Multi-OSCC — 1325 例口腔鳞癌 ×200/×400/×1000 多倍率 H&E 病理六任务诊断预后数据集

INFOBOX — Multi-OSCC 一屏速览

维度	内容
本质	单中心口腔鳞癌（OSCC）多倍率 H&E 病理图像 + 六任务标签数据集，不是 WSI 全切片库
团队	华南理工大学软件学院 + 中山大学孙逸仙纪念医院口腔颌面外科（另联阿联酋 MBZUAI、澳大阿德莱德）
论文	arXiv:2507.16360（2025-07-22，12 页 11 表 4 图），未见期刊正式版
发布	Zenodo v1 16842637（2025-08-13）→ v2 18357239（2026-01-24），34.6 GB 单 zip
规模	1,325 例患者 × 6 张 = 7,950 张 2592×1944 H&E 图像
倍率	×200 / ×400 / ×1000 各 2 张（1 张肿瘤核心 + 1 张边缘）
任务	REC 复发 · LNM 淋巴结转移 · TD 分化(3类) · TI 浸润 · CE 癌栓 · PI 神经侵犯
阳性率	REC 20.75% · LNM 37.51% · CE 8.45% · PI 18.42%（小类偏少）
最佳单任务	REC AUC 94.72%（Hibou-B）· TD 81.23%（CONCH）· PI 最低 66.19%
关键结论	染色归一化利于诊断任务、反害复发预测；多任务比单任务平均降 3.34%
许可	Zenodo v2 CC BY 4.0；GitHub 代码 GPL-3.0
库内易混	ORCHID（同为口腔癌病理 patch）、oral-cavity-opmd（白光照片）、HANCOCK（头颈 WSI）

Multi-OSCC 是"把一个医院的病理科切片抽屉数字化"的典型样本：它没有追求全切片扫描（WSI）的 gigapixel 母图，而是用一台 Olympus 光学显微镜，在三个放大倍率上各拍两张——一张对准肿瘤核心、一张对准浸润边缘，每位患者凑成六张 2592×1944 的 H&E 图像，然后给这六张图配一个六维临床标签向量（是否复发、淋巴结是否转移、分化几级、是否浸润、有无癌栓、有无神经侵犯）。1,325 位患者叠起来就是 7,950 张图，单一 zip 包 34.6 GB。

这种"少而精、多倍率、多标签"的构图，使它在口腔病理 AI 版图上占据一个特殊位置：比 ORCHID 的 512×512 patch 更接近原始视野、比 HANCOCK 的 WSI 更轻量，也比绝大多数只做单任务（要么诊断、要么预后）的口腔癌数据集多出"一套标签、六个出口"的多任务评测面。

导语读法三则：

1. 只想判断"能不能用"：看 §1 十问十答的 Q3（倍率与分辨率）与 Q7（标签口径），再看 §6 获取——34.6 GB 单包，没有分卷，国内用户走百度网盘镜像更稳。
2. 要做多任务实验：直奔 §5 的基准表，注意"单任务最优"与"统一设置"是两套口径，直接对比会失真。
3. 要写综述或选型：直奔 §9 消歧表，把 ORCHID、oral-cavity-opmd、HANCOCK、TCGA-HNSC、CoMPAS 五个易混名字分清。

§0 导读：这个数据集解决什么问题

口腔鳞状细胞癌（Oral Squamous Cell Carcinoma, OSCC）是全球第六大常见恶性肿瘤，在东南亚与南亚部分地区（印度、斯里兰卡）发病率尤其高，五年生存率长期徘徊在 50%–60%。临床决策链条上有两个截然不同的判断点：一端是诊断性判断——肿瘤分化程度（高/中/低）、是否浸润到深部结构、淋巴血管内有无癌栓、神经束是否被侵犯；另一端是预后性判断——术后会不会复发、颈部淋巴结是否已经隐匿转移。这两端在病理科用的是同一套 H&E 切片，但 AI 研究长期把它们拆成两个互不相干的任务族：诊断类数据集大多只给分化分级，预后类数据集大多只给生存曲线，很少有数据集同时、同源、同患者地把两端装进一个包。

论文的立论正是打在这个缺口上：既有的公开 OSCC 数据集"患者队列有限，且只聚焦诊断或预后之一"，导致模型无法学到"同一张切片同时服务多个临床终点"的能力。Multi-OSCC 的回应是把 1,325 例连续手术病例的六项病理/临床终点一次性标注齐全，并刻意在同一患者的三个倍率、两个空间位置上采样，让"多倍率融合"与"多图像融合"这两个技术问题第一次有了同源的评测底座。

第二层动机来自方法学。病理图像的颜色是"染色批次 + 扫描设备 + 组织厚度"的混合函数，染色归一化（stain normalization）几乎是所有病理流水线的标配预处理。但归一化到底帮不帮忙，取决于任务是"看形态"还是"看颜色"。Multi-OSCC 用同一套数据、同一套切分，把 Reinhard、Vahadane、Macenko 三种归一化分别叠在六个任务上跑，得到一条与直觉相反的结论：归一化让诊断类任务小幅提升，却让复发预测从 93.13% 掉到 87% 区间——因为复发信号里有相当一部分藏在原始染色的色相与饱和度里。

§0 读法三则：

1. 本条目把"数据集"与"基准实验"分开写：§2–§4 讲数据本体，§5 讲论文跑出的 11 张表，§7 讲它对生态的意义。不要把两者混读，否则会把"论文的最佳配置"误当作"数据的固有属性"。
2. 全文所有 AUC 数字均带口径标签（单任务最优 / 统一设置 / 多任务），任何跨表比较前先确认口径一致。
3. 检索时若把本集当作"WSI 数据集"去找 .svs/.ndpi 文件会一无所获——它是显微镜视野图，不是全切片（坑 1）。

§1 数据集速览：十问十答

Q1：1,325 例从哪来、什么时间段？
全部来自中山大学孙逸仙纪念医院（广州）口腔颌面外科，2015–2022 年间接受手术治疗的 OSCC 患者。经该院伦理委员会批准，因研究不涉及个人隐私或商业利益，获知情同意豁免。论文未披露具体 IRB 批号。

Q2：每人为什么是 6 张？
三个放大倍率（×200、×400、×1000）× 两个取材位置（肿瘤核心区 core、肿瘤边缘区 edge），即 3×2=6。核心区取角化珠及其周围细胞密集处，边缘区取癌组织与邻近正常组织的交界，随倍率升高可看到浸润前沿的形态。

Q3：图像多大、什么格式？
原始拍摄 2592×1944 像素，H&E 染色，福尔马林固定-石蜡包埋-切片的标准流程，用 Olympus 光学显微镜拍摄。文件格式论文与 Zenodo 均未明写（遗留疑点）。训练时统一缩放到 512×512。

Q4：和 WSI 有什么本质区别？
WSI 是整张切片的 gigapixel 扫描，倍率信息内嵌在金字塔层级里，可任意裁剪视野；本集是"人工选好的 6 个视野"，倍率是离散的三档，视野不可回溯。好处是体积小（34.6 GB 对 WSI 常以 TB 计）、标签与视野一一对应；代价是无法做"倍率无关"的连续尺度研究，也无法验证"选视野"本身是否引入偏倚。

Q5：六个任务分别是什么？
REC（recurrence，术后复发）、LNM（lymph node metastasis，淋巴结转移）、TD（tumor differentiation，分化，三档：高/中/低）、TI（tumor invasion，浸润）、CE（cancer embolus，癌栓，即淋巴血管内瘤栓）、PI（perineural invasion，神经侵犯）。前两个偏预后，后四个偏病理诊断描述。

Q6：标签是患者级还是图像级？
患者级。同一患者的 6 张图共享同一个六维标签向量。这一点直接决定了数据切分必须按患者来（否则同一患者的图会泄漏到训练集与测试集），也决定了有效样本量是 1,325 而不是 7,950。

Q7：类别平衡吗？
不平衡，且不均衡程度随任务差异极大。CE 阳性只有 112 例（8.45%），是最稀缺的类；LNM 阳性 497 例（37.51%）相对均衡；TD 三档中低分化 183 例（13.81%）。论文对不平衡用 SMOTE 做过处理。

Q8：怎么切分？
论文口径：把六维标签完全相同的样本归为一组（相同元组同组），再在组内随机三分为训练/验证/测试，最终 925/200/200。README 口径：按随机种子切 70:15:15。两种说法并不矛盾（组内随机 + 70:15:15），但 README 文字写"seed 42"而文件名是 split_seed=2024.json，需存照（坑 4）。

Q9：能复现论文的基准吗？
可以。GitHub 提供了 environment.yml（conda 环境名 Multi-OSCCPI）、requirements.txt、Data/all_metadata.json、Data/split_seed=2024.json，以及 2-1/2-2 两张结果表作为对标锚点。但基线权重是否随仓库发布，README 只写了 “Baseline weights” 标题与结果表，未见明确下载入口，需自行训练。

Q10：为什么它值得进 AI-Ready 库？
三个理由：其一，"六任务同源"在口腔病理里罕见，可直接支撑多任务学习与任务相关性研究；其二，"三倍率 × 两位置"提供了一个受控的多尺度实验台；其三，许可清晰（Zenodo v2 标 CC BY 4.0）、单包获取、体积适中，属于"下载即用"级别，不需要申请、不需要签协议。

§2 数据构成与规格

2.1 队列来源与入选条件

队列来自中山大学孙逸仙纪念医院口腔颌面外科 2015–2022 年的手术治疗病例，纳入标准为病理确诊的口腔鳞状细胞癌并接受根治性手术。论文对该院的定位是"华南地区口腔颌面肿瘤诊疗中心"，这解释了队列以中国南方人群为主、可能包含较高比例的舌癌与颊癌（华南地区 OSCC 的常见部位）的构成特征——但论文未给出逐部位（舌、颊、牙龈、口底、腭）的病例数分解，属遗留疑点。

伦理层面，论文写明经孙逸仙纪念医院伦理委员会批准、知情同意豁免，理由是研究不涉及个人隐私或商业利益。这一表述常见于回顾性病理图像研究：切片已归档、患者已出院、图像去标识化后仅保留病理形态与结构化标签。

去标识化的边界值得注意：数据集不含姓名、住院号、影像号等直接标识，但保留了年龄、性别等间接信息吗？论文与 README 均未列出 all_metadata.json 的字段清单，因此无法确认是否包含人口学字段。这一点对上文"成人"患者标签的判断构成约束——患者标签一栏按 OSCC 临床流行病学常见年龄段填"成人"，但严格来说应以元数据字段为准（坑 5）。

2.2 图像采集链：从蜡块到 2592×1944

环节	细节	影响
固定与包埋	福尔马林固定 → 脱水 → 石蜡包埋	标准流程，与多数回顾性病理集一致
切片	石蜡切片后 H&E（苏木精-伊红）染色、封片	染色批次差异成为主要域偏移源
取材	病理学家依据分化程度、上皮排列、癌巢、核分裂象选定核心区与边缘区两张切片	"选视野"由专家完成，但选择标准未量化
拍摄	Olympus 光学显微镜，×200/×400/×1000（配 ×10 目镜），每倍率 2 张	×1000 需油镜，景深极浅
输出	2592×1944 像素/张	4:3 画幅，约 503 万像素
训练预处理	统一缩放至 512×512	缩放比约 5.06×，细节损失显著

这里有一个容易被忽略的技术细节：×1000 在光学显微镜上是"总放大"而非"物镜倍率"。配 ×10 目镜时，物镜需为 ×100（油浸）。因此三档倍率的物镜实际是 ×20、×40、×100，对应的数值孔径与景深差异极大——×100 油镜的景深只有约 0.5 μm 量级，同一玻片上不同视野的对焦质量会有可见差异。这类差异在 WSI 扫描仪上被自动对焦与焦平面堆栈部分抹平，而在人工拍摄的本集里会保留下来，构成一层隐性噪声（坑 6）。

2.3 倍率与位置的二维设计

本集的采样是一个严格的三乘二网格：

倍率	核心区（core）	边缘区（edge）	该倍率的典型可辨识结构
×200（物镜 ×20）	1 张：癌巢密集、角化珠	1 张：癌组织与间质交界	癌巢轮廓、角化珠、间质比例
×400（物镜 ×40）	1 张：细胞异型性	1 张：浸润前沿	核浆比、核分裂象、细胞间桥
×1000（物镜 ×100，油镜）	1 张：染色质细节	1 张：单个细胞侵入神经/血管壁	核仁、染色质颗粒、神经束结构

这个设计的用意是让"同一患者的同一生物学状态"在三个尺度上被重复观测，从而支持两类实验：多图像融合（6 张如何聚合为一个患者级预测）与多倍率融合（不同尺度的信息如何互补）。论文的表 7 给出了一个反直觉结果：只用边缘区图像（平均 AUC 74.73）优于只用核心区（69.59），两者合并才达到 75.00——说明浸润前沿携带的预后信息比肿瘤主体更丰富，这与口腔癌"浸润方式（invasive front）决定预后"的经典病理学认识一致。

