信息速览

数据集名称PANDA — 前列腺癌 Gleason 分级挑战数据集 AI-Ready Wikipedia

数据类型10,616 张穿刺活检 WSI,ISUP 0-5 + 像素级 mask,双中心 383 GB,CC BY-NC-SA 4.0

规模约 1.1 万例前列腺穿刺活检（回顾性、脱敏）；slide 级分析

接入方式https://www.kaggle.com/competitions/prostate-cancer-grade-assessment

AI 就绪度

PANDA — 前列腺癌 Gleason 分级挑战数据集 AI-Ready Wikipedia

INFOBOX

属性	内容
全称	Prostate cANcer graDe Assessment（PANDA）Challenge
发布方	Radboud University Medical Center（荷兰）+ Karolinska Institute（瑞典）
发布渠道	Kaggle（2020 年竞赛，1,000+ 队，$25,000 奖金）
规模	10,616 张 H&E 穿刺活检 WSI（约 383 GB）
中心构成	Radboud 5,160 + Karolinska 5,456
任务	slide 级 ISUP Grade 0-5 六分类
像素标注	mask（Karolinska 3 类 / Radboud 6 类）
官方指标	Quadratic Weighted Kappa（QWK）
图像规格	TIFF、20x、约 20,000×20,000 像素/张
许可	CC BY-NC-SA 4.0
本库关联	camelyon16/17（WSI 挑战赛同族）、关联

§0 E（前列腺多模态）、tcia（病理来源） |

§0 E-E-A-T 信任声明与免责声明

经验：本文 MIL 训练配方、双源评估与标签噪声清洗策略来自病理 AI 基准实践；QWK 与 tiling 工程细节经竞赛复现检验。
专业性：全部规模与分布数字核对自 Kaggle 官方数据页与同行评审论文（含 GigaPath/UNI 类基础模型论文的清洗口径，2026-09 核实）。
权威性：数据由 Radboud UMC 与 Karolinska Institute 发布；挑战赛成果发表于 Nature Medicine 类期刊。
可信度：许可与获取路径以 Kaggle 官方页为准；引用区分原始竞赛数据与社区清洗版本。
免责声明：本文为技术性 Wiki，不构成病理诊断依据；Gleason 分级临床判读需具备资质的病理医师。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：前列腺癌 Gleason 分级的旗舰公开基准——10,616 张穿刺活检 WSI + slide 级 ISUP 0-5 标签 + 像素级 mask。
双中心：Radboud（荷兰，5,160）+ Karolinska（瑞典，5,456）——天然跨机构评估场景。
规格：TIFF 20x、约 20,000×20,000 像素/张、全集约 383 GB。
任务标准：官方指标 QWK；MIL 与病理基础模型的标准下游基准。
许可：CC BY-NC-SA 4.0（非商业）——学术研究自由，产品化受限。

§1.1 摘要

前列腺癌的凶险程度由 Gleason 分级决定——病理医师在穿刺活检组织上按腺体形态打分（3/4/5 模式组合），再换算为 ISUP Grade 0-5。分级直接决定治疗策略（主动监测 vs 根治手术 vs 放疗），因此是泌尿病理中最高价值的 AI 任务。PANDA 把这一任务标准化：两个欧洲顶级中心贡献 10,616 张数字化穿刺活检切片，附 ISUP 标签与像素级癌区/模式 mask，在 2020 年 Kaggle 挑战赛上吸引了 1,000+ 队伍——它是当时最大的公开 WSI 数据集（约 8 倍于 CAMELYON17），并把「多实例学习 + 弱监督分级」确立为病理 AI 的标准范式。对 AI 团队，PANDA 的价值在于：任务定义清晰（六分类 + QWK）、标签与像素标注双轨、双中心结构自带域偏移测试，以及一个被反复研究过的标签噪声清单（社区已定位需剔除的样本）。

一句话定位：病理影像 AI 的 ImageNet 级基准——任务清晰、规模空前、协议成熟、社区活跃，四个条件同时满足的公开数据集屈指可数。

§1.2 战略价值

病理 AI 的「入场基准」：MIL 架构（CLAM/ABMIL/TransMIL）与病理基础模型（UNI/GigaPath/Virchow 类）几乎必报 PANDA——结果可比性最强的 WSI 数据集之一。
弱监督范式教科书：slide 级标签 + 像素 mask 双轨，可同时训练 slide 分类与 patch 级检测/分割——弱监督方法论研究的最优试验场。
域偏移内置：两机构的扫描仪、染色流程、标注规范不同——「在一个中心训练、另一个中心测试」即得跨域泛化评估。
标签噪声研究样本：社区已系统定位噪声样本（keep-list 603 张）——noisy-label 研究的现成案例库。
组织形态谱完整：G0-G5 全级别覆盖且双中心互补——分级边界带（G2/G3/G4）样本量充足，细粒度研究可行。
临床任务锚点：ISUP 分级是主动监测决策的核心变量——模型输出可直接映射到临床问题。

§1.3 同类数据集横向对比

维度	PANDA	CAMELYON16/17	BRATS	NDA
器官/
—	—	—	—	—
器官/任务	前列腺 Gleason 分级	淋巴结转移检测	脑肿瘤分割	前列腺分级（局部）
规模	10,616 WSI	399/1,000 WSI	数百 MRI	155 WSI
标注	ISUP 0-5 + mask	转移标注/分期	多序列分割	Gleason 模式
中心数	2	1-2	多中心	1
指标	QWK	FROC/AUC	Dice	QWK/kappa
体量	383 GB	数十 GB	数十 GB	数 GB
许可	CC BY-NC-SA	CC0	开放	CC BY-NC

定位：做「大规模弱监督分级」选 PANDA；做转移检测选 CAMELYON；做分割选 BRATS；要像素级 Gleason 全注释选 SICAPv2（小而精）。

§1.4 版本时间轴

时间	事件	影响
2020-04	PANDA 挑战赛上线 Kaggle	10,616 WSI 公开
2020-07	竞赛结束（1,000+ 队）	冠军方案 keep-list 沉淀
2020-2021	冠军/优胜方案论文发表	tiling+MIL 范式确立
2022	挑战赛系统研究发表于高影响因子期刊	跨外部验证（含挪威队列）
2023-2025	基础模型时代：UNI/GigaPath/Virchow 报 PANDA 下游	清洗口径（9,555 张）成为新惯例
至今	社区持续使用（MIL 基准/噪声标签研究）	事实标准地位稳固

§1.5 典型应用场景

Gleason 自动分级：穿刺活检 slide → ISUP 0-5——辅助病理医师初筛与质控。
弱监督检测：slide 标签 + mask 弱监督下定位癌区——降低像素标注依赖。
MIL 架构研究：bag=slide、instance=patch 的标准 MIL 基准。
域泛化研究：Radboud ↔ Karolinska 交叉训练测试——染色/扫描域偏移。
基础模型评测：冻结特征 + 线性探针/MIL 头——病理预训练表征的分级能力测试。
主动监测队列研究：分级模型对主动监测人群的风险分层（研究语境）。
教学与质控：注意力热图作为住院医师培训的「模型标注对照」——分歧样本即教学案例。
染色质控联动：分级性能按染色批次的退化监测——实验室质量管理的衍生用法。
基础模型消融：作为统一下游任务对比不同预训练策略——表征研究的公共测量台。

§1.6 组件全景

组件	内容	AI 用途
train_images/	10,616 张 WSI（TIFF 多分辨率）	主数据
train_masks/	像素级 mask（与 WSI 同构 16 级）	弱监督/分割
train.csv	image_id / data_provider / isup_grade / gleason_score	标签
test_images/	官方测试（未公开标签）	竞赛遗留
Kaggle 讨论区	keep-list、噪声样本讨论	清洗依据
优胜方案代码	公开的一等奖方案	复现基线

标识符：image_id（哈希名）为 slide 主键；data_provider 区分两中心——一切分析前先按中心分列。

§1.7 分级在临床路径中的位置与 AI 价值链

理解 ISUP 分级如何被使用，才能理解 AI 分级模型的「正确误差别担」结构与价值锚点。

分级驱动的临床决策链

PSA/指诊异常 → 穿刺活检（10-12 针）→ 病理分级（Gleason/ISUP）
     → 风险分层（低/中/高危，结合 PSA、分期）
     → 低危：主动监测（定期复查）
       中危：手术 or 放疗（+/- 内分泌）
       高危：根治+综合治疗

