Annotated Whole-Slide Images of Core Needle Prostate Biopsies — 西班牙单机构前列腺穿刺活检 H&E 全切片 15,480 条像素级专家注释数据集

INFOBOX — prostate-cnb-wsi 一屏速览

维度	内容
本质	全新采集的真实独立数据集（单机构前列腺穿刺活检 H&E 全切片 + 像素级专家注释，非 PANDA/TCGA 派生）
团队	西班牙 Hospital Universitario Marqués de Valdecilla 牵头，IDIVAL / Servicio Cántabro de Salud / Instituto de Física de Cantabria（UC-CSIC）/ Universidad de Cantabria / Siali Technologies 协作；通讯 Calapaquí Terán、Lloret Iglesias
论文	Scientific Data，doi:10.1038/s41597-026-08349-y，Published 2026-09-22（开放获取）
托管	Zenodo，概念 DOI 10.5281/zenodo.18930299；v1 18930300（2026-03-10）→ v2 21780258（2026-08-03）
数据	37 张 WSI / 60 条 CNB 活检芯 / 32 位患者 / 15,480 条专家注释
类别	良性腺体、前列腺癌组织、间质、脂肪、神经、神经节、血管、肌肉、炎症细胞（+ 未注释区自动归间质）
形态特征	间质回缩、正常/非典型腺性分泌物、组织与数字化伪影
注释者	两位经验丰富的泌尿病理学家，共识（consensus）终审；IHC 辅助参考
粒度	core/region 级（每芯/每区域），服务分割与组织分类模型
许可	CC BY 4.0（Zenodo 公开直链，无需申请、无需注册）
交付	dataset.zip（34.50 GB）+ clinical_diagnosis.csv + core_mapping.csv + classes.txt + 样本 PNG
获取	Zenodo 公开直链 https://zenodo.org/records/21780258
库内互链	panda、panda-plus、sicapv2（同国西班牙）、prostate158、prostatex、bcnb、bonemarrow-wsi

这是一份"单机构、小而精"的前列腺穿刺活检数据集：它不像 PANDA 那样追求上万张切片的规模，而是把 37 张 H&E 全切片里的 60 条活检芯交给两位泌尿病理学家逐像素圈注，产出 15,480 条共识注释——把"每个像素属于哪类组织"讲清楚，并且用 CC BY 4.0 全公开、无需任何申请即可下载。对训练分割与组织分类模型的研究者，它是一个可直接上手的、标注质量优先于数据体量的"精标参考集"。

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、v2 是当前最新版，别用 v1 直链。
2. 关心标注工艺：直奔 §5 任务与标注 + §4 数据构成——两位泌尿病理学家共识注释、IHC 辅助、九类组织 + 形态特征，是这份数据的核心价值。
3. 做前列腺 WSI 全景对照：直奔 §9 与库内条目的关系——把它和 PANDA（规模化）、PANDA-PLUS（重标注）、SICAPv2（同国）放在一张图上读。

§0 导读：这个数据集解决什么问题

前列腺癌的数字病理 AI 长期面临一个尴尬的错位：规模最大的公开数据集（如 PANDA，万余张切片）绝大多数只有"切片级一个标签"，而真正训练组织分割、腺体识别、放疗靶区勾画模型所需要的，是"每个像素属于哪类组织"的像素级标注。像素级标注的瓶颈不在算法而在人力——让资深病理学家逐像素圈注一张 gigapixel 级 WSI，成本高、周期长，因此公开的、高质量的像素级前列腺穿刺活检注释集始终稀缺。

这个数据集给出的回答是**"以单机构、精标注、全开放"换取标注质量与可及性**：从西班牙坎塔布里亚的一家医院（Marqués de Valdecilla）采集 32 位患者的 60 条前列腺穿刺活检芯，两位经验丰富的泌尿病理学家以共识方式完成 15,480 条像素级注释，覆盖良性腺体、前列腺癌组织、间质、脂肪、神经、神经节、血管、肌肉、炎症细胞九类组织，外加间质回缩、腺性分泌物、组织与数字化伪影等形态学特征；未注释的组织区域则由后处理自动归为间质。免疫组化（IHC）染色作为诊断准确性的辅助参考。

三点定位值得先说清：

1. 它不是派生数据集。PANDA-PLUS 是"给 PANDA 重新戴眼镜"，本数据集则是从零采集、独立编号的全新真实数据，与任何上游挑战赛无血缘——这在库内的前列腺 WSI 家族里是稀缺类型。
2. 它以"诊断一致"为准入门槛。只纳入癌症阳性患者中诊断一致的病例（diagnostically concordant cases），刻意排除诊断分歧案例——这让注释更干净，但也意味着它测不出模型在"疑难边界病例"上的表现（见坑点 3）。
3. 它把"芯"作为注释的组织单元。60 条活检芯分布在 37 张 WSI 上（多芯合一张），core_mapping.csv 记录芯↔切片↔患者的映射——做任务划分时必须按患者切分而非按芯或按切片，否则会泄漏。

§0 读法三则：

1. 这是一个"数据集 + 同行评审 Data Descriptor"组合：Zenodo 提供数据下载，Scientific Data 提供方法学与伦理说明，两者配合读才完整（§2）。
2. 全文硬数字均取自 Zenodo 官方描述与 Scientific Data 摘要；唯一第三方门户（OpenAIRE）的"68 芯"口径与官方的"60 芯"冲突，已在坑点与附录存照（§4、§10）。
3. 审稿人最关心的三个问题——“谁标的”（§5）、“能拿吗”（§6）、“够用吗”（§8 数据局限）——建议按此顺序跳读。

§1 数据集速览：十问十答

Q1：prostate-cnb-wsi 到底是什么？
一份全新采集的单机构前列腺穿刺活检（core needle biopsy, CNB）全切片图像（whole slide image, WSI）数据集，带膀胱镜提示下图像引导取材（image-guided）的 H&E 染色切片与泌尿病理学家的像素级专家注释。slug 里的 CNB = Core Needle Biopsy（穿刺活检芯），WSI = Whole Slide Image（全切片图像）。

Q2：有多少数据？
37 张 WSI，对应 60 条 H&E 染色的穿刺活检芯，来自 32 位患者；共 15,480 条人工专家注释。三个数字分别对应"图像/样本/患者"三个层级。

Q3：谁做的？在哪？
西班牙坎塔布里亚（Cantabria）桑坦德的 Hospital Universitario Marqués de Valdecilla（病理科）牵头，联合 IDIVAL、Servicio Cántabro de Salud、Instituto de Física de Cantabria（UC-CSIC）、Universidad de Cantabria 及企业 Siali Technologies SL。通信作者 Adriana K. Calapaquí Terán 与 Lara Lloret Iglesias。

Q4：有论文吗？
有，同行评审的 Data Descriptor 发表在 Nature 旗下 Scientific Data，DOI 10.1038/s41597-026-08349-y，2026-09-22 在线，开放获取。

Q5：标注到底标了什么？
九类组织/结构：良性腺体、前列腺癌组织、间质、脂肪组织、神经、神经节、血管、肌肉、炎症细胞；外加四类形态学特征：间质回缩、正常腺性分泌物、非典型腺性分泌物、组织与数字化伪影。未注释的组织区域经后处理自动标为间质。

Q6：谁标的、可靠吗？
两位经验丰富的泌尿病理学家（uropathologists）完成，最终标签以**共识（consensus）**确定；需要时以免疫组化（IHC）染色作为诊断辅助参考。注释经过质量核验，面向 routine 诊断中的常见组织学结构。

Q7：许可是什么，好拿吗？
CC BY 4.0——最宽松的一档署名许可。数据托管在 Zenodo，公开直链、无需申请、无需注册、无需机构隶属即可下载。这与库内 PANDA-PLUS 掩码的"请求制（upon qualified request）"形成鲜明对比。

Q8：文件多大、包含什么？
最新 v2 的 dataset.zip 约 34.50 GB（含 WSI 本体），另附 clinical_diagnosis.csv（7.1 kB）、core_mapping.csv（9.5 kB）、classes.txt（631 B）与样本 PNG。辅助表是这份数据的隐藏价值——临床诊断与芯映射直接关系到正确划分训练/测试集。

Q9：它适合什么任务？
图像分割（segmentation）与组织分类（tissue-classification），粒度为芯/区域级（core/region level）。因为体量小（37 WSI），更适合做微调、评测基准、少样本学习与标注方法学研究，而非从零预训练。

Q10：它和 PANDA、SICAPv2 什么关系？
PANDA（荷兰+瑞典，万余 WSI，切片级 Gleason 标签为主）与本集是同器官同模态但规模/粒度/机构完全不同的两条路线；SICAPv2 同为西班牙、同为前列腺穿刺 WSI，是本集在"国别 + 任务"上的最近邻。三者互补而非替代（§9）。

§2 数据构成与规格

2.1 三层计数：WSI、活检芯、患者

理解这份数据集最重要的一步，是分清三个计数层级——它们分别对应"图像文件数"“病理样本数”“人”：

层级	单位	数量	说明
图像层	全切片图像（WSI）	37	每张 WSI 是一个数字化切片文件
样本层	穿刺活检芯（CNB / core）	60	一根穿刺针取得的组织条，H&E 染色
个体层	患者（patient）	32	每位患者贡献若干芯、若干张 WSI

60 条芯 > 37 张 WSI，说明部分 WSI 上放置了多条活检芯（一个切片玻璃可同时承载多根组织条）。这一步映射由随数据集发布的 core_mapping.csv（9,485 B）定义——它是任务划分的关键元数据：任何 train/val/test 切分都必须以患者为单位，把同一患者的所有芯/切片整体放入同一划分，否则同一患者的组织会同时出现在训练与测试集，造成数据泄漏，评测分数虚高。

clinical_diagnosis.csv（7,063 B）则记录每条芯/每例的临床诊断信息，用于把注释标签与诊断结论对齐（如"癌阳性患者"这一入选条件的落地）。classes.txt（631 B）是注释类别的机器可读定义，供加载脚本直接引用。

读法提醒：这三个辅助文件体积都很小（合计 <20 kB），却决定了这份数据"能不能被正确使用"。只下载 dataset.zip 而忽略它们，等于拿到了图却没有钥匙。

2.2 两张 WSI 与 “image-guided” 的含义

数据集描述中的 “image-guided”（图像引导）指穿刺取材过程有影像引导（临床上通常为经直肠超声 TRUS 引导下的系统/靶向穿刺），而非"对图像本身做了引导处理"。它提示的是样本的临床来源场景：这些病理材料并非手术切除标本，而是门诊/住院常规穿刺活检取材，与真实诊断路径一致。

这意味着两点使用上的含义：

1. 组织量小、形态碎片化。活检芯是细长的组织条，单芯内可能同时包含良性腺体、癌组织、间质、脂肪、神经等多类结构在空间上交错——这正是像素级标注有价值的场景。
2. 切片上多芯共存。一张玻璃上可能并排多根来自不同取材部位（different sextant）的芯，core_mapping.csv 负责把芯与位置对应起来。做芯级聚合分析时，先按 mapping 拆分。

2.3 染色与模态：H&E 为主，IHC 为辅

• 主模态：H&E（苏木精-伊红，hematoxylin and eosin）染色。这是病理诊断的常规染色，也是像素级组织分类最常用的输入。
• 辅助模态：IHC（免疫组化，immunohistochemistry）。数据集描述明确 IHC 用于"提高诊断准确性"（作为辅助参考），在形态学判断存疑时提供生物学证据。需要强调：IHC 是注释过程中的参考，而发布的主体是 H&E WSI 及其九类组织注释——不要把 IHC 理解为主体交付模态。
• 同团队的姊妹数据集 PRECISE 才是"配对 H&E–IHC"的路线（见 §7），本集与 PRECISE 在模态设计上互补。

2.4 注释类别体系（九类组织 + 形态特征）

主类别（Zenodo 官方描述列举，共九类）：

#	英文类别	中文	说明
1	benign glands	良性腺体	正常/良性前列腺腺体上皮与腺腔
2	prostate cancer tissue / tumor	前列腺癌组织/肿瘤	恶性腺体与癌区
3	stroma	间质	纤维肌性间质；未注释区域后处理自动归此
4	adipose tissue	脂肪组织	脂肪细胞区域
5	nerves	神经	神经纤维束
6	nerve ganglia	神经节	神经节结构
7	blood vessels	血管	血管腔与壁
8	muscle	肌肉	平滑肌等肌组织
9	inflammatory cells	炎症细胞	炎性浸润

