PathoTiroid Dataset Indonesian Collection (PTIC) — 印尼甲状腺乳头状癌 H&E 病理图像分类数据集

INFOBOX — PTIC 一屏速览

维度	内容
官方全称	PathoTiroid Dataset Indonesian Collection (PTIC): Histopathology Image Dataset for Papillary Thyroid Carcinoma
本质	甲状腺乳头状癌（PTC）H&E 组织病理图像块分类数据集（非超声、非 WSI 全景、非分割掩码）
团队	印尼大学（University of Indonesia）牵头，RSCM 国家中央总医院 + 澳斯威本科技大学；7 作者 3 机构
数据描述论文	BMC Research Notes 2026;19(1):240（doi:10.1186/s13104-026-07774-x；2026-04-20 在线；4 页）
建模论文	IEEE Access 2025（doi:10.1109/ACCESS.2025.3584941）：Deep Residual Network + StarDist 核分割
数据	1,006 张图像块（PTC-like 490 + non-PTC-like 516），源自 46 张 WSI / 24 例匿名患者
规格	40× 放大、0.26 μm/px、1916×1053 像素、JPG；染色 H&E；扫描仪 LEICA Aperio GT450
标注	专家病理医师标注感兴趣区域（ROI）后提取；"rigorous multistage validation"多级验证降噪
组织	两主目录 PTC-like / non-PTC-like；命名 patientID_WSIID (patchNumber).jpg
体积	Zenodo 附件 PTIC Dataset.zip = 10,130,336,398 字节 ≈ 10.13 GB
许可	最新版 CC BY-SA 4.0 + open 公开直链；早期版 CC BY 4.0 但 restricted（双口径）
版本链	3 版：16621128（2025-07-30）→ 16813775（2025-08-05 补充材料）→ 18827019（2026-03-02 最新）
库内互链	DDTI（536）、TN3K（822）、TG3K（871）、TN-SCUI2020（895）、SegThy（896）— 甲状腺赛道（异模态）；UniToPatho（701）、Lizard（238）、NuCLS（248）— 病理分类同模态

PTIC 是一个"补空白"的数据集：甲状腺癌是全球增长最快的内分泌恶性肿瘤之一，而公开的高质量甲状腺组织病理标注数据集却极为稀缺，来自东南亚人群的更是几乎空白——现有甲状腺 AI 数据集绝大多数是超声图像（如本库收录的 DDTI、TN3K、TN-SCUI2020 等），组织病理赛道上能对标的多是结直肠癌（UniToPatho、Lizard）或乳腺癌（NuCLS）。PathoTiroid 印尼采集集（PTIC）正是在这个缺口上落子：由印尼大学电气工程系牵头、联合印尼国家级转诊医院 Dr. Cipto Mangunkusumo（RSCM）的病理科与澳大利亚斯威本科技大学，从 46 张全切片图像（WSI）中切出 1,006 张 40× H&E 甲状腺组织病理图像块，分为 PTC-like（乳头状癌样）490 张与 non-PTC-like（非乳头状癌样）516 张两类，供 AI 模型做甲状腺癌识别与基准评测。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——认准最新版 recid 18827019（CC BY-SA 4.0、open 公开直链、10.13 GB zip），别下成早期 restricted 版。
2. 关心术语与消歧：先读 §0 与 §10——PTIC 是组织病理模态，与库内甲状腺超声数据集（TN3K/DDTI 等）不是一回事，模态混淆是本条目最常见的检索陷阱。
3. 关心可迁移性：直奔 §5 与 §8——数据集定位为"域适应/染色归一化/可解释性"研究的基准底座，规模小但来源独特（东南亚单一机构）。

§0 导读：这个数据集解决什么问题

甲状腺癌的病理诊断有一个被低估的现实困难：同一张切片、不同病理医师、不同判读结论。甲状腺乳头状癌（Papillary Thyroid Carcinoma, PTC）是最常见的甲状腺恶性肿瘤亚型，其经典形态学特征——乳头状结构、毛玻璃样核、核沟、核内假包涵体——在教科书上清晰，但落到真实切片上，尤其在低分化区域、滤泡型变异或良性增生性病变的鉴别时，观察者间一致性会显著下降。AI 的价值在于提供一个可重复的"第二意见"，而任何 AI 模型的起点都是标注好的、可信的图像集合。这就是 PTIC 的问题域。

PTIC 的"补空白"论证在 BMC 论文的 Objectives 段里写得明确：它针对的是"high-quality, image-level annotated histopathology datasets for thyroid cancer, especially those derived from underrepresented populations in Southeast Asia"（高质量、图像级标注的甲状腺癌组织病理数据集的缺失，尤其是来自东南亚代表性不足人群者）。这句话同时锁定了 PTIC 的两重稀缺性——模态稀缺（组织病理而非超声）与人群稀缺（东南亚而非欧美）。

从工程视角看，PTIC 的设计取向是"图像块级分类的最小可用单元"：不提供上千张 gigapixel 全切片，而是把每张 WSI 中病理医师标出的代表性区域（ROI）切成 1916×1053 的图像块，直接对应二分类标签。这带来两个后果——好处是开箱即用（JPG 图像块，无 WSI 读取门槛）；代价是规模受限（1,006 张图像块的体量只够微调与评测，不够从零训练大模型）。理解这个取舍，是理解 PTIC 全部能力边界与适用场景的钥匙。