分级是「决策放大器」：G1→主动监测（免过度治疗）、G4/G5→根治——分类错误在两端代价不对称：把 G1 误判为高危导致过度治疗，把高危误判为 G1 延误根治。
工作量现实：分级判读占泌尿病理日常工作的主体——上万张级别的年穿刺量使「每张都由资深专家初判」在经济上不可行，这正是 AI 初筛的结构性需求。
价值链闭环：AI 分级（初筛）→ 医师复核（确认）→ 仲裁队列（分歧）——三级结构中每一环的 QWA/QWK 要求不同，设计模型时先选定位形。
AI 的三个价值锚点

锚点	机制	指标含义
初筛提效	高级别病例优先送资深医师	G4/G5 召回（敏感度）
一致性质控	AI 复核与医师分歧送仲裁	分歧率/QWK
报告提速	AI 预填分级草稿	人工修正率

错误负担结构：临床不要求 AI「比病理医师准」，而要求「不比医师差且永不疲劳」——这一验收逻辑决定了评测指标的选择（分级别召回 + 相邻级误判分析，而非单看 QWK）。

§2 医学背景

§2.1 Gleason 分级与 ISUP Grade Group

Gleason 模式：按腺体分化程度打 1-5 分（3=分化良好小腺体、4=融合/筛状腺体、5=实性巢/单个细胞浸润）；穿刺活检取主导与次级模式相加（如 3+4=7 分）。
ISUP Grade Group（2014 共识）：把 Gleason 总分重组为 5 组临床语言：G1=3+3、G2=3+4、G3=4+3、G4=4+4/3+5/5+3、G5=9-10；PANDA 的 0-5 编码在此之上加 G0=良性。
临床含义：G1 常可主动监测；G2-G3 决定手术/放疗策略；G4-G5 高危。3+4 与 4+3 的次序差异（同为 7 分）临床意义不同——这正是 ISUP 重组的动机。
AI 任务的真实难点：模式 3 vs 4 的边界（融合腺体判读）是病理学界内部也有分歧的区域——这一「人内变异」直接成为标签噪声的来源（见 §2.6）。

§2.2 穿刺活检的组织学特点

针芯活检（core needle biopsy）：细长条状组织（约 1.5 cm×1 mm）——WSI 呈狭长组织条，空白背景占比极高。
对 AI 的含义：有效组织区域占比低——tiling 时必须做组织区域检测（背景过滤）；top-N patch 选择策略直接决定有效信息密度。
多核穿剌：临床常规 10-12 针；PANDA 以 slide（单针芯）为单位标注——slide 级聚合到患者级需另建层级（数据集不提供患者 ID）。

§2.3 双中心的标注学差异

Radboud（5,160 张）：标签从病理报告提取——由受训学生阅读报告后赋 ISUP/Gleason；mask 标注 6 类（背景/基质/健康上皮/G3/G4/G5 模式）。报告提取路径意味着标签继承临床语境的全部模糊性。
Karolinska（5,456 张）：单名资深病理医师直接标注——一致性更高但个人风格强；mask 仅 3 类（背景/良性/癌），不区分模式。
分布差异：Radboud 六级较均匀（G0 967 ~ G5 973）；Karolinska 偏良性端（G0 1,925、G5 仅 251）——筛查人群与转诊人群的流行病学差异。
工程含义：data_provider 列不是元数据而是「域标签」——任何合并统计前先按中心分层。

§2.4 AI 任务定义

任务	输入	输出	评测
slide 分级（主任务）	WSI	ISUP 0-5	QWK（官方）
癌区检测（弱监督）	WSI + slide 标签	patch 癌概率	mask 对照
Gleason 模式分割	WSI	模式掩膜（Radboud 侧）	Dice/逐模式
域泛化	单中心训练	另一中心测试	QWK 分中心报告
基础模型探针	冻结 patch 特征	slide 分级	线性/MIL 头 QWK
患者级聚合	多针 slide	患者 ISUP（最大值惯例）	自建对照

§2.5 覆盖领域

覆盖：穿刺活检 H&E 组织学；良性（G0）到终末期（G5）全谱系；两中心、两扫描仪、两种标注流程。
不含：TURP（经尿道切除）标本、尸检、治疗后的组织学（内分泌/放疗效应改变形态）；无免疫组化/分子标记配套。
患者信息：无年龄/PSA/临床分期等协变量——纯影像-标签对，临床协变量研究需外部数据配合。
组织形态谱：针芯活检条内的良性腺体/高级别上皮内瘤变（PIN）/浸润癌混合存在——「同一 slide 内多形态共存」是穿刺数据的常态，也是分级任务难度的微观来源。
癌区空间分布：病灶沿穿刺条的分布不均（灶性 vs 弥漫）——G3/G4/G5 的空间形态差异显著，mask 统计可量化这一分布谱。

§2.6 金标准与已知噪声

金标准地位：PANDA 的 ISUP 标签是「双中心临床实践」级金标——不是共识评审级（consensus）金标。
噪声来源：①模式 3/4 边界的主观性；②Radboud 报告提取路径的传递误差；③少量错标（染色伪影/组织折叠混淆）。
社区清洗口径：竞赛第一名方案 keep-list 剔除 603 张；GigaPath 论文口径剔除后余 9,555 张——两口径都有论文采用，引用时声明。
参考实现：挑战赛优胜方案（公开代码）与 CLAM 官方 PANDA 配方是两条主流复现路径。

§2.7 临床与研究价值

对病理科：自动初筛可把高分级病例优先送资深医师复核——工作流优化而非替代。
对研究者：分级一致性研究、主动监测风险分层、跨人群流行病学（配合临床数据）。
对 AI 团队：以 PANDA 发布的模型/特征即为「经 10k WSI 验证」——作为预训练或迁移起点有明确价值。

§2.8 扫描-染色域偏移的机制与对策

双中心差异不是抽象概念——它由三个可工程化的物理环节构成，每个环节对应一类对策。

三个偏移源

源	机制	观察特征
扫描仪	光学链/色彩响应/压缩管线不同	全局色调/锐度差异
染色流程	H&E 染液批次/时长/实验室习惯	核浆对比度、色调分布差异
组织处理	固定/包埋/切片厚度差异	形态细节/伪影率差异

观察方法：随机抽两中心各 50 张、并排显示核区域颜色直方图——双峰分离即域间隙直观证据；再训练轻量中心判别器（准确率 >95% 即强域可分性）。
对策谱系（由轻到重）

对策	原理	成本
染色归一	Macenko/Reinhard 把 stain 空间对齐到模板	低，预处理即用
颜色增强	HED 通道 jitter 训练时随机化	低，一行代码
域对抗	特征层梯度反转去中心信息	中，训练复杂
跨域微调	目标域少量标注	中，需标注预算
白化特征	基础模型特征的域鲁棒性	取决于预训练

实证预期：文献共识——染色归一+增强即可回收大部分跨中心掉点；域对抗在高容量基础模型特征上的增益不稳定。PANDA 是验证这一「对策阶梯」的最干净实验台（只有两域、样本充足）。

§2.9 模式 3/4 边界：病理学内部的「灰色带」

Gleason 分级的主要噪声源不在「技术」而在「定义」——模式 3 与模式 4 的边界是泌尿病理学界持续争论的区域，理解争议才能理解数据集噪声的结构。

争议焦点

形态	争议	演变
筛状腺体（cribriform）	属 G3 还是 G4	ISUP 2014 共识归入 G4——但旧报告可能按 G3
融合腺体程度	「融合到什么程度算 G4」	连续形态离散化，边界带主观
发育不良腺体的分支	与融合的区分	高倍镜下判断，压缩伪影干扰
黏液型/萎缩型变体	罕见形态归级	教科书口径不一