2.4 标签体系：六个终点的临床含义

代码	全称	中文	类别	临床意义	判读依据
REC	Recurrence	复发	0/1	术后局部复发或区域复发	随访记录
LNM	Lymph Node Metastasis	淋巴结转移	0/1	颈部淋巴结病理阳性	颈清扫病理报告
TD	Tumor Differentiation	肿瘤分化	0/1/2 三档	高/中/低分化，反映恶性程度	病理分级（类似 WHO 分级）
TI	Tumor Invasion	肿瘤浸润	0/1	浸润深度/范围达阈值	病理描述
CE	Cancer Embolus	癌栓	0/1	淋巴管或血管腔内瘤栓	镜下见血管内瘤细胞团
PI	Perineural Invasion	神经侵犯	0/1	癌细胞沿神经束膜/束内侵犯	镜下见神经束周围瘤细胞

六项中，TD 是唯一的三分类任务，其余五项均为二分类。评价指标统一用 AUC（AUC 对类别不平衡不敏感，适合 CE 这类 8% 阳性率的小类），辅以 Acc、F1、Recall、Precision。

为什么这六项放在一起有意义：在临床病理报告里，这六项本来就是同一份报告的不同栏目——分化与浸润描述原发灶的侵袭性，癌栓与神经侵犯描述局部扩散方式，淋巴结转移描述区域扩散，复发描述结局。把它们做成多任务学习（multi-task learning）的六个头，本质上是让模型学"一份结构化病理报告"，而不是学六个孤立分类器。这也是论文把多任务基准单列一章的原因。

2.5 类别分布全景

任务	类别	训练	验证	测试	合计	占比
REC	0 无复发	745	154	151	1,050	79.25%
REC	1 复发	180	46	49	275	20.75%
LNM	0 阴性	592	119	117	828	62.49%
LNM	1 阳性	333	81	83	497	37.51%
TD	0 高分化	310	68	72	450	33.96%
TD	1 中分化	498	99	95	692	52.23%
TD	2 低分化	117	33	33	183	13.81%
TI	0	511	103	101	715	53.96%
TI	1	414	97	99	610	46.04%
CE	0 阴性	859	178	176	1,213	91.55%
CE	1 阳性	66	22	24	112	8.45%
PI	0 阴性	766	159	156	1,081	81.58%
PI	1 阳性	159	41	44	244	18.42%
合计（患者）	—	925	200	200	1,325	100%

四点观察：

1. 测试集只有 200 例。CE 阳性在测试集仅 24 例，AUC 的 95% 置信区间宽度可达 ±0.08 量级——表 10 里 CE 的 75.52% 与基线 50% 的差距虽显著，但与另一模型的 2–3 个百分点差距在统计上很可能不显著。任何"某编码器在 CE 上更优"的结论都应谨慎。
2. TD 的中分化占一半以上（692/1,325 = 52.23%），高分化与低分化各占三分之一与七分之一。这是口腔鳞癌的真实分布，但也意味着"三分类"实际接近"中分化 vs 非中分化"的二分类难度。
3. TI 最均衡（46.04% 阳性），AUC 71–72% 的水平说明"是否浸润"这一在病理医生看来相对直观的判断，对模型并不简单。
4. REC 的标签来自随访而非切片。切片图像里没有"未来会不会复发"的直接形态证据，模型只能学到与复发相关的间接形态学代理（如分化差、癌巢呈浸润性生长），这也是 REC 的 AUC 虽高（93%+）但归一化后大幅下降的原因——高 AUC 可能部分来自染色/扫描批次与结局的伪相关。

2.6 与 ORCHID 的规格对照

库内最近邻是 ORCHID（rid 903），同为口腔癌 H&E 病理集，但两者在采集哲学上几乎相反：

维度	Multi-OSCC	ORCHID
患者数	1,325	150
图像单元	7,950 张 2592×1944 视野图	14,705 张 512×512 patch
采集方式	Olympus 光学显微镜，人工选视野	全切片扫描后切 patch
倍率	三档离散（×200/×400/×1000）	论文口径以 patch 尺寸描述
标签	六任务患者级（含预后）	三档分化五分类（含 OSMF 口腔黏膜下纤维化）
机构	单中心（广州）	五中心（印度）
特色	诊断 + 预后同源	OSMF 癌前状态单列

一句话区分：Multi-OSCC 回答"这张切片属于哪个临床终点"，ORCHID 回答"这个 patch 属于哪一档病变"。两者不可互相替代，但可以互为外部验证集——前提是先把标签空间对齐（ORCHID 的三档分化可与 Multi-OSCC 的 TD 对齐，其余任务 ORCHID 没有）。

§3 采集与标注工艺：光学显微镜路线的取舍

3.1 为什么不用 WSI 扫描仪

这是本集最值得讨论的设计决策。WSI 扫描仪价格从数十万到数百万元人民币不等，扫描一张玻片需数分钟到十几分钟，1,325 例 × 多张玻片的扫描时间与存储成本都不低（一张 40× WSI 常为 1–3 GB）。用光学显微镜拍摄的方案把成本压到极低——一台带相机的 Olympus 显微镜即可，一位技师一天可完成数十例——代价是三点：

1. 视野是选出来的，不是全量的。病理学家选"核心"与"边缘"，本身带有"典型性偏好"：他们倾向于选最能代表该病例特征的区域，这会系统性抬高图像的信噪比，使模型在"真实临床的全切片推理"场景下性能下降。
2. 倍率不连续。WSI 的金字塔层级可随时缩放，本集只有三个离散倍率，无法做"倍率泛化"研究。
3. 对焦与白平衡由人控制。不同技师、不同日期的拍摄会有色温与曝光差异，这既是噪声也是"域"信号。

论文在局限性里明确承认第一点，并把 6 视野设计作为缓解手段：“通过多分辨率、多部位采样缓解信息损失”。这个辩解是合理的——六个受控视野比一个随机视野包含更多信息——但不能等同于"接近 WSI"。

3.2 2560 级分辨率的真实信息量

2592×1944 在 ×200 下约对应 1.3 mm × 1.0 mm 的组织面积（按常见 20× 物镜视场 1.1 mm 估算）；在 ×1000 下只对应约 0.26 mm × 0.20 mm，即一个高倍视野。这意味着：

• ×200 图像：能看到数个癌巢与间质，适合判断分化与浸润方式；
• ×400 图像：能看到细胞异型性与核分裂，适合判断恶性程度；
• ×1000 图像：只能看到十几个细胞，适合看染色质细节，但"神经侵犯"这类需要看神经束整体走行的判断，单个 1000× 视野其实不够——这也是 PI 任务 AUC 最低（66.19%）的一个可能解释。

3.3 缩放至 512×512 的代价

论文写明训练时"统一缩放至 512×512"，理由是算力：全分辨率训练显存约增 20 倍。从 2592×1944 到 512×512，面积缩小约 25.6 倍（线性 5.06 倍）。在 ×1000 图像上，原始一个细胞核直径约 10–15 像素（2592 宽视野下），缩到 512 后只剩 2–3 像素——染色质结构基本不可辨。这解释了为什么"冻结编码器在全分辨率下仅略优"这一发现：编码器（如 ViT）的输入本来就是 224 或 384，全分辨率输入要么被继续缩放、要么被切 patch，收益有限。

对使用者的实操建议：如果任务依赖细胞核级细节（TD 低分化、PI），应放弃 512 全局缩放，改为在 2592 原图上切 512 patch 或 224 patch 后再聚合。这会显著增加样本数（每张图约 20 个 512 patch），但也引入"同图 patch 高度相关"的统计问题，切分仍须按患者。

3.4 标签从哪来：结构化报告的回填

六项标签的来源在论文中分散在"数据收集"与"标签定义"两处，归纳如下：

• REC：术后随访记录中的复发事件（局部、区域或远处），二值化为有无；
• LNM：颈淋巴结清扫的病理报告，阳性即 1；
• TD：病理报告的 WHO 分化等级，映射为高/中/低三档；
• TI：病理报告中的浸润描述，按是否达浸润阈值二值化；
• CE：镜下淋巴血管内瘤栓，有即 1；
• PI：镜下神经束受侵，有即 1。

这套流程本质上是"把结构化病理报告回填成机器学习标签"。它的可靠性取决于原始报告的书写质量与编码一致性——不同年份、不同病理医师对"浸润"的判定阈值可能不同，这类"标注漂移"（label drift）在回顾性队列里普遍存在，论文未做一致性分析（遗留疑点）。

3.5 数据清洗与质控

论文与 README 均未描述图像级质控流程（如去除模糊、血渍、折叠伪影、气泡）。这与 WSI 数据集常见的"组织检测 + 伪影过滤"流水线不同。使用者应预期包内存在少量低质量视野，建议在训练前自行做拉普拉斯方差（模糊度）与饱和度阈值筛查。

§4 六任务标签的临床读法

4.1 REC：为什么复发预测的 AUC 能到 94%

复发是"未来事件"，切片是"当下形态"。模型能把两者连起来，靠的是形态学代理：分化差、癌巢呈浸润性生长、癌栓阳性、神经侵犯阳性的病例复发率更高——这四项恰好也是本集的其他标签。因此 REC 任务在单任务设置下能达到 94.72%（Hibou-B），部分原因可能是模型隐式学到了与其他任务相关的形态特征，而非真正"预测未来"。

更重要的是，REC 的标签在时间维度上是"删失"（censoring）的：随访时间短的患者即使未复发，也不能算作真正的阴性。论文将复发二值化处理，未采用生存分析（Cox、时间依赖 AUC），这会把"随访不足"混入阴性类，导致标签噪声（坑 7）。使用者在做严肃预后建模时，应优先索取随访时间字段——但当前公开包是否包含该字段，元数据清单未公开，属遗留疑点。

4.2 LNM：37.5% 阳性率下的"临床可接受线"

口腔癌颈部淋巴结转移的临床隐匿率约 20%–40%，cN0（临床阴性）患者是否做预防性颈清扫至今有争议。LNM 预测模型的价值在于"减少不必要的颈清扫"。本集 LNM 的 AUC 在 67%–71% 区间，对应临床决策的净收益有限——作为对照，影像组学（CT/MRI）在 LNM 上的报告 AUC 常在 0.75–0.85。这说明单靠 H&E 视野图判断淋巴结转移是有天花板的：转移与否的直接证据在淋巴结切片里，原发灶切片只能提供"侵袭性"的间接信号。

4.3 TD：三档分化的连续性与模糊边界

WHO 分化分级本质上是连续谱上的三刀切，病理医师间的一致性（kappa）在中等水平（文献常见 0.4–0.6）。本集 TD 的 AUC 75.21%（统一设置）不算高，三分类 Acc 只有 58.00%——低于"全猜中分化"的 52.23% 基线不多。这提示两件事：其一，分化判读本身的主观性构成标签噪声上限；其二，512 缩放后核级细节丢失，模型难以捕捉"低分化"所需的细胞异型性。

4.4 TI：浸润的判定标准未公开

"浸润"在口腔癌语境里可指多个概念：浸润深度（depth of invasion, DOI，T 分期依据）、浸润方式（ infiltrative vs cohesive，与预后相关）、神经/血管浸润。本集 TI 的二值化定义论文未细化（坑 8），使用者若要与 TCGA-HNSC 的 DOI 字段对齐，应先确认口径。

4.5 CE 与 PI：小类与"看不见的证据"

CE（癌栓）阳性 112 例、PI（神经侵犯）244 例，两者都是"局部扩散方式"的病理证据，也都是公认的预后不良因素。它们在图像上的可见性差异很大：癌栓在 ×200 下可见血管腔内的瘤细胞团，相对可辨；神经侵犯需要找到神经束并看到瘤细胞包绕或侵入，而神经束在单个高倍视野里常常只露出一小段——这解释了 PI 成为六任务中 AUC 最低的一项（66.19%）。

另一个现实约束：PI 的判读在金标准上就存在争议，不同病理医师对"神经周围"与"神经内"侵犯的判定不一致率高。本集 PI 标签若为单人判读，其噪声水平可能主导模型性能上限（遗留疑点）。

4.6 六任务的临床相关性矩阵（定性）

	REC	LNM	TD	TI	CE	PI
REC	—	中	强	中	强	中
LNM	中	—	弱	强	中	中
TD	强	弱	—	强	弱	弱
TI	中	强	强	—	中	强
CE	强	中	弱	中	—	弱
PI	中	中	弱	强	弱	—