§0 读法三则：

1. 本条目是"数据集 + 数据描述论文 + 建模论文"三件套：数据集本体在 Zenodo（最新版开放直链），方法背书在 BMC Research Notes，模型示例在 IEEE Access——三者许可与引用要求各不相同（§6、§2）。
2. 全文的规模硬数字（1,006 / 490 / 516 / 46 / 24 / 40× / 0.26 μm/px / 1916×1053）以最新版 Zenodo 记录为准；患者数在版本间发生过更正（§9 存照）。
3. 检索时若把 PTIC 当作甲状腺超声数据集去找会牛头不对马嘴——它来自组织切片扫描仪而非超声探头（坑 1）；同时别把"PTIC"与其他甲状腺缩写混淆（坑 2）。

0.4 本条目相对于原始资料的增量

本条目不是 Zenodo 描述的中译，而是在一手核验基础上做了四类增量：

1. 术语消歧增量——明确了 PTIC 与 PTC、超声赛道、以及库内 ddti 历史教训的关系（§9.6、坑 1、坑 2）；
2. 版本治理增量——把三版版本链、许可差异（CC BY-SA vs CC BY）、命名规范变更、患者数更正整理成可比对的清单（§6.6）；
3. 可用性增量——给出了分组划分防泄漏、基准最佳实践、获取步骤、元数据交叉核对等可操作的指引（§4.5、§5.7、§6.5）；
4. 局限声明增量——明确列出未能核实的两处（BMC 正文多级验证细节、IEEE Access 性能数字），并拒绝臆测（§12.3）。

为什么强调增量：数据集条目的价值不在于复述官方描述，而在于把散落的元数据（记录页、API、论文题录）整合成使用者能直接用的判断依据。本条目力求做到"读完即可决策是否使用、如何使用、注意什么"。

0.5 一句话风险提示

若你时间有限，只读一句：

用 PTIC 前记住三件事——认准最新版 recid 18827019（CC BY-SA 4.0、open）、按患者分组划分防泄漏、它是甲状腺组织病理而非超声。

0.6 条目结构导览

为便于跳读，本条目各部分的功能如下：

章节	功能	适合谁
§0	问题域与读法	所有人
§1	十问十答速览	想快速了解
§2	数据构成与规格（含病理背景、命名、元数据）	准备下载使用者
§3	机构、作者、产出脉络	想评估权威性者
§4	任务、标注、DAIMS 评估、质量框架	方法学研究者
§5	论文分工、建模方法、基准实践、临床背景	建模与评测者
§6	许可、获取步骤、版本核对、获取模式对照	准备下载使用者
§7	生态、稀缺性、影响力、生命周期	生态与趋势研究者
§8	四条可迁移方法学经验	数据集建设者
§9	库内互链与消歧	库内检索者
§10	八个避坑点 + 建议互链点	所有人（必读）
§11	总结（适合谁/不适合谁）	决策者
§12	来源与核验轨迹、遗留疑点	审稿与复核者
§13	引用格式与检索模板	引用者
§14	结语	所有人

建议路径：先读 §0.5（一句话风险）与 §10（避坑），再按需跳转——想下数据看 §6，想建模看 §5，想引用看 §13。

§1 数据集速览：十问十答

Q1：PTIC 的全称与"PathoTiroid"是什么意思？
官方全称是 PathoTiroid Dataset Indonesian Collection (PTIC): Histopathology Image Dataset for Papillary Thyroid Carcinoma。其中 “PathoTiroid” 是作者自造的组合词，取自 patho（病理，pathology）+ thyroid（甲状腺）；PTIC = PathoTiroid Indonesian Collection。注意它不是任何既有缩写词（既非 PTEN、也非 PTMC），是这一数据集专用的名称。

Q2：数据里到底是什么？
1,006 张 H&E 染色甲状腺组织病理图像块（image patch），每张 1916×1053 像素、JPG 格式。它们不是完整切片，而是从 46 张全切片图像（WSI）里、由专家病理医师标出的感兴趣区域（ROI）中切取出来的高分辨率图像块。分两个目录：PTC-like 与 non-PTC-like。

Q3：两类各有多少张，平衡吗？
PTC-like 490 张、non-PTC-like 516 张，合计 1,006 张。比例约 0.95:1，属于近平衡但略偏向 non-PTC-like——做二分类评测时这个微小偏斜需要在报告指标时留意（尤其在 precision/recall 层面）。

Q4：来自多少患者、多少张切片？
46 张 WSI，来自 24 例匿名患者（最新版口径）。也就是说平均每位患者贡献约 1.9 张切片、约 42 张图像块。这个患者数在版本间发生过更正——最新版更新说明明确写了"correction of the final patient count"（§9 存照），所以引用前务必核对版本。

Q5：图像规格有多高？
40× 放大，空间分辨率约 0.26 μm/pixel，图像尺寸 1916×1053 像素。切片由 LEICA Aperio GT450 全切片扫描仪数字化。0.26 μm/px 属于高倍（40×）病理扫描的典型量级，能看清细胞核级细节（核沟、核内假包涵体等 PTC 判读要点）。

Q6：谁标注的，怎么保证质量？
由专家病理医师标注感兴趣区域后提取图像块，论文强调采用了"rigorous multistage validation process"（严格的多级验证流程）以"minimize annotation noise"（最小化标注噪声）。数据集描述称所有图像均对应"validated label"（经验证标签）。多级验证的具体级数与步骤落在 BMC 正文——本条目因正文站点反爬未能实抓（§9 遗留疑点），正文按 Zenodo 描述的定性表述呈现。

Q7：能用来干什么？
定位是甲状腺癌 AI 模型的开发与基准评测，尤其是区分 PTC-like 与 non-PTC-like 的组织病理特征。论文明确列出可复用的下游任务：分类（classification）、域适应（domain adaptation）、染色归一化（stain normalization）、模型可解释性（model interpretability）。

