信息速览

数据集名称PAIR-BST — 病理学家标注的骨与软组织肿瘤区域级 H&E 病理图像检索数据集

数据类型人工标注,影像数据,原始数据

规模268 名患者；470 张 WSI；2,252 张病理学家标注 ROI 图像

接入方式骨与软组织肿瘤 H&E 组织病理图像：470 张全切片图像（WSI）切取 2,252 张病理学家标注感兴趣区域（ROI）图像 + 结构化元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv，423.31 kB），覆盖 33 种组织学诊断、11 种分化谱系、6 种生长模式

AI 就绪度

§0 导读：这个数据集解决什么问题

骨与软组织肿瘤（bone and soft tissue tumors）是一类横跨数十种组织学类型的肿瘤谱系：从良性的脂肪瘤、血管瘤，到高侵袭性的骨肉瘤、尤文肉瘤、滑膜肉瘤，命名体系庞大、亚型之间形态学高度重叠。对病理医生而言，这类肿瘤的诊断本身就是"高难度区"——罕见、亚型多、需要专门培训；对计算病理模型而言，它更是双重难上加难：一方面公开数据稀少，另一方面即便是大规模预训练的病理基础模型（pathology foundation model），也要面对"见过很多肿瘤但没见过这一种"的窘境。

PAIR-BST 的切入点是**检索（retrieval）**而非分类或分割。这一选择的现实意义在于：病理诊断的工作流天然是"找相似"——面对一张可疑切片，病理医生会下意识地回忆"我以前见过类似的形态"。把这种能力数据化、可评测化，就得到以区域级（ROI）为单位的检索任务：给一张病理学家标注过的区域，模型要能在整个区域库里找回形态相似或诊断同类的那一张。它把"骨与软组织肿瘤的罕见性"从一个抽象困难，转化成一个可量化、可复现的实验设置。

§0 读法三则：

这个条目的数据是"区域级标注"（region-level, ROI）而非像素级掩码：检索与亚型分类是主战场，像素级分割任务需要另行适配（坑 2）。
该数据集为数据发布型（figshare+ Collection），标题存在是否含 rare 的双口径，引用时先定版本（坑 1、坑 3）。
缩写歧义是检索者第一道坑：BST 在此指 Bone and Soft Tissue（骨与软组织），不是脑肿瘤分割；PAIR 指 Pathologist-Annotated Image Retrieval，不是某标注软件（坑 5）。

§0.5 为什么"检索"值得单独成为数据集

把检索单列成一个数据集的理由，值得展开讲，因为这是 PAIR-BST 区别于库内大多数病理条目的本质特征。

理由一：诊断的本质是比对。 病理医生面对一张陌生切片时，认知过程高度依赖"与既往见识的病例比对"。检索把这一认知过程形式化：给定查询，返回最相似的历史区域。若模型能做好检索，就等于把病理医生的"记忆库"外部化。

理由二：检索不需要封闭的类别体系。 分类任务假设类别固定且完备，但骨与软组织肿瘤的命名体系本身在演化（WHO 分类多次修订）。检索任务用"相似度"替代"类别标签"，对分类体系演化更鲁棒——今天不存在的亚型，明天出现了，检索依然可做。

理由三：检索指标更细腻。 单点准确率在长尾场景下极具误导性；Recall@K、mAP 等排序指标能刻画"把相关的排前面"的能力，比二值对错更能反映真实可用性。

理由四：检索支持持续扩充。 检索库可以随时新增区域而无需重训分类器；这对持续积累的罕见病病例库尤其友好。

理由五：检索是多任务的基座。 检索学到的表征往往可迁移到分类、聚类、异常检测等任务——以检索为核心训练的表征，可能是更通用的病理表征。

综合来看，PAIR-BST 选择检索作为核心任务，不是随意的命名策略，而是对"骨与软组织肿瘤这一罕见、演化、长尾领域"的深思熟虑适配。

§1 数据集速览：十问十答

Q1：PAIR-BST 的全称是什么？"BST"是什么意思？
全称 Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors（病理学家标注的骨与软组织肿瘤图像检索数据集）。BST = Bone and Soft Tissue（骨与软组织肿瘤）——这一缩写容易被误读为"脑肿瘤分割（brain tumor segmentation）"，但那是 BraTS 系数据集的语境；PAIR 也不是某国产标注软件，而是数据集自名的一部分（Pathologist-Annotated Image Retrieval）。

Q2：数据规模有多大？
470 张全切片图像（WSI）、268 名患者、2,252 张病理学家标注的 ROI（感兴趣区域）图像，覆盖 33 种组织学诊断、11 种分化谱系、6 种生长模式。

Q3：谁做的、发布在哪？
韩国 Samsung Medical Center（三星首尔医院）、Sungkyunkwan University（成均馆大学）、SAIHST 与 National Cancer Center 联合团队，通讯作者 Yoon-La Choi（崔允罗）。发布在 figshare+（Collection doi:10.25452/figshare.plus.c.8223469）。

Q4：核心任务是什么？
**病理图像检索（image retrieval）**为主，同时关联组织学亚型分类、分化谱系识别与生长模式识别。

Q5：标注是像素级还是区域级？
区域级（region-level）：病理学家以 ROI 为单位标注，不是逐像素的分割掩码。因此它适合检索、分类、区域级表征学习，不适合直接做腺体/细胞级分割（坑 2）。

Q6：33 种诊断、11 种谱系、6 种生长模式具体指什么？
这是该数据集的标签体系三层维度：33 种组织学诊断（histologic diagnosis，即具体病种）、11 种分化谱系（differentiation lineage，如成骨、成软骨、脂肪、血管等方向）、6 种生长模式（growth pattern，如膨胀性、浸润性等空间形态）。三者共同刻画一个 ROI 的病理属性。

Q7：许可是什么、能商用吗？
CC BY-NC 4.0——署名即可非商业使用与再分发；NC（非商业）条款明确限制商业用途，商用须另行取得授权（坑 4）。

Q8：数据怎么拿？
figshare+ 公开直链下载，无需申请。Collection 门面下分 Parts 1–6（ROI 图像）与一个元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv，423.31 kB）提供映射关系。

Q9：数据集自带的评估结论是什么？
病理基础模型在识别该肿瘤类型、尤其区分亚型（subtype）与生长模式（growth pattern）时面临挑战——即现成基础模型对该谱系的细粒度判别有明显缺口。这既是数据集的"卖点"，也提示检索与亚型任务是尚未解决的真问题。

Q10：它和骨肿瘤的分割数据集、或者前列腺/乳腺病理数据集什么关系？
它不与任何分割数据集同源：既不是 BraTS 系脑肿瘤分割，也不是骨肉瘤分割掩码库。它与病理 WSI-ROI 家族（如 panda-plus、sicapv2）在方法学上相邻，但解剖部位（骨与软组织）与核心任务（检索）是它的差异点（详见 §9 与坑 5）。

§1.11 INFOBOX 之外：五个容易被问到的细节

细节 1：2,252 张 ROI 是怎么数出来的？
它是由病理学家在 470 张 WSI 上圈定的有效区域总数。平均值上每名患者约 8.4 张、每张 WSI 约 4.8 张。具体到每例的分布不均匀（有的患者贡献多、有的少），使用时应按实际分布设计采样策略。

细节 2：33 种诊断是否等于 33 个分类标签？
可以理解为分类任务的 33 个类别，但这 33 类的样本分布极不均衡。良性与常见亚型占比高、罕见表型占比低，直接做 33 类分类会得到"准确率高但小类别全错"的假象（坑 7）。

细节 3：为什么用"检索"而不是"分类"命名？
因为数据集的构建核心是"以标注区域为检索单元"。检索范式的优势是任务定义灵活（相似度可在多个标签轴上定义），且更贴近"找出相似病例"的临床实际工作流。

细节 4：它是竞赛数据集吗？
不是。它是数据发布型资产（figshare+ Collection），没有竞赛排行榜。评测靠自带评估或使用方自行搭建的协议。

细节 5：它和 BraTS 有关系吗？
没有任何关系。BraTS 是脑肿瘤 MRI 分割挑战赛（库内 brats-* 系列），PAIR-BST 是骨与软组织肿瘤 H&E 病理检索。两者仅在缩写 BST 上可能被误联想（坑 5）。

§1.12 使用者的十条实操建议

建议 1：先读元数据，再动图像。 Sarcoma_WSI_and_ROI_Metadata.csv 是数据集骨架，跳过它会让你在 2,252 张图里迷路。

建议 2：按患者划分，而非按 ROI。 268 患者 vs 2,252 ROI，按 ROI 随机划分必然泄漏（坑 6）。

建议 3：报告每类样本量。 33 诊断 / 11 谱系 / 6 模式长尾，宏平均受小类波动主导（坑 7）。

建议 4：锁定版本。 引用与复现都写明 V4（2026-09-01）等具体版本（坑 3）。

建议 5：先跑基线再上重型模型。 用冻结的病理基础模型特征 + 线性探针，快速得到基线，再决定是否微调。

建议 6：做染色归一化。 H&E 跨批次色差会干扰表征，预处理时考虑归一化。

建议 7：检索任务用排序指标。 别只看 Top-1 准确率，Recall@K / mAP 更能反映检索质量。

建议 8：多轴评测分开报告。 诊断、谱系、生长模式分别出指标，别混成一个数。

建议 9：注意 NC 边界。 商业相关使用前确认许可（坑 4）。

建议 10：检索时用 DOI。 用 10.25452/figshare.plus.c.8223469 定位，避免缩写歧义（坑 5）。

§1.13 常见 misconception 澄清

关于 PAIR-BST，检索者最易产生的误解有以下若干，逐一澄清：

误解 1：“PAIR-BST 是一个检索模型。”
不是。它是一个数据集，用于训练与评测检索模型。名字里的 “Retrieval” 描述的是它适配的任务，不是它本身是一个模型。

误解 2：“PAIR-BST 覆盖骨与软组织肿瘤的全部类型。”
不是。33 种诊断是所收集病例的覆盖范围，非 WHO 全谱（§2.17）。宣称"通用"属过度外推。

误解 3：“既然公开直链，就能随便用（含商用）。”
不是。公开获取 ≠ 无限制使用。CC BY-NC 4.0 明确禁止商业使用（坑 4）。

误解 4：“2,252 张图，数据量不小了。”
相对而言属中小规模。且真正独立的是 268 名患者（坑 8、坑 6）。

误解 5：“BST 就是 brain tumor segmentation。”
不是。BST = Bone and Soft Tissue（坑 5）。脑肿瘤分割是另一套数据（BraTS）。

误解 6：“区域级标注 ≈ 像素级标注。”
差很多。区域级以区域为单位赋标签，不提供逐像素掩码（坑 2）。

误解 7：“基础模型在病理上都很强，这个数据集自然也能刷高。”
数据集自带评估恰恰相反：基础模型在亚型与生长模式上力不从心（§5.2）。

误解 8：“有元数据 CSV 就够了，不用看图像。”
CSV 提供标签与索引，但图像是任务输入本身，二者缺一不可。

§2 数据构成与规格

2.1 规模硬数字：470 / 268 / 2,252 的三层结构

PAIR-BST 的规模可以用三个数字讲清：470 张 WSI（全切片图像）、268 名患者、2,252 张病理学家标注的 ROI（感兴趣区域）图像。理解这三个数字的层级关系是关键：

WSI 是顶层单元：470 张全切片是原始扫描产物，每张对应一名患者的一部分组织（一名患者可能贡献多张切片）。
患者是去重单元：268 名患者意味着数据集的真实独立个体只有 268 个——做交叉验证、防止患者级泄漏时，必须按患者而非按 WSI 或 ROI 划分。
ROI 是标注与任务单元：2,252 张 ROI 是从 WSI 上切取、并由病理学家逐一标注的区域，是检索与分类任务实际使用的数据粒度。

平均下来，每名患者约对应 1.75 张 WSI、约 8.4 张 ROI；每张 WSI 约切出 4.8 张 ROI。这些比值虽非官方指标，但可用于快速判断数据密度是否合理，以及评估"患者级划分"对有效样本量的压缩程度（268 患者远小于 2,252 ROI，这意味着随机按 ROI 划分训练/测试会严重高估泛化能力——这是使用该数据集时最需要警惕的方法学陷阱，见坑 6）。

