信息速览
INFOBOX｜PathSeg 速览
项目 内容 名称 PathSeg（数据集）／PathSegmentor（配套模型） 一句话 21 个公开病理分割数据集协调汇编成的 27.5 万级 image–mask–label 三元组语义分割基准 类型 语义分割数据集（协调汇编型，非新采集） 规模 275,200 组三元组；约 45,000 组评测对 标签 160 层级标签（20 解剖区域 × 3 组织学结构 × 61 对象类型，闭包） 图像规格 1024×1024 patch，40× WSI，H&E 划分 16 内部（训练+测试）／5 外部（仅评测） 配套模型 PathSegmentor，450M 参数，FocalNet + PubMedBERT + 联合特征交互模块 主指标 内部整体 Dice 0.671（超 BiomedParse +0.429） 论文 Nature Computational Science 2026；DOI 10.1038/s43588-026-01042-5；arXiv:2506.20988 许可 数据集 CC BY-NC-ND 4.0｜代码 MIT 托管 HuggingFace Trusure/PathSeg｜GitHubzhi-xuan-chen/PathSegmentor牵头机构 香港科技大学（HKUST） 通讯作者 Hao Chen（陈浩） 库内血缘 digestpath(338)、unitopatho(701) 三条最需要记住的事
- PathSeg 是数据集，PathSegmentor 是模型——同一篇论文的两面，不要重复立条。
- 它的全部数据来自 21 个公开源，价值在协调统一，不在新标注。
- 许可是 CC BY-NC-ND 4.0：非商业 + 禁演绎，商用与衍生分发前务必法务评估。
§0 导读：这个数据集解决什么问题
计算病理学（computational pathology）的核心动作之一，是把数字化的 H&E 染色组织切片上"看得见的结构"逐像素圈出来——肿瘤区域、腺体、细胞核、淋巴细胞、间质。这个动作叫语义分割（semantic segmentation）。一旦某类结构被精确勾画，后面所有定量分析才有地基：细胞计数、浸润前沿测量、间质成分量化、乃至诊断与预后预测。
问题在于，传统路线要求为每一种结构单独训练一个模型。想数细胞核，训练一个细胞核分割模型；想圈腺体，再训练一个腺体分割模型；每换一个器官、一种染色、一台扫描仪，可能又要重来。另一条路是交互式提示：用 SAM 这类模型手动点击或拉框。但一张切片上可能挤着成千上万个细胞，逐一点击在实践中不可行——论文实测，MedSAM 采用实例框提示时，平均每个掩码需要约 14.7 次提示。
PathSeg 就是为化解这个瓶颈而生的数据集。它把散落在 21 个公开数据集里的病理分割标注协调（harmonize）到一起，汇成 275,200 组 image–mask–label 三元组，并用一套三级层级标签（解剖区域 → 组织学结构 → 对象类型）把五花八门的命名统一起来，共 160 个层级语义标签。它不是又一批新标注，而是对既有标注资产的一次大规模整理与统一——这也是它"最大、最全"宣称的底气所在。
在这个地基上，作者训练了配套模型 PathSegmentor：用户只需输入一句自然语言描述（例如"乳腺病理中细胞核层级的肿瘤上皮"），模型就返回对应结构的分割掩码，无需逐对象点击。一个模型覆盖 160 个类别，在 16 个内部数据集上取得整体 Dice 0.671，超越专用模型 nnU-Net、SAM-Path、DeepLabV3+，也比同类空间提示与文本提示模型分别高出 0.145 与 0.429 的整体 Dice。
对千方病案医数集而言，PathSeg 是一个典型的**“协调型数据集"样本：它的价值不在采集，而在统一；它的难题不在算法，而在许可边界**——21 个源各自的授权、NC-ND 的约束、临床队列的不可公开，共同构成一条真实的"AI-Ready 光谱”。本条目按库内体例，把它的身份、构成、模型、基准、许可、生态与坑点逐一交代清楚。
§1 数据集速览：十问十答
Q1：PathSeg 是什么？
一个用于计算病理学的语义分割数据集，由 21 个公开病理图像分割数据集协调汇编而成，含 275,200 组 image–mask–label 三元组与 160 个层级语义标签。它是当前规模最大、类别最全的病理分割数据集（作者宣称，截至发布时）。
Q2：它是挑战赛数据集吗？
不是。PathSeg 没有竞赛排行榜，是一个聚合型基准数据集。它的配套模型 PathSegmentor 相当于在其上做评测的基线（baseline），但数据集本身不对应任何 grand-challenge 赛事。
Q3：核心数字有哪些？
21 个源数据集 / 275,200 组三元组 / 160 个层级标签 / 三级层级（20 解剖区域 × 3 组织学结构 × 61 对象类型）/ 16 内部 + 5 外部数据集 / 图像为 1024×1024 patch（40× WSI 裁出）。
Q4：标签是什么样的？
层级化的。一条标签走完三级：解剖区域（如结肠）→ 组织学结构（tissue 组织 / cell 细胞 / nuclei 细胞核）→ 对象类型（如淋巴细胞、平滑肌细胞、肿瘤上皮）。这解决了"tumor 一词既可能指组织、又可能指细胞或细胞核"的语义歧义。
Q5：数据从哪来？
全部来自公开源：BCSS、CoCaHis、CoNIC2022、CRAG、DigestPath2019、GlaS、Janowczyk、MIDOG、MoNuSAC、NuCLS、PanNuke、RINGS、SegPath、SICAPv2、TNBC、WSSS4LUAD、CoNSeP、CPM15、CPM17、Kumar、Lizard（共 21 个）。
Q6：怎么获取？
三条路：① HuggingFace Trusure/PathSeg（已授权子集，CC BY-NC-ND 4.0）；② GitHub 仓的 download.sh 一键脚本抓取大部分源；③ 按处理文档自行协调原源数据。
Q7：许可是什么？
HF 发布物为 CC BY-NC-ND 4.0——署名、非商业、禁演绎。代码是 MIT。临床队列（Center A/Center B）不公开。
Q8：配套模型叫什么？多大？
PathSegmentor，450M 参数，三部件：FocalNet（图像编码器）+ PubMedBERT（文本编码器）+ 联合特征交互模块。
Q9：它的成绩如何？
16 内部数据集整体 Dice 0.671——超 nnU-Net（0.502）、SAM-Path（0.472）、DeepLabV3+（0.462）；超 MedSAM +0.145、超 BiomedParse +0.429。
Q10：谁适合用它？
需要定量切片分析而不想为每个任务训模型的研究者；探索稀有结构（样本太少无法单独训练分割器）的团队；想给黑箱癌症分类器做对象级解释的可解释 AI 研究者。
§2 数据构成与规格
2.1 规模、来源与机构构成
PathSeg 的全部数据来自 21 个公开病理图像分割数据集。这是一次"公开资产再编目"式的工程，而非新采集。21 个源列表（源自 HF 官方 README）如下，附其原始发布入口：
| # | 源数据集 | 原始入口 |
|---|---|---|
| 1 | BCSS | github.com/PathologyDataScience/BCSS |
| 2 | CoCaHis | cocahis.irb.hr |
| 3 | CoNIC2022 | conic-challenge.grand-challenge.org |
| 4 | CRAG | opendatalab.com/OpenDataLab/CRAG |
| 5 | DigestPath2019 | digestpath2019.grand-challenge.org |
| 6 | GlaS | datasetninja.com/gland-segmentation |
| 7 | Janowczyk | andrewjanowczyk.com/use-case-1-nuclei-segmentation |
| 8 | MIDOG | midog.deepmicroscopy.org |
| 9 | MoNuSAC | monusac-2020.grand-challenge.org |
| 10 | NuCLS | sites.google.com/view/nucls |
| 11 | PanNuke | kaggle.com/datasets/andrewmvd/cancer-inst-segmentation-and-classification |
| 12 | RINGS | data.mendeley.com/datasets/h8bdwrtnr5/1 |
| 13 | SegPath | dakomura.github.io/SegPath |
| 14 | SICAPv2 | kaggle.com/datasets/shridharspol/sicapv2 |
| 15 | TNBC | peterjacknaylor.github.io/data |
| 16 | WSSS4LUAD | wsss4luad.grand-challenge.org |
| 17 | CoNSeP | opendatalab.com/OpenDataLab/CoNSeP |
| 18 | CPM15 | Google Drive（共享文件夹） |
| 19 | CPM17 | Google Drive（共享文件夹） |
| 20 | Kumar | Google Drive（共享文件夹） |
| 21 | Lizard | kaggle.com/datasets/aadimator/lizard-dataset |
从托管平台看，这 21 个源横跨 grand-challenge.org（竞赛平台，需注册）、Kaggle（需账号）、Mendeley Data、OpenDataLab、Google Drive 与各研究组自建站点六类渠道——这本身就是"异构数据源协调"课题的真实缩影。
组织方为 香港科技大学（HKUST）团队，通讯作者 Hao Chen（陈浩），联合第一作者 Zhixuan Chen（陈芝漩） 与 Junlin Hou（侯君临）；合作方据公开报道包括中国科学技术大学（USTC）、香港中文大学（CUHK）与腾讯（Tencent）。arXiv 作者序列共 9 人，含 CUHK 病理学合作者 Ronald Cheong Kin Chan 与腾讯的 Yanning Zhou。
2.2 掩码规格与坐标对齐
PathSegmentor 的预处理规约明确定义了数据形态，这也是理解 PathSeg 的关键：
- 图像：从全切片图像（WSI）裁出的 1024×1024 patch，放大倍率统一为 40×。也就是说，源数据集若原始倍率不同，需先缩放到 40× 再裁切。
- 图像命名：
[IMAGE-NAME]_pathology_[REGION].png——[IMAGE-NAME]是图像唯一标识，[REGION]是解剖区域。 - 掩码：与图像同尺寸的二值图（前景像素=1）。一张图可对应多个掩码，每个掩码代表图内一个对象。
- 掩码命名：
[IMAGE-NAME]_pathology_[REGION]_[OBJECT].png——在图像名后追加[OBJECT]字段；[OBJECT]内空格用+替换以便解析，首段标明该对象所属的组织学结构。例如nuclei+neoplastic表示"属于细胞核（nuclei）结构的肿瘤性（neoplastic）对象"。
这套命名规约有一个精妙之处：文本提示可以从掩码文件名直接推导。示例掩码 Part_2_1211_pathology_bile+duct_nuclei+connective.png 对应的提示即为 "nuclei-level connective in bile duct pathology"（去掉所有 + 号）。也就是说，文件的层级命名与模型的文本提示接口是同一套语义体系的两个投影。
2.3 三级层级标签体系
PathSeg 最核心的贡献，是把 21 个源里各说各话的类别名，收敛进一套三级层级：
- 解剖区域（anatomical region）——20 类。回答"这是什么器官/部位"，如乳腺、结肠、肺、前列腺、胆管等。
- 组织学结构（histological structure）——3 类。回答"这是组织、细胞还是细胞核"：tissue（组织）/ cell（细胞）/ nuclei（细胞核）。
- 对象类型（object type）——61 类。回答"具体是什么对象"，如肿瘤上皮、健康腺体、平滑肌细胞、白细胞、红细胞、淋巴细胞等。