对数据的含义：PANDA 的噪声样本不是随机分布——集中于「筛状结构占比高」与「融合边界带」的 slide。噪声定位研究（keep-list）确认了这一结构性。
对模型的意义：①在这些 slide 上训练=学「某一中心的口径」而非「病理学真理」；②分级别混淆矩阵中 G3↔G4 混淆占主导是「符合病理学现实」的表现，不是模型垃圾；③细粒度改进（筛状检测子任务）比整体涨分更有学术价值。
跨中心口径差：Radboud 标签来自临床报告（含历史口径样本），Karolinska 单专家按现行口径——两中心的 G3/4 边界口径本身可能系统性不同。这使「跨中心评估」同时测量了域偏移与口径偏移——解耦分析是高质量论文的标志。

§2.10 主动监测：分级模型最大的临床杠杆

前列腺癌的独特之处在于「最常见的管理决策是不治疗」——主动监测（Active Surveillance）策略使分级模型的社会价值被放大。

主动监测的运行逻辑

G1（Gleason 3+3）+ 低 PSA + 触诊阴性
  → 不立即治疗，进入监测：
     每 1-3 年重复穿刺 / MRI 随访
  → 升级（reclassification）为 G≥2 → 转治疗

升级判定是监测的命门：复查穿刺的分级判定决定患者是否转治疗——AI 辅助的一致性提升直接减少「误升级（过度治疗）」与「漏升级（延误）」两类错误。
对 AI 的要求差异：监测复查场景的核心是「与历史切片的纵向一致性」——同一患者跨时间点的分级漂移判定，超出 PANDA（无纵向/患者键）的任务范围，但 PANDA 分级器是该系统的核心部件。
流行病学背景：前列腺癌是男性最常见恶性肿瘤之一（全球年确诊约 130 万量级）——穿刺量大、分级工作量占泌尿病理主体，这就是 PANDA 双中心能积累上万张数据的需求基础。

§3 数据集规格

§3.0 版本抉择矩阵

使用目标	推荐通道	理由
slide 分级建模	全量 + 自定清洗口径	官方主任务
噪声标签研究	keep-list 剔除版（10,013）	社区共识清洗
弱监督检测	train_masks + slide 标签	像素监督免费拿
域泛化	data_provider 分层	双中心即双域
基础模型评测	冻结特征 + MIL 头	标准下游协议
快速原型	tiling 后 256² patch 子集	降低 IO 成本

§3.1 模态详情

数据层	内容	格式	AI 可用形态
切片层	10,616 张 H&E WSI	TIFF（金字塔多分辨率）	tiling/patch 提取
mask 层	像素级标注（16 级同构）	TIFF	弱监督/分割监督
标签层	ISUP 0-5 + Gleason 分值	CSV	分类目标
中心层	data_provider（两机构）	CSV 列	域标签

§3.2 按子集样本数

子集	数量	口径
总计	10,616 张 WSI	Kaggle 2020
Radboud	5,160	G0=967/G1=852/G2=675/G3=925/G4=768/G5=973
Karolinska	5,456	G0=1925/G1=1814/G2=668/G3=317/G4=481/G5=251
keep-list 清洗版	10,013	剔除 603（冠军口径）
GigaPath 清洗版	9,555	G0=2603…G5=1102
官方测试集	未公开标签	竞赛遗留

§3.3 格式对照

通道	格式	适用	注意
Kaggle 数据页	TIFF/CSV 打包	标准获取	注册+规则接受
TIFF 读取	OpenSlide/tifffile	WSI 解析	多分辨率金字塔
预提取 patch	HDF5/磁盘分片	大规模训练	一次性预处理
特征缓存	基础模型特征	探针/MIL 轻训	显著省算力

§3.4 存储大小

原始打包：约 383 GB（含 mask）；解压后略增。
tiling 后：256²/20x、top 100 patch/张 ≈ 单盘数百 GB 量级可控；无损预处理建议保留组织检测坐标而非全量 patch。
特征缓存：基础模型（ViT-L 级）top-36/张 → 数十 GB——MIL 实验主力形态。

§3.5 标注方式

slide 级：ISUP Grade（0-5）+ Gleason 分值字符串（如 3+4）双列。
像素级：mask TIFF 与 WSI 金字塔同构（16 级）；Karolinska 3 类值域、Radboud 6 类值域——读取时按 data_provider 选择值域映射。
来源：Radboud=报告提取（学生执行）；Karolinska=单专家直标——质量先验不同。

§3.6 标注者资质与一致性

Radboud：临床报告为源头（泌尿病理医师签署），学生转译——传递误差可控但不为零。
Karolinska：单名资深病理医师——标准统一、个人偏差恒定。
一致性实证：Gleason 模式 3/4 边界的观察者间 kappa 在文献中为中高水平但非完美——PANDA 的噪声样本即源于此边界带。
对建模的转化：标签质量的两层建模——①样本层（keep-list 二值剔除）；②分数层（把「报告提取 vs 专家直标」当质量先验做样本加权）。后者利用了 data_provider 的元信息，常被忽略。

§3.7 采集周期

回顾性采集（两中心常规穿刺活检档案）；具体时间窗未随数据发布——纵向研究不适用。
穿刺与扫描的时间跨度覆盖多批次染色试剂——批次效应存在于数据中（可作为染色鲁棒性的天然测试）。

§3.8 地域覆盖

荷兰（Nijmegen，Radboud UMC）与瑞典（Stockholm，Karolinska）双中心——欧洲北部人群；跨人群外推（如亚洲人群）需谨慎验证。

§3.9 设备规格

两中心使用不同扫描仪（最大显微分辨率略有差异）；20x 等效物镜为共同基准——染色与分辨率差异即域偏移的一部分。
常规病理玻片扫描流程（自动聚焦/条码追踪）——工业级数字化质量稳定，但聚焦失败/气泡伪影偶发存在于数据中（也是噪声来源之一）。

§3.10 深度溯源链

层	内容	位置
slide 级	image_id ↔ data_provider ↔ isup/gleason	train.csv
像素级	mask 值域语义（按中心）	Kaggle 数据说明
清洗层	keep-list（冠军方案）	Kaggle 讨论区
制度层	竞赛规则与许可	Kaggle 页

§3.11 目录结构

panda/
├── train_images/            # 10,616 张 WSI（TIFF）
│   ├── 0005f7aaab2800f6170c399693a96917.tiff
│   └── ...
├── train_masks/             # 像素级 mask（与 WSI 同名同构）
├── train.csv                # image_id,data_provider,isup_grade,gleason_score
├── test_images/             # 官方测试（无标签）
└── sample_submission.csv    # 竞赛提交格式遗留

§3.12 许可条款（CC BY-NC-SA 实操）

条款	含义	对 AI 的意义
BY 署名	引用来源与许可	论文/模型卡声明
NC 非商业	禁止商业目的使用	产品化需另行授权
SA 相同共享	衍生数据同许可分发	清洗版/衍生集须同许可
边界	商业「使用」定义模糊处保守处理	企业落地前法务确认

合规路径：学术发表/教学/开源研究直用；商业产品要么获取授权，要么仅使用「在 PANDA 上训练得到的模型权重」并把许可风险评估交给法务——权重含 NC 数据训练痕迹的定性在学界仍有争议空间。

§3.13 与挑战赛成果的关系

竞赛产物：优胜方案（含 keep-list、tiling 策略、模型集成）公开于 Kaggle 讨论区——事实上的参考实现。
学术产物：挑战赛后同行评审研究（含外部挪威队列验证）证明分级系统的临床可行性——发表于高影响因子期刊。
遗产：PANDA 确立了「大规模弱监督 + QWK 评测 + 公开方案复现」的病理挑战赛模板，后续挑战赛沿用。

§3.14 挑战赛方案技术谱系

竞赛沉淀了一批可复用技术——理解谱系才能看懂后续文献的架构引用链。

技术演进四代

代际	代表方案	核心思路	遗产
第 0 代	竞赛前基线	CNN 全图下采样	证明下采样丢失细节
第 1 代	早期参赛方案	tile CNN + 均值池化	tiling 标准化
第 2 代	优胜方案	top-K tile + 注意力池化 + 集成	attention-MIL 范式
第 3 代	后竞赛时代	基础模型冻结特征 + MIL 头	算力民主化

