PRECISE — 首个配对 H&E — IHC 前列腺穿刺 WSI 像素级专家标注数据集

INFOBOX — PRECISE 一屏速览

维度	内容
本质	首个公开的配对 H&E–IHC 前列腺穿刺活检 WSI、跨双染色语义谐调像素级专家标注数据集（评测基准型，非挑战赛）
团队	西班牙坎塔布里亚：大学医院 Marqués de Valdecilla 病理科 + IFCA；项目负责人 Lara Lloret Iglesias；9 作者 5 机构
论文	medRxiv 预印本 2026-07-21/22（doi:10.64898/2026.07.21.26358559；CC-BY 4.0）
数据	25 例患者、54 张配对 WSI（H&E ↔ HMWCK-AMACR）；OME-TIFF 6 层金字塔，0.243 μm/px
标注	24,387 个像素级标注，7 类诊断关键类别，IHC 作边界金标准
扫描仪	3DHISTECH Pannoramic 250（sub-01–18）/ Pannoramic 1000（sub-19–25）
临床锚点	直接镜像 H&E-then-IHC 两阶段临床诊断流程（先用 H&E 判读、再用 IHC 厘清形态学不确定性）
体积	约 56 GB（README）/ data.zip 55.6 GB（Zenodo）
获取	Zenodo 公开直链，无需注册或凭证（No registration or special credentials required）
许可	数据集 CC BY 4.0｜配套代码 Apache-2.0｜预印本 CC-BY 4.0
库内互链	prostate158(703)、prostatex(554)、bci-ihc(841)、ihc4bc(842)、panda-plus、sicapv2(328)

PRECISE 回答的是前列腺病理 AI 里一个长期被绕开的问题：诊断不止看 H&E。真实临床路径是两阶段——病理医生先在苏木精-伊红（H&E）切片上判读形态，遇到不确定性时再对连续切片做免疫组织化学（IHC）染色（如高分子量角蛋白 HMWCK 与 AMACR/p504s），用染色结果把边界"钉死"。但绝大多数公开前列腺病理数据集只给 H&E、只给切片级标签、甚至只给二分类——既没有 IHC 配对，也没有像素级 ground truth。PRECISE 把这两件事同时补上：25 例患者的穿刺活检，每一例都配了 H&E 与 HMWCK-AMACR 两张全切片图像（WSI），并在两张染色上做语义谐调（spatially harmonized）的像素级专家标注，共 24,387 个标注，覆盖从恶性腺体、良性腺体、间质到 IDC-P、HGPIN、AIP 与组织伪迹的完整形态谱，其中罕见前驱病变与混淆实体正是现有基准中系统性缺席的。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——CC BY 4.0、Zenodo 公开直链、无需凭证，一次拿全 55.6 GB；别被"两阶段流程""请求制"这类印象误导，此数据集无门槛。
2. 做多模态/多染色模型：直奔 §3 与 §5——配对 H&E–IHC、跨染色对应（cross-stain correspondence）是自监督与染色翻译的天然素材，双染色配准与语义谐调的区别见坑 2。
3. 关心数据质量与偏倚：直奔 §4 与 §8——单机构单地域、"仅纳入一致病例"的纳排策略、语义级而非像素级谐调，是本数据集最需要警惕的三处边界。

§0 导读：这个数据集解决什么问题

前列腺癌是全球男性最高发的实体瘤之一，而它的标准诊断路径本质上是"两阶段"的：病理医生先在 H&E 染色切片上判读腺体形态与结构，当形态学判读出现不确定性时，再取连续切片做免疫组织化学（IHC）染色，用生物标志物的表达把"这团组织到底是恶性腺体、良性腺体还是前驱病变"的边界固定下来。这套流程在临床上是常识，但在公开数据集里几乎完全缺席——现有资源大多只提供 H&E、只提供切片级（slide-level）标签，或者退化为"肿瘤/非肿瘤"二分类，既不配对 IHC，也不提供像素级 ground truth。

这个缺口的代价有三重。第一重是监督粒度：切片级标签意味着一张 gigapixel 图像对应一个分数或一个标签，模型学不到"哪一像素属于哪一类组织"。第二重是模态缺失：没有 IHC 配对，就无法研究"H&E 上模糊、IHC 上一目了然"的情形，也就无法训练"用 H&E 预测 IHC"的替代模型，更无法评估模型在只有 H&E 时会不会犯医生也会犯的错。第三重是标签可靠性：前列腺病理是观察者间变异的高发区，良恶性、HGPIN、IDC-P 与 AIP 之间的边界常需 IHC 佐证；单凭 H&E 的标注，其边界本身就可能不可靠。

PRECISE 的回答分三层。第一层是配对数据：25 例患者的穿刺活检，每一例提供配对 H&E 与 HMWCK-AMACR（高分子量角蛋白 + AMACR/p504s）的 OME-TIFF 全切片图像，共 54 张配对 WSI，格式为 6 层金字塔、0.243 μm/px 物理分辨率、512×512 瓦片、LZW 无损压缩。第二层是像素级专家标注：24,387 个标注覆盖 7 类诊断关键类别（恶性腺体、良性腺体、间质、IDC-P、HGPIN、AIP、组织伪迹；掩码 ID 体系另含 Background 共 8 类），由两名专家泌尿病理学家经三阶段共识完成，并以 IHC 作为边界定义的金标准——这正是数据集名字里"专家标注（Expert-annotated）"与"连续切片（Contiguous）"的由来。第三层是方法学定位：作者明确把它设计为多模态语义分割与自监督学习的鲁棒基准，并附带一套开源工具（配对查看、间质补标注、区域分析、QuPath 裁剪导出），使"跨染色对应关系"成为可被算法直接利用的信号。

§0 读法三则：

1. 本条目是"数据集 + 基准 + 工具链"三合一：数据本体（CC BY 4.0）与配套代码（Apache-2.0）许可不同，混用前先看 §6。
2. PRECISE 的核心卖点不是"更大"，而是"更全的形态谱 + 配对 IHC + IHC 金标准边界"——理解这一点，才理解它为何故意只做 25 例而不是追求几千例。
3. 检索引擎里若把 “PRECISE” 单独搜会撞上大量同名项目（PRECISE 是医学 AI 里高度复用的缩写）；精确检索应带 “prostate IHC H&E” 或 DOI 10.5281/zenodo.20721779（坑 1）。

§1 数据集速览：十问十答

Q1：PRECISE 的 “25 例 / 37 活检 / 54 张 WSI” 三个数字怎么统一？
25 是患者数（sub-01 至 sub-25），所有官方文档一致。37 与 54 来自两套不同口径：Zenodo/medRxiv 摘要写"37 core needle biopsies from 25 patients"（按活检芯计），GitHub README 写"25 subjects、sub-01 有 3 个 session、其余各 1 个 session、共 54 张配对图像"（按 WSI 对计，H&E + IHC 各一）。两者计数体系不同，README 未给出换算（遗留疑点，见 §8 与坑 4）。

Q2：图像是什么格式、什么规格？
OME-TIFF 金字塔型，6 个金字塔层级（下采样 1×/2×/4×/8×/16×/32×），瓦片 512×512 px，LZW 无损压缩，物理分辨率 0.243 μm/pixel，RGB（uint8）。扫描仪为 3DHISTECH Pannoramic 250（sub-01 至 sub-18）与 Pannoramic 1000（sub-19 至 sub-25）——跨两台扫描仪意味着本身就是一个扫描仪域适应的测试床。

Q3：标注里有哪几类？
分两个口径：诊断关键类别 7 个（恶性腺体、良性腺体、间质、IDC-P、HGPIN、AIP、组织伪迹）；掩码 ID 体系 8 类（ID 0 Background、1 Tumor、2 Benign gland、3 Artifact、4 HGPIN、5 Intraductal carcinoma、6 AIP、7 Stroma）。每个类别在 label_descriptions.json 里有专属配色，掩码与 WSI 同名（后缀 _mask）。

Q4：标注是谁做的、可靠吗？
两名专家泌尿病理学家，经**结构化三阶段共识（three-stage consensus）**完成；IHC 作为边界定义的金标准。标注在 QuPath 0.6+ 中完成，配套 Groovy 脚本负责裁剪与掩码构建。纳入标准严格：只有最终诊断在两名病理学家与 DeepDx Prostate (RUO) AI 算法之间一致（concordant）的病例才进入数据集——这是一把"提高可靠性、但牺牲困难样本"的双刃剑（见 §5 与坑 5）。

Q5：为什么强调"配对（paired）“和"连续切片（contiguous）”？
因为临床诊断正是这么做的：H&E 判读后，对**连续切片（serial section）**做 IHC，两块组织在空间上近似对应但不完全相同。PRECISE 把这一对展示为配对图像，使研究者可以研究 H&E 与 IHC 之间的跨染色对应关系——这正是自监督学习与染色翻译任务最稀缺的监督信号。

Q6：语义谐调和像素对齐是一回事吗？
不是。作者明确：“annotations have been harmonized at the semantic level”，但"perfect pixel-to-pixel correspondence between modalities cannot be guaranteed"。即类别语义在两张染色上一致，但像素位置不保证逐点配准；需要几何精度的任务须额外做图像配准。这是本数据集最容易被误读的一点（坑 2）。

Q7：IHC 用的什么标志物？
HMWCK-AMACR（高分子量细胞角蛋白 + AMACR/p504s）。HMWCK 标记基底细胞（良性腺体有基底细胞、恶性腺体丧失），AMACR/p504s 在恶性腺体中过表达——两者组合是前列腺癌 IHC 的经典诊断组合。Zenodo/medRxiv 摘要另写作 “CKAPM+racemase”，与 README/代码里的 hmwck-amacr 为同一物的不同书写（口径冲突，见坑 3）。

Q8：数据多大、在哪拿？
约 56 GB（README 口径），Zenodo data.zip 列示 55.6 GB。获取地址：Zenodo record 20721779，公开直链、无需注册或特殊凭证。许可证 CC BY 4.0。

Q9：配套代码能做什么？
GitHub abelBEDOYA/PRECISE-data-utils（Apache-2.0）：qupath_handler_hne_inmuno.py 配对交互查看（金字塔切换、同步平移缩放、PNG 导出）、add_stroma.py 瓦片式检测未标注组织并补 Stroma 类、analyse_regions.py 连通组件逐实例分析（面积/CIELAB 均值色/协方差）、export_cropped_inmuno.groovy QuPath 裁剪与掩码构建。依赖 Python ≥3.10。

Q10：它和 PANDA/PANDA-PLUS 什么关系？
同属前列腺病理 WSI，但定位互补：PANDA 系列规模大（万余张）、只做 H&E、只做 Gleason 分级；PRECISE 规模小（25 例）、主打配对 IHC + IHC 金标准边界 + 像素级语义分割。PRECISE 补的正是 PANDA 系列无法覆盖的"多模态 + 形态全谱 + 前驱病变"维度（见 §9）。

§2 数据构成与规格

2.1 一句话构成

25 名患者的 54 张配对全切片图像（每例 H&E + IHC 各一），OME-TIFF 金字塔，配套像素级语义分割掩码、临床元数据表与类别定义 JSON——打包为一个 data.zip（Zenodo 列示 55.6 GB）。

2.2 规模与计数口径（务必先读）

计数对象	数值	来源口径	说明
患者数（subjects）	25	Zenodo/medRxiv/GitHub 一致	sub-01 至 sub-25，唯一权威口径
活检芯数（core needle biopsies）	37	Zenodo/medRxiv 摘要	按"活检芯"计，一例患者可贡献多芯
配对图像数（paired WSI）	54	GitHub README	按"HL̶E/IHC 图像对"计；sub-01 有 3 session，其余各 1
像素级标注数	24,387	Zenodo/medRxiv/README 一致	注释实例计数（统计粒度见 §9 存照）

读法提示：三个数字（25 / 37 / 54）不属于同一计数对象——25 是患者、54 是图像对、37 是活检芯。README 未给出三者的换算公式，跨数据集比较规模时若直接拿"25"或"54"去对标别的数据集的患者数，会产生系统性误判。本条目全篇统一采用"25 名患者 / 54 张配对 WSI / 37 例活检芯"三个口径并列（坑 4）。

2.3 图像规格

维度	规格
格式	OME-TIFF（Open Microscopy Environment TIFF），金字塔型
金字塔层级	6 层（下采样约 1×/2×/4×/8×/16×/32×）
物理分辨率	0.243 µm/pixel（最高倍层）
瓦片规格	512 × 512 px
色彩空间	RGB，uint8（8 bit/通道）
压缩	LZW 无损
命名	与掩码同名，掩码加后缀 _mask（如 sub-09_ses-01_mask.ome.tif）
扫描仪	3DHISTECH Pannoramic 250（sub-01 至 sub-18）｜3DHISTECH Pannoramic 1000（sub-19 至 sub-25）

跨扫描仪要点：25 名受试者被两台不同型号的 3DHISTECH 扫描仪分开采集（前 18 例 Pannoramic 250、后 7 例 Pannoramic 1000），且这一分界与 sub 编号强相关。任何"按 sub 编号做训练/测试划分"的实验都会把扫描仪型号混入划分信号，形成扫描仪指纹泄漏（scanner fingerprint leakage）——这是本数据集最危险的一个隐式陷阱（坑 6），详见 §4.3。

2.4 目录结构（BIDS-like）

数据包采用类 BIDS（Brain Imaging Data Structure）的层级组织，以 sub/ses 两级标识实例：

data/
├── sub-01/
│   ├── ses-01/
│   │   ├── sub-01_ses-01_he.ome.tif          # H&E 染色 WSI
│   │   ├── sub-01_ses-01_he_mask.ome.tif     # H&E 语义分割掩码
│   │   ├── sub-01_ses-01_ihc.ome.tif         # IHC（HMWCK-AMACR）染色 WSI
│   │   └── sub-01_ses-01_ihc_mask.ome.tif    # IHC 语义分割掩码
│   ├── ses-02/ ...
│   └── ses-03/ ...                            # sub-01 独有：3 个 session
├── sub-02/ ... sub-25/
├── participants.csv                           # 临床元数据（患者级）
├── label_descriptions.json                    # 类别定义（8 类）
├── README.md
├── LICENSE.txt
├── scripts.txt
└── sub-09_ses-01.png                          # 预览图