三级合法组合构成 160 个层级语义标签。作者强调这不是"扁平而各异的杂烩"（flat, idiosyncratic jumble），而是一套能让同一命名方案覆盖从宽泛组织类别到单个上皮细胞、平滑肌细胞、白细胞的统一坐标系。
层级化设计的直接用途是消歧。在扁平的病理标注里，“tumor” 一个词可能指肿瘤组织区域、肿瘤细胞、或肿瘤细胞核，三者尺度差几个数量级。层级提示把它们区分开：tissue-level tumor ... / cell-level tumor ... / nuclei-level tumor ...。模型的提示规约因此被写作：
[histological structure]-level [object type] in [anatomical region] pathology
2.4 划分：16 内部 + 5 外部
21 个源被划为两组：
- 16 个内部（internal）数据集：用于训练与测试，是模型性能的主战场。论文报告 PathSegmentor 在 16 个内部测试集上、覆盖约 45,000 组 image-mask 评测对取得最高整体性能。
- 5 个外部（external）数据集：仅用于泛化评测，检验模型跨数据集的迁移能力。
需要存照的是：5 个外部数据集具体是哪 5 个，论文摘要未点名（第三方核查亦指出"abstract does not state their role"）。已知外部评测至少覆盖 CPM17、CPM15、Kumar、Lizard 与 CoNSeP（见 §7）。完整的 16/5 名单需查 Supplementary Table 3 或全文。
从"平均每源约 13,100 组三元组"这一第三方派生口径（275,200 ÷ 21）可以感知：源与源之间的体量差异可能很大，这是汇编型数据集的共性——总量庞大，但分布未必均衡。
§3 配套模型 PathSegmentor：一句话驱动的分割
3.1 为什么要"文本提示"
要理解 PathSeg 的设计，必须先理解它服务的模型。PathSegmentor 是作者宣称的首个专为病理图像设计的文本提示（text-prompted）分割基础模型。它的输入不是点或框，而是一句自然语言描述，输出是对应的分割掩码。
这与主流路线形成鲜明对照：
- 专用监督模型（nnU-Net、DeepLabV3+）：为固定类别集训练，换类别就要重训。
- 空间提示基础模型（SAM 系、MedSAM、SAM-Med2D）：需要点击或拉框，密集结构下提示成本极高——MedSAM 实例框提示实测平均 14.7 prompts/mask。
- 病理特化空间提示（SAM-Path）：仍保留空间提示接口。
- 文本提示通用模型（BiomedParse）：支持文本提示，但并非专为病理训练，缺少显式的组织学层级表示。
PathSegmentor 的差异化在于两点：专为病理训练 + 在提示中显式表达组织学层级（tissue/cell/nuclei）。
3.2 架构三部件
模型为 Transformer 编码器-解码器结构，由三个部件组成：
- 图像编码器：FocalNet backbone，从病理 patch 提取多尺度视觉特征。
- 文本编码器：PubMedBERT——在生物医学文献上预训练，确保模型理解复杂医学术语（如 neoplastic、connective、bile duct）。
- 联合特征交互模块（Joint Feature Interaction Module）：用可学习查询（learnable queries）桥接视觉与文本特征，把"识别出的对象"与用户的自然语言提示对齐。
参数规模 450M。作者特别强调其紧凑性：一个 PathSegmentor 模型即可覆盖 160 类别，而完成等价任务所需的 SAM-Path 系专用模型群，参数量要高出约 75%。
3.3 提示层级规约
模型使用层级化提示策略：
[histological structure]-level [object type] in [anatomical region] pathology
这一规约把三个维度显式写进一句话，从而化解语义歧义——例如区分 “tumor cells”（肿瘤细胞）与 “tumor tissue”（肿瘤组织）。因为 PathSeg 的掩码文件名天然编码了同一套层级（见 §2.2），从数据到提示的映射是无缝的：文件名去掉 + 号就是提示词。
3.4 示例（来自官方 examples 目录）
官方仓提供四类示例，对应病理分割的四类难点：
| 示例目录 | 难点类型 | 说明 |
|---|---|---|
1_irregular |
不规则形状 | 如浸润性肿瘤间质，边界破碎、形态多变 |
2_tiny |
微小对象 | 尺寸极小的细胞核等 |
3_dense |
密集对象 | 大量紧密排列的细胞 |
4_others |
其他 | 其余常规与混合场景 |
每个末级文件夹内恒含两张图：一张原图、一张掩码。运行推理 notebook 时，替换图像与掩码路径、从掩码文件名尾部推得文本提示，即可生成"原图 / 预测掩码 / 真值掩码"三联对比图。
§4 基准性能：PathSegmentor 打穿了什么，没打穿什么
4.1 内部整体 Dice：0.671
在 16 个内部数据集上，PathSegmentor 取得整体 Dice 0.671，为全部对比方法中最高。与各基线的对照如下：
| 方法 | 类型 | 整体 Dice |
|---|---|---|
| PathSegmentor | 文本提示（病理专用） | 0.671 |
| nnU-Net | 专用监督 | 0.502 |
| SAM-Path | 病理特化空间提示 | 0.472 |
| DeepLabV3+ | 专用监督 | 0.462 |
| BiomedParse | 文本提示（通用多模态） | 0.242 |
论文摘要的精炼表述是：PathSegmentor 分别以 0.145 与 0.429 的整体 Dice 优势，超越既有的空间提示与文本提示模型。其中：
- 对空间提示：超 MedSAM +0.145，超 SAM-Med2D +0.239。
- 对文本提示：超最接近的文本提示对照 BiomedParse +0.429（0.671 vs 0.242）。
0.429 的差距意味着，在文本提示这条赛道上，PathSegmentor 与通用多模态模型之间已不是"领先"，而是近乎类别差异——这正是作者主张"病理需要专用文本提示模型"的核心论据。
4.2 统计严谨性
对比并非单点数字。作者采用单侧 Student’s t 检验 + Holm 校正 p 值 + bootstrap 估计的 95% 置信区间。优势在解剖区域、组织学结构、对象类型三个层级上一致成立，且在形态复杂的对象上增益尤为显著——恰是竞争方法最容易失手之处。
4.3 外部泛化：Dice 不稳定，是诚实的信号
在 5 个外部数据集上，泛化表现被如实报告（下表数值存在双口径小差，见 §9）：
| 外部数据集 | Dice（bio.rodeo 口径） | Dice（smartx 口径） |
|---|---|---|
| CPM17（细胞核） | 0.705 | 0.706 |
| CPM15 | 0.485 | 0.484 |
| Kumar | 0.427 | 0.428 |
| Lizard | 0.319 | 0.319 |
| CoNSeP（结肠细胞） | 超 BiomedParse +0.074 | 超 BiomedParse +0.072 |
这张表透露两个关键信息：
- 泛化是"不均匀"的。CPM17 细胞核达 0.705，而 Lizard 仅 0.319——跨数据集难度差异巨大。第三方评价直言，Lizard 上的低分说明"泛化在不同数据集间并不均衡"。
- 在困难细胞核基准上仍有明显提升空间。这不是营销数据，而是可复核的短板。
4.4 临床队列与内皮细胞的反例
临床队列：在 Center A / Center B 两个合作医院队列上，PathSegmentor 的 Dice 分别为 0.673 与 0.697，超各自第二名 +0.076 与 +0.153。这提供了初步的跨中心证据，但两队列不公开，结论无法被外部独立复核。
内皮细胞的反例（重要）：在 CoNSeP 数据集内，PathSegmentor 领先于恶性上皮、健康上皮、肌肉、炎症与成纤维细胞等类别，但MedSAM 与 SAM-Med2D 在内皮细胞（endothelial cells）上表现更好。作者据此坦承：对于某些稀疏、空间集中的目标，局部化的空间提示可能仍然更优。这是一条被写进论文的价值判断——文本提示并非普适解。
§5 PathSeg 作为"可解释性基础设施"
PathSegmentor 最有临床意味的应用，不是分割本身，而是用分割来解释黑箱分类器。深度学习癌症分类模型（尤其基于大型 WSI 集合训练者）向来"不透明"：给出诊断或生物标志物判断，却说不出哪些图像特征驱动了决策。
作者在 TCGA-BRCA（985 张全切片图像） 上做了两组对照实验，任务是区分浸润性导管癌（IDC）与浸润性小叶癌（ILC）：
工作流一：先分类后分割（classification-before-segmentation）
- 标准多实例学习（MIL）分类器取得宏 AUC 0.936。
- 用 PathSegmentor 分割出预定义的病理对象，**模糊（blur）**这些区域，测量预测误差的变化。
- 结果把特征重要性归因到导管上皮、癌细胞、肿瘤组织、上皮细胞核——这些是"可命名的组织学实体"，而非原始显著性图上的模糊热点。
工作流二：先分割后分类（segmentation-before-classification）
- 用 PathSegmentor 掩码把全切片特征分解为显式病理对象表示。
- 对象感知分类器产出语义解析的类激活图（class activation map），宏 AUC 0.953。
- 与常规激活图不同，这种图不仅指出"模型看了哪里"，还标注"那些区域是什么病理对象"。
这正是 PathSeg 的基础设施价值：它提供了一套统一的"语义坐标"，让分割掩码能够充当解释层（explanation layer），把诊断模型的行为锚定到可命名的组织学对象上——服务于精准肿瘤学中的可解释 AI（XAI）。
§6 获取与许可：一条真实的 AI-Ready 光谱
6.1 三条获取路径
PathSeg 的获取不是一个"下载按钮"，而是三条并行的通道：
路径一：HuggingFace 直取（最快）
- 地址：
Trusure/PathSeg（https://huggingface.co/datasets/Trusure/PathSeg） - 许可：CC BY-NC-ND 4.0
- 关键限制：只发布已获各源数据所有者明确分发许可的子集（“Only the subsets for which explicit distribution permissions were obtained”）——即渐进式开放，获一源许可即上传一源。因此实际可下载内容随时间动态变化，抓取时点（2026-10-09）下载量显示 last month 为 32。
- 联系邮箱：
zchenhi@connect.ust.hk
路径二：一键脚本（覆盖最广）
- GitHub 仓提供
pathseg_datasets/download.sh，可抓取大部分源数据集。 - 例外：需登录或额外权限验证的源（部分 grand-challenge 竞赛数据集、Kaggle 数据集等）脚本无法自动获取，需用户自行登录下载。
路径三：自行协调（最完整）
- 按
assets/readmes/Datasets_processing.md的详细说明，将原始数据转换为 PathSegmentor 所需的格式与目录结构。 - 这是唯一能拿到全部 21 源的路径，但需用户承担各源许可的合规责任。
6.2 目录结构与处理规约
按官方文档，数据组织如下：
pathseg_datasets/
├── [DATASET_NAME]/
│ ├── train/ # 训练图像
│ ├── train_mask/ # 训练掩码
│ ├── test/ # 测试图像
│ └── test_mask/ # 测试掩码
仓内提供 pathseg_datasets/Demo 作为样板子集，可用于训练与评测、理解代码流程，也可作为自定义数据集的组织模板——用户按同样结构组织自有数据，即可微调（fine-tune）PathSegmentor。
处理要点复述：图像须为 40× 缩放的 WSI 裁成的 1024×1024 patch，命名 [IMAGE-NAME]_pathology_[REGION].png；掩码同尺寸、二值（前景=1），命名 [IMAGE-NAME]_pathology_[REGION]_[OBJECT].png。生成数据集信息 JSON 用 create_single_dataset.py（单数据集）或 create_multiple_dataset.py（多数据集）。