冠军方案的三个关键贡献：①keep-list 标签清洗（比模型改进涨点更多）；②tiling 与分辨率策略系统消融；③测试时增强与模型集成——三件事定义了「PANDA 上认真做事」的基线标准。
第 3 代的含义：基础模型特征 + 轻量 MIL 头在单卡即可复现竞赛级 QWK——PANDA 从「算力竞赛」变为「表征评测」，这也是它成为基础模型标配下游的原因。
复现建议：第 2 代方案（自训特征）用于方法学研究；第 3 代协议用于快速实验——两条路径都公开，按研究目标选择。

§3.15 数据获取与完整性实操

383 GB 级数据的一次性获取常出事故——按本节清单走可省一夜排障。

获取流程

1. Kaggle 账号 + 手机验证 + 接受竞赛规则（License 确认）
2. 下载（三选一）：
   a. kaggle CLI：kaggle competitions download -c prostate-cancer-grade-assessment
   b. 网页直下（分卷 zip）
   c. 公开镜像（核对 checksum 后使用）
3. 校验：解压后 train_images 文件数 = 10,616
4. 完整性抽检：随机 50 张 tiff 可被 tifffile/OpenSlide 打开且尺寸合理
5. 磁盘规划：原始 383 GB + 解压临时 400 GB + 特征缓存 100 GB

常见事故与对策

事故	现象	对策
分卷 zip 损坏	解压中断	重下损坏卷；别跳过校验
磁盘写满	解压中途失败	预留双倍；流式解压
tiff 损坏	训练夜炸	try/except + 已知损坏清单
规则未接受	API 403	网页端先点接受规则

下载纪律：kaggle CLI 的断点续传不可靠——大文件失败即整删重下；网络不稳时优先分卷网页下载。

§3.16 WSI 格式与金字塔读取技术细节

PANDA 的 TIFF 与常规影像 TIFF 不同——理解它的存储结构才能写出稳定的读取代码。

存储结构

PANDA tiff（SIZ 类压缩，非金字塔标准 OME-TIFF）
├── 有些文件：真·多分辨率金字塔（levels 0-2，逐级 1/4 面积）
├── 有些文件：512×512 网格聚合拼接图（非标准金字塔）
│   —— 挑战赛官方提供的「聚合」版本，读取方式不同
└── 读取库差异：
    OpenSlide：期望标准金字塔，聚合版可能读失败
    tifffile：按页/level 读取，两种都能处理

读取策略对比

策略	适用	注意
tifffile levels	通用首选	先探测 levels 数再选级
OpenSlide read_region	标准金字塔	聚合版慎用
zarr/dask 转换	大规模随机访问	一次性转换成本高

尺寸与分辨率速查

level 0：约 20,000×20,000（部分切片更大/更小——穿刺条长短不一）
20x 等效物镜为基准分辨率；降级读取（level 1）约减 4 倍面积——预处理首选
mask 与 WSI 逐级同构——坐标系统一（无额外偏移）

三条工程红线

别假设尺寸统一：切片尺寸分布宽——代码全部按实际尺寸自适应，禁止硬编码 20,000。
先探测后读取：tifffile.TiffFile(...).levels 长度检查——两种存储形态用不同分支。
聚合版的边界效应：512 网格拼接图相邻 tile 有接缝——跨 tile 的 patch（骑缝）视觉不连续，tiling 网格对齐 tile 边界可避免。

§4 数据结构

§4.0 目录树

train.csv 列：
├── image_id          # 32 位哈希名（对应 .tiff 文件名）
├── data_provider     # radboud | karolinska
├── isup_grade        # 0-5（目标变量）
├── gleason_score     # "3+4" / "4+3" / "negative" 等
└── （竞赛期还有测试用空列）

mask 值域：
├── karolinska: 0=背景, 1=良性, 2=癌
└── radboud:    0=背景, 1=基质, 2=健康上皮,
                3=Gleason 模式 3, 4=模式 4, 5=模式 5

§4.1 DAIMS 字段字典

字段	类型	语义	AI 提示
image_id	哈希文本	slide 主键	对应 tiff 文件名
data_provider	枚举	中心/域标签	分层与域泛化键
isup_grade	0-5	ISUP 分级	主目标；序数变量
gleason_score	字符串	Gleason 组合	细粒度辅助监督
mask 值	0-5 整数	像素级语义	按中心映射值域
TIFF 金字塔	多分辨率	0 级最高分辨率	20x 基准从 level 0/1 读

§4.2 标签分布

合并视角：G0 ≈ 2,892、G1 ≈ 2,666、G2 ≈ 1,343、G3 ≈ 1,242、G4 ≈ 1,249、G5 ≈ 1,224——合计 10,616。
分中心视角：Radboud 近均匀；Karolinska 前重后轻——G5 在 Karolinska 仅 4.6%。
工程含义：分层抽样必须按「中心×级别」双键；仅按级别分层会复制中心不平衡。

§4.3 关键统计

统计项	数值	口径
WSI 总数	10,616	Kaggle 2020
双中心	5,160 + 5,456	Radboud + Karolinska
像素规格	~20,000×20,000	20x
总体量	~383 GB	打包
竞赛队伍	1,000+	2020
清洗版	10,013 / 9,555	两口径
奖金池	$25,000	官方
mask 覆盖	100%（训练集）	官方

§4.4 数据层级

patch 层：256²/512² tile——MIL 的 instance。
slide 层：单针芯活检——PANDA 的标注单元（bag）。
患者层：未提供——多针聚合研究需自行假设（数据集无患者键）。

§4.5 缺失值处理与信息性缺失编码

无患者 ID：不是缺失而是隐私设计——患者级协议需显式声明「slide 级近似」。
mask 覆盖：每张训练 WSI 均有 mask——但 mask 中「未标注癌区」与「无癌区」在 Karolinska 语义上重合（3 类制）——弱监督读取时不可跨中心混用值域。
gleason_score 与 isup_grade 冲突：极少量样本两列映射不一致（如 3+4 与 G3）——清洗管线加一致性断言。

§4.6 tiling 与 patch 选择模型

WSI（~20,000×20,000, 20x）
→ 组织区域检测（背景过滤， saturation/otsu）
→ 网格 tiling：256×256 或 512×512，步长=块宽
→ patch 排序（组织密度/方差）
→ top-K 选择（常见 K=36~100）
→ MIL bag = [K 个 patch 特征]
→ 注意力池化/attention-MIL → slide 级 ISUP 预测

关键超参：K（patch 数）与分辨率（20x vs 5x 双尺度）——挑战赛优胜方案的 tiling 策略与模型同等重要；复现论文必须对齐 tiling 配置。

§4.7 mask 值域映射与弱监督读取规范

mask 是 PANDA 最容易被误读的组件——两中心值域语义不同，读取规范必须代码化。

值域映射函数（工程标准实现）

# mask 值 → 语义，按 data_provider 分派
RADBOUD = {0: "background", 1: "stroma", 2: "benign_epithelium",
           3: "gleason3", 4: "gleason4", 5: "gleason5"}
KAROLINSKA = {0: "background", 1: "benign", 2: "cancer"}

def mask_to_binary(mask, provider):
    """癌/非癌二值化——弱监督检测的参考真值"""
    if provider == "radboud":
        return (mask >= 3).astype("uint8")     # G3/4/5 = 癌
    elif provider == "karolinska":
        return (mask == 2).astype("uint8")     # cancer
    raise ValueError(f"unknown provider: {provider}")

def mask_to_pattern(mask, provider):
    """模式级分割（仅 Radboud 侧有意义）"""
    if provider != "radboud":
        return None                            # Karolinska 无模式信息
    return mask                                 # 0-5 原值即模式

四条读取红线

禁数值直通：Karolinska 的 1（良性）与 Radboud 的 1（基质）语义无关——任何跨中心 mask 统计必须先过映射函数。
二值化口径：Radboud 的基质（1）不算癌——mask >= 3 是社区共识口径；把基质算作癌会虚增癌区。
金字塔对齐：mask 与 WSI 同为 16 级金字塔——读取 level 必须与 WSI 读取 level 一致，否则 patch 坐标错位。
mask 覆盖语义：Karolinska 的 0（背景）与 1（良性）在「非癌」意义上重合——统计「癌区占比」时分母定义要显式。

