验证。把它当"入门与对比基准"而非"终极评估集"，是当下最恰当的使用姿势。

7.9 版权与二次分发的现实提醒

最后落到一个务实问题：CC BY 4.0 允许再分发与改编，但署名义务不可省略。实践中，不少二次整理者会把数据打包上传到其他平台却漏署名，这既违反许可，也割裂了数据与来源的可追溯链。负责任的做法是：二次分发时附带原始 DOI（10.17632/zddtpgzv63.4）与规范引用，并说明自己做了哪些改动（CC BY 4.0 要求"说明是否做了改动"）。对希望长期维护可信数据生态的社区而言，这种"来源可追溯"的纪律，比数据本身更需要守护。

§8 方法学启示

8.1 真实世界数据集是不可替代的

Mendeley LBC 给医学 AI 的第一个启示是：真实临床数据集的稀缺性与价值远超其体量。963 张在深度学习语境下是"小数据"，但它的价值不在数量，而在"真实"——真实筛查人群的真实分布、真实涂片的真实噪声、真实病理医生的真实判读。在实验室净化图像上训练出的模型，迁移到真实场景常会显著掉点；而 Mendeley LBC 从一开始就把模型放在真实语境里考验。

这提醒数据构建者：与其追求"大而假"，不如积累"小而真"。当然，最理想的是"大而真"——这正是 HiCervix（4 万+ 图像）等后续数据集努力的方向。

8.2 类别不平衡是"现实"，不是"缺陷"

很多介绍会把 Mendeley LBC 的类别不平衡当作缺点来写。更准确的视角是：这种不平衡忠实地反映了筛查人群的流行病学——真实世界里阴性就是绝大多数。因此，处理不平衡不应被视为"修正数据缺陷"，而应被视为"让模型匹配部署环境"的必要工程。任何试图通过简单过采样把类别"拉平"的做法，都可能让模型偏离真实先验。正确姿势是：保留真实分布，用加权/代价敏感方法让模型学会关注少数类。

8.3 标签粒度必须与任务匹配

Mendeley LBC 只有图像级标签，这一事实本身就是一堂方法学课：数据集的标签粒度决定了它能支撑的任务边界。用图像级标签做分割、用单细胞标签做视野分类，都是粒度错配。研究者在选数据前，第一件该问的事不是"它有多大"，而是"它的标签粒度能不能支撑我的任务"。Mendeley LBC 适合分类，不适合分割/检测——这条边界要清楚。

8.4 评估协议缺失是社区的集体责任

Mendeley LBC 没有官方划分，导致跨论文性能不可比。这不是作者一个人的问题，而是开放数据集治理的常见缺口。它提示社区：一个真正"AI-Ready"的数据集，不仅要有数据，还应有推荐划分、评测脚本与基线结果。Mendeley LBC 在这点上不及一些带 leaderboard 的挑战赛数据集。使用者在报告结果时，主动注明划分与预处理协议，是对社区的一种贡献。

8.5 许可开放是影响力的放大器

Mendeley LBC 采用 CC BY 4.0，是它被广泛采用的直接原因之一。对比很多"请求制"数据集——申请要等、审批有风险、商用不可——CC BY 4.0 让研究者"零摩擦"上手。这给数据构建者的启示很明确：在伦理允许的前提下，选择最开放的许可，会成倍放大数据集的使用与影响。当然，开放的前提是充分的去标识化与患者知情同意，Mendeley LBC 在这方面做了合规铺垫。

§8（续）方法学启示

8.6 小数据 + 强先验：医学 AI 的常态

Mendeley LBC 的 963 张图，放在自然图像领域微不足道，放在医学领域却"够用"。这反映了医学 AI 的一个常态：数据稀缺，但先验丰富。医学图像有解剖结构约束、有病理形态规律、有专家知识——这些先验可以在数据不足时提供支撑。

研究者由此发展出一系列"以先验换数据"的技术：迁移学习（借自然图像预训练）、数据增强（借几何/染色先验）、领域知识嵌入（借形态学规则）。Mendeley LBC 正是这些技术的理想试验场——它足够小，逼你思考先验；又足够真，让结论有意义。

8.7 标准标签的治理价值

Mendeley LBC 采用 TBS，看似只是一个技术选择，实则有深远的治理价值：统一的标准让跨研究、跨数据集的比较成为可能。如果每个数据集自创一套分类，那么它们的模型、指标、结论将无法对话。TBS 作为全球通用标准，使 Mendeley LBC 天然融入了宫颈细胞学的"公共语言体系"。

