ORCHID 口腔癌组织学图像数据库 — 印度五中心 150 例患者 14,705 张 512×512 病理 patch、OSMF 与 OSCC 三档分化五分类数据集

INFOBOX — orchid 一屏速览

维度	内容
本质	口腔癌与癌前病变高分辨组织病理 patch 数据集（非 WSI、非临床白光照片、非影像组学）
官方全称	ORCHID = ORal Cancer Histology Image Database（口腔癌组织学图像数据库）
团队	印度五中心联合团队；项目负责人 Nisha Chaudhary，联系/监督 Tanveer Ahmad
论文	Scientific Data (Nature Portfolio). 2024;11:1050（doi:10.1038/s41597-024-03836-6；PMID 39333529；PMC11436638）
数据	150 例患者 / 14,705 张 512×512 patch；H&E 染色；1000X 有效放大（100X 物镜）
类别	normal / OSMF / WDOSCC / MDOSCC / PDOSCC 五类（OSCC 细分三档分化）
划分	官方 70/20/10 患者级划分：训练 10,228 / 验证 2,885 / 测试 1,592（防数据泄漏）
预处理	Reinhard 染色归一化；512×512 patch，相邻重叠 256 像素
托管	Zenodo 双记录：训练集 12636426（train.zip 39.7 GB）+ 验证测试集 12646943（val 11.3 GB / test 6.1 GB）
代码	GitHub NishaChaudhary23/ORCHID（MIT License）；项目页 ai-orchid.github.io/ORCHID-web/
获取	完全开放：CC BY 4.0，直链下载，无申请审批；实际门槛为约 57 GB 体量
许可	数据集 CC BY 4.0；源码 MIT

维度	内容
一句话价值	把「口腔癌与癌前病变的组织学判读」从稀缺专家经验，转化为可训练、可复现、可跨机构比较的开放病理语料
最适用	五分类与 OSCC 分化分级、染色归一化消融、多中心域泛化、弱监督病灶定位
最不适用	需要像素级病灶分割、需要患者人口学对齐、需要跨种族外部验证的场景
与 oral-cavity-opmd 的区别	本集是组织学切片 patch（印度、五分类、CC BY 4.0 开放）；后者是临床白光照片（斯里兰卡、四分类、CC BY-NC-ND 请求制）

§0 导读：这个数据集解决什么问题

口腔癌是全球范围内负担沉重且预后悬殊的恶性肿瘤之一。它的诊断瓶颈不在治疗手段，而在早期识别：口腔黏膜下纤维化（OSMF，oral submucous fibrosis）是口腔鳞状细胞癌（OSCC，oral squamous cell carcinoma）最具代表性的癌前病变之一，在南亚与东南亚的槟榔咀嚼人群中尤为高发；若能在 OSMF 或早期 OSCC 阶段被组织病理学准确判读，患者的五年生存率可以显著改善。问题在于，组织病理判读高度依赖受过训练的病理学家，而基层与低资源地区恰恰缺人——不同观察者对同一张切片的分级一致性（inter-observer agreement）常常不理想，尤其在「高分化/中分化/低分化」的临界区间。

因此，一个有前景的方向是：用深度学习直接从 H&E 染色的组织病理切片图像中识别 OSMF 与不同分化等级的 OSCC。这条路线真正的瓶颈从来不是网络结构，而是数据——需要高分辨率、经病理学家分级标注、且能防止数据泄漏的多中心语料。现有公开口腔病理数据集要么规模偏小，要么只覆盖单一机构，要么把「口腔癌」当成一个扁平类别、不做分化分级，难以支撑临床真正关心的有序分级任务。

ORCHID（ORal Cancer Histology Image Database，口腔癌组织学图像数据库） 正是为填补这一空白而构建的。它由印度五家顶级医疗/牙科中心联合采集，取 150 例患者的口腔活检标本，经 H&E 染色、1000X 有效放大（100X 物镜）成像后切出 512×512 像素的图像 patch，由各机构病理学家分级标注为五个类别——正常（normal）、口腔黏膜下纤维化（OSMF）、高分化 OSCC（WDOSCC）、中分化 OSCC（MDOSCC）、低分化 OSCC（PDOSCC），并按患者级以 70/20/10 划分训练、验证与测试，从设计上杜绝同一患者同时出现在训练与测试集所造成的泄漏。数据集以 CC BY 4.0 完全开放托管于 Zenodo，两个记录合计约 57 GB，任何人都可以直链下载。

本条目将系统拆解 ORCHID 的身份与来源、数据构成与规格、标注生产流程、任务与建模范式、评估与基准、获取与许可、生态影响、方法学启示、与库内条目关系、避坑清单，并在末段给出复用路线图与术语对照，帮助读者判断：这个数据集适合解决什么问题、边界在哪里、哪些「想当然」的用法会踩坑。

§0 读法三则：

1. 这个条目是「数据集 + 论文 + 代码生态」三合一：数据集本体是 14,705 张带五类标签的 patch（CC BY 4.0 开放），论文是 Scientific Data 的 Data Descriptor（Nature Portfolio），代码生态是 GitHub 上的 patch 生成与训练脚本（MIT）。三者的许可相互独立——数据用 CC BY 4.0、代码用 MIT——引用与合规时须分开对待（§6）。
2. 全文硬数字以 Scientific Data 论文（PMC 全文）与 Zenodo 官方记录实抓为准；论文正文未直接列出的项（如逐类全量计数、五机构名单、采集年份）一律标注「未公开/待核」，不臆造（§9、§16）。对于总数 14,705 这类出自引用论文的数字，条目会明确标注其出处与自洽性，而非默认它是论文原文。
3. 检索时请把本条目与同域但模态完全不同的数据集分开：oral-cavity-opmd（临床白光照片、四分类、斯里兰卡、请求制）与 ORCHID（组织学切片 patch、五分类、印度、开放）虽同属「口腔癌 AI」，但一个判读肉眼可见病变、一个判读显微镜下组织，性能数字不可互引（§9.3、§10 坑 2）。

§0.1 一句话定位

如果你只需要记住一件事：ORCHID 是「口腔癌与癌前病变的组织病理学分级」这一任务目前最开放、最结构化、且带患者级防泄漏划分的公开载体之一——它把「用 AI 读口腔病理切片并分出正常/癌前/癌的程度」从少数医院的内部数据，变成了任何人都能下载、复现、比较的公共语料。

§0.2 为什么这五类标签的设计值得单独说

把 normal / OSMF / WDOSCC / MDOSCC / PDOSCC 并置，不是随手分类，而是刻意覆盖了一条完整的临床判读链：从正常（对照）→ 癌前（OSMF，干预窗口）→ 癌（OSCC）。而 OSCC 再拆三档分化（WD/MD/PD），则把「癌的程度」这一临床最关心、也最难判的维度显式建模。换言之，这五个类支持的不只是「识别癌」，而是「识别从癌前到癌的连续谱、并给出癌的分级」——这正是病理医生日常工作的核心。这也是为什么 ORCHID 比「癌 vs 非癌」类数据集更有方法学价值（§2.3、§12.1）。

§0.3 阅读本条目能得到的三个判断

1. 能不能用：ORCHID 是否适合你的任务（分类/分级 ✅、分割/定位 ⚠️、人口学分析 ❌）；
2. 怎么用对：如何避免患者级泄漏、如何处理有序分级、如何做跨机构验证（§10、§13）；
3. 边界在哪：它的数据缺口、人群局限、许可义务（§6、§7.4、§16）。

§1 数据集速览：十问十答

Q1：ORCHID 到底是什么、属于什么模态？
它是口腔癌与癌前病变的高分辨组织病理图像数据集（histopathology image patches），模态属于 H&E 染色的光学显微镜切片成像——不是临床白光照片、不是 X 光/CT/MRI、不是影像组学特征、也不是整张全切片图像（WSI）。更精确地说，它交付的不是原始 WSI，而是从 1000X 放大图像中切出的 512×512 像素 patch。

Q2：规模有多大？
150 例患者、14,705 张 512×512 patch。其中 150 出自 Scientific Data 论文与印度生物数据中心（IBDC）记载；14,705 出自引用该数据的 Springer 期刊论文，与官方分划 10,228 + 2,885 + 1,592 自洽（§2.1、§9 存照）。

Q3：分几类、类名是什么？
五个类文件夹：normal（正常）、OSMF（口腔黏膜下纤维化）、WDOSCC（高分化 OSCC）、MDOSCC（中分化 OSCC）、PDOSCC（低分化 OSCC）。注意论文摘要用「三主类（normal/OSMF/OSCC）」表述，而实际交付为「五细分」（OSCC 拆成三档分化）——这是两级粒度而非矛盾（§2.3、§9 存照）。

Q4：标注到什么粒度？
patch 级类别标签（image-level class label），不是像素级分割掩码、也不是病变边界多边形。每张 patch 归属于一个类，且带有组织切片（患者）归属信息。若研究目标是病灶定位或分割，需要在 patch 标签之上再借助弱监督/多实例学习（MIL）扩展（§4）。

Q5：谁标的、怎么保证质量？
由各参与中心的病理学家逐片评估——判断细胞形态、组织结构、特异性特征，对 OSCC 与 OSMF 进行分级，并区分正常与病变。专家验证以「sufficient detail」为门槛：组织学特征须清晰、无伪迹（组织折叠、撕裂、过度染色）、聚焦良好；模糊或缺细节的、以及带染色伪迹的切片一律剔除（§3）。

Q6：除了图像 patch，还带什么？
官方提供患者级 train/val/test 划分（70/20/10），这是该数据集最关键的元结构之一——它把「同一患者不得跨集」的防泄漏设计固化进了交付，使用者无需自行重划。此外数据集按类文件夹 + 组织切片（患者）子文件夹组织，文件名编码了 class ID、source ID、patient ID 与 image ID（§2.4）。不含患者人口学（年龄/性别/习惯）。

Q7：数据在哪、怎么拿？
托管于 Zenodo 两个记录：训练集 12636426（DOI 10.5281/zenodo.12636426，train.zip 39.7 GB）、验证与测试集 12646943（DOI 10.5281/zenodo.12646943，val.zip 11.3 GB + test.zip 6.1 GB）。完全开放，均为公开直链可下载，无需申请审批。

Q8：许可是什么、能商用吗？
数据集为 CC BY 4.0（署名 4.0 国际）。这是最宽松的署名型开放许可：允许商用、允许演绎、允许再分发，唯一硬性义务是署名（保留原作者与原文引用）。随机附带的源码仓库（GitHub NishaChaudhary23/ORCHID）另行采用 MIT License。二者需分开看待（§6）。

Q9：有人用它做过什么？
论文本身做了 DCNN 技术验证（两训练方向：normal/osmf/oscc 三分类与 wdoscc/mdoscc/pdoscc 三档分级）。外部复用方面，Springer 期刊（J Egypt Natl Canc Inst 2026）用它构建了可解释 AI 框架来检测并分级南亚人群 OSCC，采用官方预划分（10,228/2,885/1,592），并把 512×512 patch 下采样至 224×224 接入 CNN/Transformer（§5）。

Q10：为什么它对 AI-Ready 重要？
它是「高临床相关性 + 低获取门槛」的少见组合：直接对应口腔癌早筛这一低资源场景刚需，病理级标注由多中心病理学家完成，且以 CC BY 4.0 完全开放、直链可下——不像许多口腔病理数据要么请求制、要么禁衍生。它把「口腔癌与癌前病变分级判读」从稀缺专家经验，转化为可训练、可复现、可跨机构比较的开放语料。真正需要提醒使用者的不是许可门槛，而是体量（约 57 GB）与跨机构域偏置（§10 避坑清单）。

1.1 十问之外的追问

追问一：为什么是「patch」而不是「WSI」？
因为 1000X 有效放大（100X 物镜）下的单幅视野尺寸极大，直接送入 CNN 既耗显存又难收敛。把大图按「左到右、重叠 256 像素」切成 512×512 的小块，是数字病理的标准工程选择：既保留了细胞核级细节，又适配常规网络输入。代价是每个 patch 丢失了它在大切片中的全局语境——一块「看似正常的角化上皮」可能是癌旁组织，也可能确实是正常组织，单看 patch 无法区分。工程上的补救是把同一患者的 patch 聚合投票（patient-level aggregation）。