（强/中/弱为基于病理学常识的定性判断，非论文数据。论文未给出任务间标签相关性矩阵，这是一个可直接补做的分析。）

这张表解释了一个关键现象：六任务并非独立，多任务学习理应受益于任务间共享表征，但论文实测多任务反而降 3.34%。可能的解释是：任务头之间的梯度冲突超过了共享收益（GradNorm 已是缓解梯度冲突的方法），且患者级样本只有 925 个训练样本，多任务共享会加剧过拟合。

§5 基准实验：11 张表读出来的四条结论

5.1 编码器对比（表 5）

编码器	预训练	参数量	平均 AUC（%）
ResNet50	ImageNet	89.68 MB	63.52
DenseNet121	ImageNet	26.53 MB	61.80
Swin-Base	ImageNet	331.47 MB	73.59
ViT-Base	ImageNet	344.14 MB	72.52
ViT-Small	ImageNet	83.86 MB	69.39
ViT-Small	PathoBench	75.54 MB	75.00
ViT-Base	CONCH	344.82 MB	73.67
ViT-Base	Hibou-B	327.60 MB	74.59

两个现象值得注意：CNN（ResNet/DenseNet）明显落后于 Transformer（63.52/61.80 vs 72–75），差距超过 8 个百分点；而病理专用预训练并不总是赢——ViT-Base 换用 CONCH 权重（73.67）反而略低于 ImageNet 权重（72.52 仅差 1.15，但低于 Swin-Base 的 73.59），只有 ViT-Small + PathoBench 以最小参数量拿到最高平均分。

对这条结果要保留一分怀疑：8 个编码器的差异在 6 个任务上取平均，而单项任务的方差很大（尤其 CE、PI 只有 200 例测试样本）。“ViT-Small + PathoBench 最优"更像是一个"性价比结论”（75.54 MB 参数换 75.00 AUC），而非"绝对最优"。

5.2 融合方式的四个维度

维度	设置	平均 AUC（%）	解读
多图像融合（表 6）	Concat	75.00	简单拼接最好
	Transformer	73.41	注意力融合不如拼接
	LMF（Low-rank Multimodal Fusion）	72.87	低秩分解需更多数据
	Gated	71.11	门控在小样本下易过拟合
切片位置（表 7）	仅核心区 Core	69.59	肿瘤主体信息有限
	仅边缘区 Edge	74.73	边缘信息更值钱
	核心+边缘	75.00	互补但增益小
染色归一化（表 8）	原始 Origin	75.00	基线
	Reinhard	75.16	唯一有正收益
	Vahadane	74.35	略降
	Macenko	74.31	略降
多任务框架（表 9）	单任务	75.00	基线
	Sum Loss	68.89	简单求和最差（−6.11）
	GradNorm	70.42	最优多任务（−4.58）
	Pareto	69.23	帕累托多目标（−5.77）
	单任务 + Reinhard	75.16	全局最优
	GradNorm + Reinhard	71.82	多任务 + 归一化 = −3.34 vs 单任务

这张四维表是本集最有价值的部分：它把"多图像/多倍率/染色/多任务"四个工程决策放在同一数据上做了受控比较。结论可归纳为四条：

1. 越简单的融合越稳。Concat 打败 Transformer 与 LMF，符合小样本（925 训练患者 × 6 图）场景的规律。
2. 边缘区是信息富矿。只用边缘比只用核心高 5.14 个百分点——浸润前沿的形态是预后的强信号。
3. 归一化不是万能药。Reinhard 微升（+0.16），Vahadane/Macenko 微降，但按任务拆分后差异极大（见 5.3）。
4. 多任务在本集是负收益。最好的多任务（GradNorm）也比单任务低 4.58 个百分点，比"单任务 + Reinhard"低 4.74。论文把这条写成"凸显在本数据上平衡多任务的挑战"。

5.3 染色归一化的任务依赖性

任务	原始	Reinhard	Vahadane	Macenko
REC	93.13	90.53	87.12	87.15
LNM	69.35	升	—	—
TD	75.88	升	—	—
TI	72.31	升	—	—
CE	73.18	升	—	—
PI	66.14	升	—	—

（表中 REC 行的三个归一化数值来自论文表 8 讨论；其余任务仅给出方向性描述"升"，具体数值论文按表列出但未在本条目逐项转录，避免二手转述失真。）

这是全篇最重要的单条洞察：复发预测在归一化后掉 6 个百分点，而诊断类任务普遍受益。机制上说得通——归一化的本质是抹平"颜色统计"，而复发相关的某些信号（如角化程度、坏死、间质纤维化的染色表现）恰恰依赖颜色分布的细微差异；诊断类任务（分化、浸润）更依赖形状与纹理，对颜色不敏感。

实操含义：如果流水线同时服务诊断与预后任务，不要全局启用归一化。按任务分别决定预处理，或者把"是否归一化"作为一个可学习的增强选项。

5.4 统一设置下的逐任务基准（表 10 / 表 11）

单任务（ViT-Small + PathoBench，REC 用原始数据、其余用 Reinhard）：

任务	Acc（%）	AUC（%）	F1（%）	Recall（%）	Precision（%）
REC	87.00	93.13	85.19	81.63	81.94
LNM	64.50	71.06	63.38	63.36	63.40
TD	58.00	75.21	57.23	60.50	57.91
TI	69.00	72.47	68.29	69.16	71.19
CE	79.50	75.52	66.36	75.76	64.32
PI	75.50	66.19	58.95	58.19	61.33

多任务（GradNorm + Reinhard）：

任务	Acc（%）	AUC（%）	F1（%）	Recall（%）	Precision（%）
REC	81.00	87.17	69.74	76.00	67.43
LNM	62.00	67.61	58.77	60.24	58.94
TD	61.50	72.51	61.22	61.44	61.29
TI	64.00	67.82	63.91	64.23	64.06
CE	86.50	68.37	52.79	58.59	52.74
PI	76.00	67.41	55.36	60.00	55.24

两个容易被忽略的信号：

• CE 的 Acc 上升而 AUC 与 F1 下降（79.50 → 86.50，F1 66.36 → 52.79）。这是典型的"多任务把 CE 推向多数类"：阳性只有 24 例，模型干脆全判阴性，Acc 高、F1 崩。
• PI 的 AUC 上升（66.19 → 67.41）而 F1 下降（58.95 → 55.36）。这说明多任务对 PI 的排序能力略有帮助，但阈值化后的判别并未改善——AUC 与 F1 的分歧提醒读者：报告 AUC 的同时必须报告工作点指标，否则容易高估临床可用性。

5.5 "最佳设置"与"统一设置"的混淆风险

README 第 2-1 节列出各任务的"最佳设置"（各任务用不同编码器 + 不同归一化），第 2-2 节列出"统一设置"（统一用 ViT-Small + PathoBench）。两者数值不同：

任务	最佳设置 AUC（%）	统一设置 AUC（%）	差
REC	94.72（Hibou-B）	93.13	−1.59
LNM	71.06（ViT-S + Reinhard）	71.06	0
TD	81.23（CONCH）	75.21	−6.02
TI	72.6（ViT-B + Macenko）	72.47	−0.13
CE	75.52（Swin-Base）	75.52	0
PI	74.17（CONCH）	66.19	−7.98

PI 的 7.98 个百分点差距最刺眼——它说明 CONCH 在 PI 上的优势无法被统一配置复现，很可能是个别编码器与小类偶然匹配的结果。引用时务必标注"最佳设置"还是"统一设置"，否则会得出"PI 可达 74%"与"PI 只有 66%"两种都"正确"却互相矛盾的结论。

§6 获取、许可与版本链

6.1 三条获取通道

通道	地址	体积	适用场景	备注
Zenodo 主包	zenodo.org/records/16842637（v1）	34.6 GB 单 zip	国际用户、需 DOI 引用	有 md5 可校验
Zenodo 新版本	zenodo.org/records/18357239（v2）	34.6 GB 单 zip	应优先选新版本	2026-01-24 发布
百度网盘镜像	pan.baidu.com/s/1m27QaBIC4HxdBUBrIMbbNg?pwd=oscc	34.6 GB	国内网络	密码 oscc，README 2026-02 更新
GitHub 代码	github.com/guanjinquan/OSCC-PathologyImageDataset	数十 MB（不含数据）	复现基准、取标签与切分文件	GPL-3.0

下载实操三点：

1. Zenodo 单文件 34.6 GB 不支持断点续传之外的加速，wget -c 续传是标准做法；Windows 用户可考虑 Zenodo 提供的 torrent（若页面提供）或先取百度网盘。
2. 先下小文件：Data/all_metadata.json 与 Data/split_seed=2024.json 在 GitHub 仓库里就有，几 MB 级别，先拿到手即可开始设计流水线，不必等 34.6 GB。
3. 校验：v1 的 zip md5 为 46e9df38e6a406b3952134b3be973bf4，v2 为 a95c757dfb78f9e4185ebfa817526e1b。同名同大小而 md5 不同，说明内容确有改动（见 6.3）。

6.2 许可的三层结构

本集的许可需要分三层读，混淆是常见错误：

层	内容	许可	依据
数据本体	7,950 张 H&E 图像 + 标签 JSON	CC BY 4.0（Zenodo v2 页面徽标）	v2 页面明确标注
历史版本	v1 归档	页面未见 CC 徽标	v1 页面仅标 developmentStatus=Active
代码仓库	训练代码、配置文件、可视化脚本	GPL-3.0	GitHub LICENSE 文件

三点提醒：

• CC BY 4.0 允许商用，只需署名。署名格式建议采用论文 BibTeX（见 6.4），并在使用声明里同时注明 Zenodo DOI。
• GPL-3.0 是传染性代码许可。若你把本仓库的训练代码合并进自有系统并对外分发，需按 GPL-3.0 开源你的衍生代码。仅"用代码训练模型、分发模型权重"通常不触发 GPL（权重不是代码的衍生作品，但这是法律灰区，正式商用建议咨询法务）。
• v1 无许可标注不等于公共领域。若你的合规流程要求"下载时可见许可"，请直接用 v2。

6.3 版本链：v1 → v2 改了什么

项	v1	v2
发布日期	2025-08-13	2026-01-24
DOI	10.5281/zenodo.16842637	10.5281/zenodo.18357239
文件名	Multi-OSCCPI-Dataset.zip	同名
大小	34.6 GB	34.6 GB
md5	46e9df38…	a95c757d…
许可标注	未见	CC BY 4.0
描述文本	与 v2 相同	与 v1 相同

"同名、同大小、md5 不同、描述相同"是一个需要存照的组合。可能的原因有：修了少量图像文件、改了目录结构、补了元数据字段、或重新打包导致的压缩差异。Zenodo 页面未提供 changelog。使用者的稳妥做法是：只下载 v2，并在论文方法里写明所用版本与 DOI；若必须复现 2025 年的结果，需确认当时的论文基准是基于 v1。

版本选择还有一个现实考量：2025-12-30 GitHub 仓库初始化时，README 指向的是 v1；2026-02 的提交只改了百度网盘链接。这意味着 README 与 Zenodo 的版本指向在时间上是错位的——按 README 下载可能拿到 v1。

6.4 引用规范

数据集（BibTeX，来自 README）：

@misc{guan2025high,
    title={A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis},
    author={Jinquan Guan and Junhong Guo and Qi Chen and Jian Chen and Yongkang Cai and Yilin He and Zhiquan Huang and Yan Wang and Yutong Xie},
    year={2025},
    eprint={2507.16360},
    archivePrefix={arXiv},
    primaryClass={eess.IV}
}

正文引用建议同时给出三要素：论文 arXiv 号 + Zenodo DOI + 版本号。例如：“Multi-OSCC (arXiv:2507.16360; Zenodo 10.5281/zenodo.18357239, v2)”。只引 GitHub 仓库链接是不够的——仓库可能迁移或删除，Zenodo DOI 才是长期标识。

6.5 包内结构（据 README 推断）

Multi-OSCCPI-Dataset.zip
├── (patient 目录 × 1,325)
│   ├── ×200_core
│   ├── ×200_edge
│   ├── ×400_core
│   ├── ×400_edge
│   ├── ×1000_core
│   └── ×1000_edge
Data/
├── all_metadata.json      # 六任务标签
└── split_seed=2024.json   # 切分表

上述目录命名是据 README 描述重构的逻辑结构，实际 zip 内的层级与文件名规则以解压为准（论文与 README 均未给出逐文件命名规范，属遗留疑点）。可先解压 Data/ 目录下的两个 JSON 核对患者 ID 格式，再规划批量读取。

§7 生态与影响：它补上了哪块拼图

7.1 口腔病理数据集的四代演化

把库内与业界的口腔/头颈病理数据集排成时间线，能看到一条从"分类 patch"到"多任务多倍率"的演化：

代际	代表	规模	标签形态	局限
第一代：单任务 patch 分类	ORCHID（2022 前后，印度）	150 患者 / 14,705 patch	五分类（OSMF + OSCC 三档分化）	无预后标签
第二代：WSI + 临床	HANCOCK（德国埃尔朗根）	763 例	WSI + TMA 免疫组化 + 血液 + 手术报告	多模态装配复杂、获取门槛高
第三代：多任务视野图	Multi-OSCC（2025）	1,325 例 / 7,950 图	六任务（诊断 4 + 预后 2）	非 WSI、单中心
交叉参照：泛癌	TCGA-HNSC	约 500 例（HNSC 队列）	WSI + RNA + 临床 + 生存	非 OSCC 专集、口腔比例较低