这给数据构建者的启示是：选择标准化的标签体系，胜过自创一套"更贴合自己数据"的分类。前者牺牲一点灵活性，换来的是生态级的可对话性。

8.8 让局限公开，是一种贡献

Mendeley LBC 的局限（小、不平衡、无元数据）是公开的，甚至可以说"一眼可见"。这种透明本身有价值：它让使用者不抱不切实际的期待，也让后续工作有了明确的改进方向。相比之下，一些规模更大却对局限讳莫如深的数据集，反而更容易误导使用者。

诚实地标注数据的边界，与提供数据本身同样重要——这是 Mendeley LBC 以其"朴素"给整个领域上的一课。

§9 与库内条目的关系

9.1 家族图谱

Mendeley LBC 在库内属于"宫颈细胞学 / 女性健康"数据集家族，与之关联的核心条目如下：

表 9-1 库内互链点

条目	rid	关系
herlev-pap	483	同为 Pap 细胞分类基准，单细胞 7 类；常被并列评估
sipakmed	490	单细胞 5 类；Mendeley LBC 文献中最常见的联合评估搭档
cric	847	巴西常规涂片，含细胞级标注；补足 Mendeley LBC 缺失的细胞级
cervix93	848	同为 LBC（ThinPrep），偏检测/图像栈
cdetector	849	同为 LBC，目标检测（11 类目标框）
cytoimagenet	31	广义细胞学图像数据集
papila	765	Pap 涂片相关数据集

9.2 检索路径建议

给不同需求的检索者三条路径：

1. 我要真实涂片、图像级分类、开放许可：Mendeley LBC（本例）——首选。
2. 我要单细胞形态、可以做细胞级分类：Herlev（483）或 SIPaKMeD（490）。
3. 我要细胞检测/分割、带密集标注：CRIC（847）或 cdetector（849）。

三条路径互相补充，共同覆盖宫颈细胞学 AI 的主要任务。Mendeley LBC 在其中扮演"真实 LBC 图像级分类"这一独特角色。

9.3 与库内其他"图像级分类"数据集的关系

从更宏观的分类看，Mendeley LBC 与本库内其他"医学图像分类"数据集共享同一套工程范式（ROI 裁剪、CLAHE、迁移学习、类别平衡），可与病理图像（如 NCT-CRC-HE、LC25000）、皮肤影像（ISIC 系列）、眼底（IDRiD 等）条目互为方法论参照。它在"类别不平衡 + 小样本 + 真实临床来源"这一点上，与皮肤影像、眼底影像数据集面临高度相似的方法学挑战。

§10 避坑清单：九个已踩过的坑

坑 1：放大倍率口径混淆（40× vs 400×）。
Mendeley 官方页写 “40x magnification”，而数据论文与综述写 “400x”。这不是错误，而是"物镜倍率"与"总放大倍率（40×物镜×10×目镜）"的表述差异。跨数据集比较分辨率或做尺度归一化时，若不做统一，会发生数量级错配。做法：统一按 400× 总放大理解，并在文中注明口径来源。

坑 2：把 BTTFA 或 Cervix93 误当成 Mendeley LBC。
LBC 家族里还有 BTTFA（104 张 LBC 图，DOI jks43dkjj7）、Cervix93（93 组图）、cdetector（7410 张）等。它们都是"LBC"，但规模、任务、许可各异，检索时极易混淆。做法：以 Mendeley Data DOI zddtpgzv63 为唯一身份锚点；"963 张、四类、460 患者"是本数据集的指纹。

坑 3：粒度错配——用它做分割/检测。
Mendeley LBC 只有图像级类别标签，没有像素级或细胞级标注。若拿它做语义分割或目标检测，会发现"无从下嘴"。做法：分类任务用它；分割/检测改选 CRIC（847）、cdetector（849）。

坑 4：被"高准确率"误导。
由于 NILM 占 63.7%，一个"全部预测正常"的模型就能有 63.7% 准确率；文献中"99% 准确率"若不做类别加权，可能对 SCC 毫无识别力。做法：报告 macro-F1、每类 recall、混淆矩阵，尤其关注 SCC 的 recall。

坑 5：误以为有官方划分或 leaderboard。
Mendeley LBC 没有官方训练/测试划分或排行榜。不同论文的划分各异，性能数字不可横比。做法：自建分层划分（推荐 5 折 CV），报告时注明协议与预处理。

坑 6：把某第三方重标注版本当作本体。
Mendeley LBC 已被第三方做过"重分类/重标注"（如 Zenodo 17259912），那个衍生集采用 CC BY-NC-ND 4.0（禁商用禁演绎），与本体的 CC BY 4.0 完全不同。做法：认准 Mendeley Data 官方 DOI；用衍生集时遵守其单独许可。

