信息速览

数据集名称MHIST — 结直肠息肉 H&E 组织学二分类 AI-Ready Wikipedia | 千方病案医数集

数据类型3,152 张 H&E patch,224×224 PNG,HP vs SSA 二分类,约 354 MB,免费申请获取

规模未公布（3,152 张 patch 源自 328 张 WSI，患者级信息已脱敏剥离）

接入方式Dartmouth College BMIRDS & Dartmouth-Hitchcock Medical Center url: https://bmirds.github.io/MHIST/

AI 就绪度

数据集封面

MHIST — 结直肠息肉 H&E 组织学二分类 AI-Ready Wikipedia

INFOBOX


数据集名称	MHIST
英文全称	Minimalist Histopathology Image Analysis Dataset
别名/简称	MHIST、mHIST、“Petri Dish” 数据集（注意：Minimalist，非 Modular）
疾病分类（ICD-11）	DB35 大肠息肉（HP 与 SSA，基础条目+形态学后组配簇编码）/ 2B91 结直肠恶性肿瘤（进展终点）
SNOMED CT	72951001 Polyp of colon / 1344661002 Hyperplastic polyp of colon / 443157008 Sessile serrated adenoma（详见 §2.1b）
数据模态	数字病理：FFPE 切片 H&E 染色扫描图像 patch（静态 2D）
AI 任务类型	HP vs SSA 二分类；观察者一致度利用与标签噪声研究；基础模型线性探针评测
样本总数	3,152 张 patch（2,175 训练 + 977 测试；源自 328 张 FFPE WSI）
数据大小	images.zip 333 MB（含标注文件整体 <400 MB；第三方记录约 354 MB）
数据格式	PNG（224×224 RGB）+ annotations.csv + MD5SUMs.txt
许可证	MHIST Dataset Research Use Agreement（研究用途）
访问级别	免费申请获取（官网表单申请 → 邮件发放下载链接）
DUO 标签	无正式 DUO 标注；协议限研究用途（类比 NPUNCU 非商业非营利）
语言	元数据英文；图像数据无语言内容
首发日期	2021-01（arXiv:2101.12355 预印本）/ 2021-06-15（AIME 2021 论文集出版）
最后更新	2021-06（官方未版本化，发布后数据集维持静态）
发布机构	达特茅斯学院（Dartmouth College）BMIRDS & 达特茅斯-希区柯克医学中心（DHMC）病理与检验医学系
官方主页	https://bmirds.github.io/MHIST/
下载地址	https://bmirds.github.io/MHIST/（表单申请后邮件发放）
DOI	10.1007/978-3-030-77211-6_2（论文）；10.48550/arXiv.2101.12355（预印本）
引用次数	132+（Google Scholar，截至 2026-09）
AI 就绪度评分	⭐⭐⭐⭐（4/5）— 固定尺寸 PNG + 官方 train/test 划分 + DeepSlide 配套框架，可直接喂入标准视觉模型；扣分项：需表单申请、无官方验证划分、无 patch→WSI/患者映射、单中心单扫描仪
页面状态	published

§0 E-E-A-T 信任声明与免责声明

医学审核者：千方病案医学编辑部交叉审核：§2 医学背景（ICD-11 与 SNOMED CT 映射、锯齿状病变临床背景、金标准描述）、§7 偏倚分析。

数据工程审核者：千方病案医学编辑部交叉审核：医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。

审核日期：2026-09-05

审核方式：交叉审核

利益冲突声明：千方病案医数集与 Dartmouth College、Dartmouth-Hitchcock Medical Center（DHMC）、BMIRDS 无任何商业利益关联。本页面不销售 MHIST 数据集本身，仅提供 AI 就绪指南与学术信息服务。编辑者未接受上述机构的任何形式资助。

医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。

技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。

数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。MHIST 要求使用者在线阅读并同意 Dataset Research Use Agreement 后通过官方表单申请下载链接。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。

§1 数据集概览

§1.0 📌 30 秒速览

这是什么？ MHIST 是达特茅斯学院与达特茅斯-希区柯克医学中心（DHMC）在 2021 年发布的"极简"组织病理学图像数据集：3,152 张结直肠息肉的 H&E 染色小图（224×224 像素），每一张都由 7 位委员会认证的胃肠病理学家独立判断是良性增生性息肉（HP）还是癌前病变无蒂锯齿状腺瘤（SSA），以多数投票作为金标准标签，并记录了 7 票中判为 SSA 的票数。

为什么重要？ 息肉组织学分类是病理科工作量最大的任务之一，而 HP 与 SSA 的鉴别恰好是病理学家之间分歧最大的难题之一——在本数据集中两两病理学家平均一致率仅 72.9%。MHIST 把这个真实、困难且有意义的临床问题压缩成不到 400 MB、单卡几分钟即可训完的"培养皿"，让研究者能快速、可复现地迭代想法。

我能用它做什么？ 三类典型用途：一是作为病理图像分类的入门与回归测试基准（ResNet-18 在单张 RTX 3090 上约 6 分钟收敛）；二是研究标签噪声与观察者分歧——每张图自带的"一致度"字段支持难例挖掘、课程学习与不确定性建模；三是作为病理基础模型（如 Virchow、H-optimus-0、Hibou 等）的线性探针外部评测集。

§1.1 摘要

MHIST（Minimalist Histopathology Image Analysis Dataset）由 Wei 等人在 AIME 2021 论文《A Petri Dish for Histopathology Image Analysis》中提出，设计哲学是"用小型实验装置快速检验想法"。数据采集上，团队从 DHMC 收集 328 张原始全切片级诊断为 HP 或 SSA 的 FFPE 结直肠息肉全切片图像，用 Aperio AT2 扫描仪以 40x 分辨率扫描后压缩 8x 以扩大视野，从中提取 3,152 张 224×224 像素、代表诊断相关区域的 tile，全部图像组织占比高、伪影少。标注上，7 位委员会认证胃肠病理学家依据 WHO 2019 标准独立对每张图像判读 HP 或 SSA，金标准标签取多数投票，同时在 annotations.csv 中保留每张图的观察者一致度（判为 SSA 的人数）。官方提供按图像划分的 train（2,175 张）/test（977 张）划分。经 Dartmouth-Hitchcock Health IRB 批准发布，图像元数据全部剥离。论文自身的示例实验覆盖数据集规模、网络深度、迁移学习与高分歧样本四大问题，确立了它作为病理图像分析"快速实验场"的定位。

§1.2 战略价值

标签噪声与观察者分歧研究的稀缺载体。 医学影像数据集大多只发布"清洗后"的单一金标准标签，观察者分歧被隐去。MHIST 反其道而行：7 位专家的多数投票标签 + 每张图的 SSA 票数同时发布，且官方如实报告两两一致率 72.9%、κ 均值 0.450、16.7% 图像仅以 4/7 通过。对做弱监督学习、不确定性校准、标签噪声鲁棒性、课程学习（如 SKD 论文按一致度划分难度子类）的研究者，这是少数几个"分歧信息一等公民"的病理数据集，可以复现实验而无需自己组织专家标注。

低成本高信噪比的快速迭代装置。 3,152 张 224×224 PNG、不到 400 MB、单卡几分钟一个 baseline——这意味着消融实验可以在一个下午跑完，而不是排队等一周的 GPU 集群。对于架构搜索、预训练策略筛选、数据增强策略对比等"想法密度高、单次算力需求小"的研究，MHIST 的迭代成本优势明显；Nature Communications 2026 年的病理基础模型基准研究与 kaiko-ai 的 EVA 评测框架都把它纳入为外部评测任务，说明它已事实上成为病理基础模型的"小考试"。

数字病理教学与可复现性基准。 固定尺寸、类别明确、指标单一（Accuracy/AUC），使其成为数字病理课程的理想第一个数据集：学生可以在不处理 WSI 切片格式、组织分割、千兆像素内存问题的前提下，完整走通"读图 → 训练 → 评估 → 错误分析"全流程。同时官方测试集固定，使不同论文间的粗粒度比较成为可能（尽管协议差异仍需警惕，见 §8.3）。

§1.3 同类数据集横向对比

数据集	规模	模态/任务	标注方式	与 MHIST 的差异化
MHIST	3,152 张 patch（224×224）	结直肠息肉 H&E，HP vs SSA 二分类	7 位 GI 病理学家多数投票 + 一致度	极简"培养皿"定位；发布观察者分歧信息；单中心
NCT-CRC-HE-100K	107,180 张 patch（224×224）	结直肠组织学 9 类模式分类	病理专家逐块标注	规模大 30 倍、类别多，但无一致度信息；CC-BY 4.0 直链下载
PCam	327,680 张 patch（96×96）	淋巴结转移二分类	WSI 级标注下推 patch 标签	规模最大但标签来自整体切片标注，patch 级噪声结构不同
UniToPatho	约 8,691 张 patch（来源 292 张 WSI）	结直肠 6 类（NORM/HP/腺瘤及其分级）	病理专家标注	覆盖腺瘤分级，类别更细；含 5 个放大等级，预处理复杂度更高
DeepSlide 肺腺癌集	143 张测试 WSI	肺腺癌组织学模式滑窗分类	3 位病理学家共识	同为 BMIRDS 出品，WSI 级滑窗任务，与 MHIST patch 级任务互补

§1.4 版本时间轴

时间	事件	说明
2021-01	arXiv:2101.12355 预印本发布	MHIST 数据集与论文首次公开
2021-06-15	AIME 2021 论文集出版	LNCS 12721:11-24，Springer，DOI 10.1007/978-3-030-77211-6_2
2021 至今	数据集维持静态	官方无版本号与变更日志；下载包内容未再更新
2022	SKD 论文将一致度作为难度子类	arXiv:2207.08063 开创一致度驱动的课程学习用法
2024-2026	进入病理基础模型评测矩阵	Hibou（arXiv:2406.05074）线性探针、Nature Communications 2026 基准、kaiko-ai EVA 集成
2026-09	千方病案医数集收录并发布本 AI-Ready 百科	本页面：审核日期 2026-09-05，页面状态 published

§1.5 典型应用场景

病理图像分类入门与课程教学：第一个"端到端能跑通"的病理任务，单卡分钟级迭代，适合课堂、训练营与新同学上手数字病理。
标签噪声/观察者分歧研究：利用 SSA 票数构造难度分层，做噪声鲁棒训练、不确定性校准、难例挖掘与主动学习模拟。
架构与训练策略消融：网络深度、迁移学习源、数据增强、优化器选择等对照实验的快速试验场，再迁移到大 WSI 数据集验证。
病理基础模型外部评测：冻结 backbone 做线性探针，横向比较病理预训练模型的判别能力（Hibou、EVA、Nature Communications 基准均采用此用法）。
合成数据/领域自适应研究的对照集：单中心小数据集是研究"在 A 中心训练 → B 中心测试"性能衰减的轻量试验台。
审稿/复现演练：官方 test 固定、指标单一，适合作为"审稿人要求补实验"时的低成本回归测试集。

§2 医学背景

§2.1 ICD-11 编码映射

MHIST 的两类标签均属大肠息肉范畴。ICD-11 对息肉采用"基础条目 + 形态学后组配"的簇编码策略，因此逐图精确编码需要形态学修饰词；下表给出标签级别的锚点映射。