附加的形态学特征注释（非独立组织类别，而是对特定形态的标记）：

• 间质回缩（stromal retraction）——常见于癌周间质的形态学线索
• 正常腺性分泌物（normal glandular secretions）
• 非典型腺性分泌物（atypical glandular secretions）
• 组织与数字化伪影（tissue and digitization artifacts）——切片制备或扫描引入的伪影

这套体系的一个设计特点：它同时给出了"组织类型"和"病理形态线索"两条标注线。前者可直接用于组织分割任务；后者（如间质回缩、非典型分泌物）更接近病理医生实际读片时的判断依据，可用于形态学特征识别或可解释性研究。相对地，它没有逐张给出 Gleason/ISUP 分级标注——这是它与 PANDA、SICAPv2 最本质的任务差异（见坑点 4）。

2.5 未注释区自动归间质的含义

数据集描述原文：未注释的组织区域经后处理自动标注为间质（automatically labeled as stroma via post-processing）。这一点在使用时必须明确：

• 间质类中混有两部分：人工逐像素圈注的间质 + 算法自动填充的未注释组织。若你的任务把"间质"当作一个精细类别，需要知道其中一部分标签并非人工确认。
• 反过来说，未被人工标注的区域不等于"无意义区域"，而往往是被专家判定为非诊断关键（背景间质）的部分。做全像素监督时，这部分可作为"易类"对待。
• 训练损失设计上，建议对"人工注释类"与"自动填充间质类"给予不同权重，或在评测时把间质类作为独立指标单看，避免自动填充主导间质类的表现。

2.6 与同类数据集的规格对照

数据集	国别/机构	规模（WSI/患者）	标签粒度	获取
本集 prostate-cnb-wsi	西班牙 单机构	37 WSI / 60 芯 / 32 患者	像素级组织 + 形态特征	CC BY 4.0 直链
PANDA	荷兰 + 瑞典 多机构	~10,616 切片 / 2,113 患者	切片级 Gleason/ISUP 为主	Kaggle（CC BY-NC-SA 口径）
PANDA-PLUS	BYU（PANDA 派生）	546 WSI	像素级 Gleason pattern	掩码请求制 + Bench CC BY 4.0
SICAPv2	西班牙	155 穿刺 / 多患者	patch 级 Gleason	公开
TCGA-PRAD	美国 多机构	499 前列腺切除	切片级分级 + 组学	GDC 受控/公开
PRECISE（同团队）	西班牙 单机构	37 CNB / 25 患者	配对 IHC–H&E 像素级	Zenodo 公开

读法：本集的定位不是"更大"，而是"更精、更开放、更同质"——单机构减少了域偏移，共识注释保证了标签质量，CC BY 4.0 消除了获取门槛；代价是规模小、单机构泛化未知。

§3 采集、伦理与注释工艺

3.1 单机构来源与临床场景

数据集来自单一机构（single institution）——Hospital Universitario Marqués de Valdecilla。单机构的好处是染色、扫描、诊断流程高度一致，图像域偏移小，模型学到的信号更纯粹；代价是不存在跨中心异质性，模型在此上训练后能否迁移到其他中心、其他扫描仪、其他人群，数据集本身无法回答。数据集描述明确写出 “The dataset is drawn from a single institution”，这是使用者在宣称泛化能力时必须引用的边界。

取材场景是 image-guided（影像引导）前列腺穿刺活检——即临床常规的诊断性穿刺，不是手术切除。这决定了组织形态是"细长活检芯"而非"整块前列腺"，也决定了样本的组织多样性：一芯之内良性腺体、癌、间质、脂肪、神经、血管可能同时出现且空间交错。

3.2 入选标准：癌症阳性 + 诊断一致

数据集刻意设定了两道准入门槛（描述原文）：

1. 癌症阳性患者（cancer-positive patients）——只纳入确诊前列腺癌的病例；
2. 诊断一致病例（diagnostically concordant cases）——排除诊断过程存在分歧的病例。

这两条共同塑造了数据的性质：

• 优点：标签干净。诊断结论已由临床路径确认，注释者无需在"是否是癌"这一根本问题上纠结，可专注于"哪个像素是哪类组织"。
• 缺点：选择偏倚（selection bias）。数据集中不存在"阴性/良性"病例，也不含疑难/分歧案例。如果你的模型部署目标是"筛掉不需要活检的人"或"处理边界疑难病例"，这份数据不能直接支持——它只在"已确诊癌阳性的病例里做组织刻画"这个子问题上具有代表性。这是坑点 3 的核心。

3.3 两位泌尿病理学家与共识机制

注释由**两位经验丰富的泌尿病理学家（uropathologists）完成，最终标签通过共识评审（consensus review）**确定。共识机制的意义在于：它把"单一专家标注"升级为"双专家协商后的统一标签"，减少了个体偏好的随机噪声——这与 PANDA-PLUS 依赖"单一终审专家"的模式不同（后者论文自承存在固有观察者间变异）。

免疫组化（IHC）在必要时作为诊断辅助参考，用于提升边界判定的准确性。这相当于在"形态学 + 分子标记"双重证据下确定像素归属，尤其对"良性腺体 vs 癌"这类需要 IHC 才能确证的判断有价值。

3.4 注释粒度为 core/region 级

数据集描述把注释粒度描述为 “at the core/region level”（芯/区域级），用途是训练与评测**分割（segmentation）与组织分类（tissue-classification）**模型。这有两层含义：

1. 空间单元是芯/区域，而非整张 gigapixel WSI 的全覆盖。注释覆盖了诊断相关的组织区域，而非每一个像素。
2. 任务是"把区域标出来"而非"给切片打分"。这决定了它的评测范式是分割/分类的 mIoU、Dice、像素准确率、类别混淆矩阵等，而非 Gleason 分级的 QWK。

配套的 core_mapping.csv 保证了"区域—芯—切片—患者"四级追溯链完整，这对做区域级聚合与患者级交叉验证都是必需品。

3.5 注释质量与可复现保障

数据集在可复现性上做了几项工作：

• 类别定义外置：classes.txt 让类别标签机器可读，避免"类名漂移"。
• 临床对照：clinical_diagnosis.csv 让注释可与诊断结论交叉核验。
• 映射完整：core_mapping.csv 保证芯与患者的关系可追溯。
• 版本化发布：Zenodo 概念 DOI + v1/v2 版本链，任何引用可精确定位到具体版本（§6）。
• 同行评审背书：Scientific Data 的 Data Descriptor 经过独立评审，方法学与伦理陈述经过核查。

与"只发一个 zip"的数据集相比，这份数据的可复现性设计明显更完善——辅助表虽小，却把"数据是什么、怎么来的、怎么用"讲清楚了。这是它 AI-Ready 评分中"文档完备性"一项的加分项。

§4 数据价值与典型任务

4.1 这份数据"贵"在哪里

前列腺病理 AI 的资源分布呈金字塔：塔基是"切片级标签"的大规模数据集（PANDA、TCGA-PRAD），塔尖是"像素级 + 多专家 + 共识"的精标数据集。越往上，样本量越小、人力成本越高。本数据集处在塔尖——37 张 WSI 不算多，但每一张背后是两位泌尿病理学家的逐像素共识工作，以及 IHC 的双证据支撑。它的价值不在"量大"，而在"每一像素的标签都经过了两名专家协商"。

对以下三类研究者，这个价值是直接可兑现的：

1. 做组织分割/分类的人：需要高质量像素级标签来微调或评测模型，而不想自己在原始数据上从头标一遍。
2. 做标注方法学的人：需要"双专家共识 + IHC 辅助"这类高质量标注流程的成品作为参照系。
3. 做少样本/迁移学习的人：需要一个干净、同质、无域偏移的小数据集作为目标域验证集。

4.2 典型任务一：多类组织语义分割

最直接的任务是把 H&E WSI（切成 patch/tile）输入分割网络（U-Net、DeepLab、SegFormer 或病理专用架构），输出九类组织的像素级掩码。评测指标：mIoU、各类 Dice、像素准确率、类别混淆矩阵。

注意两个工程要点：

• 滑窗拼接：WSI 是 gigapixel 级，需分块推理再拼接，注意块间边界与组织区域（非背景）的采样比例。
• 类别不平衡：良性腺体、癌、间质占比高，神经节、血管、肌肉占比低——评测时须报告每类指标，不能只看总体准确率，否则会被多数类掩盖少数类的失败。

4.3 典型任务二：癌 vs 良性腺体的组织分类

把癌组织与良性腺体作为二分类（或癌/良性/间质三类），训练补丁级或区域级分类器。IHC 辅助注释的存在，让"良性 vs 癌"的边界在困难区域也较可靠。评测指标：AUC、F1、敏感度/特异度。

关键提醒：因为数据集只含癌阳性病例，这份数据无法做"癌阴性筛查"——它没有真正的阴性病例，所谓"良性腺体"是癌阳性患者体内的良性成分，其分布与真正的良性/癌阴性人群不同。任何"筛查"宣称在此数据上都不成立（坑点 3）。

4.4 典型任务三：形态学特征识别

附加注释（间质回缩、非典型腺性分泌物、组织/数字化伪影）支持更细粒度的任务：识别这些病理形态线索，或做模型可解释性研究（模型判断"癌"时是否依赖了间质回缩等真实线索）。这类任务在公开数据集中罕见，是本集的差异化能力。

4.5 典型任务四：少样本 / 迁移评测

由于规模小、单机构、域一致，本集非常适合作为微调下游或域内验证集：在其他大规模前列腺 WSI 数据上预训练，在此上评测迁移性能；或反过来，在此上微调，考察模型对精标签的利用效率（few-shot / low-shot 学习）。

4.6 不适合做什么

诚实列出边界，避免误用：

• 不适合从零预训练基础模型——37 张 WSI 的量级远不够。
• 不适合癌阴性筛查/早筛宣称——无阴性病例。
• 不适合 Gleason/ISUP 分级研究——本集不以分级为标注目标（无逐张分级标签）。
• 不适合跨中心泛化宣称——单机构来源，无外部验证集。
• 不适合"全像素全覆盖"监督——注释是 core/region 级，且未注释组织被自动归为间质。

§5 任务与标注：把"两位专家共识"拆开看

5.1 标注生产链

本数据集的标注生产链可概括为：

临床穿刺取材（image-guided）
   ↓
H&E 染色 + 扫描成 WSI（单机构流程）
   ↓
必要时 IHC 染色（辅助诊断证据）
   ↓
泌尿病理学家 A 逐像素/区域注释
   ↓
泌尿病理学家 B 独立/协同注释
   ↓
双专家共识（consensus）确定最终标签
   ↓
未注释组织区后处理自动归为间质
   ↓
类别/临床/映射辅助表 + WSI 打包上 Zenodo

与"众包 + 复核 + 单一专家终审"的三层流水线（PANDA-PLUS 模式）不同，本集是双专家共识模式——没有大量初级标注者参与，而是把有限的专家时间集中在少数高价值切片上，换取单位数据的标注质量。两种模式的取舍：前者扩规模、后者保精度。

5.2 双专家共识相对单专家标注的增益

维度	单专家标注	双专家共识（本集）
个体偏好噪声	直接进入标签	协商抵消部分
边界疑难判定	依赖个人经验	两人讨论 + IHC 佐证
成本	低	高（专家时间翻倍）
可扩展性	较高	较低（受专家数量限制）
适用	大规模粗标	小规模精标

本集选择后者，正是因为它定位为"高质量注释参考"，而非"大规模训练语料"。

5.3 IHC 作为"锚点"的作用

在"良性腺体 vs 癌"这类形态学上可能重叠的判断中，IHC（如针对基底细胞标记、AMACR 等）能提供分子层面的确证。数据集把 IHC 作为注释的辅助参考，相当于给像素标签加了生物学锚点——在 H&E 形态模糊处，IHC 结果帮助确定最终归属。这一点让"癌/良性"边界的标签可靠性高于纯形态学标注。