坑 7：忽略人群与地域偏倚。
数据集全部来自印度东北部特定区域，族裔与 HPV 型别分布不代表全球。做法：把结论限定在适用人群；跨人群部署前做外部验证。

坑 8：误信"三中心=三中心均衡"。
虽有三家机构，但样本量并未按中心披露，且主要采集地为 GMCH。做法：不要把"三中心"等同于"均衡多样的多中心"；跨中心泛化实验无法直接做。

坑 9：忽略观察者间变异。
细胞学判读本身存在固有的观察者间变异（尤其 LSIL/HSIL、HSIL/SCC 边界），数据集未公开多标注者一致性统计。做法：把标签视为"一次专家判读"，而非绝对金标准；报告时说明这一局限。

§11 总结

11.1 三句话总结

1. Mendeley LBC 是印度三中心真实临床采集的液基细胞学宫颈涂片图像数据集：963 张图、460 名受试者、TBS 四分类（NILM 613 / LSIL 163 / HSIL 113 / SCC 74）。
2. 它的核心价值是"真实 + 开放 + 标准"：真实筛查来源、CC BY 4.0 公开直链、TBS 国际标准标签——使其成为宫颈细胞学 AI 分类最常引用的 LBC 基准之一。
3. 它的核心挑战是"小 + 不平衡"：963 张、8:1 类别失衡，要求使用者以分层划分、类别加权、macro-F1 报告来应对，切勿被总体准确率误导。

11.2 适合谁

• 研究宫颈细胞学图像分类、需要真实临床 LBC 数据的研究者；
• 研究类别不平衡学习、小样本学习、迁移学习的算法团队；
• 研究医学模型可靠性/校准的研究者；
• 需要开放许可、可直接下载数据的教学与课程项目；
• 关注女性健康、公共卫生筛查 AI 的应用开发者。

11.3 不适合谁

• 需要大规模数据（数万以上图像）的深度模型预训练者——本集太小；
• 需要像素级分割或细胞级检测标注的任务——本集无此标注；
• 需要患者级纵向随访或临床结局的队列研究——本集未公开患者级元数据；
• 需要全球多族裔代表性的人群泛化研究——本集为单一区域。

11.4 30 秒决策卡

• 要什么：真实临床 LBC 图像、图像级分类、开放许可 → Mendeley LBC；
• 规模：963 张 / 460 患者 / 4 类（TBS）；
• 许可：CC BY 4.0，直链下载，无需申请；
• DOI：10.17632/zddtpgzv63.4（数据集）/ 10.1016/j.dib.2020.105589（论文）；
• 必做：分层划分 + 类别加权 + macro-F1 报告 + 注明划分协议；
• 别做：拿它做分割/检测；被总体准确率误导；忽略人群偏倚。

DAIMS 评估全表

DAIMS（Data and AI Readiness Measurement Schema）从多个维度评估数据集对 AI 应用的"就绪度"。以下为 Mendeley LBC 的逐项评估（每项 0-5 分，5 为最佳）：

表 DAIMS-1 Mendeley LBC 的 DAIMS 评估

维度	分值	说明
数据可获取性（Accessibility）	5	Mendeley Data 公开直链，无需申请注册
许可清晰度（License Clarity）	5	官方页明确 CC BY 4.0，条款无歧义
数据规模（Volume）	2	963 张，深度学习语境下偏小
图像质量（Image Quality）	4	2048×1536、400×、LBC 背景干净，H&E 染色
标签质量（Label Quality）	4	病理专家 + TBS 标准；但无多标注一致性统计
类别平衡性（Class Balance）	1	8:1 严重不平衡，少数类样本稀少
元数据完备性（Metadata）	2	提供图像与类别；患者级/中心级元数据未公开
文档完备性（Documentation）	4	有数据论文与关联论文，方法记录完整
标注粒度（Annotation Granularity）	2	仅图像级，无细胞级/像素级
评估协议（Benchmark Protocol）	2	无官方划分与榜单，社区各自为政
人群代表性（Population Representativeness）	2	单一区域/人群，全球代表性有限
伦理合规性（Ethics Compliance）	5	三中心伦理审查 + 460 名患者知情同意
可复现性（Reproducibility）	3	方法记录详细；但划分不固定、预处理差异大
跨域泛化（Cross-domain Generalization）	2	单一设备/染色/地域，泛化性受限