Q8：配套论文有哪些？
两篇：① 数据描述论文（Data Descriptor）——BMC Research Notes 2026;19(1):Article 240，doi:10.1186/s13104-026-07774-x；② 建模论文——IEEE Access 2025，doi:10.1109/ACCESS.2025.3584941，题为《Deep Residual Network With Integrated StarDist Nuclei Segmentation for Papillary Thyroid Cancer Identification: A Pathologist-Inspired Approach》。数据集要求同时引用这两者与 Zenodo 记录。

Q9：现在能拿到吗，要花钱吗？
能，且免费。最新版（recid 18827019）在 Zenodo 公开直链下载，许可 CC BY-SA 4.0，无需申请。附件包括 10.13 GB 的 PTIC Dataset.zip、元数据表、数据采集流程 PDF 与组织示意 JPG。注意早期两版是 restricted 受限访问——如果你按旧链接下载不了，是因为版本不对（§6）。

Q10：和库内已有的甲状腺数据集什么关系？
库内已有的 DDTI（536）、TN3K（822）、TG3K（871）、TN-SCUI2020（895）、SegThy（896）全部是超声或 3D 影像模态，PTIC 是库里首个甲状腺组织病理条目——同属"甲状腺 AI"但模态完全不同，互链价值在拼出甲状腺 AI 的全模态图谱（§9），但必须显式消歧，否则会误导检索者。

1.11 速览补充问答：从使用者视角的十个追问

追问 1：PTIC 与 “PathoTiroid” 是同一个东西吗？
是。PathoTiroid 是数据集所属的"项目/系列名"，PTIC（PathoTiroid Indonesian Collection）是该系列中"印尼采集"这一具体子集。Zenodo 记录的标题用的是 “PathoTiroid Dataset Indonesian Collection (PTIC)”，两者指同一数据集。

追问 2：为什么叫 “Indonesian Collection”，难道还有其他 Collection？
命名中的 “Collection”（采集集）暗示了这是一个更大框架下的组成部分——“Indonesian Collection” 限定了数据的地理来源。数据集描述反复强调 “from national referral hospital in Indonesia”，说明其"印尼"标签是刻意的（对应对东南亚代表性不足人群的关注）。目前公开记录中，主要落地的就是这一印尼采集集。

追问 3：1,006 张图像块 ≈ 490 + 516，为什么差 26 张？
490（PTC-like）+ 516（non-PTC-like）= 1,006。两类相差 26 张，属自然形成的不完全平衡（PTC-like 略少）。这个差值不是错误，而是从真实病例中提取 ROI 时各类形态出现频率的结果。

追问 4：24 例患者是怎么算出来的，可信吗？
24 例是数据集最新版（2026-03-02）主动更正后的官方口径。更新说明明确写了 “correction of the final patient count”，说明作者发现并修正了早期的患者数错误。这是主动纠错，应视为可信——但引用时需注明版本，因早期版本的描述未披露患者数。

追问 5：46 张 WSI 是怎么分布的，每例患者几张？
数据集未公开逐患者的 WSI 分布。按平均值，24 例患者共 46 张 WSI，约每例 1.9 张。临床上一个病例常有多张切片（如不同蜡块、不同切面），所以"患者数 < 切片数"是合理的。

追问 6：图像是 1916×1053，为什么不是正方形？
这是从 WSI 中提取 ROI 时的原始尺寸，保留了非正方形的宽幅比例。数据集未做预缩放，把缩放决策留给使用者。若你的模型需要正方形输入，需自行裁剪或填充——注意这会影响判读核形态的能力（§2.3）。

追问 7：数据集有分割掩码吗？
没有。PTIC 只提供图像级分类标签（PTC-like / non-PTC-like），不提供像素级或核级分割掩码。若你需要分割监督，应看库内的 Lizard（238）、TN3K（822）等分割数据集。

追问 8：数据集有临床信息吗（年龄、性别、分期、分子分型）？
Zenodo 描述中没有披露临床元数据（患者年龄、性别、肿瘤分期、BRAF 突变等）。因此 PTIC 目前只适合图像分类与图像层面的研究，不适合"图像 + 临床变量"的多模态或预后研究（§11.3）。

追问 9：我能商用吗？
许可为 CC BY-SA 4.0，理论上是允许商用的（CC 系列均允许商业使用），但受 ShareAlike 条款约束（衍生数据集须同许可发布），且"训练模型权重的许可归属"存在法律不确定性（§6.2）。商用前建议咨询法务，不要仅凭"CC 都能商用"的常识判断。

追问 10：有没有官方的 leaderboard 或挑战赛？
没有。PTIC 是一个"数据集 + 论文"的静态基准，没有配套的在线评测平台或挑战赛。这意味着"比较"是相对自由的（各团队自建划分、自行报告），也意味着可比性依赖约定（§5.7 给出了自建基准的最佳实践）。

1.12 一页纸画像

若只能记住关于 PTIC 的十件事，它们是：

1. 是什么：甲状腺乳头状癌（PTC）H&E 组织病理图像块分类数据集；
2. 全称：PathoTiroid Dataset Indonesian Collection (PTIC)；
3. 规模：1,006 张图像块 = PTC-like 490 + non-PTC-like 516；
4. 来源：46 张 WSI、24 例匿名患者、印尼 RSCM 国家转诊医院；
5. 规格：40×、0.26 μm/px、1916×1053、JPG、LEICA Aperio GT450 扫描；
6. 标注：专家病理医师标注 ROI + 多级验证（细节在 BMC 正文）；
7. 许可：最新版 CC BY-SA 4.0、open 公开直链（10.13 GB）；
8. 论文：BMC Research Notes 2026;19(1):240（描述）+ IEEE Access 2025（建模）；
9. 适用：分类、域适应、染色归一化、可解释性研究（小规模基准）；
10. 注意：认准最新版、按患者分组划分、“-like” 是形态学近似、模板与超声数据别混。