5.4 标注粒度的工程含义

core/region 级注释在实际使用中的三种处理方式：

1. 整芯分类：把每条芯作为一个样本单元，聚合其内注释得到芯级标签（如"含癌/不含癌"）。
2. 区域分割：把注释区域裁成 patch 训练分割/分类模型，core_mapping.csv 用于追溯。
3. 患者级聚合：把同一患者的芯聚合，输出患者级判断——这也是划分数据集时的正确单元。

5.5 与 Gleason 分级标注数据集的分工

本集不带 Gleason/ISUP 逐张分级标签，而 PANDA、SICAPv2、PANDA-PLUS 以分级为核心。这不是缺陷，而是分工：

• 需要"组织学结构分割" → 用本集；
• 需要"Gleason 分级" → 用 PANDA/SICAPv2；
• 需要"分级 + 像素级 Gleason pattern" → 用 PANDA-PLUS。

三者在联合流水线中可串接：先在本集上训练组织分割，切出腺体区域，再送分级模型。

§6 获取与许可：CC BY 4.0 直链

6.1 一表看清"门在哪"

项	内容
许可	CC BY 4.0（署名即可用，含商用）
平台	Zenodo（CERN 运营的开放科学仓库）
概念 DOI	10.5281/zenodo.18930299
v2 DOI（最新）	10.5281/zenodo.21780258 → https://zenodo.org/records/21780258
v1 DOI	10.5281/zenodo.18930300 → https://zenodo.org/records/18930300
凭证要求	无（无需注册、无需申请、无需机构隶属）
文件	dataset.zip（34.50 GB）+ clinical_diagnosis.csv + core_mapping.csv + classes.txt + 样本 PNG

6.2 获取步骤

1. 打开 https://zenodo.org/records/21780258 （或概念 DOI 解析到的最新版）。
2. 页面 Files 区下载 dataset.zip 与三个辅助文件（.csv / .txt）。
3. 引用时使用论文 DOI（10.1038/s41597-026-08349-y）与数据集概念 DOI（10.5281/zenodo.18930299），并注明所用版本号（v2 = 21780258）。

6.3 为什么 CC BY 4.0 是"最高可及档"

CC BY 4.0 是 Creative Commons 署名许可里最宽松的一档：只需署名，即可复制、分发、改编、商用。对 AI-Ready 而言，它的意义是——数据可以合法进入任何训练/评测流水线（含商业模型），无需逐一申请授权。这与库内一些"请求制/受控访问"数据集形成鲜明对比：

数据集	许可/获取	AI-Ready 可及性
本集	CC BY 4.0 直链	高
PANDA-PLUS 掩码	请求制（邮件作者）	低
TCGA-PRAD	受控/分档	中
PANDA 原集	CC BY-NC-SA（非商用）	中高
MIMIC-IV	受控访问（CITI 培训 + DUA）	中

6.4 版本链与引用规范

• 数据集的 concept DOI（18930299）始终指向最新版；version DOI（18930300 = v1，21780258 = v2）指向具体版本。
• 学术引用建议：论文 DOI 用于引用方法与来源，数据集 concept DOI 用于引用数据本体，并在方法节注明实际使用的 version DOI（本次为 v2）。
• v1→v2 的变化是增补辅助文件（v2 多了 clinical_diagnosis.csv / core_mapping.csv / classes.txt）与体积微调，非重发布——复用时应以 v2 为准。

6.5 复现注意

• dataset.zip 约 34.5 GB，下载需稳定带宽与充足磁盘。
• 解压后先读 classes.txt 与 core_mapping.csv，再规划任务划分。
• 遵循 CC BY 4.0 的署名要求：在衍生作品与论文中标注数据集出处、作者与许可。

§7 生态与影响

7.1 团队与谱系：Cantabria 的"前列腺精标"双星

本数据集不是一个孤立产物，而是西班牙坎塔布里亚（Cantabria）一个跨机构团队（医院 + 研究所 + 计算中心 + 企业）在前列腺数字病理上的成果之一。同一团队还产出：

• PRECISE（PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions）：配对 H&E 与 IHC 前列腺穿刺 WSI 数据集，37 条 CNB / 25 位患者 / 24,387 条注释，七类诊断关键类别（恶性腺体、良性腺体、间质、导管内癌 IDC-P、高级别前列腺上皮内瘤变 HGPIN、非典型导管内增生 AIP、组织伪影），Zenodo 10.5281/zenodo.20721779，对应 medRxiv 预印本。

两者的关系可概括为：本集以 H&E 为主、IHC 为辅，PRECISE 则把 H&E 与 IHC 配对（contiguous serial sections）做像素级对齐标注。前者适合 H&E 单模态组织分割，后者适合 H&E–IHC 跨模态/自监督研究。二者共同构成"西班牙单机构前列腺穿刺精标"的两个侧面。

7.2 在企业与临床之间的位置

团队的组成里含企业 Siali Technologies, SL 与计算中心 Instituto de Física de Cantabria（UC-CSIC），作者之一来自工业博士计划——这提示数据集不止是学术产出，也可能服务于数字病理工具的产品化。对使用者的含义：这是"临床（医院病理科）+ 学术（大学/研究所）+ 计算（物理计算组）+ 产业（企业）"四方协作的典型样本，数据质量与临床相关性因此较高。

7.3 在前列腺 WSI 数据集景观中的位置

用一张"规模—粒度—可及性"三维图定位：

数据集	规模	标签粒度	可及性	相对本集
PANDA	极大（~万级切片）	切片级为主	Kaggle（NC-SA）	规模互补
TCGA-PRAD	大（499 切除）	切片级 + 组学	分档受控	模态互补（含组学）
PANDA-PLUS	中（546 WSI）	像素级 Gleason	掩码请求制	粒度同档、对象不同
SICAPv2	中小（155 穿刺）	patch 级 Gleason	公开	同国、同模态
PRECISE（同团队）	小（37 CNB）	配对 IHC–H&E 像素级	Zenodo 公开	同团队姊妹集
本集	小（37 WSI）	像素级组织 + 形态	CC BY 4.0 直链	——

差异化定位：本集是景观中可及性最高档（CC BY 4.0 直链）+ 标注粒度最细档（像素级组织 + 共识）+ 单机构同质的交集，缺的只是规模与分级标签。

7.4 影响与引用前景

抓取时点（2026-10-09）该数据集为新近发布（v2 2026-08-03，论文 2026-09-22），Zenodo 引用计数与 OpenAIRE 引用为 0，尚无独立第三方基准排行榜。预期其被引用场景集中在：前列腺组织分割方法学、少样本迁移评测、标注质量方法论、数字病理可复现性研究。

§8 数据局限与 AI-Ready 评估

8.1 局限清单

1. 单机构来源：无跨中心泛化证据。
2. 选择偏倚：仅癌阳性、诊断一致病例，无阴性/疑难案例。
3. 规模小：37 WSI / 60 芯 / 32 患者，不适合从零训练基础模型。
4. 无分级标签：不提供逐张 Gleason/ISUP，与分级研究不直接兼容。
5. 未注释区自动归间质：间质类含算法填充部分。
6. 采集参数未明示：扫描仪、倍率、Mpp 未在描述/摘要列出（遗留疑点）。
7. CNB 计数双口径：官方 60 vs OpenAIRE 68（已存照）。

8.2 AI-Ready 维度评估

从"AI 可直接消费"的角度逐维度打分（定性）：

维度	评估	说明
可获取性	高	CC BY 4.0 直链，无门槛
许可清晰度	高	Zenodo metadata 明确 cc-by-4.0
文档完备性	高	论文 Data Descriptor + classes.txt + 临床/映射表
标注质量	高	双专家共识 + IHC 辅助
标注完整性	中	core/region 级，非全像素；间质含自动填充
规模	低	37 WSI，小样本
代表性	低	单机构、单人群、仅癌阳性
可复现性	高	版本化发布 + 辅助表 + 同行评审
元数据机器可读	中高	classes.txt 机器可读；采集参数缺失
任务适配面	中	适配分割/分类，不适配分级/筛查

综合定位："高质量、高可及、小规模"的精标参考集。它的 AI-Ready 短板集中在"规模与代表性"，长板集中在"许可、文档、标注质量"。

8.3 与库内 AI-Ready 类型的对照

在库内可及性光谱上，本集属于"全开放直链"一极，与以下条目形成对照：

• 请求制/受控极：PANDA-PLUS 掩码（请求制）、MIMIC-IV（DUA）、TCGA-PRAD（分档）。
• 非商用开放极：PANDA 原集（CC BY-NC-SA）——开放但限商用。
• 全开放直链（本集所在）：CC BY 4.0，含商用。

8.4 使用建议（合规与科学双重要求）

• 署名：CC BY 4.0 要求署名——在论文/产品中标注数据集标题、作者、DOI 与许可。
• 按患者切分：所有任务划分以患者为单位，防止泄漏。
• 报告分类指标：因类别不平衡，务必报告每类指标。
• 边界诚实：不做癌阴性筛查、跨中心泛化、分级研究的宣称。

§9 与库内条目的关系

9.1 家族图谱（前列腺 / 病理 WSI）

库内条目	rid	与本节目的关系
panda	库内	同器官同模态，规模对照（万级切片 vs 37）
panda-plus	库内	同器官，像素级标注方法论对照（派生重标注 vs 原生精标）
sicapv2	库内	同国西班牙 + 同模态穿刺 WSI，最近邻
prostate158	703 / 704	同器官，模态对照（MRI vs 病理）
prostatex	554	同器官，mpMRI，模态对照
bcnb	28	乳腺穿刺 WSI，跨器官的"穿刺 + 专家注释"同类工艺
bonemarrow-wsi	901	病理 WSI 分割注释工艺对照
tiger / leopard / reg2026 / lizard / nucls / pcam	库内	病理 WSI 家族，检索路径互链

9.2 检索路径建议

• 按器官：搜"前列腺/prostate" → 命中本集 + panda + panda-plus + sicapv2 + prostate158 + prostatex。
• 按模态（病理 WSI）：搜"WSI/病理" → 命中本集 + panda 家族 + bcnb + bonemarrow-wsi。
• 按国别（西班牙）：本集与 sicapv2 同属西班牙来源，可做"西班牙前列腺病理数据"专题。
• 按可及性（CC BY 4.0 直链）：本集与 panda-plus 的 Bench（CC BY 4.0）同档，可做"全开放前列腺 WSI"专题。
• 按任务（组织分割）：本集 + panda-plus（Gleason 分割）+ bcnb（乳腺分割）可组"病理分割精标"专题。

9.3 明确的差异声明

本集与库内任一前列腺条目均非同物、非同源：

• 与 panda / panda-plus：不同机构、不同采集、非派生关系（本集不从 PANDA 来）。
• 与 sicapv2：不同机构、不同标注体系（本集为九类组织 + 形态特征，非 Gleason patch）。
• 与 prostate158 / prostatex：不同模态（本集为病理 WSI，非 MRI）。

§10 避坑清单

坑 1：把 CNB 计数写成 68。
OpenAIRE 第三方门户摘要写"68 条 H&E CNB"，与 Zenodo 官方描述、Scientific Data 摘要的"60"冲突。按 60 写，并知道第三方门户可能存在转录差。检索时若看到 68，回到 Zenodo 官方记录核对。

坑 2：把 37 张 WSI 当作 37 个样本直接切分。
37 张 WSI 承载 60 条芯、来自 32 位患者。按 WSI 或按芯划分会把同一患者的组织同时放进训练与测试，造成数据泄漏、分数虚高。必须按患者（32 位）划分，用 core_mapping.csv 建立患者归属。

坑 3：把它当作癌筛查数据集。
数据集只纳入癌阳性 + 诊断一致病例，没有真正的阴性/良性对照病例。用它训练"筛查"模型或宣称"能排除癌"，在科学上不成立。它只支持"已确诊癌阳性病例内的组织刻画"。

坑 4：期待 Gleason/ISUP 分级标签。
本集标注的是组织类型与形态特征，不是分级。拿它做 Gleason 分级会失败——分级请用 PANDA / SICAPv2 / PANDA-PLUS。