合计：43 / 70（约 61%）

解读：Mendeley LBC 的强项集中在"可获取性、许可、伦理、文档、图像质量"（均 4-5 分），弱项集中在"规模、类别平衡、元数据、标注粒度、泛化性"（均 1-2 分）。这与前文的判断一致：它是一份"门槛低、质量真、但因小而受限"的临床基准数据集。其"AI-Ready 就绪度"呈现明显的"长板极长、短板也明显"的双极形态——适合作为真实临床分类的入门与对比基准，但不适合作为大规模预训练或高精度泛化的唯一数据来源。

FAQ（高频问答 28 问）

A. 基础认知

Q1：Mendeley LBC 到底是什么？
一份公开的液基细胞学（LBC）宫颈 Pap 涂片图像数据集，963 张图、来自 460 名受试者，按 The Bethesda System 分为 NILM/LSIL/HSIL/SCC 四类，托管在 Mendeley Data。

Q2：为什么叫 “Mendeley LBC”？
因为托管平台是 Mendeley Data，数据类型是 LBC，学术社区取其平台名 + 数据类型的简称。官方全名是 “Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer”。

Q3：谁做的？
贡献者 Elima Hussain；数据论文作者为 Elima Hussain、Lipi B. Mahanta、Himakshi Borah、Chandana Ray Das，来自 IASST（Guwahati）与 GMCH。

Q4：什么时候发布的？
数据集 V1-V3 于 2019-11-15 发布，V4（最新）于 2019-11-18 发布；数据论文 2020 年发表于 Data in Brief。

Q5：为什么它重要？
因为它是少数"真实临床来源 + 专家 TBS 标注 + 开放许可"的 LBC 图像分类数据集，成为宫颈细胞学 AI 研究事实上的标准基准之一。

B. 数据与规格

Q6：总共有多少张图？
963 张。

Q7：四类各多少张？
NILM 613、LSIL 163、HSIL 113、SCC 74。

Q8：多少患者？
460 名接受宫颈筛查的女性受试者。

Q9：图像什么规格？
2048×1536 像素 JPG，400× 总放大（40× 物镜 ×10× 目镜），Leica DM 750 显微镜 + ICC50 HD 相机。

Q10：怎么制片的？
液基细胞学（SurePath）：取样入保存液 → 涡旋（3000 rpm，15-20s）→ 密度试剂沉降离心（2500 rpm，5min）→ 酒精洗 → H&E 染色 → 成像。

Q11：为什么用 LBC 而不是传统涂片？
LBC 固定更均匀、背景更干净、样本保存更好，且便于后续 HPV 检测与计算机辅助分析。

Q12：图像里有单细胞吗？
有，但不是分割好的单细胞——本集是整张涂片视野图，不做单细胞切分。

C. 任务与标注

Q13：可以做什么任务？
四分类（TBS 四类）、二分类（正常 vs 异常）、作为联合评估集。

Q14：有分割标注吗？
没有。只有图像级类别标签。做分割请选 CRIC 或 cdetector。

Q15：谁标注的？
病理科室专家，按 TBS 标准逐图判读。

Q16：有观察者一致性数据吗？
未公开。这是它的一个局限——标签应视为"一次专家判读"。

Q17：有官方划分吗？
没有。需研究者自建（推荐 5 折分层交叉验证）。

D. 许可与获取

Q18：许可是什么？
CC BY 4.0——可共享、可改编、可商用，需署名。

Q19：要申请吗？
不要。Mendeley Data 页面直接下载，无需注册付费或邮件申请。

Q20：怎么引用？
Hussain, Elima (2019), “Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer”, Mendeley Data, V4. doi:10.17632/zddtpgzv63.4。

Q21：用哪一版？
用 V4（2019-11-18，最新）。

Q22：能商用吗？
CC BY 4.0 允许商用，但必须署名，且不得附加限制他人使用的条款。

E. 挑战与注意

Q23：最大的挑战是什么？
类别不平衡（NILM:SCC ≈ 8:1）与规模偏小（963 张）。

Q24：怎么应对不平衡？
分层划分、类别加权/重采样、focal loss、报告 macro-F1 与每类 recall。

Q25：为什么"99% 准确率"要小心？
因为多数类占 63.7%，高准确率可能只反映对多数类的拟合，对 SCC 可能毫无能力。

Q26：模型错误集中在哪里？
文献发现错误高度集中在 HSIL↔SCC 边界，NILM/LSIL 几乎不出错。

Q27：有地域偏倚吗？
有。全部来自印度东北部，全球代表性有限，跨人群需外部验证。

Q28：和 HIPAA/GDPR 有什么关系？
数据集已做伦理合规与知情同意，公开版本不含直接身份信息；使用者仍应遵守所在司法辖区的数据治理规定。

FAQ（续）

G. 工程与复现

Q29：在单机上能跑完整训练吗？
能。963 张 2048×1536 的图像，若先裁剪缩放到 224×224，整个数据集规模不大，普通带 GPU 的工作站即可完成训练与 5 折交叉验证。文献报告每折训练仅约 25 分钟（PMC8282795）。