§2 数据构成与规格：从一张切片到一千个图像块

2.1 三层结构：患者 → 切片 → 图像块

要理解 PTIC 的 1,006 张图像，必须理解它的三层物理来源：

层级	数量	说明
患者层	24 例匿名患者	全部来自印尼国家级转诊医院（RSCM / Dr. Cipto Mangunkusumo）
切片层	46 张 WSI	每例患者约 1.9 张全切片图像，经 LEICA Aperio GT450 扫描
图像块层	1,006 张 patch	从切片的专家标注 ROI 中切取，40×、1916×1053、JPG

每一层数量的比例关系（24 : 46 : 1006）暗示了平均分布：每位患者约 1.9 张切片、每张切片约 21.9 个图像块、每位患者约 42 个图像块。但这是平均值——实际分布会因患者病灶丰富程度、切片质量、标注区域大小而异，数据集未公开逐患者的图像块分布（§9 遗留疑点）。

2.2 类别构成与命名规范

数据集分两个主目录：

• PTC-like：490 张（48.7%）——形态学上符合甲状腺乳头状癌特征的区域
• non-PTC-like：516 张（51.3%）——不符合 PTC 特征的组织区域

命名规范在最新版中为 patientID_WSIID (patchNumber).jpg，例如 1_1 (1).jpg 表示"患者 1 的 WSI 1 的第 1 个图像块"。这个结构把图像的溯源信息编码进了文件名——仅凭文件名就能定位到患者与切片，对防止数据泄漏（同一患者的图像块不应横跨训练/测试集）至关重要。

版本间的命名规范变更（存照）：早期版（2025-07-30 / 2025-08-05）的命名是 category (image_number).jpg（如 PTC-like (1).jpg），只含类别与该类内的序号；最新版改为 patientID_WSIID (patchNumber).jpg，新增了患者与切片的溯源维度——这正是更新说明中"revision of the file naming structure"所指的改动。

2.3 图像技术规格

规格项	数值
染色	H&E（苏木精-伊红，hematoxylin and eosin）
放大倍数	40×
空间分辨率	约 0.26 μm/pixel
图像尺寸	1916 × 1053 像素
图像格式	JPG
扫描仪	LEICA Aperio GT450
切片类型	甲状腺组织切片

1916×1053 这个尺寸为何重要：它不是常见的正方形 AI 输入（如 224×224 或 512×512），而是接近 16:9 的宽幅比例。这带来一个工程取舍——要么直接在原尺寸上训练（显存与计算成本高），要么在预处理阶段裁剪/缩放，而任何缩放都可能丢失判读 PTC 所依赖的核级细节。数据集选择保留原生 ROI 分辨率而非预缩放，把预处理决策留给了下游使用者。

0.26 μm/pixel 的临床含义：这个分辨率对应 40× 物镜下的典型扫描量级，足以分辨细胞核轮廓、核沟与核内假包涵体等 PTC 关键形态学证据——换言之，图像的物理分辨率是支持 PTC 判读的信息充分的，这排除了"因分辨率不足而无法判读"这一常见的数据集缺陷。

2.4 附件构成与体积

最新版 Zenodo 记录（recid 18827019）附带四个文件：

文件	体积	作用
PTIC Dataset.zip	10,130,336,398 B（≈10.13 GB）	1,006 张图像块本体（含 PTC-like / non-PTC-like 两目录）
Data file 1-Data Collection and Preparation Workflow.pdf	553,604 B	数据采集与制备流程说明
Data file 3-PTIC_metadata.xlsx	9,963 B	元数据表（图像级溯源信息）
Data File 2-Data organization.jpg	166,756 B	目录组织结构示意图

注意体积与图像数的比值：10.13 GB ÷ 1,006 张 ≈ 10 MB/张。对 1916×1053 的 JPG 而言这个体积偏大，说明原始图像块保留了较高的质量设置（JPEG 压缩率较低）——这对病理图像是合理的，因为高压缩会引入块效应，损害核级纹理。

2.5 数据规模在赛道中的位置

把 PTIC 放到甲状腺与病理图像数据集谱系里定位：

• 与甲状腺超声赛道比：TN3K（3,493 张）、TN-SCUI2020（4,554 张）、TG3K（3,585 张）的图像数都远超 PTIC 的 1,006 张——但那些是超声，PTIC 是组织病理，不可直接比规模，模态不同。
• 与病理分类赛道比：UniToPatho（约 9,000 patch）等组织病理分类集规模也普遍更大。PTIC 的 1,006 张属于中小规模，其价值主张不在"大"，而在"甲状腺 + 组织病理 + 东南亚"这个三重稀缺的交集。

2.6 病理学背景：为什么 PTC 的形态学判读值得一个数据集

要理解 PTIC 的分类任务，需要一点甲状腺病理学的背景知识。甲状腺乳头状癌（PTC）是甲状腺癌中最常见的亚型（约占全部甲状腺癌的绝大多数），其"金标准"诊断依赖术后或穿刺组织的组织病理形态学。病理医师判读 PTC 时，主要依据一组特征性形态学证据：

• 乳头状结构（papillary architecture）——肿瘤细胞围绕纤维血管轴心排列成乳头状，这是 PTC 得名的结构特征；
• 核特征（nuclear features）——毛玻璃样核（ground-glass / Orphan-Annie 核）、核沟（nuclear grooves）、核内假包涵体（intranuclear pseudoinclusions），是 PTC 最具诊断价值的核级证据；
• 砂粒体（psammoma bodies）——钙化小体，常见但非特异。