追问二：为什么强调「1000X 有效放大」？
因为病理分级（尤其 OSCC 分化）高度依赖细胞核形态、核质比、角化珠等显微特征，这些特征在低倍（如 40X、200X）下难以分辨。1000X 有效放大保留了对分级最关键的细节层次，是「分级任务」而非仅「癌/非癌」任务的前提。但要注意「1000X 有效放大」是 100X 物镜 + 数字放大/显示倍率的综合口径，不等于数字扫描仪的 40X 原生倍率——两者不可直接换算比较。

追问三：150 例患者算大还是小？
在「深度分类」视角下，150 患者、14,705 patch 属中等规模；但在「口腔病理 + 分级 + 多中心 + 开放」这个具体切面上，它是偏大的稀缺资源。判断规模是否足够，关键看任务：patch 级五分类用 14,705 个样本基本可训；但若要训练患者级分级模型，有效样本数就退化为 150——这决定了复杂模型极易过拟合患者特异特征（§4、§10）。

追问四：为什么不公开人口学？
去标识是医学数据伦理的硬要求：年龄 + 性别 + 罕见病种 + 具体机构，组合起来可能重新识别个体。ORCHID 选择完整去标识以满足隐私合规，代价是丧失亚组分析能力。这是一次典型的「隐私 vs 研究效用」权衡，也是许多临床数据集共同的结构性局限（§7.4、§10 坑 8）。

追问五：它和「口腔癌筛查」是一回事吗？
不是。筛查（screening）是面向无症状人群的「有没有可疑病变」判断，通常用肉眼/白光/器械；病理判读（histopathology diagnosis）是面向已取活检标本的显微镜下确诊与分级。ORCHID 属后者——它服务的是「拿到活检后如何判读」，而非「要不要取活检」。把它直接当成筛查数据集使用，是概念错位（§9.3）。

§2 数据构成与规格

2.1 规模、来源与人群

ORCHID 的核心规模数字及其来源如下，须分层标注（部分数字出自不同官方源）：

维度	数值	来源
患者/样本数	150 例患者样本	Scientific Data 论文正文（PMC11436638）/ IBDC 项目页
图像 patch 总数	14,705 张	Springer J Egypt Natl Canc Int 2026（引用该数据）/ 与官方分划自洽
训练集（70%）	10,228 张	Springer 2026 引用论文
验证集（20%）	2,885 张	Springer 2026 引用论文
测试集（10%）	1,592 张	Springer 2026 引用论文
类别数	5（normal / OSMF / WDOSCC / MDOSCC / PDOSCC）	Scientific Data 论文 / GitHub README
patch 尺寸	512×512 像素	Scientific Data 论文（Pw=Ph=512）
相邻重叠	256 像素	Scientific Data 论文（O=256）
放大倍率	1000X 有效放大（100X 物镜）	Scientific Data 论文 / IBDC / Zenodo
染色	H&E（苏木精-伊红）	Scientific Data 论文
中心数	5 家印度顶级医疗/牙科机构	Scientific Data 论文 / IBDC
实际文件体积	训练 39.7 GB + 验证 11.3 GB + 测试 6.1 GB ≈ 57.1 GB	Zenodo 两记录实抓

人群来源是理解本数据集的第一把钥匙：全部样本来自印度的 5 家顶级医疗/牙科中心，患者为就诊做口腔活检的人群。选择口腔癌与 OSMF 作为核心疾病，与南亚地区的流行病学背景直接相关——槟榔（areca nut）咀嚼、口腔黏膜下纤维化与口腔癌在印度及南亚高度集中，口腔癌早筛需求迫切而专科病理资源紧张。数据集正是为「南亚人群口腔癌与癌前病变的 AI 辅助病理判读」这一目标服务的。

逐类全量细目未在论文正文以文本给出是本数据集规格上的关键特征：论文以 Fig.2 图形方式呈现五类各文件夹的图像数与患者例数分布，以及 70/20/10 划分，但正文未逐类列出完整数字。可检索到的逐类数字只有训练集口径的一部分（来自 Springer 2026 引用论文）：WDOSCC 最多（训练集 n=2,790，占 27.3%），Normal 最少（训练集 n=1,045，占 10.2%），训练集不平衡比约 2.67×。要获取五类全量的精确数量，需下载数据或查阅论文 Fig.2 与补充表 S1。

2.2 采集规格与质量控制

属性	规格
显微镜	Leedz Microimaging（LMI）明场显微镜
物镜	100X 物镜，1000X 有效放大
成像软件	ToupView（自动白平衡 + 自动相机设置，标准化采集）
染色	H&E；由 5 家病理实验室各自独立优化的协议完成
归一化	Reinhard 染色归一化（转 LAB 色彩空间，亮度与色彩统计重标定至参考分布）
patch 生成	从 1000X 图像左到右顺序裁剪，相邻重叠 256 像素，块尺寸 512×512
每片图像数	约 100–150 张（每张组织切片）
存储格式	PNG
伦理	各参与机构机构伦理批准（活检样本）

四处值得注意：

1. 「1000X 高分辨 + 切块」是优点也是取舍：100X 物镜带来的 1000X 有效放大保留了细胞核级别的形态细节，这对区分 OSCC 的分化等级（核异型性、角化珠、细胞排列）至关重要。代价是单幅图像尺寸巨大，故必须切成 512×512 patch 才能被常规 CNN 消费——这也意味着任何 patch 级标签都有「脱离周围组织语境」的代价（§10 坑）。
2. 多机构 × 多染色协议 = 域偏置的温床：5 家实验室各用独立优化 H&E 协议，染色风格（色调、对比度、伊红/苏木比）天然不一致。数据集用 Reinhard 染色归一化来缓解——把每张图转到 LAB 空间、把亮度与色彩统计缩放到参考分布。这是数字病理跨机构泛化的标准做法，但归一化只能削弱而非消除域差异（§8、§10）。
3. 自动化采集降低人为波动：ToupView 配置自动白平衡与相机参数，目的正是减少人工干预带来的成像方差，使图像在相似设备与设置下可复现。
4. 人口学缺席：图像已去标识，患者年龄、性别、烟/槟榔习惯等不随公开数据发布。这保护了隐私，但直接封死了任何基于人群特征的亚组分析（§5、§10）。

2.3 类别体系：五个类别的医学含义

五分类不是随意的技术切分，而是一条从正常到癌前再到分级癌的病理谱带：

类别	英文	医学含义	临床意义
正常	normal	正常口腔黏膜组织	阴性对照基线
口腔黏膜下纤维化	OSMF	癌前病变（黏膜下胶原纤维增生、上皮萎缩）	早筛/干预的关键窗口，南亚高发
高分化 OSCC	WDOSCC	角化明显、异型性较低的口腔鳞癌	分化最好的一端
中分化 OSCC	MDOSCC	介于高低之间的分化等级	分级边界最模糊、观察者一致性最低
低分化 OSCC	PDOSCC	角化少、异型性高的口腔鳞癌	分化最差、预后最差的一端

几个关键点：

1. OSCC 三档分化是有序而非名义的：WD → MD → PD 存在等级关系，本质是一个有序三分类/分级问题，而非常规扁平多分类。用普通 Softmax 交叉熵处理这三档会忽略其序关系；更合适的做法是序回归（ordinal regression）或带序惩罚的损失（§4）。
2. 三主类 vs 五细分（粒度存照）：论文摘要概括为「three distinct classes: normal, OSMF, and OSCC」，但数据集实际交付五个文件夹（OSCC 拆为三档）。这不矛盾——是「疾病大类」与「分化等级」两级粒度，引用时勿把「三分类」与「五分类」当成冲突口径（§9 存照）。
3. 切片级组织化：每类文件夹下的子文件夹对应不同的组织切片（来自不同患者），图像按所属切片归入相应子文件夹——这一层级设计是后续做患者级划分、防止泄漏的物理基础。

2.4 命名与目录结构

数据集的组织方式承载了关键的元信息，命名规则如下（论文原文口径）：

• 类文件夹：normal / osmf / wdoscc / mdoscc / pdoscc
• 子文件夹（组织切片）：以数据集首字母 o 开头，后接类别 ID（class ID） + 来源机构 ID（source ID） + 样本 ID（sample ID）
• 图像文件：以 o 开头，后接类别 ID + 来源机构 ID + 患者 ID + 图像 ID

这套命名的实际价值在于：类别与来源机构可从文件名反解，这对做域泛化研究（按 source ID 分组做留一机构验证）非常方便；但同时也要警惕——如果建模时把文件名里的 source ID 泄漏进特征（如在同机构内划分 train/test 而不同机构不隔离），会高估模型的跨中心泛化能力（§10 坑）。

目录放置要求（GitHub README 口径）：使用者须把解压后的数据按其结构放在数据根目录下，五个类文件夹平级并列，且必须先按官方 70/20/10 拆开再分别送入两个训练脚本（train-normal-osmf-oscc.sh 与 train-wdoscc-mdoscc-pdoscc.sh）。

2.5 官方划分与数据泄漏防护

数据集以**患者级（patient-level）**做 70/20/10 划分并固化在交付中：

划分	比例	patch 数	患者归属规则
训练	70%	10,228	各患者的切片只出现在一个划分中
验证	20%	2,885	同上
测试	10%	1,592	同上

为什么患者级划分如此关键：同一患者的连续切片、同一张切片切出的相邻 patch 之间存在高度相关性（同一组织、同一染色批次、同一视野邻近区域）。若按 patch 随机划分，训练集中的同一患者 patch 会「泄漏」进测试集，模型可能靠记住该患者的染色/形态特征而非学到可泛化的病理特征，从而严重高估测试性能。ORCHID 官方预划分从源头堵住了这一泄漏，这是它的重要方法论优势，也是外部复用者（Springer 2026）明确「保留原始患者级分区以防数据泄漏」的原因。

使用者的义务：使用官方划分时不要为了「多要点训练数据」而重新打乱划分；若确需自定义划分（如交叉验证），务必**按患者（patient ID）**做分组划分，而非按 patch。这一点在 §10 会作为头号坑再次强调。

2.6 四类口腔/头颈病理与影像数据集的结构对比

把 ORCHID 放进同类集合里对照，能更清楚它的定位：

数据集	模态	规模	分类体系	标签粒度	划分	许可/获取
ORCHID（本条目）	H&E 组织病理 patch	150 患者 / 14,705 patch	5 类（含 OSCC 三档分化）	patch 级类别	患者级 70/20/10 固化	CC BY 4.0 开放直链
oral-cavity-opmd	临床白光照片	714 患者 / 3,000 图	4 类（healthy/benign/OPMD/OCA）	病变多边形（COCO）	患者级	CC BY-NC-ND 请求制
Head-Neck-PET-CT	PET/CT 影像组学	298 例	复发/转移/生存终点	患者级终点	中心划分	开放
CAMELYON16/17	WSI	数百例	淋巴结转移	WSI / 区域级	患者级	因集而异

从这张表能读出 ORCHID 的三个独特之处：① 它是组织学切片而非临床照片或宏观影像，因而直接对应病理判读；② 它带有序分级标签（OSCC 三档），而非扁平二/多分类；③ 它把患者级防泄漏划分固化进交付，在开源病理数据里并不多见。这三点共同决定了它「适合做病理分级 AI 的开放底座」这一核心定位。

2.7 一张图理解 ORCHID 的物理结构

如果要把 ORCHID 的物理形态画出来，大致是这样一个层次：

ORCHID（≈57 GB，两层 Zenodo 记录）
├── 训练集 record 12636426（train.zip, 39.7 GB, 70%）
│   ├── normal/          ← 每个类文件夹 = 一个诊断类别
│   │   ├── o_<class>_<source>_<sample>/   ← 每个子文件夹 = 一张组织切片（患者）
│   │   │   ├── o_<class>_<source>_<patient>_<image>.png   ← 512×512 patch
│   │   │   └── ...（每张切片约 100–150 张 patch）
│   │   └── ...
│   ├── osmf/
│   ├── wdoscc/
│   ├── mdoscc/
│   └── pdoscc/
└── 验证/测试集 record 12646943（val.zip 11.3 GB 20% + test.zip 6.1 GB 10%）
    ├── val/（同五类结构）
    └── test/（同五类结构）

这张结构图值一千句话：它同时说明了类别层级、患者层级、patch 层级三层组织，以及数据集被切成「训练」与「验证+测试」两条 Zenodo 记录这一容易被忽略的物理事实（下载时必须两条都取，否则缺划分）。