标签	ICD-11 编码	中文名称	映射说明
HP（Hyperplastic Polyp）	DB35（+ 形态学后组配：增生性/化生性息肉）	大肠息肉——增生性息肉	锯齿状息肉的良性亚型；ICD-11 息肉基础条目配形态学轴组配
SSA（Sessile Serrated Adenoma）	DB35（+ 形态学后组配：锯齿状腺瘤）	大肠息肉——无蒂锯齿状腺瘤	WHO 2019 亦称无蒂锯齿状病变（SSL）；异型增生进展时后组配相应形态学码
进展终点（背景锚点）	2B91	结直肠恶性肿瘤	SSA 经锯齿状通路进展的终极风险，本数据集任务的公共卫生意义所在

（ICD-11 码沿用公开疾病映射库对 Colon polyp 的 DB35 记录与 ICD-10 K63.5/K62.1 对照口径；ICD-11 对息肉采用"基础条目+后组配"的簇编码策略。）

§2.1b SNOMED CT 映射

标签	SNOMED CT	首选术语	映射说明
HP	1344661002	Hyperplastic polyp of colon	MedGen C0742608 对应概念，覆盖微泡型/富杯细胞型等亚型
SSA	443157008	Sessile serrated adenoma / Sessile serrated polyp	MedGen C2732618，SSL/SSA/P 同义概念簇
SSA（结肠定位细化）	1230009008	Sessile serrated polyp of colon	MedGen C3272791，带结肠解剖定位的概念
病变顶层（通用锚点）	72951001	Polyp of colon	输出系统对接时的顶层概念，与内镜数据集通用
进展终点	363406005	Malignant tumour of colon	结肠恶性肿瘤定位概念，锯齿状通路终点的编码锚点

§2.2 疾病简介与流行病学

结直肠癌是全球范围内最常见的恶性肿瘤之一，也是美国第二大癌症死因（2020 年估计 53,200 例死亡，论文引述官方统计），结肠镜筛查因此成为美国规模最大的癌症筛查项目之一，而息肉的组织学分类是病理科工作量最大的任务之一（以上背景均来自 MHIST 原论文的引述）。

MHIST 聚焦的两种病变同属**锯齿状病变（serrated lesions）**谱系，但临床意义截然不同：

增生性息肉（HP）：通常为良性，组织学表现为浅表锯齿状结构与隐窝拉长，多见于远端结肠，一般无需缩短随访间隔。
无蒂锯齿状腺瘤（SSA，WHO 2019 后多称无蒂锯齿状病变 SSL）：癌前病变，隐窝宽基、结构复杂、锯齿深在，若不处理可能经"锯齿状通路"（以表观遗传异常为特征）进展为结直肠癌，因此需要在更近的时间窗内复查随访。

这两类病变在 H&E 切片上的形态学边界本身就不清晰——正是" considerable inter-pathologist variability"（病理学家间显著变异）被多份文献反复记录的难题。MHIST 的 7 位病理学家量化了这一点：两两平均一致率 72.9%，人均 Cohen’s κ 仅 0.450（中等一致，0.41-0.60 区间），约 16.7% 的图像以最小多数 4/7 通过。这意味着"HP vs SSA 二分类"不是一个人造的玩具问题，而是连专家都要犯难的真实现场。

从肿瘤发生机制看，SSA 所属的锯齿状通路与经典的腺瘤-癌通路并列，是结直肠癌的主要癌变路径之一：病变经表观遗传异常等分子事件逐步进展，部分病例进展隐匿、形态学改变轻微，这也是病理判读分歧大的深层原因。对筛查体系而言，SSA 的临床管理要点是"更早随访 + 完整切除"——漏诊或切除不完全都会留下进展窗口；而 HP 一般按常规间隔随访即可。两类病变管理强度的差异，正是自动化二分类任务的临床价值锚点：它不追求替代病理医生，而是把有限的高级别判读资源导向最可能有问题的病例。（以上机制与临床管理的表述基于 §8.5 所列锯齿状病变综述文献的通行结论。）

§2.3 临床任务定义

本数据集对应的临床任务是组织病理学诊断分类（CADx，computer-aided diagnosis）：给定息肉病变区域的 H&E 显微图像，判定其为 HP 还是 SSA，从而支持随访决策——HP 可按常规间隔随访，SSA 需更早复查并在内镜下追求完整切除。它与筛查链条上游的"息肉检出（CADe）“任务互补：CADe 回答"息肉在哪里”，CADx 回答"这个息肉是什么、要不要提前复查"。在真实签发流程中，病理医生还会综合病变大小、位置、完整切除与否等信息；MHIST 的 patch 级任务刻意剥离了这些上下文，只保留纯形态学判别这一核心难点。

任务边界还需明确三点：其一，本任务的对象是"病变区域 patch"而非整张切片，输出是病变类型的判别信号而非诊断报告；其二，真实签发中还会参考病变大小、位置与切除完整性，这些上下文信息在 MHIST 中不可得（元数据剥离）；其三，SSA 内部若出现异型增生则进入更高的管理等级，而 MHIST 的二分类体系不覆盖异型增生亚型，使用者在对接临床工作流时必须交代这一粒度限制。

§2.4 患者人群

维度	内容
来源机构	达特茅斯-希区柯克医学中心（DHMC），美国新罕布什尔州
标本类型	结直肠息肉 FFPE 手术/活检标本，全切片级原始诊断为 HP 或 SSA
全切片数量	328 张 WSI（由此提取 3,152 张诊断相关 patch）
采集时间	未公布（官方未披露切片时间范围）
年龄/性别/种族	未公布（脱敏需要，全部元数据已剥离）
就医类型	结直肠息肉病理检查（筛查/诊断性肠镜后标本）
入选条件	全切片级原始诊断为 HP 或 SSA 的 FFPE 标本（排除诊断模糊切片）
标本处理	常规福尔马林固定、石蜡包埋、H&E 染色（具体试剂/流程未公布）

§2.5 临床价值

自动化 HP/SSA 鉴别的价值在三处：一是一致性质控——把 AI 判读与病理医生判读的分歧度并排呈现，可标记出本就需要二次会诊的边缘病例（4/7 类图像）；二是随访资源分层——SSA 漏诊意味着患者以过长间隔复查，而 HP 误判为 SSA 则消耗稀缺的内镜资源，两者的错误代价不对称，算法评估必须按此设定（见 §6.5 坑点 7）；三是教育工具——一致度分层的图像天然构成一个"从易到难"的教学序列。需要强调：patch 级分类器的输出只是决策支持信号，不能替代对整张切片、完整临床背景的病理签发。

此外，7 位病理学家的一致度数据本身就是一个可复用的"共识层"：研究者可以把模型输出与专家分歧度做联合分析，识别出"模型与专家都拿不准"的交集区域——这部分病例无论算法多好都应触发人工会诊。这种把"人类如何不一致"显式纳入质控的思路，是 MHIST 相对其他病理数据集独有的馈赠。

§2.6 金标准说明

维度	内容
参考标准划分	每张图像的多数投票标签为金标准；观察者一致度（SSA 票数）随附发布
标注方式	7 位病理学家独立、逐图盲法判读；依据 WHO 2019 消化系统肿瘤标准；多数投票合成
标注者	7 位委员会认证胃肠病理学家（Suriawinata、Ren、Liu、Lisovsky、Vaickus、Brown、Baker，均任职于 DHMC 病理与检验医学系）
参考标准性质	多数投票合成金标准（非单一资深专家裁定）；一致性可量化（两两 72.9%，κ 0.450），属"带分歧信息的专家共识"

§3 数据集规格

§3.0 版本抉择矩阵

MHIST 官方只有一个静态版本，无多版本问题；但同一份原始数据存在三种"获取形态"，按需求选择：

你的需求	推荐形态	大小	理由
快速上手/教学/复现官方基线	官方 images.zip + annotations.csv	333 MB	原始权威来源，附 MD5 校验与研究使用协议
病理基础模型线性探针评测	kaiko-ai EVA 框架的 MHIST 加载器	约 354 MB	自动按官方 Partition 构建 train/val，评测协议统一
一致度/标签噪声研究	官方包（必须用原始 annotations.csv）	333 MB	SSA 票数列是核心变量，第三方重打包可能丢失或改名列

§3.1 模态详情

MHIST 是单模态数据集：全部样本为福尔马林固定石蜡包埋（FFPE）结直肠息肉组织的 H&E 染色数字化显微图像。采集链路：Aperio AT2 扫描仪以 40x 物镜分辨率扫描 → 按 8x 压缩以扩大视野（kaiko-ai EVA 记录有效分辨率约 2.0 µm/px）→ 人工选取诊断相关区域 → 切出 224×224 像素 tile。因此每张图既不是原始 40x 高倍视野（细胞学细节被压缩），也不是整张 WSI（丢失息肉全貌与异质性上下文），而是"中等视野、组织致密"的判别性局部——这一设计让它可以直接输入标准 CNN/ViT 而无需 WSI 预处理，但也埋下了 §6.5 坑点 4 的外推陷阱。

规格项	取值	备注
模态	静态 2D 显微图像（数字病理）	单模态，无配对数据
染色	H&E（苏木精-伊红）	FFPE 组织，常规染色流程
扫描仪	Aperio AT2	全数据集唯一设备
原始扫描倍率	40x	Aperio 标准扫描
有效分辨率	约 2.0 µm/px（40x 扫描 8x 压缩）	kaiko-ai EVA 记录值
图像尺寸	224×224×3，全部一致	可直接进入标准视觉骨干
组织占比	以组织为主、少白底与伪影	官方人工确认的质量门槛

§3.2 按子集样本数

官方划分（论文 Table 1，按图像划分，无 validation）：

划分	HP（良性）	SSA（癌前）	合计
train	1,545	630	2,175
test	617	360	977
合计	2,162（68.59%）	990（31.41%）	3,152

注意两点：其一，类别比约为 2.2:1，SSA 是少数类但恰是临床更关注的一类；其二，各划分内部的类别比例并不相同（train 约 71%/29%，test 约 63%/37%），复现时不要自行"再平衡"官方划分（见 §6.5 坑点 7）。

由此还可推算两个对划分敏感的量：SSA 在 train 中占 29.0%（630/2,175）、在 test 中占 36.8%（360/977）——test 的 SSA 占比明显更高，这会让"只调阈值"的简单办法在 test 上显得比实际更准；每张源 WSI 平均约产出 9.6 张 patch（3,152/328），若 patch 按源 WSI 聚簇，任何一次随机划分都会造成跨划分的"近亲对"。

§3.3 数据格式

文件	格式	内容
images.zip	ZIP（内为 PNG）	3,152 张 224×224×3 RGB 图像，文件名形如 MHIST_aaa.png 顺序编码
annotations.csv	CSV（4 列）	图像文件名、Partition（train/test）、判为 SSA 的标注者人数（0-7）、多数投票标签（HP/SSA）
MD5SUMs.txt	文本	完整性校验和
Dataset Research Use Agreement.pdf	PDF	研究使用许可协议（下载前须阅读同意）

格式使用注意：PNG 均为 8-bit RGB，无需处理 16-bit 位深与格式转换问题；annotations.csv 可直接 pd.read_csv 读取；文件名小写字母顺序编码（MHIST_aaa 起），不存在空格与 Unicode 特殊字符；MD5SUMs.txt 应在解压前先校验，避免"坏包调试"浪费表单申请机会（链接 4 小时过期）。