Q30：应该用多大输入尺寸？
文献常见 224×224（配 ImageNet 预训练骨干）或 256×256。更大尺寸未见稳定收益，反而增加显存与时间。

Q31：必须做数据增强吗？
强烈建议。小数据集极易过拟合，几何 + 光度增强能显著提升泛化。文献常用 imgaug / ImageDataGenerator。

Q32：如何避免患者级泄漏？
公开版无患者 ID 映射，严格的患者级划分难以实施。缓解措施：报告时说明这一局限；若未来元数据可得，改用患者级划分。

Q33：用 ResNet 还是 ViT？
两者都有文献支持。注意骨干选择不是唯一变量——预处理与类别平衡往往影响更大。Sood et al. 2024 显示同一 ResNet 因预处理不同可差 30+ 个百分点。

Q34：如何复现"98.95% 准确率"？
按 Sood et al. 2024 的流程：图像归一化 → 缩放 → HOG → 注意力机制 → Xception。但务必同时报告划分协议，否则数字不可比。

H. 生态与选型

Q35：Mendeley LBC 和 SIPaKMeD 能不能一起用？
能，且文献常这么做（如 Springer BMCMI 2025 合并两集为 9 类）。合并前需统一类别定义与预处理。

Q36：它和 Herlev 的区别？
Herlev 是 917 张单细胞 7 类（3 正常 + 4 异常），Mendeley LBC 是 963 张涂片视野 4 类（TBS）。前者偏细胞形态，后者偏视野分类。

Q37：想做目标检测选它吗？
不选。它没有检测框标注，应选 cdetector（849）或 CRIC（847）。

Q38：想做异常检测/开放集识别呢？
Mendeley LBC 可作基础，但需自行设计协议；其不平衡分布对异常检测有参考价值。

事实清单（硬事实 32 条）

1. 官方全名：Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer。
2. 通行简称：Mendeley LBC。
3. 数据 DOI：10.17632/zddtpgzv63.4。
4. 当前版本：Version 4，发布 2019-11-18。
5. 早期版本：V1/V2/V3 均 2019-11-15。
6. 数据论文 DOI：10.1016/j.dib.2020.105589。
7. 数据论文出处：Data in Brief 2020;30:105589。
8. 数据论文 PMID：32368601。
9. 数据论文 PMCID：PMC7186519。
10. 关联研究论文 DOI：10.1016/j.tice.2020.101347。
11. 关联研究论文出处：Tissue and Cell 65(2020)101347。
12. 图像总数：963。
13. 受试者数：460。
14. NILM 计数：613。
15. LSIL 计数：163。
16. HSIL 计数：113。
17. SCC 计数：74。
18. 正常类合计：613（NILM）。
19. 异常类合计：350（LSIL+HSIL+SCC）。
20. 放大倍率：400× 总放大（官方页写 40×）。
21. 物镜×目镜：40× × 10×。
22. 图像尺寸：2048×1536 像素。
23. 图像格式：JPG。
24. 显微镜：Leica DM 750。
25. 相机：Leica ICC50 HD。
26. 制片方法：液基细胞学（SurePath）。
27. 染色：H&E（苏木精-伊红）。
28. 采集中心：3 家（Imphal + Guwahati）。
29. 分类标准：The Bethesda System（TBS）。
30. 许可：CC BY 4.0。
31. 获取方式：Mendeley Data 公开直链，无需申请。
32. 主力挑战：类别不平衡（8:1）与规模偏小。