Multi-OSCC 的位置在第二代与第三代之间：它用"第三代的多任务标签设计"配"第一代的显微镜采集"，换来了患者规模（1,325）与标注完整度（六任务全有）的双重优势。

7.2 对基础模型评测圈的意义

2024–2026 年病理基础模型（CONCH、UNI、Prov-GigaPath、Hibou、PathoBench）密集发布，评测集多集中于乳腺、前列腺、肺、结直肠。头颈/口腔是相对空白的评测域，Multi-OSCC 恰好填了这个空档：它的六任务结构可以拆成六个独立评测任务，也可以作为"多任务统一评测"的试验台。

论文本身已经做了这件事的雏形——八个编码器横评。后续研究可以直接在此基础上扩展：加入 UNI/UNI2、Virchow、Prov-GigaPath 等更新模型，或做线性探针（linear probing）与全量微调的对照。库内 prov-gigapath（rid 1091）条目正好可以作为编码器侧的对照读物。

7.3 对临床落地的距离

坦率地说，本集离临床部署还有明显距离，三点：

1. 非 WSI：临床上病理科已普遍数字化，模型最终要跑在 WSI 上。本集的"选视野"训练方式迁移到 WSI 时，需重新设计采样策略。
2. 单中心：外部验证缺失。1,325 例固然不少，但全来自一家医院，跨人群（如南亚槟榔咀嚼相关 OSCC）泛化未知。
3. 预后标签的删失问题：复发二值化未处理随访时长，做生存分析需补充时间字段。

它的现实定位是研究用评测基准，而非临床决策工具。

7.4 下游可衍生的研究方向

方向	做法	数据支撑	预期难点
多倍率融合	三档倍率分别编码后分层融合	每人 3 档 × 2 位置	倍率间特征对齐
任务相关性分析	计算六任务标签相关矩阵、梯度冲突度量	六维标签齐全	样本量小
染色鲁棒性	跨中心染色增广 + 本集测试	单中心色彩分布	缺外部中心
弱监督定位	用患者级标签做 MIL（多示例学习）	6 图/患者天然成包	包内示例少
基础模型评测	线性探针 × 8+ 编码器	已有基线锚点	算力
预后生存分析	补充随访时间后做 Cox	需索取时间字段	字段未公开

§8 方法学启示：四条可迁移的经验

8.1 "多倍率 × 多位置"是一种廉价的伪 WSI 方案

本集用 3×2 的固定网格，在 34.6 GB 的体积里保住了"尺度"与"空间"两个维度。对预算有限、又想做多尺度研究的团队，这是一个可直接复用的采集模板：不必买扫描仪，先把"每个病例在哪些尺度、哪些位置上取样"想清楚。代价是视野由人选，需要额外做"选视野偏倚"分析（例如比较核心区与边缘区图像的纹理统计差异）。

8.2 归一化的收益是任务特定的

这条经验的价值超出了本集：任何"预处理默认开启"的流水线都该做一次消融。本集显示 Reinhard 对诊断任务有益、对复发预测有害（−2.6 到 −6.0 个百分点）。推广开来——当任务标签与"颜色"存在间接关联（坏死、角化、出血、炎症），归一化可能抹掉信号。

8.3 多任务未必优于单任务，尤其在患者级小样本下

925 个训练患者、6 个任务，平均每任务每类有效样本不足 200。多任务共享表征的收益被梯度冲突与容量竞争抵消。可迁移的做法是：先建单任务基线，再用 GradNorm 类方法做对照，只有当单任务基线足够稳时才引入多任务。论文的负结果本身就是有价值的证据。

8.4 边缘区比核心区更"值钱"

只用边缘图像的平均 AUC（74.73）比只用核心（69.59）高 5.14 个百分点，合并后仅 75.00。这说明核心区的信息在很大程度上被边缘区包含（冗余高），而边缘区有核心区没有的信息（浸润前沿）。可迁移到其他癌种：采样预算有限时，优先保证浸润前沿的覆盖。

§9 与库内条目的关系（消歧专章）

本节专门解决"名字像、实质不同"的混淆问题。以下 rid 均为 2026-10-17 库内实测（status=1 且 del_sign=0）。

9.1 与 ORCHID（rid 903）的区别

维度	Multi-OSCC	ORCHID
全称	Multi-OSCC	Oral Cancer Histology Image Database
国家/机构	中国广州，单中心	印度，五中心
患者数	1,325	150
图像数	7,950（视野图）	14,705（512×512 patch）
采集	Olympus 光学显微镜，人工选 6 视野	全切片扫描后切 patch
标签	六任务（REC/LNM/TD/TI/CE/PI）	五分类（含 OSMF 口腔黏膜下纤维化）
预后标签	有（复发、淋巴结转移）	无
癌前状态	无	有（OSMF）

一句话消歧：ORCHID 是"病变分类图库"，Multi-OSCC 是"临床终点多任务集"。两者共享"口腔癌 + H&E"两个词，但一个回答"是什么病变"，一个回答"这个病人的预后如何"。唯一可对齐的标签是分化分级（ORCHID 三档 vs Multi-OSCC 的 TD 三类），可作为跨中心外部验证的接口。

9.2 与 oral-cavity-opmd（rid 798）的区别

这是最容易被误合并的一对，因为两者名字里都有"oral cavity"：

维度	Multi-OSCC	oral-cavity-opmd
图像类型	H&E 病理切片显微图	口腔腔内白光照片（临床大体照）
拍摄设备	Olympus 显微镜	临床口内相机/手机
国家	中国	斯里兰卡
数量	7,950 张	3,000 张
标注	六任务患者级	四分类 COCO 标注（含 OPMD 口腔潜在恶性疾患）
任务性质	病理诊断 + 预后	临床筛查（肉眼病变识别）
适用模型	病理基础模型（CONCH/UNI）	通用视觉模型 / 内镜图像模型

一句话消歧：一个看"细胞"，一个看"黏膜"。oral-cavity-opmd 是筛查场景（社区医生用手机拍口内照片找可疑病变），Multi-OSCC 是确诊后的病理分析。两者在临床流程上前后衔接（筛查 → 活检 → 病理），但在数据结构、模型选型、评价指标上完全不同，绝不可合并训练或互相充当外部验证集。

9.3 与 HANCOCK（rid 984）的区别

维度	Multi-OSCC	HANCOCK
队列	1,325 例 OSCC（口腔原发）	763 例 HNSCC（头颈鳞癌，含口腔、口咽、喉）
图像形态	6 视野图/例	WSI 全切片 + TMA
免疫组化	无	有（TMA 染色）
临床数据	六任务标签	结构化血液 + 手术报告文本
模态	单模态（图像）+ 标签	多模态（图像 + 血液 + 文本）
国家	中国	德国

一句话消歧：HANCOCK 是"多模态头颈鳞癌队列"，Multi-OSCC 是"单模态口腔鳞癌多任务集"。HANCOCK 的 HNSCC 比 OSCC 范围更宽（含喉癌、口咽癌），且带 WSI 与文本，装配复杂度高一个量级；Multi-OSCC 更轻，但缺 WSI 与多模态。

9.4 与 TCGA-HNSC 的区别

库内 TCGA 条目有两条记录（rid 25 与 rid 566，历史重复），均指向 TCGA 泛癌总库而非 HNSC 专集。要点：

维度	Multi-OSCC	TCGA-HNSC
定位	OSCC 专集	泛癌图谱中的头颈鳞癌队列
病例数	1,325（全为 OSCC）	约 500 例（HNSC 全部亚部位，口腔占一部分）
数据模态	图像 + 六任务标签	WSI + RNA-seq + 甲基化 + 临床 + 生存
图像形态	显微镜视野图	诊断切片 WSI（每例 1–2 张冷冻切片）
预后	复发（二值）	完整随访（OS、PFI、DSS）+ 生存分析
口腔比例	100%	口腔（舌、口底、牙龈等）约半数，其余为口咽/喉

一句话消歧：TCGA-HNSC 是"组学 + WSI + 生存"的泛癌资源，Multi-OSCC 是"六任务标签 + 多倍率视野图"的口腔专集。二者可互补——用 TCGA-HNSC 做生存分析与分子关联，用 Multi-OSCC 做多任务与多倍率实验——但患者不重叠、标签口径不同、图像形态不同，不能直接拼接成一个大训练集。

补充提示：TCGA-HNSC 的 WSI 是冷冻切片（frozen section）扫描，染色与石蜡切片的差异会构成域偏移，这也是它不能与 Multi-OSCC 直接混训的技术原因。

9.5 与其余头颈影像条目的区别

条目	rid	模态	与 Multi-OSCC 的关系
hnscc-ct-atlas	1051	放疗 CT 三期	同病人群不同模态（影像 vs 病理），零重叠
hnpet-fdg	947	PET/CT	同上，ACRIN 6685 试验队列
headneck-radiomics	946	放疗 CT	同上，MAASTRO 队列
compas-gi-histopathology	988	H&E WSI（IBD 胃肠道）	同为病理多任务思路，但器官是肠道、标签是炎症分级
prov-gigapath	1091	病理基础模型	编码器侧资源，可直接用于本集特征提取
breakhis	126	乳腺 H&E	同为病理分类，域相近可做跨器官迁移研究
panda	560	前列腺 WSI	同为病理分级，Gleason 五类 vs 分化三类
unitopatho	701	胃/结直肠 WSI	同为消化/上皮病理，可做跨器官对照

归纳一条原则：头颈区域的数据集分三谱系——影像（CT/PET）、病理（H&E）、临床（照片/报告）。Multi-OSCC 属于病理谱系的"诊断+预后"分支，与影像谱系只有"病人群体相近"这一层关系，不能混为一谈。

§10 避坑清单：九个已踩过的坑

坑 1：把它当 WSI 数据集去找 .svs/.ndpi

症状：下载 34.6 GB 后满目录找全切片文件，一个都找不到；试图用 OpenSlide 打开，全部失败。

原因：本集是光学显微镜拍摄的视野图（2592×1944），不是扫描仪产出的金字塔 WSI。没有 .svs/.ndpi/.mrxs，没有 openslide.OpenSlide() 可用的接口。

处置：用 PIL/OpenCV 常规读图；若必须与 WSI 流程兼容，写一个适配器把 6 张图包装成"伪 WSI 对象"（6 个固定的 level，无金字塔）。

根因追述：这一条是检索层面的，但会直接决定后续所有流水线的技术选型——如果一开始按 WSI 设计 MIL 包，会发现每个"包"只有 6 个示例，与 WSI 的数千 patch 包完全不同。

坑 2：按图像数而非患者数计算样本量

症状：ImageFolder 直接读图，得到 7,950 个样本，训练/测试按图随机切分，模型 AUC 异常高（0.95+）。

原因：同一患者 6 张图高度相关，按图切分会让同一患者的图同时出现在训练集与测试集，形成泄漏。7,950 个"样本"的有效自由度只有 1,325。

处置：严格按 patient_id 分组切分，训练/验证/测试分别为 925/200/200 个患者。可直接用仓库的 split_seed=2024.json。评估时先对 6 张图的预测做平均（或学一个融合层），再算患者级指标。

验证方法：训练完成后，检查测试集中是否出现训练集里任何 patient_id——应为零。

坑 3：把 “200, 400, 1000” 当作无单位数字

症状：写论文方法时抄 Zenodo 摘要 “captured at 200, 400, and 1000”，审稿人问"200 什么？"

原因：Zenodo 摘要漏写了 × 号，论文正文写作 ×200/×400/×1000，并注明配 ×10 目镜。

处置：统一写作 ×200/×400/×1000（对应物镜 ×20/×40/×100，其中 ×100 为油镜）。引用 Zenodo 摘要原文时加注说明。

坑 4：切分口径的三重表述

症状：复现论文表格时对不上数——按 README 的"seed 42"重切，训练集患者数不是 925。

原因：三处表述并存：(a) README 正文写 “random seed 42”；(b) README 给出的文件名是 split_seed=2024.json；© 论文正文写"按六维标签元组分组后组内随机三分"。

处置：以文件名为准下载 split_seed=2024.json，直接使用其中给定的划分，不要自己重切。若必须自己切，采用"标签元组分层 + 患者级分组 + 固定随机种子"，并在论文里写清种子值。