§3.4 存储大小

官方 images.zip 为 333 MB；论文表述整体占用不足 400 MB；kaiko-ai EVA 记录解压后数据量约 354 MB。单卡训练（ResNet-18 基线）峰值显存 3.5 GB（RTX 3090，论文实测）。CPU-only 机器也可完成数据加载与推理，全量训练建议至少一张 6 GB 显存的 GPU。

§3.5 标注方式

人工标注，流程为多专家独立判读 + 多数投票合成（非弱监督、非自动生成）：7 位病理学家逐张独立判断 HP/SSA → 收集 7 份标签 → 多数票（≥4/7）作为金标准 → 同时发布"判为 SSA 的人数"作为一致度代理变量。这一设计的副产品是：同一张图上可以定义"从极易（7/7）到极难（4/7）"的连续难度谱，供下游做噪声感知训练。

完整标注链路：图像打乱与匿名化 → 7 位病理学家在互不可见的条件下逐图判读（WHO 2019 标准）→ 收集 7 份独立标签 → 多数票（≥4/7）定为金标准 → 保留"判为 SSA 的人数"写入 annotations.csv → 数据包随 MD5 清单一并发布。注意：个体病理学家的原始 7 列标签没有发布，发布的是聚合结果（票数 + 多数标签），这是使用一致度信息时必须记得的数据粒度。

§3.6 标注者资质与一致性

资质：7 位均为美国委员会认证的胃肠病理学家，任职于 DHMC 病理与检验医学系，按 WHO 2019 标准判读。
两两一致率：平均 72.9%。
与多数投票一致率：平均 83.2%。
Cohen’s κ：人均均值 0.450（中等一致 0.41-0.60；论文引述的类似评估中 4 位病理学家 κ 为 0.380）。
边缘病例占比：约 16.7% 的图像仅获 4/7 最小多数；官方同时发布 4/7、5/7、6/7、7/7 四档一致度的分布（论文图 2）。

一致度四档的含义与下游用法（分档名称沿用 SKD 论文的难度命名）：

一致度	难度分档	解读	典型用法
7/7	极易（very easy）	全体专家一致	干净训练集、pipeline 自检
6/7	易（easy）	仅 1 票分歧	常规训练
5/7	难（hard）	2 票分歧，标签仍较稳	分层评估
4/7	极难（very hard）	最小多数，约 16.7% 图像	难例挖掘、选择性预测、噪声研究

§3.7 采集周期

官方论文与数据集页面均未公布全切片的采集时间窗。数据集以静态形式发布（2021 年），无随访性增补。

§3.8 地域覆盖

单一机构：美国新罕布什尔州黎巴嫩市达特茅斯-希区柯克医学中心（DHMC）。无多中心数据，地域与人群多样性未知。

§3.9 设备规格

扫描仪为 Aperio AT2；40x 分辨率扫描、8x 压缩输出（有效约 2.0 µm/px，kaiko-ai EVA 记录）；图像尺寸 224×224×3。染色试剂、扫描批次等细节未公布；且数据文件内不含任何设备元数据（脱敏剥离），设备信息仅存在于论文文字描述中。

对工程实践的含义：任何想要"按设备/批次分层"的域自适应方法在 MHIST 内部无从下手；若确有需要，只能在引入外部数据时以外部数据的元数据为条件变量。扫描软件与光学系统版本信息亦未公布。

§3.10 深度溯源链

环节	执行方	可核验证据
患者标本采集与签发（全切片级诊断 HP/SSA）	DHMC 病理与检验医学系	论文 §3.2
Aperio AT2 40x 扫描 + 8x 压缩	论文作者团队	论文 §3.2；kaiko-ai EVA 记录
诊断相关 ROI 选取与 224×224 切片	论文作者团队	论文 §3.2（组织占比与伪影确认）
元数据剥离脱敏（D-HH IRB 批准）	论文作者团队	官方页面 + 论文 §3.2
7 位 GI 病理学家独立标注 + 多数投票	DHMC 七位病理学家	官方页面（具名）+ 论文 §3.3
数据包与 MD5 清单发布（表单发放）	BMIRDS	官方页面 FAQ

发布载体唯一（BMIRDS 官网），第三方镜像（EVA、社区仓库）均以官方包为源。

§4 数据结构

§4.0 目录树

官方包解压后的推荐组织方式（kaiko-ai EVA 同款结构）：

mhist/                        # 自建根目录（data_root）
├── images/                   # images.zip 解压后（3,152 个 PNG）
│   ├── MHIST_aaa.png         # 224×224 RGB，文件名为顺序编码
│   ├── MHIST_aab.png
│   ├── ...
│   └── MHIST_xxx.png
├── annotations.csv           # 4 列标注表（3,152 行，无表头分隔）
├── MD5SUMs.txt               # 完整性校验
└── Dataset Research Use Agreement.pdf   # 研究使用协议

注意：images.zip 解压后内容直接为 PNG 文件（无内层目录），需自行放入 images/ 子目录；annotations.csv 始终位于根目录，与代码中的 data_root 拼接关系见 §6.1 注释。

下载后建议先跑一遍完整性断言（数量口径全部来自官方页面与论文 Table 1）：

断言项	期望值
CSV 行数	3,152
CSV 列数	4
Partition 计数	train 2,175 / test 977
Majority Vote Label 计数	HP 2,162 / SSA 990
SSA 票数联动	票数 ≥4 ⇔ 标签为 SSA
images/ 内 PNG 数	3,152
MD5 校验	与 MD5SUMs.txt 全部一致

§4.1 DAIMS 数据字典

annotations.csv 是唯一结构化表，逐列字典如下：

字段名	类型	说明	示例值	AI 用途	观测误差	信息性缺失编码	取值范围
Image Name	string	图像文件名，数据集主键，唯一对应 images/ 内 PNG	MHIST_aaa.png	关联图像与标签的 join key	无（官方保证一一对应）	不适用	3,152 个唯一值
Partition	string	官方划分，train/test 二值	train	复现官方协议、防止测试集泄漏进训练	无	不适用
Number of Annotators who SSAs	integer	7 位病理学家中判为 SSA 的人数；金标准的"难度代理"	6	难例挖掘、噪声感知训练、一致性分层评估	反映真实观察者分歧（两两一致率 72.9%），本身非错误	不适用（无缺失）
Majority Vote Label	string（类别）	多数投票金标准标签	SSA	监督信号（二分类 y）	含多数投票噪声：4/7 图像占约 16.7%，近半专家意见相左	不适用

字段联动规则：SSA 计数 ≥4 时 Majority Vote Label = SSA，≤3 时 = HP。例如计数值 6 表示金标准为 SSA 且 6/7 一致；计数值 2 表示金标准为 HP 且 5/7 一致（即 2 人判 SSA、5 人判 HP）。两个 label 相关列之外，表内无其他字段——患者 ID、WSI 来源、扫描参数、病变位置均不存在（脱敏剥离），这本身就是最重要的"信息性缺失"。

官方 4 列之外，推荐在工程侧派生以下字段（不改动原始 CSV）：

派生字段	计算	用途
y	Majority Vote Label →	训练标签（SSA 为正类）
agreement	max(k, 7-k)，k 为 SSA 票数	真实一致票数（4-7）
difficulty_subclass	按 agreement 分 4 档（见 §3.6 表）	课程学习/分层评估
sample_weight	分档权重（如 7→1.0 … 4→2.0）	噪声感知训练
img_path	data_root/images + Image Name	DataLoader 路径拼接

§4.2 标签分布

总体：HP 2,162（68.59%）vs SSA 990（31.41%）。
train：HP 1,545 / SSA 630；test：HP 617 / SSA 360（官方划分，比例在两划分间并不相等，见 §3.2）。
一致度维度：官方论文图 2 给出 4/7、5/7、6/7、7/7 四档分布，其中 4/7 档约占 16.7%；各档的逐类计数官方未以表格形式发布。

§4.3 关键统计

统计项	数值	出处
图像总数	3,152	官方页面
源 WSI 数	328	论文 §3.2
图像尺寸	224×224×3（全部一致）	官方页面
有效分辨率	约 2.0 µm/px（40x 扫描 8x 压缩）	论文 + kaiko-ai EVA
每张 WSI 平均 patch 数	约 9.6（3,152/328）	由官方数字推算
组织占比	全部图像以组织为主（少白底），少伪影	论文 §3.2
观察者一致度	两两 72.9%；对多数投票 83.2%；κ 0.450	论文 §3.3
SSA 票数取值范围	0-7 整数（与多数标签联动）	官方页面
4/7 最小多数图像占比	约 16.7%	论文 §3.3
train 内 SSA 占比	29.0%（630/2,175）	由论文 Table 1 推算
test 内 SSA 占比	36.8%（360/977）	由论文 Table 1 推算

§4.4 数据层级

真实世界层级为 患者 → 息肉标本 → FFPE 全切片（328 张 WSI）→ 诊断相关 patch（3,152 张）。但发布的数据只有最底层：patch 与其上层（WSI、患者）的映射关系未随数据发布，文件名（MHIST_aaa 等）为打乱后的顺序编码，不携带来源信息。这是理解 MHIST 所有限制的关键事实：使用者无法按患者或 WSI 分组做交叉验证，官方划分也仅在 patch 层进行。

层级	是否随数据发布	建模含义
患者	❌（数量亦未公布）	无法做患者级分组与泛化声明
息肉标本	❌	同上
全切片 WSI（328）	⚠️ 仅总数已知，无逐图映射	无法按 WSI 分组划分/评估
诊断相关 patch（3,152）	✅ 唯一可操作层级	官方任务在此层定义

§4.5 缺失值与信息性缺失

表内缺失：annotations.csv 无缺失值（3,152 行 × 4 列完整），图像文件无缺失（MD5 校验可验证）。
信息性缺失（结构性）：为满足脱敏要求，所有元数据被系统性移除——患者人口学、WSI 来源、扫描时间/参数、染色批次、病变位置与大小均不存在。这不是"漏采"而是刻意的去标识化设计（官方明确说明移除全部元数据后无任何敏感信息可被还原）。对建模的含义：任何依赖批次/扫描仪协变量的领域自适应方法、按患者分组的任何评估，在 MHIST 上都无法实施，只能在与外部数据集联用时补齐（见 §7.3）。

缺失维度	在 MHIST 内	联用外部数据的补齐路径
患者人口学	不可得	在自有/多中心数据上补齐公平性审计
WSI/患者分组	不可得	用带分组 ID 的同类数据集做分组交叉验证
扫描仪/染色批次	不可得	跨扫描仪数据做域偏移实验
病变位置/大小	不可得	内镜-病理配对数据集补充

§5 划分与使用建议

§5.1 官方划分

官方唯一的划分记录在 annotations.csv 的 Partition 列：train 2,175 张 / test 977 张，按图像随机划分（论文未描述分组约束，且未发布 WSI 映射，可认为划分仅在 patch 层进行）。官方未提供 validation 集。

§5.2 社区惯例划分

kaiko-ai EVA：直接采用官方 train/test，并将 test 兼作 validation 使用（其文档明示 “Since no validation split is provided, we use the test split as validation split”）——协议统一但存在慢性测试集过拟合风险（§6.5 坑点 6）。
Nature Communications 2026 基准：记录其 MHIST 使用划分为 2,178/980，与官方 2,175/977 存在数张之差——引用不同论文的数字时须注意划分口径并不完全一致。
K 折派生：部分研究在 train 内做 5 折交叉验证报告均值方差（如 2026 年 medRxiv 预印本），官方 test 保持不动。