2.2 标签体系三层维度：33 / 11 / 6

PAIR-BST 的标签不是单层的病名，而是三个正交维度叠加：

维度	取值数	含义	举例方向
组织学诊断（histologic diagnosis）	33 种	具体病种/病理诊断名称	各型肉瘤、良性肿瘤等
分化谱系（differentiation lineage）	11 种	肿瘤细胞的分化方向	成骨、成软骨、脂肪、血管、神经等
生长模式（growth pattern）	6 种	肿瘤的空间生长形态	膨胀性、浸润性等

三层维度的组合价值在于：它把"骨与软组织肿瘤"从一个笼统类别，拆解成一个多轴标签空间。检索任务因此可以按不同轴的相似度定义——"同诊断"检索、"同谱系"检索、"同生长模式"检索——为细粒度评测提供了可能。

但三层维度也直接带来类别不均衡（class imbalance）：33 种诊断分摊在 268 名患者上，长尾诊断的样本量可能只有个位数甚至更少；11 种谱系、6 种生长模式的分布同样不可能均匀。这是骨与软组织肿瘤数据集的固有难题——罕见病谱系天然长尾。使用方若报告分类或检索性能，必须同时给出每类样本量，否则宏平均/微平均的差异会掩盖真实能力（坑 7）。

2.3 文件组织：Parts 1–6 + 元数据 CSV

PAIR-BST 在 figshare+ 上以"Collection + 多个 item"的形式组织：

Parts 1–6：ROI 图像分片的主体，将 2,252 张区域图像切分打包以便下载。其中 Part 3 单独含 361 个文件——这是判断分片粒度的一个锚点，也提示下载时应有脚本化的批量处理预案。
元数据 CSV：文件名为 Sarcoma_WSI_and_ROI_Metadata.csv，大小 423.31 kB。这是整个数据集的"骨架"——它提供 WSI ↔ ROI ↔ 诊断/谱系/生长模式的映射关系。先读元数据、再按需取图，是使用该数据集的标准姿势；脱离元数据单看 ROI 图像文件，几乎无法复原病理语义。

2.4 图像规格与工艺

PAIR-BST 的图像是 H&E 染色（苏木精-伊红染色） 的骨与软组织肿瘤组织病理图像。关键规格特征：

染色：H&E，病理学最基础、最通用的染色——这保证了与大量病理基础模型（多在 H&E 上预训练）的兼容性。
分辨率层级：WSI 为全切片多分辨率金字塔图像；ROI 为从 WSI 切取的区域级图像。具体放大倍数（如 20×/40×）与像素间距（μm/px）在元数据与原始发布页中给出，引用具体数值时应以官方元数据为准（本条目未在摘要级页面锁定该数值，记为待核点）。
无像素级掩码：与 panda-plus 那类"像素级 Gleason 分割"数据集不同，PAIR-BST 的标注落在区域级——一张 ROI 携带一组诊断/谱系/生长模式标签，而不是逐像素的组织类别图。

2.5 与相邻数据集的边界

为避免检索者混淆，明确 PAIR-BST 不是什么：

不是脑肿瘤分割数据集：BST 易被误读为 brain tumor segmentation，但那是 BraTS 系（库内已有 brats-glioma、brats-meningioma 等多条）；PAIR-BST 是骨与软组织肿瘤，解剖部位完全不同（坑 5）。
不是骨肉瘤分割掩码库：虽然同属骨肿瘤主题，但 PAIR-BST 提供的是区域级标注图像，核心任务是检索，而非给出肿瘤边界的像素掩码。
不是某标注软件的配套数据：PAIR 与国产医学影像标注软件 PAIR 无关，此处 PAIR 是 Pathologist-Annotated Image Retrieval 的缩写（坑 5）。

2.6 数据来源与机构构成

PAIR-BST 由韩国机构联合发布，主导方为 Samsung Medical Center（三星首尔医院） 与 Sungkyunkwan University（成均馆大学），并联合 SAIHST（三星先进健康科学技术研究院） 与 National Cancer Center（韩国国家癌症中心）。通讯作者 Yoon-La Choi（ylachoi@skku.edu） 是病理学方向通讯。

机构家数存在双口径（坑 3）：Collection 主页列 4 家机构，而部分 item 页出现第 5 家（SUNY Korea，纽约州立大学韩国校区）。引用机构清单时应指定以 Collection 口径为准，并把 SUNY Korea 视为 item 级补充。

单一机构来源（以韩国三星系医院为主）意味着**机构特异性（institution-specific）**风险：患者人群、制片流程、H&E 染色协议、扫描设备均可能带有机构烙印。基础模型在该数据集上的表现，不宜直接外推到其他中心的骨与软组织肿瘤病例（见 §6 局限）。

§2.12 从 Collection 结构看数据治理

figshare+ Collection 的组织方式，反映了一种成熟的数据治理取向：

门面与内容分离：Collection 页（c.8223469）是门面，负责总览、版本公示、机构署名；具体数据分散在多个 item 与 Parts。
元数据独立成件：Sarcoma_WSI_and_ROI_Metadata.csv 作为独立文件发布，意味着它可单独引用与下载。
版本可追溯：figshare+ 原生支持版本化，V1→V4 的迭代被完整记录。
多源可发现：同一资产被 figshare+、NLM Dataset Catalog、OpenAIRE、BIP! Finder 多源索引，提升可发现性（D 维度）。

这套结构对数据使用者的实操影响是：下载前先看 Collection 门面确认版本与构成，再逐个取 item，最后用元数据 CSV 对齐——这是与"单文件直下"数据集不同的处理习惯（坑 10）。

§2.13 ROI 检索任务的形式化

把 PAIR-BST 的检索任务形式化，有助于理解其评测设计：

输入：查询区域 q（一个 ROI 图像，可带或不带标签）。
库：区域集合 G = {g_1, …, g_N}，N ≈ 2,252。
相关性定义：rel(q, g) —— 可定义为"同诊断"、“同谱系”、"同生长模式"或它们的组合。
输出：对库中区域按相似度排序。
指标：Recall@K、mAP 等。

这个形式化揭示了一个关键设计点：相关性定义的多轴性。同一个数据集的检索性能，会随相关性定义（诊断/谱系/生长模式）变化——这正是多轴评测的依据。使用时必须明确报告"在哪种相关性定义下"，否则数字不可比。

§2.14 元数据字段的预期结构

基于元数据 CSV 的文件名（Sarcoma_WSI_and_ROI_Metadata.csv）与数据集描述，可以预期它至少包含以下类型的信息（具体字段以实际文件为准）：

患者标识：去标识化的患者编号，用于患者级划分。
WSI 标识：切片编号，连接 ROI 与其出处。
ROI 标识：区域编号，检索与分类的实体单元。
坐标/位置信息：ROI 在 WSI 上的位置（可能为 x/y 或边界框），支撑"从切片可复现地切出该区域"。
组织学诊断：33 类之一。
分化谱系：11 类之一。
生长模式：6 类之一。

为什么这些字段重要：坐标信息决定了 ROI 的可复现性（能否从 WSI 重建 ROI）；患者标识决定了能否正确防泄漏；三层标签决定了多轴任务与评测。一份好的元数据表，等于数据集的"说明书 + 索引 + 标签"。

§2.15 数据量与存储的估算

2,252 张 ROI 图像若按常规病理区域图像的大小估算，整体存储量应在可控范围内（GB 级），适合个人研究者下载与本地实验。Parts 1–6 的分片设计，进一步降低了单次下载的压力。相比之下，完整 WSI（470 张）的原始文件通常远大于 ROI 裁片——若需要原始 WSI，应确认其是否包含在发布中（本轮核验聚焦 ROI 与元数据，WSI 原始文件的提供方式未完全锁定）。

§2.16 与 WHO 分类的对应关系

骨与软组织肿瘤的命名遵循世界卫生组织（WHO）分类体系。PAIR-BST 的 33 种组织学诊断、11 种分化谱系与 6 种生长模式，本质上是对 WHO 分类的一次"可计算化"落映射：

诊断（33 类） 对应 WHO 分类中的具体实体（entity）；WHO 实体数以百计，PAIR-BST 选取了其中的一个子集（33 种），反映的是实际病例可及性而非分类完备性。
分化谱系（11 类） 对应 WHO 分类中的组织发生类别（histogenesis），如脂肪源性、肌源性、血管源性、骨/软骨源性等。
生长模式（6 类） 不对应独立实体，而是一种形态学描述维度，跨实体使用。

这一对应关系提示：使用 PAIR-BST 时，33 类并非穷尽 WHO 分类，而是该数据集覆盖的一部分。跨数据集比较时要注意分类体系是否一致。

§2.17 数据集的"覆盖率幻觉"警告

一个需要警惕的认知陷阱是覆盖率幻觉：看到"33 种诊断"以为覆盖了骨与软组织肿瘤全谱，实则不然。33 种只是被收集到的病例所覆盖的类别数，长尾之外的罕见实体可能完全缺席。

后果：在 PAIR-BST 上训练/评测的模型，其"见过"的亚型仅限于这 33 种及其样本分布。把它宣称为"骨与软组织肿瘤通用模型"，是一种过度外推（over-claiming）。诚实的能力边界陈述，应基于数据集实际覆盖范围（坑 8 的延伸）。

§2.18 数据分片与下载工程的注意事项

Parts 1–6 的分片设计中，Part 3 含 361 个文件是粒度锚点，由此可推下载工程要点：

批量与断点：多文件分片适合脚本化批量下载（如 wget/curl 列表），并支持断点续传。
校验：下载后应校验文件数量与大小（元数据 CSV 423.31 kB 是已知锚点）；figshare 通常提供 md5 或文件大小校验。
存储组织：建议按 Part 建目录，再按元数据表的患者/WSI/ROI 层级软链或重组，避免路径混乱。
元数据先行：再次强调——先下 CSV 再下图，可用 CSV 核对下载完整性（坑 10）。

§3 任务与标注

3.1 核心任务：病理图像检索

PAIR-BST 名字里的 Retrieval（检索） 是理解该数据集的关键。图像检索任务的标准范式是"查询-库"结构：

查询（query）：一张给定的病理 ROI 图像（可配诊断/谱系/生长模式标签，或仅图像）。
库（gallery/database）：整个 ROI 集合。
目标：按某种相似度度量，从库中召回与查询"同源/同类/相似"的图像。

检索任务在病理语境下有特殊的实用价值。骨与软组织肿瘤罕见、亚型海量，病理医生的诊断某种意义上就是"跟我的记忆库比对"——PAIR-BST 把这种人类认知过程转成可评测的计算任务。它是病理学家标注的（pathologist-annotated），意味着每一张 ROI 的语义标签有病理专家背书，而非众包或自动生成。

3.2 关联任务：亚型分类 / 分化谱系 / 生长模式

除检索外，三层标签体系自然派生出三个分类子任务：

组织学亚型分类：33 类诊断的多分类。
分化谱系识别：11 类分化方向的多分类。
生长模式识别：6 类空间生长形态的多分类。

这三个任务难度递进、且相互关联：亚型分类通常最难（33 类且形态重叠），分化谱系相对可辨（不同分化方向形态差异更明显），生长模式则依赖更宏观的空间判断。数据集的评估结论正是围绕这些任务展开（§5）。

3.3 标注流程与病理学家角色

PAIR-BST 的标注主体是病理学家（pathologist）。与"医学生初注 + 专家终审"的分层流水线（如 panda-plus）不同，这里强调的是病理学家直接进行的区域级标注——这与其命名（Pathologist-Annotated）相呼应，也赋予标签更高的专业可信度。

标注粒度为区域级（region-level）：

病理学家在 WSI 上圈定有诊断价值的区域（ROI），并赋予诊断/谱系/生长模式标签。
ROI 是"有病理意义的最小可检索单元"，而非任意切取的 patch。
这种设计使每一张 ROI 都自带专业标注，避免了无标签 patch 的语义空洞问题。

3.4 ROI 与 WSI 的映射关系

元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv）是连接 WSI 与 ROI 的枢纽，典型地提供：

WSI 标识 ↔ ROI 标识 的从属关系（一张 WSI 切出哪些 ROI）；
ROI ↔ 患者 的归属（防止患者级泄漏的关键字段）；
ROI ↔ 诊断/谱系/生长模式 的三层标签。

使用建议：先把元数据 CSV 读成一张表（DataFrame），确认患者、WSI、ROI 三个层级的计数与标签分布，再决定训练/测试划分策略。跳过这一步直接用图文件夹，几乎必然踩到患者级泄漏（坑 6）。