6.3 代码与权重
- 代码：GitHub
zhi-xuan-chen/PathSegmentor，MIT License。版本 v1.0.0（commite67763ab835b3ef184cb6791eb2cd059ec8b9f9a）经 Zenodo 归档，DOI10.5281/zenodo.21800277（可稳定引用）。 - 环境：Python 3.11 / PyTorch 2.1.0 / torchvision 0.16.0 / CUDA 12.1 / Linux + NVIDIA GPU。需编译自定义 Detectron2 扩展（
--no-build-isolation），并下载 NLTK 资源（punkt、averaged_perceptron_tagger）。 - 权重：仓内链接指向 Google Drive 文件夹（PathSegmentor Checkpoints）——无 DOI、无校验和，属易失托管。
6.4 许可边界：NC + ND 的双重约束
这是理解 PathSeg "AI-Ready 程度"的关键。数据集许可是 CC BY-NC-ND 4.0：
- BY（署名）：使用时须署名原作者与源数据集。
- NC（非商业）：排除商业使用——医学研究友好，商用不友好。
- ND（禁演绎）：禁止分发演绎作品。这一条最微妙：若基于 PathSeg 做再切分、再标注、再聚合后分发，可能触碰 ND 边界。注意：训练模型是否构成"演绎"，在法务上是灰色地带——NC 与 ND 双重约束叠加，使下游再分发路径依赖专业法律意见。
此外，源数据集各自的许可必须分别遵从。同一批像素可能同时受源数据集许可与 PathSeg 汇编许可的双重约束，这是所有"协调型数据集"的共性难题。
6.5 不公开资产：临床队列
Center A 与 Center B 两个临床队列因医院限制不得公开。论文 Data availability 明确：访问请求可向通讯作者提出，将按各医院要求逐一审批。这意味着 PathSegmentor 最重要的跨中心泛化证据无法被外部独立复核——这是该工作可复现性的一个结构性缺口。
6.6 与库内可获取性光谱的对照
把 PathSeg 放进千方病案医数集的"可获取性光谱"里，它属于中高门槛一档：
- 比全公开数据集（如许多 CC0/CC BY 数据集）门槛更高——NC-ND 约束 + 渐进开放 + 源许可叠加。
- 比请求制数据集（如 PANDA-PLUS 的掩码须向通讯作者申请）门槛更低——HF 已有直取通道、代码 MIT 完全开源。
- 与纯竞赛数据集相比更开放——无排行榜门槛，但源里的 grand-challenge 项仍需注册。
对研究者而言，务实策略是：先用 HF + download.sh 拿到能拿的，回链原源补齐，逐源遵循其许可。
§7 生态与影响：一个数据集如何成为坐标系
7.1 在病理分割数据集景观中的位置
病理分割领域长期是"碎片化"的：每个数据集解决一个小问题（某个器官、某类细胞、某种染色），标注规范各异，类别名互不兼容。研究者若想做一个跨结构的模型，往往要在多个数据集间做繁琐的适配。
PathSeg 的贡献，是把这种碎片收敛为一个协调（harmonized）、层级标注的语料库。这是它"最大、最全"宣称的实质——不是体量最大的单一数据集，而是覆盖类别最广、命名最统一的汇编体。
7.2 与 SAM 系生态的关系
PathSegmentor 明确站在 SAM 系生态的对照面：
- SAM / SAM2 确立的"空间提示"范式在病理上失效——因为目标太小、太密、太重叠。
- MedSAM / SAM-Med2D 是医学版 SAM，但训练于宏观放射（CT/MRI），迁移到微观组织学（histology）时表现受限。
- SAM-Path 做了病理特化，但仍保留空间提示。
- BiomedParse 提供了更接近的文本提示范式，PathSegmentor 正是在直接对标它的基础上，证明"病理专用 + 层级提示"的竞争优势（+0.429 Dice）。
7.3 与下游 XAI 生态的互链
PathSegmentor 掩码的"解释层"价值，把它接入了可解释 AI（XAI）与精准肿瘤学生态：为黑箱分类器提供对象级归因、支持影像生物标志物发现。这一能力对整个 WSI 分类研究社区有直接用途——任何需要"说出模型在看什么结构"的场景，都可能受益于 PathSeg 的语义坐标。
7.4 局限：作者自己划的边界
一份负责任的条目必须复述作者自陈的局限：
- PathSeg 仍小于大型非语义分割数据集（如以海量计数见长的数据集）。
- 当前模型专注文本驱动语义分割，尚未充分融合文本 + 视觉提示。
- 密集排列的细胞可能被合并，而非分割为独立实例——对实例计数类任务存在系统性弱点。
- 内皮细胞结果表明：对某些稀疏、空间集中的目标，空间提示仍可能更优。
- 两个临床队列仅提供初步跨中心证据，需要更大规模的前瞻性多中心研究。
- 定位声明：PathSegmentor 应被视为定量病理与模型解释的研究工具，而非自主诊断系统，也不替代专家病理评估。
第 6 条尤其重要——它把这项工作的边界划得很清楚：这是一个研究工具，不是医疗器械。
§8 与库内条目的关系
8.1 家族图谱
PathSeg 与本库内若干条目存在血缘或邻域关系：
- 直接血缘（源数据集层面）：
- digestpath（rid 338）——PathSeg 的 21 源之一 DigestPath2019 的源数据集条目。这是最强血缘链：PathSeg 含 DigestPath2019 的协调后子集。
- unitopatho（rid 701）——同源之一 SICAPv2 与本条目相关；SICAPv2 是 PathSeg 的 21 源之一。注意撞库识别：SICAPv2 与 Unitopatho 是两个不同数据集，不可混为一谈。
- 域邻居（病理/WSI）：pathvqa（rid 260）、breastpathq（rid 268）、bonemarrow-wsi（rid 901）。
- 跨模态分割对照：totalsegmentator（rid 422）（放射域 CT 分割）、chest-x-ray-segmentation（rid 601）——语义域不同（宏观放射 vs 微观组织学），可作"分割任务跨模态对照"的互链点。
8.2 检索路径建议
- 想理解"数据集汇编/协调"这一方法论：对照 PANDA-PLUS（多源 WSI 重标注）与本条目。
- 想理解"文本提示分割"：本条目 + BiomedParse 系（通用多模态文本分割对照）。
- 想理解"病理分割的下游应用：本条目 + digestpath（腺体/组织分割）+ breastpathq（乳腺病理定量）。
§9 双口径登记表与待核
9.1 双口径登记表
| # | 项目 | 口径 A | 口径 B | 采用 |
|---|---|---|---|---|
| 1 | 三元组总数 | 275,200（摘要精确） | 约 275,000 / ~275k（多处概称） | 精确值为主，概述用约数 |
| 2 | CPM17 Dice | 0.705（bio.rodeo） | 0.706（smartx） | 并列，注来源 |
| 3 | CPM15 Dice | 0.485（bio.rodeo） | 0.484（smartx） | 并列，注来源 |
| 4 | Kumar Dice | 0.427（bio.rodeo） | 0.428（smartx） | 并列，注来源 |
| 5 | CoNSeP 超 BiomedParse | +0.072（smartx） | +0.074（bio.rodeo） | 并列，注来源 |
| 6 | 发布时间 | 2025-06-26 预印本 v1 | 2026-09-10 正式发表 | 正式版用 2026，预印本用 2025 |
| 7 | 标题大小写 | “Segment Anything…”（arXiv） | “Segment anything…”（Nature） | Nature 版为准 |
| 8 | 组织机构 | 3 机构（smartx 隐含） | 4 机构（bio.rodeo：HKUST/USTC/CUHK/Tencent） | 采 4 机构口径 |
9.2 待核清单
- 5 个外部数据集具体是哪 5 个——摘要未点名，需 Supplementary Table 3 或全文 Figure 5 确认。
- 20 解剖区域 / 61 对象类型 / 160 标签的完整清单——正文图 1 有，公开 HTML 未落文本。
- HF
Trusure/PathSeg当前已获许可并实际上传的子集清单——渐进开放，动态变化。 - PathSegmentor 权重 Google Drive 直链稳定性——第三方托管、无 DOI、无校验和。
- Center A / Center B 请求流程细节——仅"向通讯作者请求"，无公开表单页。
- CC BY-NC-ND 对"训练模型并再分发权重"的许可解释——NC + ND 双重约束下的法务灰色地带。
9.3 遗留疑点
- 数据集"最大、最全"是作者宣称（“largest and most comprehensive”），截至发文时点，无独立第三方全面核验。
- 第三方核查（theclarity）指出：论文摘要未披露逐类别/逐数据集的精度、患者/切片分母、推理成本/吞吐——这些数字需查 Source Data 文件。对"每张 WSI 推理吞吐"这一决定生产成本的指标，公开信息缺失。
§10 避坑清单：十二个已踩过的坑
坑 1：把 PathSeg 当成"又一批新标注"。
PathSeg 的全部数据来自 21 个公开源，无一像素是作者新采集。它的价值是协调与统一，不是标注增量。指望它提供独家新切片的研究者会失望；把它当"跨源统一坐标系"使用的人才会受益。
坑 2：把 PathSeg 与 PathSegmentor 混为一谈。
PathSeg 是数据集，PathSegmentor 是模型。二者出自同一篇论文，不是两个独立数据资源。库内若有"pathsegmentor"候选，应与本条目去重，避免同物重复立条。
坑 3：以为 HuggingFace 上能拿到全部 21 源。
HF 上只有已获各源所有者分发许可的子集，且渐进式开放——今天能下的和明天能下的可能不同。想拿全 21 源，必须走 download.sh 或自行协调原源。
坑 4：忽略 NC-ND 的"ND（禁演绎）"。
多数人记得 NC（非商业），却忽略 ND（禁止演绎）。再切分、再聚合、再标注后分发可能触碰 ND 边界。做衍生数据集前务必法务评估。
坑 5：忘记源数据集的独立许可。
PathSeg 是汇编，每个源仍带自己的许可与获取门槛（grand-challenge 注册、Kaggle 登录、Mendeley、Google Drive）。使用某子集时，源许可与汇编许可双重适用。
坑 6：以为临床队列能下载。
Center A / Center B 不公开，仅可向通讯作者请求并按医院要求审批。论文最强的跨中心泛化证据，外部无法独立复核——不要指望复现。
坑 7：把 Dice 0.671 当作"处处通吃"。
0.671 是 16 内部数据集整体成绩。外部分化严重：CPM17 细胞核 0.705，Lizard 仅 0.319。且内皮细胞上空间提示模型（MedSAM/SAM-Med2D）更优。任务不同，胜负不同。
坑 8：用 PathSeg 做实例计数（cell counting）。
作者明确：密集排列的细胞可能被合并，而非分割为独立实例。语义分割 ≠ 实例分割。做细胞计数需另择实例级工具。
坑 9：直接啃 Google Drive 权重链而不留校验。
模型权重托管在 Google Drive，无 DOI、无校验和，链接易失。引用或归档时应记录 commit（e67763ab...）与 Zenodo DOI（10.5281/zenodo.21800277）以防失联。
坑 10：图像倍率与 patch 尺寸搞错。
PathSegmentor 要求 40× WSI 裁 1024×1024 patch。用 20× 或非 1024 尺寸的 patch 直接喂入，会与训练分布不符，性能不可预期。
坑 11：提示词自由发挥。
提示规约是严格的三级结构：[histological structure]-level [object type] in [anatomical region] pathology。虽然模型对措辞变化有一定鲁棒性，但偏离该结构、丢掉层级关键字，效果可能明显下降。文件名去掉 + 号是最可靠的提示构造法。
坑 12：把"最大、最全"当既定事实引用。
这是作者宣称，发文时点无第三方全面核验。引用时应标注为"作者宣称"，并注意论文摘要未披露逐类别精度、患者/切片分母、推理吞吐等关键生产指标。