四种划分方案对比：

方案	验证集来源	与文献可比性	风险
EVA 式（test 兼 val）	test	最高（基础模型文献沿用）	测试集慢性过拟合
train 内留出 15%-20%	train 尾部	高（声明即可）	训练样本减少
train 内 5 折 CV	train 折叠	高（报告均值±标准差）	计算量 ×5
按患者/WSI 分组划分	不可行	—	官方未发布分组映射

§5.3 划分策略建议与泄漏风险（重点）

MHIST 的核心泄漏问题是** patch 级划分掩盖了 WSI/患者级相关性**：3,152 张 patch 平均来自仅 328 张 WSI（每张约 9.6 张 patch），同一 WSI（更不必说同一患者）的 patch 在染色、背景、病变构成上高度相关。官方按 patch 随机划分后，同一 WSI 的"近亲 patch"很可能分属 train 与 test，使测试指标偏乐观。更关键的是：这一泄漏在使用者侧不可修复——官方未发布 patch→WSI 映射，任何"按 WSI 分组重划分"的常见药方都无从实施。可行的应对：

如实声明：报告结果时明确"划分遵循官方 patch 级协议，未消除 WSI 级相关性"，不要将指标解读为患者级泛化能力。
敏感性量化：对 train 内做随机重复划分/重采样实验，用结果方差近似泄漏引入的不确定性下限。
外部验证兜底：把"泛化"的证明责任转移到外部数据集（NCT-CRC-HE、UniToPatho 等，见 §7.8），而非内部 test。

§5.4 交叉验证建议

在 train（2,175 张）内部做分层 5 折交叉验证选择超参与模型，官方 test 只在最终报告时使用一次。
若研究一致度，可在 train 内按 SSA 票数做分层抽样，保证每折的难度分布一致（4/7 类样本约 16.7%，样本量已偏小，不要让它们集中在一折）。
不建议打乱官方 train/test 边界，否则与既有文献完全失去可比性。
重复实验以均值±标准差呈现（≥3 个种子）；一致性分层（§3.6 四档）建议作为 CV 分层变量之一。
需要调阈值/选 checkpoint 时，只用 train 内部验证信号；test 上的任何"看似调参"都会污染协议（坑点 6）。

§5.5 外部验证建议

推荐的组合拳：MHIST（任务适配、判别力基准）→ NCT-CRC-HE-100K（多中心欧洲数据、9 类组织模式）→ UniToPatho（含 HP 类与腺瘤分级的 6 类任务，可检验 HP/SSA 相关判别力）→ 自有院内数据（最终部署环境）。跨数据集迁移时注意类目体系差异（UniToPatho 的 HP 类与 MHIST 的 HP 判读标准未必逐条对应），迁移矩阵请参照 §7.8。外部验证的目标不是"在另一个数据集上拿高分"，而是回答三个问题：模型学到的是形态学还是染色指纹（跨机构掉分幅度）、对少数类 SSA 的敏感度是否守恒、以及在专家分歧大的病例上是否与专家行为一致。

§6 AI 就绪指南 ⭐

§6.0 云端快速启动

MHIST 无官方云托管镜像，但包体不足 400 MB，任何云环境都可直接迁移：在 Colab/Kaggle 上传官方压缩包（或从网盘中转），解压约占用 1 GB 内存以内；训练 ResNet-18 一个 epoch 仅需数秒至数十秒（T4 级 GPU 足够）。由于下载链接 4 小时过期（§6.5 坑点 8），本地先下载再上传云端往往比在云端临时申请更顺畅。

云端要点：数据包与解压后内容合计不足 1 GB，Colab 免费版磁盘即可容纳；训练侧 ResNet-18 基线在 T4 上单 epoch 数秒到数十秒，20 个 epoch 的完整基线约 5-15 分钟；若做基础模型线性探针，冻结的 ViT-B 级 backbone 前向约需 10 GB 级显存，T4 可能需要降低 batch size 或使用半精度。

§6.1 快速上手

下面的最小可用脚本读取 annotations.csv 并构建训练集。目录结构预期：data_root 指向 §4.0 的 mhist/ 目录，图像路径由 data_root/images 与 CSV 的 Image Name 列拼接而成；最小可用子集：仅 train 划分即可跑通第一个模型（2,175 张）。

# 目录结构预期：
#   data_root/
#   ├── images/MHIST_aaa.png ...   # 3,152 张 PNG
#   └── annotations.csv            # 官方 4 列标注表
# data_root 与图像的拼接关系：data_root / "images" / row["Image Name"]
import pandas as pd
from pathlib import Path

DATA_ROOT = Path("data/mhist")   # ← 改成你的解压目录

df = pd.read_csv(DATA_ROOT / "annotations.csv")
print(df.columns.tolist())
# 官方列名（注意第 3 列的语法怪异，直接复制使用，勿凭记忆重打）：
# ['Image Name', 'Partition', 'Number of Annotators who SSAs', 'Majority Vote Label']

train_df = df[df["Partition"] == "train"].reset_index(drop=True)
test_df  = df[df["Partition"] == "test"].reset_index(drop=True)
print(len(train_df), len(test_df))          # 2175 977
print(train_df["Majority Vote Label"].value_counts(normalize=True))
# 最小可用子集：train 划分 + 一致度 ≥6/7 的"干净"样本，可先验证 pipeline
easy_train = train_df[train_df["Number of Annotators who SSAs"].isin([0, 7])]
assert (easy_train["Majority Vote Label"].map({"HP": 0, "SSA": 1})
        == (easy_train["Number of Annotators who SSAs"] >= 4).astype(int)).all()

§6.2 数据获取

步骤	操作	备注
1	阅读 Dataset Research Use Agreement	研究用途许可，下载前须同意
2	填写官网申请表单	提交姓名/邮箱/用途等基本信息
3	查收邮件中的下载链接	含 images.zip、annotations.csv、MD5SUMs.txt、协议 PDF
4	4 小时内完成下载	链接过期需重新提交表单；收不到邮件可稍后重交（官方 FAQ）
5	校验 MD5 并解压	解压约 354 MB；总占用 <400 MB

获取常见问题（与官方 FAQ 对齐）：

现象	处置
提交表单后几小时未收到邮件	等待数小时后重新提交表单
下载链接已过期（默认 4 小时）	重新提交表单获取新链接
协议/使用范围疑问	联系 BMIRDS（官网页脚邮箱）

# 下载完成后（文件放于 mhist/ 目录）
cd mhist
md5sum -c MD5SUMs.txt          # 校验完整性
unzip images.zip -d images     # 解压为 images/MHIST_*.png
# 注意：zip 内无嵌套目录，PNG 直接散列在 images/ 下

§6.3 预处理全流程

MHIST 的预处理负担在病理数据集中接近最低：尺寸统一（224×224）、组织致密、无背景分割需求。真正需要设计的是分辨率归一化、标准化与一致度利用三件事。

"""MHIST 预处理 Pipeline
输入：data_root/mhist（目录结构见 §6.1）
输出：可直接供 DataLoader 使用的 DataFrame 与标准化变换
依赖：pandas, torch, torchvision, PIL
"""
import pandas as pd
import torch
from pathlib import Path
from PIL import Image
from torchvision import transforms

DATA_ROOT = Path("data/mhist")

# ---- 1) 读取与标签编码（SSA=1 为正类：漏诊代价更高的一类） ----
df = pd.read_csv(DATA_ROOT / "annotations.csv")
df["y"] = df["Majority Vote Label"].map({"HP": 0, "SSA": 1})
df["img_path"] = df["Image Name"].map(lambda n: str(DATA_ROOT / "images" / n))
df["agreement"] = df["Number of Annotators who SSAs"].map(
    lambda k: max(k, 7 - k))          # 一致度 4-7：max(票数, 7-票数)

# ---- 2) 标准化：ImageNet 统计量是社区默认（官方未指定） ----
# 注意：本集为单中心 H&E，用 ImageNet 统计量即可复现主流基线；
# 若追求病理域最优可改用 self-supervised backbone 的统计量并全流程统一。
train_tf = transforms.Compose([
    transforms.RandomHorizontalFlip(),
    transforms.RandomVerticalFlip(),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])
eval_tf = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]),
])

# ---- 3)（可选）一致度加权：4/7 难例权重 2.0，7/7 易例权重 1.0 ----
w = {7: 1.0, 6: 1.25, 5: 1.6, 4: 2.0}
df["sample_weight"] = df["Number of Annotators who SSAs"].map(
    lambda k: w[max(k, 7 - k)])

# ---- 4)（可选） stain 归一化的位置：仅当目标是跨机构迁移时引入 ----
# Macenko/Reinhard 需要一个"目标"参考统计量；用 MHIST 自身做参考
# 会把单中心染色特征固化进模型（见坑点 5），跨数据集时参考图应来自目标域。
#
# Macenko 最小示例（staintools 风格伪代码，目标参考图必须来自目标域）：
#   from staintools import StainNormalizer
#   normalizer = StainNormalizer(method="macenko")
#   normalizer.fit(target_patch_from_EXTERNAL_dataset)   # ❌ 不要用 MHIST 自身做 fit
#   patch = normalizer.transform(patch)
# 决策建议：只在 MHIST→外部数据迁移的实验分支中启用，并在官方 test 上
# 同时报告"开/关 stain 归一化"两组结果，因为它可能伤及域内性能。

§6.4 PyTorch DataLoader 完整代码

"""MHIST PyTorch Dataset + DataLoader（完整可运行）
目录结构预期：data_root/images/*.png + data_root/annotations.csv（见 §4.0）
"""
import pandas as pd
import torch
from pathlib import Path
from PIL import Image
from torch.utils.data import Dataset, DataLoader, WeightedRandomSampler
from torchvision import transforms

class MhistDataset(Dataset):
    """一行 CSV = 一张 patch；类别编码 SSA=1 / HP=0。"""
    def __init__(self, data_root: str, partition: str = "train",
                 transform=None):
        self.root = Path(data_root)
        df = pd.read_csv(self.root / "annotations.csv")
        df = df[df["Partition"] == partition].reset_index(drop=True)
        self.paths = [self.root / "images" / n for n in df["Image Name"]]
        self.y = df["Majority Vote Label"].map({"HP": 0, "SSA": 1}).tolist()
        self.ssa_votes = df["Number of Annotators who SSAs"].tolist()
        self.transform = transform or transforms.ToTensor()

    def __len__(self):
        return len(self.y)

    def __getitem__(self, idx):
        img = Image.open(self.paths[idx]).convert("RGB")
        if self.transform is not None:
            img = self.transform(img)
        return img, self.y[idx], self.ssa_votes[idx]   # 一致度一并返回

    def class_weights(self):
        """反频率类别权重，供加权损失使用。"""
        counts = torch.bincount(torch.tensor(self.y), minlength=2).float()
        return (counts.sum() / (2.0 * counts)).clamp(max=5.0)

def make_loaders(data_root, batch_size=64, num_workers=4):
    tf_train = transforms.Compose([
        transforms.RandomHorizontalFlip(), transforms.RandomVerticalFlip(),
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
    tf_eval = transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
    ds_train = MhistDataset(data_root, "train", tf_train)
    ds_test  = MhistDataset(data_root, "test",  tf_eval)
    loader_test = DataLoader(ds_test, batch_size=batch_size,
                             num_workers=num_workers, shuffle=False)
    return ds_train, ds_test, loader_test

def train_baseline(data_root, epochs=20, lr=1e-3, seed=0):
    """ResNet-18 基线训练（官方量级：RTX 3090 约 6 分钟收敛，3.5 GB 显存）"""
    import torch, random
    import torch.nn as nn
    from torchvision import models
    random.seed(seed); torch.manual_seed(seed)
    ds_train, ds_test, loader_test = make_loaders(data_root)
    loader_train = DataLoader(ds_train, batch_size=64, shuffle=True,
                              num_workers=4, drop_last=True)
    model = models.resnet18(weights=models.ResNet18_Weights.IMAGENET1K_V1)
    model.fc = nn.Linear(model.fc.in_features, 2)
    model = model.cuda()
    ce = nn.CrossEntropyLoss(weight=ds_train.class_weights().cuda())
    opt = torch.optim.AdamW(model.parameters(), lr=lr)
    for epoch in range(epochs):
        model.train()
        for x, y, _ in loader_train:
            loss = ce(model(x.cuda()), y.cuda())
            opt.zero_grad(); loss.backward(); opt.step()
        model.eval()
        ys, ps = [], []
        with torch.no_grad():
            for x, y, _ in loader_test:
                prob = model(x.cuda()).softmax(1)[:, 1].cpu()
                ys += y.tolist(); ps += prob.tolist()
        print(epoch, evaluate(np.array(ys), np.array(ps))["auc"])
    return model