2.8 元数据字段清单：有什么、缺什么

把 ORCHID 的可用元数据与缺口一次列清，便于评估可行性：

字段	是否提供	来源/说明
五类类别标签	✅ 提供	类文件夹 + 文件名编码
患者/切片归属	✅ 提供	子文件夹层级 + sample/patient ID
来源机构 ID	✅ 提供	文件名编码中的 source ID
官方 train/val/test 划分	✅ 提供	预划分 + 两条 Zenodo 记录
patch 尺寸与重叠参数	✅ 提供	512×512，重叠 256
放大倍率	✅ 提供	1000X（100X 物镜）
染色方式与归一化	✅ 提供	H&E + Reinhard
患者年龄	❌ 不提供	去标识，公开集不含
患者性别	❌ 不提供	去标识
烟/槟榔咀嚼习惯	❌ 不提供	去标识
逐类全量计数	⚠️ 部分	论文 Fig.2 图形；训练集部分数字见引用论文
采集年份区间	❌ 未公开	—
五机构具体名单	❌ 未公开	仅称 five premier Indian medical institutions
像素级标注	❌ 不提供	仅 patch 级类别

结论：ORCHID 的元数据「够用于分类与分级，不够用于定位与公平性分析」。若你的研究命题依赖人口学或像素级标注，必须在项目初期就意识到这不可能在 ORCHID 上完成。

§3 标注生产流程与质量控制

3.1 采集：从活检到 1000X 数字图像

ORCHID 的起点是临床活检，而非任何现成图像库。完整链条如下：

1. 样本采集：在印度 5 家参与医疗/牙科中心，对患者口腔病变部位取活检，样本覆盖三类组织——正常、OSMF、OSCC；切片在机构伦理批准下采集。
2. H&E 染色：正常、OSMF 与 OSCC 组织切片均行苏木精-伊红（H&E）染色。染色要么在机构内部完成，要么外包给不同实验室——正是这 5 家实验室各自独立优化的染色协议，埋下了跨机构染色风格差异的伏笔。
3. 显微镜检查与分级：染色后由熟练的病理学家在显微镜下评估细胞形态、组织结构，识别各类别特有特征；该评估同时完成了对 OSCC 与 OSMF 的分级，以及对正常/病变切片的区分。
4. 成像：用 Leedz Microimaging（LMI）明场显微镜、1000X 有效放大（100X 物镜）拍摄；采用 ToupView 软件配置自动白平衡与相机参数以标准化采集。
5. patch 生成：从 1000X 图像左到右顺序裁剪出 512×512 patch，相邻重叠 256 像素，每张组织切片约产生 100–150 张 patch。

3.2 标注：病理学家分级 + 双重验证

ORCHID 的标注工序有两条并行主线：

• 疾病类别与分级标注：由训练有素的病理专家人工审阅每一张切片，识别并标注具体的疾病状况，对 OSCC 与 OSMF 进行分级。这一层决定了 patch 的五分类归属。
• 图像质量与一致性核查：专家团队独立评估每张图像是否满足「sufficient detail」标准（组织学特征清晰、无伪迹、聚焦良好、对比与分辨率适当），并核查标注是否准确代表图像所示疾病状态。

关键设计：质量控制并非事后抽查，而是内嵌在标注流程中——不合格的图像与切片在标注阶段即被剔除，只有通过验证的才进入数据库。

3.3 质量控制的设计

质量筛选的具体标准（论文原文口径）：

排除条件	说明
组织学特征不清	缺乏必要的细胞细节或组织结构
伪迹干扰	组织折叠（folds）、撕裂（tears）、过度染色（excessive staining）
对焦不佳	未聚焦、对比度或分辨率不足
标注不可信	标注与图像所示疾病条件不一致
染色伪迹	切片存在染色伪迹，可能改变组织外观、误导判读

只有「无上述错误、清晰准确代表口腔病理」的切片被纳入数据库。这一「宁缺毋滥」的筛选策略，保证了进入训练语料的图像质量下限，也是数据集宣称其标注「高质量」的依据。

3.4 与相邻病理数据集标注工序的对比

维度	ORCHID	WSI 级数据集（如 CAMELYON/BRACS）	临床白光集（如 oral-cavity-opmd）
原始对象	1000X 显微视野 → 512 patch	整张 WSI（含多级放大图金字塔）	手机拍摄的腔内彩色照片
标注粒度	patch 级类别 + 分化等级	通常为 WSI 级标签或区域/像素级	病变边界多边形（COCO）
标注主体	多中心病理学家分级	病理学家（多常为区域级）	临床医生
一致性风险	分化等级边界难判	淋巴结微转移极难判	良性 vs OPMD 边界难判
防泄漏设计	患者级 70/20/10 固化交付	通常患者/病例级划分	患者级划分

ORCHID 的特点是把「高放大细节 + 分级标签 + 多中心 + 固化患者级划分」四者结合——这在公开口腔病理数据里较为少见（§7、§9）。

3.5 为什么「多机构独立染色协议」值得专门讨论

ORCHID 的 5 家实验室各用自己独立开发并优化的 H&E 染色协议。这在现实中是常态（每家医院有自己的染色习惯），但对机器学习是把双刃剑：

• 好处：数据集因此天然覆盖了真实的机构间染色多样性，模型若在这些数据上稳健，迁移到新机构的概率更高；它比「单一实验室精心标准化」的数据更贴近真实部署环境。
• 坏处：如果不加处理，模型可能学到「机构 A 的染色风格 → 机构 A 的病例分布」这种伪相关，而不是真正的病理特征；换一家机构性能就可能崩盘。

数据集用 Reinhard 染色归一化对冲这一风险——把每张图变换到 LAB 色彩空间、把亮度和色彩统计缩放到参考分布，使不同来源的染色在外观上趋于一致。但归一化是「减方差」而非「去偏置」：它抹平了全局色调差异，却可能保留局部的结构伪影。因此，是否归一化、用什么归一化，本身就是该数据集上值得研究的自变量（§8.4、§12.3）。

3.6 标注质量的「可迁移经验」

ORCHID 的质控设计有几点值得任何病理数据标注项目借鉴：

1. 质控内嵌而非事后：把「图像质量筛选」与「标注」放在同一工序中，剔除发生在入库之前，而非标注完成后回头清理。
2. 可操作的排除标准：不写含糊的「质量不好」，而是给出具体可判的条目——折叠、撕裂、过度染色、失焦、对比/分辨率不足。可操作的清单才能被不同标注者一致执行。
3. 多中心交叉：同一类别由多个机构的病理学家独立标注，隐含了「跨中心一致性」的要求——这比单一中心自我标注更能暴露标注歧义。
4. 未做的是「量化一致性」：论文未报告标注者间一致性（如 Cohen’s κ）的数值，这是一个可改进点——对分级任务而言，κ 本身就揭示了任务的「天花板」（§16 待核）。

3.7 一个完整的「从活检到可训练 patch」示例

把 ORCHID 的流程串成一个具体例子，帮助理解每一步：

1. 一位患者因口腔颊黏膜可疑病变接受活检，取下一块组织；
2. 组织在参与中心行 H&E 染色（该中心自己的协议）；
3. 病理学家在显微镜下判读：这是 OSMF 还是 OSCC？若是 OSCC，分化到哪一档？——形成该切片的诊断与分级；
4. 用 100X 物镜、ToupView 标准化采集，得到 1000X 有效放大的大图；
5. 经 Reinhard 染色归一化，消除与其他中心的色调差异；
6. 按左到右、重叠 256 像素切出约 100–150 张 512×512 patch；
7. 每张 patch 继承该切片的类别标签（如 PDOSCC），归入 pdoscc/ 文件夹下该患者子文件夹；
8. 该患者的所有切片只进入 train/val/test 的其中一个（患者级划分）；
9. 最终交付：一个 pdoscc/o_<class>_<source>_<patient>/o_<...>.png 的 patch + 五分类标签。

这个例子说明：ORCHID 的每张 patch 都是「一位具体患者、一张具体切片、一个具体诊断」的局部——理解这一层级关系，是正确使用（尤其防泄漏）的前提。

§4 任务、建模范式与可用研究问题

4.1 支持的任务类型

ORCHID 的 (patch 图像, 五类标签) 结构天然支持以下任务：

任务	形式	说明
五分类	5-way 分类	normal / OSMF / WDOSCC / MDOSCC / PDOSCC
OSCC 三档分级	3-way（有序）	WD / MD / PD，本质为序回归
癌 vs 癌前 vs 正常	3-way 粗分类	对应论文的 normal/osmf/oscc 方向
OSMF 二分类	2-way	OSMF vs 正常/非 OSMF
域泛化	留一机构	用 source ID 做跨中心验证
染色归一化消融	对照实验	Reinhard 归一化前后对比
弱监督定位	MIL 扩展	从 patch 标签反推可疑区域（需自行扩展）
自监督预训练	表征学习	大量无标注 patch 做预训练底座

4.2 官方建模范式（Scientific Data 技术验证）

论文给出的技术验证采用 DCNN，并明确拆成两个训练方向，对应两个脚本：

1. train-normal-osmf-oscc.sh：三分类（正常 / OSMF / OSCC）——对应「癌前 vs 癌」的粗粒度判别。
2. train-wdoscc-mdoscc-pdoscc.sh：三档分级（WD / MD / PD OSCC）——只在 OSCC 内部做有序分级。

这一「拆两个脚本」的设计本身是方法论示范：它暗示了一个重要洞见——「是否癌前/癌」与「癌的分化等级」是两个可以解耦的子问题，混合成五分类硬训可能反而不如分层建模。使用者可以借鉴这一思路做层级式分类器。

依赖环境（GitHub README）：Python 3.12.*，需创建 conda 环境；训练在 CPU 上极为耗时，官方建议使用 Nvidia GeForce RTX 4090 GPU；提供 initialise.sh 一键安装 GPU 依赖。

4.3 外部复用的建模范式（Springer J Egypt Natl Canc Inst 2026）

一篇外部研究构建了「可解释 AI 框架」来检测并分级南亚人群 OSCC，其建模口径值得作为复用模板：

• 采用官方预划分：train 70%（n=10,228）/ val 20%（n=2,885）/ test 10%（n=1,592），保留患者级分区以防泄漏。
• 预处理：512×512 patch 双线性下采样至 224×224（适配预训练 CNN 输入），像素值除以 255 归一化到 [0,1]。
• 增强（仅训练集）：随机旋转 ≤15°、水平/垂直翻转、宽高平移 ≤5%、缩放 ≤10%、亮度调整 [0.95,1.05]，边界填充用 fill_mode='reflect'（避免引入黑边偏置 Grad-CAM 注意力）。
• 可复现性：固定随机种子 seed=42 用于打乱与增强采样。
• 工具链：TensorFlow/Keras 的 ImageDataGenerator。
• 可解释性：用 Grad-CAM 分析模型注意力。
• 承认的局限：公开数据不含患者人口学，故无法做人口学子组分析。

4.4 适用与不适用场景

适用：

• 口腔癌/癌前病变的五分类与 OSCC 分化分级；
• 染色归一化、域泛化的消融与基准；
• 病理基础模型的自监督/监督预训练语料；
• 多中心、多染色协议下的鲁棒性研究；
• 南亚人群口腔病理的教学与算法原型。

不适用（或需谨慎）：

• 像素级病灶分割：标签是 patch 级，无掩码、无边界多边形，无法直接做分割；
• 病灶精确定位：需借助 MIL 等弱监督手段，且只能给出 patch 级粗糙定位；
• 跨种族外部验证：数据仅印度人群，无其他人群样本；
• 人口学子组/公平性分析：公开集无人口学字段；
• 需要 WSI 全景观的任务：交付的是 patch，不是整张 WSI。

4.4.1 一个任务选择的走查示例

假设你的研究命题是「用 AI 辅助口腔癌诊断」，落点到 ORCHID 上时会经历如下走查：

• 命题粗化：「辅助诊断」太宽，需具体化——是判断有无癌、还是分癌的等级、还是定位病灶？
• 判断有无癌：ORCHID 五类可合并为「癌 vs 非癌」二分类，✅ 直接支持。
• 分癌的等级：ORCHID 有 WD/MD/PD，✅ 直接支持（建议用序回归）。
• 定位病灶：ORCHID 无像素级标注，❌ 不直接支持；若必须做，只能用 MIL 从 patch 标签反推、且精度有限。
• 结合患者风险：ORCHID 无人口学，❌ 不支持；若研究必需，需换含风险因素的临床数据。