3.5 AI-Ready 视角：区域级检索数据的适配性

从"AI-Ready"角度看，PAIR-BST 的适配性可以用三句话概括：

任务就绪度高：检索与分类任务的输入-输出定义清晰，标签由病理学家提供，可直接构造监督信号。
模态就绪度高：H&E 是最通用的病理模态，能直接喂给主流病理基础模型（CTransPath、UNI、Virchow 等）。
规模偏小是主要约束：2,252 张 ROI / 268 名患者，相对于 ImageNet 级或千万级 WSI patch 的数据集，属于中小规模——这既意味着训练重型模型时需谨慎（易过拟合），也意味着它更适合作为评测基准或微调集，而非从零预训练语料。

3.6 任务难度画像

数据集自带的核心发现给这个任务难度画了一幅毫不客气的画像：病理基础模型在识别该肿瘤、尤其区分亚型与生长模式时面临挑战。这句话拆开看有两层含义：

认得出"这是骨与软组织肿瘤"相对容易——基础模型在大规模病理数据上见过足够多形态，粗略层面的可分性尚在。
分得清"是哪个亚型、哪种生长模式"很难——细粒度、长尾、形态重叠叠加，把基础模型的能力边界暴露出来。

这正是 PAIR-BST 作为评测基准的价值所在：它不提供又一个"刷到 99% 就收工"的简单任务，而是把骨与软组织肿瘤这一"病理硬骨头"摆上台面，量化现有模型的缺口。

2.7 解剖与病种背景：骨与软组织肿瘤为何难

要理解 PAIR-BST 的数据构成，必须先理解它覆盖的疾病领域有多复杂。骨与软组织肿瘤（bone and soft tissue tumors）是一组起源于骨骼、肌肉、脂肪、血管、神经、纤维组织等间叶组织的肿瘤，既有良性也有恶性：

骨肿瘤：从良性的骨软骨瘤、骨巨细胞瘤，到恶性的骨肉瘤（osteosarcoma）、尤文肉瘤（Ewing sarcoma）、软骨肉瘤（chondrosarcoma）。
软组织肿瘤：从良性的脂肪瘤、血管瘤、神经鞘瘤，到恶性的脂肪肉瘤（liposarcoma）、平滑肌肉瘤、滑膜肉瘤（synovial sarcoma）、横纹肌肉瘤。

命名体系上，世界卫生组织（WHO）软组织与骨肿瘤分类列出的实体数以百计。这种"数量庞大 + 形态高度重叠 + 每一类都罕见"的特征，导致了骨与软组织肿瘤病理诊断的三个固有难点：

罕见性：每一种亚型的年发病例数都很少，病理医生一辈子可能只见过几十例，经验积累慢。
形态重叠：不同亚型在 H&E 上可能极其相似，常需免疫组化（IHC）、分子检测（如融合基因）辅助，单纯形态学判读困难。
读者间变异大：即便是专科病理医生，对某些亚型的分型一致性也不高。

这三条难点叠加，正是 PAIR-BST 存在的理由：它要为一个"人都不容易"的领域提供机器学习的评测靶场。也因此，数据集自带的"基础模型面临挑战"的结论，一点也不令人意外——它映照的是这门学科本身的难度。

2.8 分辨率与图像质量的工程考量

病理图像的工程处理有几个绕不开的维度，使用 PAIR-BST 时需留意：

多分辨率金字塔：WSI 通常以金字塔形式存储（从低倍缩略图到高倍全分辨率），不同放大倍数（如 5×/10×/20×/40×）对应不同的诊断信息层级。低倍看整体结构（生长模式），高倍看细胞细节（亚型/谱系）。
放大倍数的一致性：若不同 WSI 的扫描放大倍数或扫描仪型号不同，ROI 的像素尺寸可能不一致，直接拼接训练会引入尺度偏差。使用前应核对元数据中的放大倍数/像素间距字段（本条目记为待核，见附录 C）。
颜色归一化（stain normalization）：H&E 染色在不同实验室、不同批次间存在色差，跨中心/跨批次使用时常需做染色归一化（如 Macenko、Reinhard、HED 分解）以降低非生物性变异。这是病理图像预处理的标准动作。
组织/背景分离：ROI 已由病理学家圈定，减少了背景噪声，但批处理时仍需注意边缘伪影、笔迹标注、气泡等人工痕迹。

2.9 文件命名与结构的推断

虽然没有逐一列出全部文件名，但从 figshare+ 的分片结构可以推断使用者的处理路径：

Parts 1–6 是 ROI 图像的分片，命名通常遵循发布者的编号约定；Part 3 含 361 个文件是分片粒度的锚点。
元数据 CSV 是整个数据集的索引，预计包含诸如 WSI 编号、ROI 编号、患者编号、诊断、谱系、生长模式等字段（具体字段以实际 CSV 为准）。
推荐工作流：① 下载元数据 CSV；② 用 pandas 载入，统计患者/WSI/ROI 计数与标签分布；③ 按需下载 Parts；④ 用元数据表把图像文件与标签对齐；⑤ 按患者划分训练/验证/测试。

2.10 数据集版本的选取

由于 PAIR-BST 已迭代至 V4（2026-09-01），使用者在下载时面临版本选择：

复现导向：若目标是复现某篇论文的结果，必须使用与该论文一致的版本。
最新导向：若目标是做新实验，通常选最新版本（V4），但须在方法中注明。
版本差异的不确定性：不同版本间是否增删了样本、修改了标签，摘要级页面未明示——这是引用时须谨慎的原因之一（坑 3）。

2.11 数据规模的方法学含义

把 2,252 / 470 / 268 这三个数字放进方法学框架，可以得出几条使用律：

有效样本量受患者数支配：在严格的患者级划分下，独立个体只有 268 个，这决定了留出法（hold-out）与交叉验证的统计效力上限。
类内多样性可能有限：若每名患者贡献多个 ROI，同一患者的 ROI 之间存在患者特异的外观相关性（染色、形态），类内多样性被高估。
小样本 + 高维图像：H&E 图像是高维输入，268 患者是低维样本空间——过拟合风险高，需要强正则、数据增强或冻结预训练特征。
评测为主的定位：综合来看，PAIR-BST 更适合"在固定划分上评测模型"，而非"用大量数据训练新模型"。

§3.7 标注质量与可信度评估

3.7.1 病理学家标注的优势

PAIR-BST 强调"Pathologist-Annotated（病理学家标注）"，这一表述背后是标注质量的承诺：

专业背书：标签由受过完整病理学训练的医生给出，而非众包或规则化伪标签。
区域级判断：ROI 的圈定本身即包含病理医生的诊断判断（哪些区域有诊断价值）。
多轴标签：诊断/谱系/生长模式三层标签需要综合的病理知识，非医生难以胜任。

3.7.2 标注粒度的取舍

区域级标注的选择，是"成本-信息量"权衡的结果：

粒度	成本	信息量	适用任务
切片级（slide-level）	低	低	粗分类
区域级（region-level）	中	中	检索、区域分类
像素级（pixel-level）	高	高	分割

PAIR-BST 落在中间一格，用中等成本换取任务所需的语义密度。这一取舍的代价是：需要像素级信息的下游任务无法直接使用（坑 2）。

3.7.3 标注一致性问题的回避

值得指出的一个局限：数据集未（在本轮核验范围内）披露标注者间一致性（inter-annotator agreement）。对于骨与软组织肿瘤这类"人也不容易"的领域，亚型判读的读者间变异可能是显著的。若单标注者、无一致性报告，则标签本身的不确定性未被量化——这会影响评测结论的解读（见坑 7 与 §6 局限）。

3.8 从标注到任务的映射

把三层标签映射到具体机器学习任务：

检索任务：用 ROI 图像作为查询，以"同诊断/同谱系/同生长模式"定义相关性，评测 Recall@K、mAP。
分类任务：以 ROI 图像为输入，预测 33/11/6 类标签，评测准确率、F1（宏/微）。
表示学习任务：用对比学习等自监督方法在 ROI 上学习表征，再在分类/检索上评测线性探针（linear probe）性能。
跨轴一致性任务：研究诊断、谱系、生长模式三层标签之间的内在关联（如某谱系是否倾向某生长模式）。

§3.9 标注流程的还原与猜想的边界

由于本轮核验未获取到标注流程的详细文字说明，以下属基于数据集特征的合理推断，不是已证实的官方描述：

ROI 圈定可能由病理学家在数字病理软件（如 QuPath、ASAP、HALO 等）中完成。
标签可能经过至少一次病理医生审核（"病理学家标注"的措辞暗示专业背书）。
是否有多位病理学家交叉标注、是否报告一致性，未见披露（附录 C 遗留疑点）。

方法学提示：引用标注流程细节时，必须区分"官方披露"与"合理推断"。本条目对未证实内容一律标注为推断，避免以讹传讹。

§3.10 标签体系与检索相关性定义的关系

33/11/6 三层标签，直接对应三种检索相关性定义：

相关性定义	依据标签	难度	病理含义
同诊断	33 类组织学诊断	最难	精确病种相同
同谱系	11 类分化谱系	中	分化方向相同
同生长模式	6 类生长模式	相对易	空间形态相同

数据集评估中若分轴报告，能刻画模型"在哪一层相似度上强"。这种方法学设计，使 PAIR-BST 不仅能评测"检索能力强弱"，还能诊断"模型理解的病理语义停在哪一层"——这是它作为基准的深层价值。

§3.11 从 ROI 到 WSI：层级关系的实操意义

理解 ROI 与 WSI 的层级关系，对实验设计有直接影响：

患者 → WSI → ROI 是"一对多对多"的树形结构。
训练/测试划分 应在患者层进行，让同一患者的所有 WSI 与 ROI 落在同一集合。
检索库 可由全部 ROI 构成，但若查询与库含同一患者，评测会虚高——须做患者不重叠的查询-库划分。
误差分析 可回溯到 WSI 级别，观察模型是在哪些切片/患者上失手，辅助定位系统性偏差。

§3.12 标注成本与可扩展性的经济学

区域级标注之所以成为 PAIR-BST 的选择，背后是一笔"标注经济学"账：

像素级标注：一张 WSI 需数小时专家时间，2,252 个区域的像素级标注成本可能难以承受。
区域级标注：专家圈定区域 + 给标签，单区成本大幅下降，使 2,252 的规模在可承受范围内。
规模 vs 粒度的权衡：资源有限时，用更粗的粒度换更大的规模，往往对检索/分类任务更划算——检索任务本质上不需要像素级信息。

这条经济学逻辑对任何"专家标注"数据集都适用：先问"任务真的需要那么细的粒度吗"，再决定标注投入。

§4 与相邻数据集的比较：PAIR-BST 站在哪里

4.1 骨与软组织肿瘤数据集的地形

骨与软组织肿瘤（sarcoma 谱系）在公开医学影像数据集里是相对贫瘠的地带。绝大多数病理数据集集中在乳腺（BRACS、bcss、BreakHis）、前列腺（panda、panda-plus、sicapv2）、结直肠（NCT-CRC-HE-100K）、肺（wsss4luad）等高发癌种；骨与软组织肿瘤因其罕见的属性、复杂的命名体系，长期缺乏规模化的公开资源。

PAIR-BST 填补的正是这一空白。它的定位不是"最大的病理数据集"，而是骨与软组织肿瘤领域的第一个区域级病理学家标注检索数据集。这一"稀缺部位 + 明确任务"的组合，使其在库内病理条目群中具有独特的互补价值。

4.2 与病理 WSI-ROI 家族的对照

把 PAIR-BST 放进库内已有的病理 WSI-ROI 家族，能看出它的差异点：

维度	PAIR-BST	panda-plus	sicapv2
解剖部位	骨与软组织肿瘤	前列腺	前列腺
标注粒度	区域级（ROI）	像素级掩码	patch 级分类
核心任务	图像检索	分割 + 分级	分类
标签体系	33 诊断 / 11 谱系 / 6 生长模式	Benign/GP3/GP4/GP5	Gleason 分级
规模	2,252 ROI / 470 WSI / 268 患者	546 WSI	182 WSI / 95 患者 / 10,340 patch
许可	CC BY-NC 4.0	三层异构	分类口径