训练循环要点：损失用反频率加权交叉熵（§6.4 的 class_weights）；验证只用固定种子；若要严格遵循"test 只碰一次"的协议（§8.3），应把上述打印改为在 train 内部验证集上执行，test 评估放到训练结束后一次性运行。

§6.5 坑点 8 个

⚠️ 坑点 1：3,152 张 patch 只来自 328 张 WSI——图像级划分下的 WSI/患者泄漏（分类：数据泄漏）

问题：全部 patch 源自仅 328 张全切片，同一 WSI（乃至同一患者）的多张 patch 在染色、背景与病变构成上高度相关；官方 train/test 按图像随机划分，“近亲 patch” 会同时出现在两侧，测试指标系统性偏乐观。
症状：指标漂亮但与"换一批患者"的真实表现不符；在 train 内做 K 折时方差极小，产生过度自信的结论；向外部数据迁移时性能骤降却找不到代码 bug。
解决：

简单方法：如实声明"遵循官方 patch 级划分协议"，论文写作中禁止把指标表述为患者级泛化能力。

进阶方法：在 train 内重复随机划分（≥5 次）或 bootstrap 重采样，用指标方差量化 WSI 相关性带来的不确定性下限；关键结论要求均值±标准差。

SOTA 方法：将泛化证明转移至外部数据集（NCT-CRC-HE、UniToPatho、院内数据，见 §7.8）；若可获得新的带 WSI 映射的同类数据，按 WSI 分组做 GroupKFold 作为补充证据。
参考：论文 §3.2（328 WSI → 3,152 tile、元数据剥离）：arXiv:2101.12355；§5.3 同款分析

⚠️ 坑点 2：多数投票标签 ≠ 客观真值——观察者分歧与 SSA 票数的编码理解（分类：标签理解）

问题：金标准是 7 位病理学家的多数投票，而两两一致率仅 72.9%、人均 κ 0.450；annotations.csv 的 Number of Annotators who SSAs 记录的是"判为 SSA 的人数"，与标签存在非对称联动（6 → SSA 6/7；2 → HP 5/7），把它误读为"置信度"或"一致度"都会出方向性错误。
症状：把票数直接当 0-7 连续监督信号训练导致标签语义混乱；把 k==6 理解为"6/7 一致"却忘了 k==2 同样是 5/7 一致的 HP；一致度分层分析中 HP 与 SSA 的难度轴被错位对齐。
解决：

简单方法：用 agreement = max(k, 7-k) 折算成真正的"一致票数"（4-7），与类别对齐后再做分层。

进阶方法：训练时把一致度作为样本权重或软标签（如 p(SSA) = k/7 的温度软化），而非硬标签；评估时按一致度分层报告 Accuracy。

SOTA 方法：借鉴 SKD 论文（arXiv:2207.08063）将 7/7→4/7 定义为四个难度子类做课程学习；或用 noisy-label 鲁棒损失（co-teaching/GCE）并报告对 4/7 子集的校准曲线（ECE）。
参考：BMIRDS 官方对票数编码的说明；论文 §3.3 一致性统计

⚠️ 坑点 3：4/7 边缘病例——性能天花板与"洗掉难例"的隐藏偏倚（分类：评估误用）

问题：约 16.7% 的图像仅以 4/7 最小多数通过，标签本身接近"半个专家的猜测"；这些样本同时压低了可达到的准确率上限，又是最有科研价值的"真难例"。
症状：模型准确率卡在 80%-90% 区间后怎么调都不动，误以为模型不行；一些工作悄悄在训练前过滤低一致度样本，指标上去了，却引入了"难例剔除偏倚"，与文献完全不可比。
解决：

简单方法：保持官方全量 test 不动；训练集如需过滤，必须同时报告全量 test 与"一致度分层"两组指标。

进阶方法：按一致度分层评估（7/7 与 6/7 上模型应显著优于随机，4/7 上允许接近专家分歧水平），把"模型在专家也不一致处表现如何"作为独立研究问题。

SOTA 方法：对 4/7 子集做选择性预测/弃权（rejection option），报告 risk-coverage 曲线——临床落地时"模型承认不确定"比强行给答案更有价值。
参考：论文 §3.3（16.7% 图像 4/7）与 §4.4（高分歧样本实验）；arXiv:2101.12355

⚠️ 坑点 4：224×224 小 patch 的上下文不足——8x 压缩与 ROI 精选的外推断层（分类：预处理陷阱）

问题：图像在 40x 扫描后被压缩 8x（有效约 2.0 µm/px）以扩大视野，细胞学细节低于病理签发的常规倍率；且每张 patch 都是被筛选过的"诊断相关、组织致密、少伪影"区域，与真实阅片遇到的杂乱视野分布不同。
症状：在 MHIST 上表现好的模型，直接搬到 WSI 管线（高倍 patch 或全图推理）后性能崩塌；模型注意力落在泛-peripheral 的组织密度线索而非隐窝锯齿结构上。
解决：

简单方法：明确 MHIST 结果的适用边界是"同分布 patch 级判别"；跨倍率/跨数据迁移前先做分辨率对齐实验（如将外部数据降到 2.0 µm/px）。

进阶方法：训练时加入 RandomResizedCrop（缩放比例 0.8-1.0）与轻度的尺度抖动，削弱对固定视野的依赖；避免任何引入 40x 高频细节的锐化增强。

SOTA 方法：多尺度训练（同一 ROI 的多倍率裁剪拼batch）或多实例学习（MIL）把 patch 级头接到 WSI 级评估上，用 UniToPatho/自有 WSI 做"上下文回补"验证。
参考：论文 §3.2 采集细节；kaiko-ai EVA 数据卡（2.0 µm/px 记录）

⚠️ 坑点 5：单中心单扫描仪——染色与扫描仪指纹让模型"认机器不认病"（分类：偏倚陷阱）

问题：3,152 张图全部来自 DHMC 一家机构、同一台 Aperio AT2、同一染色流程；H&E 染色的色相/饱和度与扫描仪色彩响应高度稳定，模型可以借"指纹"走捷径。所有元数据又被剥离，无法显式建模域变量。
症状：测试集误差极低，但换一台扫描仪或另一家机构的同任务数据后 AUC 掉十几个点；stain 归一化反而更差——因为参考统计量取自 MHIST 自身，把单中心分布进一步固化。
解决：

简单方法：训练加轻度色相/亮度/对比度抖动（幅度克制，见 §6.6），并在报告中标明"单中心"限定条件。

进阶方法：跨数据集评估：以 NCT-CRC-HE（欧洲多中心）为目标域做 zero-shot 迁移；stain 归一化的参考图必须来自目标域而非训练域。

SOTA 方法：使用在大规模多中心病理数据上预训练的基础模型（Virchow、Prov-GigaPath、H-optimus-0 等）做线性探针——Hibou 论文的对比显示病理预训练在 MHIST 上可稳定超过 ImageNet 初始化；或做对抗域判别的域随机化（需外部数据）。
参考：论文 §3.2（Aperio AT2、元数据剥离）；Hibou 论文 arXiv:2406.05074 表 1

⚠️ 坑点 6：无官方验证集——把 test 当 val 反复调参就是慢性过拟合（分类：评估误用）

问题：官方只有 train/test 两个划分。连严谨的评测框架（kaiko-ai EVA）都明示用 test 兼作 validation 选 checkpoint——在这只有 977 张的小测试集上，反复依据 test 选模型等于把测试集练进了超参数。
症状：不同论文在"同一个 test"上的数字一年比一年高，但新增的架构改进搬到大数据集上失效；同一模型换随机种子重跑，test 指标波动 1-2 个点却总挑最好那次报告。
解决：

简单方法：在 train 内划出 15%-20% 做验证（分层抽样，保持类别与一致度分布），test 只在最终报告使用一次。

进阶方法：train 内 5 折分层交叉验证（按类别 × 一致度双重分层）选超参，报告均值±标准差；固定随机种子并公开训练代码。

SOTA 方法：按 EVA/Nature Communications 基准的统一协议报告，保证与基础模型文献可比；写明"test 未参与任何模型选择"的声明。
参考：kaiko-ai EVA 对划分的说明；§5.2 划分惯例

⚠️ 坑点 7：类别不平衡 2.2:1 且 SSA 漏诊代价更高——只看 Accuracy 会误导（分类：评估误用）

问题：HP 2,162 : SSA 990（约 2.2:1），SSA 是少数类；临床上把 SSA 判成 HP（漏掉癌前病变）的代价远高于反向错误，而 Accuracy 对这两类错误一视同仁。
症状：“准确率 85%” 的模型可能把三分之一的 SSA 漏成 HP；不同论文因阈值与类别处理不同，Accuracy 排名与 AUC/敏感度排名互相矛盾。
解决：

简单方法：永远同时报告 AUC、SSA 敏感度（recall）、特异度与各类 F1；单报 Accuracy 的工作按不可比处理。

进阶方法：用反频率加权交叉熵或 WeightedRandomSampler（代码见 §6.4）；按临床代价选阈值——在验证集上以"SSA 敏感度 ≥ 目标值"约束下最大化特异度。

SOTA 方法：报告按一致度 × 类别交叉分层的混淆矩阵；对决策阈值做代价敏感分析（cost curve），并给出与病理医生在 4/7 边缘病例上的并列对比。
参考：论文 Table 1 类别分布；arXiv:2101.12355

⚠️ 坑点 8：获取流程与工程细节——4 小时过期的链接、目录结构与怪列名（分类：工程陷阱）

问题：数据不提供直链：需在官网填表，下载链接经邮件发放且 4 小时后过期；zip 内 PNG 无嵌套目录；annotations.csv 第三列列名 Number of Annotators who SSAs 语法不完整，凭记忆重打几乎必错。
症状：表单提交后迟迟收不到邮件就放弃（官方 FAQ：等几小时重交即可）；解压后脚本在 mhist/images/images/ 这类双层级路径上找不到文件；pandas 按 df["Number of Annotators with SSA"] 之类臆造列名取列直接 KeyError。
解决：