结论：ORCHID 能把「诊断分级」类命题做到很好，但对「定位」与「人群风险」类命题力不从心。提前走查一遍，能省下大量返工。

4.5 一个被低估的用途：染色归一化的活体实验台

因为 ORCHID 由 5 家机构、5 套染色协议产生，且官方已施加 Reinhard 归一化，它天然是一个染色归一化方法的对照实验台：研究者可以在同一套标签下，比较「不做归一化 / Reinhard / Macenko / HED / 基于生成模型的染色迁移」等方案对跨机构分类性能的影响。这种「多染色源 + 统一标签」的结构，在单一机构数据集上是无法构建的（§8、§12）。

§5 评估与基准

5.1 官方基线与技术验证

Scientific Data 论文的核心是数据描述 + 技术验证（Data Descriptor 的典型结构）：它用 DCNN 在 ORCHID 上验证了「normal/osmf/oscc」与「wdoscc/mdoscc/pdoscc」两个方向的可学习性，证明五分类与分级任务是可行的。作为 Data Descriptor，其重点在数据本身的可用性证明，而非刷新 SOTA。

5.2 关键指标解读：类别不平衡 2.67× 意味着什么

已知的训练集类分布（Springer 2026 引用口径）：

类别	训练集数量	训练集占比
WDOSCC	2,790	27.3%（最多）
Normal	1,045	10.2%（最少）
其余三类（OSMF/MDOSCC/PDOSCC）	合计约 6,393	合计约 62.5%

不平衡比约 2.67×（最多类 / 最少类）。这意味着：

• 不能用裸 accuracy 当主指标：若模型全predict「多数类」，仍可获得虚高准确率。应优先报告宏平均 F1、平衡准确率、每类召回、MCC（Matthews 相关系数）。
• 少数类 Normal 的召回要单看：Normal 最少，模型最易漏判正常组织为病变——在筛查场景下「误报病变」虽烦但不致命，「漏判正常」在病理语境下语义不同，需按任务代价设计代价敏感损失。
• 分化三档之间的混淆矩阵是重点：WD/MD/PD 的边界混淆（尤其 WD↔MD、MD↔PD）才是这个数据集最有临床意义的失败模式。

5.3 相关但独立的数据集基准（避免混淆）

数据集	模态	规模	分类体系	获取
ORCHID（本条目）	组织病理 patch	150 患者 / 14,705 patch	5 类（含 OSCC 三档）	CC BY 4.0 开放
oral-cavity-opmd（库内 rid 798）	临床白光照片	714 患者 / 3,000 图	4 类（healthy/benign/OPMD/OCA）	CC BY-NC-ND 请求制
Head-Neck-PET-CT（库内 rid 838）	PET/CT 影像组学	298 例	复发/转移/生存终点	开放
CAMELYON16/17、BRACS、PanNuke 等	WSI / 核分割	各异	淋巴结转移 / 乳腺亚型 / 核实例	因集而异

要点：ORCHID 与 oral-cavity-opmd 同属口腔癌主题但模态完全不同——前者是显微镜下的组织学切片（判读病理），后者是手机拍的临床可见光照片（判读肉眼病变）。引用或检索时务必区分，不要因为都带「oral cancer」就混用性能数字。

5.4 评估口径的注意事项

1. 必须报告患者级而非 patch 级的划分依据：官方划分是患者级的，任何自行重划都必须按 patient ID 分组。否则报告的指标不可比、且虚高（§10 头号坑）。
2. 报告「是否使用 Reinhard 归一化」：归一化会显著影响跨机构结果，报告指标时须写明预处理链。
3. 明确 patch 与患者两个层级的指标：可以做 patch 级分类，也可聚合成患者级/切片级投票判断，二者含义不同，须区分报告。
4. 注意 512 vs 224 的下采样口径：接入预训练 CNN 时常下采样到 224×224，这会丢失细节；若论文声称高分辨优势，须核对是否真的用了 512 或更高输入。

5.5 可用的评估指标及其适用性

针对 ORCHID 的五分类/分级任务，常用指标的适用性如下：

指标	适用性	说明
总体 accuracy	⚠️ 慎用	类别不平衡（2.67×）下易虚高，只宜作辅助
宏平均 F1（macro-F1）	✅ 主推	各类等权，抑制多数类主导
平衡准确率（balanced acc）	✅ 主推	各类召回均值，对不平衡稳健
每类召回（per-class recall）	✅ 必报	观察少数类 Normal 是否被压制
MCC（Matthews 相关系数）	✅ 推荐	单值、对不平衡稳健，跨研究可比
混淆矩阵	✅ 必报	尤其 WD/MD/PD 三档之间的混淆
AUC / ROC	可用	多类时可做 one-vs-rest
加权 κ（quadratic κ）	✅ 分级专用	三档有序，加权 κ 反映「远距错误更重」
患者级聚合准确率	✅ 临床相关	把 patch 预测聚合成患者/切片级判断

核心建议：对「OSCC 三档分级」这一有序任务，加权 κ（尤其 quadratic κ）比普通准确率更能反映临床价值——因为它惩罚「WD 判成 PD」远重于「WD 判成 MD」，而后者才是模型日常会犯的邻距错误。

5.6 一个具体的评估方案模板

若要在 ORCHID 上做一次可复现、可比较的评估，建议按以下骨架组织（可对接论文/开源）：

1. 数据：官方 train/val/test，校验 train.zip/val.zip/test.zip 的 MD5；预处理记录（512 原图或 224 下采样、归一化方案）。
2. 划分：不改动患者级边界；如做交叉验证，按 patient ID 分组。
3. 模型：至少一个基线（如 ResNet/EfficientNet）与一个强基线（如 ViT/病理基础模型）。
4. 损失：五分类用交叉熵；分级方向额外试序回归/ordinal loss 并对比。
5. 指标：宏 F1、平衡准确率、每类召回、MCC、混淆矩阵、quadratic κ。
6. 泛化：留一机构（source ID）验证，报告跨中心性能差。
7. 消融：有无 Reinhard 归一化、不同输入分辨率、不同聚合策略。
8. 可复现：固定随机种子、公开配置与代码。

这套模板的价值是——它把「用好 ORCHID」从模糊的「训一个分类器」变成一组可检查、可比较、可复现的具体动作（§13.2 给出精简版清单）。

5.7 关于「官方基线数字」的诚实说明

与许多数据集不同，ORCHID 作为 Data Descriptor，其论文重点在数据可用性而非刷榜，因此没有一组被广泛引用的、稳定的 SOTA 数字。目前可核证的定量信息主要来自：① 论文的技术验证（证明可学习）；② 外部复用论文（Springer 2026）在其上的实现细节与类别分布。这意味着使用者在 ORCHID 上的结果没有现成的强基线可比——这既是机会（空白多），也是负担（须自建对照）。诚实记录这一点，比虚构一个「官方基线」更重要。

§6 获取与许可：一道完全敞开的门

6.1 获取方式：开放直链

ORCHID 的获取门槛在同类口腔病理数据里属于最低一档：无需注册、无需申请、无需审批，Zenodo 两个记录均提供公开直链：

记录	DOI	内容	直链	体积	MD5
训练集	10.5281/zenodo.12636426	train.zip	https://zenodo.org/records/12636426/files/train.zip?download=1	39.7 GB	74c27a6fd0991992eb4741422869b0f5
验证集	10.5281/zenodo.12646943	val.zip	https://zenodo.org/records/12646943/files/val.zip?download=1	11.3 GB	911381e8c8527685f683199d25ebe34a
测试集	10.5281/zenodo.12646943	test.zip	https://zenodo.org/records/12646943/files/test.zip?download=1	6.1 GB	182c27fd4593d3107027e07231143447

实际门槛不是许可，而是体量：三卷合计约 57.1 GB，完整下载与解压对存储、带宽与本地磁盘管理构成真实挑战。小规模研究应规划「先下一卷验证流程、再决定是否全量」的策略。

6.2 许可条款细读（CC BY 4.0）

数据集采用 Creative Commons Attribution 4.0 International（CC BY 4.0）。这是最宽松的署名型开放许可，要点：

维度	是否允许	说明
商用	✅ 允许	可商业使用
演绎（Derivatives）	✅ 允许	可修改、二次训练、再发布（须署名）
再分发	✅ 允许	可转载（须署名）
署名	必须	须注明原作者、注明许可、标出是否修改
附加限制	无 NoDerivatives / 无 NonCommercial	与 CC BY-NC-ND 相反

关键对比：ORCHID 的 CC BY 4.0 与库内 oral-cavity-opmd 的 CC BY-NC-ND 4.0 形成鲜明反差——前者允许商用与演绎，后者禁止商用与衍生。对做产品化或二次训练的团队，这一差别可能是决定性的（§8.5）。

源码另论：GitHub 仓库（NishaChaudhary23/ORCHID）的源码采用 MIT License，与数据集许可相互独立。若只复用代码（patch 生成、训练脚本），适用 MIT；若复用数据，适用 CC BY 4.0。

6.5 下载、校验与解压 SOP

由于体量约 57 GB，建议按以下步骤操作，避免下载中断后前功尽弃：

1. 规划存储：预留至少 120 GB 空闲（三个 zip 约 57 GB + 解压后约 55–60 GB，若保留压缩包则翻倍）。
2. 逐卷下载：curl -L -o train.zip "https://zenodo.org/records/12636426/files/train.zip?download=1"，建议用 -C - 支持断点续传。
3. 校验 MD5：下载后立刻 md5sum train.zip，比对 §6.1 表中值（train 74c2…b0f5 / val 9113…e34a / test 182c…3447）。不校验就解压是常见错误，损坏的 zip 会在解压中途才报错。
4. 解压并按结构放置：解压出五个类文件夹，按 §2.7 的结构组织。
5. 先在小样本上跑通：别一上来就全量训练，先用少量 patch 跑通数据加载与一个 epoch，确认路径、命名、标签映射无误。
6. 记录环境：conda 环境 + Python 3.12.*，GPU 依赖用官方 initialise.sh。

6.6 CC BY 4.0 合规操作指南

要把 ORCHID 用「对」，署名必须落实到位：

• 论文中：在数据集描述处引用两个 Zenodo DOI（12636426 与 12646943）+ Scientific Data 论文（10.1038/s41597-024-03836-6）。
• 代码/产品中：在 README 或关于页注明数据来源、许可（CC BY 4.0）、并链接原始记录。
• 二次发布：若你基于 ORCHID 再标注/再打包发布，须在衍生物中同样注明来源与「基于 ORCHID（CC BY 4.0）」。
• 不可做的：声称数据为你原创；添加限制性条款（CC BY 不允许对下游再加 NC/ND 限制）；抹去作者署名。

一个易被忽视的细节：CC BY 4.0 要求「标明是否做了修改」。若你对数据做了预处理（归一化、重采样、重划分类）后再发布，须明确声明「已修改」及修改内容。

6.7 与其他口腔/病理数据获取方式的对比

数据集	获取方式	审批	署名义务	商用	演绎
ORCHID	公开直链	无	须署名	✅	✅
oral-cavity-opmd	请求制（机构邮箱 Zenodo 账号+PI 主页）	2-3 工作日	须署名	❌	❌
部分 TCGA 衍生集	开放/gated 混合	因集而异	须署名	视许可	视许可
多为内部医院数据	通常不公开	—	—	—	—

结论：ORCHID 在「获取便利 + 复用自由」这一维度上是同类里的天花板——这也是它作为 AI-Ready 语料的最大卖点。

6.3 版本链与引用规范

• 版本链：两记录当前均为 v1（2024-07-03），无公开 v2。
• Zenodo 官方推荐引用（须同时引用两条）：
  • 训练集：Chaudhary, N. et al. High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma. Zenodo. https://doi.org/10.5281/zenodo.12636426 (2024)
  • 验证/测试集：Chaudhary, N., & Ahmad, T. Validation and Test Datasets for “High-resolution AI image dataset …”. Zenodo. https://doi.org/10.5281/zenodo.12646943 (2024)
• 论文引用：Chaudhary N. et al. Scientific Data 2024;11:1050. DOI 10.1038/s41597-024-03836-6。
• 合规提示：CC BY 4.0 的署名义务可通过「引用上述 DOI + 论文」满足，但只引用其中一个 Zenodo DOI 是不完整的——训练集与验证测试集分属两条记录，学术上应两条都引（§9 存照）。

6.4 AI-Ready 可获取性评估

维度	评级	说明
许可开放度	高	CC BY 4.0，允许商用与演绎
获取流程门槛	极低	公开直链，无需申请
数据体量门槛	中高	约 57 GB，需规划存储与带宽
元数据完整度	中	缺逐类全量细目、缺人口学
格式友好度	高	PNG patch + 清晰目录结构 + 训练脚本
伦理合规清晰度	高	明确各机构伦理批准 + 去标识