注：上表列名（_he / _ihc）为结构示意，用于说明 BIDS-like 层级与染色分列的设计；精确的文件名前缀以后续下载核实为准（待核 1）。sub-01 的 3 个 session 与其余受试者 1 个 session 的差异，是本数据集"活检芯数 vs 图像对"口径落差的物理来源（坑 4）。

2.5 临床元数据字段（participants.csv）

字段	含义	类型/取值域
participant_id	患者标识	sub-XX
PSA	前列腺特异抗原	连续值（ng/mL）
DRE	直肠指检结果	分类（正常/异常等）
PI-RADS	前列腺影像报告与数据系统评分	序数（1-5，来自 mpMRI 前置检查）
ISUP grade group	国际泌尿病理学会分级组	序数（1-5）
Gleason score	格里森评分	序数（如 3+4=7）
Scanner	扫描仪型号	Pannoramic 250 / Pannoramic 1000

元数据要点：Scanner 作为显式字段被记录，意味着扫描仪域适应分析在本数据集上是"开箱可用"的——研究者可直接按该方法分层。PSA/PI-RADS/ISUP/Gleason 的联合提供了"影像（mpMRI 前置）↔ 病理（WSI）↔ 临床（PSA/DRE）"三层打通的可能，是前列腺癌多模态研究的少见组合（pt 级字段完整度受抓取预算限制，字段全集见待核 1）。

2.6 标注掩码规格

• 与 WSI 同构：掩码为同尺寸同金字塔结构的 OME-TIFF（_mask.ome.tif），每个像素存一个类别 ID（uint8，ID 0-7）。
• 类别配色：每个类别在 label_descriptions.json 中定义专属十六进制色（见 §3.2），便于可视化与质量抽查。
• 类别计数：掩码 ID 体系共 8 类（含 Background=0），诊断关键类别 7 类（不含背景）——两套口径并存（坑 5）。
• 标注完备性：工具链含 add_stroma.py（瓦片式检测未标注组织并补 Stroma 类），暗示原始标注可能存在小块未覆盖的间质区域，经后处理补充。

2.7 体积与存储成本

项	数值
data.zip 打包体积	55.6 GB（Zenodo record 20721779 列示）
README 口径体积	约 56 GB
md5 校验	811b45541a62b2c269154cbfa8e7bad7（Zenodo 声明）
解压后估计	大于 55.6 GB（金字塔多层级 + 掩码副本）

工程提示：55.6 GB 的全量直链对磁盘与带宽并非小数；配合 6 层金字塔（最高倍层占绝对多数体积），实际训练常只需低倍层或瓦片流式读取。建议先按 BIDS-like 结构做子集抽取（如仅取 sub-01 至 sub-05），验证管线后再全量拉取（获取决策树见附录 D）。

§3 注释流水线与类别体系

3.1 三阶段共识标注流程

PRECISE 的标注由两名专家泌尿病理学家经结构化三阶段共识完成，核心设计原则是：以 IHC 作为边界定义的金标准（IHC as the ground-truth boundary）。流程骨架如下：

阶段 A 独立判读（H&E 先行）
  - 专家 1、专家 2 各自在 H&E 上独立划定区域边界
  - 屏蔽对方标注（防锚定偏差）
阶段 B IHC 佐证（连续切片）
  - 对同例连续切片的 HMWCK-AMACR 染色判读
  - 用基底细胞（HMWCK）有无 + AMACR 表达，裁定 H&E 上的模糊边界
  - 良恶性 / HGPIN / IDC-P / AIP 的最终归属在此阶段固定
阶段 C 共识裁定（two-reader consensus）
  - 两人分歧区域逐一复核
  - 无法达成一致者，弃用该区域（不进最终掩码）
阶段 D 复核（纳排过滤）
  - 仅纳入"最终诊断在两名专家与 DeepDx Prostate (RUO) AI 三者间一致"的病例
  - 不一致病例整体排除（不进数据集）

为什么 IHC 金标准是核心卖点：前列腺病理是观察者间变异高发区——"这团腺体是恶性还是良性"常需基底细胞标志物佐证（恶性腺体丧失基底细胞、良性腺体保留）。以 IHC 定义边界，等于把"客观分子证据"注入像素级标注，使 ground truth 的边界可靠性显著高于纯 H&E 形态判读。这是 PRECISE 与所有纯 H&E 像素级数据集（PANDA-PLUS、SICAPv2 等）的本质区别。

3.2 类别体系（8 类 / 7 类双口径）

label_descriptions.json 定义 8 个掩码 ID 类，其中 ID 0 为背景；其余 7 类为诊断关键类别：

ID	类别名（英文）	中文	配色	临床语义
0	Background	背景	#000000	非组织区域（空白玻璃/玻片外）
1	Tumor	恶性腺体	#B83B5E	前列腺腺癌腺体
2	Benign gland	良性腺体	#F38181	形态学良性腺体（保留基底细胞）
3	Artifact	组织伪迹	#AA96DA	刀痕/褶皱/气泡/褪色等
4	HGPIN	高级别前列腺上皮内瘤变	#FCBAD3	癌前病变，需 IHC 与癌鉴别
5	Intraductal carcinoma	导管内癌（IDC-P）	#FF6B6B	导管内播散，预后相关
6	AIP	非典型导管内增生	#9B59B6	与 HGPIN/IDC-P 的混淆实体
7	Stroma	间质	#FAE3D9	腺体间纤维肌性间质

7 类口径（论文摘要）：malignant glands / benign glands / stromal tissue / IDC-P / HGPIN / AIP / tissue artifacts——即上表去掉 ID 0（Background）。两套口径的差异仅是"是否把背景计入类别数"，不是类别定义冲突（坑 5）。

3.3 罕见病变的价值：为什么类别表里有 HGPIN / IDC-P / AIP

绝大多数公开前列腺病理数据集把诊断标签压缩到"良性 / 恶性"或 Gleason 分级，而 PRECISE 刻意保留了三个诊断混淆高危区：

• HGPIN（癌前病变）：与癌的形态学重叠，IHC 是鉴别关键（基底细胞是否保留）。这是前列腺癌筛查链条的前端，长期缺乏像素级监督。
• IDC-P（导管内癌）：预后不良相关的特殊形态，与高级别 PIN 及实性癌易混。
• AIP（非典型导管内增生）：一个在实践中"跨病理学家争议最大"的类别，标本通常在 IHC 无法定性时判为 AIP。把它显式建模，等于要求模型学习"证据不足"这一状态。

这三类的存在使 PRECISE 的类别表本质上是"诊断决策树的关键分叉"而非简单组织分类——这是它对模型"诊断推理"能力的考察价值所在。

3.4 工具链（PRECISE-data-utils，Apache-2.0）

配套 GitHub 仓库提供四个核心脚本（依赖 Python ≥3.10）：

脚本	功能
qupath_handler_hne_inmuno.py	配对交互查看器：H&E 与 IHC 双视图同步平移/缩放，金字塔层级切换，PNG 导出——跨染色肉眼对照的基础工具
add_stroma.py	间质补标注：瓦片式扫描，检测未被任何类别覆盖的组织区并补 Stroma 类，降低"未标注区"噪声
analyse_regions.py	逐实例分析：基于连通组件，输出每个标注实例的面积、CIELAB 均值色、色协方差
export_cropped_inmuno.groovy	QuPath 裁剪导出：在 QuPath 中按标注裁剪 IHC 区域并构建掩码

注：add_stroma.py 的存在本身是一处元数据证据——它反证了"原始两轮标注可能存在间质遗漏"，因此团队需要在公开释出前用脚本补齐。这不是缺陷炒作，而是可复现性证据。配套代码以 Apache-2.0 释出，与数据集 CC BY 4.0 分属两套许可（坑 3）。

3.5 标注质量自证清单

检查项	状态	依据
多专家参与	✅	两名专家泌尿病理学家
共识机制	✅	结构化三阶段共识
客观佐证	✅	IHC 作边界金标准
纳排记录	⚠️	“仅纳入三者一致病例”，被排除病例数未系统记录
观察者间一致性量化	⚠️	已抓取片段未给出 κ/Dice 等具体数值（待核 2）
未标注区处理	✅	add_stroma.py 补齐间质
跨染色配准	❌	语义级谐调，非像素级配准（坑 2）

§4 常见误读与防坑

4.1 误读一：把"配对"当"配准"

最常见的误用是把 H&E 与 IHC 的"配对（paired）“直接当成"逐像素对齐（registered）”。作者原文明确：标注在语义层级谐调（“harmonized at the semantic level”），但不保证像素到像素的对应（“perfect pixel-to-pixel correspondence between modalities cannot be guaranteed”）。后果：若把两张 WSI 当作已经对齐的同一坐标系去训练像素级跨模态损失，会把配准误差当作监督噪声。正确做法：先做图像配准（刚性/非刚性），再用于需要几何精度的任务（坑 2）。

4.2 误读二：把"语义谐调"当"类别硬对齐"

即便类别语义一致，两张染色上"某类别出现在哪"也可能存在边界偏移与局部缺失——因为连续切片在物理上并不完全重合，且 IHC 染色的切片方向/厚度可能存在微小差异。“IHC 掩码里有的结构，H&E 掩码里未必有”，反之亦然。跨模态迁移研究必须把这种结构性缺失建模为噪声，而非当作错误（坑 2）。

4.3 误读三：把 sub 编号划分当随机划分

由于扫描仪型号与 sub 编号强相关（sub-01 至 sub-18 用 Pannoramic 250、sub-19 至 sub-25 用 Pannoramic 1000），任何"前 N 例训练、后 M 例测试"的按编号划分都会把扫描仪指纹泄漏进划分，得到虚高的测试分数。正确做法：

1. 划分前先按 Scanner 字段做分层（stratified split）；
2. 若研究目标是跨扫描仪泛化，应显式做"留一扫描仪（leave-one-scanner-out）"对照，报告两型之间的性能落差；
3. 患者级（subject-level）划分优先于图像级，避免同一患者的多个 session 跨集泄漏（坑 6）。

4.4 误读四：把 25 例当"小"而不当"全谱"

PRECISE 只做 25 例常被批评"规模小"。但要理解其设计意图：它不是"更大"，而是"更全形态谱 + IHC 配对 + IHC 金标准边界"。这三项对标注成本的要求极高（每例都需 IHC 染色、两位专家、三阶段共识），决定了它必然是小而精的定位，而非大而糙的切片级标签库。把 PRECISE 与"万张切片、切片级标签"的数据集直接对比规模，是错配了它的任务定位（坑 7）。

§5 可用性与可复现性

5.1 数据加载骨架（伪代码）

# 依赖：openslide / tifffile / numpy / PIL
import tifffile
import numpy as np

def load_pair(root, sub, ses):
    """加载一对 H&E/IHC WSI 与其掩码（结构示意，文件名以实测为准）。"""
    he   = tifffile.TiffFile(f"{root}/{sub}/{ses}/{sub}_{ses}_he.ome.tif")
    ihc  = tifffile.TiffFile(f"{root}/{sub}/{ses}/{sub}_{ses}_ihc.ome.tif")
    he_m = tifffile.imread(f"{root}/{sub}/{ses}/{sub}_{ses}_he_mask.ome.tif")
    ihc_m = tifffile.imread(f"{root}/{sub}/{ses}/{sub}_{ses}_ihc_mask.ome.tif")
    # 金字塔层级：he.pages[level] —— level 0 为最高倍（0.243 µm/px）
    return he, ihc, he_m, ihc_m

加载要点：OME-TIFF 为多页（多金字塔层）文件，直接 imread 可能只读首层或触发内存爆炸；应使用支持金字塔流式读取的库（openslide 对 OME-TIFF 的支持视版本，或 tifffile + zarr 分块）。瓦片规格 512×512 支持按块加载。

5.2 语义分割评测基线惯例

指标	含义	备注
Dice (per-class)	类别级 F1	语义分割主流；小类（AIP/IDC-P）单独报告
IoU / mIoU	交并比 / 平均交并比	类别不平衡下更敏感
Pixel accuracy	总体像素准确率	易被背景类刷高，需与 mIoU 并报
类别级召回	各诊断类召回	关注 HGPIN/IDC-P/AIP 的漏检

报告纪律：由于存在类别极端不平衡（Tumor/Stroma 像素面积远大于 AIP/IDC-P），只报 pixel accuracy 会严重误导；必须分类别报告 Dice/IoU，并对罕见类（AIP、IDC-P）单独给出绝对样本量与置信区间。背景类（ID 0）应明确是否计入指标（坑 5）。

5.3 多模态/跨染色任务机会

任务	输入 → 输出	PRECISE 提供的监督
单模态分割	H&E → 掩码	直接监督
单模态分割	IHC → 掩码	直接监督（且边界更可靠）
IHC 引导 H&E 分割	(H&E, IHC) → H&E 掩码	跨模态辅助信号
H&E→IHC 虚拟染色	H&E → 合成 IHC	配对图像的图像域迁移
跨染色配准	(H&E, IHC) → 形变场	语义对应（需自建几何算法）
自监督预训练	配对 WSI → 表征	跨染色一致/对比学习信号
跨扫描仪泛化	Scanner A 训练 → Scanner B 测试	Scanner 字段显式提供

5.4 复现清单（拿到数据后先做的 8 件事）

1. 校验 data.zip 的 md5 = 811b45541a62b2c269154cbfa8e7bad7，确认下载完整。
2. 读 participants.csv，核对 sub-01 至 sub-25 与 Scanner 字段的分布（应为 18:7）。
3. 读 label_descriptions.json，确认 8 类 ID 与配色，建立 ID→类别名映射表。
4. 抽一张 WSI 用 qupath_handler_hne_inmuno.py 打开，确认金字塔层级与 H&E/IHC 同步平移可用。
5. 抽查掩码与 WSI 是否同名配对（_mask 后缀）。
6. 统计每级金字塔的尺寸，确认最高倍层（level 0）分辨率 0.243 µm/px。
7. 用 add_stroma.py 抽查是否存在大面积未标注组织区（作为标注完备性证据）。
8. 建立患者级划分（而非图像级），并把 Scanner 纳入分层变量（坑 6）。

§6 获取、许可与合规

6.1 三层资产的许可矩阵

PRECISE 由三件独立释出的资产组成，许可各不相同，严禁一揽子引用：

资产	载体	许可	是否公开直链	引用对象
数据集本体（WSI + 掩码 + 元数据）	Zenodo record 20721779	CC BY 4.0	✅ 是（无 gated）	DOI 10.5281/zenodo.20721779
工具链/代码	GitHub abelBEDOYA/PRECISE-data-utils	Apache License 2.0	✅ 是	GitHub 仓库
论文/预印本	medRxiv	CC BY 4.0	✅ 是	DOI 10.64898/2026.07.21.26358559