存照：三种表述的差异属原始文档疏漏，本条目不替其做统一裁定。

坑 5：把患者标签"成人"当作元数据事实

症状：在下游论文中写"本研究全部为成人患者"，被要求提供依据时才发现 all_metadata.json 的字段清单从未公开。

原因：OSCC 的临床流行病学以中老年为主，但本集论文未公布年龄分布、性别构成、部位分布等人口学描述。

处置：写作时改为"队列来自接受手术的 OSCC 患者，论文未报告年龄构成"，或直接查解压后的 JSON 字段。本条目的 patient_tags 填"成人"是基于疾病流行病学的合理推断，非原始元数据字段。

坑 6：误以为 ×1000 图像比 ×200 “更清晰所以更有用”

症状：只用 ×1000 图像训练，PI 与 TD 性能反而下降。

原因：×1000 是油镜高倍视野，单张只覆盖约 0.26 mm × 0.20 mm 组织，约十几个细胞；且物镜景深极浅，人工拍摄的对焦差异明显。对需要"看整体结构"的任务（浸润方式、神经束走行），高倍反而丢失上下文。缩放到 512×512 后，细胞核只剩 2–3 像素。

处置：三档倍率全部使用，让模型（或融合层）自己权衡；诊断类任务重点看 ×200/×400，细胞学细节看 ×400/×1000。

坑 7：把复发二分类当生存分析用

症状：论文里写"模型预测 5 年无复发生存"，但数据里只有 0/1 复发标签，没有时间。

原因：REC 标签是随访期内的二值化复发事件，随访时长未随包公开（至少元数据清单里未见）。随访 3 个月未复发与随访 5 年未复发被同等视为阴性，这是典型的右删失处理缺失。

处置：只报告"复发预测"（recurrence prediction）而非"生存预测"；若要生存分析，需向作者索取随访时间字段。

坑 8：把 TI 直接对齐到 T 分期

症状：把 TI=1 当作"T3/T4"，与 TCGA 的病理 T 分期做对照，发现相关性很低。

原因：论文未细化 TI 的二值化标准。口腔癌的"浸润"可指浸润深度（DOI）、浸润方式（浸润性 vs 团块状）、或是否侵及邻近结构，三者在临床上的含义完全不同。

处置：引用时写"浸润（定义见原文，未细化阈值）"，不要自行映射到 TNM。

坑 9：跨表比较 AUC 时不看口径

症状：引用"Multi-OSCC 的 PI AUC 74.17%"与"PI AUC 66.19%"两种说法，读者以为数据集有两套矛盾结果。

原因：74.17% 出自"最佳设置"表（每任务单独选编码器，PI 用 CONCH）；66.19% 出自"统一设置"表（全部任务用 ViT-Small + PathoBench）。两表口径不同，都是真实结果。

处置：任何引用必须带口径标签，例如"PI：最佳设置 74.17%（CONCH）／统一设置 66.19%（ViT-S + PathoBench）"。跨数据集比较时更要注意：不同数据集的测试集大小、类别分布、评价脚本都可能不同，AUC 不可直接横向排名。

坑点小结表

编号	坑	一句话防法
坑 1	当 WSI 找文件	它是视野图，用 PIL 读
坑 2	按图切分泄漏	按 patient_id 切
坑 3	倍率漏 × 号	写 ×200/×400/×1000
坑 4	切分口径三重	用 split_seed=2024.json
坑 5	人口学字段未公开	不写"全部成人"
坑 6	高倍更好误会	三档全用
坑 7	二分类当生存	只报复发预测
坑 8	TI 映射 T 分期	不映射
坑 9	跨表比 AUC	标口径

§11 DAIMS 数据就绪度评估

DAIMS（Data and AI Model Scorecard 思路）在本库用来给数据集打"能否直接进入 AI 流水线"的分。评分维度为六项，每项 0–5 分，满分 30。

维度	评分	依据	扣分原因
可获取性（Accessibility）	5	Zenodo 单包直链 + 百度网盘镜像，无需申请、无需签协议	34.6 GB 单文件对弱网不友好（可容忍）
许可清晰度（Licensing）	4	v2 明确 CC BY 4.0，可商用	v1 无标注，两版本并存造成困惑
标注完整性（Annotation）	5	六任务患者级标签齐全 + 官方切分文件	无图像级/区域级标注（不影响多任务分类）
文档充分性（Documentation）	3	arXiv 12 页 + README + BibTeX	IRB 批号、图像格式、人口学字段、v1→v2 changelog 缺失
规模与代表性（Scale & Representativeness）	4	1,325 例在口腔病理集里属大型	单中心单国，无外部验证队列
可复现性（Reproducibility）	4	代码 + 环境文件 + 切分表 + 基准表齐全	基线权重下载入口不明确
合计	25 / 30	—	—

评级：A-（可直接入库使用，需自行补充少量元数据）

对比参照：库内 PANDA-PLUS 因掩码请求制在"可获取性"上只拿 2 分，总分被拉低；ORCHID 因规模小（150 例）在"规模"上得 3 分。Multi-OSCC 的 25 分属于病理类数据集里的上游水平，主要短板是文档（缺 changelog 与字段清单）与外部验证。

11.1 分项说明

可获取性 5 分的理由：单文件下载意味着不需要理解分卷逻辑，不需要注册账号，不需要填写用途声明。这是"零摩擦获取"的最高形态。唯一的减分项是 34.6 GB 的体积，但它提供了国内镜像，所以不扣分。

许可清晰度 4 分：CC BY 4.0 是商用友好的最优选择之一。扣 1 分是因为 v1 页面无徽标——如果你的合规流程是"下载即存档许可快照"，v1 快照会是一张空白页。

标注完整性 5 分：六任务全齐、切分文件官方提供、JSON 格式易读。这在本库的病理条目里不常见（多数只给一个分类标签）。

文档充分性 3 分：这是最弱项。缺 IRB 号、缺图像格式说明、缺元数据字段清单、缺 v1→v2 changelog、缺基线权重的明确下载链接。这些都不影响"能不能用"，但都影响"用得是否省心"。

规模与代表性 4 分：1,325 例在口腔病理领域属于前列（ORCHID 150 例、多数公开集不足百例）。扣分在代表性——单中心，且中国南方人群的 OSCC 病因构成（烟酒为主）与南亚（槟榔为主）差异大，跨人群泛化存疑。

可复现性 4 分：代码、环境、切分、基准表齐全，理论上可完整复现。扣 1 分是因为基线权重入口不明——README 有 “Baseline weights” 标题但未见下载链接。

§FAQ 高频问答（20 问）

Q1：Multi-OSCC 和 ORCHID 是同一个数据集的两个版本吗？
不是。ORCHID 是印度五中心 150 患者 14,705 patch，Multi-OSCC 是中国单中心 1,325 患者 7,950 视野图。两者无任何数据重叠，标签体系也不同。详见 §9.1。

Q2：为什么叫 “Multi”？
三重的 Multi：多倍率（×200/×400/×1000）、多位置（核心/边缘）、多任务（六项临床终点）。

Q3：7,950 这个数字是论文给的吗？
不是。论文与 Zenodo 给的是"1,325 患者 × 每人 6 张"，7,950 是 1,325×6 的推算值（也是 34.6 GB 体积的合理对应）。引用时建议写"1,325 例，每人 6 张（合计约 7,950 张）"。

Q4：图像是彩色的吗？
是。H&E 染色，RGB 彩色，2592×1944。不是灰度图。

Q5：可以做分割任务吗？
不能直接做。本集只提供患者级分类标签，没有像素级掩码。若要做分割，需自行标注或借用其他数据集的模型做弱监督。

Q6：为什么 PI 的 AUC 最低？
三个可能叠加的原因：神经束在单张高倍视野里只露出一小段，判读困难；PI 的金标准本身存在观察者间不一致；测试集 PI 阳性仅 44 例，方差大。详见 §4.5。

Q7：可以直接商用吗？
CC BY 4.0 允许商用，需署名。但注意：数据许可宽松不等于临床合规——作为医疗器械软件的训练数据，仍需走相应的监管路径。

Q8：代码的 GPL-3.0 会影响我的模型吗？
一般不影响"训练出的权重"，但如果你分发修改过的训练代码，需按 GPL-3.0 开源。见 §6.2。

Q9：v1 和 v2 该用哪个？
用 v2（18357239）。它有明确的 CC BY 4.0 标注，且是最新修订。除非你要复现 2025 年的具体数字且确认当时基于 v1。

Q10：为什么两个版本的 zip 大小一样但 md5 不同？
最可能是内部文件有细微改动（补文件、改路径、重打包）。Zenodo 未提供 changelog。见 §6.3。

Q11：能不能和 TCGA-HNSC 合并训练？
技术上可以拼，但不建议。患者不重叠、图像形态不同（视野图 vs WSI 冷冻切片）、标签口径不同（六任务 vs 生存 + 分子）。若要做，需先做域适应与标签对齐实验。

Q12：512×512 是最优输入尺寸吗？
不是唯一选择。论文用 512 是算力折中。若任务依赖核级细节，建议在 2592 原图上切 512 或 224 patch 再聚合。见 §3.3。

Q13：六张图应该怎么融合？
论文结论是简单拼接（Concat）最好，胜过 Transformer/LMF/Gated。见 §5.2。

Q14：为什么染色归一化会伤害复发预测？
复发相关的形态信号（角化、坏死、间质纤维化）部分编码在颜色分布里，归一化抹平了这些差异。见 §5.3。

Q15：数据集有年龄、性别字段吗？
未确认。all_metadata.json 的字段清单未公开。解压后可自行核查。

Q16：随访时间有吗？
元数据清单未列出。REC 只给 0/1，无时间。见坑 7。

Q17：可以从百度网盘下载吗？
可以，README 提供了链接，密码 oscc。注意 2026-02 更新过链接，旧链接可能失效。

Q18：论文发表在哪个期刊？
截至 2026-10 未见期刊版，仅 arXiv 预印本（2507.16360）。引用时用 arXiv 格式。

Q19：基线模型权重在哪？
README 有 “Baseline weights” 章节但未给出明确下载链接。需自行训练或联系作者。见 §6.5 与 DAIMS 可复现性扣分。

Q20：这个数据集适合做什么类型的论文？
多任务学习、多倍率/多图像融合、染色归一化消融、病理基础模型在头颈域的评测、口腔癌预后标志物发现。不适合：WSI 级弱监督、像素级分割、生存分析（缺时间字段）。

§事实清单（硬事实 30 条）

1. 数据集官方名：Multi-OSCC。
2. 论文标题：A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis。
3. arXiv 编号：2507.16360，提交日期 2025-07-22。
4. 论文篇幅：12 页，11 张表，4 张图。
5. 作者 9 人：Guan Jinquan、Guo Junhong、Chen Qi、Chen Jian、Cai Yongkang、He Yilin、Huang Zhiquan、Wang Yan、Xie Yutong。
6. 涉及机构 4 家：华南理工大学软件学院、中山大学孙逸仙纪念医院口腔颌面外科、MBZUAI、阿德莱德大学计算机学院。
7. 队列时间跨度：2015–2022。
8. 患者数：1,325。
9. 每人图像数：6。
10. 推算图像总数：7,950。
11. 放大倍率：×200、×400、×1000。
12. 每倍率 2 张：1 张核心区 + 1 张边缘区。
13. 图像尺寸：2592×1944 像素。
14. 染色：H&E。
15. 采集设备：Olympus 光学显微镜（非 WSI 扫描仪）。
16. 训练输入尺寸：512×512。
17. 数据划分：925 / 200 / 200（训练/验证/测试）。
18. 划分比例：70:15:15。
19. 切分文件名：split_seed=2024.json。
20. 标签文件名：all_metadata.json。
21. 任务数：6（REC、LNM、TD、TI、CE、PI）。
22. REC 阳性：275 例（20.75%）。
23. LNM 阳性：497 例（37.51%）。
24. TD 三档：高 450 / 中 692 / 低 183。
25. TI 阳性：610 例（46.04%）。
26. CE 阳性：112 例（8.45%）。
27. PI 阳性：244 例（18.42%）。
28. 最佳单任务 AUC：REC 94.72%（Hibou-B）。
29. 统一设置平均 AUC：75.00%（ViT-Small + PathoBench）。
30. 多任务相对单任务平均降幅：3.34%。

补充事实（第 31–36 条）：

31. Zenodo v1 DOI：10.5281/zenodo.16842637，发布 2025-08-13。
32. Zenodo v2 DOI：10.5281/zenodo.18357239，发布 2026-01-24。
33. 压缩包体积：34.6 GB，文件名 Multi-OSCCPI-Dataset.zip。
34. v1 zip md5：46e9df38e6a406b3952134b3be973bf4。
35. v2 zip md5：a95c757dfb78f9e4185ebfa817526e1b。
36. GitHub 仓库代码许可：GPL-3.0。