综合而言，ORCHID 属「低许可门槛 + 中体量门槛」象限：对绝大多数研究团队而言，拿到数据只是带宽问题，而非审批问题。这与同域多数「请求制 + 禁衍生」数据集形成对比，是它作为 AI-Ready 语料的核心优势。

§7 生态、影响与研究脉络

7.1 团队产出谱系

ORCHID 出自一个「多机构临床 + 计算」的联合团队：项目负责人 Nisha Chaudhary（承担 ICMR 高年资研究奖学金），联系/监督 Tanveer Ahmad，数据采集、整理、管理角色由多中心成员分担（Data collector: Md Imam Faizan、Varnit Chauhan；Data curator: Arpita Rai、Jeyaseelan Augustine、Akhilanand Chaurasia、Deepika Mishra、Akhilesh Chandra；Data manager: Aakash Madhav Rao）。团队同时维护 GitHub 代码仓库与官方项目页（ai-orchid.github.io/ORCHID-web/），并提供 IBDC 登记（项目 Accession IBIAP_1000000009）。

7.2 资助与伦理背景

• 资助：ICMR 高年资研究奖学金（3/1/2(1)/Oral/2021-NCD-II）；SERB（CRG/2020/002294）；ICMR（GIA/2019/000274/PRCGIA (Ver-1)）；算力支持来自 Mphasis F1 Foundation 与 Ashoka University 生物信息学与计算生物学中心（BT/PR40220/BTIS/137/22/2021）。
• 伦理：各参与机构在其站点独立获得机构伦理批准；样本为去标识活检组织。

7.3 在口腔癌 AI 版图中的位置

ORCHID 填补了一个具体缺口：公开、高分辨、多中心、带 OSCC 分化分级标注的口腔组织病理语料。多数公开口腔图像数据集中在「临床可见光照片」（如 oral-cavity-opmd）或「细胞学涂片」，而真正落在「组织学切片 + 分级」这一临床金标准层面的开放数据集稀少。ORCHID 使「用深度学习读口腔病理切片并分出癌前/癌与分化等级」成为一个可被广泛复现的研究对象。

7.4 客观局限与边界

1. 人群单一：仅印度/南亚人群，跨种族泛化未验证；
2. 无人口学：去标识封死亚组分析；
3. 逐类全量未公开于正文：只能从 Fig.2 图形读取；
4. patch 级标签：不支持分割/精确定位；
5. 体量：约 57 GB 限制小团队的无障碍使用；
6. 跨机构染色差异：虽经 Reinhard 归一化，域偏置仍可能残留；
7. 仅 v1：版本演进未知。

7.5 对下游使用者的启示

ORCHID 的最大启示是：一个数据集的价值不仅取决于规模，更取决于「防泄漏设计 + 许可开放度 + 多中心多样性」三者的组合。它用固化的患者级划分解决了泄漏、用 CC BY 4.0 解决了复用半径、用五机构采集解决了多样性——这三点值得任何自建病理数据集的项目借鉴（§8）。

7.6 引用生态与渗透路径

ORCHID 自 2024 年发布后，已开始被外部研究引用。可观察到的渗透路径包括：① 直接用作「南亚人群 OSCC 检测与分级」研究的训练/评估数据（Springer 2026 的可解释 AI 框架即一例）；② 作为口腔病理 AI 综述中的代表性公开数据集被列举；③ 通过 IBDC 登记与 Zenodo DOI 进入数据索引。由于许可开放、体量可承受、标注结构化，它的引用门槛低，长期渗透潜力较好。

7.7 伦理与公平性维度

ORCHID 在伦理上的优点是多机构伦理批准 + 去标识；局限是去标识同时抹去了公平性审计所需的人口学维度。这意味着：研究者无法在 ORCHID 上回答「模型对男女、不同年龄段、有无咀嚼习惯者是否表现一致」这类公平性问题。这不是 ORCHID 独有的缺陷，而是所有「完全去标识」医学数据集的结构性张力——隐私保护与公平性审计之间存在真实取舍（§7.4、§10 坑 8）。

7.8 复现与二次研究的现实建议

• 先复现再创新：先用官方划分跑通一个基线，确认 pipeline 正确，再谈改进。
• 把「域」当作一等公民：从 source ID 出发做分组分析，别把 5 个机构当同质数据。
• 诚实报告边界：论文中明确声明「仅南亚人群、无人口学、仅 patch 级标签」三条局限。
• 版本锁定：引用时锁定 v1 与具体 MD5，避免将来若有 v2 导致不可复现。

§8 方法学启示：可迁移的经验

8.1 患者级划分应固化进交付

ORCHID 把 70/20/10 患者级划分直接固化在数据交付里，使用者拿到即用、无需自行划分。这一做法从工程上消灭了「研究者无意间按 patch 随机划分导致泄漏」的常见错误。可迁移经验：自建病理/医学图像数据集时，把「防泄漏的划分方案」作为交付物的一部分，而非留给使用者。

8.2 多中心 + 多染色协议 = 天然的域泛化基准

5 家机构、5 套独立优化的 H&E 协议，使 ORCHID 天然带有「机构域」标签（可从 source ID 反解）。这让它成为域泛化/域适应研究的理想载体——留一机构（leave-one-site-out）实验可直接构建。可迁移经验：多样性不是数据集的负担，若结构化保留「来源」信息，它就是评测泛化能力的最强资产。

8.3 分级标签优于扁平标签

ORCHID 不满足于「癌 vs 非癌」，而是把 OSCC 拆成 WD/MD/PD 三档。这直接对应临床真正关心的有序分级问题，也让「分级边界混淆」成为可量化研究的对象。可迁移经验：医学标签体系应尽量贴近临床决策的粒度，而非为了建模方便而扁平化。

8.4 染色归一化要作为公开可复现的预处理步骤

ORCHID 明确记录使用了 Reinhard 染色归一化，并说明了方法（LAB 空间 + 统计重标定）。这使得外部研究者可以在同一基线上复现或对比其他归一化方案。可迁移经验：预处理链（尤其染色归一化）必须写进数据描述，否则跨机构结果不可比。

8.5 许可条款决定数据的可复用半径

ORCHID（CC BY 4.0）与许多口腔数据（CC BY-NC-ND）的对照说明了：同样的科学价值，不同的许可，可复用半径天差地别。CC BY 允许商用与演绎，意味着它既能进学术论文，也能进商业产品原型；CC BY-NC-ND 则把商业与衍生路径直接封死。可迁移经验：数据发布方在能力范围内应优先选择 CC BY，最大化数据的长期价值（§7.3）。

§9 与库内条目的关系

9.1 家族图谱

相关条目	rid	关系	区分要点
oral-cavity-opmd	798	同域（口腔癌）但模态不同	临床白光照片 vs 组织学切片；斯里兰卡 vs 印度；四分类 vs 五分类；请求制 vs 开放
head-neck-pet-ct	838	头颈肿瘤影像组学邻域	PET/CT 影像组学 vs 病理 patch
coral	720	口腔颌面/头颈影像	不同采集模态与部位口径
pcam	158	病理图像分类基准（淋巴结转移）	同为 patch 级分类，任务不同
camelyon16	694	WSI 级淋巴结转移	WSI vs patch
camelyon17	699	WSI 级 + 域泛化	同为多中心泛化主题
bracs	138	乳腺 WSI 亚型分类	同为病理多类分类
unitopatho	701	结直肠 WSI 多类分类	同为病理多类分类
digestpath	338	消化道病理检测/分割	检测分割 vs 分类
nucls	248	病理核分类	核级 vs patch 级
consep	228	结直肠核实例分割	分割 vs 分类
pannuke	218	泛癌核实例分割/分类	核级 vs patch 级
midog	298	有丝分裂检测 + 域泛化	同为跨中心域泛化解题
tcga	25 / 566	泛癌多组学/病理图谱	泛癌 vs 单病种口腔

9.2 检索路径建议

• 从口腔癌早筛出发：ORCHID（病理金标准）↔ oral-cavity-opmd（临床筛查视角）应成对检索，理解「筛查」与「诊断」两级；
• 从病理图像分类出发：ORCHID 与 pcam/bracs/unitopatho 同族，比较重点在「patch vs WSI」「单中心 vs 多中心」「是否含分级标签」；
• 从域泛化出发：ORCHID（多染色机构）与 camelyon17/midog 同族，可对比不同域偏移来源（染色 vs 扫描仪 vs 机构协议）；
• 从头颈肿瘤出发：ORCHID（病理）与 head-neck-pet-ct（影像组学）互为模态补充。

9.3 与 oral-cavity-opmd 的深度对照

库内最容易被 ORCHID 混淆的是 oral-cavity-opmd（rid 798）。二者主题相邻但四个维度完全不同：

1. 模态：ORCHID 是显微镜下的 H&E 组织学切片；oral-cavity-opmd 是手机拍摄的临床可见光照片。
2. 粒度：ORCHID 是 512×512 patch 级类别；oral-cavity-opmd 是全图 + 病变多边形边界。
3. 分类体系：ORCHID 五类（含 OSCC 三档分化）；oral-cavity-opmd 四类（healthy/benign/OPMD/OCA）。
4. 许可与获取：ORCHID CC BY 4.0 开放直链；oral-cavity-opmd CC BY-NC-ND 4.0 请求制。

一句话区分：ORCHID 回答「这块组织是什么、癌到什么程度」，oral-cavity-opmd 回答「这张嘴里的黏膜有没有可疑病变」。前者服务病理判读，后者服务临床筛查。

9.4 与病理图像分类家族的横向定位

把 ORCHID 放在库内病理图像家族里横向看，它的坐标是：

维度	ORCHID 的位置
粒度	patch 级（介于 WSI 级与核级之间）
器官/病种	口腔（头颈）——库内该部位病理数据稀少
标签类型	五分类 + 有序分化分级
中心数	多中心（5 家）——库内多为此类少数
染色域	多协议 + 已归一化
许可	最开放（CC BY 4.0）

因此，ORCHID 与 pcam（单任务二分类、patch 级）、bracs/unitopatho（WSI 级多类）、nucls/pannuke（核级分割）形成互补而非替代关系——它填补的是「口腔部位 + patch 级 + 分级标签 + 多中心」这一组合空缺。

9.5 互链索引（检索用）

条目	rid	slug
Oral Cavity Images for OPMD and Oral Cancer Detection	798	oral-cavity-opmd
Head-Neck-PET-CT	838	head-neck-pet-ct
CORAL	720	coral
PCam	158	pcam
CAMELYON16	694	camelyon16
CAMELYON17	699	camelyon17
BRACS	138	bracs
UniToPatho	701	unitopatho
DigestPath	338	digestpath
NuCLS	248	nucls
CoNSeP	228	consep
PanNuke	218	pannuke
MIDOG	298	midog
TCGA	25 / 566	tcga

§10 避坑清单：十二个已踩过或易踩的坑

坑 1：按 patch 随机划分训练/测试集，造成患者级数据泄漏。
这是使用 ORCHID 最致命、最常见的错误。同一患者的连续切片、同一组织切出的相邻 patch（还记得相邻 patch 重叠 256 像素吗？）高度相关。若为了「多要点训练样本」而把官方患者级划分打乱、按 patch 随机重划，同一患者的 patch 会同时落进训练集与测试集，模型靠记忆患者特异特征即可刷高测试指标，造成严重乐观偏差。正确做法：直接使用官方 70/20/10 患者级划分；若必须自定义（如交叉验证），务必按 patient ID 分组划分。

坑 2：把 ORCHID 与 oral-cavity-opmd 的性能数字混用。
二者都含「oral cancer」主题，但模态、人群、类别、许可全不同：ORCHID 是印度人群的组织学切片 patch（五分类，CC BY 4.0 开放），oral-cavity-opmd 是斯里兰卡人群的临床白光照片（四分类，CC BY-NC-ND 请求制）。把前者的分类指标安到后者、或反之，都是严重误引。检索时务必按完整数据集名区分（§9.3）。

坑 3：把「三分类」与「五分类」当成互相矛盾的口径。
论文摘要概括为 three distinct classes（normal/OSMF/OSCC），而数据集实际是五个文件夹（OSCC 拆为 WD/MD/PD）。这不是错误，而是「疾病大类」与「分化等级」两级粒度。引用时勿说「论文说三类、数据说五类、自相矛盾」——正确表述是「三个疾病大类，其中 OSCC 细分为三档分化，共五个目录类别」（§2.3）。