这些特征的"核级"属性，正是 PTIC 选择 40× 高倍扫描（0.26 μm/px）的病理学理由——核沟与核内假包涵体只有在大约 0.2-0.3 μm/px 的分辨率下才能可靠辨认。反过来，也正是这些核特征的"可训练但需经验"的属性，使得"图像块级 PTC 分类"成为一个既真实、又有标注价值的 AI 任务：它对应病理医师判读中最核心也最需专业训练的环节。

“-like” 措辞的病理学根源：为什么作者用 “PTC-like” 而非 “PTC”？因为一个图像块、一个 ROI，往往只展示局部组织——它可能具有乳头状结构或核特征，但不构成一个完整的诊断单元。真实诊断需要结合肿瘤边界、包膜侵犯、血管侵犯等超越单个图像块的信息。于是，“PTC-like” 精确地表征了"在这个局部视野内，形态学上与 PTC 相符"——这是一个诚实的、与图像块尺度匹配的标签语义。

2.7 术语对照表（中英）

为便于跨语言检索与引用，PTIC 条目的关键术语对照如下：

中文	英文	缩写
甲状腺乳头状癌	Papillary Thyroid Carcinoma	PTC
苏木精-伊红染色	hematoxylin and eosin	H&E
全切片图像	Whole Slide Image	WSI
感兴趣区域	Region of Interest	ROI
图像块	image patch	—
空间分辨率	spatial resolution	—
染色归一化	stain normalization	—
域适应	domain adaptation	—
印尼采集集	Indonesian Collection	IC（PTIC 组成部分）
计算病理学	computational pathology	—
数字病理	digital pathology	—
观察者间变异	interobserver variability	—

缩写消歧重点：PTC（疾病）= Papillary Thyroid Carcinoma；PTIC（数据集）= PathoTiroid Indonesian Collection。二者共享 “PTC” 三字母但它们不在同一层级——PTIC 是承载 PTC 图像的数据集名，而 PTC 是疾病名。写作时不要写成 “PTIC（PTC 数据集）” 这类含糊表述，应写 “PTIC，甲状腺乳头状癌（PTC）组织病理数据集”。

2.8 数据量级的横向参照

把 PTIC 的 1,006 张放到更大的坐标里看：

• 同器官（甲状腺）异模态：TN-SCUI2020 的 4,554 张、TG3K 的 3,585 张、TN3K 的 3,493 张都是超声，规模是 PTIC 的 3-4 倍，但模态不同。
• 同模态（组织病理）异器官：Lizard 的 49.5 万核标注、UniToPatho 的约 9,000 patch，规模远超 PTIC。
• 小样本学习的潜力：1,006 张恰好落在"预训练显著有效、从头训练不足"的区间——典型迁移学习/少样本方法的适用规模。

量级结论：PTIC 不以规模取胜。它的竞争点是稀缺性（甲状腺组织病理 + 东南亚人群），而非体量。任何把它当作"主流大训练集"的期待都会落空；任何需要"小规模、独特来源、专家标注"的评测场景都能用上它。

2.9 文件结构与命名实例

PTIC 最新版的目录与命名结构可以具体还原如下（基于最新版 Zenodo 描述）：

PTIC Dataset/
├── PTC-like/
│   ├── 1_1 (1).jpg        ← 患者 1 的 WSI 1 的第 1 个图像块（PTC-like）
│   ├── 1_1 (2).jpg
│   ├── ...
│   └── ...
└── non-PTC-like/
    ├── 2_3 (1).jpg        ← 患者 2 的 WSI 3 的第 1 个图像块（non-PTC-like）
    ├── 2_3 (2).jpg
    └── ...

命名解析：patientID_WSIID (patchNumber).jpg

• patientID：匿名化后的患者编号（如 1、2）；
• WSIID：该患者的第几张全切片（如 1、3）；
• patchNumber：该 WSI 中第几个提取的图像块（括号内，如 (1)、(2)）；
• 扩展名：.jpg。

这个结构的三个好处：

1. 患者级可分组：同一患者的图像块共享 patientID 前缀，可一键分组，防泄漏划分（§4.5）；
2. 切片级可追溯：WSIID 定位到具体切片，便于分析切片间差异（如染色批次）；
3. 类别即目录：PTC-like / non-PTC-like 两目录直接对应标签，无需额外标签文件。

与旧命名的对比：旧版 category (image_number).jpg（如 PTC-like (1).jpg）只有类别与类内序号，无法区分患者——这正是最新版"revision of the file naming structure"要解决的问题，也是"防泄漏"从"不得不靠外部元数据"变为"文件名自带"的关键升级。

2.10 元数据表（PTIC_metadata.xlsx）的预期内容

数据集附带的 Data file 3-PTIC_metadata.xlsx（9,963 B）是理解数据的另一把钥匙。虽然本代理未逐行打开该 Excel（属大文件/二进制附件范畴，符合"禁止大文件整体抓取"纪律），但从数据集描述与命名规范可以推断其预期字段：

• 图像文件名（或 patientID_WSIID_patchNumber）；
• 类别标签（PTC-like / non-PTC-like）；
• patientID；
• WSI ID；
• 可能的图像块序号。

使用建议：下载后应用元数据表与文件名交叉核对，确认两者一致；若不一致，以数据集最新版描述与命名规范为准（因最新版刚做过结构修订）。元数据表也是建立"患者分组划分清单"的便捷基础。