术语表（28 条）

• LBC（Liquid-Based Cytology，液基细胞学）：用保存液替代直接涂片的宫颈细胞学制片技术，背景更干净。
• Pap smear（巴氏涂片）：宫颈细胞学筛查的经典方法。
• TBS（The Bethesda System，贝塞斯达系统）：全球通用的宫颈细胞学报告术语标准。
• NILM：Negative for Intraepithelial Lesion or Malignancy，未见上皮内病变或恶性。
• LSIL：Low-grade Squamous Intraepithelial Lesion，低级别鳞状上皮内病变。
• HSIL：High-grade Squamous Intraepithelial Lesion，高级别鳞状上皮内病变。
• SCC：Squamous Cell Carcinoma，鳞状细胞癌。
• 转化区（Transformation Zone）：柱状上皮与鳞状上皮交界处，宫颈癌好发与取样部位。
• SurePath：一种液基细胞学制片技术品牌/方法。
• H&E：苏木精-伊红染色，病理常规染色。
• CLAHE：限制对比度自适应直方图均衡，用于增强图像对比度。
• HOG：方向梯度直方图，一种图像特征描述子。
• CNN（Convolutional Neural Network）：卷积神经网络。
• 迁移学习（Transfer Learning）：用预训练模型微调到新任务。
• 类别不平衡（Class Imbalance）：各类样本数差异悬殊。
• macro-F1：对各类 F1 简单平均，不平衡数据的公平指标。
• recall（召回率）/ sensitivity（灵敏度）：正确识别出的正类比例。
• 混淆矩阵（Confusion Matrix）：预测与真实类别的交叉计数表。
• 5 折交叉验证：将数据分 5 份轮流验证的评估法。
• 分层抽样（Stratified Sampling）：保持类别比例的分样本方法。
• ROI（Region of Interest）：感兴趣区域。
• patch（图块）：从大图裁剪出的小图块。
• 校准（Calibration）：使模型输出的置信度与实际正确率一致。
• ECE（Expected Calibration Error）：期望校准误差。
• 观察者间变异：不同判读者对同一图像给不同结论。
• Mendeley Data：Elsevier 旗下的数据托管平台。
• CC BY 4.0：署名即可自由使用（含商用）的知识共享许可。
• COV（学习曲线）：随训练数据增加性能涨落的曲线（本集小，易过拟合）。

附录

附录 A：条目信息速查卡

• 条目：Mendeley LBC（mendeley-lbc）
• 类型：液基细胞学宫颈 Pap 涂片图像分类数据集
• 规模：963 张 / 460 患者 / 4 类
• 许可：CC BY 4.0
• DOI：10.17632/zddtpgzv63.4
• 论文：Data in Brief 2020;30:105589
• 抓取时点：2026-10-04

附录 B：DAIMS 评估全表

见正文 §11 后 “DAIMS 评估全表”（合计 43/70，约 61%）。

附录 C：逐项证据链自证

表 C-1 关键事实的证据链

事实	来源 1	来源 2	来源 3
963 张 / 4 类	Mendeley 官方页	Data in Brief 论文	PMC8282795
613/163/113/74	ScienceDirect S2352914825001157	PMC8282795	arXiv 2108.09460
460 患者	Mendeley 官方页	Data in Brief 论文	MDPI Computation 2023
CC BY 4.0	Mendeley 官方页	—	—
400×/2048×1536	ScienceDirect 综述	MDPI Computation 2023	—
三中心	AI-BT 数据说明	Data in Brief 论文	ScienceDirect 综述

附录 D：数据获取决策树

需要宫颈细胞学数据？
├─ 要真实涂片 + 图像级分类 + 开放许可 → Mendeley LBC（本例）
├─ 要单细胞形态 → Herlev（483）/ SIPaKMeD（490）
├─ 要细胞检测/分割 → CRIC（847）/ cdetector（849）
└─ 要 LBC 检测/图像栈 → Cervix93（848）

附录 E：类别与标签映射

表 E-1 TBS 标签映射

标签	全称	二分类归并	临床含义
NILM	Negative for Intraepithelial Lesion or Malignancy	正常	未见病变
LSIL	Low-grade Squamous Intraepithelial Lesion	异常	低级别病变
HSIL	High-grade Squamous Intraepithelial Lesion	异常	高级别病变
SCC	Squamous Cell Carcinoma	异常	浸润癌

附录 F：加载与预处理骨架（伪代码）

# 假设已从 Mendeley Data 下载并按类别放入子目录
import os
from PIL import Image
import numpy as np

CLASSES = ["NILM", "LSIL", "HSIL", "SCC"]
CLASS_TO_IDX = {c: i for i, c in enumerate(CLASSES)}

def load_split(root, resize=(224, 224)):
    images, labels = [], []
    for c in CLASSES:
        d = os.path.join(root, c)
        for fn in os.listdir(d):
            img = Image.open(os.path.join(d, fn)).convert("RGB")
            img = img.resize(resize)          # 缩放至骨干输入尺寸
            images.append(np.asarray(img))
            labels.append(CLASS_TO_IDX[c])
    return np.stack(images), np.array(labels)