三者的共性在于"病理图像 + 专家标注 + 面向计算病理任务"；差异则清晰：PAIR-BST 独占了"检索"这一任务维度，并把解剖部位从高发癌种推到罕见肉瘤。对做检索方法的研究者，它是稀缺的专用基准；对做分割/分类的研究者，它的区域级粒度可能不够细（坑 2）。

4.3 与病理基础模型评测数据集的对照

PAIR-BST 自带"评测病理基础模型"的属性，这与库内 midog 系（病理基础模型 + 肿瘤分型评测）在精神上一致，但侧重点不同：midog 围绕有丝分裂计数这一特定显微任务，PAIR-BST 围绕骨与软组织肿瘤的检索与亚型识别。两者都指向同一命题——现成基础模型并非万能，在专用、罕见、细粒度的病理任务上仍有明显缺口。

4.4 检索 vs 分类 vs 分割：任务范式的稀缺性

值得单独强调的是任务范式的稀缺。库内病理数据绝大多数是分类（给一张图，判断类别）或分割（给一张图，画出区域），检索（给一张图，找回相似图）是相对少见的一类。检索任务的独特之处：

不需要固定类别体系：检索可以在任意标签粒度上定义相似度（同患者、同诊断、同谱系、同生长模式），比多分类更灵活。
更贴近真实病理工作流：诊断即比对，"找相似的既往病例"是病理医生的日常。
评测更细腻：可以用 Recall@K、mAP、检索排序指标等，避开单点准确率的粗糙。

因此 PAIR-BST 在库内不只是"又一个病理数据集"，而是补上了检索这一任务范式在骨与软组织肿瘤场景下的空缺。

§4.5 检索任务的评价指标体系

做检索任务，除了模型本身，评价指标的选择同样关键。PAIR-BST 这类区域级检索数据集常用的指标体系：

4.5.1 召回率类指标

Recall@K（R@K）：在检索返回的前 K 个结果中，是否包含至少一个相关样本。K 常取 1、5、10。R@1 最严格，考察"首位命中"能力。
Precision@K（P@K）：前 K 个结果中相关样本的占比，衡量排序质量。

4.5.2 排序质量指标

mAP（mean Average Precision）：对每个查询计算平均精度（AP）后取均值，是检索任务最常用的综合指标，兼顾命中与排序。
MRR（Mean Reciprocal Rank）：首个相关结果排名的倒数均值，适合"只关心第一名是否对"的场景。
NDCG（Normalized Discounted Cumulative Gain）：带位置折扣的排序质量指标，适合有分级相关性的场景。

4.5.3 多轴评测的组合

PAIR-BST 的三层标签允许"多轴检索评测"：同一组查询，分别在"同诊断"“同谱系”"同生长模式"三种相关性定义下评测。这能回答一个有价值的问题：模型的相似度度量到底抓住了哪一层的病理语义？ 可能的结果模式：

三层都强 → 模型学到的表征接近病理专家的判断。
谱系强、亚型弱 → 模型抓住了大方向，丢了细节（很可能正是数据集自带评估的结论）。
生长模式强、亚型弱 → 模型偏重宏观形态，弱于细胞级判别。

4.5.4 公平比较的前提

跨方法比较检索指标，必须固定：查询集、库集、相关性定义、K 值、划分方式（患者级）。任何一项漂移都会导致数字不可比（坑 3、坑 6）。

§4.6 形态学重叠：为什么亚型这么难

骨与软组织肿瘤亚型判别的困难，根植于形态学本身：

梭形细胞肿瘤：多种肉瘤（平滑肌肉瘤、滑膜肉瘤、纤维肉瘤）都由梭形细胞构成，H&E 上难以区分，常需免疫组化标记物（如 desmin、SMA、S100）辅助。
圆细胞肿瘤：尤文肉瘤、淋巴瘤、小细胞癌等都是"小圆蓝细胞"，形态近似。
黏液样背景：黏液纤维肉瘤、黏液脂肪肉瘤等共享黏液样基质。

这种"不同病、同一张脸"的困境，对应到检索与分类任务上就是：类间距离小、类内距离大。这是骨与软组织肿瘤 AI 的根本挑战，也解释了为什么连大规模预训练的病理基础模型也难以取得高亚型准确率。

§4.7 检索与分类的互补性

在多轴任务框架下，检索与分类并非二选一，而是互补：

分类回答"这是什么"（离散判断），需要完备类别体系。
检索回答"这像什么"（相似度排序），不需要封闭类别。
互补方式：用检索做"开放式初筛"，再用分类做"闭合式确认"；或用品类的不确定性触发检索（当分类置信度低时，回退到检索给出相似案例）。

PAIR-BST 同时支持两者（三层标签可做分类，ROI 集合可做检索库），为这种组合式方法提供了实验平台。

§5 评估与基准

5.1 自带评估的逻辑

PAIR-BST 作为数据发布型资产，其价值一半在数据、一半在自带评估。数据集给出了以病理基础模型（pathology foundation model）为对象的评测，评估维度对应该数据集的三层标签：

识别肿瘤类型：模型能否判别"这是骨与软组织肿瘤的哪个诊断"。
区分亚型：在亚型层面（33 种诊断/11 种谱系）的细粒度判别能力。
区分生长模式：6 种生长模式的空间形态识别。

5.2 核心结论：基础模型面临挑战

数据集自带的评估给出了明确且不客气的结论：病理基础模型在识别该肿瘤、尤其区分亚型与生长模式时面临挑战。 这句话的信息量值得展开：

“面临挑战” = 现有基础模型不足：这不是"已达人类水平"的宣示，而是"尚未解决"的诊断。对领域而言，这是一个诚实的现状陈述。
"尤其区分亚型与生长模式"是难点的定位：粗粒度可分、细粒度不可分，是罕见病肿瘤数据集的典型表现——模型学到了"这是肿瘤组织"的共性表征，却没能学到区分亚型的判别性特征。
对基础模型的启示：大规模预训练（在通用病理语料上）并不能自动迁移到骨与软组织肿瘤这类稀缺、长尾的专用谱系——**领域鸿沟（domain gap）**依然存在。

5.3 评估方法论解读

从方法学角度，PAIR-BST 的评估设计隐含几个值得借鉴的要点：

多轴评估优于单轴：用诊断/谱系/生长模式三条轴同时评估，比单一分类准确率更能揭示模型的"部分能力"——模型可能诊断错但谱系对，这类信息单轴评估会丢失。
检索指标的价值：若评估包含检索任务，Recall@K / mAP 能刻画"模型能否在候选集里把相似的排到前面"，这与分类的"是否答对"是互补的能力画像。
患者级评估的重要性：由于 2,252 ROI 只来自 268 名患者，正确的评估必须以患者为单位划分——否则模型可能"记住了患者特异形态"而在患者内泄漏中虚高（坑 6）。

5.4 基准使用的注意事项

使用 PAIR-BST 做基准时，需注意几点：

版本一致性：figshare+ 支持版本化引用（.vN），基准比较时须锁定同一版本（如统一用 V4 2026-09-01），否则不同版本的文件构成可能不同（坑 3）。
划分透明度：报告结果时应说明划分是患者级还是 ROI 级、是否固定随机种子，否则跨论文比较不可靠。
模型清单完整性：数据集摘要级页面未完整列出受测基础模型与完整数值——引用具体榜单时应回到原始发布正文或元数据（遗留疑点）。
NC 许可对评测的限制：CC BY-NC 4.0 下，用该数据集做商业模型的内部评测与报告，需留意许可边界（坑 4）。

5.5 与库内评测基准的互参

将 PAIR-BST 与库内其他病理评测基准互参，可以构建更完整的"病理基础模型能力棋盘"：

midog / midog-2026：有丝分裂计数 + 肿瘤分型——显微级任务。
unitopatho：结直肠/胃组织病理多类分类——器官级分类任务。
nucls：病理亚型分类与检索——与 PAIR-BST 任务最接近的对照。
BRACS / bcss：乳腺病理亚型——分类任务对照。

把 PAIR-BST 的"骨与软组织肿瘤检索"放进这张棋盘，可以回答一个更有意义的问题：基础模型在不同解剖部位、不同任务范式下的能力是否一致？ 若某模型在乳腺分类上强、在骨与软组织检索上弱，则"通用病理基础模型"的叙事需要被审慎对待。

§5.6 病理基础模型的评测语境

要理解 PAIR-BST 的评估结论，需了解病理基础模型的现状语境：

5.6.1 什么是病理基础模型

病理基础模型（pathology foundation model）是指在大规模病理图像（多为 WSI patch）上自监督预训练的模型，代表工作包括：

CNN 系：CTransPath 等，用对比学习在病理 patch 上预训练。
ViT 系：UNI、Virchow、Phikon、Hibou 等，用大规模自监督在千万级 patch 上训练。
多模态系：CONCH、PLIP 等，图像-文本对齐，支持零样本迁移。

这些模型的出现让"病理图像的通用表征"成为可能，也催生了大量"基础模型 + 下游微调"的研究范式。

5.6.2 基础模型的宣称与现实的落差

基础模型的常见叙事是"通用、可迁移、少样本即可用"，但在专用、罕见、细粒度场景下，这一叙事需要被审慎检验。PAIR-BST 的评估正是这类检验的一例：骨与软组织肿瘤的亚型与生长模式判别，对现成基础模型而言仍具挑战。这类"负结果"对领域有正面价值——它防止了"基础模型已经解决一切"的过度乐观。

5.6.3 领域鸿沟的三种来源

从 PAIR-BST 的结论反推，基础模型在此失手可能源于三重领域鸿沟：

解剖鸿沟：预训练数据以高发癌种（乳腺、肺、前列腺、结直肠）为主，骨与软组织肿瘤样本在预训练语料中占比极低。
粒度鸿沟：预训练多用 patch 级对比学习，学到的是"这是不是肿瘤组织"等粗粒度特征；亚型判别需要的细粒度、判别性特征可能被对比学习目标稀释。
长尾鸿沟：33 种诊断中许多亚型在预训练语料中几乎不出现，模型没有机会见过。

5.6.4 对方法设计的启示

如果要在 PAIR-BST 上取得好结果，可能的方向包括：

领域自适应预训练：在骨与软组织肿瘤数据上继续自监督预训练。
检索专用微调：用度量学习（metric learning）/三元组损失针对检索任务微调。
多轴解耦：把诊断、谱系、生长模式拆成多个头，避免互相干扰。
知识注入：引入病理知识图谱或文本描述（多模态）辅助细粒度判别。

这些方向属于前景推测，是否有效有待后续研究验证。

§5.7 负结果的价值

PAIR-BST 自带评估给出的"基础模型面临挑战"是一个负结果（negative result）。在 AI 研究普遍偏好正结果的氛围中，负结果的价值常被低估：

防止过度乐观：负结果校准了领域对基础模型能力的预期。
界定问题边界：明确"什么还没解决"，为后续研究定向。
建立可信基线：为后续方法提供可对比的起点。
揭示数据价值：一个能让强模型失手的数据集，本身就是稀缺资源。

从这个角度，PAIR-BST 的"难题属性"不是缺点，而是它的核心价值——它提供了一个尚未被刷爆的评测靶场。

§5.8 评测协议的最小规范

为了让 PAIR-BST 的评测可复现、可比较，建议遵循以下最小协议规范：

版本：写明所用版本（如 V4 2026-09-01）。
划分：患者级划分，固定随机种子，给出各集合的患者/ROI 计数。
任务：检索 / 分类 / 多轴，各自定义清楚。
相关性：检索任务写明相关性定义（同诊断/同谱系/同生长模式）。
指标：检索用 R@K/mAP；分类用宏/微 F1，并附每类样本量。
基线：给出至少一个基线（如冻结特征 + 线性探针）。
预处理：写明缩放、染色归一化等。
硬件与随机性：记录关键环境，固定种子。

没有协议规范的评测，数字无法互信。 这是使用任何基准数据集的基本功。

§5.9 评测结果的解读守则

解读 PAIR-BST 上的任何评测数字，建议遵守四条守则：

看划分：是患者级还是 ROI 级？患者级才可信（坑 6）。
看类别：宏平均还是微平均？小类样本量多少？（坑 7）
看版本：用的哪个版本？跨版本可比吗？（坑 3）
看任务口径：检索的 K 值与相关性定义是什么？分类的是诊断还是谱系？（§3.10）