坑 4：把 OSCC 三档分级当普通多分类处理。
WD/MD/PD 是有序关系（等级由好到差），而非常规名义类别。直接用普通 Softmax 交叉熵会丢掉序信息、并让「WD 误判为 PD」这类远距错误与「WD 误判为 MD」这类邻距错误受到同等惩罚。更合理的做法是序回归、带序惩罚的损失，或至少报告「邻距混淆率」。临床真正关心的正是分级的连续性。

坑 5：只用 accuracy 评估，忽视类别不平衡。
训练集已知不平衡比约 2.67×（WDOSCC 最多、Normal 最少）。裸 accuracy 会被多数类主导，虚高且误导。应报告宏平均 F1、平衡准确率、每类召回、MCC，并单看少数类 Normal 与分级边界的混淆矩阵（§5.2）。

坑 6：以为「CC BY 4.0 开放」意味着「随便用、不用署名」。
CC BY 4.0 虽允许商用与演绎，但署名是硬性义务。且须同时引用两个 Zenodo DOI（训练集 12636426 + 验证测试集 12646943）——只引一个是不完整的。此外，数据集许可（CC BY 4.0）与源码许可（MIT）是两回事，勿混为一谈。

坑 7：把 Reinhard 归一化当成已消除跨机构差异。
ORCHID 由 5 家机构各用独立 H&E 协议染色，Reinhard 归一化只能削弱而非消除域偏移。若做跨机构评估时忽略这一点，可能误判模型泛化能力。正确做法：显式报告是否归一化、做留一机构验证、并把「染色域」当作已知的分布偏移来源来对待（§8.2、§8.4）。

坑 8：以为患者人口学字段存在、可用于亚组分析。
ORCHID 的图像已去标识，年龄/性别/烟/槟榔习惯等人口学字段不随公开数据发布。任何「按性别/习惯做公平性或亚组分析」的设想都无法在该数据集上完成——外部复用者（Springer 2026）已明确把这一点列为研究局限。若研究必需人口学，须另找数据源。

坑 9（附加）：把 patch 标签当成分割/定位标签。
ORCHID 的标签是 patch 级类别，没有像素级掩码、也没有病变边界多边形。想直接做病灶分割或精确定位是不行的——只能借助弱监督/多实例学习（MIL）给出 patch 级粗糙定位。若要精细分割，须另标注或换数据集。

坑 10（附加）：把「1000X 有效放大」当成数字扫描仪的 40X。
ORCHID 的 1000X 是「100X 物镜 + 显示/数字放大」的综合口径，与 WSI 常见的 20X/40X 原生倍率不是同一坐标系。若把两者直接换算（如误以为 1000X ≈ 40X 的 25 倍），会导致 patch 物理尺寸（μm/px）估计错误，进而影响与 WSI 数据集的联合分析。

坑 11（附加）：忽略文件名的 source ID 造成「伪跨中心」结果。
ORCHID 文件名编码了来源机构 ID。若在同一机构内部划分 train/test 而不隔离机构，得到的只是「机构内泛化」，却可能被误读为「跨机构泛化」。正确做法：做跨中心评估时按 source ID 显式分组。

坑 12（附加）：把 ORCHID 当成「口腔癌筛查」数据集。
ORCHID 服务的是病理判读（拿到活检后的分级），不是面向无症状人群的筛查。若研究目标是用它替代临床筛查决策，属概念错位——筛查用的应是临床可见光/器械数据（如 oral-cavity-opmd）。

10.0 常见错误 vs 正确做法速查

错误做法	后果	正确做法
按 patch 随机重划	患者级泄漏、指标虚高	用官方患者级划分
只报 accuracy	掩盖不平衡缺陷	报宏 F1/MCC/混淆矩阵
五分类硬训分级	丢失序信息	分级用序回归
归一化后假设无域差异	高估跨机构泛化	留一机构验证
只引一个 Zenodo DOI	引用不完整	双 DOI + 论文都引
假设有患者人口学	分析无法进行	换数据源
用 patch 标签做分割	任务不匹配	MIL 弱监督扩展

10.1 DAIMS 评估表

DAIMS 维度	评分（1-5）	说明
Data（数据质量与规模）	4.5	150 患者 / 14,705 张 1000X 高分辨 H&E patch，五类含 OSCC 三档分化，多中心病理学家分级，患者级划分；规模与分辨率俱佳，唯逐类全量细目未在正文列全
Access（可获取性）	5	CC BY 4.0 完全开放，Zenodo 双记录公开直链，无申请无审批；唯一门槛是约 57 GB 体量
Interoperability（互操作性）	4	PNG patch + 清晰目录/命名结构 + 官方训练脚本（MIT）；但无 COCO/标准检验格式，需自行组织输入
Metadata（元数据完备度）	3	有患者级划分与来源/类别编码；但缺患者人口学，逐类全量计数需从 Fig.2 读取，采集年份未明
Sustaining（可持续性）	4	Zenodo 稳定托管 + 双 DOI + Nature 系论文锚点 + GitHub 代码 + 项目页；但仅 v1、更新计划未知

综合定位：数据质量与可获取性俱佳（高分辨 + 多中心 + 开放许可），短板在元数据（无人口学、逐类细目不全）——典型的「高质量、低门槛、元数据中等」病理数据集。

§11 总结

11.1 三句话总结

1. ORCHID（ORal Cancer Histology Image Database）是印度 5 家顶级医疗中心采集的 150 例患者、14,705 张 512×512 H&E 组织病理 patch 数据集，按 normal/OSMF/WDOSCC/MDOSCC/PDOSCC 五类标注，官方 70/20/10 患者级划分（Scientific Data 2024;11:1050；Zenodo 双 DOI 10.5281/zenodo.12636426 与 10.5281/zenodo.12646943）。
2. 它由 1000X 有效放大（100X 物镜）成像切块而来，经 Reinhard 染色归一化，以 CC BY 4.0 完全开放托管，直链下载、无需审批；外部已被用于南亚人群 OSCC 的可解释 AI 检测与分级研究。
3. 它的核心特征是「高临床价值—低获取门槛—元数据中等」：科学价值在口腔病理分级 AI 上突出，许可与获取在同类数据中最开放，但无人口学与逐类全量细目是其边界。

11.2 适合谁

• 研究口腔癌与癌前病变病理 AI 的团队（组织学金标准 + 五分类级）；
• 做图像分类 / 有序分级 / 域泛化方法学的开发者（多中心 + 多染色 + 患者级划分）；
• 需要可商用、可演绎开放病理语料的产品原型团队（CC BY 4.0）；
• 研究染色归一化的方法学者（五机构染色协议天然对照台）。

11.3 不适合谁

• 需要像素级病灶分割/精确定位的任务（标签仅 patch 级）；
• 需要患者人口学做亚组/公平性分析的研究；
• 需要跨种族外部验证而只用印度人群不足的临床研究；
• 存储/带宽受限、难以承载约 57 GB 数据的小团队（需先规划）。

11.4 30 秒决策卡

你的需求	ORCHID 能给你什么	决策
口腔癌/癌前分级分类	五类高分辨 patch + 患者级划分	✅ 首选
病理基础模型预训练	14,705 张 + 60 万级可切的 patch 语料	✅ 可用
染色归一化/域泛化基准	5 机构 × 5 染色协议	✅ 理想
病灶分割/定位	仅 patch 级标签	⚠️ 需 MIL 扩展
人口学公平性分析	无人口学字段	❌ 换数据源
商用产品训练	CC BY 4.0 允许商用	✅ 可（须署名）

11.5 一句话给不同读者的建议

• 病理 AI 研究者：把它当作口腔病理分级的标准开放底座，优先复现官方患者级划分上的基线。
• 方法学者：用它做染色归一化与域泛化的对照实验，5 机构是稀缺的天然多域结构。
• 产品/合规负责人：CC BY 4.0 允许商用与演绎，是口腔病理方向少见的低法律风险语料，但须落实署名与双 DOI 引用。
• 临床研究者：注意它不含人口学、仅南亚人群，外部有效性需自行补验证。

11.6 一分钟理解它的「三张面孔」

• 作为数据集：150 患者、14,705 张 1000X H&E patch、五分类、患者级 70/20/10、CC BY 4.0。
• 作为方法学样本：把「防泄漏划分 + 多中心多样性 + 分级标签 + 开放许可」四件事一次做对的示范。
• 作为研究入口：口腔病理分级、染色归一化、域泛化、弱监督定位的研究起点。

11.7 使用决策的三道闸门

1. 任务闸门：你要做的任务是分类/分级，还是分割/定位？后者 ORCHID 不直接支持。
2. 数据闸门：你是否需要患者人口学或跨种族样本？需要则 ORCHID 不足。
3. 资源闸门：你是否有约 60 GB 以上的存储与相应带宽？没有则先做小样本试验。

三道闸门全过，ORCHID 就是高性价比选择；任一不过，应换数据或调整命题。

11.8 与库内最相似三个条目的差异

条目	相似点	关键差异
oral-cavity-opmd (798)	同属口腔癌 AI	模态（切片 vs 白光）、人群、类别、许可全不同
pcam (158)	同为 patch 级病理分类	任务（多类分级 vs 二分类转移）、器官不同
camelyon17 (699)	同为多中心域泛化	WSI 级 vs patch 级；淋巴结转移 vs 口腔分级

11.9 常见误用与正确做法对照

误用	正确做法
「ORCHID 是口腔筛查数据集」	它是病理判读数据集，筛查用别的数据
「它和 oral-cavity-opmd 可以合并训练」	模态与标签体系不同，不可直接合并
「有五分类标签就能做分割」	只能做分类，分割需另标注
「开放许可，随便用」	须署名并双 DOI 引用

§12 深度专题：口腔癌病理 AI 的问题坐标

12.1 为什么口腔癌的病理分级重要

OSCC 的分化等级（WD/MD/PD）与预后、治疗强度选择密切相关：分化越差，侵袭性与转移风险通常越高。但分化分级恰恰是观察者一致性较低的一环——「中分化」尤其容易与相邻档位混淆。ORCHID 把三档显式建模，正是为了让「分级边界到底有多模糊、模型能否学会」成为可量化研究的对象。

12.2 从「分类」到「分级」的难度阶梯

口腔病理 AI 大致有四级难度：① 正常 vs 病变（最简单）；② 癌前 vs 癌（中等）；③ 癌的三档分化（较难，有序）；④ 病灶精确定位与分割（最难，需像素级）。ORCHID 覆盖前三级，第四级需借助弱监督扩展。理解这个阶梯，能帮助研究者选对起点、避免「一上来就做分割」的挫败。

12.3 「多中心」既是资产也是挑战

多中心采集提升了人群与协议的多样性（资产），但也引入了机构域偏移（挑战）。ORCHID 用 Reinhard 归一化 + 患者级划分来应对，但真正检验泛化能力的方式是留一机构验证——把某一中心整体留作测试，看模型是否仍稳定。这是用好 ORCHID 的进阶玩法（§8.2）。

12.4 为什么 CC BY 4.0 是这张「牌」的关键

在医学图像数据里，许可开放度往往比规模更决定其实际影响力。ORCHID 选择 CC BY 4.0，意味着它不仅能进论文，还能进商业产品原型、能被再标注再发布——这极大扩展了它的复用半径。对照同域多为 NC-ND 的数据，ORCHID 的开放策略是一个值得数据发布方借鉴的正面样本（§8.5）。

12.5 病理 AI 的「域偏移」问题在口腔场景的特殊性

口腔病理的域偏移有三重来源，比许多其他器官更复杂：

1. 染色协议差异（机构级）：5 家实验室的 H&E 配方不同，色调与对比度各异；
2. 成像设备差异（设备级）：不同显微镜/相机/软件（虽统一用 LMI + ToupView，各站配置仍可能微调）；
3. 患者群体差异（人群级）：不同中心的病例构成、疾病严重度分布可能不同。

ORCHID 用 Reinhard 归一化主要针对第 1 类，但对第 2、3 类无能为力。这意味着即使在 ORCHID 上做出漂亮结果，迁移到新机构时仍可能显著下降。研究者应把「域偏移」当作已知风险，用留一机构实验量化它，而非假设归一化已一劳永逸。