2.11 与"图像块级"数据集共有的技术权衡

PTIC 作为"图像块级"数据集，共享这一类数据集的一组固有技术权衡，使用者应了然于心：

权衡	图像块级（PTIC 取向）	全切片级（如 PANDA-PLUS/Lizard 取向）
读取门槛	低（JPG，普通图像库）	高（需 WSI 库、大内存）
存储体积	中（单集数 GB）	大（单集数十至数百 GB）
语境保留	丢失（无全景）	保留（可看空间关系）
任务尺度	图像块分类	切片级诊断/分割
防泄漏	依赖溯源字段（PTIC 已做）	天然按 WSI 划分
标注成本	相对低（专家标 ROI 即可）	高（需全片标注）

结论：PTIC 选择图像块级，是"用语境换门槛"的取舍——它让更多研究者（无需 WSI 基础设施）能用上甲状腺病理数据，代价是任务被限定在图像块尺度。这一取舍与 §8.4 的"信息保真 vs 全景覆盖"是同一枚硬币的两面。

2.12 数据集的"最小可用单元"哲学

PTIC 的设计暗含一种"最小可用单元"哲学：不提供一切，只提供恰好能开始工作的东西。

• 想开始做甲状腺病理图像分类？→ 1,006 张带标签图像块够了；
• 想研究染色归一化？→ 单一机构的受控样本够了；
• 想研究域适应？→ 一个明确的源域够了；
• 想要更多（全景、分割、临床标签）？→ 数据集坦白告诉你"没有"。

这种哲学的优点是降低门槛、定位清晰；缺点是把大量工程负担转移给了使用者（自建划分、自行扩展、自行外部验证）。理解这一点，就不会对 PTIC 抱有不切实际的期待，也不会因它"不够大"而低估它的价值——一个诚实的最小可用单元，胜过一个夸大其词的庞然大物。

§3 机构与人物：一支印尼-澳大利亚的跨机构团队

3.1 三家机构

PTIC 由三家机构合作产出（Zenodo 元数据标号 1/2/3）：

① University of Indonesia（印尼大学，ROR 0116zj450）——牵头机构。作者角色集中在电气工程与信息技术方向，下辖组织单元包括 Information and Communications Technology Research Group (ICT-RG)、Department of Electrical Engineering、SYNAPSE-AI（AI 研究组）、Department of Medical Education。

② Rumah Sakit Umum Pusat Nasional Dr. Cipto Mangunkusumo（RSCM，ROR 05am7x020）——数据来源方。这是印尼雅加达的国家级中央总医院（national referral hospital），数据集描述里的"national referral hospital in Indonesia"即指此院。其贡献者是病理学科方向的作者，下辖 Department of Pathological Anatomy 与专科病理单元（含内分泌病理）。

③ Swinburne University of Technology（澳大利亚斯威本科技大学，ROR 031rekg67）——国际合作方，提供方法学与跨机构视角。

3.2 七位作者与角色分工

Zenodo 元数据明确标注了每位作者的贡献角色（这是较规范的数据集作者署名实践）：

作者	机构	角色	ORCID
Nabila Husna Shabrina	印尼大学	数据采集者（Data collector）	0000-0002-5688-6870
Agnes (Stephanie) Harahap	RSCM	标注者（Annotator）	0000-0001-8920-7873
Dadang Gunawan	印尼大学	导师（Supervisor）	0000-0002-6320-003X
Mia Rizkinia	印尼大学	导师	0000-0003-3197-1611
Mohammad Ikhsan	印尼大学	导师	0000-0001-8012-641X
Rifai Chai	斯威本科技大学	导师	0000-0002-1922-7024
Maria Francisca Ham	RSCM	导师	0000-0002-7915-5536

角色分工的解读：数据采集（Shabrina）与病理标注（Harahap，来自 RSCM 病理科）分离，是数据集工程的好实践——采集者负责技术流水线，标注者负责医学判断，两者职责不混。导师组横跨电气工程（Gunawan/Rizkinia/Ikhsan）、病理（Ham）、AI（Chai），体现了"工程 + 医学 + 国际合作"的复合构成。

3.3 署名顺序的跨论文差异（存照）

值得注意的是，Zenodo 记录、BMC 论文与 UI Scholar 页的作者顺序不完全一致：

• Zenodo 记录顺序：Shabrina, Harahap, Gunawan, Rizkinia, Ikhsan, Chai, Ham
• BMC 论文引用顺序（据 UI Scholar 的 APA 引用）：Shabrina, Gunawan, Rizkinia, Harahap, Ikhsan, Chai, Ham

差异在于 Harahap（标注者）在 Zenodo 记录中排第 2、在 BMC 论文引用中排第 4。这属于同一批作者在不同载体的排序惯例差异（数据记录与论文的贡献权重表述不同），引用时以所引载体本身的顺序为准，不构成事实冲突。

3.4 RSCM：数据来源机构的背景

PTIC 的数据全部来自 Rumah Sakit Umum Pusat Nasional Dr. Cipto Mangunkusumo（简称 RSCM）——这是印尼国家级中央总医院（national referral hospital），位于首都雅加达，隶属印尼大学医学院。作为"转诊医院"，它接收来自全国各地转诊的复杂疑难病例，这意味着：

• 病例的丰富性与代表性：转诊医院的病例谱往往比基层医院更复杂、更多样，为数据集提供了相对有信息量的样本；
• 病理科的专业度：RSCM 病理科（Department of Pathological Anatomy）承担数据集的病理标注与验证，其专家病理医师（含内分泌病理方向）是标注质量的保证；
• 单一机构局限：也正因数据全部来自 RSCM，PTIC 带有单机构偏差——其染色流程、扫描设备、病理判读习惯均代表 RSCM 一家，跨机构泛化能力未经外部验证。