CC BY 4.0 的含义：允许商用、允许再分发、允许改编，唯一硬性要求是署名（Attribution）——须注明数据来源并链接许可。与 PANDA 的 CC BY-NC-SA（禁商用）相比，PRECISE 的数据本体许可更宽松（坑 3）。

6.2 版本链与引用

版本节点	日期	内容	标识
伦理批准	2025-02-07	Cantabria 伦理委员会批准 2024.477	—
数据集 v1	2026-06-16	Zenodo record 20721779 发布	10.5281/zenodo.20721779
工具链首提	2026-06-17	GitHub 仓库首次提交	PRECISE-data-utils
预印本 v1	2026-07-21	medRxiv 发布	10.64898/2026.07.21.26358559
条目抓取时点	2026-10-09	本条目核验基准	—

引用规范：数据使用须同时引 Zenodo DOI（数据本体）与 medRxiv DOI（方法论文）；使用工具链须引 GitHub 仓库。引用快照纪律：Zenodo 记录不可变（v1 有独立 DOI），但 GitHub 仓库会持续更新，引用代码时建议固定 commit 哈希。

6.3 获取路径（决策树）

你想要什么？
├── 全量 WSI + 掩码（训练分割模型）
│   └── Zenodo record 20721779 → data.zip（55.6 GB，无需注册/凭证）
├── 只想看看数据长什么样（预览）
│   └── 仓库内 sub-09_ses-01.png（预览图），或下载后取低倍层
├── 复现论文的分割基准
│   └── git clone abelBEDOYA/PRECISE-data-utils（Apache-2.0）+ Zenodo 数据
├── 只做跨染色配准/翻译研究
│   └── 下载配对 H&E+IHC（无需掩码）；注意语义级谐调 ≠ 像素级配准（坑 2）
└── 只是引用其"首个配对 IHC-H&E 语义分割"论点
    └── 引 medRxiv DOI，注明抓取时点

6.4 伦理与合规

• 伦理审批：Cantabria 机构研究伦理委员会（Cantabria Institutional Research Ethics Committee），审批号 2024.477，批准日 2025-02-07。
• 患者数据：WSI 与元数据均为**去标识化（de-identified）**后公开；participants.csv 提供 PSA/PI-RADS/ISUP/Gleason/Scanner 等字段，不含直接标识符。
• 使用伦理：即便 CC BY 4.0 允许广泛使用，临床相关模型在真实场景部署前仍须独立验证（单机构、单地域队列，代表性受限，见 §8）。
• 再分发：CC BY 4.0 允许再分发，但须保留署名与许可声明；若把 PRECISE 混入某个聚合数据集，须明确标注其来源与许可，不可用聚合体的许可覆盖。

§7 生态与影响

7.1 填补的生态位

前列腺病理 AI 的数据生态大致分四层：

层	代表资源	标签粒度	模态	PRECISE 的位置
切片级分级	PANDA、SICAPv2	切片级 GS/ISUP	H&E 单模态	互补（PRECISE 是像素级）
像素级分割	PANDA-PLUS	像素级	H&E 单模态	互补（PRECISE 加 IHC 配对）
分子/基因型	TCGA-PRAD	组学	多组学	下游（形态↔分子）
配对 IHC-H&E 像素级	PRECISE	像素级	H&E + IHC 配对	空白填补者

PRECISE 的核心贡献是库里首个"配对 H&E+IHC 双染 + 像素级多类语义分割 + IHC 金标准边界"的前列腺数据集。它同时补了三个缺口：像素级监督（对切片级）、IHC 模态（对单 H&E）、罕见前驱病变类别（对二元分类）。

7.2 跨模态研究的"天然素材"价值

配对 H&E-IHC 是病理领域最稀缺的监督结构之一。它的价值在于：

1. 虚拟染色（virtual staining）：用 H&E 预测 IHC，可在不消耗抗体的前提下模拟 IHC 判读——成本与通量上有现实意义。
2. 染色翻译（stain-to-stain）：作为域适应研究的天然配对语料。
3. 跨模态自监督：配对图像提供"同一样本的两种视图"，是 SimCLR/DINO 类对比学习的理想正样本来源（比随机增广更语义保真）。
4. IHC 引导分割：以 IHC 的分子证据辅助 H&E 上的边界判定，模拟临床"两阶段流程"。

7.3 对前列腺病理 AI 方法学的启发

• "金标准注入"范式：用另一模态（IHC）定义边界，比用第二个专家做纯 H&E 复核更客观——这是一个可推广到其他器官（如乳腺 IHC、肺 IHC）的标注方法学。
• 以临床流程为数据集设计蓝本：PRECISE 刻意镜像"H&E-then-IHC 两阶段流程"，使数据集结构本身携带临床语义——这一设计理念值得其他临床数据集借鉴。
• 小而精 vs 大而糙：25 例但有 IHC+像素级+专家共识，与万张切片级标签是两种哲学；PRECISE 提供了"质量优先"路线的完整范例。

7.4 潜在影响与后续

• 若 PRECISE 被广泛用于虚拟染色与跨染色表征学习，可能推动"IHC 免染诊断"方向的方法基准化。
• 其"仅纳入三者一致病例"的严格纳排，可能成为后续"诊断可靠性优先"数据集的设计参考。
• 若团队后续扩展（更多器官/更多中心/v2），有望成为多模态病理标注的方法论标准。

§8 局限、偏倚与批判性阅读

8.1 代表性局限

维度	局限	后果
机构	西班牙北部单机构	跨机构泛化未经检验
地域	单一地理区域	族群/生活方式偏倚
人群	成年男性，平均 70 岁（49-90）	年轻/高龄两端代表性不足
疾病	仅穿刺活检（非根治标本）	不覆盖全前列腺肿瘤异质性
规模	25 例 / 54 图像	训练基础模型容量受限

8.2 选择偏倚：纳排策略的双刃剑

“仅纳入最终诊断在两名专家与 DeepDx Prostate (RUO) AI 三者间一致的病例”——这一策略提高了标签可靠性，但代价是系统性排除困难/模糊病例：

• 模型学到的分布是"可判读病例"的分布，而非真实临床分布（真实场景充满不一致病例）。
• 在困难病例上的性能会被高估——因为困难病例根本没进测试集。
• 被排除病例的数量未系统记录（待核 2），使偏倚幅度无法量化。

批判性阅读建议：引用 PRECISE 上的性能数字时，须声明"该数字对应’诊断一致’子集"，不可外推为"对全部临床病例的性能"（坑 7）。

8.3 技术局限

• 语义谐调 ≠ 像素配准：需几何精度的任务须自建配准（坑 2）。
• 跨扫描仪未做域适应对照：两型扫描仪的性能落差未在已抓取片段量化（待核 3）。
• 标注完备性依赖后处理：add_stroma.py 的运行参数（瓦片大小、阈值）影响"未标注区"范围，若未固定，复现结果可能漂移。
• IHC 抗体验证信息缺失：克隆号/供应商/稀释比未在已抓取文档给出（待核 4），影响 IHC 染色的可复现性。

8.4 文档一致性缺陷

缺陷	表现	处理
缩写两套展开	Zenodo/medRxiv vs GitHub README	以官方为准，存照（坑 1）
计数三口径	25 / 37 / 54	并列三口径，注明对象（坑 4）
类别计数双口径	7 类 vs 8 类	说明差异为"是否含背景"（坑 5）
染色命名双口径	CKAPM+racemase vs HMWCK-AMACR	说明同物异名（坑 3）
session 计数未调和	sub-01 三 session，总数未明	存照待核（待核 1）

这些缺陷本身是 AI-Ready 质检的典型样本——PRECISE 的原始文档质量并不差，但仍存在跨平台口径漂移，正是条目要存照的对象（附录 S）。

§9 与库内条目的关系

9.1 家族图谱

• prostate158（rid 703/704）：前列腺 H&E 分级数据集。同器官、互补模态——158 提供大规模 H&E 分级，PRECISE 提供配对小样本 IHC 像素级。查重时命中，核验为不同物（无配对 IHC、无像素级多类掩码）。
• panda（rid 560）：前列腺 WSI 像素级注释（同任务，H&E 单模态）。PRECISE 是其"加 IHC + 加罕见类别"的互补。
• sicapv2（rid 328）：前列腺 H&E 分级，像素级赛道前纪录。与 PRECISE 任务相近但模态单一。
• prostatex（rid 554）：前列腺 mpMRI 影像组学。MRI 模态而非病理 WSI，不同物；但可构成"影像↔病理"跨模态链（PRECISE 元数据含 PI-RADS，来自 mpMRI 前置）。
• bci-ihc（rid 841）/ ihc4bc（rid 842）：乳腺 IHC 数据。乳腺方向（本条目为前列腺），不同物；但同为"IHC 病理"家族，可作跨器官 IHC 研究的对照组。
• panda-plus（同库）：前列腺 H&E 像素级分割。与 PRECISE 并读可拼出"前列腺像素级分割"的 H&E-only 与 H&E+IHC 两条路线。

9.2 PRECISE 的独特定位

在库内前列腺病理条目中，PRECISE 是唯一提供配对 IHC 的条目。它把"单 H&E 分割"（PANDA-PLUS）与"IHC 分子证据"之间的跨模态空白补上，是库内多模态病理家族的关键一环。

9.3 检索路径建议

• 精确检索用 "PRECISE" AND ("prostate" OR "IHC") 或 DOI 10.5281/zenodo.20721779——“PRECISE” 是医学 AI 高度复用缩写，单独检索会撞大量同名项目（坑 1）。
• 若目标是"前列腺病理像素级分割"：PANDA-PLUS（H&E）→ PRECISE（H&E+IHC）。
• 若目标是"前列腺 IHC 研究"：bci-ihc / ihc4bc 是乳腺对照，PRECISE 是前列腺本体。

§10 避坑清单：八个已踩过的坑

坑 1："PRECISE"是高度复用的缩写，且本数据集自身有两套展开。 检索 “PRECISE” 会撞上大量同名医学 AI 项目；同时本数据集在 Zenodo/medRxiv 展开为 “PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions”，而在 GitHub README 展开为 “Prostate Cancer Evaluation through Immunohistochemistry and Semantic Evaluation”。检索须带 “prostate IHC H&E” 或 DOI；引用全称时以官方（Zenodo/medRxiv）为准。

坑 2："配对（paired）“不等于"配准（registered）”。 标注为语义级谐调，像素级对齐不保证。把两张染色当同坐标系用，会把配准误差当监督噪声。需几何精度的任务必须先做图像配准。

坑 3：三层资产三套许可，别一揽子引用。 数据本体 CC BY 4.0、代码 Apache-2.0、论文 CC BY 4.0。特别是代码是 Apache-2.0 而非与数据同许可——再分发代码时须保留 Apache 声明，不可用 CC BY 4.0 覆盖。

坑 4：计数三口径（25 / 37 / 54）不是同一对象。 25=患者、37=活检芯、54=配对图像。README 未给换算公式。跨数据集比较规模时必须注明口径，否则系统性误判。

坑 5：类别计数双口径（7 类 vs 8 类）。 7 是诊断关键类别（不含背景），8 是掩码 ID 体系（含 Background=0）。不是类别定义冲突。评测报告须明确背景类是否计入指标。

坑 6：sub 编号与扫描仪型号强相关，按编号划分=泄漏。 sub-01 至 sub-18 用 Pannoramic 250、sub-19 至 sub-25 用 Pannoramic 1000。"前 N 例训练/后 M 例测试"会把扫描仪指纹混入划分，虚高测试分数。须按 Scanner 分层，或显式做留一扫描仪对照。

坑 7：性能数字对应"三者一致"子集，不可外推。 数据集只纳入"两名专家 + DeepDx AI 三者一致"的病例；困难/模糊病例被排除且数量未记录。在此数据集上的高分不代表对真实临床分布（充满不一致病例）的性能。引用时须声明子集口径。

坑 8：IHC 双标命名双口径，且不是同一书写。 摘要写 “CKAPM + racemase”，README/代码写 “HMWCK-AMACR”。CKAPM/HMWCK 同为高分子量细胞角蛋白（基底细胞标志），racemase/AMACR 为同一酶（P504S）。同物异名，不是两种不同的染色方案。跨文献对比时勿当作两套抗体组合。

§11 总结

11.1 三句话总结

1. PRECISE 是首个公开的配对 H&E–IHC 前列腺穿刺活检 WSI 像素级专家标注数据集：25 例、54 张配对 WSI、24,387 个标注、7 类诊断关键类别，以 IHC 作为边界定义的金标准。
2. 它的核心设计是镜像临床"H&E-then-IHC 两阶段流程"，把"配对多模态 + 像素级监督 + 罕见前驱病变类别"三件事同时补上，填补了前列腺病理像素级数据集在 IHC 维度上的空白。
3. 它的使用边界同样清晰：语义谐调非像素配准、单机构单地域、仅纳入一致病例、sub 编号与扫描仪强相关——四条理解清楚，才不会误用。

11.2 适合谁

• 多模态/跨染色研究团队：配对 H&E-IHC 是虚拟染色、染色翻译、跨模态自监督的稀缺素材。
• 前列腺病理分割团队：需要 IHC 金标准边界与罕见类别（HGPIN/IDC-P/AIP）的像素级监督。
• 数据集方法学研究者："以 IHC 定边界 + 三阶段共识 + 镜像临床流程"是可迁移的标注范式。
• 域适应/泛化研究者：两台扫描仪的天然对照 + Scanner 显式字段，开箱即用。

11.3 不适合谁

• 需要海量数据训练基础模型的团队（25 例规模不足以从头预训练）。
• 需要像素级配准的多模态任务（须自建配准，坑 2）。
• 需要多机构平衡采样的跨机构泛化研究（单机构硬约束）。
• 需要困难/模糊病例的研究（被纳排策略系统性排除，坑 7）。

11.4 30 秒决策卡

你的情况	行动
想做前列腺 H&E 分割	先用 PANDA-PLUS（H&E 像素级），PRECISE 作 IHC 对照
想做虚拟染色/IHC 预测	直接用 PRECISE 配对 WSI（本任务的最佳公开资源）
想做跨扫描仪泛化	用 PRECISE 两型扫描仪 + 显式 Scanner 分层
想训练基础模型	换更大规模数据集；PRECISE 作评测/下游微调
想引用"首个配对 IHC-H&E"论点	引 medRxiv DOI + Zenodo DOI，注明抓取时点