简单方法：下载前先建目录、写好脚本骨架；链接到手立即下载，用 md5sum -c MD5SUMs.txt 校验后再解压到 images/。

进阶方法：代码中列名用 df.columns 实际打印值驱动（见 §6.1 的列名断言）；数据获取脚本里加"链接过期→重新申请"的流程注释，实验室内部留存一份校验后的只读副本。

SOTA 方法：用 DVC/数据快照管理把"官方包 MD5"钉进版本控制；CI 中加入"列名与行数完整性"断言（3,152 行、4 列、Partition 计数 2,175/977），上游数据一变即报警。
参考：BMIRDS 官方 FAQ（链接 4 小时过期）；社区示例仓库

§6.6 数据增强

病理 H&E 图像的增强须尊重组织学语义：翻转/旋转不改变诊断，而剧烈的色彩操纵会伪造出自然界不存在的染色。

# 安全 ✅ / 危险 ❌ 对照（torchvision 示例）
safe_tf = transforms.Compose([
    transforms.RandomHorizontalFlip(0.5),      # ✅ 组织学无方向性
    transforms.RandomVerticalFlip(0.5),        # ✅ 同上
    transforms.RandomRotation(90),             # ✅ 90° 倍数最安全；±15° 小角度亦可
    transforms.ColorJitter(brightness=0.15,    # ✅ 轻度染色抖动，模拟染色批间差异
                           contrast=0.15,
                           saturation=0.10,
                           hue=0.02),          #    hue 幅度务必小
    transforms.RandomResizedCrop(224, scale=(0.8, 1.0)),  # ✅ 轻度尺度抖动
])
# 危险增强（会改变标签语义或引入不存在的变异）：
# transforms.ColorJitter(hue=0.2)             # ❌ 把 H&E 染成"假染色"
# transforms.ElasticTransform()               # ❌ 弹性形变扭曲隐窝结构，可把 SSA 扭成 HP
# transforms.ChannelShuffle()                 # ❌ 交换 RGB 通道，破坏 H/E 成分语义
# transforms.RandomSolarize(threshold=0.5)    # ❌ 色彩反转，非真实染色变异
# 90° 以上任意大角度 + 透视变换                # ❌ 制造扫描仪不可能产生的畸变

§6.7 模型推荐

模型	定位	预期量级（官方 test）	说明
ResNet-18（ImageNet 迁移）	官方基线/首选起手	AUC 约 0.85-0.93（口径依赖）	论文基线，单卡 6 分钟收敛，3.5 GB 显存
ResNet-34/50	深度消融对照	Accuracy 约 83%-85%	论文示例实验：网络越深收益有限
EfficientNet-B0	参数效率对照	与 ResNet-18 相当	小数据集上差异不显著
ViT-B/16、DeiT、CaiT	Transformer 路线	CaiT 报告 Accuracy 90.18 / AUC 95.52（预印本，5 折 CV）	小数据集上需要强预训练/强增强
病理基础模型 + 线性探针	表征质量评测	top-1 Accuracy 约 79%-86%（Hibou 表 1 系列）	冻结 backbone，跨模型可比性最好

§6.8 硬件需求

场景	GPU	显存	参考耗时
官方基线复现（ResNet-18）	RTX 3090（论文实测）	3.5 GB	收敛约 6 分钟
入门级训练/推理	任意 6 GB 级 GPU（如 T4/3060）	≤4 GB	单 epoch 数秒至数十秒
基础模型线性探针	12 GB+	4-16 GB	取决于 backbone 前向
CPU-only	—	8 GB 内存	仅数据检查与推理，不建议训练

§6.9 评估指标代码

"""MHIST 评估指标：Accuracy 之外必须有 AUC 与 SSA 敏感度（见坑点 7）"""
import numpy as np
from sklearn.metrics import (roc_auc_score, balanced_accuracy_score,
                             f1_score, recall_score, confusion_matrix)

def evaluate(y_true, y_prob, ssa_votes=None):
    """y_true/y_prob: ndarray；ssa_votes: 一致度分层评估用（agreement=max(k,7-k)）"""
    y_pred = (y_prob >= 0.5).astype(int)
    out = {
        "accuracy": float((y_pred == y_true).mean()),
        "balanced_accuracy": float(balanced_accuracy_score(y_true, y_pred)),
        "auc": float(roc_auc_score(y_true, y_prob)),
        "sensitivity_ssa": float(recall_score(y_true, y_pred, pos_label=1)),
        "specificity_hp": float(recall_score(1 - y_true, 1 - y_pred, pos_label=1)),
        "f1_ssa": float(f1_score(y_true, y_pred, pos_label=1)),
    }
    if ssa_votes is not None:
        agree = np.maximum(ssa_votes, 7 - ssa_votes)
        for lvl in (7, 6, 5, 4):
            m = agree == lvl
            if m.sum():
                out[f"acc_agreement_{lvl}of7"] = float((y_pred[m] == y_true[m]).mean())
    return out

def selective_predict(y_true, y_prob, coverage):
    """选择性预测：只对模型最自信的 coverage 比例样本给答案。
    临床含义：其余样本转人工/会诊，用更小的覆盖换取更低的漏诊率。"""
    order = np.argsort(-np.abs(y_prob - 0.5))     # 距 0.5 越远越自信
    k = int(len(y_true) * coverage)
    sel = order[:k]
    y_pred = (y_prob[sel] >= 0.5).astype(int)
    acc_sel = float((y_pred == y_true[sel]).mean())
    return {"coverage": coverage, "accuracy_on_covered": acc_sel}

# risk-coverage 扫描：
# for cov in (1.0, 0.9, 0.8, 0.7):
#     print(selective_predict(y_true, y_prob, cov))

# 混淆矩阵（行=真值 HP,SSA；列=预测）：漏诊 SSA 在第 2 行第 1 列
# print(confusion_matrix(y_true, y_pred))

§6.10 MLOps 笔记

数据版本钉死：官方无版本号，以"MD5 校验通过的原始包 + 下载日期"作为数据版本标识；任何重打包（列名改动、图像重压缩）都视为数据集变更，CI 中跑 §6.1/坑点 8 的完整性断言。
协议固化：把"train 内选模型、test 只碰一次、类别与一致度分层报告"写进实验模板；随机种子、库版本（torch/torchvision/sklearn）随 checkpoint 一起落盘。
监控什么：上线后跟踪 SSA 敏感度的漂移重于整体 Accuracy；扫描仪/染色批次更替时，用训练期保存的"预测分布指纹"（如 logits 直方图）做漂移报警。
复盘一致度：定期抽回高分歧（4/7）且模型高置信的样本做人工复核——这是模型与专家意见系统性相左的最早信号。
可复现性包：随代码发布"环境锁定文件 + 数据 MD5 + 评估协议声明"三件套；审稿人问"为什么和 XX 论文数字不一样"时，先对 §8.1 的四条不可比原因。

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	描述	严重程度	缓解措施
单中心偏倚	全部标本来自 DHMC 一家机构，人群与操作惯例单一	高	外部数据集验证；报告时明确限定
设备/染色偏倚	单一 Aperio AT2 扫描仪 + 单一染色流程，存在"扫描仪指纹"	高	跨机构评估；克制色彩增强（坑点 5）
选择偏倚	仅收录原始 WSI 级诊断明确为 HP/SSA 的切片，且 patch 为诊断相关、少伪影 ROI	中	明确"干净视野判别器"的定位，不外推到杂乱真实视野
标签噪声	多数投票标签含观察者分歧（4/7 占约 16.7%）	中	一致度分层评估；噪声鲁棒训练（坑点 2/3）
WSI 相关性泄漏	328 张 WSI 的 patch 被图像级划分拆分	高	如实声明 + 外部验证兜底（坑点 1/§5.3）
类别不平衡	HP:SSA ≈ 2.2:1，少数类恰是临床重点	中	加权损失/采样；AUC+敏感度报告（坑点 7）

§7.2 标注质量

标注流程的质量在同类数据集中属于第一梯队：标注者全部为委员会认证胃肠病理学家、判读依据统一的 WHO 2019 标准、逐图独立盲法、金标准以多数投票合成且分歧被如实保留与发布（两两一致率 72.9%、对多数投票 83.2%、κ 0.450）。需要校准的预期是：κ 0.450 意味着任务本身处于"专家中等一致"区间，标签上限即受此约束——任何模型在 4/7 子集上的低分，一部分是模型的问题，更大一部分是任务的固有难度。

质量维度	表现	评价
标注者资质	7 位委员会认证 GI 病理学家，具名发布	优
判读标准	WHO 2019 统一标准	优
独立性	逐图独立盲法判读	优
共识机制	多数投票 + 票数保留	优（罕见地保留分歧）
一致性水平	两两 72.9% / κ 0.450	中等（任务本身难）
标签粒度	仅二分类，无亚型/异型增生	任务设计使然

§7.3 泛化性

场景	失效风险	证据/依据
跨机构（他院 H&E）	高：染色与扫描仪指纹失效（坑点 5）	单中心设计；元数据剥离无法做域校正
跨扫描仪	高：色彩响应差异直接作用于像素分布	全部图像出自同一台 Aperio AT2
patch → WSI 级任务	高：小 patch 上下文不足（坑点 4）	无 WSI 原图；ROI 为精选区域
跨人群/地域	不可评估：人口学信息未公布	元数据全剥离
时间推移（新染色批次）	中：染色试剂换代造成漂移	数据静态（2021 年），无时间元数据
跨标签体系（如对接 UniToPatho）	中：HP/SSA 判读细则未必逐条对应	类目映射需专家复核后使用
类别先验变化（不同筛查人群）	中：HP/SSA 构成比随人群变化	先验漂移下阈值需重标定

§7.4 伦理与合规

数据发布经 Dartmouth-Hitchcock Health（D-HH）IRB 批准；图像通过移除全部元数据完成去标识化，官方声明无任何敏感患者信息可被还原。使用须遵守 Dataset Research Use Agreement（研究用途）；应禁止任何形式的重新识别尝试；下游成果发表时应引用论文与官方页面。DUO 视角下最接近 NPUNCU（非商业非营利研究用途），但以官方协议文本为准。

§7.5 公平性

患者年龄、性别、种族、地域等人口学信息未随数据发布，无法进行亚组公平性审计；使用者在向临床推进时，须在自有或多中心数据上补齐这一维度的评估。这是"极简"设计的代价之一。

工程上的应对：把"公平性补测"写进上线检查单——在目标部署人群上按年龄/性别（可获得的话）分层计算敏感度/特异度，任何一层的偏离超过设定阈值即触发数据扩样或阈值重标定。MHIST 在此环节只能提供方法的演练场，不能提供结论。

§7.6 数据漂移

数据集自 2021 年发布后维持静态。风险主要来自使用方一侧：病理科扫描仪换代、H&E 试剂批次更替、数字切片扫描参数（如压缩率）变化，都会使部署环境逐渐偏离 MHIST 的单中心分布。建议以"预测分布指纹 + SSA 敏感度"双指标监控（§6.10）。

监控实现建议：为每个上线版本保存训练期 logits 直方图与 per-一致度准确率基线；线上按周重算并做 PSI/JS 散度报警；扫描仪或染色供应商变更事件必须登记为"数据事件"，触发一轮小规模人工复核而非只看指标。