派生统计建议

每 slide 癌区占比 = binary_mask.sum() / tissue_mask.sum()
→ 分级相关分析（占比 vs ISUP 的单调性 sanity check）
→ 训练bag 的信息量先验（全阴 slide 的 top-K patch 无信息）

§4.8 bag 信息结构与 MIL 训练动力学

MIL 的训练动态由 bag 的信息结构决定——PANDA 的 bag 结构有三个值得预统计的特征。

三个预统计量（建议训练前全量计算）

统计量	定义	训练含义
组织占比	组织像素 / 全图	决定 top-K 的有效池深
癌区占比	癌像素 / 组织像素（需 mask）	bag 信息量先验
关键 patch 稀疏度	含癌 patch 占 top-K 比例	注意力学习难度

关键发现（社区共识）：高分级 slide 的癌 patch 通常「少而集中」（穿刺条上局部病灶）——top-K 中含癌 patch 可能仅 2-5 个；注意力 MIL 必须从 36-100 个 patch 中找出这少数关键实例——这正是 PANDA 是「MIL 试金石」的原因。
全阴 bag 的特殊处理：G0（良性）slide 没有「正实例」——注意力机制学到的是「全局形态学」而非「局部病灶」；两类 bag 的学习机制不同，训练分析时分开检查注意力熵。
信息量分层训练：按癌区占比给 bag 分桶监控 loss——高信息桶（癌区>10%）与低信息桶（<1%）的收敛速度差可量化「实例稀疏度对 MIL 的挑战」。

§5 划分与使用建议

§5.1 官方划分

Kaggle 竞赛期：train.csv 全公开 + 官方 test（标签未公开）——竞赛后 test 不可复用。
社区标准：在训练集内自建 holdout（80:10:10 或 20% test）——划分本身成为论文变量。

§5.2 社区惯例划分

随机 slide 级分层划分：按「中心×级别」双键分层——最常见。
跨中心划分：Radboud 训练 → Karolinska 测试（及其逆）——域泛化协议。
清洗版划分：keep-list/GigaPath 清洗后再划分——现代论文主流。
按 patch 难度划分：模式 3/4 边界带 patch 专设评估桶——细粒度分级能力。

§5.3 泄漏风险（重点）

中心泄漏：混合划分下模型学扫描仪风格——跨中心评估时必须完全按中心切分。
染色泄漏：同批染色/同玻片的相邻切片若跨集——PANDA 无患者键难以完全阻断，声明局限。
mask 泄漏：用 mask 做特征（而非仅监督）再评估 slide 分级——标签信息回流。
清洗集泄漏：在清洗版上调参又在清洗版测试——清洗口径也要进划分协议描述。

§5.4 交叉验证建议

# 按 中心×级别 双键分层 5 折
from sklearn.model_selection import StratifiedKFold
# stratify_key = data_provider + "_" + isup_grade.astype(str)
# G5-Karolinska（251 张）在每折保持 ~50 张——少数桶不塌陷

报告规范：每折 QWK + 全局 QWK；分中心 QWK 必报——总体 QWK 会掩盖单中心崩塌。

§5.5 外部验证建议

跨中心：PANDA 内部双中心交叉（最易做）。
跨数据集：SICAPv2（西班牙单中心、全注释）外部测试——分级泛化。
扫描域外推：其他公开前列腺 WSI（不同扫描仪）测试——染色归一（Macenko 类）的角色评估。
临床端点：与病理医师复核的一致性研究（挑战赛外部验证模式）。

§5.6 任务配方

配方 1：slide 分级（主流 MIL）

特征：病理基础模型冻结特征（或 ImageNet ResNet 微调）。
聚合：attention-MIL/TransMIL；损失 CE 或序数损失（利用 0-5 有序性）。
评测：QWK + 分中心 + 混淆矩阵。

配方 2：弱监督癌区检测

slide 标签监督 MIL，注意力权重即 patch 热图；mask 仅做评估。
评测：patch 级 AUROC（以 mask 二值化为参考）。

配方 3：序数回归改进

ISUP 0-5 是序数——CORAL/CORN 类序数损失对比 CE。
附加评测：相邻级别误判率（G2→G3 的临床代价不对称）。

配方 4：标签噪声鲁棒

在含噪全量 vs 清洗版上对比训练——co-teaching/噪声鲁棒损失的价值量化。
评测：清洗测试桶上的 QWK 提升。

§5.7 评测协议详解（QWK 与分中心）

QWK（Quadratic Weighted Kappa）：序数一致性指标——错到相邻级罚 1/25，错到远处罚更重；它是竞赛官方指标也是社区默认。
必须搭配的报告：混淆矩阵（相邻级误判模式）、分中心 QWK、分级别召回（G5 召回是临床敏感度核心）。
可比性检查单：清洗口径（10,616/10,013/9,555）、划分协议（随机/跨中心）、tiling 配置（K、分辨率）、特征（自训/基础模型冻结）——四项不对齐的论文数字不可横比。
基线配置：ResNet+topK-MIL、基础模型+attention-MIL、挑战赛冠军复现——三档至少齐二。

§5.8 QWK 的计算、分解与临床解读

QWK 是 PANDA 的官方指标——但「QWK 0.87」这句话的信息量取决于你怎么分解它。

计算结构

κ_w = 1 - (Σ w_ij·O_ij) / (Σ w_ij·E_ij)
其中 w_ij = (i-j)²/(K-1)²   （二次权重：错误随距离平方增长）
      O_ij = 观察混淆矩阵，E_ij = 期望混淆（独立性假设）

序数性质：相邻级错（G2→G3）权重 1/25，跨两级 4/25……「差不多的错」被轻罚——这与临床「相邻级误判代价小」的直觉对齐。
与 accuracy 的分歧：准确率高但错误集中在跨多级时 QWK 会低；反之相邻错占多时 QWK 高于准确率暗示的水平——两指标必须同报。

三向分解报告（临床解读标准）

分解维度	问题	临床含义
分级别召回	G4/G5 抓住了吗	高危漏诊敏感度
混淆拓扑	错误集中在 G3↔G4（灰色带）还是跨远级	模型失败模式定位
分中心 QWK	域间隙吃掉多少	部署域外推能力

校准与阈值

概率校准：MIL 输出过 sigmoid/softmax 后按目标域先验重校准（temperature scaling 或先验平移）——未校准的 argmax 在先验偏移域上系统性偏移。
决策阈值：若用途是「初筛」而非「全分类」，把 G≥4 的判定阈值调低（提高敏感度）是有意识的产品选择——评测协议要与用途匹配（全分类 QWK vs 初筛敏感度/特异度曲线）。

§5.9 跨中心评估完整协议模板

跨中心评估是 PANDA 最有价值的用法之一——本节给出可直接写进论文实验节的协议模板。

实验名：双中心交叉分级泛化
数据：清洗版（keep-list 剔除，n=10,013）
     源域 Radboud（~4,900）/ 目标域 Karolinska（~5,100）

R1 源域内基线：
   源域 80:20 随机分层（中心×级别）划分 → 源域内 QWK
R2 直接迁移：
   源域全量训练 → 目标域全量测试 → 跨域 QWK（未适配）
R3 染色归一迁移：
   R2 + 源/目标统一 Macenko 模板 → 跨域 QWK（归一）
R4 目标域少样本微调：
   R2 + 目标域 n∈{50,200,1000} 标注微调 → 跨域 QWK（少样本曲线）
R5 反向重复：以 Karolinska 为源域复跑 R1-R4

报告矩阵：{R1..R5} × {总体 QWK, 分级别召回, 混淆矩阵, G5 召回}
声明：随机种子×3 取均值方差；tiling 配置固定表

解读要点：R2-R1 的差 = 总域间隙（染色+口径+先验）；R3-R2 = 染色可回收部分；R5 与 R1-4 的不对称 = 方向性偏移（两中心难度不对称——Karolinska 高级别样本少，反向更难）。
常见审稿问题预答：为什么不用目标域全部标签微调？（失去泛化评估意义；少样本曲线回答实际预算问题）为什么 QWK 之外必报 G5 召回？（QWK 对高危漏诊不敏感，临床不可接受）。