§6 获取与许可：一个低门槛的完全开放数据集

§6.1 获取方式：无需凭证的公开直链

PRECISE 在获取上属于"最开放"的一档。作者明确：“The dataset is publicly available at 10.5281/zenodo.20721779. No registration or special credentials are required.”（数据集在 10.5281/zenodo.20721779 公开可用，无需注册或特殊凭证）。这与许多需要签署数据使用协议（DUA）、提交申请、等待审批的医学影像数据集形成鲜明对比——PRECISE 的门槛基本为零。

获取路径：

1. 打开 Zenodo record 20721779（DOI: 10.5281/zenodo.20721779）；
2. 下载 data.zip（55.6 GB，md5 811b45541a62b2c269154cbfa8e7bad7）；
3. 需要的元数据文件可单独下载：label_descriptions.json、participants.csv、README.md、LICENSE.txt、scripts.txt，以及预览图 sub-09_ses-01.png。

为保可复现，配套代码仓库提供了完整的数据整理、预处理与分析流水线：https://github.com/abelBEDOYA/PRECISE-data-utils（Apache-2.0）。

§6.2 文件清单与校验

Zenodo 页面列出的完整文件清单（含 md5，便于下载校验）：

文件	大小	md5（前 8 位）	用途
data.zip	55.6 GB	811b4554…	全部 WSI 与掩码（主体）
README.md	5.7 kB	5549d486…	数据集结构说明
LICENSE.txt	3.0 kB	9ef46f7f…	数据许可全文
participants.csv	2.5 kB	f6c1a455…	临床元数据
label_descriptions.json	261 B	4874bef6…	类别定义与配色
scripts.txt	73 B	3dbced93…	脚本索引
sub-09_ses-01.png	1.4 MB	7efe84b2…	预览图

作者在 README 里给出 md5 是很好的实践——下载后务必用 md5 校验，尤其是 55.6 GB 的 data.zip，一旦下载损坏会浪费大量后续时间。

§6.3 许可：数据与代码分开，均为宽松许可

PRECISE 的许可结构清晰且宽松，但数据与代码不是同一许可，混用时须注意：

• 数据集本体：Creative Commons Attribution 4.0 International（CC BY 4.0）。这是 CC 家族里最宽松的许可之一——允许商用、允许改编、允许再分发，只需**署名（attribution）**并标明是否做了修改。
• 配套代码：Apache License, Version 2.0（https://www.apache.org/licenses/LICENSE-2.0）。同样是宽松许可，含明确的专利授权条款。
• medRxiv 预印本：CC-BY 4.0（预印本页面显示许可）。

这意味着：数据集几乎可以自由使用（含商业用途），只是必须正确署名；代码同理。相比 PANDA 系列的多层异构许可（WSI 用 CC BY-NC-SA 非商用、掩码请求制），PRECISE 的许可生态要干净得多——一个 CC BY 4.0 直链拿全，无请求制、无非商用限制。

§6.4 上游许可兼容性：de novo 采集的干净血统

PRECISE 在许可上还有一个重要优势——它不派生自任何上游数据集。medRxiv 4.4 节原文：“As the data were collected de novo at a single institution and are not derived from any upstream dataset, no upstream license compatibility issues apply.”（数据为单机构 de novo 采集、非派生自任何上游数据集，故无上游许可兼容问题。）

这一点值得与 PANDA-PLUS 对照：PANDA-PLUS 的 WSI 派生自 PANDA，因此受 PANDA 原始许可（CC BY-NC-SA）约束，非商用限制随之继承。而 PRECISE 是医院病理科直接采集的原始数据，血统干净，其 CC BY 4.0 是真正无负担的。对于需要商用或需要明确许可链的团队，这是 PRECISE 相对 PANDA 派生的一个实质优势。

§6.5 版本链

数据集当前为 v1（Zenodo 页面标注 Version v1，Published June 16, 2026）。这是唯一发布版本。配套代码仓库的提交历史显示：首次 commit 于 2026-06-17，随后有一次 “errata readme” 修正与一次 visualize 脚本更新。预印本 medRxiv 发布于 2026-07-21/22——即数据集先于预印本发布约一个月，这在当今"数据先公开、论文后跟上"的开放科学实践中是常见且值得赞赏的顺序。

（存照：Zenodo 登记日 June 16, 2026 与 GitHub 首 commit June 17, 2026 相差一天，属正常发布落地时差，见坑 3 与 §8。）

§7 质量评估与可复现性

§7.1 标注质量的三重保障

尽管 PRECISE 论文（截至抓取时点为 medRxiv 预印本）未提供如观察者间一致性系数（kappa、PABAK 等）那样的量化标注质量指标，其质量保障机制体现为三个层面：

第一层——双专家三阶段共识：两名专家泌尿病理学家的结构化共识流程，避免单人标注的主观性，是病理标注里的高规格配置。

第二层——IHC 生物学金标准：这是最强的一重。H&E 上的形态学分歧，可以用 HMWCK/AMACR 的表达结果来客观裁决——基底细胞是否缺失、AMACR 是否过表达，是分子层面的事实而非主观判断。用它来定义边界，相当于给标注引入了"客观事实锚点"。

第三层——算法一致性核验：纳入病例还须与 DeepDx Prostate (RUO) AI 算法的判断一致。这既是一道额外的筛子（三方一致才纳入），也是一个有趣的信号——数据集事实上是由"人 + 算法双重共识"筛选出来的。

§7.2 可复现性设计

PRECISE 的可复现性设计体现在三处：

（1）配套代码的完整流水线：从 QuPath 标注导出（export_cropped_inmuno.groovy）到区域分析（analyse_regions.py），作者提供了从原始标注到分析结果的端到端工具，使"作者如何从数据得到那张统计图"变得可复现。

（2）依赖明确固定：requirements.txt 给出了带下限版本号的依赖清单（numpy≥2.4.6 等），并给出 conda 环境创建示例（Python 3.12），降低了环境漂移风险。

（3）md5 校验：全部发布文件附 md5，保证下载后字节级一致。

§7.3 缺失的评估指标：一处诚实的空白

必须指出：截至抓取时点，PRECISE 的公开文档（Zenodo + medRxiv 预印本）未提供基线模型的定量结果——没有"某模型在某分割任务上达到多少 Dice/IoU"这样的数字。这与 PANDA-PLUS-Bench 那种"七模型 cross-slide 性能对比表"形成对比。原因可能在于：PRECISE 是数据集/基准的首次发布（v1），配套的模型评测可能在后续版本或正式论文中补充。

这不影响数据集本身的价值——"先发布高质量数据、后补基准结果"是负责任的做法。但它意味着，当前使用 PRECISE 的研究者无法直接把结果与其他团队的 PRECISE 分数对标，只能自行建立基线。这是一个需要预期管理的现实（见坑 8）。

§7.4 数据使用者应做的自查

基于作者给出的"负责任使用建议"，任何使用 PRECISE 的项目应自查以下四项：

1. 类别不平衡处理：是否使用了过采样/数据增强/加权损失？未处理则少数关键类（IDC-P、AIP）性能不可信。
2. 配准需求评估：任务是否要求几何精度？若是，是否做了额外的 H&E–IHC 配准？
3. 外部验证：是否在多样化的多中心队列上做了外部验证，再考虑临床相关使用？
4. 重识别合规：是否严格遵守了"禁止从元数据或影像重识别患者"的红线？

这四项不是建议，而是作者明确写入"负责任使用"章节的硬约束。

§8 避坑清单：八个已识别的坑

坑 1：把 “PRECISE” 当唯一关键词检索会撞一鼻子灰。
PRECISE 是医学 AI 领域高度复用的缩写。若只用 “PRECISE dataset” 检索，会命中大量同名项目（肿瘤影像、临床试验、各种 PRECISE 缩写）。正确做法：带上下文检索（如 PRECISE prostate IHC H&E），或直接用 DOI 10.5281/zenodo.20721779 / 10.64898/2026.07.21.26358559 精确定位。

坑 2：把"空间谐调"误读为"像素级配准"。
这是最危险的误读。“Spatially harmonized” 指语义层面的一致（同一腺体在两模态被标为同一类），不是几何层面的逐点对齐。作者明说 “perfect pixel-to-pixel correspondence between modalities cannot be guaranteed”。若直接把 H&E 像素与 IHC 像素做逐点对齐训练而不做配准，会引入系统性错位。需要几何精度的任务（如同一解剖位置的跨模态像素级对比）必须先配准。

坑 3：把 “CKAPM+racemase” 与 “HMWCK-AMACR” 当成两种不同的染色。
它们是同一物的不同书写：CKAPM = HMWCK = 高分子量细胞角蛋白；racemase = AMACR = p504s。摘要用 “CKAPM+racemase”，README/代码用 hmwck-amacr。检索时两种写法都要覆盖，否则会漏掉文献。

坑 4：被 “25 例 / 37 活检 / 54 张 WSI” 三个数字搞糊涂。
三个数字来自两套计数体系：25 = 患者数（各方一致）；37 = 活检芯计数（Zenodo/medRxiv 摘要口径）；54 = 配对 WSI 数（GitHub README 口径，H&E+IHC 成对）。README 未给出 37 与 54 之间的换算，两套口径需并列理解，不可混用（见 §8 遗留疑点）。

坑 5：忽略"仅纳入一致病例"带来的乐观偏倚。
数据集只收"两名病理学家 + AI 算法三方一致"的病例，意味着诊断最困难的病例被系统排除。若把 PRECISE 当作前列腺病理 AI 的全面基准，会高估模型在真实临床困难场景下的表现。务必记住：它是"确认性人群"，不是"困难人群"。且被排除病例的精确计数未被记录，连偏倚大小都无法量化。

坑 6：把 Stroma（间质）当作纯专家标注。
间质类（ID 7）主要由 add_stroma.py 通过形态学操作（阈值+膨胀+腐蚀）算法补标，而非专家逐像素手工标注。前六类（Tumor/Benign/HGPIN/IDC/AIP/Artifact）才是三阶段专家共识产物。把间质与其余类等量齐观，会高估间质标注的"专家"属性。

坑 7：忽视类别不平衡，用标准交叉熵直接训练。
作者明确警告需用过采样/增强/加权损失。不做类别加权，模型会退化为"多数类预测器"，在 IDC-P、AIP 这类稀少但临床关键的类别上表现崩塌——而这几类恰恰是 PRECISE 的核心价值所在。

坑 8：误以为数据集自带基准分数可对标。
PRECISE v1 发布时未附基线模型定量结果。想用 PRECISE 做基准的研究者，需自行建立基线，无法直接与其他团队的 PRECISE 分数比较。这是预期的管理问题，不是数据集缺陷，但检索者若期待"开箱即对标"会失望。

§9 与库内条目的关系

§9.1 查重结论：与库内已有条目均非同物

开工时执行了库内查重（url_name ILIKE '%prostate%' OR '%ihc%' OR '%precise%'），命中四条（含一条重复行），逐一核验均与 PRECISE 非同物：

库内条目	rid	内容	与 PRECISE 的关系
prostate158	703	前列腺 MRI（T2/ADC/DWI）图像数据集	不同模态：MRI 影像 vs 病理 WSI；不同任务：分类 vs 分割
prostate158	704	同上（重复行）	同上
prostatex	554	SPIE-AAPM-NCI PROSTATEx 挑战赛，MRI 前列腺癌分类	不同模态：MRI vs 病理
bci-ihc	841	乳腺癌 IHC（Breast Cancer IHC）数据集	同为 IHC 病理，但癌种不同（乳腺 vs 前列腺），且无 H&E 配对
ihc4bc	842	乳腺癌 IHC（IHC for Breast Cancer）数据集	同上，乳腺方向

结论：库内无重复条目，PRECISE 为新增。特别地，bci-ihc(841) 与 ihc4bc(842) 虽同为 IHC 病理，但癌种是乳腺癌且无配对 H&E；prostate158(703/704) 与 prostatex(554) 虽同为前列腺，但都是 MRI 而非病理。PRECISE 是库内**首个"前列腺 + 病理 + IHC 配对"**的条目，填补了一个明确的空白。

§9.2 前列腺病理家族：PRECISE 的差异化位置

PRECISE 最相关的族内条目是前列腺病理 WSI 系列：

与 PANDA / PANDA-PLUS 的互补：PANDA 挑战赛（万余张穿刺 WSI）与 PANDA-PLUS（546 张像素级 Gleason 重标注）代表了"大规模 H&E + Gleason 分级"这一路线。它们的强项是规模与分级标签，弱项是只有 H&E、没有 IHC、不覆盖前驱病变的分子证据。PRECISE 恰好补上这一维度：规模小（25 例），但配对 IHC、以 IHC 为边界金标准、覆盖 HGPIN/IDC-P/AIP 完整谱系。两者不是竞争而是分工——PANDA 系列回答"如何大规模做 Gleason 分级"，PRECISE 回答"当 H&E 不足时，如何用 IHC 信息建模"。

与 SICAPv2(328)、LEOPARD(636) 的关系：这些同属前列腺 H&E WSI 数据集，同样缺 IHC 配对。PRECISE 与它们构成"有无 IHC"的对照。

与 bci-ihc(841)、ihc4bc(842) 的跨癌种对照：乳腺与前列腺是 IHC 诊断最典型的两大癌种，PRECISE 与乳腺癌 IHC 条目可以互链，构成"IHC 病理跨癌种"的检索面。

§9.3 影像-病理对照：一个有用的检索组合

前列腺方向的库内条目恰好分成"影像"与"病理"两条线：

• 影像线：prostate158(703)、prostatex(554)——MRI 模态；
• 病理线：PANDA 系列、SICAPv2(328)、LEOPARD(636)、以及本条目 PRECISE——WSI 模态。

把这两条线在家族导航里并列，能帮助使用者快速理解"同一个器官、两种模态、两套任务"的全景。PRECISE 在病理线里又进一步细分为"配对 IHC"这一子类，是全库唯一。

§10 建议互链点

以下为本条目正文内可建立的内链（供主会话在家族导航中参考）。注意：按 R012 教训，互链说明只写正文，不写入 frontmatter 的 relatedLink；frontmatter 的 relatedLink 仅允许纯 URL 字符串。