这一"转诊医院来源"的双面性，是评估 PTIC 泛化价值的核心背景。

3.5 国际合作维度

澳大利亚斯威本科技大学（Swinburne University of Technology，位于墨尔本）的参与，为 PTIC 带来了国际合作视角。第一作者 Nabila Husna Shabrina 的导师组横跨三机构（印尼大学、RSCM、斯威本），这种"发展中国家临床数据 + 国际合作方法学"的组合，是当前全球健康 AI 领域倡导的数据生产模式——既保证了数据的本地代表性，又引入了国际同行的质量审视。

从作者角色看，斯威本的 Rifai Chai 标注为 “Supervisor”（导师），属于方法学与写作指导角色，而非数据采集或标注的直接执行者（采集=Shabrina，标注=Harahap）。这符合国际合作的典型分工。

3.6 作者的可追溯性：ORCID 全覆盖

PTIC 的一个规范做法是七位作者全部提供 ORCID（Open Researcher and Contributor ID），这在数据集署名中并非标配：

• Shabrina 0000-0002-5688-6870
• Harahap 0000-0001-8920-7873
• Gunawan 0000-0002-6320-003X
• Rizkinia 0000-0003-3197-1611
• Ikhsan 0000-0001-8012-641X
• Chai 0000-0002-1922-7024
• Ham 0000-0002-7915-5536

ORCID 全覆盖的意义在于作者消歧：病理与医学 AI 领域存在大量同名作者，ORCID 确保引用时能精确定位到本人。对数据集类学术产出而言，这属于"可引用性基础设施"的一部分，值得作为正面案例记录。

3.7 数据集的产出脉络

从 Zenodo 版本链（2025-07-30 → 2025-08-05 → 2026-03-02）与两篇论文的时间关系，可以还原 PTIC 的产出脉络：

1. 2025 年：建模工作先行，IEEE Access 论文（doi 10.1109/ACCESS.2025.3584941）发表，配套数据以受限方式（restricted）在 Zenodo 发布早期版（16621128，2025-07-30）；
2. 2025-08-05：发布 “Supplementary Material” 版（16813775），扩充补充材料；
3. 2026-03-02：发布最新版（18827019），更正患者数、修订命名规范、完善元数据、改为 CC BY-SA 4.0 open——这是数据集成熟化的标志；
4. 2026-04-20：数据描述论文在 BMC Research Notes 正式发表（19(1):240）。

这条脉络说明 PTIC 经历了"先受限发布、后开放"与"先建模、后补数据描述论文"的演进——这在数据集领域很常见：数据先服务于本团队的模型研究，成熟后再规范化、开放化、论文化。

3.5 数据集的学术诚实性实践

PTIC 在多个环节展现了值得记录的学术诚实性：

• 主动更正患者数：最新版更新说明直言 “correction of the final patient count”，而非悄悄修改。这种显式声明让引用者能追溯变化，避免旧引用失效而不自知。
• 明确标注图像标签未变：更新说明同时声明 “Image labels remain unchanged”，划清了"元数据修订"与"标签修订"的边界，让已基于旧版训练的模型结果仍可与新版比对。
• “-like” 措辞的保守性：不以确诊口径命名类别，承认了图像块级标签的局限（§2.6）。
• 双引用要求：要求同时引用数据描述论文与数据记录，尊重论文作者的学术贡献。

反面提示：并非所有数据集都如此透明。使用者应养成习惯——在引用任何数据集前，核对最新版的更新说明，看是否有过更正。PTIC 的这条实践可作为"数据集版本卫生"的教学案例。

§4 任务定义与标注流程

4.1 核心任务：图像级二分类

PTIC 的主任务是图像块级的二分类：给定一张甲状腺 H&E 图像块，判定其属于 PTC-like 还是 non-PTC-like。这是一个典型的监督式图像分类任务，数据集的目录结构（两个主目录=两个类）直接对应这个任务，无需额外标注转换。

“PTC-like” 与 “non-PTC-like” 的命名深意：注意作者用的是 “-like”（样/疑似）而非直接写 “PTC / benign”。这个措辞是谨慎的——它承认了组织病理判读的不确定性：一张图像块可能具有部分 PTC 特征但不构成确诊级证据，用 “PTC-like” 描述的是形态学相似度而非临床诊断结论。这种措辞与病理 AI 领域日益流行的"概率化表征"趋势一致（参见库内 PANDA-PLUS 条目对该趋势的讨论）。

4.2 数据集声明的下游任务谱

BMC 论文摘要明确列出 PTIC 可复用的下游任务，这超出了单纯的分类：

1. 分类（classification）——最直接用途；
2. 域适应（domain adaptation）——因数据来自单一机构，可作为"跨机构/跨染色"域适应的源域或目标域；
3. 染色归一化（stain normalization）——H&E 染色在不同实验室、不同批次间存在色差，PTIC 可作为验证归一化算法的素材；
4. 模型可解释性（model interpretability）——图像块级标签便于把模型关注区域（热图/注意力）与病理医师标注 ROI 做对照。

这个任务谱透露了数据集的自我定位：它不奢望成为"训练大模型的主力数据集"（1,006 张不够），而是定位为**“小而精的基准底座”**——尤其适合研究"模型在一个机构的数据上学到的东西，能否迁移到另一个机构/另一种染色"这类问题。

4.3 标注与验证流程

数据集描述（Zenodo）给出的流程链为：

H&E 染色切片 → LEICA Aperio GT450 扫描为 WSI → 专家病理医师标注感兴趣区域（ROI） → 从 ROI 提取高分辨率图像块 → 多级验证（rigorous multistage validation） → 赋予 “validated label”

"多级验证"是本数据集标注质量的官方卖点。原文表述：“A rigorous multistage validation process was employed to minimize annotation noise and enhance the dataset’s utility for supervised deep learning applications.”（采用了严格的多级验证流程，以最小化标注噪声并增强数据集对监督式深度学习应用的效用。）