坑 5：把"间质"当作纯人工标注。
未注释组织区经后处理自动归为间质。间质类里混有算法填充。若精细区分间质来源，需据数据集文档甄别，或在评测中单列间质指标。

坑 6：直接下载 v1 并当作最新。
v1（18930300）缺 clinical_diagnosis.csv / core_mapping.csv / classes.txt。用 v2（21780258），或用 concept DOI 解析最新版。忽略辅助表会导致无法正确划分与追溯。

坑 7：忽略单机构 + 单人群的泛化边界。
数据集明确 “drawn from a single institution”。在任何跨中心/跨人群泛化宣称中，必须声明此边界；没有外部验证集能支持"通用"结论。

坑 8：把 slug 里的 CNB/WSI 误读为数据集官方名。
prostate-cnb-wsi 是本库 slug（描述性缩写），官方名称是 “Annotated Whole-Slide Images of Core Needle Prostate Biopsies”。检索/引用时用官方名 + DOI，别只搜 slug。

坑 9：忽略采集参数缺失。
扫描仪型号、放大倍率、Mpp 未在描述/摘要中给出。做跨扫描仪鲁棒性研究前，需先查论文正文 Methods 补齐，或就此列为不确定项。

坑 10：CC BY 4.0 不等于可以隐去出处。
CC BY 4.0 宽松但要求署名。在衍生数据、模型卡、论文中必须标注数据集标题、作者、DOI 与许可，否则违反许可条款。

§11 总结

11.1 三句话总结

1. 是什么：西班牙单机构前列腺穿刺活检 H&E 全切片数据集——37 张 WSI、60 条活检芯、32 位患者、15,480 条泌尿病理学家共识像素级注释，覆盖九类组织与四类形态特征。
2. 好在哪：CC BY 4.0 公开直链（零门槛）、双专家共识 + IHC 辅助（标签质量高）、辅助表完备（可复现、可追溯）。
3. 边界在哪：规模小、单机构、仅癌阳性、无分级标签——是"精标参考集"而非"大规模训练集"。

11.2 适合谁

• 前列腺病理 WSI 分割/分类模型的训练、微调与评测者；
• 需要高质量像素级标注做少样本/迁移学习研究者；
• 病理标注方法学、多专家共识流程、数字病理可复现性研究者；
• 需要可合法商用（CC BY 4.0）病理数据的工程团队（须署名）。

11.3 不适合谁

• 想从零预训练病理基础模型者（数据量不足）；
• 做癌阴性筛查/早筛者（无阴性病例）；
• 做 Gleason/ISUP 分级者（无分级标签）；
• 需要跨中心泛化证据者（单机构）。

11.4 30 秒决策卡

如果你的需求是……	结论
像素级前列腺组织分割标签	✅ 直接可用
癌 vs 良性组织分类	✅ 可用（限癌阳性语境）
Gleason 分级	❌ 改用 PANDA/SICAPv2/PANDA-PLUS
癌阴性筛查	❌ 无阴性病例
训练基础模型	❌ 规模不足
商用场景	✅ CC BY 4.0 允许，需署名
跨中心泛化	⚠️ 无外部验证，需自带测试集

§12 常见问题（FAQ）

A. 基础认知

A1：CNB 和 WSI 分别是什么？
CNB = Core Needle Biopsy，穿刺活检芯，是穿刺针取得的细长组织条；WSI = Whole Slide Image，全切片图像，是整张玻璃切片的高分辨率数字化文件。slug prostate-cnb-wsi = 前列腺穿刺活检全切片。

A2：这份数据是新的还是别的数据集的改版？
全新采集、独立编号，不是 PANDA/TCGA 的派生或重标注。

A3：官方名称怎么读？
“Annotated Whole-Slide Images of Core Needle Prostate Biopsies”，直译"带注释的前列腺穿刺活检全切片图像"。

A4：谁做的、在哪？
西班牙坎塔布里亚桑坦德的 Marqués de Valdecilla 大学医院牵头，多机构协作（见 §3、INFOBOX）。

A5：有论文吗？是什么级别？
有，Scientific Data（Nature Portfolio）Data Descriptor，DOI 10.1038/s41597-026-08349-y，2026-09-22，开放获取，经同行评审。

B. 数据与获取

B1：怎么下载？
Zenodo 公开直链 https://zenodo.org/records/21780258 ，下载 dataset.zip 与三个辅助文件。

B2：要申请吗？
不用。CC BY 4.0，无需注册/申请/机构隶属。

B3：多大？
v2 dataset.zip 约 34.50 GB；辅助文件合计 <20 kB。

B4：v1 和 v2 差在哪？
v2 增补了 clinical_diagnosis.csv / core_mapping.csv / classes.txt 与体积微调。用 v2。

B5：许可能商用吗？
可以，CC BY 4.0 允许商用，但须署名。

B6：怎么引用？
论文 DOI（10.1038/s41597-026-08349-y）+ 数据集 concept DOI（10.5281/zenodo.18930299），并注明版本 DOI。

C. 数据与标注

C1：有多少数据？
37 WSI / 60 芯 / 32 患者 / 15,480 条注释。

C2：标了哪些类？
九类组织（良性腺体、癌、间质、脂肪、神经、神经节、血管、肌肉、炎症细胞）+ 四类形态特征。

C3：谁标的？
两位泌尿病理学家，共识终审，IHC 辅助。

C4：为什么有的区域没标？
注释为 core/region 级；未注释组织区经后处理自动归为间质。

C5：有 Gleason 分级吗？
没有。这是组织类型/形态标注集，非分级集。

C6：有 IHC 图像吗？
IHC 作为注释过程的辅助参考；主体交付为 H&E WSI。

D. 任务与评测

D1：适合什么任务？
组织语义分割、癌 vs 良性分类、形态特征识别、少样本/迁移评测。

D2：怎么划分数据集？
按患者（32）划分，用 core_mapping.csv 建立归属，防泄漏。

D3：评测指标？
分割：mIoU、Dice、像素准确率、混淆矩阵；分类：AUC、F1、敏感度/特异度。必须报告每类指标。

D4：能做筛查吗？
不能，无癌阴性病例。

D5：能做跨中心泛化吗？
数据集本身不支持，需外接独立测试集。

E. 生产与库内

E1：和 PANDA 什么关系？
无关（非同源），是同器官同模态的规模互补集。

E2：和 SICAPv2 什么关系？
同国西班牙、同模态穿刺 WSI，任务不同（本集为组织分割，SICAPv2 为 Gleason patch）。

E3：和 PANDA-PLUS 什么关系？
PANDA-PLUS 是 PANDA 的像素级 Gleason 重标注；本集是原生精标组织注释。方法论对照、对象不同。

E4：库内还有哪些前列腺条目？
prostate158（rid 703/704，MRI）、prostatex（rid 554，mpMRI）、panda、panda-plus、sicapv2。

E5：和 PRECISE 什么关系？
同团队姊妹集，本集 H&E 为主 + IHC 辅助，PRECISE 为配对 H&E–IHC。

F. 复现与工程

F1：解压后先看什么？
先读 classes.txt（类别定义）与 core_mapping.csv（芯-切片-患者映射），再规划任务划分。

F2：WSI 太大怎么处理？
分块（patch/tile）推理，剔除非组织背景，注意块边界拼接。

F3：类别不平衡怎么办？
加权损失、重采样，并报告每类指标。

F4：间质类怎么处理？
注意含自动填充，评测单列间质指标或降权。

F5：采集参数在哪？
描述/摘要未列；查论文正文 Methods 补齐（遗留疑点）。

§13 机构与人物：9 位作者与 6 家机构的协作网

13.1 为什么要把"谁做的"讲清楚

病理数据集的可信度，很大一部分来自"谁采的样本、谁标的、谁审的"。前列腺穿刺活检涉及临床取材、病理诊断、染色扫描、数字标注、工程实现、数据发布等多个环节，单一科室难以独立完成——本数据集正是医院 + 公共卫生服务 + 研究所 + 大学 + 计算中心 + 企业六方协作的产物。理解这张协作网，能帮助使用者判断数据的临床真实性、标注权威性与工程规范性各自由谁背书。

13.2 六家机构逐条

#	机构（原文）	中文/说明	国别·城市	角色定位
1	Hospital Universitario Marqués de Valdecilla	马尔克斯·德·巴尔德西利亚大学医院	西班牙 Santander	牵头机构，病理科负责病例来源与诊断
2	Servicio Cántabro de Salud	坎塔布里亚卫生服务局	西班牙 Cantabria	公共卫生服务方，提供临床体系支撑
3	Instituto de Investigación Sanitaria Valdecilla (IDIVAL)	巴尔德西利亚健康研究所	西班牙 Cantabria	研究机构，承接科研组织与伦理
4	Siali Technologies, SL	西亚利科技公司	西班牙 Santander	企业伙伴，工程/产品化侧
5	Grupo de Computación Avanzada y e-Ciencia, Instituto de Física de Cantabria (UC-CSIC)	坎塔布里亚物理研究所 先进计算与电子科学组	西班牙 Cantabria	计算科学方，负责数字化/数据工程
6	Universidad de Cantabria	坎塔布里亚大学	西班牙 Cantabria	高校方，博士培养与学术支撑

一句话读法：医院出病例与病理专家（数据可信度的根），计算组与企业出工程实现（数据可用的桥），大学与研究所出学术与培养体系（数据规范的框）。

13.3 9 位作者逐列与机构归属

数据集作者共 9 人（Zenodo 作者列表），按机构归属交叉如下：

#	作者	中文（音译）	所属机构（据 FACTS §3）	常见角色
1	Calapaquí Terán AK	卡拉帕基·特兰	Marqués de Valdecilla + Servicio Cántabro de Salud + IDIVAL	通信作者，病理/临床主导
2	González Bernad AA	冈萨雷斯·贝尔纳德	IDIVAL + Siali Technologies	研究 + 企业（工业博士计划授予对象）
3	Sánchez Magdaleno L	桑切斯·马格达莱诺	Marqués de Valdecilla	病理
4	Marcos González S	马科斯·冈萨雷斯	Marqués de Valdecilla + Servicio Cántabro de Salud + IDIVAL	病理 + 公共卫生 + 研究
5	Delgado Bolton RC	德尔加多·博尔顿	Servicio Cántabro de Salud	临床/公共卫生
6	Moustafá Calvo J	穆斯塔法·卡尔沃	Siali Technologies	企业/工程
7	Cobo Cano M	科博·卡诺	Instituto de Física de Cantabria (UC-CSIC)	计算科学
8	Lloret Iglesias L	略雷特·伊格莱西亚斯	Instituto de Física de Cantabria (UC-CSIC)	通信作者，计算科学主导
9	Gómez Román JJ	戈麦斯·罗曼	Marqués de Valdecilla + Servicio Cántabro de Salud + IDIVAL + Universidad de Cantabria	病理 + 多机构学术

通信作者两位：Adriana K. Calapaquí Terán（病理/临床侧）与 Lara Lloret Iglesias（计算科学侧）——一对通信作者恰好对应"临床 + 计算"的跨学科组合，这也是此类数字病理数据集的典型署名结构。

13.4 注释者与作者的关系

需要区分两类"人"：

• 注释者：两位经验丰富的泌尿病理学家（uropathologists），以共识方式产出 15,480 条像素级注释。作者列表中的病理科成员（如 Calapaquí Terán、Sánchez Magdaleno、Marcos González、Gómez Román）属于这一临床病理阵营。
• 工程/计算作者：负责切片数字化、数据打包、元数据整理与发布（计算组与企业成员）。

数据集描述未逐条指名"哪位病理学家标了哪张切片"——这是多作者数据集的常态，使用时若需要追溯具体注释者，只能通过论文正文的致谢/作者贡献声明确认（本条目未抓正文全文，列为遗留，见 §17）。

13.5 资助来源

数据集由 **Universidad de Cantabria 2024 年工业博士计划（Industrial Doctorate Program 2024）**资助，授予 A.A.G.B.（即 González Bernad AA）。工业博士的本质是"企业 + 高校联合培养"，这也解释了为何作者列表中出现企业 Siali Technologies 与高校 Universidad de Cantabria 的成对署名——资助结构直接投影为署名结构。