不满足这四条的报告，数字难以采信。这是所有基准数据集解读的通用纪律，PAIR-BST 因其长尾与小规模，对此尤为敏感。

§5.10 与多轴评测对应的模型诊断流程

利用 PAIR-BST 的多轴标签，可以设计一套"模型诊断流程"：

跑三轴：分别在诊断（33）、谱系（11）、生长模式（6）上评测。
比较差距：若谱系成绩 >> 诊断成绩，说明模型抓大放小；若三者都低，说明模型对该部位整体不适应。
定位失败案例：抽取消类样本，回溯 WSI 与患者，看是否有系统性偏差（如某机构/某亚型集中失败）。
形成结论：给出"模型在哪一层病理语义上失效"的诊断，而非一个笼统的准确率。

这套流程把"评测"从打分升级为"诊断"，是 PAIR-BST 作为多轴基准的独特用法。

§6 获取与许可：一张明牌的公开数据集

6.1 获取路径

PAIR-BST 的获取是"明牌"式的：在 figshare+ 上公开直链即可下载，无需申请。路径如下：

门面：figshare+ Collection（doi: 10.25452/figshare.plus.c.8223469）——从这里可以看到数据集的总览、版本与全部 item 入口。
主体：Parts 1–6 为 ROI 图像分片；下载时按分片逐个获取（Part 3 含 361 个文件，注意批量下载）。
元数据：Sarcoma_WSI_and_ROI_Metadata.csv（423.31 kB）——务必先取，作为整体结构与标签的索引。

引用建议：由于 figshare+ 是版本化发布，引用时应使用带版本的 DOI（形如 10.25452/figshare.plus.<item>.vN），或明确写出"访问 V4（2026-09-01）"。

6.2 许可：CC BY-NC 4.0 的边界

PAIR-BST 使用 CC BY-NC 4.0（署名—非商业性使用 4.0 国际）。这一许可的含义必须讲清：

BY（署名）：使用与再分发必须注明来源与作者。学术引用中写清数据集名、作者、DOI、版本即可。
NC（非商业）：禁止以商业目的使用。这是最容易踩线的一条——以下场景通常属于"需谨慎"：
- 用该数据集训练或微调商业化模型；
- 用该数据集为付费产品做基准报告；
- 在企业内部以商业目的使用。
ND 不存在：注意它是 BY-NC 而非 BY-NC-ND，因此允许演绎（可做衍生作品），只要保留署名且非商业。

商用需求应另行向权利人取得授权（通过通讯作者或发布机构联系）（坑 4）。

6.3 版本链与引用一致性

PAIR-BST 的发布经历了多个版本：

版本	日期	说明
V1	2026-06-26	首次发布
V2 / V3	2026-08-23	迭代
V4	2026-09-01	当前版本（本条目抓取时点）

版本化的意义在于可复现性：不同版本的文件构成可能不同，跨版本比较会引入不可控差异。做基准评测或发表引用时，必须锁定并写明所用版本（坑 3）。

6.4 AI-Ready 评估：双轨结构的得失

从"AI-Ready（数据即插即用度）"视角看，PAIR-BST 呈"双轨"结构：

得分项（就绪度高）：

公开直链、无需申请：获取摩擦极低，优于"请求制"数据集（如 panda-plus 掩码）。
标签完备且专业化：病理学家标注，三层标签（33/11/6）结构清晰。
格式通用：H&E 图像 + CSV 元数据，主流工具链零适配成本。
任务定义明确：检索 + 分类任务可直接构造。
自带评估结论：开箱即知"基础模型在此有缺口"，省去二次基线探索。

失分项（就绪度受限）：

规模偏小：2,252 ROI / 268 患者，属于中小规模，不宜从零预训练。
NC 许可：商业天花板明确，限制了产业侧的采纳意愿。
类别长尾：33 诊断 / 11 谱系 / 6 模式的长尾分布，需要用户自行处理不均衡。
患者级泄漏风险高：268 患者 vs 2,252 ROI，不谨慎划分会虚高（坑 6）。
无像素级掩码：区域级粒度不能满足分割类需求（坑 2）。

6.5 DAIMS 数据资产成熟度评估

维度	评级	说明
D — 可发现性（Discoverability）	★★★★☆	figshare+ Collection + NLM Dataset Catalog + OpenAIRE + BIP! Finder 多源收录，DOI 完备
A — 可获取性（Accessibility）	★★★★☆	公开直链、无需申请；扣分项是 NC 许可限制商用
I — 互操作性（Interoperability）	★★★☆☆	H&E + CSV 通用格式；但未见标准 schema（如 DICOM 病理 / OMERO）声明
M — 元数据质量（Metadata）	★★★★☆	三层标签 + 元数据 CSV + 多源索引；扣分项是标题/机构双口径
S — 可持续性（Sustainability）	★★★☆☆	figshare+ 机构托管、版本化发布；但独立数据论文缺失导致长期引用锚点较弱

综合判断：PAIR-BST 是一份成熟度中上、就绪度高、规模偏小、许可受限的专用病理数据集。它的最佳定位是"骨与软组织肿瘤检索/亚型任务的评测基准与微调集"，而非通用预训练语料。

§6.6 与"请求制"数据集的对比

PAIR-BST 的公开直链获取，在病理数据集生态中是一股清流。对比：

数据集	获取方式	摩擦
PAIR-BST	公开直链	低
panda-plus（掩码）	请求制（邮件通讯作者）	高
多数临床数据集	申请/审批	中-高
部分竞赛数据集	注册/Kaggle	低-中

公开直链 + CC BY-NC 的组合，兼顾了可获取性与权利保护，是数据发布的推荐形态。代价是 NC 限制了商业采纳（坑 4）。

§6.7 数据获取的实操步骤

给出 PAIR-BST 的推荐获取步骤（含防坑）：

定位：访问 https://doi.org/10.25452/figshare.plus.c.8223469，确认 Collection 与当前版本（V4）。
读门面：查看 Collection 描述，确认机构、作者、许可（CC BY-NC 4.0）、文件构成（Parts + CSV）。
取元数据：优先下载 Sarcoma_WSI_and_ROI_Metadata.csv，用 pandas 载入。
核构成：统计患者/WSI/ROI 计数、标签分布、每类样本量。
取图像：按需下载 Parts 1–6（Part 3 含 361 文件，注意批量脚本）。
对齐：用元数据表把图像文件与标签、患者、WSI 一一对应。
划分：按患者划分 train/val/test，固定随机种子。
记录：在实验记录中写明版本、划分策略、预处理流程。

§6.8 AI-Ready 评分的方法学说明

§6.5 的 DAIMS 评分是定性评估，评分依据如下：

D 可发现性：多源索引（figshare+ / NLM / OpenAIRE / BIP! Finder）+ DOI 完备 → 高分。
A 可获取性：公开直链 → 高分；NC 限商用 → 扣分。
I 互操作性：H&E + CSV 通用；未声明标准病理 schema（DICOM/OMERO）→ 中分。
M 元数据：三层标签 + 元数据 CSV + 多源索引 → 高分；标题/机构双口径 → 扣分。
S 可持续性：机构托管 + 版本化 → 中高分；缺独立数据论文 → 中分。

这套评分法可迁移到库内其他数据集条目的评估，形成可比的数据资产成熟度画像。

§6.9 合规使用检查清单

准备使用 PAIR-BST 前，过一遍合规清单：

[ ] 用途是否为非商业？（若商业，先取得授权）
[ ] 使用与再分发是否将署名数据集与作者？
[ ] 演绎作品是否同样遵循 NC 约束？
[ ] 引用是否写明版本与 DOI？
[ ] 是否遵守 figshare+ 平台的使用条款？

任一为否，应先解决合规问题再用数据。合规不是形式，违规使用可能带来法律与声誉风险（坑 4）。

§7 生态与影响

7.1 发布机构的病理生态位

PAIR-BST 的背后是韩国三星系医疗机构与成均馆大学的病理信息学力量。Samsung Medical Center（三星首尔医院） 是韩国顶级的综合性医院之一，其病理科具备规模化数字病理（digital pathology）能力；Sungkyunkwan University / SAIHST 提供了学术与研究支撑；National Cancer Center（韩国国家癌症中心） 补充了肿瘤专科视角。

这一组合意味着 PAIR-BST 不是"论文附带的小数据集"，而更接近有临床数据治理能力的机构发布的正式数据资产——从发布形态（figshare+ Collection、版本化、多源索引）可以印证这一判断。

7.2 骨与软组织肿瘤研究的现实意义

骨与软组织肿瘤（sarcoma 谱系）是临床上的硬骨头：罕见、分型复杂、误诊率相对高、治疗高度依赖精准诊断。机器学习若能在此提供辅助，价值显著——但前提是有可用的数据。PAIR-BST 的意义不止于"又一份数据集"：

为罕见谱系提供训练与评测资源：填补公开数据的空白。
以检索范式贴近真实临床：诊断即比对，"找相似病例"是落地的可行路径。
诚实的难度陈述：明确告知"基础模型在此不足"，为后续研究定标。

7.3 对病理基础模型叙事的冲击

PAIR-BST 自带评估的结论——基础模型在亚型与生长模式判别上力不从心——对"病理基础模型已足够通用"的叙事是一次校准。它提醒领域：预训练的规模不自动等于任务的解决。在罕见、长尾、细粒度的病理场景，通用表征与判别性表征之间仍有鸿沟。这与库内 midog 系评测数据集传递的信号一致：基础模型需要被持续、分场景地审问。

7.4 在 AI-Ready 数据生态中的位置

从千方病案医数集的视角看，PAIR-BST 补上了几块之前缺席的拼图：

解剖部位的补位：骨与软组织肿瘤此前在库内病理条目中稀缺。
任务范式的补位：检索任务此前在库内病理条目中少见。
规模光谱的补位：与千万级 patch 数据集互补，提供"小而精 + 病理学家标注"的一端。

这些补位价值，使它即便规模不大，也在库内的生态网络中占据不可替代的节点位置（互链详见 §9）。

7.5 产业与可扩展性展望

在可预见的范围内，PAIR-BST 的产业影响受 NC 许可约束，更适合作为学术评测基准与研究方法验证平台。它的可扩展方向可能包括：

机构间扩展：单一来源（韩国机构）的局限，可由多中心数据补充缓解。
任务扩展：从检索/分类扩展到更细粒度的病理表征学习。
模态扩展：H&E 之外，免疫组化（IHC）、分子标志物等联合表征。

这些展望目前属于推测，是否推进取决于后续发布。

§7.6 骨与软组织肿瘤数据集的稀缺性量化

从公开数据生态看，骨与软组织肿瘤的相对稀缺是经验共识，其成因：

发病率低：肉瘤类整体占成人恶性肿瘤的比例很小，单个机构的病例积累慢。
诊断复杂：标注需要专科病理医生，成本高。
隐私与伦理：罕见病例的去标识化更敏感（患者可识别性高）。
命名体系混乱：历史分类多次修订，跨机构标签对齐困难。

PAIR-BST 能在这一背景下发布 2,252 ROI / 268 患者，本身就是一项不小的数据治理成就。

§7.7 与其他韩国医疗数据资产的对照

库内若干条目也源自韩国的数据生态（如部分国民健康数据、临床登记），PAIR-BST 在其中代表了"机构级病理影像数据资产"这一类型：由顶级医院 + 大学联合沉淀，遵循国际数据发布规范（figshare+、CC 许可、版本化）。这种"临床机构主导 + 学术协作 + 平台化发布"的模式，是医用数据资产化的一条可行路径。

§7.8 一个数据集的双重身份

PAIR-BST 具有"资源"与"标尺"双重身份：

作为资源：它提供 2,252 张病理学家标注的骨与软组织肿瘤区域，可供训练、微调、表征学习。
作为标尺：它提供一套可复现的评测设置与结论，可供横向比较模型。

这两个身份的分工建议：用它的标尺身份定位模型的相对能力，用它的资源身份做针对性的改进。 两者结合，才能既"知道现状"又"推动进展"。

§7.9 学术引用与产业引用的分野

PAIR-BST 的使用场景可分学术与产业两支，二者对数据集的用法不同：

学术引用：关注基准可比性、结论可复现、方法创新；CC BY-NC 不构成障碍。
产业引用：关注许可合规、数据规模是否够训练产品、机构来源的合规风险；CC BY-NC 是硬门槛（坑 4）。