坑点速查表
| 编号 | 一句话 | 后果 |
|---|---|---|
| 坑 1 | 非新采集，是协调汇编 | 预期错位 |
| 坑 2 | PathSeg ≠ PathSegmentor | 重复立条 |
| 坑 3 | HF 非全量、渐进开放 | 拿不全 |
| 坑 4 | NC-ND 的 ND | 衍生分发违规 |
| 坑 5 | 源许可独立适用 | 合规漏洞 |
| 坑 6 | 临床队列不可得 | 复现失败 |
| 坑 7 | 0.671 非普适 | 误判能力 |
| 坑 8 | 语义≠实例 | 计数不准 |
| 坑 9 | Drive 权重易失 | 链断失联 |
| 坑 10 | 40× / 1024 | 分布失配 |
| 坑 11 | 提示规约须守 | 效果下滑 |
| 坑 12 | "最大最全"是宣称 | 引用失当 |
§11 DAIMS 就绪度评估：八维打分
千方病案医数集对所有条目统一采用 DAIMS（Data AI-Readiness Maturity Score，数据 AI 就绪度成熟度评分），从八个维度刻画一个数据集"能否直接喂给 AI 流水线"。PathSeg 的评分如下（5 分制，3 分为"可用门槛"）：
| 维度 | 评分 | 判据 |
|---|---|---|
| D1 可获取性（Accessibility） | 3.5 | HF Trusure/PathSeg 直取 + GitHub download.sh + 原源回链三条通道；但 HF 仅渐进开放已授权子集，部分源需登录（grand-challenge / Kaggle），全量需自行协调 |
| D2 许可清晰度（Licensing） | 2.5 | 汇编许可 CC BY-NC-ND 4.0 明确，但 NC + ND 双重约束、21 源独立许可叠加、模型训练的演绎边界处于法务灰色地带 |
| D3 文档完备度（Documentation） | 4.0 | 处理文档（Datasets_processing.md）、命名规约、目录结构、示例（Demo + 4 类 examples）齐备；缺 20 区域 / 61 对象 / 160 标签的公开文本清单 |
| D4 标注质量（Annotation Quality） | 3.5 | 源自 21 个同行评议数据集的既有标注，质量有基础；但跨源标注一致性（同一对象不同源的勾画规范）无独立评估 |
| D5 规模与覆盖（Scale & Coverage） | 4.5 | 275,200 组三元组、160 层级标签、20 解剖区域、3 组织层级、61 对象类型；作者宣称"最大最全"，同类中覆盖最广 |
| D6 格式规范度（Format Standardization） | 4.5 | image–mask–label 三元组、1024×1024 统一尺寸、40× 统一倍率、命名规约机器可解析（文件名可反推提示词），工程化程度高 |
| D7 基准与评测（Benchmark） | 4.0 | 配套 PathSegmentor 提供完整基线对照（nnU-Net / SAM-Path / DeepLabV3+ / MedSAM / SAM-Med2D / BiomedParse），16 内部 + 5 外部评测，含统计检验 |
| D8 可复现性（Reproducibility） | 2.5 | 代码 MIT + Zenodo 归档（DOI 可引）；但权重托管 Google Drive 无校验和、临床队列不公开、逐类别精度 / 患者分母未披露 |
加权总评：约 3.6 / 5.0（中高就绪度）。
11.1 评分解读
PathSeg 的 DAIMS 画像呈现鲜明的**“两极结构”**：
- 强项在 D5/D6/D7（规模、格式、评测）——这是汇编工程的天然优势：大量既有标注 + 统一化的格式规约 + 配套模型的完整基线，让它一出生就具备"可直接训练与评测"的形态。D6 达 4.5 分尤为突出：文件名即可反推提示词这一设计，把数据与模型的接口做成了同一套语义体系，是 AI-Ready 的教科书级实践。
- 弱项在 D2/D8（许可、复现）——这是汇编工程的天然代价：数据不是你采的，许可就受制于 21 个源；证据链不全在你手里，复现就受制于不可公开的临床队列与无校验和的权重托管。
11.2 与库内同类条目的 DAIMS 对照（定性）
- 相比全公开 CC0 数据集：PathSeg 在 D1/D2 上更低（NC-ND + 渐进开放），但在 D5/D7 上更高（规模与基准的完整性）。
- 相比请求制数据集（掩码须向作者申请）：PathSeg 在 D1/D2 上更高（HF 直取 + 明确 SPDX 式许可），但在 D8 上相近（都有关键资产不可公开）。
- 相比纯竞赛数据集：PathSeg 在 D1/D3 上更高（无排行榜门槛、文档更全），D7 上因无公开排行榜而略低（无法持续刷新 SOTA）。
术语表（Glossary）
| 术语 | 英文 | 释义 |
|---|---|---|
| 语义分割 | semantic segmentation | 为图像中每个像素分配类别标签，不区分同类实例 |
| 实例分割 | instance segmentation | 既分像素类别，又区分同类中的不同个体 |
| 全切片图像 | whole slide image (WSI) | 病理切片数字化后的超高分辨率扫描图，常达数 GB |
| 补丁 | patch | 从 WSI 裁出的小块图像，PathSeg 统一为 1024×1024 |
| H&E 染色 | hematoxylin and eosin | 苏木精-伊红染色，病理最常用的染色法，核显蓝紫、胞质显粉 |
| 倍率 | magnification | 显微镜放大倍数，PathSeg 统一为 40× |
| image–mask–label 三元组 | triple | PathSeg 的原子记录单位：图像 + 掩码 + 层级标签 |
| 二值掩码 | binary mask | 前景=1、背景=0 的掩码图 |
| 层级标签 | hierarchical label | 三级组合：解剖区域 → 组织学结构 → 对象类型 |
| 解剖区域 | anatomical region | 层级第一级（20 类），如乳腺、结肠、肺 |
| 组织学结构 | histological structure | 层级第二级（3 类）：tissue / cell / nuclei |
| 对象类型 | object type | 层级第三级（61 类），如肿瘤上皮、淋巴细胞 |
| 文本提示 | text prompt | 用自然语言描述待分割目标，替代点/框 |
| 空间提示 | spatial prompt | 用点、框等空间标记指定目标 |
| 协调 | harmonization | 把多源异构标注统一到同一类别体系与格式 |
| 基础模型 | foundation model | 大规模预训练、可迁移到多任务的模型 |
| FocalNet | FocalNet | 一类视觉 backbone，用作图像编码器 |
| PubMedBERT | PubMedBERT | 生物医学文献预训练的文本编码器 |
| 联合特征交互模块 | Joint Feature Interaction Module | 桥接视觉与文本特征的可学习查询模块 |
| 宏 AUC | macro AUC | 各类别 AUC 的算术平均，对类别不均衡更公平 |
| 多实例学习 | multiple instance learning (MIL) | WSI 分类常用范式，切片=实例包，标签在包级 |
| 类激活图 | class activation map (CAM) | 可视化模型决策关注区域的热力图 |
| 可解释 AI | explainable AI (XAI) | 让模型决策可被人类理解的方法总称 |
| 内皮细胞 | endothelial cells | 血管内壁细胞；本工作中空间提示模型优于文本提示的反例 |
| 渐进式开放 | progressive release | 获一源许可即上传一源，可下载内容随时间变化 |
| 禁演绎 | NoDerivatives (ND) | CC 许可限制：禁止分发演绎作品 |
| 非商业 | NonCommercial (NC) | CC 许可限制：禁止商业使用 |
| DAIMS | Data AI-Readiness Maturity Score | 千方病案医数集自研的八维 AI 就绪度评分 |
存照（Dual-Caliber & Pending Verification Register）
按千方病案医数集体例，凡存在两个及以上口径或尚未独立核验的事实，统一在正文声明后于此处登记，供后续复核与本库版本管理。
存照 A：双口径登记（8 项）
| # | 项目 | 口径 A | 口径 B | 本条目采用 |
|---|---|---|---|---|
| A1 | 三元组总数 | 275,200（论文摘要精确值） | 约 275,000 / ~275k（多处概称） | 正文用精确值，概述用"约 27.5 万级" |
| A2 | CPM17 外部 Dice | 0.705（bio.rodeo） | 0.706（HKUST SmartX） | 并列呈现，标注来源 |
| A3 | CPM15 外部 Dice | 0.485（bio.rodeo） | 0.484（HKUST SmartX） | 并列呈现，标注来源 |
| A4 | Kumar 外部 Dice | 0.427（bio.rodeo） | 0.428（HKUST SmartX） | 并列呈现，标注来源 |
| A5 | CoNSeP 超 BiomedParse | +0.072（SmartX） | +0.074（bio.rodeo） | 并列呈现，标注来源 |
| A6 | 发布时间 | 2025-06-26（arXiv 预印本 v1） | 2026-09-10（Nature Comput. Sci. 正式发表） | 正式版用 2026，预印本用 2025 |
| A7 | 标题大小写 | “Segment Anything in Pathology Images…”（arXiv） | “Segment anything in pathology images…”（Nature 官网首词大写） | 正文并列存照，引用时以 Nature 版为准 |
| A8 | 组织机构数 | 3 机构（SmartX 页隐含） | 4 机构（bio.rodeo：HKUST / USTC / CUHK / Tencent） | 采 4 机构口径 |
存照 B：待核清单（6 项）
| # | 待核事项 | 现状 | 建议核验途径 |
|---|---|---|---|
| B1 | 5 个外部数据集具体是哪 5 个 | 摘要未点名；已知外部评测覆盖 CPM17/CPM15/Kumar/Lizard/CoNSeP | Nature Supplementary Table 3 或正文 Figure 5 |
| B2 | 20 解剖区域 / 61 对象类型 / 160 标签完整清单 | 正文图 1 有，公开 HTML 未落文本 | Source Data 文件或补充材料 |
| B3 | HF Trusure/PathSeg 当前已授权并实际上传的子集清单 |
渐进开放，动态变化 | 定期抓取 HF 仓目录 |
| B4 | PathSegmentor 权重 Google Drive 直链稳定性 | 第三方托管，无 DOI、无校验和 | Zenodo 归档 commit 对应权重，或向作者索取校验和 |
| B5 | Center A / Center B 请求流程细节 | 仅"向通讯作者请求"，无公开表单 | 联系 zchenhi@connect.ust.hk |
| B6 | CC BY-NC-ND 对"训练模型并再分发权重"的许可解释 | NC + ND 双重约束，法务灰色地带 | 专业法律意见 / 咨询原作者 |
存照 C：遗留疑点（3 项）
- "最大、最全"是作者宣称（“largest and most comprehensive”），截至发文时点无独立第三方全面核验；引用时应标注为"作者宣称"。
- 论文摘要未披露逐类别 / 逐数据集精度、患者 / 切片分母、推理成本 / 吞吐——这些关键生产指标需查 Source Data 文件；对"每张 WSI 推理吞吐"这一决定生产成本的指标，公开信息缺失。
- 跨源标注一致性未经独立评估：同一对象类型（如"肿瘤上皮"）在不同源数据集中的勾画规范、边界约定可能不同，PathSeg 做了命名统一，但是否也做了勾画规范统一，公开文档未明确。
§12 团队与机构：一项跨国协作的产物