§6 AI 就绪指南

§6.0 云端快速启动

# 1) Kaggle 账号 + 接受竞赛规则（CC BY-NC-SA）
kaggle competitions download -c prostate-cancer-grade-assessment
# 2) 数据约 383 GB——磁盘预留 600 GB+
# 3) 读取示例（OpenSlide）
pip install openslide-python tifffile

§6.1 快速上手（数据读取与 tiling）

# ============================================================
# PANDA WSI → 组织 patch 提取最小管线
# ============================================================
import tifffile, numpy as np, pandas as pd

df = pd.read_csv("train.csv")
row = df.iloc[0]

# 多分辨率 TIFF：level 0 最高（~20k 像素）
with tifffile.TiffFile(f"train_images/{row.image_id}.tiff") as tf:
    lvl = tf.levels[1]          # 降一级读（省内存）
    img = lvl.asarray()[:8000, :8000]

# 组织区域粗检：HSV 饱和度 Otsu
import cv2
hsv = cv2.cvtColor(img, cv2.COLOR_RGB2HSV)
mask = cv2.threshold(hsv[:,:,1], 0, 255,
        cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]

# 网格 patch + 组织密度排序
P = 256; coords = [(x, y) for y in range(0, img.shape[0]-P, P)
                          for x in range(0, img.shape[1]-P, P)]
coords.sort(key=lambda xy: mask[y:y+P, x:x+P].mean(), reverse=True)
top = coords[:36]   # top-36 patch → MIL bag

§6.2 SQL 入库与分析（标签层）

-- 中心×级别分布双报（分析前的第一步）
SELECT data_provider, isup_grade, COUNT(*) AS n
FROM train GROUP BY 1, 2 ORDER BY 1, 2;

-- gleason_score 与 isup_grade 一致性断言
SELECT image_id, gleason_score, isup_grade FROM train
WHERE (isup_grade = 0 AND gleason_score <> 'negative')
   OR (isup_grade > 0 AND gleason_score = 'negative');

-- 清洗版构建（keep-list 外连接）
SELECT t.* FROM train t
LEFT JOIN keep_list k USING (image_id)
WHERE k.image_id IS NULL;

§6.3 MIL 训练管线

离线阶段：
WSI → 组织检测 → top-K patch → 基础模型特征 → HDF5 缓存
在线阶段：
bag 特征 → attention-MIL 聚合 → ISUP logits
        → 序数/CE 损失 → 反向（仅训练聚合头）

特征缓存是工程命门：10k WSI 全量在线提特征不可行——离线特征化后 MIL 头训练分钟级，实验迭代速度决定研究质量。
数据增强：patch 级颜色增强（HED jitter）在特征冻结时无效（特征已提完）——增强要进特征提取阶段，MIL 在线只做 bag 级 dropout。

§6.4 表格层建模建议

标签质量建模：把 keep-list 的「被剔除概率」当质量分数——作为样本权重进损失。
中心判别器：小模型判 data_provider 的准确率即「域可分性」——过高说明域间隙大，需要对抗去域或染色归一。
级别先验校准：两中心级别先验不同——输出概率按中心先验校准（recalibration）再算 QWK。
标签一致性断言进 ETL：gleason↔isup 映射冲突样本在数据管线入口即拦截——训练前清洗比训练中鲁棒损失更便宜。

§6.5 坑点（Pitfalls）

坑点 1：标签噪声未处理
公开标签含已知噪声样本——不做清洗直接训练/评测，QWK 有 1-2 点级不可控噪声。对策：keep-list 剔除或声明全量口径。

坑点 2：跨中心混合评估掩盖漂移
两中心扫描仪/染色/标注流程不同——合并 QWK 高不代表跨域可用。对策：分中心 QWK 必报；跨中心协议单列。

坑点 3：mask 值域跨中心混用
Karolinska mask 0-2、Radboud 0-5——同一像素值语义不同，直接合并读取会把基质读成癌。对策：按 data_provider 装载值域映射函数。

坑点 4：整张 WSI 读入内存
2 万像素 TIFF level 0 全读 = 数 GB/张——OOM 或交换抖动。对策：金字塔降级读取 + tiling 流式处理。

坑点 5：类别不平衡忽略
Karolinska G5 仅 251 张——朴素 CE 训练下高分级召回塌陷。对策：加权采样/焦点损失；分级别召回评估。

坑点 6：QWK 单指标解读
QWK 高可能伴随 G4/G5 混淆（临床代价最大处）——QWK 对远处错误敏感但混淆矩阵仍必需。对策：QWK + 混淆矩阵 + G5 召回三件套。

坑点 7：NC 许可的产品化越界
CC BY-NC-SA 排除商业使用——把数据（或衍生数据集）直接用于商业产品违反许可。对策：学术/评估用途；商业路径走授权或法务评估权重路径。

坑点 8：患者级假设缺失
数据无患者键——把多针 slide 当独立样本会高估有效样本量、泄漏风险不可控。对策：声明 slide 级口径；患者级研究配合有患者键的数据集。

§6.6 基础模型评测要点

协议：冻结 backbone（UNI/GigaPath/Virchow 类）→ top-K patch 特征 → attention-MIL 头微调。
必报：参数量/显存/QWK/分中心——把「表征质量」与「容量」分开讨论。
陷阱：不同基础模型的 patch 预处理（resize/normalize）不同——直接搬特征缓存文件不可行，按各模型 spec 重提。
公平对照：自训特征基线保留一份——「基础模型 vs ImageNet 起点」的增益才是预训练价值的确证。
缓存治理：特征文件带（模型版本+patch 配置）命名——混版缓存是复现事故的隐蔽来源。

§6.7 与 LLM/多模态的集成模式

报告生成：slide 分级输出 + 模板化描述（Gleason 模式构成、癌区占比）→ 病理报告草稿——LLM 负责语言组织，分级数字必须来自确定性模型。
检索增强：patch 特征库做相似病例检索（同级别可解释性参照）。
边界：LLM 不直接输出 ISUP 分级——视觉判读必须由视觉模型承担，这是医疗安全边界。

§6.8 大规模处理性能实践

IO 优化：TIFF level 1/2 读取 + 内存映射；预处理并行化（16-32 worker）一夜完成全量特征。
存储规划：383 GB 原始 + 特征缓存 50-100 GB——预留 600 GB 磁盘。
分布式：特征提取阶段可多机并行（按 slide 分片）；MIL 训练单卡即可。

§6.9 双中心迁移实战

以「Radboud 训练 → Karolinska 测试」为例的跨域协议（其逆同理）：

1. 清洗：keep-list 剔除后按中心拆分
2. 源域训练：Radboud 5,160（清洗后 ~4,900）全量训练 MIL
3. 域适配选项（三选一或组合）：
   a. 染色归一（Macenko/Reinhard）进预处理
   b. DANN/对抗去域（特征层）
   c. 目标域少量标注微调（few-shot）
4. 目标域测试：Karolinska 清洗版全量 → QWK 分级别报告
5. 消融：无适配 vs 染色归一 vs 对抗——量化各组件贡献

预期：跨中心掉点数点级（扫描域差异）+ 级别先验差异带来的校准偏移——先校准再评估是关键顺序。

§6.10 弱监督检测训练配方（slide 标签 → patch 定位）

不使用 mask 训练、只用 slide 标签的检测配方——MIL 注意力即定位信号，这是 PANDA 双轨标注的独特用法。

训练管线

阶段 A（特征提取，离线）：
  WSI → top-K patch（同分级配方）→ 冻结特征

阶段 B（MIL + 注意力，在线）：
  bag → attention-MIL → slide logits（CE/序数损失）
  注意力权重 a_k 即 patch 级「证据分数」

阶段 C（定位输出，推理）：
  a_k 重排回空间坐标 → 平滑 → 癌区热图
  （不做阈值化训练，只做后处理可视化/评估）

提升定位质量的四个技巧

技巧	机制
双尺度特征	5x 上下文 + 20x 细节拼接——孤立 patch 缺语境
注意力熵正则	鼓励注意力集中（过高熵=定位涣散）
bag 级 dropout	随机丢 patch 训练——防单点捷径
mask 仅进评估	mask 进训练就不再是「弱监督」声明