因此，PAIR-BST 的现实影响更可能落在学术侧的"评测与促进"，而非产业侧的直接产品化。这也解释了它作为"基准型数据集"的定位（§7.8 双重身份）。

§7.10 从单一数据集看数据生态的缺口

PAIR-BST 的存在，反衬出病理数据集生态的几处系统性缺口：

部位缺口：骨与软组织肿瘤等罕见谱系的数据远少于高发癌种。
任务缺口：检索、异常检测、持续学习等任务的数据远少于分类/分割。
许可缺口：多数临床数据受严格限制，公开可用的凤毛麟角。
来源缺口：数据多来自少数发达国家/机构，地域多样性不足。

PAIR-BST 在"部位 + 任务"两处补了缺，但在"许可（NC）"与"来源（单一机构）"上仍受生态通病约束。看清这些缺口，有助于理性评估单个数据集的能力边界。

§8 方法学启示：三条可迁移的经验

8.1 检索是被低估的病理任务范式

分类和分割占据了计算病理的大部分注意力，检索却常被忽视。PAIR-BST 提示我们：检索更贴近病理诊断的认知本质。病理医生的诊断过程包含大量的"相似病例回忆"——PAIR-BST 把这种能力数据化，为"以比对为核心"的辅助诊断系统提供了基准。对研究者，这是范式选择的启示：不必每个数据集都追分类/分割，检索任务同样是真问题。

8.2 罕见谱系是基础模型的照妖镜

通用病理基础模型在常见癌种上表现亮眼，但 PAIR-BST 的评估表明，到了骨与软组织肿瘤这类罕见谱系，模型的能力断崖式下降。"罕见的、长尾的、形态重叠的"数据，是检验模型是否真的学到了判别性表征的照妖镜。 在做基础模型宣称时，跨解剖部位、跨罕见程度的评估不可省略。

8.3 区域级标注是专家时间与任务需求的平衡点

像素级分割掩码标注成本极高（一张 WSI 动辄数小时专家时间），而弱标签（切片级）又过于粗糙。区域级（ROI）标注落在两者之间：病理学家只需圈定有意义的区域并给标签，成本可控，同时保留足够的语义密度。PAIR-BST 用这种粒度支撑检索与分类任务，给出了一条"专家可承受、任务可落地"的标注路线，对其他罕见谱系的数据集建设有直接借鉴意义。

8.4 发布形态即治理能力

PAIR-BST 以 figshare+ Collection + 版本化 + 多源索引的形态发布，而非"论文附件 zip"。这一选择本身就是数据治理能力的体现：版本可追溯、索引可发现、许可可声明。对数据发布者，这是可持续性（sustainability）的实操样板。

§8.5 数据集建设的可迁移清单

从 PAIR-BST 的建设经验中，可以提炼一份"罕见病病理数据集建设清单"：

明确任务：先定任务（检索/分类/分割），再定标注粒度。
专家标注：核心标签由领域专家给出，保证语义可信。
元数据先行：设计结构化的映射表（患者/切片/区域/标签），别只扔文件。
患者级隐私与划分：去标识化 + 患者级划分，防泄漏。
版本化发布：用支持版本的平台（figshare+），便于追溯。
许可清晰：明确 BY/NC/ND 各项，别留模糊。
自带基线：提供基线评估，降低二次开发成本。
诚实的局限声明：把规模小、长尾、机构单一等局限写明。

这份清单对库内其他罕见病数据集的撰写与评估也有参考价值。

§8.6 从这份数据集能学到的四堂课

第一课：任务选择即价值取向。 PAIR-BST 选择检索，而非分类/分割，体现了"贴近临床认知"的价值取向。数据集建设者应思考：我的任务设定是否映射了真实工作流？

第二课：罕见是检验的利器。 通用模型在常见场景的强势，可能掩盖其在罕见场景的虚弱。PAIR-BST 用骨与软组织肿瘤这一罕见谱系，把模型的短板照了出来。

第三课：粒度是设计变量。 区域级标注不是"折中"，而是针对检索任务的最优选择。粒度应服务于任务，而非越高越好。

第四课：诚实是资产。 数据集明确报告"基础模型面临挑战"，这种诚实的局限声明，反而提升了数据集的学术价值。

§8.7 方法论贡献的三层遗产

PAIR-BST 若被后续研究持续引用，其方法论遗产可能体现在三层：

任务层：证明了"检索式"病理数据集的价值，鼓励更多检索型基准。
部位层：把骨与软组织肿瘤纳入公开 AI 评测版图，填补罕见谱系空白。
评测层：以"多轴标签 + 诚实负结果"示范了如何做有价值的基准。

这三层遗产的共性，是把注意力引向被忽视的领域——任务被忽视、部位被忽视、困难被忽视。这正是 AI-Ready 数据生态中最稀缺的贡献。

§8.8 对库内数据条目撰写的三点反馈

PAIR-BST 的核验与撰写过程，也提示库内条目工作流的三点改进：

缩写歧义前置核验：像 BST/PAIR 这类高歧义缩写，应在派发阶段就提示核验（本任务已如此）。
双口径系统化存照：标题/机构/时间戳/规模的双口径应成为条目标配的存照项。
负结果也要如实收录：数据集自带的"基础模型不足"结论，是条目价值的一部分，不应淡化。

§9 与库内条目的关系

9.1 家族图谱

PAIR-BST 在千方病案医数集内的邻接关系：

骨与软组织肿瘤谱系：与骨/肉瘤相关条目同族（如 osteosarcoma 骨肉瘤）——解剖与病种直接相关。
病理 WSI-ROI 家族：panda-plus（像素级前列腺）、sicapv2（patch 级前列腺）、BRACS / bcss（乳腺亚型）——方法学相邻，同为病理专家标注。
病理基础模型评测：midog / midog-2026（有丝分裂 + 分型）——任务精神一致（评测基础模型短板）。
组织病理多类：unitopatho（多类组织病理）、nucls（亚型分类/检索）——任务与标签体系相近。

9.2 检索路径建议

精确检索词：“PAIR-BST” + “bone and soft tissue tumor” + “region-level”；避免仅用 “BST”（会撞脑肿瘤分割）或仅用 “PAIR”（会撞标注软件）。
DOI 优先：用 10.25452/figshare.plus.c.8223469 直接定位 Collection，比关键词搜索更可靠。
引用口径：引用规模数字时写明版本（V4 2026-09-01）；引用机构清单时以 Collection 口径（4 家）为准。

9.3 建议互链点（正文消歧，不进 frontmatter）

以下互链点供入库后的人工/算法补链参考（rid 待主会话按 DB 反查确认）：

osteosarcoma（骨肉瘤）——骨肿瘤谱系直接相关
panda-plus（前列腺像素级病理）——病理专家标注方法论对照
sicapv2（前列腺 patch 分类）——病理分类任务对照
midog / midog-2026（病理基础模型评测）——评测精神一致
unitopatho（组织病理多类）——标签体系相近
nucls（病理亚型分类与检索）——任务范式最接近
BRACS / bcss（乳腺病理亚型）——分类任务对照
wsss4luad / luad-histoseg（肺病理）——病理条目的解剖部位对照

§9.4 互链算法视角的相关度来源

若库内互链算法按 category_tags 计算相关度，PAIR-BST 的标签组合（医学影像 / 病理图像 / 图像分类 / 骨骼肌肉影像 / 评测基准 / 肿瘤学）会把它与以下条目群拉近：

病理图像 + 图像分类：panda-plus、sicapv2、BRACS、bcss、unitopatho、MHIST、NCT-CRC-HE-100K 等。
骨骼肌肉影像：骨/关节/肌肉影像相关条目（如膝关节、骨龄等）。
评测基准：各病理/影像基准条目（midog、nucls 等）。
肿瘤学：各类肿瘤数据集条目。

这意味着 PAIR-BST 在库内网络中的位置，是"病理图像 × 骨骼肌肉 × 评测基准 × 肿瘤学"四象限的交汇点，其最近邻应以病理图像分类家族（panda-plus、sicapv2、unitopatho、nucls）为主。

§9.5 与库内检索/检索式任务的横向对照

在千方病案医数集内，检索类任务不算主流，但存在若干可对照条目：

nucls：病理图像分类/检索，任务范式最接近。
ROCO / ROCO：医学图像-文本检索（放射影像），模态不同但检索范式相同。
图像-文本对齐类（多模态 L1）：如部分 VQA/检索数据集，任务精神相近。

对照的价值在于：病理域内检索 vs 放射域内检索 vs 跨模态检索，三者的方法学可互相借鉴。PAIR-BST 作为病理域内纯图像检索的代表，填补了其中一角。

§9.6 库内互链的落地建议

给入库后的补链提供三条落地建议：

优先连病理图像分类家族：panda-plus、sicapv2、unitopatho、nucls、BRACS、bcss——同标签族（病理图像 + 图像分类），相关度最高。
次连骨/肿瘤条目：osteosarcoma 等骨与软组织肿瘤相关条目——同疾病族。
补连评测基准族：midog、midog-2026 等——同"评测基准"标签。

互链的判定依据应落到 category_tags 的实际匹配上，避免凭印象连链。

§9.7 检索路径的最终建议

给检索者一句话总纲：用 DOI 精确命中，用全称消除歧义，用版本锁定复现，用患者级划分保证有效。

精确命中：10.25452/figshare.plus.c.8223469。
消除歧义：写全称，避免仅 BST/PAIR。
锁定复现：写明 V4（2026-09-01）。
有效划分：患者级（268 患者）。

§10 避坑清单

坑 1：标题双口径（是否含 rare）。 figshare+ Collection 标题为 “A region-level H&E histopathology image dataset for bone and soft tissue tumors”，而 NLM Dataset Catalog 等关联条目写 “…for rare bone and soft tissue tumors”。同一数据集两种官方标题，引用时指定口径。

坑 2：区域级 ≠ 像素级。 PAIR-BST 是区域级（ROI）标注，不是像素级分割掩码。想拿它做腺体/细胞级分割会失望——它是检索与分类数据集。别与骨肉瘤分割数据集混淆。

坑 3：机构家数与时间戳双口径。 Collection 列 4 家机构，部分 item 页出现第 5 家（SUNY Korea）；item posted 时间戳（15:23/15:24）与 Collection V4 时间（15:29）不一致。引用机构/时间以 Collection 口径为准，并指定版本。

坑 4：CC BY-NC 4.0 的 NC 限制。 许可为署名—非商业。商业用途（训练商用模型、付费产品评测、企业商用）需另行授权。它允许演绎（非 ND），但演绎品同样受 NC 约束。

坑 5：缩写歧义（BST / PAIR）。 BST 易误读为 brain tumor segmentation（脑肿瘤分割，那是 BraTS 系）；PAIR 易误读为某国产医学影像标注软件。此处 BST = Bone and Soft Tissue，PAIR = Pathologist-Annotated Image Retrieval。检索时用全称或 DOI 更稳。

坑 6：患者级泄漏陷阱。 2,252 ROI 仅来自 268 名患者。若按 ROI 随机划分训练/测试，同一患者的不同 ROI 会跨集泄漏，导致泛化性能虚高。必须按患者划分（patient-level split），并说明划分策略。

坑 7：类别长尾。 33 种诊断 / 11 种谱系 / 6 种生长模式分摊在 268 名患者上，长尾类别样本极少。报告宏平均（macro）时会受小类别剧烈波动影响，须同时给出每类样本量，谨慎解读。

坑 8：规模数字的适用边界。 2,252 ROI / 470 WSI / 268 患者是中小规模。用它从零预训练重型模型会过拟合；它的合理定位是评测基准与微调集。宣传"大模型在此"前，先核对模型是否在别处见过同源数据。

坑 9：评估榜单需回溯原始正文。 数据集摘要级页面未完整列出受测基础模型清单与完整数值。引用具体榜单时须回到元数据 CSV 或原始发布正文，避免二手转引失真。

坑 10：发布形态是 Collection 而非单文件。 PAIR-BST 是多 item 聚合（Collection c.8223469 + Parts + 元数据），不是单一 DOI 单文件。下载与引用都要理解这一结构，否则会漏取元数据 CSV（整个数据集的骨架）。

§10.1 避坑清单的归纳原则

上面十条坑，可以归纳为四类，方便记忆：

口径类（坑 1、3）：单一资产多种官方表述——标题、机构、时间戳。
语义类（坑 2、5）：缩写歧义、粒度误读——最伤检索者。
方法学类（坑 6、7、8）：泄漏、长尾、规模边界——最伤实验有效性。
依从类（坑 4、9、10）：许可、榜单回溯、发布形态——最伤合规使用。