13.6 协作网的实用含义

你的关注点	该看谁	含义
数据的临床真实性	Marqués de Valdecilla 病理科	病例来自真实诊断路径，非人工合成
标注的权威性	两位泌尿病理学家 + 共识	标签经双专家协商，非初级标注
数据的工程可用性	IFCA (UC-CSIC) + Siali	WSI 数字化与打包规范
伦理与合规	IDIVAL / 伦理委员会	协议 2024.477，2025-02-07 批准
可持续性	工业博士计划 + 企业	有产业侧动机推动后续维护

§14 论文与时间线：一条可引用的证据链

14.1 主论文（Data Descriptor）

项	内容
标题	High-resolution dataset of core needle prostate biopsies with expert pathologist annotations
中文	带专家病理学家注释的高分辨率前列腺穿刺活检数据集
期刊	Scientific Data（Nature Portfolio）
类型	Data Descriptor（数据描述符，非研究论文）
DOI	10.1038/s41597-026-08349-y
发布日期	2026-09-22
获取	开放获取（Open Access）
竞争利益	通信作者声明无竞争利益（no competing interest）

Data Descriptor 这一体裁很重要：它意味着数据集本身经过同行评审，评审人核查了数据的采集方法、注释流程、伦理合规与可用性，而不只是"论文里的一个附属材料"。这与"只在 arXiv 挂一个数据链接"有本质区别。

14.2 数据集版本链（Zenodo）

概念 DOI：10.5281/zenodo.18930299（始终解析到最新版）

版本	版本 DOI	发布日期	主文件	主文件大小	附属文件
v1	10.5281/zenodo.18930300	2026-03-10	prostate_dataset.zip	34,421,828,088 B ≈ 34.42 GB	B4-05-B-03-002.png（1,250,780 B）
v2	10.5281/zenodo.21780258	2026-08-03	dataset.zip	34,500,335,228 B ≈ 34.50 GB	clinical_diagnosis.csv（7,063 B）、classes.txt（631 B）、core_mapping.csv（9,485 B）、B4-05-B-03-002.png（1,476,912 B）

14.3 逐文件清单（v2）

文件	大小	类型	用途
dataset.zip	34,500,335,228 B（≈34.50 GB）	ZIP 归档	WSI 本体 + 注释数据
clinical_diagnosis.csv	7,063 B	CSV	临床诊断表（逐例诊断结论）
core_mapping.csv	9,485 B	CSV	芯–切片–患者映射表
classes.txt	631 B	纯文本	注释类别定义（机器可读）
B4-05-B-03-002.png	1,476,912 B	PNG	样本切片预览图（v1 亦有，v2 分辨率更高）

注意 v2 把主文件名从 prostate_dataset.zip 改成了 dataset.zip——下载脚本若硬编码了 v1 的文件名会 404。这是复用者需要注意的隐性变更（见 §16 版本变更历史）。

14.4 完整时间线

日期	事件
2024	资助获批：Universidad de Cantabria 2024 工业博士计划（授予 A.A.G.B.）
2025-02-07	伦理批准：Cantabria 机构研究伦理委员会，协议号 2024.477
2026-03-10	Zenodo v1 发布（prostate_dataset.zip 34.42 GB + 样本 PNG）
2026-08-03	Zenodo v2 发布（dataset.zip 34.50 GB + 三个辅助表 + 更新样本 PNG）
2026-09-22	Scientific Data 主论文在线（DOI 10.1038/s41597-026-08349-y）
2026-10-09	本条目事实档案抓取时点；Zenodo 引用计数与 OpenAIRE 引用均为 0

14.5 引用规范（可直接抄）

引用数据集（推荐用概念 DOI 以指向最新版）：

Calapaquí Terán AK, González Bernad AA, Sánchez Magdaleno L, Marcos González S,
Delgado Bolton RC, Moustafá Calvo J, Cobo Cano M, Lloret Iglesias L, Gómez Román JJ.
Annotated Whole-Slide Images of Core Needle Prostate Biopsies [Data set].
Zenodo. https://doi.org/10.5281/zenodo.18930299

引用论文：

High-resolution dataset of core needle prostate biopsies with expert pathologist
annotations. Scientific Data (2026). https://doi.org/10.1038/s41597-026-08349-y

引用具体版本（可复现要求）： 在方法节额外注明"本工作使用 v2，DOI 10.5281/zenodo.21780258"。

14.6 时间线上的三个"早"与一个"晚"

• 伦理早于发布（2025-02 批准，2026-03 首发）——合规先行。
• 数据早于论文（v1 2026-03，论文 2026-09）——先开放数据、后发表描述符，符合 Nature 系 Data Descriptor 的常见流程。
• v2 早于论文（2026-08 补丁，2026-09 论文）——论文描述的是已含辅助表的 v2 形态，所以论文口径与 v2 一致（60 芯）。
• “晚”：第三方独立基准尚未出现（抓取时点为 0），任何"被广泛引用"的说法在当下都不成立。

§15 WSI 采集、染色与扫描参数

15.1 临床取材路径（可确证部分）

数据集描述确认了取材的临床路径：image-guided（影像引导）前列腺穿刺活检。可确证的链条如下：

患者（前列腺癌可疑/确诊）
   ↓ 影像引导下穿刺（临床常规路径）
细长活检芯（core）取样，多条/患者
   ↓ 固定、包埋、切片
H&E 染色（hematoxylin & eosin，苏木精-伊红）
   ↓ 必要时追加 IHC 染色（辅助诊断证据）
玻璃切片（glass slide）
   ↓ 数字化扫描
全切片图像（WSI）
   ↓ 病理学家共识注释
像素级/区域级注释 + 辅助表

15.2 染色与模态参数

项	状态	内容
主染色	已确证	H&E（苏木精-伊红）
辅助染色	已确证	IHC（免疫组化），用于提高诊断准确性，作为注释辅助参考
染色流程细节	未明示	具体 H&E 染液配方、IHC 抗体清单与稀释比未在描述/摘要列出
切片厚度	未明示	需查论文正文 Methods
配对切片	不适用	H&E–IHC 配对切片见同团队姊妹集 PRECISE，本集非配对设计

15.3 扫描参数（遗留疑点集中区）

以下是使用者最常问、但在 Zenodo 描述与论文摘要中均未列出的采集参数。本条目如实列为遗留疑点，不做猜测性填写：

参数	状态	说明
扫描仪型号/厂商	遗留疑点	未在已抓取的描述/摘要中出现
物镜放大倍率（如 20×/40×）	遗留疑点	未明示
空间分辨率 Mpp（μm/pixel）	遗留疑点	未明示
扫描分辨率（像素/英寸）	遗留疑点	未明示
焦平面/多层扫描（z-stack）	遗留疑点	未明示
色彩校准流程	遗留疑点	未明示

为什么要标为遗留而非留空：WSI 的 Mpp 直接决定"一个 patch 覆盖多少真实组织"，是做跨数据集迁移时的关键缩放参数。若你的工作需要在多个 WSI 数据集间统一物理尺度（例如把 PANDA 与本集混训），必须先向作者索取或从论文正文 Methods 补齐 Mpp，否则不同数据集的分辨率错配会让模型学到"尺度捷径"而非"形态特征"。

检索建议：Scientific Data 的 Data Descriptor 通常在 “Methods → Image acquisition/Scanning” 小节给出扫描仪与倍率。抓取时点受网络预算限制未读正文全文，故本条目统一标为遗留（见 §17 存照）。

15.4 伪影与质量（已确证部分）

数据集把"组织与数字化伪影（tissue and digitization artifacts）"单列为形态学特征注释，说明采集与制备过程中确实出现了伪影，并被专家显式标注。使用含义：

• 训练分割模型时，伪影区域应作为独立类别处理，而非强行归入某类组织——否则模型会把"刀痕/气泡/折叠"误学成"组织类型"。
• 做数据清洗时，可用伪影标注反向筛除低质量 patch。
• 伪影标注本身也可用作"扫描质量评估"的监督信号。

15.5 多芯共切片对采集含义的补充

60 条芯分布在 37 张 WSI 上，意味着部分切片承载多条芯。这在采集上是常见做法（节省玻片与扫描时间），但对下游有两点影响：

1. 切片内区域异质：一张 WSI 上并排的几根芯可能来自不同取材部位（different sextant），形态分布不同。做切片级标签聚合时，需先用 core_mapping.csv 拆分芯。
2. 扫描拼接：多条芯共切片可能带来拼接缝或亮度不均，使用前建议做背景/亮度归一化。

§16 文件组织与版本变更历史

16.1 交付物总览（v2）

Zenodo record 21780258 (v2)
├── dataset.zip                34.50 GB   WSI 本体 + 注释数据
├── clinical_diagnosis.csv      7,063 B   临床诊断表
├── core_mapping.csv            9,485 B   芯–切片–患者映射
├── classes.txt                   631 B   注释类别定义
└── B4-05-B-03-002.png        1,476,912 B  样本预览图

16.2 三个辅助文件逐项详解

classes.txt（631 B）——类别定义

• 内容：九类组织（及可能的形态特征）的机器可读类别列表。
• 用途：加载注释数据时直接引用，避免类名漂移（如 “prostate_cancer” 与 “tumor” 混用）。
• 使用建议：把它作为 label map 的"唯一真源"，所有训练脚本从它读类别索引，而非硬编码。

clinical_diagnosis.csv（7,063 B）——临床诊断表

• 内容：逐例/逐芯的临床诊断结论（对应"癌阳性 + 诊断一致"的入选落地记录）。
• 用途：把注释与临床诊断对齐；做"注释标签 vs 诊断结论"的一致性分析；也可用于分层抽样。
• 使用建议：因涉及临床信息，虽为 aggregate 级（无直接身份标识），仍应遵守 CC BY 4.0 署名与一般临床数据伦理，不尝试重识别。

core_mapping.csv（9,485 B）——芯映射表

• 内容：芯（core）↔ 切片（WSI）↔ 患者（patient）的对应关系，解决"60 芯 vs 37 切片 vs 32 患者"的三层归属问题。
• 用途：任务划分的必需元数据。按患者切分 train/val/test 时，靠它把同一患者的所有芯/切片整体归入同一切分。
• 使用建议：任何声称"无泄漏"的评测，都应以本表为准做患者级划分，并在方法节写明划分依据。

16.3 版本变更历史（v1 → v2）

变更项	v1（2026-03-10）	v2（2026-08-03）	性质
主文件名	prostate_dataset.zip	dataset.zip	重命名（影响硬编码下载脚本）
主文件大小	34,421,828,088 B（34.42 GB）	34,500,335,228 B（34.50 GB）	增补（+78.5 MB）
clinical_diagnosis.csv	无	有（7,063 B）	新增
core_mapping.csv	无	有（9,485 B）	新增
classes.txt	无	有（631 B）	新增
样本 PNG	1,250,780 B	1,476,912 B	更新（分辨率/内容提升）
许可	CC BY 4.0	CC BY 4.0	不变
概念 DOI	10.5281/zenodo.18930299	同	不变

变更解读：

1. v1→v2 是增补型更新（补辅助表 + 微调体积），不是重发布或数据修订——WSI 本体未报告结构性变化。
2. 新增的三个辅助表，恰恰是让数据集"AI-Ready"的关键：没有 core_mapping.csv，就无法正确做患者级切分；没有 classes.txt，标签就不可机器复现。
3. 仅 v2 是"完整形态"。引用与复现应以 v2 为准，或使用概念 DOI 解析最新版。

16.4 下载与解压要点（工程清单）

• 体积：主包 ~34.5 GB，下载前确认磁盘可用空间 ≥70 GB（下载 + 解压峰值）。
• 校验：下载后核对文件大小与 Zenodo 页面一致（v2 dataset.zip = 34,500,335,228 B），必要时校验 checksum（若页面提供）。
• 解压顺序：先解 dataset.zip 取 WSI 与注释，再把三个辅助表放到可被脚本访问的路径。
• 首读顺序：classes.txt → core_mapping.csv → clinical_diagnosis.csv，然后用 mapping 规划患者级划分。
• 文件名坑：v1 主包名为 prostate_dataset.zip，v2 为 dataset.zip——脚本别硬编码。
• 网络：Zenodo 直链可能需要合理超时与断点续传（大文件），但注意本条目纪律不允许 agent 自行 curl 大文件；此处仅为使用者提示。