• prostate158（rid 703/704）：前列腺 MRI 图像数据集。互链点——"前列腺影像 vs 病理"模态对照，说明本条目聚焦病理 WSI 而非 MRI。
• prostatex（rid 554）：PROSTATEx MRI 挑战赛。互链点——同上，影像线对照。
• bci-ihc（rid 841）：乳腺癌 IHC 数据集。互链点——"IHC 病理跨癌种"对照，乳腺 vs 前列腺。
• ihc4bc（rid 842）：乳腺癌 IHC 数据集。互链点——同上。
• panda-plus：前列腺 WSI 像素级 Gleason 重标注。互链点——最相关，同为前列腺病理 WSI + 像素级标注，但 PANDA-PLUS 无 IHC 配对，PRECISE 的差异化卖点即"双染色配对 + IHC 金标准边界"。
• sicapv2（rid 328）：前列腺活检 WSI 分级。互链点——同域 H&E 数据集，无 IHC。
• leopard（rid 636）：前列腺根治标本 WSI。互链点——同域 H&E 数据集，无 IHC。

建议的家族导航结构：前列腺影像（prostate158、prostatex）｜前列腺病理 H&E（PANDA、sicapv2、leopard）｜前列腺病理配对 IHC（PRECISE，本条目）｜IHC 病理跨癌种（bci-ihc、ihc4bc）。这一结构能清晰呈现 PRECISE 在库内的独特生态位。

§11 总结

PRECISE 是前列腺计算病理领域一个定位精准的数据集：它不追求规模，而追求对真实临床工作流的忠实复刻。25 例患者的穿刺活检，每例配对 H&E 与 HMWCK-AMACR 双染色 WSI，24,387 个像素级专家标注，以 IHC 作为边界定义的金标准，覆盖从良性腺体、恶性腺体、间质到 HGPIN、IDC-P、AIP 及伪迹的完整形态谱。它填补了现有公开前列腺病理数据集的三个系统性空白——配对 IHC 模态的缺失、前驱病变/导管内癌监督的缺失、IHC 金标准边界的缺失。

它的价值可以概括为"三合一"：作为数据，它提供了 55.6 GB 的 CC BY 4.0 开放资源（无需注册、无请求制、无商用限制）；作为基准，它为多模态语义分割、自监督表征学习、染色翻译、免 IHC 替代模型、扫描仪域适应提供了受控实验平台；作为方法学示范，它展示了"如何在标注中引入客观生物学金标准"以及"如何诚实地自曝数据偏倚"。

同时，它也有明确的边界，使用前必须清楚：单机构单地域（西班牙北部，代表性受限）、仅纳入一致病例（乐观偏倚，困难病例被系统排除且计数未记录）、语义谐调而非像素配准（需几何精度须额外配准）、类别不平衡（须加权处理）、尚无基线分数（无法开箱对标）。这五条边界不是缺陷，而是任何严肃使用 PRECISE 的研究者都必须内化的前提。

对千方病案医数集而言，PRECISE 补上了库内"前列腺 + 病理 + IHC 配对"这一空白，与已有的前列腺 MRI 条目（prostate158、prostatex）、前列腺病理 H&E 条目（PANDA 系列、SICAPv2、LEOPARD）以及 IHC 病理跨癌种条目（bci-ihc、ihc4bc）共同织成一张完整的检索网。

§11.1 附录 A：DAIMS 评估全表

DAIMS（Data and Analytics Interoperability Maturity Standard，数据与分析互操作性成熟度标准）五维评估：

维度	缩写	评级	依据
可发现性（Discoverability）	Discoverability	高	Zenodo DOI 10.5281/zenodo.20721779 + medRxiv DOI + GitHub 仓库三处登记；被 BIP! Finder、OpenAIRE、Crossref 索引；含完整元数据（作者 ORCID、机构 ROR、关键词）
可访问性（Accessibility）	Accessibility	高	公开直链、无需注册或特殊凭证；data.zip 单文件下载；md5 校验；无 DUA 门槛
互操作性（Interoperability）	Interoperability	高	采用 BIDS-like 目录结构；标准格式 OME-TIFF（金字塔）；标准命名 sub-XX_ses-YY_{stain}；label_descriptions.json 定义类别；participants.csv 标准字段；配备 Python 工具链直接读取
元数据（Metadata）	Metadata	中高	participants.csv 含完整临床字段（PSA/PI-RADS/ISUP/Gleason/Scanner）；label_descriptions.json 含类别与配色；README 含结构说明；扣分项：无基线模型结果、无观察者间一致性系数、被排除病例计数未记录
可持续性（Sustainability）	Sustainability	中高	Zenodo 长期托管（CERN 运营，DOI 持久）；GitHub 代码仓库 Apache-2.0；CC BY 4.0 宽松许可利于长期再利用；扣分项：v1 单一版本、数据集早于预印本发布（后续版本可能变动）、预印本尚未见正式期刊版本

综合判断：PRECISE 在可发现性、可访问性、互操作性三维表现优秀（三高），在元数据、可持续性两维为中高——主要扣分来自"基准结果缺失"与"正式发表待定"，这些属于首次发布（v1）的常见状态，预计随版本迭代改善。

§11.2 附录 B：核心事实速查表

维度	事实
全称	PRECISE — PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions
slug	precise-prostate-ihc
论文集	medRxiv 预印本，DOI 10.64898/2026.07.21.26358559（2026-07-21/22，CC-BY 4.0）
数据 DOI	10.5281/zenodo.20721779（Zenodo v1，2026-06-16 登记）
代码仓库	github.com/abelBEDOYA/PRECISE-data-utils（Apache-2.0）
患者数	25 例（sub-01 至 sub-25）
活检/WSI	37 core needle biopsies（摘要口径）/ 54 配对 WSI（README 口径）
标注数	24,387
类别	7 诊断关键类（Tumor/Benign/Stroma/IDC-P/HGPIN/AIP/Artifact）；掩码 8 类（含 Background ID 0）
图像格式	OME-TIFF 金字塔，6 层，512×512 瓦片，LZW 无损
分辨率	0.243 µm/pixel，RGB uint8
扫描仪	3DHISTECH Pannoramic 250（sub-01–18）/ 1000（sub-19–25）
染色	H&E ↔ HMWCK-AMACR（CKAPM+racemase）
体积	约 56 GB / data.zip 55.6 GB
许可	数据集 CC BY 4.0；代码 Apache-2.0
伦理	Cantabria IREC protocol 2024.477（2025-02-07 批准）
年龄	平均 70 岁（49–90 岁），全男性
机构	IDIVAL / Marqués de Valdecilla 大学医院 / Servicio Cántabro de Salud / IFCA / Siali Technologies
项目负责人	Lara Lloret Iglesias（IFCA）

§11.3 附录 C：方法学要点速记

1. 两阶段临床复刻：H&E 判读 → IHC 厘清不确定性，数据集忠实保留两个阶段与关联。
2. IHC 金标准边界：HMWCK 标记基底细胞（恶性缺失）、AMACR/p504s 恶性过表达，二者组合客观裁定边界。
3. 三阶段专家共识：两名专家泌尿病理学家结构化共识标注。
4. 纳排双刃剑：只收"专家 + DeepDx AI 三方一致"病例，高可靠但排除困难样本。
5. 语义谐调 ≠ 像素配准：跨模态语义一致，几何不保证对齐。
6. 间质算法补标：Stroma 由 add_stroma.py 形态学操作生成，非纯专家标注。
7. 类别不平衡：须过采样/增强/加权损失处理。
8. 跨扫描仪：两台 Pannoramic 采集，天然域适应测试床。

§11.4 附录 D：来源 URL 存照

• Zenodo 数据集主页：https://zenodo.org/records/20721779
• medRxiv 预印本全文：https://www.medrxiv.org/content/10.64898/2026.07.21.26358559v1.full
• medRxiv DOI 解析：https://dx.doi.org/10.64898/2026.07.21.26358559
• GitHub 配套代码：https://github.com/abelBEDOYA/PRECISE-data-utils
• BIP! Finder 索引页：https://bip.imsi.athenarc.gr/details?id=10.5281%2Fzenodo.20721779
• CC BY 4.0 许可：https://creativecommons.org/licenses/by/4.0/
• Apache License 2.0：https://www.apache.org/licenses/LICENSE-2.0

§11.5 附录 E：遗留疑点

1. 活检计数换算缺失：37 core needle biopsies（摘要）与 54 paired WSI（README）的对应关系未在文档中说明。
2. 被排除病例计数未记录：因诊断不一致被排除的病例精确计数未被系统记录，偏倚大小无法量化（作者原文承认）。
3. 缩写展开双口径：Zenodo/medRxiv 与 GitHub README 给出两套 PRECISE 展开式，数据集正式登记口径为前者。
4. 正式发表待定：截至抓取时点（2026-10-09），论文仍为 medRxiv 预印本，未见正式期刊版本。
5. DeepDx Prostate 算法版本未披露：参与一致性判定的 AI 算法具体版本/接口未说明。
6. 基线分数缺失：v1 未附基线模型定量结果，无法开箱对标。
7. 三阶段共识细节未展开：论文正文未逐步说明"三阶段"各阶段的具体分工。

本条目为 AI-Ready Wikipedia 数据集条目，抓取与核验时点 2026-10-09，三源互证（Zenodo record 20721779 + medRxiv 10.64898/2026.07.21.26358559 + GitHub abelBEDOYA/PRECISE-data-utils）。所有双口径冲突已在 §8 坑点与 §11.5 附录 E 存照。条目与库内 prostate158(703)、prostatex(554)、bci-ihc(841)、ihc4bc(842) 及前列腺病理家族（PANDA 系列、sicapv2、leopard）互链，构成前列腺影像-病理与 IHC 病理家族的完整检索面。

§12 数据获取与使用流程

本节把 §6 的获取决策树落成可逐条照做的操作流程，供首次使用者按序执行。所有步骤仅依赖 FACTS 已核实的事实（Zenodo record 20721779、data.zip 55.6 GB、md5 811b45541a62b2c269154cbfa8e7bad7、Apache-2.0 工具链），不引入额外假设。

12.1 申请与授权：零门槛

PRECISE 的获取环节没有"申请"这一步。作者的官方口径是：数据集在 Zenodo record 20721779 公开可用，无需注册或特殊凭证。这意味着完整流程如下：

1. 浏览器打开 https://zenodo.org/records/20721779（或经 DOI 10.5281/zenodo.20721779 解析）。
2. 直接点击 data.zip 下载（55.6 GB）——无需登录 Zenodo 账号，无需填表，无需签署 DUA。
3. 若只需元数据，单独下载 README.md、LICENSE.txt、participants.csv、label_descriptions.json、scripts.txt 与预览图 sub-09_ses-01.png（体积均为 kB 至 MB 级，秒级完成）。
4. 工具链经 git clone https://github.com/abelBEDOYA/PRECISE-data-utils 获取（Apache-2.0），同样无需凭证。

关键提醒：正因为没有申请门槛，使用者容易忽略"引用义务"——CC BY 4.0 的唯一硬要求是署名。下载便利不等于免除署名，发布任何衍生成果时都必须引 Zenodo DOI 与 medRxiv DOI。

12.2 下载策略：55.6 GB 的现实约束

55.6 GB 不是小数，全量下载对带宽与磁盘都有真实门槛。建议按以下优先级决策：

场景	建议动作	理由
首次接触、验证管线	先不下全量，用 Zenodo 预览图 + label_descriptions.json 建映射表	零成本理解数据结构与类别体系
单机开发、磁盘紧张	全量下载后按 sub-XX 子集抽取，仅保留所需 session	6 层金字塔最高倍层占绝对多数体积
训练分割模型	优先低倍层（如 4×/8×）或瓦片流式读取，非必要不展开 level 0	512×512 瓦片规格天然支持按块加载
只做跨染色配准/翻译	可只取 H&E 与 IHC 两层，掩码非必需	配对关系本身即是监督信号
只引用论点	引 DOI，不必下载	论点见预印本摘要

分片下载纪律：若网络不稳定，务必用支持断点续传的下载器（Zenodo 支持 HTTP Range），不要用单次 curl 裸拉 55.6 GB——中途失败会前功尽弃。下载完成后第一件事是 md5 校验（见 12.3）。

12.3 校验与解压

# 1. 校验完整性（务必先做）
md5sum data.zip
# 期望输出：811b45541a62b2c269154cbfa8e7bad7  data.zip

# 2. 校验通过后解压（预留 > 55.6 GB 空间）
unzip data.zip -d precise_data/

校验为什么必须：data.zip 内含数十张 gigapixel 级 OME-TIFF 与同数量级掩码，任何单字节损坏都可能在读取某一层级时才暴露，届时排查成本极高。md5 是唯一能在解压前发现损坏的手段。

解压后空间提示：data.zip 为 55.6 GB；解压后总体积只会更大（金字塔多层展开 + 掩码副本）。请预留充足磁盘——建议 ≥120 GB。若使用压缩包内直接流式读取（不经完整解压）可省空间，但对 OME-TIFF 随机访问不利，需权衡。

12.4 解压后的目录结构核对

解压后应得到 BIDS-like 结构（结构示意见 §2.4）。核对要点：

• 顶层含 sub-01/ 至 sub-25/ 共 25 个受试者目录；
• 每个 sub-XX/ 下含 1 个 ses-XX/（sub-01 例外，含 3 个 session）；
• 每个 session 目录内含配对 H&E 与 IHC 的 WSI 与其同名 _mask 掩码；
• 顶层另有 participants.csv、label_descriptions.json、README.md、LICENSE.txt、scripts.txt 与 sub-09_ses-01.png。

核对口径：若你数到的 session 目录总数为 27（25 受试者中 sub-01 有 3 个），与"54 张配对图像"的关系是——每 session 贡献 2 张（H&E + IHC），54 = 27 × 2。这与 README 的"54 组配对图像"口径一致，可反过来佐证 session 总数应为 27。但请注意：这一推算是本条目据 FACTS 事实的逻辑整理，README 未显式写出该乘法关系（遗留疑点 1，需下载 participants.csv 实证）。