遇到新数据集时，按这四类过一遍，能挡住大部分坑。

§10.2 坑点速记表

坑	类型	一句话
1 标题双口径	口径	是否含 rare 两版标题
2 区域级≠像素级	语义	不是分割掩码库
3 机构/时间双口径	口径	4 vs 5 家、时间戳不一
4 NC 限商用	依从	商用需授权
5 BST/PAIR 歧义	语义	非脑肿瘤/非标注软件
6 患者级泄漏	方法学	必须患者级划分
7 类别长尾	方法学	报告每类样本量
8 规模偏小	方法学	不宜从零预训练
9 榜单需回溯	依从	回流元数据/正文
10 Collection 非单文件	依从	先门面再取件

§10.3 面向新手的三分钟上手指引

第一次接触 PAIR-BST 的读者，按以下三步即可上手：

认清它是什么：骨与软组织肿瘤 H&E 病理区域检索数据集，2,252 ROI / 268 患者，CC BY-NC，figshare+ 公开（§1）。
拿到数据：访问 Collection DOI，下载元数据 CSV 与 Parts（§6.7）。
开始实验：按患者划分，先跑冻结特征 + 线性探针基线，再做检索/分类多轴评测（§5.8、§6.7）。

一句话提醒：它是"评测与研究的标尺"，不是"临床诊断工具"（FAQ G2）。

§10.4 十个坑的"一句话"记忆法

“两口径（1、3）、两歧义（2、5）、三方法（6、7、8）、三依从（4、9、10）”——十二字串起十条坑，便于快速回忆与交叉检查。

§11 总结

11.1 三句话总结

PAIR-BST 是骨与软组织肿瘤的区域级 H&E 病理图像检索数据集：470 张 WSI、268 名患者、2,252 张病理学家标注 ROI，覆盖 33 种诊断、11 种谱系、6 种生长模式，CC BY-NC 4.0 于 figshare+ 公开。
它的核心任务是检索而非分割：以 ROI 为查询单元找回相似区域，同时关联亚型分类与生长模式识别，补上了库内"骨与软组织肿瘤 + 检索范式"的双重空白。
它自带一个诚实的难度结论：病理基础模型在识别该肿瘤、尤其区分亚型与生长模式时面临挑战——这是一个尚未解决的专用任务，而非又一个易刷的基准。

11.2 适合谁

做病理图像检索的研究者：这是稀缺的专用检索基准。
做骨与软组织肿瘤/肉瘤 AI 的团队：罕见谱系的宝贵公开资源。
评测病理基础模型的人：多轴（诊断/谱系/生长模式）评测，能揭示模型的部分能力。
研究罕见病长尾学习的人：天然的类别不均衡实验场。
数据治理/数据集建设研究者：figshare+ 版本化发布的实操样例。

11.3 不适合谁

想找像素级分割掩码的人：PAIR-BST 是区域级标注（坑 2）。
想从零预训练大模型的人：2,252 ROI / 268 患者规模偏小（坑 8）。
有商业用途的人：CC BY-NC 4.0 禁止商业使用，需另行授权（坑 4）。
想找脑肿瘤分割数据的人：BST 不是 Brain Tumor Segmentation，去找 BraTS 系（坑 5）。
想按 ROI 随机划分就收工的人：会踩患者级泄漏（坑 6）。

11.4 30 秒决策卡

你的问题	答案
能做检索任务吗？	能，这就是它的核心设计
能做亚型分类吗？	能，33 诊断 / 11 谱系 / 6 生长模式三层标签
能做像素级分割吗？	不能直接做，标注是区域级（坑 2）
规模够预训练吗？	不够，2,252 ROI / 268 患者（坑 8）
能商用吗？	默认不能，CC BY-NC 4.0（坑 4）
怎么下载？	figshare+ 公开直链，Collection 10.25452/figshare.plus.c.8223469
怎么划分？	必须患者级划分（坑 6）
基线结论？	基础模型在亚型/生长模式上力不从心

§11.5 一句话记住 PAIR-BST

“骨与软组织肿瘤的 2,252 张病理学家标注 ROI，为图像检索而建，公开免费但不许商用，且它明说：基础模型还没搞定。”

§11.6 给三类读者的三条路线

给检索研究者的路线：§3.10 相关性定义 → §4.5 指标体系 → §5.8 评测协议 → §6 获取。核心是"多轴检索 + 患者级划分"。

给骨与软组织肿瘤研究者的路线：§0 → §2.7 疾病背景 → §3.7 标注质量 → §7.2 临床意义。核心是"把它当作罕见谱系的评测与微调资源"。

给基础模型评测者的路线：§5 全章 → §4.5 指标 → §9 库内互参。核心是"用它做跨部位、跨任务的模型能力审问"。

§11.7 结语

PAIR-BST 是一部"小而诚实"的病理数据集：规模不大，但它选择了被忽视的部位（骨与软组织肿瘤）、被忽视的任务（检索）、并以诚实的态度报告了基础模型的不足。对千方病案医数集而言，它的价值不在于数字的宏大，而在于补位——补上解剖部位的缺、任务范式的缺、以及"敢于说没解决"的缺。使用者只要记住三件事：它是检索数据集、是罕见的骨与软组织肿瘤、是 CC BY-NC 非商用，就能避开绝大多数坑，把它用在正确的地方。

FAQ 补充（G. 深度问答）

G1：为什么说它是"评测基准"而非"训练集"？
规模只有 2,252 ROI / 268 患者，不足以从零预训练；但其标签专业、任务明确、自带结论，适合作为评测基准与微调集。

G2：它能替代骨与软组织肿瘤的实际诊断吗？
不能。它是研究/评测资源，不是临床诊断工具。且数据集自带评估表明基础模型在该领域能力不足，离临床落地很远。

G3：多轴标签会不会互相矛盾？
理论上诊断/谱系/生长模式应自洽（同诊断通常对应确定谱系），但不排除个别标注的边缘情况。使用时若发现矛盾标签，应核对元数据。

G4：ROI 大小是否统一？
未在摘要级页面确认。ROI 是病理学家圈定的"有诊断价值的区域"，大小可能随病变特征变化。若要做固定尺寸输入的模型，需自行 resize/pad——这又引入尺度问题（§2.8）。

G5：为什么 CC BY-NC 而没有选 CC BY？
推测与机构对潜在商业利用的保留态度有关。NC 让学术使用无碍、商业使用需授权，是临床机构发布数据的常见选择。

G6：如何引用它最规范？
写清：数据集名（PAIR-BST）、作者团队、Collection DOI、访问版本与日期、许可（CC BY-NC 4.0）。

G7：版本更新会改变结果吗？
可能。若新版本增删样本或修订标签，同一协议下的指标会变化。因此跨版本比较需谨慎，复现须锁定版本（坑 3）。

G8：它有没有官方 GitHub / 代码？
本轮核验未命中官方代码仓库，记为遗留疑点；使用以 figshare+ 数据为准。

FAQ 补充（H. 名词与背景）

H1：什么是分化谱系？
分化谱系（differentiation lineage）指肿瘤细胞向哪种正常细胞方向分化，如成骨、成软骨、脂肪、血管、神经等。它是"肿瘤像什么组织"，与"具体是什么肿瘤"（诊断）不同层级。

H2：什么是生长模式？
生长模式（growth pattern）指肿瘤在组织中的空间生长形态，如膨胀性生长（推挤周围）或浸润性生长（渗入周围）。它反映肿瘤的侵袭性倾向。

H3：H&E 为什么要染色？
未经染色的组织在显微镜下几乎透明，无法辨认结构。H&E（苏木精染细胞核呈蓝紫、伊红染细胞质呈粉红）提供对比，使细胞与组织结构可见——是病理学百年来最基础的染色。

H4：WSI 有多大？
一张 40× 的 WSI 通常达数 GB（gigapixel 级）。这正是需要"区域级裁片（ROI）"作为任务单元的现实原因——直接处理整张 WSI 计算成本极高。

H5：什么是免疫组化，和 PAIR-BST 有关系吗？
免疫组化（IHC）是用抗体检测组织特定蛋白的技术，常辅助骨与软组织肿瘤分型。PAIR-BST 以 H&E 图像为主，IHC 相关模态是否包含未在摘要级页面确认（附录 C）。

FAQ（高频问答）

A. 基础认知

A1：PAIR-BST 一句话是什么？
骨与软组织肿瘤的区域级 H&E 病理图像检索数据集，2,252 张病理学家标注 ROI。

A2：PAIR-BST 这个缩写怎么拆？
PAIR = Pathologist-Annotated Image Retrieval（病理学家标注图像检索，数据集自名前缀）；BST = Bone and Soft Tissue（骨与软组织肿瘤）。

A3：BST 是不是脑肿瘤分割？
不是。脑肿瘤分割是 Brain Tumor Segmentation，对应 BraTS 系数据集；PAIR-BST 的 BST 是 Bone and Soft Tissue（坑 5）。

A4：谁发布的？
Samsung Medical Center（三星首尔医院）/ Sungkyunkwan University（成均馆大学）/ SAIHST / National Cancer Center，通讯作者 Yoon-La Choi。

A5：发布在哪、什么时候？
figshare+ Collection，doi:10.25452/figshare.plus.c.8223469；V1 2026-06-26，当前 V4 2026-09-01。

B. 数据与获取

B1：规模到底多大？
470 张 WSI、268 名患者、2,252 张病理学家标注 ROI 图像；33 种诊断、11 种谱系、6 种生长模式。

B2：怎么下载？
figshare+ 公开直链，无需申请。

B3：要花钱吗、能商用吗？
下载免费；许可为 CC BY-NC 4.0，禁止商业使用，商用需另行授权（坑 4）。

B4：和 panda-plus 什么区别？
部位不同（骨与软组织 vs 前列腺）、粒度不同（区域级 vs 像素级）、任务不同（检索 vs 分割分级）（坑 2）。

B5：有像素级掩码吗？
没有。PAIR-BST 是区域级标注（坑 2）。

C. 任务与标签

C1：核心任务是什么？
病理图像检索（image retrieval），关联亚型分类、分化谱系、生长模式识别。

C2：33 / 11 / 6 是什么？
33 种组织学诊断、11 种分化谱系、6 种生长模式，三层标签维度。

C3：标签谁标的？
病理学家（pathologist-annotated），区域级（region-level）标注。

C4：能用来做分割吗？
不能直接做像素级分割，需要另行适配（坑 2）。

C5：类别均衡吗？
不均衡，罕见谱系天然长尾，须同时报告每类样本量（坑 7）。

D. 评估与基准

D1：数据集自带评估结论是什么？
病理基础模型在识别该肿瘤、尤其区分亚型与生长模式时面临挑战。

D2：这句话怎么理解？
粗粒度可分、细粒度不可分，说明通用预训练表征没能迁移到骨与软组织肿瘤的细粒度判别。

D3：怎么用做基准？
三层标签多轴评测 + 检索指标；锁定版本、患者级划分、说明划分策略（坑 3、坑 6）。

D4：榜单在哪？
摘要级页面未完整列出，须回溯元数据 CSV 或原始发布正文（坑 9）。

E. 生产与库内

E1：库内有类似条目吗？
有：osteosarcoma、panda-plus、sicapv2、midog、unitopatho、nucls、BRACS、bcss 等（详见 §9）。

E2：它补了什么空缺？
骨与软组织肿瘤这一解剖部位，以及检索这一任务范式。

E3：检索时用什么关键词？
“PAIR-BST” + 全称，或用 DOI；避免仅用 BST/PAIR（坑 5）。

F. 复现与工程细节

F1：数据怎么组织？
figshare+ Collection：Parts 1–6（ROI 图像）+ 元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv）。