12.6 从「分级」到「预后」的想象空间

ORCHID 的标签止于「分化等级」，但分化等级是 OSCC 预后的重要相关因素。一个自然的研究延伸是：以 ORCHID 训练的分级特征为输入，结合临床随访信息（需另找数据源），探索「从形态预测预后」的路径。ORCHID 本身不含随访数据，因此这类研究只能把 ORCHID 当作上游特征提取器，而非完整预后的数据源。

12.7 一个诚实的判断：ORCHID 不是终点

ORCHID 解决了「口腔病理分级缺少开放数据」的一部分问题，但没有解决全部：它不含人口学、不含像素级标注、仅南亚人群。因此它更像是一个高质量的起点——后续生态需要补充其他人群、其他模态、更细粒度的标注。把它当成「口腔病理 AI 的最终数据集」是过度期待；把它当成「这个方向目前最好用的开放底座之一」则恰如其分。

12.8 ORCHID 与病理基础模型时代

当前病理 AI 正从「任务专用小模型」走向「大规模病理基础模型（foundation model）」。在这个背景下，ORCHID 的角色有两种可能：

1. 作为微调/评测语料：把预训练好的病理基础模型在 ORCHID 上微调，评测其口腔分级能力——这是 ORCHID 最直接的当代用法。
2. 作为预训练数据的一部分：14,705 张高分辨 patch 可纳入更大规模的自监督预训练语料，提供口腔部位的表征多样性（多数病理基础模型的语料偏向乳腺/前列腺/结直肠）。

需要提醒的是：ORCHID 的规模（14,705 patch）相对于动辄百万级的病理基础模型训练集偏小，它更适合做「下游评测与微调」，而非「从零预训练」。

12.9 给数据发布方的三条逆向启示

从 ORCHID 的成功做法反推，口腔/头颈病理数据发布方可以借鉴：① 先定防泄漏划分再交付（别把划分留给使用者）；② 优先 CC BY 而非 NC-ND（复用半径决定影响力）；③ 把预处理链写进数据描述（归一化、放大倍率、切块参数），否则跨研究不可比。这三点看似工程细节，实则决定一个数据集能否被社区长期使用。

§12A 深度专题：如何评价一个病理数据集的「AI-Ready 度」

ORCHID 的具体表现可以帮助提炼一套评估病理数据集 AI-Ready 度的通用维度：

维度	关键问题	ORCHID 的表现
任务明确性	标签是否对应清晰任务？	强：五分类 + 分级明确
标签粒度	是否支持目标任务的粒度？	中：patch 级，不支持分割
规模充分性	样本量是否够训练？	中：14,705 patch，但患者仅 150
防泄漏设计	是否提供患者级划分？	强：固化 70/20/10
多样性	是否多中心/多人群？	多中心（5），单人群（南亚）
元数据完备	是否含关键协变量？	弱：无人口学
许可开放度	是否可自由复用？	强：CC BY 4.0
获取便利性	是否直链可得？	强：公开直链
格式规范	是否易于接入？	中强：结构清晰 + 脚本
可持续性	是否有长期锚点？	强：Zenodo + 论文 + DOI

结论：ORCHID 在「任务、防泄漏、许可、获取、可持续」五项上是模范级，在「元数据、人群多样性」上是短板。这套维度本身可作为读者评估其他病理数据集的通用框架。

12A.1 用这套框架看 ORCHID 的「邻居」们

数据集	最强项	最弱项
ORCHID	任务明确 + 防泄漏 + 开放许可	元数据（无人口学）+ 单人群
oral-cavity-opmd	临床相关性（多模态风险因素）	许可（NC-ND）+ 请求制 + 逐类未公开
CAMELYON 系	规模 + 挑战赛生态	任务单一（转移检测）
核分割系（PanNuke 等）	像素级粒度	分类/分级任务不支持

读法：没有任何一个病理数据集在十个维度上全优。选数据的本质是按任务选最强项、接受最弱项，而非追求完美。

§13 数据集的复用路线图

13.0 复用前的三问

动手前先回答：① 我的任务是分类/分级还是定位/分割？② 我是否需要人口学或跨种族样本？③ 我有没有约 60 GB 的存储与带宽？三问答完，再决定复用的深度。

13.1 三种复用深度

1. 浅层复用（验证）：直接下载、按官方划分复现基线分类器，验证论文宣称的可学习性。适合入门与教学。
2. 中层复用（改进）：在其上比较不同骨干网络、损失函数（尤其序回归损失）、预处理（归一化方案）、数据增强策略，冲击更好的宏 F1 与分级一致性。适合方法学研究。
3. 深层复用（迁移/延伸）：以其为预训练底座迁移到其他口腔病理任务，或融合多模态、做弱监督定位、做域泛化基准。适合有明确研究命题的团队。

13.2 中层复用的标准动作清单

• [ ] 下载 train/val/test 三卷，校验 MD5（见 §6.1）；
• [ ] 严格使用官方患者级划分，不改动泄漏边界；
• [ ] 预处理链写清（512 原图 / 224 下采样 / 归一化方式）；
• [ ] 报告宏平均 F1、平衡准确率、每类召回、MCC，而非仅 accuracy；
• [ ] 单看 WD/MD/PD 混淆矩阵，量化分级边界错误；
• [ ] 做留一机构（source ID）验证，报告跨中心泛化；
• [ ] 比较「有无 Reinhard 归一化」的对照。

13.3 不建议的复用方式

• 按 patch 随机重划数据集（坑 1）；
• 只报 accuracy、隐瞒不平衡（坑 5）；
• 把 ORCHID 指标与 oral-cavity-opmd 指标混列（坑 2）；
• 用 patch 标签直接做分割训练（坑 9）；
• 引用时只给一个 Zenodo DOI（坑 6）。

§14 面向不同读者的阅读指引

14.1 按角色选择阅读路径

• 临床医生：重点读 §2.3（五类医学含义）、§5.2（分级混淆的临床意义）、§7.4（局限）；
• 算法工程师：重点读 §4.1-§4.2（任务与官方范式）、§10（十二个坑）、§13（复用路线图）；
• 数据/合规负责人：重点读 §6（许可与获取）、§8.5（许可与复用半径）；
• 审稿/评估者：重点读 §5（评估口径）、§9（库内关系）、§15（术语严谨性）；
• 数据生产方（参考）：重点读 §8（方法学启示）、§12A（AI-Ready 度评估框架）。

14.2 按时间预算选择阅读路径

• 5 分钟：读 INFOBOX + §11.1（三句话总结）+ 附录 E（一页纸总结）；
• 30 分钟：加读 §0（导读）、§1（十问十答）、§2（数据规格）、§10（避坑）；
• 2 小时（精读）：全文，尤其 §3-§5（流程/任务/评估）、§9（库内关系）、§13（复用路线图）。

14.3 按任务选择阅读路径

• 要做分类：§1、§2、§4、§5、§13；
• 要做域泛化：§2.2、§3.5、§8.2、§12.5；
• 要合规使用：§6、§8.5、附录 J（BibTeX）；
• 要评估其他数据集：§12A（框架）、§9（家族图谱）。

§15 术语严谨性

术语	精确含义	常见误用
ORCHID	ORal Cancer Histology Image Database（口腔癌组织学图像数据库）	误写为 Dataset（GitHub 一处变体）、误当作某医院名
OSMF	oral submucous fibrosis，口腔黏膜下纤维化	与前缀 OSCC 混淆
OSCC	oral squamous cell carcinoma，口腔鳞状细胞癌	与 OCA（oral cancer）混用粒度
WDOSCC / MDOSCC / PDOSCC	高/中/低分化 OSCC	误当作三个独立疾病
patch	从大图切出的 512×512 图像块	误当作整张 WSI
1000X	100X 物镜下的有效放大倍率	误当作数字扫描倍率
Reinhard 归一化	染色归一化方法（LAB 空间统计重标定）	误当作「已消除域差异」
H&E	苏木精-伊红染色	—
WSI	whole slide image，全切片图像（ORCHID 不是 WSI 集）	误把 patch 集当 WSI 集
分化（differentiation）	肿瘤细胞与正常组织的相似程度	误当作「分期（staging）」
分期（staging）	肿瘤侵犯范围（TNM）	与「分级（grading）」混用
MIL	multiple instance learning，多实例学习	误当作普通监督学习
域偏移（domain shift）	训练/测试分布差异	误当作「过拟合」
患者级划分	按患者分组划分数据集	误当作按图像/patch 划分
类不平衡比	最多类/最少类样本数之比	误当作「类别数」

三个最容易混淆的对照：

• 分级（grading）≠ 分期（staging）：分级描述细胞分化程度（WD/MD/PD），分期描述肿瘤范围（TNM）。ORCHID 提供的是分级标签，不是分期。
• OSMF ≠ OSCC：前者是癌前病变（黏膜下纤维化），后者是已癌变的口腔鳞癌。数据集把两者作为相邻但不同的类别。
• patch ≠ WSI：patch 是从 WSI/大图切出的小块；ORCHID 交付的是 patch，不是整张切片。

§16 边界与未决问题

16.1 已知边界（本条目确信的事实）

• ORCHID 全称、Zenodo 双记录、Scientific Data 论文、CC BY 4.0 许可；
• 150 例患者、14,705 patch、512×512、1000X（100X 物镜）、H&E + Reinhard；
• 五分类（normal/OSMF/WDOSCC/MDOSCC/PDOSCC）、官方患者级 70/20/10 划分；
• 三卷体积 39.7/11.3/6.1 GB，公开直链可下；
• 训练集不平衡比约 2.67×、WDOSCC 最多、Normal 最少。

16.2 已知缺口（公开信息不足）

• 逐类全量图像/患者数（仅 Fig.2 图形）；
• 五机构具体名单；
• 采集年份区间；
• 患者人口学（年龄/性别/习惯）；
• 标注者间一致性（κ）数值；
• 像素级标注的一概缺席。

16.3 待观察（随时间可能变化）

• Zenodo 是否发布 v2（当前仅 v1）；
• 外部复用论文的持续增加与形成的可比基线；
• 项目页是否补充机构名单与补充表。

16.4 处理原则

面对上述缺口，本条目一律标注来源与不确定性，不臆造、不四舍五入冒充精确。对无法核实项写「未公开」，对来自二手源的核心数字（如 14,705）标注原始出处及其自洽性，供读者自行判断。

开放问题：在只有 patch 级标签、无像素级标注的前提下，能否用弱监督方法学出接近临床可用的病灶定位？多中心染色差异在何种归一化方案下可被最大程度抹平？分级三档的观察者一致性到底有多高？这些问题正是 ORCHID 为社区留出的研究空间。

附录 A：ORCHID 关键数字速查

项	数值
患者/样本	150 例
patch 总数	14,705
训练/验证/测试	10,228 / 2,885 / 1,592（70/20/10，患者级）
类别	normal / OSMF / WDOSCC / MDOSCC / PDOSCC
patch 尺寸	512×512 px
相邻重叠	256 px
放大	1000X（100X 物镜）
染色	H&E + Reinhard 归一化
中心	5 家印度机构
训练集不平衡比	≈2.67×
体积	≈57.1 GB（39.7+11.3+6.1）
许可	CC BY 4.0（数据集）/ MIT（源码）

附录 B：来源与引用

• 数据描述论文：Chaudhary N. et al. Scientific Data 2024;11:1050. DOI 10.1038/s41597-024-03836-6（PMID 39333529；PMC11436638）
• 训练集：Zenodo，DOI 10.5281/zenodo.12636426
• 验证/测试集：Zenodo，DOI 10.5281/zenodo.12646943
• 代码：GitHub NishaChaudhary23/ORCHID（MIT）
• 项目页：ai-orchid.github.io/ORCHID-web/
• IBDC 登记：项目 Accession IBIAP_1000000009
• 外部复用：Springer J Egypt Natl Canc Inst 2026（可解释 AI 检测并分级南亚人群 OSCC）

附录 C：常见问答（FAQ 36 问）

A. 基础认知

Q1：ORCHID 是什么？
口腔癌组织学图像数据库（ORal Cancer Histology Image Database），印度五中心采集的口腔组织病理 patch 数据集。

Q2：ORCHID 是 WSI 数据集吗？
不是。它是从 1000X 图像切出的 512×512 patch 集，不是整张全切片图像。

Q3：它的核心竞争力是什么？
高分辨（1000X）+ 多中心（5 家）+ 分级标签（OSCC 三档）+ 患者级防泄漏划分 + CC BY 4.0 完全开放。

Q4：谁做的？
一个多机构印度团队，项目负责人 Nisha Chaudhary，联系/监督 Tanveer Ahmad。

Q5：论文发在哪？
Scientific Data（Nature Portfolio）2024;11:1050，DOI 10.1038/s41597-024-03836-6。