# 分层 5 折（注意：务必 stratify，否则少数类可能缺席某折）
from sklearn.model_selection import StratifiedKFold
X, y = load_split("mendeley_lbc")
skf = StratifiedKFold(n_splits=5, shuffle=True, random_state=42)
for tr, va in skf.split(X, y):
    # 训练时使用类别权重 counter(y) 的倒数
    pass

附录 G：类别权重计算示例

from sklearn.utils.class_weight import compute_class_weight
import numpy as np

y = np.array([0]*613 + [1]*163 + [2]*113 + [3]*74)   # NILM/LSIL/HSIL/SCC
w = compute_class_weight("balanced", classes=np.unique(y), y=y)
# w 会让 SCC 的权重显著高于 NILM，缓解 8:1 不平衡
print(dict(enumerate(w)))

附录 H：混淆矩阵解读要点

• 看对角线：对角线值是各类正确识别数；
• 看 HSIL/SCC 行：文献报告错误集中在此边界；
• 看 NILM 列：若 NILM 被大量误判为异常，说明过度报警；
• 看 SCC 的 recall：这是最该关注的少数类指标。

附录 I：评估指标速算表

指标	公式	用途
Accuracy	(TP+TN)/(TP+TN+FP+FN)	总体正确率（不平衡时会虚高）
Precision	TP/(TP+FP)	预测为正的可靠性
Recall	TP/(TP+FN)	正类的检出能力
F1	2PR/(P+R)	P 与 R 的调和平均
macro-F1	各类 F1 的算术平均	不平衡数据的公平总指标

附录 J：引用与署名模板

数据集引用：
Hussain, Elima (2019), “Liquid based cytology pap smear images for multi-class diagnosis of cervical cancer”, Mendeley Data, V4. doi:10.17632/zddtpgzv63.4

论文引用：
Hussain E., Mahanta L.B., Borah H., Das C.R. Liquid based-cytology Pap smear dataset for automated multi-class diagnosis of pre-cancerous and cervical cancer lesions. Data in Brief. 2020;30:105589. doi:10.1016/j.dib.2020.105589

附录 K：许可条款细读

• 授予的权利：复制、分发、改编、商用；
• 唯一强制义务：署名（给出作者、许可链接、是否改动说明）；
• 禁止：附加限制他人做许可允许之事的条款或技术措施；
• 注意：这是数据集本体许可；第三方衍生集可能另有许可（如 CC BY-NC-ND）。

附录 L：与其他 LBC 数据集的分工

表 L-1 LBC 家族任务分工

数据集	任务重心	标签粒度
Mendeley LBC	图像级 4 类分类	图像级
Cervix93 (848)	图像栈分类/检测	图像+核标注
cdetector (849)	目标检测 11 类	目标框
BTTFA	分割（104 图）	像素级

附录 M：常见检索词与陷阱

• 有效检索词：Mendeley LBC、zddtpgzv63、liquid based cytology pap smear。
• 陷阱：搜 “LBC dataset” 会同时返回 BTTFA、Cervix93、cdetector，需以 DOI 定位。
• 陷阱：Mendeley 平台内还有别的 LBC 数据集，认准作者 Elima Hussain 与 zddtpgzv63。

附录 N：患者与伦理信息

• 受试者：460 名，前往公立医院妇产科就诊的筛查女性；
• 合规：三中心伦理审查 + 患者知情同意；
• 公开版不含直接身份信息；患者报告属受控信息，未随数据公开发放。

附录 O：坑点档案（与 §10 对照）

坑 1 放大倍率口径（§10）；坑 2 与 BTTFA/Cervix93 混淆（§10）；坑 3 粒度错配（§10）；坑 4 高准确率误导（§10）；坑 5 无官方划分（§10）；坑 6 第三方重标注版本许可（§10）；坑 7 人群偏倚（§10）；坑 8 三中心非均衡（§10）；坑 9 观察者变异（§10）。

附录 P：检索决策树

想复现论文性能 → 先定划分协议（5 折 CV）→ 再定预处理（ROI+CLAHE+缩放）→ 再定骨干（ImageNet 预训练）→ 报告 macro-F1。

附录 Q：数据规模与任务匹配表

表 Q-1 任务与建议数据集

你的任务	建议数据集	理由
涂片图像四分类	Mendeley LBC	图像级 TBS 标签
单细胞五分类	SIPaKMeD	单细胞标注
细胞检测	cdetector	目标框
涂片六分类（细胞级）	CRIC	细胞级标注

附录（续）

附录 R：与库内条目的检索对照卡

表 R-1 按需求选数据集

需求关键词	首选	备选
真实 LBC 图像级分类	Mendeley LBC	cervix93 (848)
单细胞分类	sipakmed (490)	herlev-pap (483)
细胞级/密集标注	cric (847)	cdetector (849)
目标检测	cdetector (849)	—
通用细胞学图像	cytoimagenet (31)	papila (765)