12.5 文件清单与校验速查

文件	体积（Zenodo 列示）	性质	拿到后先做什么
data.zip	55.6 GB	全部 WSI + 掩码	md5 校验 → 解压 → 核目录
README.md	kB 级	结构说明	读命名规则与 session 说明
LICENSE.txt	kB 级	CC BY 4.0 全文	确认署名要求
participants.csv	kB 级	临床元数据	核对 sub-01 至 sub-25 与 Scanner 分布（应为 18:7）
label_descriptions.json	百字节级	8 类定义 + 配色	建 ID→类别名映射表
scripts.txt	极小	脚本索引	对照 GitHub 仓库确认脚本版本
sub-09_ses-01.png	约 1.4 MB	预览图	零成本确认数据"长什么样"

12.6 上手前的四步最小验证

拿到数据后，在写任何训练代码之前，先跑通以下四步（每步成本极低，能避免大部分后续踩坑）：

1. md5 通过 → 数据完整。
2. participants.csv 可解析 → 读出 25 行（sub-01 至 sub-25），Scanner 字段恰为 Pannoramic 250（sub-01 至 sub-18，18 行）与 Pannoramic 1000（sub-19 至 sub-25，7 行）两值。
3. label_descriptions.json 可解析 → 得到 8 个 ID（0–7）与英文类别名、十六进制配色，与 §3.2 表逐条对齐。
4. 抽一张 WSI 与同名掩码可打开 → 确认金字塔层数为 6、最高层分辨率为 0.243 µm/px、掩码为 uint8 且像素值落在 0–7。

四步全绿，才说明环境、依赖与数据三者匹配，可以进入建模阶段。

§13 技术验证与质量局限

本节把散见于 §5、§8、§11 的质量议题集中成"可验证项 + 已识别的局限 + 影响面"三栏结构，便于使用者在立项前做风险登记。

13.1 标注一致性：机制强、量化弱

维度	现状（据 FACTS）	影响
标注人数	两名专家泌尿病理学家	有共识基础，非单人主观
共识机制	结构化三阶段共识	分歧需复核，流程可审计
客观佐证	IHC 作边界金标准	边界有分子证据锚定
第三方核验	DeepDx Prostate (RUO) AI 参与一致性判定	纳入病例为"三方一致"
一致性系数	已抓取文档未给出 κ / Dice / PABAK 等数值	无法量化标注噪声上限（待核 2）
被排除病例数	未系统记录	乐观偏倚幅度不可量化（坑 7）

读法：PRECISE 的一致性保障是机制性的（谁标注、怎么裁、用什么佐证、怎么筛），而非统计性的（没有一致性数值）。这不是弱点炒作，而是事实陈述——使用者在论文里报告"数据标注可靠"时，应引用机制描述而非声称有量化系数。

13.2 切片质控与扫描仪变异

两型扫描仪的分布是与 sub 编号强绑定的（sub-01 至 sub-18 用 Pannoramic 250、sub-19 至 sub-25 用 Pannoramic 1000）。由此产生的技术风险有两层：

• 域偏移（domain shift）：两型扫描仪在光学、色彩响应、白平衡、对焦策略上可能存在系统性差异，同一组织经不同扫描仪成像会呈现颜色/纹理分布漂移。切片质控若不先做色彩归一化，模型可能学到"扫描仪指纹"而非病理特征。
• 划分泄漏（leakage）：由于扫描仪与编号强相关，任何按编号的"前 N 训练/后 M 测试"都会让测试集与训练集来自不同扫描仪，得到的是跨扫描仪泛化（可能偏低）而非同分布泛化——反之若测试集恰好落在同一扫描仪，又会虚高。两种偏差方向相反，都不可当作真实性能。

已抓取文档未量化两型扫描仪对分割性能的影响（待核 3）。这意味着使用者若想报告跨扫描仪落差，需自行跑"留一扫描仪"对照，而不能引用论文现成数字。

13.3 染色变异与跨切片差异

• IHC 抗体验证信息缺失：克隆号、供应商、稀释比未在已抓取文档给出（待核 4）。手工复现 IHC 染色或评估跨实验室可比性时会受阻。
• 连续切片非同一张片：H&E 与 IHC 取自连续（serial）切片，是物理上两块相邻但不重合的组织。切片厚度、切面方向、脱水皱缩的微小差异，都会使"同一结构"在两模态上的形状与位置轻微偏移。这是"语义谐调 ≠ 像素配准"的物理根源，而非标注疏漏。
• 染色命名双口径：CKAPM+racemase（摘要）与 HMWCK-AMACR（README/代码）指同一双标（坑 3、坑 8）。跨文献检索须两写法并行。

13.4 类别不平衡及其影响

类别像素面积呈极端长尾：Tumor、Stroma、Benign gland 等大类的像素面积远超 HGPIN、IDC-P、AIP。后果链条如下：

1. 用标准交叉熵（或未加权的 Dice）训练时，优化会偏向多数类；
2. 模型退化为"多数类预测器"，在少数类上崩塌；
3. 而被牺牲的恰恰是临床价值最高的类别（HGPIN 是癌前、IDC-P 与预后相关、AIP 是争议实体）；
4. 若只报 pixel accuracy，背景类（ID 0）会把分数刷得虚高，掩盖少数类的失败。

缓解手段（作者明确建议）：过采样、数据增强、类别加权损失；评测时分类别报 Dice/IoU，并对罕见类单独给绝对样本量与置信区间（§5.2）。

13.5 质量局限登记表

局限	类型	可缓解性	缓解方式
无观察者间一致性数值	元数据缺失	低（需原作者补充）	引用机制描述，不外推可靠性
被排除病例数未记录	偏倚不可量化	低	报告性能时声明"一致子集"口径
单机构单地域	代表性	低	多中心外部验证
语义谐调非像素配准	几何	中	自建配准管线
双扫描仪域偏移未量化	泛化	中	留一扫描仪对照 + 色彩归一化
类别不平衡	训练	高	加权损失 + 分层评测
无基线分数	对标	中	自建基线，标注口径
IHC 抗体验证信息缺失	可复现性	低	联系作者或后续版本补充

这张表的价值在于：把"数据集有什么问题"转化为"我该做什么动作"——每一行都对应一个可在项目计划里落地的缓解或声明。

§14 与库内同域条目的对比

本节据 FACTS §8 的互链材料做客观对比。对比目的是帮使用者选对数据集，不是评判优劣。

14.1 前列腺病理家族横向对比

条目	rid	器官	模态	标签粒度	是否配对多染色	本条目视角的差异
PRECISE（本条目）	—	前列腺	H&E + IHC 配对	像素级多类语义分割	是（H&E↔HMWCK-AMACR）	—
prostate158	703/704	前列腺	H&E	病理分级	否	无配对 IHC、无像素级多类掩码
panda	560	前列腺	H&E	像素级注释	否	同任务但单模态（H&E-only）
sicapv2	328	前列腺	H&E	分级	否	任务相近但模态单一
prostatex	554	前列腺	mpMRI	影像组学	否	非病理模态（MRI）
bci-ihc	841	乳腺	IHC	病理	否	跨癌种（乳腺 vs 前列腺），无 H&E 配对
ihc4bc	842	乳腺	IHC	病理	否	跨癌种，乳腺方向

14.2 与 prostate158(703/704) 的关系

prostate158 是前列腺方向，与本条目同器官，是查重时的首要近邻。但据 FACTS 核验，prostate158 的口径是"前列腺 H&E 分级"——无配对 IHC、无像素级多类语义掩码，与本条目"双染色配对 + 8 类像素掩码 + IHC 金标准边界"存在本质差异，故核验为不同物。

互补点：prostate158 提供大规模 H&E 分级视角，PRECISE 提供小样本 IHC 像素级视角；若研究"分级标签与像素级形态的关系"，两者可并读。

14.3 与 panda(560) / panda-plus 的关系

panda（rid 560）与其像素级扩展 panda-plus 是库内前列腺 WSI 像素级注释条目，任务类型（像素级语义分割）与本条目最接近，但模态为 H&E 单模态。PRECISE 的差异化正在于补上 IHC 这一模态：panda 系列回答"H&E 上怎么分"，PRECISE 回答"当 H&E 不足时 IHC 提供什么"。

并读价值：把 panda-plus 作为 H&E-only 的像素级分割基线，把 PRECISE 作为 H&E+IHC 的对照，可构建"有无 IHC"的消融式比较——这是库内可直接搭出的研究设计。

14.4 与 sicapv2(328)、leopard 的关系

sicapv2(328) 为前列腺 H&E 分级，leopard 为前列腺根治标本 WSI，均属库内前列腺 H&E 病理线，无 IHC 配对。PRECISE 与它们构成"有无 IHC"的直接对照，且 PRECISE 的标本类型为穿刺活检（与 sicapv2 同为活检，与 leopard 的根治标本不同）。

14.5 与 bci-ihc(841) / ihc4bc(842) 的关系

这两条是乳腺 IHC 数据，同为"IHC 病理"家族，但癌种为乳腺（本条目为前列腺），且据 FACTS 核验无 H&E 配对。因此：

• 差异：癌种不同（跨器官）+ 是否配对 H&E 不同；
• 共同：同属 IHC 病理数据，可构成"IHC 病理跨癌种"的检索面；
• 研究价值：乳腺与前列腺是 IHC 诊断最典型的两大癌种，三者并置可支撑"IHC 标注方法跨器官迁移"的对照研究。

14.6 与 prostatex(554) 的关系

prostatex(554) 是前列腺 mpMRI 影像组学挑战赛数据，模态为 MRI 而非病理 WSI，与本条目分属"影像线"与"病理线"。

一处值得注意的交叉：FACTS 记载本数据集 participants.csv 含 PI-RADS 字段——PI-RADS 评分来自 mpMRI 前置检查。这意味着 PRECISE 的临床元数据里本就携带了"影像↔病理"的桥接信息，若与 prostatex 类 MRI 数据联合，可构建"MRI 前置评分 → 病理像素级确认"的跨模态链条。但需注意 PI-RADS 为前置检查结果，与本数据集 WSI 并非同一检查的同步采集。

14.7 差异一句话总表

对比对象	一句话差异
prostate158(703/704)	同器官、同病理，但无 IHC 配对、无像素级掩码
panda(560)/panda-plus	同任务（像素级分割），但单 H&E 模态
sicapv2(328)	同器官同标本类型（活检），但仅 H&E 分级
prostatex(554)	同器官，但模态是 MRI 不是病理
bci-ihc(841)/ihc4bc(842)	同为 IHC 病理，但癌种是乳腺、无 H&E 配对

结论：在上述全部近邻中，PRECISE 是唯一同时满足"前列腺 + 病理 WSI + H&E–IHC 配对 + 像素级多类语义掩码"的条目，在库内定位明确、无重复。

§15 典型任务与基线表现

15.1 任务面总览

PRECISE 可支撑的任务按"模态组合"与"监督形式"两个维度展开（据 FACTS §5、§7）：

任务	输入 → 输出	监督来源	临床对应
H&E 单模态语义分割	H&E → 掩码	像素级专家掩码	纯形态学判读
IHC 单模态语义分割	IHC → 掩码	像素级专家掩码	纯分子证据判读
IHC 引导 H&E 分割	(H&E, IHC) → H&E 掩码	跨模态辅助	临床两阶段（IHC 佐证 H&E）
H&E→IHC 虚拟染色	H&E → 合成 IHC	配对图像域迁移	免染诊断的可行性探索
IHC→H&E 虚拟染色	IHC → 合成 H&E	配对图像域迁移	反向验证
跨染色配准	(H&E, IHC) → 形变场	语义对应（需自建几何算法）	切片空间对应
自监督预训练	配对 WSI → 表征	跨染色一致/对比信号	表征学习语料
跨扫描仪泛化	Scanner 250 训练 → 1000 测试	Scanner 字段显式提供	设备无关部署

15.2 评测口径（双口径存照）

据 FACTS §5、§9，类别计数存在双口径，评测必须显式声明采用哪一口径：

• 7 类口径（论文摘要）：malignant glands / benign glands / stromal tissue / IDC-P / HGPIN / AIP / tissue artifacts——不含背景。
• 8 类口径（label_descriptions.json）：上列 7 类 + Background（ID 0）。

为什么口径必须声明：若把背景类（ID 0）计入指标，而背景像素面积巨大，pixel accuracy 与 mIoU 都会被显著抬高，得出不可比的虚高数字。因此任何报告都应写明"7 类前景 / 8 类含背景"，并优先给出前景 7 类的分类别指标。

15.3 评测指标惯例

指标	定义	适用与陷阱
Dice（per-class）	2·	A∩B
IoU / mIoU	交并比 / 平均交并比	对类别不平衡敏感，比 Dice 更严格
Pixel accuracy	正确像素占比	易被背景/多数类刷高，不可单报
类别级召回	各类真阳性率	关注 HGPIN/IDC-P/AIP 的漏检

报告纪律：罕见类（AIP、IDC-P、HGPIN）必须单独给出指标与绝对样本量；不同团队比较时须确认双方口径（7 类 vs 8 类）一致，否则数字不可比（坑 5）。

15.4 基线表现：一处必须直说的空白

截至抓取时点（2026-10-09），FACTS 中未记录任何基线模型的定量结果——没有"某模型在某任务上达到 X Dice / Y mIoU"这样的数字。这不是本条目遗漏，而是数据集 v1 的客观状态：

• 论文（medRxiv 预印本）提供了语义分割基准的设定（任务定义、口径、方向），但已抓取文档未给出七模型对比表那样的定量结果；
• 因此当前无法"开箱对标"：任何使用 PRECISE 的团队都只能自建基线，无法与他人的 PRECISE 分数直接比较。

这意味着：

1. 引用本条目时不得虚构任何 Dice/AUC/mIoU 数值——FACTS 没有，就不能写；
2. 使用者应在自行实验中明确披露划分方式（患者级/图像级）、类别口径（7/8 类）、是否做跨扫描仪对照，因为不同选择会产出不可比的分数；
3. "无基线"是预期管理问题，不是数据集缺陷（见坑 8）。

15.5 建立自建基线的建议配置

由于官方无基线，建议首次实验按以下最小配置搭台（仅方法论建议，不涉及任何具体数值）：

1. 划分：患者级（subject-level）划分，sub-01 的 3 个 session 必须整体落入同一子集，防泄漏；把 Scanner 作为分层变量。
2. 任务：先做 H&E 单模态分割建立参照，再加 IHC 通道做"有无 IHC"的消融对照。
3. 损失：类别加权（缓解长尾），并对 AIP/IDC-P 单独监控。
4. 评测：分类别 Dice + mIoU，显式声明是否为含背景口径。
5. 泛化对照：留一扫描仪实验，报告 250 与 1000 两型间的落差。
6. 配准：若任务涉及跨模态像素级对比，先做 H&E–IHC 配准并报告配准误差。