12.1 核心团队
PathSeg 与 PathSegmentor 出自同一篇论文，作者群共 9 人（arXiv v2 作者序列）：
| 角色 | 姓名 | 备注 |
|---|---|---|
| 通讯作者 | Hao Chen（陈浩） | 香港科技大学（HKUST） |
| 联合第一作者 | Zhixuan Chen（陈芝漩） | 数据集联系人 zchenhi@connect.ust.hk |
| 联合第一作者 | Junlin Hou（侯君临） | — |
| 合作者 | Liqi Lin | — |
| 合作者 | Yihui Wang | — |
| 合作者 | Yequan Bie | — |
| 合作者 | Xi Wang | — |
| 合作者 | Yanning Zhou | 腾讯（Tencent） |
| 合作者 | Ronald Cheong Kin Chan | 香港中文大学（CUHK）病理学 |
12.2 机构构成
据第三方模型卡（bio.rodeo）口径，参与机构为 4 家：
- 香港科技大学（HKUST）——牵头单位，通讯作者与两位联合第一作者所在。
- 中国科学技术大学（USTC）——合作单位。
- 香港中文大学（CUHK）——病理学合作（Ronald Cheong Kin Chan）。
- 腾讯（Tencent）——工业界合作（Yanning Zhou）。
存照 A8：另有来源仅隐含 3 机构口径；本条目采用 4 机构口径（bio.rodeo），并在存照中登记差异。
12.3 这一构成说明了什么
这份作者名单本身透露出 PathSeg 的跨学科协作底色：
- HKUST + USTC + Tencent 的组合，是典型的"算法 + 工程 + 算力"三角，解释了为何能协调 21 个源、训练 450M 基础模型并做完整基线评测。
- CUHK 病理学合作者的加入，是临床可信度的来源——层级标签体系（解剖区域 → 组织学结构 → 对象类型）的设计，需要病理学家的参与才能贴合真实病理语义。
- 但没有一个源数据集的所有者出现在作者名单中——这也正是 PathSeg 只能"渐进式开放"的结构性原因：它站在 21 个第三方数据资产的肩上，分发权并不完全在自己手里。
12.4 与源数据集组织者的关系
值得单独指出：PathSeg 的 21 个源分属不同研究组 / 机构，各自有独立的发布者与联系渠道（见 §2 源列表与 §6 获取路径）。使用时，引用义务是双重的：既要引用 PathSeg 汇编工作（Nature Comput. Sci. 2026），也要引用所用子集对应源数据集的原始论文——这是 CC BY（署名）义务在汇编语境下的具体落地。
§13 论文与时间线：从预印本到正式发表
13.1 双版本时间线
| 时点 | 事件 | 载体 | 标识 |
|---|---|---|---|
| 2025-06-26 | 预印本 v1 上线 | arXiv | arXiv:2506.20988 v1 |
| 2025-08-19 | 预印本 v2 更新 | arXiv | arXiv:2506.20988 v2 |
| 2026-09-10 | 正式发表 | Nature Computational Science | DOI: 10.1038/s43588-026-01042-5 |
- arXiv DOI：
10.48550/arXiv.2506.20988 - 期刊 DOI：
10.1038/s43588-026-01042-5 - 期刊影响因子（2025 JIF）：20.3
13.2 标题双口径（重要存照）
同一篇工作，两个官方渠道的标题大小写不一致：
- arXiv 版：
Segment Anything in Pathology Images with Natural Language（“Anything” 首字母大写） - Nature 官网版：
Segment anything in pathology images with natural language（仅首词首字母大写）
存照 A7：这是 Nature 系期刊的标题样式规范（sentence case）与 arXiv 惯例（title case）差异所致，不是两篇不同论文。本条目正文引用正式发表版时采用 Nature 版拼写；提及预印本时注明 arXiv 版拼写。检索时应两种拼写都尝试，避免漏检。
13.3 版本演进的可核查线索
- v1 → v2（2025-06-26 → 2025-08-19）的更新，通常对应评审反馈或补充实验；具体 changelog 需比对两个 arXiv 版本。
- 从预印本到正式发表跨越约 14 个月（2025-06 → 2026-09），符合同级别计算科学期刊的评审周期。
- 正式发表版新增了 17 位内部评审专家的背书（第三方核查提及"17 reviewers"审理），提示该工作经过了较为严格的同行评议。
13.4 引用规范建议
- 正式引用：Chen, Z., Hou, J., … Chen, H. Segment anything in pathology images with natural language. Nature Computational Science (2026). DOI: 10.1038/s43588-026-01042-5.
- 预印本引用：Chen, Z., Hou, J., … Chen, H. Segment Anything in Pathology Images with Natural Language. arXiv:2506.20988 (2025).
- 数据集引用：数据集本体需引 HF 仓
Trusure/PathSeg与 DOI 10.1038/s43588-026-01042-5。 - 代码引用：GitHub
zhi-xuan-chen/PathSegmentorv1.0.0，commite67763ab835b3ef184cb6791eb2cd059ec8b9f9a，Zenodo DOI10.5281/zenodo.21800277。
§14 三元组格式定义：一条记录的解剖
理解 PathSeg，最终要落到"一条记录长什么样"。PathSeg 的原子记录是 image–mask–label 三元组，本节把它逐字段解剖。
14.1 三件套字段
| 字段 | 内容 | 规格 |
|---|---|---|
| image | 病理图像 patch | PNG，1024×1024，40× WSI 裁出，H&E 染色 |
| mask | 语义分割掩码 | PNG，同尺寸 1024×1024，二值（前景=1，背景=0） |
| label | 层级语义标签 | 字符串，三级结构：[REGION] / [STRUCTURE] / [OBJECT] |
14.2 命名规约（可机器解析）
这是 PathSeg 工程化的精华——文件名即元数据：
图像： [IMAGE-NAME]_pathology_[REGION].png
掩码： [IMAGE-NAME]_pathology_[REGION]_[OBJECT].png
[IMAGE-NAME]：图像唯一标识（如Part_2_1211）。[REGION]：解剖区域，可能多词，用+连接（如bile+duct）。[OBJECT]：对象类型，可能多词，用+连接；首段标明所属组织学结构。
14.3 完整示例（逐步拆解）
官方文档给出的示例掩码文件名：
Part_2_1211_pathology_bile+duct_nuclei+connective.png
拆解：
| 片段 | 含义 |
|---|---|
Part_2_1211 |
图像唯一标识 [IMAGE-NAME] |
pathology |
固定字段，标识这是病理图像 |
bile+duct |
解剖区域 = bile duct（胆管） |
nuclei+connective |
对象类型 = connective（结缔组织），所属组织学结构 = nuclei（细胞核） |
14.4 从文件名到提示词（零成本映射）
关键设计：把文件名中的 + 还原为空格，并加入层级关键字，即得模型提示词：
nuclei-level connective in bile duct pathology
对照提示规约：
[histological structure]-level [object type] in [anatomical region] pathology
| 提示槽位 | 取值 | 来源 |
|---|---|---|
| [histological structure] | nuclei |
文件名 [OBJECT] 首段 |
| [object type] | connective |
文件名 [OBJECT] 剩余段 |
| [anatomical region] | bile duct |
文件名 [REGION]（+→空格） |
这一"文件名 → 提示词"的同构性，是 PathSeg 被评价为工程化程度高的核心原因：数据的元数据层与模型的接口层是同一套语义体系。它让批量推理、自动化评测、跨源对齐都不需要额外的映射表。
14.5 一图多掩码
一张 image 可对应多个 mask（图中多个对象各一个），每个 mask 配一个独立 label。因此"275,200 组三元组"是图像-掩码对的计数口径，而非唯一图像数——同一张图像可能贡献多组。评测时论文使用的口径是"约 45,000 组 image-mask 评测对"，同样遵循这一计数方式。
14.6 标签的层级闭包
不是所有 20×3×61 的组合都合法，合法子集共 160 个层级标签。这意味着实际数据中出现的（区域, 结构, 对象）三元组是病理学上真实成立、且源数据中确有标注的组合。用 160 而非 20×3×61=3,660，是"语义有效性"对"组合完备性"的胜利。
§15 数据规模深描：275,200 背后的结构
15.1 三层规模数字
PathSeg 的"规模"不是单一数字，而是三层：
| 层级 | 数字 | 口径 |
|---|---|---|
| 源数据集 | 21 | 汇编来源数 |
| 三元组总量 | 275,200 | image–mask–label 组数（≈“约 27.5 万级”） |
| 评测对 | 约 45,000 | 16 内部测试集上的 image-mask 评测对 |
15.2 标签空间的规模
| 维度 | 数量 | 说明 |
|---|---|---|
| 解剖区域 | 20 | 第一级 |
| 组织学结构 | 3 | tissue / cell / nuclei |
| 对象类型 | 61 | 第三级 |
| 合法层级标签 | 160 | 闭包后的实际合法子集 |
注意 160 ≠ 20×3×61。标签空间是病理语义有效性约束下的稀疏子集，而非笛卡尔积。
15.3 源间不均衡的合理推断
由 275,200 ÷ 21 ≈ 13,100 组/源可得均值，但这是派生口径，不代表真实分布。汇编型数据集的共性：总量庞大，分布未必均衡——大源（如 PanNuke 的数十万细胞核）与小源（如某些稀有结构数据集）体量差异可能达数量级。论文摘要未在公开文本中披露逐源、逐类别明细，逐类别均衡度需核 Source Data（见存照 B2 / C2）。
15.4 划分的规模含义
- 16 内部（训练 + 测试）：承载主性能指标，约 45,000 评测对。
- 5 外部（仅评测）：承载泛化指标，Dice 从 0.705（CPM17）到 0.319（Lizard）跨度极大。
- 内部：外部 ≈ 16:5 ≈ 3:1，训练与泛化评测的比重合理，外部集足以暴露跨源迁移问题。
§16 源数据集深描：21 个源各自贡献了什么
汇编型数据集的价值，取决于它汇编了谁。本节按病理任务类型，把 21 个源分组深描，帮助使用者判断"我要的对象类型是否被覆盖"。
16.1 细胞核分割类（占比最大）
| 源 | 侧重 | 典型贡献 |
|---|---|---|
| PanNuke | 泛器官细胞核 | 数万至数十万细胞核实例，多类（肿瘤/非肿瘤上皮、炎症、结缔、死细胞） |
| CoNIC2022 | 结肠细胞核 | 结肠细胞核计数与分类挑战数据 |
| MoNuSAC | 多器官细胞核 | 乳腺/肺/肾/前列腺四器官细胞核多类 |
| NuCLS | 乳腺细胞核 | 乳腺细胞核分类，标注层级丰富 |
| CPM15 / CPM17 | 细胞核 | 经典细胞核分割数据集，PathSeg 外评测中的困难基准 |
| Kumar | 多器官细胞核 | 七器官 H&E 细胞核分割 |
| CoNSeP | 结肠细胞核 | 结肠细胞核，含内皮细胞等类 |
| RINGS | 细胞核 | Mendeley 托管细胞核数据 |
| TNBC | 三阴乳腺癌细胞核 | 乳腺癌细胞核分割 |