§术语表（24 条）

术语	英文/缩写	释义
口腔鳞状细胞癌	OSCC (Oral Squamous Cell Carcinoma)	起源于口腔黏膜上皮鳞状细胞的恶性肿瘤，占口腔癌 90% 以上
头颈鳞状细胞癌	HNSCC	泛指头颈部鳞癌，含口腔、口咽、喉、下咽
苏木精-伊红	H&E	病理最常用染色，苏木精染核呈蓝紫、伊红染胞质呈粉红
全切片图像	WSI (Whole Slide Image)	扫描仪逐视野拼接的 gigapixel 图像，含金字塔层级
视野图	field-of-view image	显微镜下单个视野的拍摄图，无金字塔
放大倍率	magnification	总放大 = 目镜倍率 × 物镜倍率；×1000 需 ×100 油镜
油镜	oil immersion objective	需在物镜与玻片间滴香柏油的 ×100 物镜，数值孔径大、景深浅
肿瘤核心区	core	癌巢密集、形态最典型的区域
边缘区/浸润前沿	edge / invasive front	癌组织与正常组织交界，浸润方式在此显现
复发	REC (recurrence)	术后原发部位或区域淋巴结再次出现肿瘤
淋巴结转移	LNM	癌细胞经淋巴管到达区域淋巴结并生长
肿瘤分化	TD (tumor differentiation)	肿瘤细胞与正常细胞的相似程度，分高/中/低
肿瘤浸润	TI (tumor invasion)	癌细胞突破基底膜侵入深层组织
癌栓	CE (cancer embolus)	血管或淋巴管腔内游离的癌细胞团
神经侵犯	PI (perineural invasion)	癌细胞包绕或侵入神经束
受试者工作特征曲线下面积	AUC	衡量二分类排序能力的指标，对类别不平衡不敏感
多任务学习	MTL (multi-task learning)	多个任务共享编码器、各带任务头联合训练
梯度归一化	GradNorm	动态调整各任务损失权重的多任务优化方法
帕累托多目标优化	Pareto	按任务间帕累托最优分配权重的多任务方法
染色归一化	stain normalization	将不同切片颜色统计对齐到参考图，常用 Reinhard/Vahadane/Macenko
Reinhard 归一化	Reinhard	在 LAB 空间做均值-方差迁移的经典颜色迁移法
多示例学习	MIL (multiple instance learning)	包级标签下学习示例级表征，WSI 分析的主流范式
合成少数类过采样	SMOTE	通过插值合成少数类样本以缓解不平衡
病理基础模型	pathology foundation model	大规模病理图预训练的通用编码器，如 CONCH、UNI、Prov-GigaPath

§附录 A：加载与切分代码骨架

import json, os
from PIL import Image
from torch.utils.data import Dataset

MAGS = [200, 400, 1000]
LOCS = ["core", "edge"]

class MultiOSCC(Dataset):
    def __init__(self, root, meta_json, split_json, split="train", size=512):
        self.root = root
        self.meta = json.load(open(meta_json))     # {patient_id: {REC:.., LNM:.., ...}}
        self.split = json.load(open(split_json))   # {train: [...], val: [...], test: [...]}
        self.ids = self.split[split]
        self.size = size

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

    def __getitem__(self, i):
        pid = self.ids[i]
        imgs = []
        for m in MAGS:
            for loc in LOCS:
                p = os.path.join(self.root, pid, f"{m}_{loc}.jpg")  # 命名以实际解压为准
                imgs.append(Image.open(p).convert("RGB").resize((self.size, self.size)))
        label = self.meta[pid]
        return imgs, label

注意：文件名模板 {m}_{loc}.jpg 是示意，实际命名须以解压后目录为准（论文与 README 均未公开逐文件命名规范）。

§附录 B：六任务标签与临床字段对照

代码	二值化规则	对应 TNM/病理报告栏目	是否可用于生存分析
REC	随访期内复发=1	结局随访	否（缺时间）
LNM	颈清扫病理阳性=1	pN	部分（pN 是分期要素）
TD	高/中/低 映射 0/1/2	病理分级	是（分级为预后因素）
TI	达浸润阈值=1	局部浸润描述	部分
CE	镜下见癌栓=1	淋巴血管侵犯（LVI）	是
PI	镜下见神经侵犯=1	神经侵犯（PNI）	是

§附录 C：三源互证记录

硬数字	arXiv 论文	Zenodo	GitHub README	结论
患者数 1,325	✓	✓	✓（切分合计）	一致
每人 6 张	✓	✓	隐含	一致
倍率 ×200/×400/×1000	✓（带 ×）	✓（无 ×）	—	写法差异，已存照
34.6 GB	—	✓	—	单源
六任务	✓	✓	✓	一致
70:15:15	✓（组内三分）	—	✓（seed 42）	口径差异，坑 4
CC BY 4.0	未提	v2 ✓	GPL-3.0（代码）	分层，不冲突
512×512 训练输入	✓	—	—	单源

§附录 D：与本库条目的互链建议

目标条目	rid	互链理由	建议锚点
orchid	903	同为口腔癌 H&E 病理，可对齐分化标签	§9.1
oral-cavity-opmd	798	名字最易混，需强消歧	§9.2
hancock-hnscc	984	同头颈鳞癌，WSI 多模态对照	§9.3
tcga	566 / 25	泛癌参照，HNSC 队列	§9.4
prov-gigapath	1091	编码器侧资源，可直接用于本集特征提取	§7.2
compas-gi-histopathology	988	同为病理多任务思路	§9.5
breakhis	126	跨器官病理分类迁移研究	§9.5
unitopatho	701	同为上皮性肿瘤病理分级	§9.5
hnscc-ct-atlas	1051	同病人群不同模态，须明确区分	§9.5
hnpet-fdg	947	同上	§9.5
headneck-radiomics	946	同上	§9.5
panda	560	分级任务方法论参照	§9.5

§12 按角色阅读路径与实操清单

12.1 四条阅读路径

数据集条目动辄上千行，不同角色不必通读。下面按四类典型读者给出最短路径：

路径 A：数据工程师（目标——三天内把数据跑通）

1. §1 Q2/Q3/Q8：搞清楚 6 张图的构成、尺寸、切分文件。
2. §6.1：选下载通道（国内走百度网盘，海外走 Zenodo v2）。
3. §附录 A：代码骨架直接改路径。
4. 坑 1、坑 2：避免按 WSI 设计、避免按图切分。
5. §11 DAIMS 的"可复现性"一栏：知道基线权重要自己训练。

路径 B：算法研究者（目标——找一个可发论文的实验台）

1. §2.3：看懂 3×2 采样网格，判断自己的方法是否适配。
2. §5.2：四维融合对照表，找出还没被覆盖的空白（如倍率注意力、层级融合）。
3. §5.3：染色归一化的任务依赖，这是最容易做出"反直觉发现"的方向。
4. §7.4：下游研究方向表。
5. 坑 9：引用 AUC 时标口径。

路径 C：临床/病理医师（目标——判断这个数据集是否可信）

1. §2.1：队列来源与伦理。
2. §2.4：六项标签的临床含义。
3. §4.1–4.5：每个任务的临床读法与局限（尤其是 REC 的删失问题、PI 的判读争议）。
4. §7.3：离临床落地还有多远。
5. §9：与其他口腔数据集的区别。

路径 D：综述作者（目标——准确引用，不张冠李戴）

1. §事实清单 36 条：直接取数。
2. §6.4：BibTeX 与 DOI。
3. §附录 C：三源互证表，知道哪些数字是单源。
4. §尾注"双口径存照清单"：五处口径冲突，写作时必须择一并说明。
5. §9：消歧专章，避免与其他数据集混为一谈。

12.2 上手实操清单（14 步）

步	动作	预期耗时	检查点
1	从 GitHub 拉 all_metadata.json 与 split_seed=2024.json	1 分钟	JSON 可解析、患者数 1,325
2	核对切分：train/val/test 分别为 925/200/200	2 分钟	三集合患者 ID 无交集
3	从 Zenodo v2 或百度网盘下载 34.6 GB zip	数小时（看带宽）	md5 = a95c757d…
4	解压，抽样查看 5 个患者目录	10 分钟	每人 6 个文件
5	记录实际文件命名规则	5 分钟	更新附录 A 模板
6	统计图像尺寸分布	5 分钟	是否全为 2592×1944
7	抽样检查图像质量（模糊、血渍、气泡）	20 分钟	估算坏图比例
8	核对 6 任务标签分布是否与论文表 4 一致	10 分钟	逐任务逐类比对
9	建 Dataset 类，跑 1 个 batch	30 分钟	张量形状 [6, 3, 512, 512]
10	用 1 个患者做前向，确认标签维度 6	10 分钟	不报错
11	跑 5 个 epoch 的小规模训练（ViT-Small + 冻结）	1–2 小时	loss 下降
12	在测试集上算 AUC，对比论文 93.13（REC）	20 分钟	差距 <10 个点属正常（未调参）
13	做一次"按图切分"对照实验，观察 AUC 虚高	1 小时	应显著高于按患者切分
14	记录所有口径（版本、doi、切分文件、编码器）	10 分钟	写入实验日志

第 13 步的意义：它不是"多余的实验"，而是泄漏检测。如果你按图切分得到的 AUC 只比按患者切分高 1–2 个点，说明 6 张图之间的相关性没有想象中强；如果高出 10 个点以上，说明你的数据管道存在泄漏，需要检查。

12.3 十项常见误用速查

误用	后果	正解
按图切分	AUC 虚高、结论不可复现	按 patient_id 切
只取 ×200	丢失细胞学细节	三档全用或分任务选倍率
全局开归一化	REC 掉 6 个点	按任务分别决定
只报 AUC	CE 全判阴性也能拿高 AUC 的错觉	同时报 F1/Recall/Precision
把 TI 当 T 分期	与 TNM 对不上	只写"浸润"不映射
当 WSI 做 MIL	包内示例只有 6 个	改做多图融合
静默缩放 512	核级任务失效	原图切 patch
引用"最佳设置"当统一	复现不出来	标口径
把 ORCHID 当子集	编造血缘关系	见 §9.1
把 oral-cavity-opmd 当同源	病理/照片混训	见 §9.2

12.4 一页速查卡（可打印）

Multi-OSCC 速查卡
────────────────────────────────
来源：arXiv 2507.16360 / Zenodo 18357239 (v2, CC BY 4.0)
团队：华南理工 + 中山大学孙逸仙纪念医院（广州）
规模：1,325 患者 × 6 图 = 约 7,950 张 2592×1944 H&E
倍率：×200 / ×400 / ×1000，各 2 张（core + edge）
体积：34.6 GB 单 zip
任务：REC 复发 / LNM 淋巴结转移 / TD 分化3类
      TI 浸润 / CE 癌栓 / PI 神经侵犯
阳性：REC 20.75% / LNM 37.51% / CE 8.45% / PI 18.42%
切分：925/200/200，用 split_seed=2024.json
基准：单任务最优 REC 94.72% / TD 81.23% / PI 66.19%
关键：归一化害 REC；多任务降 3.34%；边缘区 > 核心区
易混：ORCHID(r903) 口腔病理 / oral-cavity-opmd(r798) 照片
      HANCOCK(r984) 头颈 WSI / TCGA 泛癌
────────────────────────────────

§13 常见误解澄清

13.1 “Multi-OSCC 是 ORCHID 的扩展版”

误解来源：两者都是口腔癌 H&E 病理图、都有分化分级标签，且都在 2022–2025 年间出现。

事实：两者团队、国家、患者、采集方式完全不同（中国 vs 印度；显微镜视野 vs 全切片 patch）。ORCHID 有 OSMF（口腔黏膜下纤维化）这一癌前状态类别，Multi-OSCC 没有；Multi-OSCC 有复发与淋巴结转移的预后标签，ORCHID 没有。二者之间的"扩展"关系不存在，任何把 1,325 例说成"ORCHID 的 8.8 倍"的表述都是错误类比。

13.2 “1,325 例图像是 WSI，可以切任意 patch”

误解来源：图像分辨率 2592×1944 比常见 512 patch 大，容易让人以为"可以像 WSI 一样切"。

事实：2592×1944 是单个视野的完整尺寸，不是整张切片。你确实可以在其上切 512 patch（约 5×3=15 块），但这些 patch 全部来自同一视野、高度重叠、共享同一倍率，与 WSI 的上万 patch 完全不是一回事。切出来做增广可以，做 MIL 包不值得。

13.3 “六任务都是二分类”

误解来源：REC、LNM、TI、CE、PI 都是 0/1，容易被概括为"六个二分类"。

事实：TD 是三分类（高/中/低，0/1/2），需要 softmax + 交叉熵，其余五项是 sigmoid + BCE。多任务联合训练时，损失函数需要分别处理，GradNorm 的权重归一化也会因为任务损失尺度不同而受影响。

13.4 “AUC 高就说明模型学到了病理特征”