§7.7 DAIMS 24 项数据质量检查

#	检查项	状态	说明
1	宽格式	✅	annotations.csv 单表宽格式，一行一图
2	唯一标识	✅	Image Name 主键，3,152 个唯一值
3	特殊字符	✅	文件名仅字母与扩展名，无空格/Unicode 风险
4	重复行	✅	行数与图像数一致（3,152），无重复
5	缺失编码	✅	4 列无缺失；图像文件经 MD5 校验完整
6	标签标识	✅	Majority Vote Label 显式给出 HP/SSA
7	罕见类分组	⚠️	SSA 990 张为少数类；无亚组变量可做进一步分组
8	偏倚评估	⚠️	官方未随数据提供偏倚分析，需研究者自行评估（§7.1）
9	数据字典	✅	官方页面明确各列含义与联动规则
10	信息性缺失解释	✅	元数据系统性剥离在论文中明示，属设计而非缺陷
11	设备记录	⚠️	扫描仪/倍率仅存于论文文字，数据文件内无记录
12	共线性	✅	单模态图像数据，无特征共线性问题
13	编码映射	✅	HP/SSA 字符串标签含义清晰，映射至 ICD-11/SNOMED（§2.1）
14	时间戳处理	✅	无时间字段，不适用
15	划分建议	✅	官方 Partition 列提供可复现 train/test
16	泄漏讨论	⚠️	官方未讨论 patch↔WSI 泄漏，且未发布分组映射（§5.3）
17	标签分布	✅	论文 Table 1 给出划分×类别完整分布
18	测量偏倚	⚠️	单扫描仪 + 单中心染色流程（坑点 5）
19	外部验证建议	✅	论文示例与社区基准均给出外部数据路径（§7.8）
20	版本记录	⚠️	无版本号与变更日志，仅能以 MD5 + 下载日期标识
21	预处理脚本	✅	配套 DeepSlide 开源框架（PyTorch）
22	合规要求	✅	Dataset Research Use Agreement 明确研究用途边界
23	多模态对齐	✅	单模态数据集，无跨模态对齐问题
24	去标识化	✅	元数据全剥离 + IRB 批准，官方声明不可复原

DAIMS 评分：15.0 / 24（18 项通过，6 项 ⚠️ 各扣 0.5）

评分解读：结构性、工程性维度近乎满分——表结构、唯一键、完整性、去标识化、合规文本、官方划分、配套代码一应俱全，这符合它"极简数据集"的定位。扣分集中在两个层面：一是可追溯性（无版本记录、设备信息不入文件、无 WSI/患者映射），二是分布代表性（单中心、单扫描仪、类别不平衡、无亚组信息）。换言之，MHIST 的短板不在"数据管理做得好不好"，而在"一个中心的数据到底能代表什么"。

对你意味着什么：如果你要做的是方法研究与快速迭代，15.0/24 的短板几乎不构成障碍——按 §6 的流程即可放心开工，只需在论文里声明单中心与 patch 级协议。如果你的目标是临床可部署的模型，则必须把 ⚠️ 项全部补齐：在多中心外部数据上复验（18/19/22）、按一致度做标签质量分析（7/16）、用基础模型对冲设备偏倚（11/18），并把"版本钉死 + MD5 断言"写进你的 MLOps 流程（20）。

§7.8 外部验证矩阵

外部数据集/场景	来源机构	评估任务	性能指标	相对内部变化	关键发现
病理基础模型横向基准（MHIST 作外部评测集）	多家（模型方各异）	HP vs SSA 二分类（2,178/980 口径）	各家论文报告口径不一	—	Nature Communications 2026 基准研究将 MHIST 纳入外部基准矩阵，确认其作为基础模型"小考试"的地位；注意其划分记录与官方 2,175/977 有数张之差
线性探针横向对比（Hibou 论文表 1）	多家基础模型方	冻结表征 + 线性分类	top-1 Accuracy 0.791-0.861	相比内部 fine-tune 基线低约 0-5 个点	病理域预训练（H-optimus-0 0.861、Hibou-L 0.858、Virchow 0.834）系统性高于 ImageNet 特征（Phikon 0.791）；载体为 arXiv 预印本，数值供趋势参考
一致度分层难度评估（SKD 论文）	Dartmouth/合作者	按 7/7→4/7 子类的分层任务	子类难度随一致度单调上升	—	证实 SSA 票数可作为难度/噪声的代理变量，支撑课程学习与蒸馏设计；载体为 arXiv 预印本

（本表仅收录检索可核的同行评审或公开预印本结果；预印本与排行榜数值已明确标注载体，横向比较时注意划分口径与训练协议差异。）

§8 基准性能与生态

§8.1 排行榜

排名	模型	性能	年份	关键技术	完整引用	代码
1	CaiT（5 折 CV，预印本）	Accuracy 90.18 / AUC 95.52	2026	class-attention Transformer + 混合精度	Kumari et al., Vision Transformers Based AI Models For Predicting Colorectal Cancer from Digital Pathology WSI: Use Case Of MHIST dataset, medRxiv 2026. DOI 10.64898/2026.02.03.26345516（预印本）	未公开
2	DeiT（5 折 CV，预印本）	Accuracy 89.76 / AUC 94.67	2026	数据增强+蒸馏式训练的 ViT	同上（medRxiv 2026 预印本）	未公开
3	ViT（5 折 CV，预印本）	Accuracy 89.25 / AUC 94.31	2026	标准 ViT 微调	同上（medRxiv 2026 预印本）	未公开
4	ResNet-18（ImageNet 迁移）	AUC 92.7（峰值，转述）	2021	迁移学习	Wei et al., A Petri Dish for Histopathology Image Analysis, AIME 2021, LNCS 12721:11-24. DOI 10.1007/978-3-030-77211-6_2	DeepSlide
5	H-optimus-0（线性探针）	top-1 Accuracy 86.1	2024	病理基础模型冻结特征	Nechaev et al., Hibou: A Family of Foundational Vision Transformers for Pathology, arXiv:2406.05074, 2024（预印本）	Hibou
6	Hibou-L（线性探针）	top-1 Accuracy 85.8	2024	DINOv2 框架病理预训练	同上（arXiv:2406.05074）	Hibou
7	M-IDoL	Accuracy 81.78 / AUC 89.46	2026	缺失感知预训练迁移	sota2.com “Classification on MHIST” 排行榜（2026-04 快照）	论文级复现未核
8	DINO（自监督迁移）	Accuracy 79.47 / AUC 86.00	2026	自监督视觉预训练	同上（sota2 排行榜）	—

为什么这些数字不能直接比：（1）划分口径不同——官方 test 977 张 vs 5 折交叉验证 vs 第三方 2,178/980 记录；（2）协议不同——线性探针、全量微调、从头训练不可混排；（3）部分数字来自预印本（medRxiv/arXiv）或排行榜快照，未经完整同行评审；（4）报告指标混杂 Accuracy 与 AUC。把它们当作量级参考与趋势证据，而不是同一赛道上的名次。

§8.2 SOTA 总结与选型建议

在官方 test 协议下，该任务的大致量级为：ImageNet 迁移 CNN 约 84%-93% AUC；强预训练 Transformer（含病理基础模型线性探针）可到 86%-91% Accuracy / 0.94+ AUC 量级。选型建议：做方法研究从 ResNet-18 + ImageNet 起手建立可信 baseline；做表征评测统一用线性探针协议；追求该数据集上的极限没有意义——瓶颈在标签噪声与 WSI 泄漏（§6.5 坑点 1-3），不在架构。

三条常用路线的取舍：路线 A（方法研究）：ResNet-18 + ImageNet 初始化 + 加权交叉熵，先把 pipeline 与协议钉死，再逐项消融；路线 B（表征评测）：冻结病理基础模型 + 线性探针，重点在统一协议而非刷分，引用 EVA/Hibou 协议保证可比；路线 C（分歧建模）：任何骨干 + 一致度分档权重/课程学习，评估必须附一致度分层表，否则无法与 SKD 类工作对话。

§8.3 §8.3 评测协议

推荐协议（与主流文献兼容）：官方 train 训练（可内部再分验证）→ 官方 test 一次性评估 → 报告 Accuracy、balanced Accuracy、AUC、SSA 敏感度/特异度、各类 F1，并附一致度分层的 Accuracy（§6.9 代码）。避免：把 test 用于调参；重采样官方划分；过滤 4/7 样本后报告"全量 test"字样。

报告清单（提交论文/报告前逐项自查）：

划分声明：官方 Partition，未重采样、未过滤；
指标组：Accuracy、balanced Accuracy、AUC、SSA 敏感度、特异度、各类 F1；
一致度分层：7/7-4/7 四档 Accuracy；
协议声明：线性探针/全量微调/从头训练三选一，注明预训练来源；
方差：至少 3 个随机种子的均值±标准差；
数据版本：下载日期 + MD5 校验声明；
限定声明：单中心、patch 级、不外推患者级性能。

数据集	任务	关系	适用场景
NCT-CRC-HE-100K	结直肠组织 9 类模式	同器官、规模更大、多中心（欧洲）	跨机构泛化验证、预训练
PCam	淋巴结转移二分类	同为 patch 级二分类、规模大 100 倍	大规模预训练与弱监督对比
UniToPatho	结直肠 6 类（含 HP 与腺瘤分级）	标签体系与 MHIST 部分重叠	验证 HP 判别力的外部迁移
Kvasir-SEG	内镜息肉分割	任务链条上游（CADe）	端到端筛查管线演示
DeepSlide 肺腺癌集	WSI 滑窗分类	同机构（BMIRDS）姊妹数据集	WSI 级方法迁移

§8.5 关键论文 Top 8

Wei J, Suriawinata A, Ren B, Liu X, Lisovsky M, Vaickus L, Brown C, Baker M, Tomita N, Torresani L, Wei J, Hassanpour S. A Petri Dish for Histopathology Image Analysis. AIME 2021, LNCS 12721:11-24. DOI 10.1007/978-3-030-77211-6_2 —— MHIST 原始论文：数据集设计、标注协议与四组示例实验（规模/深度/迁移/高分歧）。
Hassanpour S, et al. Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Scientific Reports 9, 2019. DOI 10.1038/s41598-019-40041-7 —— 同一团队的 WSI 滑窗框架论文，DeepSlide 代码出处。
WHO Classification of Tumours Editorial Board. Digestive System Tumours（第 5 版）. IARC, 2019 —— MHIST 标注判读依据的 WHO 2019 标准，SSL/SSA 术语与诊断标准来源。
Crockett SD, Nagtegaal ID. Terminology, Molecular Features, Epidemiology, and Management of Serrated Colorectal Neoplasia. Gastroenterology 157(4):949-966.e4, 2019. DOI 10.1053/j.gastro.2019.06.041 —— 锯齿状病变术语、分子特征与管理的权威综述。
Bateman AC, Shepherd NA. UK guidance for the pathological reporting of serrated lesions of the colorectum. J Clin Pathol 68(8):585-591, 2015. DOI 10.1136/jclinpath-2015-203016 —— 锯齿状病变病理报告规范，观察者变异的背景文献。
Murakami T, et al. Sessile serrated lesions: Clinicopathological characteristics, endoscopic diagnosis, and management. Digestive Endoscopy 34(6):1096-1109, 2022. DOI 10.1111/den.14273 —— SSL/SSA 临床特征与随访管理的当代综述。
Nechaev D, Pchelnikov A, Ivanova E. Hibou: A Family of Foundational Vision Transformers for Pathology. arXiv:2406.05074, 2024 —— 将 MHIST 纳入线性探针基准的病理基础模型家族（预印本）。
Wei J, et al.（SKD）Subclass Knowledge Distillation with Known Subclass Labels. arXiv:2207.08063, 2022 —— 首批把 MHIST 一致度用作难度子类的代表性工作（预印本）。