这一大类贡献了 PathSeg 中"nuclei"层级的主体，也是外部泛化评测（CPM17/CPM15/Kumar/CoNSeP）的主要来源。
16.2 腺体 / 组织分割类
| 源 | 侧重 | 典型贡献 |
|---|---|---|
| GlaS | 结肠腺体 | 腺体分割经典基准 |
| DigestPath2019 | 消化道病理 | 结肠腺体分割与组织区分（对应库内 digestpath 338） |
| CRAG | 结直肠腺体 | 结直肠腺体分割挑战数据 |
| BCSS | 乳腺癌组织 | 乳腺肿瘤组织多类分割 |
| SICAPv2 | 前列腺组织 | 前列腺癌组织分级相关（与库内 unitopatho 701 相关，勿混淆） |
16.3 免疫 / 特殊染色 / 跨域提示类
| 源 | 侧重 | 典型贡献 |
|---|---|---|
| MIDOG | 有丝分裂检测 | 跨扫描仪域偏移下的有丝分裂图 |
| SegPath | 通用分割 | 多细胞类型病理分割 |
| Janowczyk | 细胞核基准 | 经典细胞核分割用例 |
| CoCaHis | 结肠病理 | 结肠组织相关分割 |
| WSSS4LUAD | 肺腺癌弱监督 | 肺腺癌组织分割挑战数据 |
| Lizard | 结肠细胞核 | 大规模结肠细胞核，PathSeg 外评测最低分（0.319） |
16.4 覆盖矩阵小结
- 器官覆盖：乳腺、结肠/结直肠、肺、前列腺、消化道（胆管/胃）、肾、多器官泛化——构成 20 解剖区域的主要来源。
- 尺度覆盖：组织级（腺体/肿瘤区）、细胞级、细胞核级——对应 3 组织学结构。
- 任务覆盖：密集细胞核、稀疏腺体、跨扫描仪域、弱监督——对应 61 对象类型的多样性。
- 盲区提示：某些器官（如皮肤、肝、胰）与某些对象类型可能覆盖较薄；具体需核 Source Data（存照 B2）。
§17 数据协调规则：从 21 源到 160 标签的技术路径
PathSeg 的核心工程动作是协调（harmonization）。本节梳理这套协调的关键规则（基于公开文档可确认的部分）。
17.1 规则一：倍率归一
所有源图像统一到 40×。源数据若为 20× 或 10×，需先上采样/重采样到 40×，再裁 1024×1024 patch。代价：低倍率源上采样可能引入插值伪影；收益：全库像素尺度一致，模型输入分布统一。
17.2 规则二：尺寸归一
统一裁为 1024×1024 patch。这是计算病理基础模型的常用输入尺寸，兼顾上下文与显存。
17.3 规则三：掩码二值化
源掩码可能有实例 ID、多类别值、灰度等形态，统一转为二值（前景=1）。注意：二值化意味着丢弃实例边界——这正是"语义分割 ≠ 实例分割"、模型可能合并密集细胞的技术根源（见坑 8）。
17.4 规则四：类别命名归一（层级化）
把源里各说各话的类别名映射进三级体系：
- 每个源类别 → 判定其组织学结构（tissue/cell/nuclei）；
- 判定其对象类型（映射到 61 类之一）；
- 关联其解剖区域（映射到 20 类之一）。
这一步最难，也最需病理知识——"同一个词在不同源的尺度含义不同"是主要歧义源，层级化正是为消歧而生。
17.5 规则五：文件系统编码
把层级信息编码进文件名（[IMAGE-NAME]_pathology_[REGION]_[OBJECT].png），实现"元数据即文件名、提示词可由文件名反推"（见 §14）。这一规则让数据层与模型接口层同构（DAIMS D6 得 4.5 分的直接原因）。
17.6 协调的未明确之处（重要）
以下环节在公开文档中未明确说明，使用者应谨慎假设：
- 勾画规范的统一程度：不同源对同一对象（如"肿瘤上皮"）的边界约定可能不同；命名统一 ≠ 勾画统一。
- 重复样本去重：21 源是否存在图像级别重叠（同一 WSI 被多个源收录）？公开文档未说明去重规则。
- 类别映射表：从源类别到 160 标签的完整映射表，公开 HTML 未落文本（存照 B2）。
- 质量筛选：是否对源标注做了质量过滤/剔除？未说明。
这些"未明确"不是缺陷指控，而是汇编型资源的固有透明度边界——它的可复现性受制于上游 21 源的文档完备度。研究者若要做严格的跨源实验设计，必须回查各源原始标注规范。
17.7 协调规则的设计哲学
把上述规则串起来，可见一条清晰的设计主线：
“以模型接口为终点的数据规约”——每一步归一（倍率、尺寸、二值、命名、层级）都指向同一个目标：让任意源的数据，都能以统一的提示词接口喂给同一个模型。这不是"整理旧数据"，而是"为文本提示分割基础模型量身定制一套数据坐标系"。
这解释了为何 PathSeg 与 PathSegmentor 必须成对出现：数据集是按模型接口规约出来的，模型是按数据集语义训练的。它们是一枚硬币的两面（见 §2 名称与身份辨析，坑 2）。
§18 与库内同域条目深度对比
千方病案医数集内已有若干病理/WSI 相关条目，PathSeg 与它们构成一张可导航的关系网。本节做深度对比。
18.1 与 digestpath（rid 338）——血缘关系
- 关系：DigestPath2019 是 PathSeg 的 21 源之一，digestpath 条目是它的源数据集条目。
- 对比维度：digestpath 是单一数据集（消化道病理分割，含腺体与组织残片），PathSeg 是含它的汇编体。
- 使用建议：若只需消化道腺体分割，直接用 digestpath 更轻；若需跨器官、跨结构统一坐标，用 PathSeg。两者互补而非替代。
18.2 与 unitopatho（rid 701）——相关性 + 撞库提醒
- 关系：PathSeg 的 21 源含 SICAPv2，而 SICAPv2 与 Unitopatho 在前列腺组织主题上相关。
- 重要提醒：SICAPv2 ≠ Unitopatho，是两个不同数据集，不可混为一谈。
- 使用建议：做前列腺癌组织分级研究时，可把 unitopatho、SICAPv2 与 PathSeg 并列比较；但引用时务必分清名称。
18.3 与 pathvqa（rid 260）、breastpathq（rid 268）、bonemarrow-wsi（rid 901）——域邻居
| 条目 | 主题 | 与 PathSeg 的关系 |
|---|---|---|
| pathvqa(260) | 病理视觉问答 | 同为病理图像多模态，但任务是VQA而非分割；文本角色不同 |
| breastpathq(268) | 乳腺病理定量（细胞密度评分） | 同为乳腺病理定量，PathSeg 可能为其提供分割级中间表示 |
| bonemarrow-wsi(901) | 骨髓 WSI | 同为 WSI 级病理，器官域不同；可做跨器官泛化对照 |
18.4 与 totalsegmentator（rid 422）——跨模态分割对照
- 关系：totalsegmentator 是放射域（CT）多器官分割；PathSeg 是微观组织学语义分割。
- 价值：二者构成"分割任务跨模态对照"——宏观 vs 微观、器官 vs 细胞核、稀疏大结构 vs 密集小结构。对研究"分割范式在跨尺度上的可迁移性"极有价值。
18.5 与 BiomedParse——跨库的方法论对照
- 关系：BiomedParse 是通用多模态文本提示分割（跨影像模态），PathSegmentor 是病理专用。
- 价值：二者是"通用 vs 专用"的经典对照；PathSegmentor 用 +0.429 Dice 证明了领域专用 + 层级提示的竞争优势。
18.6 家族图谱小结
病理/WSI 邻域
├── 分割类
│ ├── PathSeg（本条目，跨源汇编，语义分割）★
│ ├── digestpath(338) ← 血缘（DigestPath2019 是 21 源之一）
│ └── unitopatho(701) ← 相关（SICAPv2 与前列腺主题，注意撞库）
├── 定量/分类类
│ ├── breastpathq(268)
│ └── bonemarrow-wsi(901)
├── 多模态类
│ └── pathvqa(260) ← VQA，文本角色不同
└── 跨模态对照
└── totalsegmentator(422) ← CT 分割，宏观 vs 微观
§19 可解释 AI 深挖：分割如何成为诊断的"翻译层"
PathSeg 最具前瞻性的价值，是把分割接入了可解释 AI（XAI）。本节展开这一应用。
19.1 问题背景：黑箱分类器的"沉默"
基于 WSI 训练的癌症分类器（MIL 范式）普遍存在"高准确、零解释"的问题：它能区分 IDC 与 ILC（宏 AUC 0.936），但说不出是哪些组织学特征驱动了决策。传统显著性图（saliency map）给出的是无名的热点——“模型看了这里”，但"这里是什么"没人知道。
19.2 两种解释工作流
| 工作流 | 做法 | 宏 AUC | 解释产物 |
|---|---|---|---|
| cls-before-seg | 先训 MIL 分类器 → 用 PathSegmentor 分割预定义对象 → 模糊这些区域测误差变化 | 0.936 | 特征重要性归因到可命名实体（导管上皮、癌细胞、肿瘤组织、上皮细胞核） |
| seg-before-cls | 用 PathSegmentor 掩码把 WSI 特征分解为显式对象表示 → 对象感知分类器 | 0.953 | 语义解析的类激活图（不仅"看哪"，还"看的是什么对象"） |
19.3 为什么这比传统显著性图强
- 可命名：归因对象是"导管上皮""上皮细胞核"这类病理学家能读懂的名词，而非像素热点。
- 可验证：病理学家可以判断"模型关注的确实是判别性结构"，从而建立人机信任。
- 可沟通：把黑箱决策翻译成临床语言，是 XAI 落地的关键一步。
- 顺带提性能：seg-before-cls 的 AUC（0.953）高于 cls-before-seg（0.936）——结构化表示同时提升了性能与可解释性。
19.4 与精准肿瘤学的连接
在精准肿瘤学中，影像生物标志物（imaging biomarker）的可解释性直接影响临床采纳。PathSeg 提供的"语义坐标"让分割掩码能充当解释层（explanation layer），把模型行为锚定到可命名的组织学对象上——这为"可解释的影像生物标志物发现"提供了基础设施。
19.5 边界与警示
- 这是研究级的能力，不是临床级诊断工具（见 §7 局限第 6 条）。
- TCGA-BRCA 实验是回顾性的、单一数据集（985 WSI）的；跨癌种、跨中心的可解释性泛化尚待验证。
- 可解释性本身需要临床专家评估才有意义——"模型关注导管上皮"是否合理，最终由病理学家判断。
§20 决策树：什么时候用 PathSeg，什么时候不用
面对一个新任务，按以下决策树判断 PathSeg 是否合适：
你的任务是否需要"像素级圈出病理结构"？
├── 否 → 不需要 PathSeg（考虑分类/检测/检索数据集）
└── 是 → 继续
├── 是否会用于商业目的？
│ ├── 是 → PathSeg 不适用（CC BY-NC-ND，NC 约束）
│ └── 否 → 继续
├── 需要的是"实例级"（逐细胞计数）吗？
│ ├── 是 → PathSeg 不适用（语义分割会合并密集细胞）→ 另择实例分割工具
│ └── 否 → 继续
├── 目标是"稀疏、空间集中"的对象（如内皮细胞）吗？
│ ├── 是 → 空间提示模型（MedSAM/SAM-Med2D）可能更优 → 对比后选择
│ └── 否 → 继续
├── 需要跨器官/跨结构的"统一语义坐标"吗？
│ ├── 是 → **PathSeg 是最优选择**（160 层级标签 + 文本提示）
│ └── 否（单器官单类别）→ 专用数据集（如 digestpath）更轻
└── 是否接受"部分源需自行协调、权重无校验和"？
├── 是 → **用 PathSeg**（守提示规约 + 图像规格 + 许可边界）
└── 否 → 评估其他全公开数据集
20.1 三条"绿灯"场景
- 跨结构文本驱动分割：一个模型 + 一句提示覆盖多种组织/细胞/细胞核。
- 稀有结构可寻址：小样本结构借层级提示获得统一语义坐标。
- 对象级解释：为 WSI 分类器提供可命名的归因（XAI）。
20.2 四条"红灯"场景
- 商用：NC 约束直接阻挡。
- 实例计数：语义分割 ≠ 实例分割。
- 整切片级输入：PathSeg 只提供 patch。
- 追求极简工具链：渐进开放 + 源许可叠加 + 权重易失，运维成本不低。
§21 版本与维护：如何跟踪一个"活着的"数据集
PathSeg 不是一个静态快照——它的 HF 发布是渐进开放的，因此跟踪其状态本身是一项工作。
21.1 需要跟踪的三个变量
| 变量 | 为什么会变 | 跟踪方式 |