F2：先读什么？
先读元数据 CSV，理清患者/WSI/ROI 三层与标签映射，再决定划分。

F3：怎么防泄漏？
按患者划分（patient-level split），不用 ROI 随机划分（坑 6）。

F4：怎么引用？
figshare+ 版本化 DOI，写明版本（如 V4 2026-09-01）。

F5：有期刊论文吗？
本轮未命中对应的同行评审期刊论文，记为遗留疑点；引用暂以 figshare+ Collection 为权威源。

事实清单（硬事实）

官方全称：PAIR-BST = Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors。
figshare+ Collection 标题：PAIR-BST: A region-level H&E histopathology image dataset for bone and soft tissue tumors。
NLM/关联标题变体：…for rare bone and soft tissue tumors（双口径，是否含 rare）。
缩写歧义：BST = Bone and Soft Tissue（骨与软组织肿瘤），非 Brain Tumor Segmentation。
缩写歧义：PAIR = Pathologist-Annotated Image Retrieval，非某医学影像标注软件。
ROI 图像数：2,252 张，全部由病理学家逐区标注。
WSI 数：470 张。
患者数：268 名。
组织学诊断数：33 种。
分化谱系数：11 种。
生长模式数：6 种。
主导机构：Samsung Medical Center（三星首尔医院）。
协作机构：Sungkyunkwan University（成均馆大学）、SAIHST、National Cancer Center。
机构家数双口径：Collection 4 家，item 页可含第 5 家 SUNY Korea。
通讯作者：Yoon-La Choi，邮箱 ylachoi@skku.edu。
作者总数：13 人。
许可：CC BY-NC 4.0（署名—非商业性使用 4.0 国际）。
发布平台：figshare+。
Collection DOI：10.25452/figshare.plus.c.8223469。
元数据 DOI：10.25452/figshare.plus.31131145。
元数据 item DOI：10.25452/figshare.plus.33383509。
Part 2 DOI：10.25452/figshare.plus.30959223.v1。
版本史：V1 2026-06-26 → V2/V3 2026-08-23 → V4 2026-09-01。
时间戳双口径：item posted 15:23/15:24 vs Collection V4 15:29。
文件结构：Parts 1–6（ROI 图像）+ 1 个元数据 CSV。
元数据文件名：Sarcoma_WSI_and_ROI_Metadata.csv，423.31 kB。
Part 3 文件数：361。
染色：H&E（苏木精-伊红）。
标注粒度：区域级（region-level, ROI），非像素级掩码。
核心任务：病理图像检索（image retrieval）。
关联任务：组织学亚型分类、分化谱系识别、生长模式识别。
核心评估结论：病理基础模型在识别该肿瘤、尤其区分亚型与生长模式时面临挑战。
资助 1：韩国保健福祉部癌症控制研发 RS-2023-CC138390。
资助 2：KHIDI RS-2025-22842969。
资助 3：KHIDI RS-2025-22852970。
收录来源：figshare+、NLM Dataset Catalog、OpenAIRE、BIP! Finder。
NLM 查询标识：0003067381。
商业限制：NC 条款，商用需另行授权。
患者级泄漏风险：2,252 ROI 来自 268 患者，须患者级划分。
未命中同行评审期刊论文（遗留疑点）。

术语表

PAIR-BST：本文数据集名，Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors。
BST（Bone and Soft Tissue）：骨与软组织（肿瘤），本文的解剖部位范畴。
PAIR（Pathologist-Annotated Image Retrieval）：病理学家标注的图像检索，数据集自名前缀。
WSI（Whole Slide Image，全切片图像）：数字病理的原始扫描产物，gigapixel 级多分辨率图像。
ROI（Region of Interest，感兴趣区域）：从 WSI 上切取的、具病理意义的最小标注/检索单元。
Region-level annotation（区域级标注）：以区域为单位赋予标签，区别于像素级掩码。
Image retrieval（图像检索）：以查询图像在库中召回相似图像的范式。
H&E（Hematoxylin and Eosin，苏木精-伊红）：病理学最通用的组织染色。
Histologic diagnosis（组织学诊断）：具体病种/病理诊断，本文 33 类。
Differentiation lineage（分化谱系）：肿瘤细胞的分化方向，本文 11 类。
Growth pattern（生长模式）：肿瘤的空间生长形态，本文 6 类。
Histologic subtype（组织学亚型）：同一瘤种下的形态学细分。
Pathology foundation model（病理基础模型）：在大规模病理数据上预训练的通用模型。
Computational pathology（计算病理学）：用计算方法处理病理图像的学科。
Digital pathology（数字病理）：把玻璃切片数字化的技术与流程。
Sarcoma（肉瘤）：起源于间叶组织的恶性肿瘤，涵盖骨与软组织肿瘤的恶性端。
Osteosarcoma（骨肉瘤）：最常见的原发性骨恶性肿瘤。
Class imbalance（类别不均衡）：不同类别样本量差异悬殊。
Long tail（长尾）：少数类别占据大量样本、多数类别样本稀少的现象。
Patient-level split（患者级划分）：按患者而非按图像/区域划分数据集，防泄漏。
Data leakage（数据泄漏）：训练与测试间存在不应有的信息共享，导致性能虚高。
figshare+：figshare 的机构/增强托管域，DOI 前缀 10.25452。
Collection（集合）：figshare 上聚合多个 item 的容器。
Versioned DOI（版本化 DOI）：figshare 支持以 .vN 后缀锁定具体版本。
CC BY-NC 4.0：署名—非商业性使用 4.0 国际许可。
NC（NonCommercial，非商业）：CC 许可中限制商业使用的条款。
Recall@K：检索任务中前 K 个结果里命中相关样本的比例。
mAP（mean Average Precision，平均精度均值）：检索任务的排序质量指标。
Domain gap（领域鸿沟）：源域训练的模型在目标域性能下降的现象。
AI-Ready：数据可直接用于 AI 训练/评测的就绪程度。

来源存照

figshare+ Collection（一手）：https://doi.org/10.25452/figshare.plus.c.8223469
figshare+ 元数据 item（一手）：https://doi.org/10.25452/figshare.plus.33383509
figshare+ 元数据文件（一手）：https://doi.org/10.25452/figshare.plus.31131145
figshare+ Part 2 item（一手）：https://doi.org/10.25452/figshare.plus.30959223.v1
NLM Dataset Catalog（政府索引）：https://datasetcatalog.nlm.nih.gov/dataset?q=0003067381
OpenAIRE（欧盟聚合）：https://explore.openaire.eu/
BIP! Finder（学术图谱）：https://bipfinder.d4science.org/（DOI 10.25452/figshare.plus.31131145）

说明：以上为抓取时点（2026-10-09）内可核验的来源。figshare+ 各 item 与其 DOI 均可在 figshare+ 域内按 Collection 门面检索确认。

附录 A：条目信息速查卡

字段	值
slug	pair-bst
官方名	PAIR-BST
全称	Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors
部位	骨与软组织肿瘤
模态	H&E 组织病理图像
规模	2,252 ROI / 470 WSI / 268 患者
标签	33 诊断 / 11 谱系 / 6 生长模式
任务	图像检索（+ 亚型/谱系/生长模式分类）
许可	CC BY-NC 4.0
获取	figshare+ 公开直链
DOI	10.25452/figshare.plus.c.8223469
版本	V4（2026-09-01）
机构	Samsung Medical Center 等（韩国）
通讯	Yoon-La Choi

附录 B：双口径存照清单

标题 rare 词：Collection 无 rare / NLM 关联有 rare。
机构家数：Collection 4 家 / item 页 5 家（含 SUNY Korea）。
时间戳：item posted 15:23、15:24 / Collection V4 15:29。
发布形态：Collection 聚合多 item，非单一 DOI 单文件。

附录 C：遗留疑点

未命中对应的同行评审期刊论文（可能为纯数据发布或论文关键词未覆盖）。
评估榜单的完整模型清单与数值未在摘要级页面获取。
SUNY Korea 是否为核心贡献机构待核。
WSI 具体放大倍数与像素间距（μm/px）未在摘要级页面锁定，须查元数据 CSV。

INFOBOX — PAIR-BST 一屏速览

维度内容

本质骨与软组织肿瘤区域级 H&E 病理图像检索数据集（病理学家标注 ROI，非分割掩码库）

全称 Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors

团队 Samsung Medical Center（三星首尔医院）/ Sungkyunkwan University（成均馆大学）/ SAIHST / National Cancer Center，通讯 Yoon-La Choi（ylachoi@skku.edu）

发布 figshare+ Collection（doi:10.25452/figshare.plus.c.8223469）；V1 2026-06-26 → V4 2026-09-01

数据 470 张 WSI / 268 名患者 / 2,252 张病理学家标注 ROI

标签体系 33 种组织学诊断 / 11 种分化谱系 / 6 种生长模式

结构 Parts 1–6（ROI 图像）+ 元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv，423.31 kB）；Part 3 含 361 文件

核心任务病理图像检索（image retrieval）；关联亚型分类 / 分化谱系 / 生长模式识别

核心发现 病理基础模型识别该肿瘤、尤其区分亚型与生长模式时面临挑战

获取 figshare+ 公开直链（无需申请）

许可 CC BY-NC 4.0（署名—非商业，商用需另行授权）

库内互链骨与软组织肿瘤 / 肉瘤系条目、病理 WSI-ROI 家族（panda-plus / sicapv2）、病理基础模型评测（midog）

PAIR-BST 是一份把"骨与软组织肿瘤"这块病理图像里的稀罕地带系统化端出来的数据集：它从 470 张全切片图像（WSI）中切出 2,252 张由病理学家逐区标注的感兴趣区域（ROI），覆盖 268 名患者、33 种组织学诊断、11 种分化谱系与 6 种生长模式，任务核心是图像检索——给定一张病理区域，能否在海量区域里找回同源或同类的那一张。它的发布方是韩国三星首尔医院与成均馆大学的联合团队，采用 CC BY-NC 4.0 在 figshare+ 上公开。数据集自带的评估给出的结论并不轻松：现成的病理基础模型在识别这类肿瘤、尤其是区分亚型与生长模式时，明显力不从心。

导语读法三则：

只想下数据：直奔 §6 获取与许可——figshare+ 公开直链，CC BY-NC 4.0，注意 NC 限制商用即可（坑 4）。
关心它能做什么任务：直奔 §3 任务与标注——它是"检索"数据集而非"分割"数据集，别拿它当像素级掩码用（坑 2）。
做病理基础模型评测：直奔 §5 评估与基准——检索/亚型/生长模式三层评估，结论是基础模型尚有明显缺口。

附录 D：快速核验表

核验项	结果
数据集真实存在	✅ 五源互证（figshare+/NLM/OpenAIRE/BIP! Finder/Collection）
具名公开数据集	✅ PAIR-BST，figshare+ Collection 公开
与库内条目同物	❌ 无撞库（DB 0 rows），为新增条目
缩写歧义	✅ 已消解（BST=Bone and Soft Tissue；PAIR=Pathologist-Annotated Image Retrieval）
许可可查证	✅ CC BY-NC 4.0
硬数字多源一致	✅ 2,252/470/268/33/11/6

附录 E：本条目撰写方法与来源

核验方法：五源互证（figshare+ Collection 与 item 为一手；NLM Dataset Catalog、OpenAIRE、BIP! Finder 为索引/聚合源）。
网络预算：WebSearch 3 次、WebFetch 3 次（均在任务上限内）。
来源 URL：见"来源存照"章节。
存照纪律：所有双口径（标题/机构/时间戳/发布形态）逐条记入附录 B；遗留疑点记入附录 C。
撰写口径：中文为主，术语首现标英文；推断内容显式标注为推断（§3.9）。

维度	内容
本质	骨与软组织肿瘤区域级 H&E 病理图像检索数据集（病理学家标注 ROI，非分割掩码库）
全称	Pathologist-Annotated Image Retrieval dataset for Bone and Soft Tissue tumors
团队	Samsung Medical Center（三星首尔医院）/ Sungkyunkwan University（成均馆大学）/ SAIHST / National Cancer Center，通讯 Yoon-La Choi（ylachoi@skku.edu）
发布	figshare+ Collection（doi:10.25452/figshare.plus.c.8223469）；V1 2026-06-26 → V4 2026-09-01
数据	470 张 WSI / 268 名患者 / 2,252 张病理学家标注 ROI
标签体系	33 种组织学诊断 / 11 种分化谱系 / 6 种生长模式
结构	Parts 1–6（ROI 图像）+ 元数据 CSV（Sarcoma_WSI_and_ROI_Metadata.csv，423.31 kB）；Part 3 含 361 文件
核心任务	病理图像检索（image retrieval）；关联亚型分类 / 分化谱系 / 生长模式识别
核心发现	病理基础模型识别该肿瘤、尤其区分亚型与生长模式时面临挑战
获取	figshare+ 公开直链（无需申请）
许可	CC BY-NC 4.0（署名—非商业，商用需另行授权）
库内互链	骨与软组织肿瘤 / 肉瘤系条目、病理 WSI-ROI 家族（panda-plus / sicapv2）、病理基础模型评测（midog）