16.5 目录组织建议（复用者视角）

下载后建议整理为如下结构，避免"图与钥匙分离"：

prostate-cnb-wsi/
├── raw/            dataset.zip 解压出的 WSI
├── labels/         注释数据
├── meta/
│   ├── classes.txt
│   ├── core_mapping.csv
│   └── clinical_diagnosis.csv
└── splits/         按患者划分的 train/val/test 清单

关键纪律：splits/ 必须由 core_mapping.csv 派生，且切分单位是患者——这是本数据集最容易踩、代价也最大的坑（见 §10 坑 2）。

§17 分级体系辨析：为什么本集没有 Gleason/ISUP 标签

17.1 先把三个概念分开

前列腺病理里常被混为一谈的三个层级：

层级	英文	内容	本集是否有
组织类型	tissue type	这片像素是腺体/间质/脂肪/神经……	✅ 有（九类组织）
形态特征	morphological feature	间质回缩、腺性分泌物、伪影……	✅ 有（附加注释）
分级评分	grading	Gleason 评分 / ISUP 分组	❌ 无逐张分级标签

一句话：本集回答的是"这是什么组织"，不是"这个癌有多恶"。

17.2 Gleason 与 ISUP 是什么

• Gleason 评分（Gleason score, GS）：基于前列腺癌腺体的结构形态给最优势与次优势模式各打 1–5 分，两者相加得 GS（范围 2–10）。Gleason pattern（分级模式）1–5 描述的是腺体排列的"分化程度"。
• ISUP 分级分组（International Society of Urological Pathology Grade Group, GG）：把 GS 归并为 5 个预后分组（GG1≈GS6、GG2=GS3+4=7、GG3=GS4+3=7、GG4=GS8、GG5=GS9–10）。临床上常以 GG 表达风险分层。

Gleason/ISUP 是临床决策的关键（决定是否治疗、如何治疗），因此以分级为目标的数据集（PANDA、SICAPv2、PANDA-PLUS）在临床 AI 中应用极广。

17.3 本集为什么不做分级

从数据集描述可确证的事实出发，本集的设计目标是"为分割与组织分类模型提供高质量注释"，而不是分级。原因是任务与标注体系不同：

1. 标注单元不同：分级是"人/切片级别的判断"，本集是"像素/区域级的组织刻画"。给整张 WSI 打一个 Gleason 分，需要病理学家综合全片判断，与本集的逐像素圈注是两套工艺。
2. 入选标准不同：本集只纳入诊断一致的癌阳性病例——诊断分歧被排除，而分级研究（尤其边界病例）恰恰需要包含分歧与疑难。
3. 互斥性：结构化（哪个像素是腺体）与序数评分（腺体有多异常）是正交的两条标注线。本集选了前者。

17.4 与"像有分级但其实没有"的辨析

一个常见的误判：看到"前列腺"“癌”“病理”，就默认里面一定有 Gleason。本集没有逐张 Gleason/ISUP 标注。可确证的只有：clinical_diagnosis.csv（7,063 B）内含临床诊断信息——该诊断表是否包含 Gleason 分级字段，未下载解析，列为遗留疑点（见 §17 与 §22）。

• 如果你确实需要分级，正确做法：用 PANDA（切片级 GG）、SICAPv2（patch 级 Gleason）、PANDA-PLUS（像素级 Gleason pattern）。
• 如果你要做"分级 + 组织分割"的联合流水线，可以把本集作为上游组织/腺体分割，再把分割结果送分级模型——两者串接，而非指望本集直接给分级。

17.5 分级体系辨析速查

你可能想问	本集能否回答	替代方案
这张切片的 Gleason 是多少？	❌	PANDA / SICAPv2
每个像素的 Gleason pattern？	❌	PANDA-PLUS
这片像素是良性腺体还是癌？	✅	本集
这片像素是间质/脂肪/神经/血管？	✅	本集
有没有间质回缩、非典型分泌物？	✅	本集
这例临床诊断是什么？	✅（clinical_diagnosis.csv）	本集

§18 库内辨析专章：5 个易混条目 + PANDA 家族

本节是这份条目的防撞库核心。库内检索 “prostate / cnb / wsi / biopsy” 会命中多个条目，它们与本集全部不同物。以下逐条辨析"为何易混 / 为何不同"，帮助读者不把 A 的数据当成 B 的。

18.1 速查表（先看结论）

库内条目	rid	模态	器官	与本集关系	是否同物
prostate158	703 / 704	MRI（影像）	前列腺	同器官、不同模态	❌ 非同物
prostatex	554	mpMRI（影像）	前列腺	同器官、不同模态	❌ 非同物
bcnb	28	病理 WSI	乳腺	同工艺、不同器官	❌ 非同物
bonemarrow-wsi	901	病理 WSI	骨髓	同工艺、不同器官/组织	❌ 非同物
panda	库内	病理 WSI	前列腺	同器官同模态、不同机构/规模	❌ 非同物
panda-plus	库内	病理 WSI	前列腺	PANDA 的派生重标注	❌ 非同物
sicapv2	库内	病理 WSI	前列腺	同国西班牙、同模态穿刺	❌ 非同物

结论：库内无一条与本集同物，无别名撞库。以下逐条展开。

18.2 辨析一：prostate158（rid 703 / 704）

为何易混：名称含 “prostate”，且 rid 703 与 704 两条记录名称相同（库内重复记录），检索时一次命中两条，容易让人以为"前列腺数据集有好几个版本"。

为何不同：

• 模态：prostate158 是前列腺 MRI 影像数据集，本集是病理 H&E WSI。一个是放射影像，一个是显微镜下的切片图像——完全不同的成像物理与视觉语义。
• 任务：MRI 侧任务通常是病灶检测/分割/分类（影像组学），本集任务是组织类型分割与分类。
• 数据形态：MRI 是体素/DICOM 序列，WSI 是 gigapixel 级二维像素图像。

一句话：同器官，隔着一个模态。"前列腺"是它们唯一的共同点，不能互相替代。

18.3 辨析二：prostatex（rid 554）

为何易混：名称 “prostatex” 与本集同属前列腺，且都是公开数据集，检索词 “prostate” 会同时命中。

为何不同：

• 模态：prostatex 是 TCIA 的多参数 MRI（mpMRI） 数据集，用于前列腺癌病灶的检测与分类研究，附有病灶标注（如 T2、DWI、DCE 序列）。本集是病理 WSI。
• 来源：prostatex 来自美国/国际多中心影像队列（TCIA 生态），本集来自西班牙单机构病理科。
• 标注：prostatex 的标注是影像上的病灶位置/恶性概率，本集是像素级组织类别。

一句话：prostate158 与 prostatex 是"影像侧双子"，本集是"病理侧"——两者在临床流程上处于不同环节（影像筛查 → 穿刺 → 病理诊断）。

18.4 辨析三：bcnb（rid 28）

为何易混：bcnb 是 Breast Cancer Core Needle Biopsy——注意它也含 “CNB” 与 “biopsy”，与 prostate-cnb-wsi 的 slug 用词高度重叠！检索 “cnb” 或 “biopsy” 会同时命中，这是库内最容易撞名的条目。

为何不同：

• 器官：bcnb 是乳腺癌穿刺活检，本集是前列腺穿刺活检。
• 工艺相同：两者都是"穿刺活检 WSI + 专家注释"的同类工艺（细长活检芯、H&E 染色、病理学家标注），这正是易混的根源。
• 疾病域：bcnb 属乳腺癌，本集属前列腺癌（库内标签上，本集可打"肿瘤学"，而非"乳腺癌"）。

一句话：同工艺、不同器官。“CNB” 是共同缩写，器官才是区分点。检索时务必带上器官词（prostate vs breast）。

18.5 辨析四：bonemarrow-wsi（rid 901）

为何易混：名称含 “wsi”，与 prostate-cnb-wsi 的 “wsi” 重叠；且同为"病理 WSI + 分割注释"工艺。

为何不同：

• 组织：bonemarrow-wsi 是骨髓 WSI（血液病理/骨髓活检），本集是前列腺穿刺活检。
• 病理亚专业：骨髓病理（血液病理）与泌尿病理是不同亚专业，类别体系完全不同（骨髓有造血细胞谱系分类，前列腺是腺体/间质等）。
• 任务虽同为分割，标签空间不通用。

一句话：同为"WSI 分割注释工艺"，但组织域不同，标签体系不可迁移。

18.6 辨析五：PANDA 家族（panda / panda-plus / sicapv2）

这三个是前列腺病理 WSI 的"同域近邻"，最需要讲清关系。

panda（库内）

• 定位：PANDA（Prostate cANcer graDe Assessment）挑战赛数据集，前列腺穿刺 WSI，规模最大（约万级切片 / 2,113 患者）。
• 标签：以切片级 Gleason/ISUP 分级为主。
• 机构：荷兰（Radboud）+ 瑞典多中心。
• 与本集差异：规模互补（万级 vs 37）、粒度互补（切片级 vs 像素级）、机构互补（多中心 vs 单机构）。

panda-plus（库内）

• 定位：对 PANDA 的像素级 Gleason pattern 重标注升级版（BYU 团队），546 WSI。
• 标签：像素级 Gleason pattern（派生自 PANDA）。
• 与本集差异：panda-plus 是派生重标注（给 PANDA 重新戴眼镜），本集是原生独立精标（从零采集）；panda-plus 标注的是 Gleason pattern，本集标注的是组织类别——标注对象不同。
• 可及性差异：panda-plus 掩码为请求制，本集为 CC BY 4.0 直链。

sicapv2（库内）

• 定位：西班牙来源的前列腺穿刺 WSI 数据集，patch 级 Gleason 标注。
• 与本集差异：同国（西班牙）+ 同为穿刺活检 WSI，是本集"国别 + 模态"上的最近邻，但标注体系不同（Gleason patch vs 九类组织 + 形态特征）、交付形态不同（patch 为主 vs 全 WSI + 辅助表）。

18.7 "为何不同物"的判定依据

判定一条库内条目与本集是否同物，看四个硬指标：

判定维度	本集取值	只要任一项不同即非同物
器官	前列腺	bcnb(乳腺)、bonemarrow(骨髓) → 不同
模态	病理 H&E WSI	prostate158/prostatex(MRI) → 不同
采集来源	西班牙单机构原生采集	PANDA(多中心)、panda-plus(派生) → 不同
DOI/身份	Zenodo 10.5281/zenodo.18930299	库内其余条目均无此 DOI → 不同

18.8 检索防误命中指南

你搜的词	会命中	如何锁定本集
prostate	本集 + prostate158 + prostatex + panda 家族	加 “WSI” 或 “CNB” 或 “Zenodo 18930299”
CNB / biopsy	本集 + bcnb（乳腺！）	加器官词 “prostate”
WSI	本集 + panda 家族 + bcnb + bonemarrow-wsi	加 “prostate” + “annotation”
西班牙 / Spain	本集 + sicapv2	加 “Marqués de Valdecilla” 或 DOI
前列腺穿刺	本集 + panda 家族 + sicapv2	加 “CC BY 4.0” 或 “临床诊断表”

18.9 本集在库内的唯一性声明

本集是库内首个满足以下全部条件的条目：

• 前列腺（器官）
• 穿刺活检（CNB）
• 病理 H&E 全切片（WSI）
• 单机构全新采集（非派生）
• 双专家共识像素级注释（九类组织 + 形态特征）
• CC BY 4.0 全公开直链
• 含 clinical_diagnosis.csv / core_mapping.csv / classes.txt 辅助表

任何一条缺项，都会滑向库内已有的其他条目（PANDA 家族 / sicapv2 / bcnb / bonemarrow-wsi / prostate158 / prostatex）。