|---|---|---|
| HF 已上传子集 | 作者逐源获授权后上传 | 定期抓取 Trusure/PathSeg 目录 |
| 权重直链 | Google Drive 链接可能失效 | 记录 commit + Zenodo DOI，本地留存副本与哈希 |
| 引用版本 | 预印本 v1/v2 → 正式版 | 引用锁定到 Nature 正式版 DOI |
21.2 建议的归档策略
对研究者：
- 下载时记录抓取时点（如本条目 2026-10-09）与当时可得的子集清单。
- 对下载内容计算并保存校验和。
- 引用锁定到代码 commit（
e67763ab...）与 Zenodo DOI。 - 如需长期复现，考虑将所用子集镜像至自控存储（注意许可：ND 约束下的镜像分发需法务评估）。
对复现实验：
- 记录图像倍率（40×）、patch 尺寸（1024×1024）、提示词模板、软件环境（Python 3.11 / PyTorch 2.1.0 / CUDA 12.1）。
- 记录使用的内部/外部划分（若论文未全公开，标注"依 Supplementary"）。
21.3 本条目自身的维护
本条目随千方病案医数集版本管理更新。触发更新的条件：
- PathSeg 正式发表版发布勘误或补充材料；
- HF 子集清单发生显著变化；
- 存照 B1（5 外部数据集名单）等待核项获得确认；
- 有第三方对"Dice 数字 / 规模宣称 / 许可解释"提出可复核的更正。
数据集的"AI-Ready"不是一个静态属性，而是随时间变化的成熟度。PathSeg 的 DAIMS 复现维度（D8，2.5/5）低，本质上就是"它还在长"——渐进开放、文档待补、证据链待全。理解这一点，才能正确地、负责任地使用它。
§22 常见误区澄清（Myth Busting）
最后，集中澄清十个最容易被误传的说法。
| # | 常见说法 | 事实 |
|---|---|---|
| M1 | “PathSeg 是一个新采集的大规模病理标注数据集。” | 错。它是 21 个公开源的协调汇编，无一像素新采集。 |
| M2 | “PathSeg 和 PathSegmentor 是两个独立数据集。” | 错。一个是数据集、一个是模型，出自同一篇论文。 |
| M3 | “下载 PathSeg 就等于拿到全部 21 源。” | 错。HF 仅渐进开放已授权子集；全量需 download.sh 或自行协调。 |
| M4 | “CC BY-NC-ND 主要是别商用。” | 不全。ND（禁演绎） 同样关键：再切分再分发可能违规。 |
| M5 | “它整体 Dice 0.671，所以哪里都能打。” | 错。0.671 是 16 内部整体；外部从 0.705 到 0.319，且内皮细胞上不占优。 |
| M6 | “可以用它做细胞计数。” | 错。语义分割会合并密集细胞，实例计数需另择工具。 |
| M7 | “临床队列也能下载。” | 错。Center A / Center B 不公开，仅可向作者请求。 |
| M8 | “模型权重有 DOI 可长期引用。” | 错。权重在 Google Drive，无 DOI、无校验和；稳定锚点是代码 commit + Zenodo DOI。 |
| M9 | “提示词怎么措辞都行。” | 不全。守三级规约 [structure]-level [object]-in [region] pathology 最稳；文件名去 + 是可靠构造法。 |
| M10 | “它是医疗器械、可用于诊断。” | 错。它是研究工具，非诊断系统，不替代病理专家评估。 |
22.1 一句话记住
PathSeg = 21 源的统一坐标（非新标注）＋ 一个病理专用文本提示模型（非万能）＋ 一条 NC-ND 的许可边界（非自由）。
高频问答（FAQ，共 70 问）
FAQ 第一部分（F1–F30）
A. 基础认知
F1：PathSeg 和 ImageNet 那样是"分类数据集"吗？
不是。它是语义分割数据集——每条样本是"图像 + 掩码 + 标签"，不是"图像 + 单一类别标签"。
F2：它和 grand-challenge 上的挑战赛有关系吗？
没有直接关系。PathSeg 不是竞赛，无排行榜。但它的 21 源中有多个来自 grand-challenge（CoNIC2022、DigestPath2019、MoNuSAC、WSSS4LUAD）。
F3：275,200 这个数字怎么来的？
21 个源数据集的三元组汇总。平均每源约 13,100 组（275,200 ÷ 21）。
F4：什么是"image–mask–label 三元组"？
一张图像（image）+ 对应分割掩码（mask）+ 一个层级语义标签（label）。掩码勾勒对象轮廓，标签说明对象是什么。
F5：三级层级具体是哪三级？
解剖区域（20 类）→ 组织学结构（3 类：tissue/cell/nuclei）→ 对象类型（61 类）。合法组合共 160 个层级标签。
F6：为什么需要层级，扁平标签不行吗？
扁平标签无法消歧。“tumor” 可能指组织、细胞或细胞核，尺度差几个数量级。层级把三者分开。
F7：PathSegmentor 是什么？
PathSeg 的配套模型——首个专为病理设计的文本提示分割基础模型。
F8：它是第一个文本提示病理分割模型吗？
作者宣称是"首个专为病理图像设计的文本提示分割基础模型"。通用文本提示模型（如 BiomedParse）早于它，但不是病理专用。
B. 数据与获取
F9：在哪下载？
HuggingFace Trusure/PathSeg（已授权子集）；或 GitHub zhi-xuan-chen/PathSegmentor 的 download.sh（大部分源）。
F10：许可是什么？
HF 发布物 CC BY-NC-ND 4.0；代码 MIT。注意 NC（非商业）与 ND（禁演绎）。
F11：能商用吗？
数据集不能（NC）。代码可以（MIT），但训练产物与数据的关系需法务评估。
F12：为什么 HF 上数据不全？
只上传已获各源所有者分发许可的子集，属渐进式开放。
F13：缺的部分怎么补？
走 download.sh，或按 Datasets_processing.md 自行从 21 个原源下载并处理。
F14：临床队列能拿吗？
不能公开下载，须向通讯作者请求并按医院审批。
F15：需要注册哪些平台？
取决于你要哪些源：grand-challenge（注册）、Kaggle（账号）、Mendeley、OpenDataLab、Google Drive 等。
F16：下载量多少？
抓取时点（2026-10-09）HF 显示 last month 32。
C. 模型与使用
F17：模型多大？
450M 参数。
F18：架构是什么？
Transformer 编码器-解码器：FocalNet（图像）+ PubMedBERT（文本）+ 联合特征交互模块。
F19：怎么用？
输入病理图 + 一句文本提示（如 nuclei-level lymphocyte in colon pathology），输出分割掩码。
F20：提示怎么写？
守规约：[histological structure]-level [object type] in [anatomical region] pathology。
F21：能微调吗？
能。按 pathseg_datasets/Demo 的组织结构组织自有数据即可微调。
F22：运行环境要求？
Python 3.11 / PyTorch 2.1.0 / torchvision 0.16.0 / CUDA 12.1 / Linux + NVIDIA GPU；需编译 Detectron2 扩展。
F23：权重在哪？
GitHub 仓内链接指向的 Google Drive 文件夹。
F24：有稳定引用的代码版本吗？
有。v1.0.0（commit e67763ab835b3ef184cb6791eb2cd059ec8b9f9a），Zenodo DOI 10.5281/zenodo.21800277。
D. 性能与评测
F25：整体 Dice 多少？
16 内部数据集 0.671。
F26：比对哪些模型？
nnU-Net（0.502）、SAM-Path（0.472）、DeepLabV3+（0.462）、BiomedParse（0.242）；另比 MedSAM、SAM-Med2D。
F27：超对手多少？
超空间提示 0.145（MedSAM）与 0.239（SAM-Med2D）；超文本提示 BiomedParse 0.429。
F28：外部泛化如何？
不均匀。CPM17 0.705 / CPM15 0.485 / Kumar 0.427 / Lizard 0.319。
F29：什么时候它不占优？
密集细胞可能被合并；内皮细胞上 MedSAM/SAM-Med2D 更优。
F30：为什么 0.671 不算特别高？
因为任务极难——160 类别、跨 16 数据集、含极小的细胞核与形态复杂的间质。相对基线（最高 0.502）领先才是关键。
FAQ 第二部分（F31–F50）
F31：PathSeg 与 PathSegmentor 的发布许可为什么不同？
数据集是 CC BY-NC-ND 4.0（受 21 源许可约束，作者只能选保守的 ND 许可），代码是 MIT（作者自有代码，可宽松授权）。数据严、代码松，是汇编型资源的典型许可形态。
F32：为什么数据集用 ND（禁演绎）？
因为数据是别人给的。作者要把 21 源汇编发布，必须选择不产生"衍生分发争议"的许可；ND 恰好堵住了"再切分再分发"的口子，是汇编者能施加的最保守约束。
F33：我能不能基于 PathSeg 训练一个模型然后商用？
数据集本身不能商用（NC）。用数据集训练模型后，模型的商业使用是否触犯 NC，属法务灰色地带，需专业意见。安全的默认假设是：不能商用。
F34：我能不能把 PathSeg 重新切分后发到自己的仓库？
很可能触碰 ND（禁演绎）。ND 禁止分发演绎作品，"再切分再聚合再分发"正落在这一约束的射程内。发布前务必法务评估。
F35：HF 上的子集为什么和我下载到的不一样？
因为渐进开放：只有拿到源所有者分发许可的子集才会上传。你看到的内容随作者逐源获授权而变化。
F36：download.sh 能覆盖全部 21 源吗？
覆盖大部分。需登录或额外权限的源（部分 grand-challenge、Kaggle 项）脚本抓不到，需手动下载。
F37：想要完整 21 源怎么办？
走路径三：按 assets/readmes/Datasets_processing.md 自行从原源下载并协调处理。这是唯一能拿全的路径，但合规责任自负。
F38：40× 倍率可以放宽吗？
不建议。训练分布固定为 40× / 1024×1024；喂入 20× 或非 1024 尺寸会与训练分布失配，性能不可预期（见坑 10）。
F39：PathSegmentor 权重有稳定引用方式吗？
权重在 Google Drive，无 DOI、无校验和。稳定的做法是引用代码 commit + Zenodo DOI，并在自己的归档里保留权重副本与哈希。
F40：pathseg_datasets/Demo 是干什么的？
官方样板子集：可跑通训练/评测流程、理解代码，也可作为自定义数据集的组织模板。
F41：怎么把自己的数据也做成 PathSeg 格式？
按 [DATASET_NAME]/{train,train_mask,test,test_mask} 组织，图像 40× WSI 裁 1024×1024 命名 [IMAGE-NAME]_pathology_[REGION].png，掩码同规约命名含 [OBJECT]，再用 create_single_dataset.py / create_multiple_dataset.py 生成数据集信息 JSON。
F42：能做实例级细胞计数吗？
不能直接做。PathSeg 是语义分割数据集，密集细胞可能被合并；作者明确这是系统性弱点。计数任务需另择实例分割工具（见坑 8）。
F43：内皮细胞上为什么打不过 MedSAM？
因为内皮细胞稀疏、空间集中，此时局部化的空间提示（点/框）反而高效精准；而文本提示面向的是"密集、难以逐点标注"的场景。任务特征决定胜负（见坑 7）。
F44：TCGA-BRCA 实验用的什么任务？
区分浸润性导管癌（IDC） vs 浸润性小叶癌（ILC），985 张 WSI。两种工作流宏 AUC：cls-before-seg 0.936，seg-before-cls 0.953。
F45：seg-before-cls 为什么 AUC 更高？
因为掩码把 WSI 特征分解为显式病理对象表示，对象感知分类器在更结构化的表示上分类，同时产出可解释的类激活图——更高的性能 + 更强的可解释性，一举两得。
F46：PathSeg 是医疗器械吗？