误解来源：REC 的 AUC 达 93–94%，看起来很高。

事实：至少有三层折扣。其一，REC 标签来自随访，图像只能提供形态学代理，"高 AUC"部分来自标签与其他任务标签的相关性；其二，归一化后掉 6 个点，说明有相当一部分区分力依赖染色/扫描批次特征；其三，测试集只有 200 例（阳性 49 例），置信区间宽。判断"学到病理特征"应做注意力可视化（检查热区是否落在癌巢/浸润前沿）与跨中心测试。

13.5 “CC BY 4.0 意味着可以随便用”

误解来源：看到 “Creative Commons Attribution 4.0” 就认为无限制。

事实：CC BY 4.0 允许商用、允许改编，但要求署名（attribution）、提供许可链接、标明是否修改。此外，数据集许可不覆盖患者隐私与伦理约束——若你的用途涉及再识别或与外部数据链接，仍需自行评估合规性。医学数据集的"开放许可"通常建立在"已去标识化"的前提上，去标识化程度本身是未知的（见遗留疑点）。

13.6 “论文说 94.72%，所以数据集的上限就是 94.72%”

误解来源：把单篇论文的最优结果当作数据集的天花板。

事实：94.72% 是 Hibou-B 编码器 + 单任务 + 特定预处理的结果。换用更强的编码器（UNI2、Virchow2、Prov-GigaPath）或全分辨率训练，可能更高；反之，换测试协议可能更低。论文自己也承认"冻结编码器在全分辨率下仅略优"，说明超参搜索并未穷尽。把 94.72% 写成"state-of-the-art"需谨慎，它只是"本论文报告的最佳"。

13.7 “包内文件一定是 JPG”

误解来源：多数病理数据集用 JPG/PNG，形成惯性。

事实：本集论文与 README 均未声明图像格式。34.6 GB 对应 7,950 张图，平均每张约 4.35 MB——这个体积对 2592×1944 的 JPG（质量 90 左右）是合理的，对无损 PNG 则偏小（PNG 通常 8–15 MB），对 TIFF 更小。因此推测为 JPG，但这只是体积反推，不是事实。下载后应以实际扩展名为准。

13.8 “多任务学习一定比单任务好”

误解来源：多任务学习在 NLP/视觉大模型上是主流范式。

事实：本集的多任务实验是负结果（平均降 3.34%，最好的 GradNorm 也降 4.58%）。原因有三：训练样本只有 925 个患者；任务间虽然临床相关，但共享表征的收益被梯度冲突抵消；六任务中有两个（CE、PI）是极端小类，会拖累共享编码器。这提醒我们：多任务的收益与数据规模强相关，在千级患者的数据集上不要默认多任务更好。

§14 数据集生命周期与维护状态

时间	事件	维护信号
2025-07-22	arXiv 预印本发布	研究启动
2025-08-13	Zenodo v1 上线	数据公开
2025-12-30	GitHub 仓库初始化（合并所有历史提交）	代码公开
2026-01-24	Zenodo v2 上线（补 CC BY 4.0 标注）	主动维护
2026-02-07	README 更新百度网盘链接	主动维护

从时间线看，作者在发布后半年内做了三次主动更新（v2、仓库初始化、网盘链接修复），说明数据集处于活跃维护状态。这对使用者是利好：出现问题时联系作者获得响应的概率较高。

但也有两个隐忧：

1. arXiv 版本仍为 v1（2025-07-22 提交后未更新）。若数据在 v2 有实质改动，论文描述可能与数据不符。
2. 未见期刊投稿迹象。预印本停留超过一年未正式发表，可能意味着审稿中、也可能意味着作者转向其他工作。引用时应以预印本格式处理，避免把未评审结论当作定论。

14.1 版本升级时的迁移建议

若未来发布 v3，建议的迁移流程：

1. 记录当前使用的版本 DOI 与 zip md5，写入实验日志。
2. 下载新版本后，先比对 all_metadata.json 与 split_seed=2024.json 的差异（患者 ID 集合、标签值）。
3. 若切分文件变更，旧实验的全部指标需要重跑，不能直接对比。
4. 若仅图像有改动（标签不变），可用图像哈希（pHash）比对，定位变更的子集。
5. 在论文中同时报告新旧版本的差异，并说明选择理由。

§15 案例解剖：三个典型使用场景

15.1 场景一：多倍率融合的消融研究

目标：验证"融合三个倍率是否优于单倍率"。

设计：

• 基线 1：仅 ×200（2 张图 concat）
• 基线 2：仅 ×400
• 基线 3：仅 ×1000
• 实验组：三倍率全用（6 张图 concat）
• 进阶：层级融合（×200 提全局、×400 提区域、×1000 提局部，再跨尺度注意力）

预期结果：参照论文表 7 的逻辑，全用应优于单用，但增益可能不大（核心+边缘仅比边缘高 0.27 个点）。真正的增益可能来自"跨尺度注意力"这类结构化融合，而非简单拼接。

陷阱：不同倍率的图像在 512 缩放下信息密度不同（×1000 视野小、×200 视野大），直接 concat 会让模型偏向某一尺度。建议对每个倍率单独做归一化。

评价：除 AUC 外，报告每个倍率的单独贡献（消融表）与融合权重（若有）。

15.2 场景二：跨中心泛化测试

目标：检验在广州数据上训练的模型能否用于其他人群。

设计：在 Multi-OSCC 上训练（925 患者），在 ORCHID（印度，150 患者）上测试 TD 任务。

障碍：

1. 标签空间需对齐：ORCHID 的五分类中包含 OSMF 与三档 OSCC 分化，需筛选出 OSCC 部分并映射到高/中/低。
2. 图像形态不同：ORCHID 是 512 patch，Multi-OSCC 是 2592 视野图缩放到 512。直接 resize 会让两者的"视野尺度"不一致——ORCHID 的 512 patch 在原始分辨率下可能只对应 0.5 mm，而 Multi-OSCC 的 512 对应 1.3 mm（×200 下）。
3. 染色差异：印度与中国实验室的 H&E 配方、扫描仪不同。

建议：先做尺度对齐（把 Multi-OSCC 的图切成与 ORCHID 相同物理尺度的 patch），再做染色增广，最后才比较。直接在 resize 后的图上比较会得出"泛化很差"的结论，但这个结论可能来自尺度错配而非真实分布差异。

15.3 场景三：把六任务当作"结构化报告生成"的监督

目标：训练一个模型，输入 6 张图，输出一份结构化的六字段病理报告（JSON）。

可行性：本集的六任务标签天然构成结构化输出的字段，可直接做多标签分类 + 三分类。但要注意：

1. 六字段并非完全独立（如 TD 差与 PI 阳性相关），生成时需建模字段间依赖。
2. 目前只有标签，没有"报告文本"。若要做报告生成（而非分类），需另找带文本的数据集（如 HANCOCK 的手术报告）。
3. 评价指标除每字段的 AUC/F1 外，还应加"整份报告完全正确率"（exact match），这个指标在六字段下会很低，但更贴近临床使用。

§16 数据质量与偏倚风险清单

风险	类型	表现	缓解
选视野偏倚	选择偏倚	病理医师倾向选典型区域，图像信噪比偏高	在 WSI 上重测；或对图像做随机裁剪增广
单中心偏倚	外部效度	全为广州病例	跨中心验证；域适应
随访删失	标签噪声	短随访被当作阴性	索取时间字段；做敏感性分析
类别不平衡	统计偏倚	CE 阳性 8.45%	分层抽样、SMOTE、类别加权
染色批次	域偏移	不同年份染色配方差异	记录采集年份（未公开）；染色增广
判读者单一	标注偏倚	未报告双人复核	索取一致性数据；抽样复核
部位构成未知	混杂	舌/颊/牙龈比例未知	索取部位字段；分层分析
测试集过小	统计功效	200 例，CE 阳性 24 例	交叉验证；报告置信区间

16.1 关于"选视野偏倚"的进一步说明

这是本集最深层的方法学问题。WSI 数据集的组织检测流程通常会排除空白区域与伪影，但保留所有肿瘤区域；本集则是由病理医师"挑选"6 个视野。挑选的标准（论文说是依据分化程度、上皮排列、癌巢、核分裂象）实际上与标签（TD 分化）高度相关——医师在选视野时已经看了分化程度，这可能让"核心区"图像系统性地更"典型"，从而让模型在训练时看到的分化信号比真实分布更强。

这一偏倚的影响方向是可预测的：模型在测试集上表现好（因为测试集也是同样挑选的），但在真实 WSI 上表现下降。若要做真实场景评估，必须在独立 WSI 队列上测试。

16.2 关于"染色批次"的补充

2015–2022 横跨 8 年，H&E 的苏木精与伊红配方、氧化程度、切片厚度都可能变化。论文未报告按年份的染色统计，也未做批次效应分析。若复发标签（REC）与年份相关（早期病例随访更长、复发记录更完整），那么"染色差异"与"标签"之间可能存在虚假关联——这正是归一化会伤害 REC 的一个可能机制（归一化抹掉年份信号，也抹掉了与年份混杂的真实信号）。

这个假说无法用公开数据验证（缺年份字段），但值得使用者警惕：不要把 REC 的高 AUC 直接解读为"形态学预后标志物"。

§17 与"AI-Ready"标准的逐项对照

本库的 AI-Ready 标准强调"下载即可进入训练管道"的程度。逐项对照如下：

标准项	本集表现	判定
数据可直接下载	Zenodo 单包 + 网盘镜像	达标
标签与图像一一对应	patient_id 目录 + JSON	达标（命名规则需自行确认）
官方切分文件	split_seed=2024.json	达标
基线代码	GitHub 仓库 + conda 环境	达标
基线结果可对标	README 两张结果表	达标
许可明确	v2 CC BY 4.0	达标
元数据字段文档	无字段清单	不达标
版本变更记录	无 changelog	不达标
外部验证集	无	不达标
数据卡（datasheet）	无独立数据卡	不达标

结论：六项达标、四项不达标。不达标的四项都属于"文档层"而非"数据层"，使用者可以自行补齐（写一份内部数据卡、记录版本、找外部验证集）。这也是 DAIMS 给 25/30 的原因——数据本身可用，但"说明书"不全。

17.1 如何自建数据卡

建议在项目内维护一份一页数据卡，至少包含：

1. 版本与 DOI、下载日期、zip md5；
2. 患者数与图像数（解压后实测）；
3. 六任务标签分布（实测 vs 论文对比）；
4. 图像尺寸与格式实测；
5. 已知缺失字段；
6. 与本项目其他数据集的标签映射表；
7. 使用限制（不可商用场景、伦理约束）。

这份数据卡在论文的"数据可用性"章节可直接引用，也是团队交接的关键文档。

§18 结语：它在口腔病理 AI 版图上的坐标

Multi-OSCC 的贡献不在于"更大"（1,325 例在泛癌尺度上不算大），而在于"更全"——它把一份病理报告里的六项关键判断装进了同一个患者、同一批切片、同一套图像里。这让"多任务学习"从一个抽象的算法话题，变成了一个可以用真实临床标签检验的问题；也让"染色归一化是否有害"这类工程细节，第一次有了逐任务的定量证据。

它的局限同样清晰：非 WSI、单中心、缺时间字段、文档不全。这些局限决定了它是研究用基准而非临床工具，也决定了它最合适的用法是"在一个受控的小世界上验证方法学假设"，而不是"直接训练一个可部署的诊断系统"。

对千方病案医数集而言，本条目与 ORCHID、oral-cavity-opmd、HANCOCK、TCGA 一起，构成了口腔/头颈病理的四个坐标：筛查照片（opmd）→ 病变分类 patch（ORCHID）→ 多任务视野图（Multi-OSCC）→ 多模态 WSI 队列（HANCOCK/TCGA）。四个坐标串起来，正好覆盖从社区筛查到术后随访的完整临床链条。这也是 §9 消歧专章存在的原因——它们不是竞争关系，而是链条上的不同环节。

§19 延伸问答：论文未写、但使用者一定会问的 12 个问题

Q21：为什么每位患者恰好取六个视野，而不是五个或八个？
三倍率是病理科的常规观察升级路径（低倍定位 → 中倍看结构 → 高倍看细胞），倍率数由临床习惯决定；每个倍率取两张（核心 + 边缘）是为了让"位置"这一维度在每个尺度上都有对照。若只取一张，就无法区分"倍率效应"与"位置效应"。六张是这两个维度的最小完全组合（3 × 2），再多则边际收益递减而体积线性增长。

Q22：能不能把这六张图拼回一张"虚拟全切片"？
不能。六张图来自两处取材（核心区切片、边缘区切片）的六个不同视野，彼此之间没有坐标对应关系，也没有重叠区域。它们不是同一张玻片上的六个位置，而是"两张玻片 × 三个倍率"，拼不出连续的组织地图。