§16 复现与工程注意事项

16.1 环境依赖

组件	要求	说明
Python	≥3.10	配套代码要求；预印本/仓库另给出 conda 示例（Python 3.12）
科学计算	numpy 等（仓库 requirements.txt 带下限版本）	用于数组操作与掩码处理
WSI 读取	tifffile / openslide（视版本支持 OME-TIFF）	金字塔多页文件需支持分层读取
标注工具	QuPath 0.6+	配套 Groovy 脚本的运行宿主

依赖固定建议：仓库 requirements.txt 给出带下限版本号的清单，但"下限"不等于"锁定"——复现时建议自行锁定精确版本（含 conda 环境导出），避免上游库更新引入行为漂移。

16.2 加载要点

• OME-TIFF 是多页文件：一个文件内含 6 个金字塔层级，直接 imread 可能只读首层或一次性读入巨量数据。应显式按页（level）读取，或用支持金字塔流式访问的库。
• 掩码与 WSI 同构：掩码为同尺寸同金字塔结构的 OME-TIFF（_mask.ome.tif），每像素一个 uint8 类别 ID（0–7）。读掩码时同样要按层读，并与对应 WSI 层严格对齐。
• 512×512 瓦片：瓦片规格适合按块加载与批处理，是控制内存的关键——不要在 level 0 上整图 imread。
• 色彩空间：RGB uint8，LZW 无损；读取后若做色彩归一化，注意 LZW 解压后的原始像素才是一致基准。
• 命名配对：掩码与 WSI 同名 + _mask 后缀；建立文件对时以"去掉 _mask 后同名"为配对规则。

16.3 常见坑（工程侧）

坑	表现	规避
整图 imread	内存爆炸/只读到一层	按 level/瓦片加载
掩码层错位	掩码与 WSI 层不匹配导致对齐错乱	显式指定同一 level 读取
忽略 _mask 后缀配对	找不到对应掩码	以文件名规则成对构建索引
空间空间不足	解压后磁盘溢出	预留 ≥120 GB
金字塔层级混用	训练/评测分辨率不一致	全流程固定 level 并记录
QuPath 版本不符	Groovy 脚本报错	用 QuPath 0.6+

16.4 划分与泄漏防护（最重要的一条）

这是本条目工程侧最需要强调的一条：

1. 患者级划分优先：绝不可把同一患者的多个 session 分到不同子集。sub-01 有 3 个 session，若按图像级随机划分，极易造成同一患者的 H&E 在训练、IHC 在测试——这是典型的患者泄漏。
2. Scanner 分层：因扫描仪型号与 sub 编号强相关（sub-01 至 sub-18 为 250、sub-19 至 sub-25 为 1000），划分前先按 Scanner 分层；若目标是跨扫描仪泛化，显式做留一扫描仪对照并报告落差。
3. 不要把 Scanner 当无关字段：它是显式记录的字段，也正因如此，用它做分层是"开箱可用"的防泄漏手段。

16.5 复现检查清单（工程版）

• [ ] Python ≥3.10，依赖版本已锁定；
• [ ] data.zip md5 = 811b45541a62b2c269154cbfa8e7bad7 校验通过；
• [ ] 解压后目录为 BIDS-like、session 数与配对图像数关系已核对；
• [ ] label_descriptions.json 已建立 ID→类别名→配色映射；
• [ ] participants.csv 已读入，Scanner 分布确认为 18:7；
• [ ] WSI 与掩码按 level 正确配对读取；
• [ ] 划分为患者级 + Scanner 分层；
• [ ] 损失含类别加权，评测分类别报告且声明 7/8 类口径；
• [ ] 若涉跨模态几何任务，已评估并实施配准；
• [ ] 成果已按 CC BY 4.0 署名 Zenodo DOI 与 medRxiv DOI。

§17 伦理、许可与合规

17.1 伦理审批

• 审批机构：Cantabria Institutional Research Ethics Committee（坎塔布里亚机构研究伦理委员会）。
• 审批号：2024.477。
• 批准日：2025-02-07。
• 合规链条：数据经伦理批准后、由单机构 de novo 采集、去标识化后以 CC BY 4.0 公开——这是"伦理审批 → 去标识 → 开放释出"的完整合规路径。

17.2 许可全称与三层矩阵

资产	许可全称	是否可商用	关键义务
数据集本体	Creative Commons Attribution 4.0 International（CC BY 4.0）	可	署名 + 标明是否修改 + 链接许可
配套代码	Apache License, Version 2.0	可	保留版权/许可声明 + 含专利授权条款
预印本	CC BY 4.0	可	署名

CC BY 4.0 的含义：允许商用、允许改编、允许再分发，唯一硬要求是署名（Attribution）。这是 CC 家族中最宽松的一档，与"非商用（NC）"类许可（如 PANDA 系列的 CC BY-NC-SA）形成鲜明对比。

17.3 常被忽视的三条合规红线

1. 不可一揽子引用许可：数据（CC BY 4.0）与代码（Apache-2.0）许可不同。再分发代码时须保留 Apache 声明，不可用 CC BY 4.0 覆盖代码；反之亦然（坑 3）。
2. 聚合体的许可不能覆盖上游：若把 PRECISE 混入某个聚合数据集，须明确标注其来源与 CC BY 4.0，不可用聚合体自身的许可覆盖。
3. 署名须落实：CC BY 4.0 无申请门槛，但署名是硬义务。使用数据须引 Zenodo DOI 10.5281/zenodo.20721779；使用工具链须引 GitHub 仓库；方法引用须引 medRxiv DOI 10.64898/2026.07.21.26358559。

17.4 de novo 血统带来的许可优势

据 FACTS：数据为单机构 de novo 采集，非派生自任何上游数据集，因此无上游许可兼容问题。这一点值得强调：

• 与"派生型"数据集对照（如某些由更大数据集切分生成的数据，其许可受上游约束），PRECISE 的 CC BY 4.0 是真正无负担的；
• 对需要商用或需要干净许可链的团队，这是一个实质优势；
• 但注意：本数据集内部仍是三层资产三套许可（数据/代码/论文），“上游干净"不等于"内部统一”。

17.5 患者数据与负责任使用

• 去标识化：WSI 与 participants.csv 均为去标识化后公开；元数据含 PSA、DRE、PI-RADS、ISUP、Gleason、Scanner 等字段，不含直接标识符。
• 重识别红线：即便数据已去标识，仍不得尝试从元数据或影像中重识别患者——这是作者写入"负责任使用"章节的硬约束。
• 临床使用边界：CC BY 4.0 允许广泛使用，但任何临床相关模型在真实部署前仍须独立验证；本数据集为单机构、单地域队列，代表性受限（§8.1），不可直接用作临床决策依据。
• 外部验证义务：作者明确建议在多样化的多中心队列上做外部验证后，才考虑临床相关使用。

17.6 合规自查清单

• [ ] 已按 CC BY 4.0 署名数据来源（Zenodo DOI）；
• [ ] 引用论文时已标 medRxiv DOI；
• [ ] 若分发代码，已保留 Apache-2.0 声明；
• [ ] 未尝试重识别任何患者；
• [ ] 已在多样化队列做外部验证（若涉临床应用）；
• [ ] 未用聚合体许可覆盖本数据集原始许可。

§18 版本链与变更历史

18.1 完整时间线（据 FACTS 逐条列全）

序号	日期	事件	载体/标识
1	2025-02-07	伦理批准	Cantabria IREC，审批号 2024.477
2	2026-06-16	数据集本体 v1 发布	Zenodo record 20721779，DOI 10.5281/zenodo.20721779
3	2026-06-17	工具链仓库首次提交	GitHub abelBEDOYA/PRECISE-data-utils（Apache-2.0）
4	2026-07-21	预印本 v1 发布	medRxiv DOI 10.64898/2026.07.21.26358559（CC BY 4.0）
5	2026-10-09	本条目抓取与核验时点	就地存照

顺序观察：伦理批准（2025-02）→ 数据释出（2026-06-16）→ 工具链释出（2026-06-17，次日）→ 论文预印本（2026-07-21，约一个月后）。数据早于论文发布是当前开放科学的常见且值得赞赏的顺序——使用者能先拿到数据做研究，论文随后补齐方法学描述。

18.2 版本状态说明

• 数据集本体：Zenodo 标注 Version v1，Published 2026-06-16，为唯一发布版本。Zenodo 版本不可变，若后续发 v2 会有独立 DOI 或版本号。
• 工具链：GitHub 仓库持续演进，抓取时点已知有一次 “errata readme” 修正与一次 visualize 脚本更新。引用代码时建议固定 commit 哈希，避免上游更新导致复现漂移。
• 论文：截至抓取时点为 medRxiv 预印本 v1，未见正式期刊版本（待核 6）。正式发表后方法学描述可能更新。

18.3 版本链核对要点

1. 两个 DOI 都要引：数据用 Zenodo DOI，方法用 medRxiv DOI；只引其一不完整。
2. Zenodo 与 GitHub 差一天（2026-06-16 vs 06-17）属正常发布落地时差，非异常。
3. 预印本早于正式发表：抓取时点的方法学细节以预印本为准，正式发表后应复核。
4. 快照纪律：Zenodo 记录不可变，是可靠快照；GitHub 会变，引用时固定 commit。

18.4 后续可能的演进方向

据 FACTS 的"潜在影响与后续"口径，以下为合理预期（非已发生事实，仅作趋势提示）：

• 若团队扩展（更多器官/中心/v2），有望成为多模态病理标注的方法论标准；
• 基准结果可能在后续版本或正式论文中补充（当前 v1 无基线）；
• 若被广泛用于虚拟染色与跨染色表征学习，可能推动"IHC 免染诊断"方向的方法基准化。

使用建议：关注 Zenodo 版本更新与正式期刊发表，以便及时采用补全后的基准与元数据。

§19 常见误区澄清

本节把 FACTS §9 记录的"双口径/易混淆"点集中澄清，与 §10 的坑点清单互为详略。

19.1 缩写有两个展开式（坑 1）

• 官方口径（Zenodo/medRxiv）：PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions。
• GitHub README 口径：Prostate Cancer Evaluation through Immunohistochemistry and Semantic Evaluation。

澄清：同一缩写的两套展开并存。本条目正文以官方为准，GitHub 口径注为存照。这不是笔误，而是真实存在的文档不一致。检索或引用时，两套展开都应知晓。

19.2 样本数三口径（坑 4）

• 25 = 患者数（subjects，sub-01 至 sub-25）——各方一致，唯一权威口径。
• 37 = 活检芯数（core needle biopsies）——Zenodo/medRxiv 摘要口径。
• 54 = 配对图像数（paired WSI）——GitHub README 口径。

澄清：三者是不同计数对象，不是同一数字的三种说法。README 未给换算公式。跨数据集比较规模时若直接拿"25"或"54"对标他人的"患者数"，会产生系统性误判。

19.3 类别计数双口径（坑 5）

• 7 类 = 诊断关键类别（Tumor / Benign gland / Stroma / IDC-P / HGPIN / AIP / Artifact），不含背景——论文摘要口径。
• 8 类 = 掩码 ID 体系（ID 0–7），含 Background——label_descriptions.json 口径。

澄清：差异仅是"是否计入背景"，不是类别定义冲突。评测报告必须显式声明口径（§15.2）。

19.4 染色命名双口径（坑 3、坑 8）

• 摘要写法：CKAPM + racemase。
• README/代码写法：HMWCK-AMACR。

澄清：CKAPM = HMWCK = 高分子量细胞角蛋白（基底细胞标志物）；racemase = AMACR = p504s（同一酶）。二者是同一双标的两种命名，不是两种不同的染色方案。跨文献对比时勿当作两套抗体组合。

19.5 “配对"不等于"配准”（坑 2）

澄清：作者原文为标注在语义层级谐调（“harmonized at the semantic level”），但不保证像素到像素对应（“perfect pixel-to-pixel correspondence between modalities cannot be guaranteed”）。语义一致 ≠ 几何对齐。需几何精度的任务必须先做图像配准。

19.6 session 计数未调和（坑 5 系列）

澄清：README 称"sub-01 有 3 个 session，其余各 1 个"，但未给出 session 总数。据 FACTS 逻辑整理，若确有 1 人 3 session、24 人各 1 session，则 session 总数 = 27，与"54 配对图像"（每 session 2 张）可对应。但该乘法关系 README 未显式写出，属遗留疑点 1，需下载 participants.csv 实证。

19.7 关于"首个"的引用口径

澄清：本条目据 FACTS 定位为"库内首个配对 H&E+IHC 前列腺病理 WSI 像素级多类语义分割数据集"。引用时应注意限定语——"库内"指千方病案医数集，“型号"指"配对 H&E–IHC + 像素级多类语义分割"这一组合。避免外推为"全球首个前列腺 IHC 数据集”（该表述超出 FACTS 支持范围）。

19.8 关于"无基线"的引用口径（坑 8）

澄清：PRECISE v1 未附基线模型定量结果。因此本条目及任何衍生引用均不得出现具体 Dice/IoU/AUC 数值。使用者应自行建立基线，并披露自己的划分与口径，使结果可被他人按相同口径比较。

19.9 误区速查表

易混点	错误理解	正确理解
PRECISE 缩写	只有一个展开式	Zenodo/medRxiv 与 GitHub 两套展开并存
25/37/54	同一数字的不同说法	患者数/活检芯数/配对图像数，三个对象
7 类 vs 8 类	类别定义冲突	差异仅为是否计入 Background
CKAPM vs HMWCK	两种染色	同一双标的不同命名
paired = registered	已逐像素对齐	仅语义级谐调，几何未保证
session 数	25（=受试者数）	据推算为 27，但未显式确认
性能数字	有公开基线可对标	v1 无基线，须自建

§20 独立 FAQ（Q11–Q42）

以下 FAQ 从 §1 的 Q1–Q10 之后接续编号，聚焦 FACTS 中的关键事实与使用决策，每条 2–5 行，力求信息密度而非重复。

一、身份与命名（Q11–Q14）

Q11：PRECISE 的全称为什么有两个版本？
Zenodo/medRxiv 官方展开为 “PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions”，而 GitHub README 展开为 “Prostate Cancer Evaluation through Immunohistochemistry and Semantic Evaluation”。两套展开并存是真实的文档不一致，本条目以官方口径为准，GitHub 口径作为存照（坑 1）。