§19 版本变更历史与演进脉络

19.1 一个数据集的两副面孔

本数据集在 Zenodo 上有两个版本，容易让复用者困惑：“我到底该下哪个？” 答案很明确：用 v2。但理解版本差异背后的逻辑，比记住结论更重要。

19.2 v1 → v2 变更全表

#	变更项	v1（2026-03-10，DOI 18930300）	v2（2026-08-03，DOI 21780258）	影响
1	主文件名	prostate_dataset.zip	dataset.zip	⚠️ 硬编码下载脚本会失败
2	主文件字节	34,421,828,088	34,500,335,228	增补约 78.5 MB
3	主文件口径	≈34.42 GB	≈34.50 GB	引用体积时勿混用
4	clinical_diagnosis.csv	✗ 无	✓ 7,063 B	新增，临床诊断对齐
5	core_mapping.csv	✗ 无	✓ 9,485 B	新增，患者级划分必需
6	classes.txt	✗ 无	✓ 631 B	新增，类别机器可读
7	样本 PNG	1,250,780 B	1,476,912 B	更新，预览更清晰
8	许可	CC BY 4.0	CC BY 4.0	不变
9	概念 DOI	18930299	18930299	不变
10	WSI 本体	已含	未报告结构性变化	数据主体稳定

19.3 变更的三种解读

解读一：v2 是"可用性补丁"，不是"数据修订"。

v2 新增的三样全是元数据/辅助表，主包仅微调体积。这说明 v1 的 WSI 本体与注释已经可用，v1→v2 的动机是"让数据更容易被正确使用"——补上类别定义、临床对照和患者映射。

解读二：v2 才是"AI-Ready 完整形态"。

对照 AI-Ready 的要素，v1 缺的正是"可追溯与可复现"的关键拼图。没有 core_mapping.csv，患者级切分无从谈起；没有 classes.txt，标签索引只能靠猜。v2 把 v1 从"一个压缩包"升级为"一个可工程化复用的数据集"。

解读三：重命名文件是隐性坑。

prostate_dataset.zip → dataset.zip 是一处不显眼但会绊倒脚本的变更。任何"写死文件名"的下载器在本集上都需要改成按 Zenodo API 读取文件名。

19.4 版本选择决策树

需要下载本数据集？
├── 需要辅助表（临床诊断/芯映射/类别定义）？
│   ├── 是 → 用 v2（21780258）✔ 推荐
│   └── 否 → 仍建议用 v2（v1 无辅助表，且文件名已变更）
└── 需要"始终最新"？
    └── 用概念 DOI：10.5281/zenodo.18930299

19.5 引用时的版本纪律

场景	引用方式
论文方法节	concept DOI + “本工作使用 v2（21780258）”
数据集条目参考文献	concept DOI（18930299）
精确复现某次实验	version DOI（如 21780258）
追踪后续更新	concept DOI（自动解析最新版）

§20 常见误区澄清（与坑点清单互补）

§10 的"坑 1–10"讲的是操作陷阱（怎么办）；本节讲的是认知误区（怎么理解），两者互补。

20.1 误区一：“西班牙数据集 = 西班牙语数据”

澄清：数据集的语言是病理图像，无自然语言依赖。元数据与论文使用英文，代码与类别名亦为英文（classes.txt 中的类别）。不存在"西班牙语数据难以使用"的问题。西班牙只说明来源国/机构所在地。

20.2 误区二：“单机构 = 低质量”

澄清：恰恰相反。单机构意味着采集与诊断流程统一，域偏移小、标签一致性好，这对"精细组织分类"这类任务反而有利。单机构的代价是泛化性未知，而非质量低。把它当"低质量"是方向性误解。

20.3 误区三：“有 IHC = 交付 IHC 图像”

澄清：本集中 IHC 是注释过程中的辅助参考证据，不是主交付模态。主体交付是 H&E WSI + 其注释。若你需要配对 H&E–IHC 图像，应转向同团队姊妹集 PRECISE（配对连续切片设计）。

20.4 误区四：“37 张 WSI 只有 37 个样本”

澄清：37 是图像文件数，不是样本数。同一切片可承载多条芯（60 芯 / 37 切片），患者数是 32。做统计与划分时，样本单元的选取（切片/芯/患者）会显著影响结果，默认应以患者为单位。

20.5 误区五：“CC BY 4.0 = 完全无约束”

澄清：CC BY 4.0 是署名许可，不是公有领域。它要求你在复制、分发、改编、商用的一切场合标注出处（数据集标题、作者、DOI、许可）。忽略署名即违反许可条款（坑 10）。

20.6 误区六：“15,480 条注释 = 15,480 个独立样本”

澄清：15,480 是人工专家注释条目数（区域/像素级标注对象数），不等于可独立切分的训练样本数。注释条目可来自同一芯、同一患者，存在强相关。做样本量宣称时须按患者（32）或芯（60）计，不能拿 15,480 当"独立样本量"。

20.7 误区七：“它是 PANDA 的一个子集/重标注”

澄清：本集是从零采集的独立数据集，机构、病例来源、采集流程、标注体系与 PANDA 均无血缘。做重标注的是 PANDA-PLUS，不是本集。两者不可混称。

20.8 误区八：“诊断一致的病例 = 简单病例，没价值”

澄清：诊断一致是为了让像素级标注更干净（避免注释者在"是不是癌"上纠结），不代表病例形态简单。数据集仍包含真实诊断路径中的多样组织形态（含形态特征与伪影注释）。它的价值在于"可靠的像素标签"，而非"简单的病例"。

20.9 误区九：“没有第三方基准 = 不可信”

澄清：数据集 2026-09 才由同行评审期刊接收（Data Descriptor），抓取时点为 2026-10-09，距发布不足一个月。第三方基准为 0 是新近发布的正常状态，而非质量存疑。信度来自同行评审 + 版本化发布 + 辅助表完备，而非引用计数。

20.10 误区十：“slug 就是官方名”

澄清：prostate-cnb-wsi 是本库的描述性 slug（便于检索与 URL），官方名称是 “Annotated Whole-Slide Images of Core Needle Prostate Biopsies”。学术检索与引用应使用官方名 + DOI，只搜 slug 会漏检原始来源（坑 8）。

20.11 误区澄清速查表

误区（以为）	事实
西班牙语数据	图像数据，元数据英文
单机构=低质量	单机构=同质、低域偏移，代价是泛化未知
交付 IHC 图像	IHC 仅为注释辅助，主交付 H&E
37 个样本	37 图像 / 60 芯 / 32 患者，样本单位需明确
CC BY 4.0 无约束	必须署名
15,480 独立样本	是注释条目数，非独立样本数
PANDA 子集	独立原生采集，非派生
诊断一致=简单	标注干净，非病例简单
无基准=不可信	新近发布，同行评审背书
slug=官方名	slug 是库内描述名，引用用官方名

§21 DAIMS 数据资产成熟度评估

21.1 DAIMS 是什么

DAIMS（Data Asset maturity and Investment Management System，数据资产成熟度评估框架）用一个五维模型评估数据资产的"可被 AI 直接消费"的程度。五维分别是：

• D — Discoverability（可发现性）：数据能否被检索、定位、唯一标识。
• A — Accessibility（可获取性）：获取门槛、许可宽松度、凭证要求。
• I — Interoperability（互操作性）：格式规范、元数据标准、与其他数据的对接能力。
• M — Metadata（元数据完备度）：描述信息是否充分、机器可读、可复现。
• S — Sustainability（可持续性）：长期维护、版本管理、机构背书。

21.2 本集 DAIMS 五维打分

维度	评级	评分	依据
D 可发现性	★★★★★	9.5/10	官方名 + Zenodo 首页可检索；concept DOI 10.5281/zenodo.18930299 + 版本 DOI 唯一标识；OpenAIRE 收录；Scientific Data 论文互链
A 可获取性	★★★★★	10/10	CC BY 4.0 最宽档；Zenodo 公开直链；无需注册/申请/机构隶属；含商用授权
I 互操作性	★★★★☆	8/10	WSI 为病理通用格式；classes.txt 提供机器可读类别；core_mapping.csv/clinical_diagnosis.csv 为通用 CSV；扣分点：扫描参数（Mpp/倍率）缺失，与其他 WSI 数据集的物理尺度对齐需自行处理
M 元数据完备度	★★★★☆	8/10	论文 Data Descriptor + 三个辅助表 + Zenodo 结构化 metadata；扣分点：扫描仪型号/倍率/Mpp 未公开；作者贡献细分未在描述中给出
S 可持续性	★★★★☆	8.5/10	Zenodo（CERN）长期托管；concept DOI 版本链规范；高校 + 医院 + 研究所机构背书；扣分点：无专门的数据维护基金/更新路线图，后续版本节奏未知
综合	★★★★☆	8.8/10	高可发现、高可及、高元数据，互操作性与可持续性略有保留

21.3 各维度详析

D — 可发现性（9.5）

本集的可发现性几乎是满分：官方名称规范、Zenodo 首页可检索、概念 DOI 与版本 DOI 双重标识、被 OpenAIRE 收录、与同行评审论文互链。唯一的小扣分是"检索词易与库内 MRI 数据集（prostate158/prostatex）混淆"——这是检索层面的干扰，非数据集本身缺陷。

A — 可获取性（10）

这是本集最强的一维。CC BY 4.0 直链意味着：无注册、无申请、无 DUA、无地理限制、无商用限制。在库内所有前列腺条目中，这是获取门槛最低的一档（PANDA-PLUS 掩码为请求制、TCGA-PRAD 为分档受控）。

I — 互操作性（8）

CSV/TXT 辅助表 + 通用 WSI 格式让基本对接无碍。扣分主要在采集参数缺失：若要将本集与其他 WSI 数据集（如 PANDA）联合训练，物理分辨率（Mpp）不明确会导致尺度错配。这是"数据集之间可互操作"的实际障碍，需向作者补齐。

M — 元数据完备度（8）

论文 + 三类辅助表 + Zenodo metadata 构成较完整的描述层。"未注释区自动归间质"这一关键处理也在描述中明示。扣分点是采集参数与作者贡献细分的缺失——前者是技术复现的硬需求，后者是学术溯源的需求。

S — 可持续性（8.5）

Zenodo 由 CERN 运营，是长期托管的可靠选择；concept DOI + 版本链体现了规范的版本管理。机构层面有医院、大学、研究所、企业的多方背书，且由工业博士计划支撑。风险点在于：数据集是否有专人持续维护、后续是否会有 v3 等，描述中未给出路线图。

21.4 DAIMS 与"AI-Ready"的对应

DAIMS 维度	对"AI-Ready"的意义	本集表现
D 可发现	模型/流水线能找到它	优秀
A 可获取	能合法、无门槛拿到	优秀
I 互操作	能与其他数据/工具对接	良好（采集参数是短板）
M 元数据	能理解、能复现	良好
S 可持续	能长期依赖	良好

综合判读：本集是一个 DAIMS 8.8/10 的高成熟度数据资产——它在可发现性与可获取性上达到顶格，元数据与可持续性有扎实基础，唯一的实质短板是采集参数（互操作性）与无维护路线图（可持续性）。对"AI 可直接消费"这一目标，它已经跨过了"随时可用"的门槛。

21.5 提升建议（若作者后续迭代）

维度	建议
I 互操作	在 metadata 中显式补充扫描仪型号、倍率、Mpp
M 元数据	增加作者贡献声明（CRediT）、逐切片清单表
S 可持续	明确版本更新路线图与维护责任人

§22 FAQ 补充（G–J 组）

G. 机构、作者与论文

G1：数据集是谁做的？有几家机构？
9 位作者、6 家机构：Hospital Universitario Marqués de Valdecilla（牵头）、Servicio Cántabro de Salud、IDIVAL、Siali Technologies SL、Instituto de Física de Cantabria (UC-CSIC)、Universidad de Cantabria。详见 §13。

G2：通信作者是谁？
两位：Adriana K. Calapaquí Terán（病理/临床侧）与 Lara Lloret Iglesias（计算科学侧），对应"临床 + 计算"的跨学科组合。

G3：资助来自哪里？
Universidad de Cantabria 2024 年工业博士计划（Industrial Doctorate Program 2024），授予作者 A.A.G.B.（González Bernad AA）。

G4：论文发表在哪、什么时候？
Scientific Data（Nature Portfolio），DOI 10.1038/s41597-026-08349-y，2026-09-22 在线，开放获取，经同行评审。