Q23：×200 和 ×400 的图像会不会是同一视野的放大？
论文未明确说明。从设计意图看，三档倍率各自独立取材的概率更大（因为每个倍率都要兼顾核心与边缘两处），但也存在"先在 ×200 定位、再在同一位置切到 ×400/×1000"的可能。若是后者，六张图之间存在嵌套关系，融合时需防止信息重复计数。这一点在使用前应通过图像内容比对（如同源区域的纹理匹配）确认，属遗留疑点。

Q24：标签里的"分化"三档与 WHO 分级是什么关系？
WHO 头颈肿瘤分类对鳞状细胞癌采用"高/中/低分化"（well/moderately/poorly differentiated）三档，另有"未分化"（undifferentiated）作为极端情况。本集的 TD 0/1/2 一一对应这三档，未单列未分化。由于口腔鳞癌中未分化比例极低，这一简化对分布影响不大。

Q25：CE（癌栓）和 LVI（淋巴血管侵犯）是同一个概念吗？
高度重叠但不完全等同。LVI 是病理报告的标准术语，指肿瘤细胞进入淋巴管或血管；CE（cancer embolus）强调"腔内瘤栓"这一形态。多数文献将两者混用，本集采用 CE 命名。与 TCGA 或 HANCOCK 的 LVI 字段对齐时，可视为近似等价，但应在方法里注明术语差异。

Q26：PI（神经侵犯）在口腔癌里为什么重要？
神经侵犯是口腔鳞癌的独立预后不良因素，与局部复发、颈淋巴结转移、生存期缩短相关，且是 NCCN 指南中决定术后是否辅助放疗的因素之一。它的判读难点在于：神经束在切片上分布稀疏、形态易与纤维组织混淆、需要高倍确认。这也是本集 PI 任务 AUC 最低的临床背景。

Q27：为什么测试集是 200 例而不是按 70:15:15 算出 199 例？
1,325 × 15% = 198.75，取整为 200 是常见做法（保持总数 1,325）。训练集 925 = 1,325 − 200 − 200。三集合相加正好 1,325，说明是按"先定验证/测试各 200，余下归训练"的方式分配，而非严格按比例四舍五入。

Q28：如果我想只用图像、不用标签做自监督预训练，可以吗？
可以。7,950 张图的规模做自监督（SimCLR、DINO、MAE）偏小，但作为"领域内继续预训练"（continue pretraining）的语料是可行的——尤其对已经在病理大数据上预训练的编码器（CONCH、UNI），用本集做轻量微调可提升头颈域适配。注意：自监督不需要标签，但仍需按患者划分，否则下游线性探针会泄漏。

Q29：能不能用它做"少样本学习"研究？
很适合。六任务 × 三档分化 = 多个类别，且每类样本量差异大（CE 只有 112 例），可自然构造 few-shot 场景（如每类 5/10/20 例训练）。论文未做这类实验，是一个空白方向。建议以"CE 小类少样本检测"为切入点，临床价值明确。

Q30：多倍率融合时，应该先缩放再融合，还是先融合再缩放？
推荐"先各自缩放到统一尺寸、再融合"。原因：三档倍率的原始视野物理尺寸不同，若先拼接再统一缩放，会破坏各倍率的信息密度比例。若用层级融合（不同倍率走不同分支），则应在各自分支内独立缩放。

Q31：这个数据集能用于口腔癌的"分级"以外的诊断任务吗？
有限。它只有六项标签，没有肿瘤部位、T 分期、切缘状态、淋巴结数目等。若要做"切缘阳性预测"，本集无能为力。它最适合的是"六项既定终点"，不宜外推到未标注的诊断维度。

Q32：论文里的 SMOTE 是在哪一步用的？
论文提到对类别不平衡用 SMOTE 处理，但未明确是在特征空间（编码器输出）还是图像空间做。从常规做法推断应在特征空间（图像级 SMOTE 会生成无意义的合成病理图）。这一细节影响复现，属遗留疑点。

§20 交叉核对：与论文表格的逐项对账

本节把本条目正文引用的数字与论文表格逐项对账，供审稿与复核使用。

本条目位置	数字	论文出处	核对
§1 Q1	2015–2022	数据收集节	✓
§1 Q3	2592×1944	图像采集节	✓
§1 Q8	925/200/200	表 4 合计	✓
§2.5 REC 0	1,050（745/154/151）	表 4	✓
§2.5 REC 1	275（180/46/49）	表 4	✓
§2.5 LNM 0	828（592/119/117）	表 4	✓
§2.5 LNM 1	497（333/81/83）	表 4	✓
§2.5 TD 0	450（310/68/72）	表 4	✓
§2.5 TD 1	692（498/99/95）	表 4	✓
§2.5 TD 2	183（117/33/33）	表 4	✓
§2.5 TI 0	715（511/103/101）	表 4	✓
§2.5 TI 1	610（414/97/99）	表 4	✓
§2.5 CE 0	1,213（859/178/176）	表 4	✓
§2.5 CE 1	112（66/22/24）	表 4	✓
§2.5 PI 0	1,081（766/159/156）	表 4	✓
§2.5 PI 1	244（159/41/44）	表 4	✓
§5.1 ResNet50	63.52	表 5	✓
§5.1 DenseNet121	61.80	表 5	✓
§5.1 Swin-Base	73.59	表 5	✓
§5.1 ViT-Base IN	72.52	表 5	✓
§5.1 ViT-Small IN	69.39	表 5	✓
§5.1 ViT-Small PathoBench	75.00	表 5	✓
§5.1 ViT-Base CONCH	73.67	表 5	✓
§5.1 ViT-Base Hibou-B	74.59	表 5	✓
§5.2 Concat	75.00	表 6	✓
§5.2 Transformer	73.41	表 6	✓
§5.2 LMF	72.87	表 6	✓
§5.2 Gated	71.11	表 6	✓
§5.2 Core	69.59	表 7	✓
§5.2 Edge	74.73	表 7	✓
§5.2 Origin	75.00	表 8	✓
§5.2 Reinhard	75.16	表 8	✓
§5.2 Vahadane	74.35	表 8	✓
§5.2 Macenko	74.31	表 8	✓
§5.2 Sum Loss	68.89	表 9	✓
§5.2 GradNorm	70.42	表 9	✓
§5.2 Pareto	69.23	表 9	✓
§5.2 GradNorm+Reinhard	71.82	表 9	✓
§5.3 REC 原始	93.13	表 8/10	✓
§5.5 REC 最佳	94.72	README 2-1	✓
§5.5 TD 最佳	81.23	README 2-1	✓
§5.5 TI 最佳	72.6	README 2-1	✓
§5.5 CE 最佳	75.52	README 2-1	✓
§5.5 PI 最佳	74.17	README 2-1	✓

对账结论：正文引用的 44 项数值全部可在论文表格或 README 结果表中找到对应。表 10/表 11 的 Acc/AUC/F1/Recall/Precision 已在 §5.4 完整转录，未做二次加工。

§21 一份可直接运行的评测脚本说明

以下脚本骨架演示如何复现"单任务 ViT-Small + PathoBench"的基线（REC 用原始数据）。它不追求工程完备，只求把数据流与评价口径固定下来。

import json, torch, numpy as np
from torch.utils.data import DataLoader
from sklearn.metrics import roc_auc_score, f1_score, accuracy_score

def evaluate(model, loader, task_idx, n_classes=2):
    model.eval()
    ys, ps = [], []
    with torch.no_grad():
        for imgs, labels in loader:
            imgs = imgs.to(device)               # [B, 6, 3, 512, 512]
            logits = model(imgs)                 # 多任务头 -> [B, 6]
            y = labels[:, task_idx].cpu().numpy()
            if n_classes == 2:
                p = torch.sigmoid(logits[:, task_idx]).cpu().numpy()
            else:
                p = torch.softmax(logits_3[:, task_idx], dim=-1).cpu().numpy()
            ys.append(y); ps.append(p)
    y = np.concatenate(ys); p = np.concatenate(ps)
    if n_classes == 2:
        return dict(auc=roc_auc_score(y, p),
                    f1=f1_score(y, (p > 0.5).astype(int)),
                    acc=accuracy_score(y, (p > 0.5).astype(int)))
    return dict(auc=roc_auc_score(y, p, multi_class="ovr"),
                f1=f1_score(y, p.argmax(-1), average="macro"),
                acc=accuracy_score(y, p.argmax(-1)))

三个必须注意的口径细节：

1. 患者级聚合：上面的 loader 若以患者为单位返回 6 张图，则模型输出已是患者级；若以图为单位，需先按 patient_id 聚合（平均或投票）再算指标。论文采用的应是前者。
2. 阈值选择：F1/Acc 依赖阈值 0.5，而类别不平衡时 0.5 往往不是最优。若要报 F1，应在验证集上选阈值后再用于测试集，否则会低估。
3. TD 的多分类 AUC：用 one-vs-rest 还是 one-vs-one 会影响数值，论文未说明，复现时需统一并在方法里写明。

§22 编目备注：为什么本条目这样组织

本条目的结构参照千方库内病理类条目的通行体例，但针对"多任务"这一特征做了三处调整：

1. 把基准实验独立成 §5（而非并入"评估"小节）。原因是本集的 11 张表本身就是数据集价值的一半，逐表复述比概括更有用。
2. 把消歧单列成 §9 专章。口腔/头颈领域在库内已有 6 个以上近邻条目，若不集中说明，读者极易把 ORCHID 与 oral-cavity-opmd 混淆。
3. 新增 §16 数据质量与偏倚风险、§17 AI-Ready 逐项对照。这两节在通用维基体例里没有，但对"能不能用"的决策最直接。

另外，§FAQ 与 §事实清单刻意保留冗余：同一数字在正文、FAQ、事实清单三处出现，是为了让不同阅读路径的读者都能就近取数，不必来回跳转。冗余处已逐项对账（§20），不存在版本不一致。

§尾注

来源列表

1. Zenodo v1：https://zenodo.org/records/16842637（DOI 10.5281/zenodo.16842637）
2. Zenodo v2：https://zenodo.org/records/18357239（DOI 10.5281/zenodo.18357239）
3. arXiv 摘要页：https://arxiv.org/abs/2507.16360
4. arXiv HTML 全文：https://arxiv.org/html/2507.16360v1
5. GitHub 仓库：https://github.com/guanjinquan/OSCC-PathologyImageDataset
6. GitHub LICENSE：仓库根目录 LICENSE（GPL-3.0）

双口径存照清单

1. 倍率写法：Zenodo “200, 400, and 1000” vs 论文 “×200/×400/×1000”。
2. 切分种子：README “seed 42” vs 文件名 split_seed=2024 vs 论文"组内随机三分"。
3. 许可证：v1 无标注 vs v2 CC BY 4.0 vs GitHub 代码 GPL-3.0。
4. 任务指标：README 2-1 “最佳设置” vs 2-2 “统一设置”，PI 74.17 vs 66.19。
5. 切片位置：Zenodo “covering both the core and edge tumor regions” vs 论文"两张切片各取一张"——六图与两切片的空间关系未完整交代。

遗留疑点

1. IRB 审批编号未公开。
2. 图像文件格式（TIFF/JPG/PNG）未声明。
3. all_metadata.json 字段清单未公开（是否含年龄、性别、随访时间未知）。
4. v1 → v2 的具体变更内容无 changelog。
5. 基线模型权重是否随仓库发布，README 未给下载链接。
6. 六项标签的判读人数与一致性（kappa）未报告。
7. 论文未见期刊正式发表版本。
8. 队列的口腔亚部位（舌/颊/牙龈/口底/腭）构成未披露。

撰稿说明：本条目依据 AGENT_PROMPT_TEMPLATE v3 与 lessons R001–R026 撰写；所有硬数字均标注来源，推算值已显式注明；与库内条目的消歧在 §9 专章处理；frontmatter 中 relatedLink 类说明一律不写，避免 R012 所述 JSON-LD 脏键问题。

§23 修订记录

日期	内容	说明
2026-10-17	初稿	依据 arXiv 2507.16360 与 Zenodo v1/v2 页面 + GitHub README 三源互证；库内互链 rid 为当日实测

后续若 Zenodo 发布 v3 或论文正式见刊，需更新的位置：frontmatter 的 source/license（若有变更）、§6.3 版本链、§14 生命周期表、§尾注来源列表。其余章节以方法学论述为主，不受版本更迭影响。

---

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：

• compas-gi-histopathology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学 / 多模态
• cmb-aml — 共享标签：医学影像 / 病理图像 / 肿瘤学 / 多模态
• patchgastricadc22 — 共享标签：医学影像 / 病理图像 / 肿瘤学 / 多模态
• opentme — 共享标签：病理图像 / 图像分类 / 肿瘤学 / 多模态
• panda — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• orchid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• aml-cytomorphology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• ptic-thyroid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• cmb-gec — 共享标签：医学影像 / 病理图像 / 肿瘤学 / 多模态
• quilt-1m — 共享标签：医学影像 / 病理图像 / 多模态

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。