§8.6 社区活跃度

数据集本体无独立 issue 跟踪与论坛；社区支持渠道为：BMIRDS 官方 FAQ（下载问题）与邮件联系、配套框架 DeepSlide 仓库（GPL-3.0，489 stars，截至 2024-11 快照，2024-06 仍有提交）、kaiko-ai EVA 框架的持续集成维护，以及各基础模型论文的复现讨论。第三方示例（如 xlin1106/mhist）提供多模型对照起点。整体活跃度：数据集静态但生态稳定，论文引用平稳增长（132+，截至 2026-09）。

渠道	用途	响应方式
BMIRDS 官网 FAQ	下载链接过期/收不到邮件	自助：等待数小时重新提交表单
BMIRDS 邮件联系	协议与使用咨询	邮件（官网页脚）
DeepSlide Issues	框架使用问题	GitHub Issue（框架侧重 WSI 任务）
kaiko-ai EVA	评测协议集成	GitHub Issue + 文档
论文通讯作者	学术问题	邮件（Dartmouth Hassanpour 实验室）

§8.7 生态快照

资源	类型	链接	状态（截至日期）	推荐理由
BMIRDS MHIST 官方页	官方入口（申请+文档+FAQ）	bmirds.github.io/MHIST	持续在线（2026-09 检索）	唯一权威获取渠道
DeepSlide	官方 PyTorch 框架	github.com/BMIRDS/deepslide	489 stars（2024-11）	官方配套训练框架
kaiko-ai EVA MHIST 卡	评测框架数据卡	kaiko-ai.github.io/eva	随 EVA 维护（2026-09 检索）	统一线性探针协议
sota2 排行榜	第三方榜单	sota2.com	2026-04 快照	快速览自监督/预训练方法对比
Awesome-Medical-Dataset 条目	社区百科	github.com/openmedlab	持续维护（2026-09 检索）	中文友好的元信息速查

§9 相关资源与引用

§9.1 官方资源

官方主页与申请入口：https://bmirds.github.io/MHIST/（含 Dataset Research Use Agreement、表单、FAQ）
论文集版本：Springer AIME 2021 LNCS 12721 章节
预印本全文：arXiv:2101.12355
配套代码：BMIRDS/DeepSlide（PyTorch，GPL-3.0）
同机构其他数据集：BMIRDS 官网 “other datasets from our group” 列表
咨询渠道：BMIRDS 联系方式（官网页脚；下载问题优先查 FAQ）

§9.2 第三方资源

kaiko-ai EVA 数据卡：https://kaiko-ai.github.io/eva/0.1/datasets/mhist/
Nature Communications 病理基础模型基准（2026）：s41467-026-76004-6
Hibou 论文：arXiv:2406.05074
SKD 一致度子类论文：arXiv:2207.08063
社区多模型示例：xlin1106/mhist
MedGen 术语卡（HP）：Hyperplastic polyp of colon（SNOMED 1344661002）
MedGen 术语卡（SSA）：Colon sessile serrated adenoma/polyp（SNOMED 1230009008）
sota2 排行榜：Classification on MHIST
SKD 一致度子类用法：arXiv:2207.08063

§9.3 BibTeX 引用

@inproceedings{wei2021petri,
  title     = {A Petri Dish for Histopathology Image Analysis},
  author    = {Wei, Jerry and Suriawinata, Arief and Ren, Bing and Liu, Xiaoying
               and Lisovsky, Mikhail and Vaickus, Louis and Brown, Charles
               and Baker, Michael and Tomita, Naofumi and Torresani, Lorenzo
               and Wei, Jason and Hassanpour, Saeed},
  booktitle = {International Conference on Artificial Intelligence in Medicine (AIME)},
  series    = {Lecture Notes in Computer Science},
  volume    = {12721},
  pages     = {11--24},
  year      = {2021},
  publisher = {Springer},
  doi       = {10.1007/978-3-030-77211-6_2}
}

@misc{wei2021petriPreprint,
  title  = {A Petri Dish for Histopathology Image Analysis},
  author = {Wei, Jerry and Suriawinata, Arief and Ren, Bing and Liu, Xiaoying
            and Lisovsky, Mikhail and Vaickus, Louis and Brown, Charles
            and Baker, Michael and Tomita, Naofumi and Torresani, Lorenzo
            and Wei, Jason and Hassanpour, Saeed},
  year   = {2021},
  eprint = {2101.12355},
  archivePrefix = {arXiv},
  doi    = {10.48550/arXiv.2101.12355}
}

@misc{bmirdsMhist,
  title       = {MHIST: A Minimalist Histopathology Image Analysis Dataset},
  author      = {{BMIRDS, Dartmouth College}},
  howpublished= {\url{https://bmirds.github.io/MHIST/}},
  year        = {2021},
  note        = {Accessed: 2026-09-05}
}

@article{crockett2019serrated,
  title   = {Terminology, Molecular Features, Epidemiology, and Management of
             Serrated Colorectal Neoplasia},
  author  = {Crockett, Seth D. and Nagtegaal, Iris D.},
  journal = {Gastroenterology},
  volume  = {157},
  number  = {4},
  pages   = {949--966.e4},
  year    = {2019},
  doi     = {10.1053/j.gastro.2019.06.041}
}

§9.4 引用指南

使用数据集时必须引用 wei2021petri（论文与数据集同源）；网页资源可加引 bmirdsMhist 并注明访问日期；涉及锯齿状病变医学背景时建议补引 crockett2019serrated 或 WHO 2019 分类；使用 EVA/基础模型协议复现时，请同时引用对应评测框架与模型论文；医学背景表述建议引用 WHO 2019 分类或 crockett2019serrated。注意：数据集本体无独立 DOI，identifier 指向的是论文 DOI——这是 2021 年一代"论文随数据发布"数据集的通行做法，引用时勿把论文 DOI 写成数据集 DOI。

§10 AI 使用声明卡

§10.1 AI 模型列表

模型	版本	用途
大语言模型（本页起草助手）	2026-09 可用版本	资料整理、初稿起草、代码示例生成
大语言模型（本页校对助手）	2026-09 可用版本	术语一致性检查、结构核对

§10.2 AI 参与范围

AI 辅助完成了：多轮检索结果的汇总归纳、初稿撰写、代码示例编写与格式统一。AI 未独立完成：事实裁定（全部规模数字、一致性统计、基准数字均要求检索来源）、ICD-11/SNOMED 编码核对、医学结论表述的最终把关。以下环节由人工完成并负责：数据字典逐列核对、坑点与官网/论文原文的一致性核验、医学编码的权威来源比对。

AI 未能完成而由人工补齐的工作：下载流程细节（4 小时链接过期）与官方 FAQ 的逐条比对；CSV 列名怪异写法的确认；划分数字 2,175/977 与第三方 2,178/980 差异的辨析。
潜在残留风险：本页面无法执行真实下载与代码运行验证，所有代码为语义正确性人工复核而非运行时验证；引用数字存在随时间过期的可能（均已标注截至日期）。

§10.3 输入来源列表

Wei J, et al. A Petri Dish for Histopathology Image Analysis. AIME 2021, LNCS 12721:11-24. DOI 10.1007/978-3-030-77211-6_2. https://link.springer.com/chapter/10.1007/978-3-030-77211-6_2
同论文预印本（含 §3 数据采集/标注全文与 Table 1）. arXiv:2101.12355. https://arxiv.org/abs/2101.12355
同论文 ar5iv 全文镜像（一致性统计与 Table 1 核对）. https://ar5iv.arxiv.org/html/2101.12355
ACM Digital Library 论文记录（出版日期 2021-06-15）. https://dl.acm.org/doi/10.1007/978-3-030-77211-6_2
BMIRDS 官方数据集页面（规模、标注者、票数编码、获取流程、FAQ）. https://bmirds.github.io/MHIST/
kaiko-ai EVA MHIST 数据卡（354 MB、2.0 µm/px、目录结构、划分使用）. https://kaiko-ai.github.io/eva/0.1/datasets/mhist/
Google Scholar 论文引用记录（Cited by 132，检索于 2026-09-07）. https://scholar.google.com
openmedlab/Awesome-Medical-Dataset MHIST 条目（类别分布 68.59%/31.41%）. https://github.com/openmedlab/Awesome-Medical-Dataset/blob/main/resources/MHIST.md
Nechaev D, et al. Hibou: A Family of Foundational Vision Transformers for Pathology. arXiv:2406.05074（线性探针基准表）. https://arxiv.org/abs/2406.05074
Vision Transformers Based AI Models … Use Case Of MHIST dataset. medRxiv 2026（CNN/ViT 基线转述与 5 折结果）. DOI 10.64898/2026.02.03.26345516. https://www.medrxiv.org/content/10.64898/2026.02.03.26345516v1.full
A benchmark study of vision and pathology foundation models for computational pathology. Nature Communications, 2026. https://www.nature.com/articles/s41467-026-76004-6
sota2.com “Classification on MHIST” 排行榜（2026-04 快照）. https://www.sota2.com/research/sota/classification-on-mhist
BMIRDS/DeepSlide 仓库与 ecosyste.ms 元数据（GPL-3.0、489 stars、维护状态）. https://github.com/BMIRDS/deepslide + https://awesome.ecosyste.ms/projects/github.com%2FBMIRDS%2Fdeepslide
xlin1106/mhist 社区示例仓库（列名使用与标签编码惯例）. https://github.com/xlin1106/mhist
MedGen：Hyperplastic polyp of colon（SNOMED 1344661002）. https://ncbi.nlm.nih.gov/medgen/149276
MedGen：Serrated Lesions and Polyps / Colon SSA（SNOMED 443157008 / 1230009008）. https://www.ncbi.nlm.nih.gov/medgen/474424
Crockett SD, Nagtegaal ID. Gastroenterology 157(4):949-966.e4, 2019（锯齿状病变背景）. DOI 10.1053/j.gastro.2019.06.041
Subclass Knowledge Distillation with Known Subclass Labels. arXiv:2207.08063（一致度子类用法）. https://arxiv.org/abs/2207.08063

§10.4 人工校验

内容模块	审核者	审核方式	审核状态
§2 医学背景（ICD-11/SNOMED 映射、临床任务）	千方病案医学编辑部	对照 MedGen/ICD-11 公开映射与同门已发布条目逐条核对	✅ 已通过/已验证
§3/§4 数据规格与统计数字	千方病案医学编辑部	与官方页面、论文 Table 1、EVA 数据卡三方交叉验证	✅ 已通过/已验证
§5/§6 划分策略、代码与坑点	千方病案医学编辑部	代码逐行复核；坑点逐条对照官网 FAQ 与论文原文	✅ 已通过/已验证
§7/§8 质量评估与基准数字	千方病案医学编辑部	数字全部回溯至检索来源（§10.3），预印本口径已标注	✅ 已通过/已验证

§10.5 AI 生成章节标注

全部章节由 AI 辅助起草；§0、§2、§7.4、§7.7 评分解读与"对你意味着什么"、§10 由人工改写定稿；事实性数字段落在人工核对来源后采纳。

§10.6 最后人工审核日期

2026-09-05（与 §0 审核日期一致）

页面状态：published（全部内容已完成审核并发布）

返回 AI-Ready 数据集