Q6：什么时候发布的？
Zenodo 2024-07-03 发布（v1），论文 2024-09-27 发表。

Q7：它的名字 ORCHID 展开是什么？
ORal Cancer Histology Image Database。注意 GitHub README 有一处写作 Dataset（变体）。

Q8：它是公开的吗？
是。CC BY 4.0，完全开放。

Q9：它和口腔癌筛查是一回事吗？
不是。它服务病理判读（拿到活检后分级），不是面向无症状人群的筛查。

B. 数据与获取

Q10：有多少张图、多少患者？
150 例患者、14,705 张 patch。

Q11：训练/验证/测试各多少？
10,228 / 2,885 / 1,592（70/20/10）。

Q12：划分是按患者还是按图像？
按患者（patient-level），防数据泄漏。

Q13：patch 多大？
512×512 像素，相邻重叠 256 像素。

Q14：怎么下载？
Zenodo 两个记录公开直链：训练集 12636426，验证测试集 12646943。

Q15：总体积多大？
约 57.1 GB（39.7+11.3+6.1）。

Q16：要注册/申请吗？
不需要，公开直链直接下载。

Q17：有 MD5 校验吗？
有。三段 zip 各带 MD5（见 §6.1）。

Q18：数据是什么格式？
PNG 图像 patch，按五个类文件夹 + 组织切片子文件夹组织。

Q19：用什么环境跑？
Python 3.12.*，conda，建议 RTX 4090 GPU，官方提供 initialise.sh。

C. 数据质量与统计

Q20：五个类分别是什么？
normal、OSMF、WDOSCC、MDOSCC、PDOSCC。

Q21：类别平衡吗？
不平衡。训练集 WDOSCC 最多（27.3%），Normal 最少（10.2%），比约 2.67×。

Q22：逐类全量数字有吗？
论文正文未列全，仅 Fig.2 图形；训练集部分数字见引用论文。

Q23：含患者年龄性别吗？
不含。图像已去标识，人口学字段不公开。

Q24：标注是什么粒度？
patch 级类别标签，不是像素级掩码或边界多边形。

Q25：标注质量如何保证？
病理学家逐片分级 + 可操作的排除标准（折叠/撕裂/过度染色/失焦）。

Q26：有观察者一致性数据吗？
未公开数值（§16 待核）。

D. 许可与合规

Q27：许可是什么？
数据集 CC BY 4.0；源码 MIT。两者独立。

Q28：能商用吗？
可以。CC BY 4.0 允许商用与演绎。

Q29：能二次发布吗？
可以，但须署名并声明是否修改。

Q30：怎么署名？
同时引用两个 Zenodo DOI + Scientific Data 论文。

Q31：只引一个 DOI 行吗？
不完整。训练集与验证测试集分属两条记录，应都引。

E. 建模与定位

Q32：能做病灶分割吗？
不能直接做。标签仅 patch 级，需弱监督/MIL 扩展。

Q33：OSCC 三档该怎么建模？
当作有序分级（序回归/ordinal loss），而非普通多分类。

Q34：用什么指标好？
宏 F1、平衡准确率、每类召回、MCC、混淆矩阵、quadratic κ，慎用裸 accuracy。

Q35：和 oral-cavity-opmd 什么关系？
同属口腔癌主题，但模态（组织学切片 vs 临床白光照片）、人群、类别、许可均不同，不可混用指标。

Q36：跨机构能用吗？
可做留一机构验证；注意 Reinhard 归一化后残余域偏移，仅南亚人群，跨种族泛化未验证。

附录 D：检索关键词与别名

• 主名：ORCHID、ORal Cancer Histology Image Database
• 别名/变体：ORal Cancer Histology Image Dataset（GitHub 变体）、OSMF-OSCC dataset、oral cancer histology patch dataset
• 关联检索：oral submucous fibrosis、oral squamous cell carcinoma、OSCC grading、H&E histopathology patch、India oral cancer、Reinhard stain normalization
• 注意排除：oral-cavity-opmd（临床白光）、SMART-OM、Talwar Cancers 2023、MDPI Dent. J. OPMD 集（均为不同数据）

附录 E：一页纸总结

ORCHID 是印度五中心 150 例患者、14,705 张 512×512 H&E 病理 patch 的口腔癌与癌前病变五分类数据集，1000X 有效放大切片切块而来，官方 70/20/10 患者级划分防泄漏，CC BY 4.0 完全开放。它服务口腔癌/癌前病变的病理分级 AI，允许商用与演绎，短板是无人口学、无像素级标注、仅南亚人群、约 57 GB 体量。用好它的关键是：不破坏患者级划分、用有序指标评分级、以留一机构验证泛化。

附录 F：事实清单（硬事实）

1. 全称 ORal Cancer Histology Image Database（建库时缩写为 ORCHID）。
2. 发表于 Scientific Data 2024;11:1050。
3. DOI 10.1038/s41597-024-03836-6。
4. PMID 39333529。
5. PMCID PMC11436638。
6. Zenodo 训练集 DOI 10.5281/zenodo.12636426。
7. Zenodo 验证/测试集 DOI 10.5281/zenodo.12646943。
8. 两 Zenodo 记录均于 2024-07-03 发布（v1）。
9. 患者样本 150 例。
10. patch 总数 14,705。
11. 训练集 10,228（70%）。
12. 验证集 2,885（20%）。
13. 测试集 1,592（10%）。
14. 类别数 5。
15. 类名 normal/OSMF/WDOSCC/MDOSCC/PDOSCC。
16. patch 尺寸 512×512。
17. 相邻重叠 256 像素。
18. 有效放大 1000X。
19. 物镜 100X。
20. 显微镜 Leedz Microimaging（LMI）明场。
21. 成像软件 ToupView。
22. 染色 H&E。
23. 归一化 Reinhard。
24. 中心数 5。
25. 数据集许可 CC BY 4.0。
26. 源码许可 MIT。
27. train.zip 39.7 GB。
28. val.zip 11.3 GB。
29. test.zip 6.1 GB。
30. 合计约 57.1 GB。
31. train.zip MD5 74c27a6fd0991992eb4741422869b0f5。
32. val.zip MD5 911381e8c8527685f683199d25ebe34a。
33. test.zip MD5 182c27fd4593d3107027e07231143447。
34. 训练集不平衡比约 2.67×。
35. 训练集 WDOSCC 2,790（27.3%）。
36. 训练集 Normal 1,045（10.2%）。
37. IBDC 项目 Accession IBIAP_1000000009。
38. 代码仓库 GitHub NishaChaudhary23/ORCHID。
39. 项目页 ai-orchid.github.io/ORCHID-web/。
40. 外部复用示例 Springer J Egypt Natl Canc Inst 2026。

附录 G：术语表

• ORCHID：ORal Cancer Histology Image Database，本数据集官方缩写。
• OSMF：oral submucous fibrosis，口腔黏膜下纤维化，癌前病变。
• OSCC：oral squamous cell carcinoma，口腔鳞状细胞癌。
• WDOSCC：well-differentiated OSCC，高分化口腔鳞癌。
• MDOSCC：moderately-differentiated OSCC，中分化口腔鳞癌。
• PDOSCC：poorly-differentiated OSCC，低分化口腔鳞癌。
• patch：从大图切出的小图像块（此处 512×512）。
• WSI：whole slide image，全切片图像。
• H&E：hematoxylin and eosin，苏木精-伊红染色。
• Reinhard 归一化：一种染色归一化方法，LAB 空间统计重标定。
• patient-level split：按患者分组的训练/验证/测试划分。
• data leakage：训练与测试共享同一患者/切片导致的信息泄漏。
• MIL：multiple instance learning，多实例学习。
• domain shift：域偏移，训练分布与部署分布不一致。
• grading：分级，描述细胞分化程度。
• staging：分期，描述肿瘤侵犯范围（TNM）。
• macro-F1：宏平均 F1，各类等权的 F1 均值。
• MCC：Matthews correlation coefficient，对不平衡稳健的单值指标。
• quadratic κ：二次加权 Cohen kappa，适用于有序标签。
• Grad-CAM：一种可解释性可视化方法，标出模型关注区域。

附录 H：数据分析决策树

你想用 ORCHID 做什么？
├── 分类/分级 → 下载三卷，用官方患者级划分，报告宏F1/MCC/混淆矩阵 → §4.1 §5.5
├── 域泛化 → 用 source ID 做留一机构验证 → §8.2 §12.5
├── 染色归一化研究 → 对比有无 Reinhard 及其他方案 → §8.4 §12.5
├── 病灶定位/分割 → 标签不够，需 MIL 弱监督扩展 → §4.4 §10 坑9
├── 人口学/公平性分析 → 数据不含人口学，换数据源 → §7.7 §10 坑8
├── 跨种族验证 → 仅南亚人群，需另找外部数据 → §7.4
└── 商用产品 → CC BY 4.0 允许，须署名+双DOI → §6.2 §6.6

附录 I：坑点档案（与 §10 对照）

坑	一句话	正确做法
坑1	按 patch 随机划分致泄漏	用官方患者级划分
坑2	与 oral-cavity-opmd 混用指标	按模态区分数据集
坑3	三分类/五分类当矛盾	理解为两级粒度
坑4	分级当普通多分类	用序回归/ordinal loss
坑5	只看 accuracy	报宏F1/MCC/混淆矩阵
坑6	开放=不用署名	落实署名+双DOI
坑7	以为归一化消除域差异	做留一机构验证
坑8	以为有人口学字段	换数据源或放弃该分析
坑9	patch 标签当分割标签	用 MIL 弱监督

附录 J：引文规范（BibTeX 骨架）

@article{chaudhary2024orchid,
  title  = {High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma},
  author = {Chaudhary, Nisha and Rai, Arpita and Madhav Rao, Aakash and Md Imam, Faizan and Augustine, Jeyaseelan and Chaurasia, Akhilanand and Mishra, Deepika and Chandra, Akhilesh and Chauhan, Varnit and Ahmad, Tanveer},
  journal= {Scientific Data},
  volume = {11},
  pages  = {1050},
  year   = {2024},
  doi    = {10.1038/s41597-024-03836-6}
}
@misc{orchid_train,
  title = {High-resolution AI image dataset for diagnosing oral submucous fibrosis and squamous cell carcinoma (ORCHID-train-data)},
  author= {Chaudhary, N. and others},
  year  = {2024},
  doi   = {10.5281/zenodo.12636426}
}
@misc{orchid_valtest,
  title = {Validation and Test Datasets for High-resolution AI image dataset ...},
  author= {Chaudhary, N. and Ahmad, T.},
  year  = {2024},
  doi   = {10.5281/zenodo.12646943}
}

附录 K：库内互链索引（检索用）

见 §9.5 表（oral-cavity-opmd 798、head-neck-pet-ct 838、coral 720、pcam 158、camelyon16 694、camelyon17 699、bracs 138、unitopatho 701、digestpath 338、nucls 248、consep 228、pannuke 218、midog 298、tcga 25/566）。

附录 L：30 秒决策卡（速查）

你的需求	决策
口腔癌/癌前分级分类	✅ 首选
病理基础模型预训练	✅ 可用
染色归一化/域泛化基准	✅ 理想
病灶分割/定位	⚠️ 需 MIL 扩展
人口学公平性分析	❌ 换数据源
商用产品训练	✅ 可（须署名）

附录 M：本条目生产档案

• 代理：agent-e-orchid；slug：orchid；
• 核验时点：2026-10-08；
• 一手来源：Scientific Data 论文（PMC11436638）、Zenodo 双记录、GitHub README、IBDC 项目页；
• 网络预算使用：WebSearch 1 次；WebFetch 6 次（含 1 次重定向失败、1 次空返回）；
• 三源互证核心数字：150 患者、14,705 patch、CC BY 4.0、5 类、512×512、1000X。

附录 N：双口径登记表

口径	说法 A	说法 B	处理
类别数	三主类（摘要）	五细分（数据）	并存，标注两级粒度
总量来源	论文正文未列全	引用论文给 14,705	标 14,705 出处
命名缩写	Database（论文）	Dataset（GitHub）	用 Database，注变体
托管	单数据集	两 Zenodo 记录	两 DOI 都引
获取	开放	体量大	许可开放，体量为实际门槛

---

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：

• panda — 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
• breakhis — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• bracs — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• cervix93 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• multi-oscc-histopath — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• endo-aid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• lc25000 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• bonemarrow-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。