不是。作者明确定位：定量病理与模型解释的研究工具，非自主诊断系统，不替代专家病理评估。任何临床落地都需另行验证与监管审批。
F47：库内已经有 pathsegmentor 条目怎么办？
应与本条目去重合并。PathSegmentor 是 PathSeg 的配套模型，出自同一篇论文，属"同一个事物的两面"，不宜分列两条（见坑 2）。
F48：库内 digestpath 条目和本条目什么关系？
血缘关系。digestpath（rid 338） 对应的 DigestPath2019 是 PathSeg 的 21 源之一；PathSeg 含其协调后子集。检索时应互相引导（见 §8）。
F49：SICAPv2 和 Unitopatho 是一回事吗？
不是。SICAPv2 是 PathSeg 的 21 源之一；Unitopatho（rid 701）是另一个数据集，二者相关但不同，注意撞库识别（见 §8）。
F50：PathSeg 值不值得用？一句话判断。
如果你的需求是跨结构、跨器官、文本驱动的病理语义分割，且非商业用途——它几乎是当前唯一现成的答案。如果你要商用、要实例计数、或要点提示精准圈选稀疏目标——它不是答案。
FAQ 第三部分（F51–F70）
F51：PathSeg 的"16 内部"包含哪些源？
摘要未逐一列出，需查 Supplementary Table 3。已知外部评测至少涉及 CPM17、CPM15、Kumar、Lizard、CoNSeP（见存照 B1）。
F52：为什么外评测里 CPM17 分数高、Lizard 分数低？
两者都是结肠/细胞核类任务，但数据规模、染色质量、扫描仪域、标注规范不同。0.705 vs 0.319 的落差，正是"跨源泛化不均匀"的直接证据。
F53：PathSegmentor 与 nnU-Net 的根本区别？
nnU-Net 是每任务一个专用监督模型（换类别重训）；PathSegmentor 是一个模型 + 文本提示覆盖 160 类。前者上限可能高，但工程成本随类别数线性增长。
F54：PathSegmentor 比 SAM-Path 系省多少参数？
约少 75%——因为一个 PathSegmentor 顶替一整群专用模型。
F55：提示词必须用英文吗？
公开提示规约是英文（PubMedBERT 文本编码器）。中文提示能否直接用、效果如何，公开信息未验证。
F56：对象类型"neoplastic"和"tumor"是一回事吗？
在病理语义里接近但不完全等同。使用时应以 PathSeg 实际标签体系为准（61 对象类型的完整清单需核 Source Data）。
F57：PathSeg 能做多类同时分割吗？
可以——对同一张图，用不同提示词分别推理，得到不同对象类型的掩码。它不是"一次输出全类"，而是"一次一类、按提示逐类分割"。
F58：数据集里有 WSI 原图吗？
没有。PathSeg 发布的是 1024×1024 patch，不是整张 WSI。需要整切片级数据应回源或另寻 WSI 数据集。
F59：patch 之间是否重叠？
公开文档未明确 patch 采样步长/重叠策略，需核处理文档详细说明（存照 C）。
F60：掩码是软标签还是硬标签？
硬标签（二值，前景=1）。没有概率图/软边界。
F61：能否用 PathSeg 评估别人的分割模型？
可以。16 内部 + 5 外部划分 + 统一提示接口，使它天然可作为第三方模型的评测床（前提：非商业）。
F62：评测用 Dice，为什么不用 IoU？
Dice 与 IoU 单调相关；论文主指标用 Dice，是分割领域惯例。两者可换算。
F63：0.671 的整体 Dice 是怎么聚合的？
"整体"通常指跨数据集/跨类别的聚合（论文含三个层级的分解）。具体聚合权重需核正文（存照 C2）。
F64：为什么文本提示模型（BiomedParse）整体只有 0.242？
因为它不是病理专用——在微观组织学的密集、小目标、专业术语场景下，通用多模态表示迁移不足。这正是 PathSegmentor"病理专用"命题的论据。
F65：MedSAM / SAM-Med2D 为什么在病理上吃力？
它们是医学版 SAM，主要在宏观放射（CT/MRI）上训练；病理是微观组织学，目标尺度差几个数量级，域差距大。
F66：END-TO-END 还是两阶段？
PathSegmentor 是端到端的编码器-解码器分割模型；XAI 实验里的两工作流（cls-before-seg / seg-before-cls）是应用层的组合方式。
F67：PathSeg 对罕见病/罕见结构有帮助吗？
有潜在价值——层级提示让小样本结构也有统一语义坐标可寻址；但稀有对象样本是否充足取决于源数据，需核逐类别明细（存照 C2）。
F68：能拿 PathSeg 做域适应（domain adaptation）研究吗？
非常适合。16 内部 vs 5 外部的划分、跨源域偏移（含 MIDOG 的跨扫描仪场景），为域泛化研究提供了现成切分。
F69：PathSeg 与"多模态"数据集的区别？
PathSeg 是图像 + 掩码 + 标签，属"图像-文本语义对齐"式的多模态（文本用于提示与命名），不含配对的自然语言报告。它与"影像-报告"类多模态数据集不同。
F70：如果我只想理解病理语义层级，该读哪节？
§2.3（三级层级标签体系）+ §14（三元组格式定义）。这两节把"20×3×61→160"的语义设计讲透了。
附录 A：条目卡片（Entry Card）
| 项 | 值 |
|---|---|
| 条目 slug | pathseg |
| 中文名 | PathSeg 病理语义分割数据集 |
| 英文名 | PathSeg |
| 类型 | 语义分割数据集（21 源协调汇编） |
| 配套模型 | PathSegmentor（450M，FocalNet + PubMedBERT + 联合特征交互模块） |
| 规模 | 275,200 组 image–mask–label 三元组 |
| 标签 | 160 层级标签（20 区域 × 3 结构 × 61 对象，闭包） |
| 图像规格 | 1024×1024 patch，40× WSI，H&E |
| 划分 | 16 内部 / 5 外部 |
| 主指标 | 内部整体 Dice 0.671 |
| 数据集许可 | CC BY-NC-ND 4.0 |
| 代码许可 | MIT |
| 托管 | HuggingFace Trusure/PathSeg + GitHub zhi-xuan-chen/PathSegmentor |
| 论文 | Nature Comput. Sci. 2026, DOI 10.1038/s43588-026-01042-5 |
| 牵头机构 | 香港科技大学（HKUST） |
| 通讯作者 | Hao Chen（陈浩） |
| 联系邮箱 | zchenhi@connect.ust.hk |
| 库内互链 | digestpath(338) / unitopatho(701) / pathvqa(260) / totalsegmentator(422) |
附录 B：证据链（Evidence Chain）
| 事实 | 一手来源 | 二手来源 | 存照 |
|---|---|---|---|
| 275,200 组三元组 | Nature 摘要 | bio.rodeo / SmartX | A1 |
| 21 源清单 | HF README | 论文 Data availability | — |
| 160 层级标签 | Nature 摘要 / 正文图 1 | SmartX / bio.rodeo | B2 |
| 内部 Dice 0.671 | Nature 摘要 | bio.rodeo | — |
| 外部 Dice 双口径 | Nature / SmartX | bio.rodeo | A2–A5 |
| 标题大小写差异 | arXiv + Nature 官网 | — | A7 |
| 发布时间双口径 | arXiv + Nature | SmartX | A6 |
| 4 机构构成 | bio.rodeo | — | A8 |
| 临床队列 0.673 / 0.697 | SmartX | — | — |
| TCGA-BRCA AUC 0.936 / 0.953 | SmartX | — | — |
| 许可 CC BY-NC-ND | HF 仓 | — | — |
| 代码 MIT + Zenodo DOI | GitHub + Zenodo | — | — |
附录 C：源数据集清单（21 源，可复核）
附录 D：合规使用核对清单
使用 PathSeg 前，逐条核对：
- [ ] 明确用途是否非商业（NC 约束）。
- [ ] 是否计划再分发？如计划再切分/再聚合/再标注后分发，先做法务评估（ND 约束）。
- [ ] 是否完成双重署名：PathSeg 汇编 + 所用子集对应源数据集。
- [ ] 是否核查所用子集的源数据集独立许可与获取门槛。
- [ ] 是否保留引用锚点：论文 DOI + 代码 commit + Zenodo DOI（防权重链失效）。
- [ ] 若复制权重，是否在本地留存校验和（官方无校验和）。
- [ ] 是否理解不可得资产：Center A / Center B 临床队列不公开。
- [ ] 是否知晓能力边界：不做实例计数、不替代病理专家、非医疗器械。
- [ ] 若做临床相关研究，是否已确认伦理与监管路径。
附录 E：常见检索路径速查
| 你想找 | 去哪 |
|---|---|
| 数据集本体 | HF Trusure/PathSeg |
| 代码与文档 | GitHub zhi-xuan-chen/PathSegmentor |
| 稳定代码引用 | Zenodo DOI 10.5281/zenodo.21800277 |
| 论文正式版 | DOI 10.1038/s43588-026-01042-5 |
| 论文预印本 | arXiv:2506.20988 |
| 21 源原始数据 | 附录 C 逐项入口 |
| 模型权重 | GitHub 仓内 Google Drive 链接 |
| 数据集联系 | zchenhi@connect.ust.hk |
| 库内血缘条目 | digestpath(338) / unitopatho(701) |
附录 F：一页纸总结
PathSeg 是什么：一份把 21 个公开病理分割数据集协调成 275,200 组 image–mask–label 三元组的语义分割基准，配 160 个三级层级标签。
它为什么重要：把碎片化的病理分割标注收敛为统一语义坐标系，让"一个模型 + 一句文本"覆盖 160 类别成为可能——这正是配套模型 PathSegmentor（450M）所做的事，内部整体 Dice 0.671，超 BiomedParse +0.429。
它的问题在哪：汇编型资源的双重代价——许可（CC BY-NC-ND，NC+ND 双重约束、21 源许可叠加、渐进开放）与复现（临床队列不公开、权重无校验和、逐类别指标未披露）。
怎么用才对：非商业、跨结构文本驱动分割 → 首选；商用、实例计数、稀疏目标点选 → 另寻他途。守住提示规约、图像规格（40× / 1024）与许可边界，它就是一套高质量的病理分割基础设施。
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：
- precise-prostate-ihc — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 肿瘤学 / 多模态
- cobra — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 肿瘤学 / 多模态
- opentme — 共享标签：病理图像 / 评测基准 / 肿瘤学 / 多模态
- nuinsseg — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 肿瘤学
- pathvqa — 共享标签：病理图像 / 评测基准 / 多模态
- empiar — 共享标签：医学图像分割 / 评测基准 / 多模态
- hancock-hnscc — 共享标签：病理图像 / 肿瘤学 / 多模态
- panda-plus — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 肿瘤学
- wsss4luad — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 肿瘤学
- monusac — 共享标签：医学图像分割 / 病理图像 / 评测基准 / 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。