G5：论文是什么类型？
Data Descriptor（数据描述符），即专门描述数据集的同行评审文章——数据集本身经过评审，而非仅作为论文附件。

G6：有伦理审批吗？
有。Cantabria 机构研究伦理委员会批准，协议号 2024.477，批准日期 2025-02-07。

G7：声明了竞争利益吗？
通信作者声明无竞争利益（no competing interest）。

H. 标注与体系细节

H1：具体标了哪些类？给英文名。
良性腺体（benign glands）、前列腺癌组织/肿瘤（prostate cancer tissue / tumor）、间质（stroma）、脂肪组织（adipose tissue）、神经（nerves）、神经节（nerve ganglia）、血管（blood vessels）、肌肉（muscle）、炎症细胞（inflammatory cells），共九类。

H2：形态学特征标注有哪些？
间质回缩（stromal retraction）、正常腺性分泌物（normal glandular secretions）、非典型腺性分泌物（atypical glandular secretions）、组织与数字化伪影（tissue and digitization artifacts）。

H3：有没有 Gleason pattern 标注？
没有。本集不含逐张 Gleason/ISUP 分级标签；它的标注是组织类型 + 形态特征（§17）。

H4：间质为什么有一部分是自动的？
未注释的组织区域由后处理自动标注为间质（automatically labeled as stroma）。因此间质类混有人工圈注 + 算法填充两部分。

H5：注释是像素级还是区域级？
描述为 core/region 级（芯/区域级），服务分割与组织分类任务。

H6：为什么只纳入诊断一致的病例？
为了让像素级标注更干净——诊断分歧被排除后，注释者无需在"是不是癌"上纠结，可专注组织归属。代价是无阴性/疑难病例（选择偏倚）。

I. 工程与复现

I1：主包解压后有哪些内容？
WSI 本体 + 注释数据；另外三个辅助文件（clinical_diagnosis.csv、core_mapping.csv、classes.txt）与一张样本 PNG 是独立文件，不都在 zip 内，需一并下载。

I2：v1 和 v2 文件名一样吗？
不一样。v1 主包名 prostate_dataset.zip，v2 改名 dataset.zip。硬编码文件名的下载脚本会失败。

I3：v2 主包多大？
34,500,335,228 字节，约 34.50 GB。

I4：解压峰值需要多少磁盘？
建议预留 ≥70 GB（下载包 + 解压后 WSI）。

I5：怎么正确划分 train/val/test？
以患者为单位（32 位），用 core_mapping.csv 把同一患者的所有芯/切片整体归入一个划分，避免同一患者跨集泄漏。

I6：扫描仪型号、放大倍率、Mpp 在哪看？
Zenodo 描述与论文摘要均未列出，属遗留疑点；需查论文正文 Methods 或向作者索取（§15）。

I7：classes.txt 有什么用？
它是类别的机器可读定义，供加载脚本直接引用，避免类名漂移。建议作为 label map 的唯一真源。

I8：clinical_diagnosis.csv 记录什么？
逐例/逐芯的临床诊断信息，用于把注释与诊断结论对齐。该表是否含 Gleason 字段未解析，属遗留疑点。

J. 生态、许可与辨析

J1：能商用吗？
可以。CC BY 4.0 允许复制、分发、改编与商用，条件是署名。

J2：怎么正确引用？
引用论文 DOI（10.1038/s41597-026-08349-y）+ 数据集概念 DOI（10.5281/zenodo.18930299），并在方法节注明所用版本 DOI。

J3：它和 prostatex 什么关系？
同器官（前列腺）、不同模态——prostatex 是多参数 MRI，本集是病理 H&E WSI（§18.3）。

J4：它和 prostate158 什么关系？
同器官、不同模态——prostate158（rid 703/704）是前列腺 MRI，本集是病理 WSI（§18.2）。

J5：它和 bcnb 什么关系？
bcnb（rid 28）是乳腺癌穿刺活检 WSI，与本集同工艺（CNB + 专家注释）但不同器官。“CNB” 是共同缩写，器官是区分点（§18.4）。

J6：它和 bonemarrow-wsi 什么关系？
bonemarrow-wsi（rid 901）是骨髓 WSI，与本集同为病理 WSI 分割注释工艺，但组织域不同，标签体系不通用（§18.5）。

J7：它和 sicapv2 什么关系？
同为西班牙来源、同为前列腺穿刺 WSI，是本集"国别 + 模态"上的最近邻；但标注体系不同（SICAPv2 为 Gleason patch，本集为九类组织 + 形态特征）。

J8：它和 PRECISE 什么关系？
同团队姊妹集。本集以 H&E 为主 + IHC 辅助；PRECISE 为配对 H&E–IHC 连续切片设计（§7）。

J9：库内有和它同物的条目吗？
没有。检索命中 5 个易混条目（prostate158 / prostatex / bcnb / bonemarrow-wsi / panda 家族），逐一判别均非同物，无别名撞库（§18）。

J10：它会是 PANDA 的子集吗？
不是。本集是从零采集的独立数据集，与 PANDA 无血缘；做重标注的是 PANDA-PLUS（§20.7）。

J11：它能做癌筛查吗？
不能。只纳入癌阳性 + 诊断一致病例，无真正阴性对照，"筛查"宣称不成立（§4.6、坑 3）。

J12：它适合作为什么定位？
"高质量、高可及、小规模"的像素级精标参考集——适合微调、评测、少样本与标注方法学研究，不适合从零预训练基础模型。

J13：DAIMS 评分多少？
综合约 8.8/10——可发现性与可获取性顶格，互操作性与可持续性略有保留（采集参数缺失、无维护路线图）。详见 §21。

§23 存照与待核：双口径与遗留疑点

本节遵循事实档案（FACTS.md §9）的存照纪律：凡双口径冲突逐条落照，凡查不到的写"遗留疑点"，不做猜测性填值。

23.1 双口径冲突逐条存照

存照一：CNB（穿刺活检芯）数量 = 60 还是 68？

来源	口径
Zenodo 官方描述（v1/v2）	60 条 H&E 染色 CNB
Scientific Data 论文摘要	60 条 CNB
OpenAIRE 探索门户摘要	68 条 H&E 染色 CNB

处置：全文按 60 成稿——以 Zenodo 官方描述 + 同行评审论文摘要为准。OpenAIRE 为第三方聚合门户，其摘要存在转录/口径差，记为"笔误存疑"。检索时若见到 68，请回到 Zenodo 官方记录核对。

存照二：主包体积 = 34.42 GB 还是 34.50 GB？

版本	字节数	约值
v1 prostate_dataset.zip	34,421,828,088	≈34.42 GB
v2 dataset.zip	34,500,335,228	≈34.50 GB

处置：非冲突，是版本增补（v2 多了辅助表 + 主体微调）。引用体积时须注明版本，勿混用。

存照三：间质（stroma）是否在主类别列表中？

来源	表述
Zenodo 描述	“stroma” 出现在"未注释区域后处理自动标注"语境
Scientific Data 摘要	将 stroma 列入主类别枚举

处置：统一按"显式类别 9 类 + 未注释区自动归间质"陈述，两者不矛盾——间质既是显式类别，也承载自动填充部分（§2.5）。

存照四：副标题/规模表述的粒度口径。
Zenodo 强调注释粒度为 “core/region level”（芯/区域级），本条目全文沿用此口径，不用"全像素全覆盖"表述（§3.4）。

23.2 遗留疑点清单

#	疑点	影响	补齐路径
1	Zenodo API version 字段返回 None	版本以 DOI 判定（v1 18930300 / v2 21780258），无法从 metadata 直读版本号	以 version DOI 为准，或查 Zenodo 页面版本标签
2	扫描仪型号、放大倍率、μm/px（Mpp）	跨数据集尺度对齐的硬缺口	查 Scientific Data 正文 Methods → Image acquisition
3	逐张 WSI 的 Gleason/ISUP 分级分布	无法从本集做分级分析	解析 clinical_diagnosis.csv（7,063 B）确认是否含分级字段
4	37 WSI 与 60 CNB 的映射细节（是否多芯/张）	影响芯级聚合与划分	解析 core_mapping.csv（9,485 B）
5	独立第三方基准/引用计数	抓取时点为 0（新近发布，预期如此）	后续观察 Zenodo metrics 与学术引用
6	作者贡献细分（谁标了哪些切片）	注释溯源	查论文 CRediT 作者贡献声明
7	H&E 染液配方 / IHC 抗体清单	复现染色流程	查论文正文 Methods → Staining
8	后续版本路线图（是否会有 v3）	可持续性评估	跟踪 Zenodo record 更新

遗留疑点 2、3、4 均可通过解析随数据集发布的辅助表或读论文正文解决，成本低（辅助表合计 <20 kB），建议有复现需求的团队优先处理——尤其是疑点 2（Mpp），它是跨数据集实验可行性的前提。

23.3 来源 URL 存照

数据集（Zenodo）

• 概念 DOI：https://doi.org/10.5281/zenodo.18930299
• v2 记录页：https://zenodo.org/records/21780258
• v1 记录页：https://zenodo.org/records/18930300
• Zenodo API（v1）：https://zenodo.org/api/records/18930300
• Zenodo API（v2）：https://zenodo.org/api/records/21780258

论文（Scientific Data）

• 文章页：https://link.springer.com/article/10.1038/s41597-026-08349-y
• DOI：10.1038/s41597-026-08349-y

第三方聚合收录

• OpenAIRE：https://explore.openaire.eu/search/dataset?pid=10.5281%2Fzenodo.18930299

同团队姊妹集（PRECISE）

• 数据集：https://zenodo.org/records/20721779
• 预印本 DOI：10.64898/2026.07.21.26358559

23.4 硬数字与来源对照表

硬数字	取值	来源
WSI 数	37	Zenodo 描述 / Scientific Data 摘要
CNB 数	60	Zenodo 官方描述 / Scientific Data 摘要（OpenAIRE 记 68，见存照一）
患者数	32	Zenodo 描述 / Scientific Data 摘要
专家注释数	15,480	Zenodo 描述 / Scientific Data 摘要
显式组织类别数	9	Zenodo 描述 / Scientific Data 摘要
作者数	9	Zenodo 作者列表
机构数	6	FACTS §3 机构-作者归属
概念 DOI	10.5281/zenodo.18930299	Zenodo
论文 DOI	10.1038/s41597-026-08349-y	Scientific Data
v1 发布日期	2026-03-10	Zenodo v1
v2 发布日期	2026-08-03	Zenodo v2
论文发布日期	2026-09-22	Scientific Data
伦理批准日	2025-02-07（协议 2024.477）	论文伦理声明
许可	CC BY 4.0	Zenodo API metadata

23.5 一句话收束

本条目所有硬数字均取自 Zenodo 官方描述、Scientific Data 论文摘要与 Zenodo API metadata 三源的交集；唯一第三方门户（OpenAIRE）的"68 芯"与官方"60 芯"冲突，已按"以官方与同行评审源为准"的纪律处置并存照。凡三源未覆盖者（扫描参数、逐张分级、芯↔切片映射细节），一律列为遗留疑点，不做推测性填值——这是"不臆造"底线的具体落实。

---

本条目的定位：prostate-cnb-wsi 是千方病案医数集内首个"西班牙单机构、全新采集、H&E 为主 + IHC 辅助、双专家共识像素级注释、CC BY 4.0 全公开直链、含临床诊断与芯映射辅助表"的前列腺穿刺活检 WSI 数据集条目。它以"高可及、高标注质量、小规模"补齐了库内 PANDA 家族（规模化 / 切片级 / 派生重标注）与 SICAPv2（同国 / patch 级）之外的第三类——原生精标、全开放、像素级组织分割。使用方法、边界与陷阱已尽数在 §10、§17、§18、§20 说明；未尽事项见 §23 存照与待核。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• panda-plus — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 图像分类 / 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 / 图像分类 / 评测基准 / 肿瘤学
• camelyon17 — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
• unitopatho — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
• 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
• mendeley-lbc — 共享标签：医学影像 / 病理图像 / 图像分类 / 评测基准 / 肿瘤学
• lisc — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 图像分类 / 评测基准
• raabin-wbc — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 图像分类 / 评测基准
• all-idb — 共享标签：医学影像 / 病理图像 / 图像分类 / 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

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。