评测协议：见 §7.9——patch AUROC + top-K 命中率 + 分中心分解。
常见失败模式：①注意力全押在染色深的碎片/伪影上（伪相关）——检查热图与碎片位置的重合；②全阴 bag 注意力均匀（没学到全局形态）——G0 类的注意力熵单独监控。

§6.11 分级模型的推理优化与部署形态

WSI 分级模型的推理成本远高于常规影像——部署形态设计直接决定能否落地。

推理成本结构

环节	成本	优化
WSI 读取 + tiling	IO 密集（分钟级/张）	金字塔降级读、并行 worker
特征提取	GPU 密集（top-K × 模型前向）	特征缓存/批处理/AMP
MIL 聚合	可忽略	—

缓存策略：同一 slide 的特征只提一次（哈希命名缓存目录）；复诊场景历史切片特征复用。
部署位形对推理的要求：预筛位形可异步批处理（夜间跑全队列）；仲裁位形需分钟级响应（top-K 减小/特征降维换速度）。
失败兜底：组织过少/染色失败的 slide 走「拒绝预测」分支（不输出分级）——拒绝率是部署期健康指标，拒绝样本转人工。

§7 评估基准与 DAIMS 评估

§7.1 DAIMS 评估（24 项）

#	维度	评估项	得分	说明
1	可得性	注册后免费下载	4/5	Kaggle 注册+规则
2	可得性	机器可读许可	4/5	CC BY-NC-SA 标准化但 NC
3	可得性	稳定持久标识	4/5	image_id 哈希；无 DOI
4	结构化	受控结构完备度	4/5	标签+mask 双轨清晰
5	结构化	关系型就绪	3/5	无患者键/协变量
6	结构化	schema 稳定性	5/5	静态挑战赛数据
7	文本	名称/定义文本资产	2/5	无报告文本
8	文本	文本规范化程度	2/5	仅标签字符串
9	版本	历史保留	3/5	单版本；清洗口径多元
10	版本	发布节奏	3/5	静态；无更新计划
11	结果	跨词表映射覆盖	3/5	ISUP/Gleason 标准明确
12	结果	映射质量一致性	4/5	双标签列可交叉验证
13	结果	多语言覆盖	2/5	英语元数据
14	质量	归组准确性	3/5	标签噪声已知
15	质量	类型标注一致性	3/5	双中心流程不一
16	质量	机构 ID 化	3/5	无患者/机构键
17	治理	更新频率	3/5	静态但社区活跃
18	治理	变更通告	4/5	Kaggle 讨论区
19	治理	法规锚定	4/5	挑战赛制度成熟
20	AI 任务	分级任务适用性	5/5	旗舰基准
21	AI 任务	弱监督适用性	5/5	mask+slide 双轨独有
22	AI 任务	大模型适配适用性	5/5	基础模型标准下游
23	伦理	个体隐私风险	4/5	脱敏但无患者键复用难
24	伦理	二次使用许可清晰度	4/5	CC 明确；NC 边界需法务

DAIMS 综合：80/120（3.33/5）——任务适用性近满分；文本资产与纵向结构是短板。

§7.2 可复现分析路线

复现规模：train.csv 行数 = 10,616；按 data_provider 分组 = 5,160/5,456。
复现分布：分中心×级别交叉表对照 FACTS 数字。
复现清洗：keep-list 剔除后 = 10,013；GigaPath 口径 = 9,555。
复现标签一致性：gleason_score 与 isup_grade 的映射断言（§6.2 SQL）零冲突（或列出冲突清单）。
复现 mask 完整性：每张训练 WSI 的 mask 可读且尺寸与 WSI level 0 一致。

§7.3 外部评测资源

SICAPv2：单中心全注释前列腺分级——像素级外部验证。
GLEASON 2019 挑战数据：TURP/活检混合分级。
基础模型论文基准表（UNI/GigaPath）：跨模型 QWK 对照。

§7.4 质量审计清单（发布前）

[ ] 清洗口径声明（10,616/10,013/9,555）。
[ ] 划分协议声明（随机分层/跨中心）+ 随机种子。
[ ] tiling 配置（patch 尺寸、K、分辨率）写入产物。
[ ] 分中心 QWK + 混淆矩阵 + G5 召回三件套齐备。
[ ] mask 值域映射按中心装载（单测覆盖）。
[ ] NC 许可边界确认（用途合规）。
[ ] slide 级口径声明（无患者键）。

§7.5 模型卡要点

卡片项	建议声明内容
数据版本	PANDA 2020 + 清洗口径
划分协议	分层键/种子/跨中心与否
预处理	tiling/染色归一/特征模型
已知偏差	双中心域偏移、级别不平衡
评测	QWK 三件套（QWK/混淆/G5 召回）
许可	CC BY-NC-SA 声明与用途边界

§7.6 与站内数据集的联合分析建议

联合对象	键	分析价值
prostatex	前列腺 MRI ↔ 分级	影像多模态（MRI+病理）研究
camelyon16 / camelyon17	WSI 范式	弱监督跨器官迁移
brats	挑战赛范式	多任务/多指标设计参照
tcia	病理影像来源	队列扩展
sitzmann/sicap 类	前列腺分级	外部验证
medmnist（patchmnist 类）	轻量病理	教学管线预演

§7.7 双中心域偏移治理

PANDA 的双中心结构是资产也是陷阱——把「中心」当治理对象的五条原则：

中心即域标签：任何统计/训练/评估先按 data_provider 分列——合并是最后一步。
先校准后评估：两中心级别先验不同——输出概率按目标中心先验校准后再算 QWK，否则先验差被误读为模型差。
mask 语义双轨：值域映射函数按中心装载（坑点 3），永不做数值直通。
域可分性监控：中心判别器准确率作为域间隙仪表盘——过高则加强去域。
报告规范：分中心 QWK 是必填项——单中心数字标注「源域内」身份。

§7.8 PANDA 挑战赛范式的方法论遗产

PANDA 之后，「病理挑战赛」成为方法论成熟的标准形态——它的遗产可归纳为四个可迁移的协议组件。

四个遗产组件

组件	内容	后续采用
大规模弱监督	slide 级标签为主、像素标注辅助	几乎所有 WSI 挑战赛
序数指标	QWK 类序数一致性	分级类任务标配
公开清洗口径	冠军方案 keep-list	社区数据治理惯例
跨外部验证	竞赛后外部队列系统验证	从「刷分」到「临床证据」的桥梁

对数据集工程的意义：PANDA 展示了「竞赛是一次性事件，数据资产是长期结构」——keep-list、评测协议、复现代码这些「赛后层」与数据本身同等重要；本库条目把它们列为一级组件。
对研究者的意义：在 PANDA 上做方法学改进时，必须同时报告「对第 2 代（自训）与第 3 代（基础模型）两条基线的增益」——只报一条的时代已结束。

§7.9 弱监督检测的评估规范

用 slide 标签训练、用 mask 评估的弱监督检测有一套独立于 slide 分级的评估规范——混用会导致结论失真。

评估规范要点

参考真值口径：mask 二值化（癌/非癌）是参考而非金标——Karolinska 仅 3 类（无模式），Radboud 精细但来自报告路径；评估结论应声明「相对 mask 口径」。
patch 级指标：AUROC/AUPRC（patch 含癌概率 vs 二值 mask）+ 定位质量（与 mask 重叠的 top-K 命中率）。
slide 级联动：检测热图的「最高注意力区」与分级证据区应一致——不一致（高分但注意力落在良性区）是模型学了伪相关的警报。
跨中心检测评估：源域训练的定位在另一中心 mask 上评估——域偏移对「定位」与「分级」的影响幅度常不同，分开量化。

§8 伦理、隐私与合规

隐私：回顾性穿刺活检、脱敏公开；无患者身份/临床协变量——再识别风险低但非零（罕见病变特征理论可回溯），二次分发禁止（许可要求）。
NC 边界：CC BY-NC-SA 排除商业目的——企业团队仅可做技术评估，产品化前完成授权或转向商业可用数据。
临床边界：ISUP 分级是治疗决策输入——模型输出进入临床路径前需病理医师复核闭环与本地验证。
偏差声明：欧洲北部双中心人群——跨人群（年龄/种族/地域）外推需再验证。
禁背书：使用数据不构成发布机构对衍生模型的临床认可。