附录 S：四类样貌的形态学速记（供理解标签）

• NILM：细胞排列规则，核质比正常，背景多为浅淡上皮细胞与少许炎细胞；
• LSIL：可见核增大、核周空晕（koilocyte 样改变），病变细胞散在；
• HSIL：细胞核深染、核质比升高、核形态不规则，细胞可成团；
• SCC：细胞异型显著、核仁明显、可见癌珠或坏死背景。

上述为一般性形态学描述，仅供理解标签，不构成诊断依据。

附录 T：类别不平衡应对手法速查

手法	做法	优点	注意
类权重	loss 中乘类别权重	改动小	需调权重
重采样	过采样少数类/欠采样多数类	简单直观	过采样易过拟合
focal loss	降低易分样本权重	有效	需调 γ
数据增强（仅少数类）	对少数类做强增强	提升少数类	防分布漂移
分层评估	macro-F1/每类 recall	揭示真相	不改变模型

附录 U：复现检查清单

• [ ] 明确使用 V4 版本；
• [ ] 采用分层划分或分层 5 折 CV；
• [ ] 训练使用类别权重；
• [ ] 报告 macro-F1/每类 recall/混淆矩阵；
• [ ] 注明预处理（ROI/CLAHE/尺寸）；
• [ ] 注明骨干与是否预训练；
• [ ] 引用数据 DOI 与数据论文；
• [ ] 说明人群/地域适用边界。

附录 V：常见错误速查

• ❌ 用"总体准确率"作为唯一指标；
• ❌ 随机划分未考虑类别比例；
• ❌ 把不同论文的准确率直接横比；
• ❌ 拿它做分割/检测；
• ❌ 漏引数据 DOI；
• ❌ 宣称"临床可用"而无外部验证。

附录 W：与 PANDA-PLUS 等库内条目的方法论对照

Mendeley LBC 与库内 PANDA-PLUS 同属"真实临床数据 + 开放/半开放获取"，但 PANDA-PLUS 侧重"重标注揭示标签噪声"，Mendeley LBC 侧重"真实采集 + 标准分类"。两者共同点在于：都强调数据来源的真实性与可用性，都面临标注质量与泛化的拷问。对照阅读，有助于理解"医学数据集工程"的不同范式。

附录 X：条目自评

本条目依据 Mendeley Data 官方页、Data in Brief 论文、PubMed 记录、多篇第三方论文三源互证成稿。所有硬数字（963/460/613/163/113/74/CC BY 4.0/DOI）均经至少两个独立来源核对；存在双口径处（放大倍率、机构地理、作者名）已在正文与存照中逐条标注。数据集中文描述由编辑部整理，如与官方英文页存在出入，以官方页为准。

存照与待核

• 放大倍率双口径：Mendeley 官方页 “40x” vs 文献 “400×（40×物镜×10×目镜）”——条目按 400× 总放大写。
• 机构地理误记：MDPI 论文写 Babina Diagnostic “Mumbai”，官方/其他源写 “Imphal”——条目按 Imphal 写。
• 作者名双口径：Chandana Ray Das（PubMed）vs Chandana Das（ablesci）——同一人。
• 待核 1：V1-V3 到 V4 的具体变更内容（Mendeley 未公开 changelog）。
• 待核 2：三中心各自的样本量/患者数（论文未披露）。
• 待核 3：多标注者一致性统计（未公开）。
• 待核 4：每类图像对应的唯一患者数（同一患者可能贡献多张图，划分时需防泄漏）。

尾注（扩展阅读）

• Mendeley Data 官方数据集页 — 数据集本体、许可、版本链。
• Data in Brief 数据论文 — 采集方法与类别描述。
• Tissue and Cell 关联论文 — 集成 CNN 多分类诊断。
• PubMed 数据论文条目 — PMID/PMCID 与摘要。
• ScienceDirect 综述 — 宫颈癌计算机视觉方法综述中的数据描述。
• Sood et al. 2024 (IOP) — Xception+注意力性能报告。
• PMC8282795 — 模糊秩集成 CNN 评估。
• arXiv 2607.09837 — 类别不平衡与校准研究。

---

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：

• camelyon17 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• unitopatho — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• all-idb — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• panda-plus — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• ihc4bc — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• cric — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• cnmc-2019 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• pair-bst — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• prostate-cnb-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 评测基准
• panda — 共享标签：医学影像 / 病理图像 / 图像分类 / 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。