Q12：这个数据集的 slug 是什么？为什么叫这个名字？
slug 为 precise-prostate-ihc，由数据集缩写 PRECISE 与核心属性"前列腺+免疫组化"组合而成。slug 在千方病案医数集内唯一，用于 URL 与检索。

Q13：PRECISE 是挑战赛数据集吗？
不是。它是评测基准型数据集，不带官方排行榜或竞赛机制。它提供数据、掩码与工具链，供研究者自行建模与评测，但 v1 未附官方基线分数（坑 8）。

Q14：为什么强调"Expert-annotated"和"Contiguous"？
"Expert-annotated"指标注由两名专家泌尿病理学家经三阶段共识完成、且以 IHC 为边界金标准；"Contiguous"指 H&E 与 IHC 取自连续切片，忠实复刻临床"H&E 判读→连续切片 IHC 佐证"的两阶段流程。二者名称要素都承载方法学含义。

二、规模与结构（Q15–Q20）

Q15：25、37、54 到底哪个是"数据集大小"？
取决于你要比较的对象。患者数 25、活检芯数 37、配对图像数 54 分属三个计数体系。跨数据集比较规模时应注明口径，否则会产生系统性误判（坑 4）。

Q16：为什么 patients/subjects 只有 25 例？
因为定位是"小而精"：每例都需 IHC 染色、两位专家、三阶段共识、IHC 金标准边界——标注成本极高，决定了它不追求规模而追求形态谱完整与边界可靠（§4.4）。

Q17：目录结构为什么像 BIDS？
采用类 BIDS 的 sub-XX/ses-XX/ 层级，配合染色命名分列 H&E 与 IHC。这样做的好处是：患者与 session 层级清晰，便于做患者级划分防泄漏，也便于跨染色配对索引（§2.4）。

Q18：sub-01 为什么有 3 个 session？
GitHub README 明确记载 sub-01 含 3 个 session，其余受试者各 1 个。这大概率对应 sub-01 采集了多份活检芯。该差异是本数据集"活检芯数 vs 图像对"口径落差的物理来源（待核 1）。

Q19：掩码文件怎么和图像配对？
掩码与 WSI 同名，加 _mask 后缀（如 sub-09_ses-01_mask.ome.tif）。构建索引时以"去掉 _mask 后同名"为配对规则；掩码与 WSI 同构（同尺寸、同金字塔结构），需按同一 level 读取。

Q20：整体体积多大？解压后呢？
Zenodo data.zip 列示 55.6 GB（README 口径约 56 GB），md5 为 811b45541a62b2c269154cbfa8e7bad7。解压后体积只会更大（金字塔多层展开 + 掩码副本），建议预留 ≥120 GB 磁盘。

三、图像与规格（Q21–Q24）

Q21：图像是什么格式、有多少层？
OME-TIFF 金字塔格式，6 个层级（约 1× 至 ~32× 下采样）。这意味着可按需选择分辨率加载——训练常用较低倍层，避免一次性读入最高倍层的巨量像素。

Q22：物理分辨率是多少？
最高倍层为 0.243 µm/pixel。这个数值在数据集的 WSI 元数据中给出，是做跨数据集分辨率对齐时的关键参数（其他数据集分辨率可能不同，不可直接混训）。

Q23：瓦片规格与压缩方式？
瓦片 512×512，色彩空间 RGB uint8，压缩为 LZW 无损。无损压缩意味着解压后像素与原始扫描字节一致，适合做精确的掩码对齐与定量分析。

Q24：两台扫描仪是怎么分配的？
3DHISTECH Pannoramic 250 用于 sub-01 至 sub-18，Pannoramic 1000 用于 sub-19 至 sub-25。分配与 sub 编号强相关，直接导致按编号划分会泄漏扫描仪指纹（坑 6）。

四、标注与类别（Q25–Q29）

Q25：一共多少条标注？
24,387 条注释（annotations）。该数字在 Zenodo/medRxiv/README 三处一致。但"注释实例"的统计粒度（是整个数据集合计还是某子集、单位是实例还是区域）在已抓取文档中未明说（待核 2）。

Q26：8 个类别分别是什么？
掩码 ID 0–7：0 Background、1 Tumor、2 Benign gland、3 Artifact、4 HGPIN、5 Intraductal carcinoma（IDC-P）、6 AIP、7 Stroma。每个类在 label_descriptions.json 中有专属十六进制配色。

Q27：为什么专门保留 HGPIN、IDC-P、AIP 三类？
这三类是前列腺病理"诊断混淆高危区"：HGPIN 是癌前病变、IDC-P 与预后相关、AIP 是"IHC 无法定性时的争议实体"。保留它们使类别表成为"诊断决策树的关键分叉"，而非简单组织分类。绝大多数公开数据集只做良恶性二分类或 Gleason 分级，缺失这些类别。

Q28：标注是怎么做的？
两名专家泌尿病理学家经结构化三阶段共识完成；关键设计是以 IHC 作为边界定义的金标准——先用 HMWCK 基底细胞有无 + AMACR 表达裁定 H&E 上的模糊边界，再做共识裁定。

Q29：间质（Stroma）也是专家逐像素标的吗？
不完全是。工具链含 add_stroma.py，通过瓦片式检测与形态学操作（阈值+膨胀+腐蚀）算法补标间隙组织。因此 Stroma 的"专家属性"弱于前六类（坑 6）。

五、任务与评测（Q30–Q34）

Q30：能做哪些任务？
主要任务包括：H&E 单模态分割、IHC 单模态分割、IHC 引导 H&E 分割、H&E→IHC（及反向）虚拟染色、跨染色配准、自监督预训练、跨扫描仪泛化（§15.1）。

Q31：跨染色任务为什么特别有价值？
因为配对 H&E–IHC 是病理领域最稀缺的监督结构之一：它使虚拟染色（免染诊断）、染色翻译、跨模态自监督（"同一样本两种视图"的天然正样本）成为可能（§7.2）。

Q32：评测该用什么指标？
分类别 Dice、IoU/mIoU；pixel accuracy 可报但不可单报（易被背景/多数类刷高）。罕见类（AIP/IDC-P/HGPIN）须单独给指标与样本量（§15.3）。

Q33：有官方基线分数吗？
没有。 截至抓取时点，PRECISE v1 未附基线模型定量结果，无法开箱对标。使用者须自建基线并披露划分与口径（§15.4、坑 8）。

Q34：评测时背景类算不算？
取决于口径：7 类口径不含背景，8 类口径含 Background（ID 0）。报告必须显式声明，否则与他人的数字不可比（坑 5）。

六、获取与许可（Q35–Q39）

Q35：怎么下载？需要申请吗？
不需要申请。Zenodo record 20721779 为公开直链，无需注册或特殊凭证。下载 data.zip（55.6 GB）即可，另有若干 kB 级元数据文件可单独取（§12.1）。

Q36：数据集的许可是什么？可以在商业项目里用吗？
数据集为 CC BY 4.0（Creative Commons Attribution 4.0 International），允许商用，唯一硬要求是署名并标明是否修改。这与"非商用"许可（如 PANDA 系列的 CC BY-NC-SA）形成鲜明对比（§6.3）。

Q37：配套代码也是同一个许可吗？
不是。 代码为 Apache License 2.0（含专利授权条款）。三层资产（数据 CC BY 4.0 / 代码 Apache-2.0 / 论文 CC BY 4.0）许可不同，严禁一揽子引用（坑 3）。

Q38：伦理审批信息是什么？
Cantabria Institutional Research Ethics Committee（坎塔布里亚机构研究伦理委员会），审批号 2024.477，批准日 2025-02-07。数据为单机构 de novo 采集、去标识化后公开。

Q39：为什么说它的许可是"干净"的？
因为它非派生自任何上游数据集——数据在医院病理科直接采集，因此不存在上游许可兼容问题。其 CC BY 4.0 是真正无负担的；相比之下，派生型数据集会继承上游许可限制（§17.4）。

七、质量与风险（Q40–Q42）

Q40：数据质量怎么保证？
三重机制：① 两名专家三阶段共识；② IHC 生物学金标准（HMWCK 基底细胞 + AMACR 表达，是分子层面事实而非主观判断）；③ 纳入病例须与 DeepDx Prostate (RUO) AI 判断一致（三方一致才收）。但未给出 κ 等量化一致性系数（§13.1）。

Q41：最大的使用风险是什么？
主要有四条：语义谐调非像素配准（需几何精度须自建配准）、仅纳入一致病例（乐观偏倚，困难病例被排除且计数未记录）、单机构单地域（代表性受限）、类别不平衡（不加权则少数类崩塌）。引用性能数字时须声明"一致子集"口径（坑 2/5/7）。

Q42：被排除的病例会不会让结果虚高？
会。数据集只收"两名专家 + AI 三方一致"的病例，意味着诊断最困难的病例被系统排除——模型学到的是"可判读病例"的分布。因此在此数据集上测得的性能不可外推为对真实临床分布（充满不一致病例）的性能，且被排除病例的精确计数未被记录，偏倚幅度无法量化（坑 5/7）。

§21 存照附录

21.1 双口径冲突存照总表

编号	冲突点	口径 A	口径 B	本条目处理
1	缩写全称	PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions（Zenodo/medRxiv）	Prostate Cancer Evaluation through Immunohistochemistry and Semantic Evaluation（GitHub README）	以官方为准，B 存照
2	样本计数	37 core needle biopsies from 25 patients（摘要）	25 subjects / 54 paired images（README）	三口径并列，注明对象
3	染色命名	CKAPM + racemase（摘要）	HMWCK-AMACR（README/代码）	说明同物异名
4	类别计数	7 类（摘要，不含背景）	8 类（JSON，含 Background）	说明差异为是否含背景
5	扫描仪/session 计数	sub-01 有 3 session、其余 1	session 总数未给出	据逻辑整理编 27，待实证

21.2 遗留疑点登记（据 FACTS 逐条列全）

1. 活检计数换算缺失：37 活检芯（摘要）与 54 配对图像（README）的对应关系未在文档中说明，需下载 participants.csv 核对。
2. 24,387 条注释的统计口径：是全数据集合计还是某一子集；单位是注释实例还是像素区域——需 label_descriptions.json + 掩码实测。
3. 被排除病例计数未记录：因诊断不一致被排除的病例精确计数未被系统记录，偏倚幅度无法量化。
4. 两型扫描仪的量化影响未获取：Pannoramic 250 与 1000 对域偏移/分割性能的影响，抓取时未获全文，未量化。
5. IHC 抗体验证信息缺失：克隆号、供应商、稀释比未在已抓取文档给出。
6. 官方划分脚本未知：是否存在官方 train/val/test 划分脚本，未在已抓取材料中确认。
7. 正式发表待定：截至 2026-10-09 仍为 medRxiv 预印本，未见正式期刊版本。

21.3 核心事实速查（三源互证）

事实	值	来源
数据集 DOI	10.5281/zenodo.20721779	Zenodo record 20721779
数据集版本	v1（2026-06-16）	Zenodo
预印本 DOI	10.64898/2026.07.21.26358559	medRxiv（2026-07-21）
代码仓库	github.com/abelBEDOYA/PRECISE-data-utils	GitHub（Apache-2.0）
data.zip 体积	55.6 GB	Zenodo
data.zip md5	811b45541a62b2c269154cbfa8e7bad7	Zenodo
患者数	25	三源一致
活检芯数	37	Zenodo/medRxiv 摘要
配对图像数	54	GitHub README
标注数	24,387	三源一致
图像格式	OME-TIFF 金字塔 6 层	Zenodo/README
分辨率	0.243 µm/pixel	Zenodo/README
瓦片	512×512，RGB uint8，LZW	Zenodo/README
扫描仪	Pannoramic 250（01–18）/ 1000（19–25）	README/元数据
伦理	Cantabria IREC 2024.477（2025-02-07）	medRxiv
数据许可	CC BY 4.0	Zenodo
代码许可	Apache License 2.0	GitHub
项目负责人	Lara Lloret Iglesias	medRxiv

21.4 互链点（库内 rid）

条目	rid	关系
bci-ihc	841	IHC 病理跨癌种（乳腺），无 H&E 配对
ihc4bc	842	IHC 病理跨癌种（乳腺），无 H&E 配对
prostate158	703	前列腺 MRI，不同模态
prostate158	704	同上（重复行）
prostatex	554	前列腺 mpMRI 影像组学，不同模态
panda	560	前列腺 WSI 像素级注释，单 H&E 模态
sicapv2	328	前列腺 H&E 分级

说明：按 R012 教训，互链说明只写正文，不写入 frontmatter 的 relatedLink；relatedLink 仅允许纯 URL。

21.5 来源 URL 存照

• Zenodo 数据集主页：https://zenodo.org/records/20721779
• medRxiv 预印本 DOI 解析：https://dx.doi.org/10.64898/2026.07.21.26358559
• GitHub 配套代码：https://github.com/abelBEDOYA/PRECISE-data-utils
• CC BY 4.0 许可全文：https://creativecommons.org/licenses/by/4.0/
• Apache License 2.0：https://www.apache.org/licenses/LICENSE-2.0

21.6 采集与核验声明

本条目为千方病案医数集 AI-Ready Wikipedia 数据集条目，序号定位为库内"前列腺 + 病理 + IHC 配对"空白填补者。抓取与核验时点 2026-10-09，三源互证：Zenodo record 20721779 + medRxiv 10.64898/2026.07.21.26358559 + GitHub abelBEDOYA/PRECISE-data-utils。全部双口径冲突已在 §21.1 存照，遗留疑点已在 §21.2 逐条列全。本条目不含任何 FACTS 之外的事实，亦不含任何基线性能数值（v1 无基线）。

---

（本条目正文终。追加章节 §12–§21 与独立 FAQ Q11–Q42 于 2026-10-09 由 agent-a-precisepro 续写完成；frontmatter、§0–§11 既有内容原样保留。）

---

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：

• nuinsseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• pathseg — 共享标签：病理图像 / 医学图像分割 / 多模态 / 评测基准 / 肿瘤学
• luad-histoseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• sinus-her2-nuclei — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• cobra — 共享标签：病理图像 / 医学图像分割 / 多模态 / 评测基准 / 肿瘤学
• cmb-aml — 共享标签：医学影像 / 病理图像 / 多模态 / 肿瘤学
• panda-plus — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• wsss4luad — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• monusac — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 评测基准 / 肿瘤学
• cric — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 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。