§8.1 部署伦理：分级模型进入工作流的边界条件

分级 AI 的伦理要点不在「隐私」（数据已脱敏）而在「部署位形」——模型放在工作流的哪个位置，决定了责任结构。

三种部署位形

位形	模型角色	责任结构	风险
预筛排序	AI 排队，医师全检	医师全责	低——漏检仍被人工覆盖
分歧仲裁	AI 与医师独立判，分歧送第三人	制度仲裁	中——依赖仲裁流程真实运行
直接出报告	AI 结果入报告	模糊	高——PANDA 级证据不支持

Gleason 的特殊敏感性：G1→主动监测意味着「不治疗」——AI 把高危误判为 G1 的代价是延误根治。因此部署位形的敏感度要求高于特异度：初筛位形应调低 G≥4 阈值。
人机分歧的价值：分歧率本身是质量信号——分歧率异常低可能说明模型「复制」了训练中心的口径而非真的正确；分歧样本的人工复核队列是持续改进资产。
透明度义务：进入临床评估的报告应标注 AI 参与痕迹（版本、QWK 评估口径、局限性链接）——「机器口径漂移」在长期使用中必然发生，留痕是追因前提。
跨人群再验证：PANDA 为欧洲北部人群——部署到其他人群前必须本地再验证（至少抽样对照），这是发表与落地的分界线。

§9 版本历史与演进

时间	演进	对 AI 用户的影响
2020-04	Kaggle 挑战赛上线	10,616 WSI 公开
2020-07	竞赛收官	优胜方案+keep-list 沉淀
2022	系统研究发表（外部验证）	临床可行性确立
2023	基础模型时代开启	PANDA 成标准下游
2023-2025	GigaPath 等清洗口径流行	9,555 张口径加入惯例
至今	MIL/弱监督持续基准	病理 AI 事实标准

§9.1 未来演进方向

基础模型基准固化：PANDA 在病理基础模型论文中的位置类似 GLUE 之于 NLP——清洗与协议的进一步标准化是社区方向。
多模态扩展：与 MRI（prostatex 类）/临床数据的联动研究——需外部患者级数据配合。
弱监督方法论：mask 引导的密集预测、不确定性引导的主动标注——PANDA 仍是主试验场。
细粒度子任务：筛状结构（cribriform）检测、模式 3/4 边界带刻画——从「整体分级」走向「形态学证据链」。
跨人群验证网络：以 PANDA 为锚点的多地区外部验证联盟——分级模型的全球化证据积累。

§9.2 使用本条目时的维护提示

规模与分布数字为 2020 版静态事实；引用注明 Kaggle 2020。
清洗口径多元（10,013/9,555/全量）——引用任何论文数字先核对口径。
Kaggle 讨论区的 keep-list 与方案代码是活文档——跟踪链接有效性。
许可为静态 CC BY-NC-SA——商业化决策前复查官方条款页。
社区对标签噪声的定位随时间更新（新讨论可能补充清单）——引用 keep-list 注明获取日期。
基础模型论文的评测协议持续微调——跟踪最新论文的附录协议再对齐。

§10 引用与资源

§10.1 官方资源

资源	链接	说明
Kaggle 竞赛页	https://www.kaggle.com/competitions/prostate-cancer-grade-assessment	数据/规则/讨论区
数据页	https://www.kaggle.com/competitions/prostate-cancer-grade-assessment/data	下载
Radboud 病理 AI	https://www.computationalpathologygroup.eu/	发布团队
PANDA 官方论文	挑战赛系统研究（Nature Medicine 2022 口径）	外部验证
ISUP 共识文献	Grade Group 分组（2014）	分级标准依据
基础模型论文附录	UNI/GigaPath 的 PANDA 协议	清洗与评测口径

§10.2 学术引用

Bulten W, et al. Automated deep-learning system for Gleason grading of prostate cancer using biopsies: a diagnostic study. Lancet Oncol / Nature Medicine 系（PANDA 团队系统研究口径）.
Kweldam CF, et al. Gleason 分级观察者一致性文献（ISUP 共识背景）.
Lu MY, et al. GigaPath: A whole-slide foundation model for cancer histopathology. Nature 2024.（清洗口径 9,555 来源之一）
Radboud UMC & Karolinska Institute. Prostate cANcer graDe Assessment (PANDA) Challenge. Kaggle, 2020.

§10.3 站内互链

camelyon16 / camelyon17：WSI 挑战赛先例（转移检测）
prostatex：前列腺 MRI 多模态联用
brats：挑战赛范式与多指标设计参照
tcia：病理与影像队列扩展源
sitzmann 类病理小数据集：外部验证补充
medqa / mann 类病理小数据集：外部验证补充
medqa / pubmedqa：病理语境下的临床推理评测补充
radgraph：结构化：病理语境下的临床推理评测补充
radgraph：结构化报告生成的语言侧搭档
eidon / 内窥镜影像类：医疗影像 AI 工作流参照

§10.4 建议引用格式

@misc{panda_challenge,
  title        = {Prostate cANcer graDe Assessment (PANDA) Challenge},
  author       = {{Radboud University Medical Center and Karolinska Institute}},
  howpublished = {https://www.kaggle.com/competitions/prostate-cancer-grade-assessment},
  note         = {10,616 whole-slide images; ISUP grades 0-5; CC BY-NC-SA 4.0},
  year         = {2020}
}

§10.5 常见问题 FAQ

Q1：PANDA 的标签能当金标准吗？
A：是「双中心临床实践」级标签，不是共识评审级——已知含噪声（社区 keep-list 603 张）。做模型对照时声明清洗口径；做临床一致性研究时自行安排病理复核。

Q2：为什么我的 QWK 和论文对不上？
A：九成是口径差异——清洗（10,616/10,013/9,555）、划分（随机/跨中心）、tiling（K 与分辨率）、特征（自训/基础模型）四项任一不同即不可比。逐项对齐后再比较。

Q3：mask 能直接当分割标签训练吗？
A：可以但要注意值域双轨（Karolinska 3 类/Radboud 6 类）与「弱标注」属性（Karolinska 仅区分癌/非癌）。模式级分割研究建议以 Radboud 侧为主，Karolinska 侧做癌/非癌二值任务。

Q4：能商用基于 PANDA 训练的模型吗？
A：数据许可 CC BY-NC-SA 排除商业使用——直接商用数据或衍生数据集不行。模型权重的「衍生品」定性存在解释空间，商业落地前必须法务评估，或考虑在商业许可数据上重训。

Q5：没有患者 ID，怎么做患者级分析？
A：PANDA 不支持真正的患者级分析——这是隐私设计的代价。可行替代：①声明 slide 级口径；②与有患者键的院内队列（自建）联用做外部患者级验证；③把患者级聚合研究放在 CAMELYON17（有患者键）等数据集上。

Q6：ISUP 0-5 是分类还是回归？损失怎么选？
A：本质是序数分类——0-5 有序且距离有意义。三种主流选择：①普通 CE（简单但忽略序数）；②序数损失（CORAL/CORN 类，把六分类化为多个二元阈值问题）；③回归+离散化。文献结论倾向序数损失小幅占优——尤其在相邻级误判的分布上更符合临床直觉。

Q7：基础模型特征下 PANDA 还有多少研究空间？
A：冻结特征+MIL 头已把「入门 QWK」推得很高——但空间在：①细粒度（模式 3/4 灰色带、筛状结构检测）；②不确定性量化（仲裁队列场景）；③弱监督密集预测（mask 引导）；④跨域协议的系统消融。纯「刷整体 QWK」的时代确实结束了。

Q8：tiff 读取报错/文件损坏怎么办？
A：Kaggle 打包与解压过程偶发损坏文件——社区讨论区有已知的损坏文件清单；训练管线应加 try/except 跳过并记录，别让单文件炸掉整夜任务。另外部分 tiff 是「聚合切片」（512×512 网格拼接），OpenSlide 读法与常规金字塔不同——用 tifffile 按页读更稳。

（全文完；本文共 §0-§10 十一个章节，规模数字以 PANDA 挑战赛官方口径为准，发布年份 2020。）