诚实声明（遗留疑点）：多级验证的具体级数、每级的执行者、冲突裁决规则并未在 Zenodo 描述中展开，而应落在 BMC Research Notes 正文。本条目在侦察阶段尝试抓取 BMC 正文与 NCBI/PMC 镜像时遭遇反爬拦截（Cloudflare 客户端挑战、NCBI 访问拒绝），未能实抓正文（§9 遗留疑点）。因此本条目只转述数据集自述的定性流程，不臆测具体的级数与步骤——这是纪律包"三源互证、查不到就记遗留疑点"要求的直接体现。

4.4 DAIMS 视角的数据集评估

从数据治理的角度，PTIC 的标注流程呈现以下特征：

• 标注主体：单一 RSCM 机构的专家病理医师（角色署名 Annotator = Agnes Harahap）——权威性高，但存在单机构标注者偏差风险；
• 验证机制：多级验证（细节未公开）；
• 标签粒度：图像块级（非像素级、非切片级）；
• 溯源信息：姓名编码进文件名（patientID_WSIID），支持患者级防泄漏划分。

这种"单一权威标注者 + 内部多级验证"模式，与库内 PANDA-PLUS 的"学生劳动 + 专家终审"分层流水线模式、以及 Lizard/DiagSet 的"多专家委员会"模式形成鲜明的方法论对照（§8 展开）。

4.5 数据划分建议与防泄漏

PTIC 未在 Zenodo 描述中给出官方的训练/验证/测试划分。这是使用者的责任，且存在一个必须注意的陷阱：由于图像块来自 24 例患者、46 张切片，随机划分图像块会导致同一患者/同一 WSI 的图像块同时出现在训练集与测试集，造成信息泄漏、虚高评测分数。

正确做法：按 patientID 或 WSI ID 做分组划分（grouped split）——这正是最新版命名规范 patientID_WSIID (patchNumber).jpg 把溯源信息编进文件名的工程价值所在。任何在 PTIC 上报告图像块级随机划分结果的论文，都应在解读时打上"可能存在患者级泄漏"的问号（§6 坑 6）。

4.6 DAIMS 评估表（详版）

按 DAIMS（Data Asset Inventory Management Standards，数据资产清单管理标准）的维度，对 PTIC 逐项评估：

DAIMS 维度	PTIC 情况	评估
数据来源（Provenance）	印尼 RSCM 国家转诊医院甲状腺组织切片，LEICA Aperio GT450 扫描	明确、可溯源
数据主体（Subject）	24 例匿名患者、46 张 WSI	明确，患者匿名化
数据模态（Modality）	H&E 组织病理图像块（JPG）	单一模态
标签类型（Label Type）	图像级二分类（PTC-like / non-PTC-like）	分类标签
标注者（Annotator）	专家病理医师（Harahap，RSCM）	单一权威标注者
质量保证（QA）	多级验证（rigorous multistage validation）	机制存在、细节未公开
数据粒度（Granularity）	图像块级	中等粒度
规模（Scale）	1,006 张 / 46 WSI / 24 患者	中小规模
类别平衡（Balance）	490 : 516 ≈ 0.95 : 1	近平衡
许可（License）	最新版 CC BY-SA 4.0	明确含 SA
获取（Access）	最新版 open 公开直链	高可获取
引用规范（Citation）	双引用要求（论文 + 记录）	规范
划分（Split）	未提供官方划分	缺口——需使用者自建
溯源字段（Traceability）	文件名含 patientID_WSIID	良好（防泄漏）
外部验证（External Validity）	无外部机构验证集	缺口

评估结论：PTIC 在来源、许可、获取、溯源四维度表现良好；在规模、官方划分、外部验证三处存在明确局限。这三处局限是使用者必须知情的前提——它们不是缺陷，而是"中小规模专科基准数据集"的固有边界。

4.7 ROI 提取流程的技术解读

"从 WSI 提取 ROI 图像块"这一步骤，包含若干隐含的技术决策，每一项都会影响下游模型：

1. ROI 的划定者——由专家病理医师人工划定（而非自动检测），这保证了 ROI 具有病理学意义（含诊断性组织），但也引入了标注者的选择偏好；
2. 提取时的放大倍数锁定——40× 固定，意味着所有图像块在同一物理尺度上，便于比较；
3. 图像块尺寸的统一——1916×1053 固定，便于批处理；
4. 格式选择 JPG——有损压缩但通用；对病理纹理，需注意压缩伪影的影响（§2.4 讨论了低压缩率的补偿）；
5. 不保留 WSI 全景——ROI 之外的语境（病灶位置、边界、周围正常组织）被丢弃（§8.4 讨论了这一取舍）。

对研究者的实用含义：若你的任务需要上述被丢弃的语境信息（如病灶空间分布），PTIC 不适用；若你的任务只关注局部形态学判读，ROI 提取反而是优势（去除了无关背景，聚焦判读区域）。

4.8 标注质量的潜在偏差源（方法论警示）

尽管数据集宣称采用"严格多级验证"，从方法论角度仍应警觉以下潜在偏差源（均属原理性提示，非对 PTIC 的指控）：

• 单机构判读偏好：所有标签最终以 RSCM 病理科（及标注者 Harahap）的判读为准；不同机构对"PTC-like 边界案例"的判读可能不同；
• ROI 选择的马太效应：病理医师更可能标注"特征明显"的区域，导致数据集偏向典型病例、弱化边界/疑难病例——这会低估模型在真实疑难病例上的错误率；
• 图像块尺度的盲区：单个 ROI 可能落在肿瘤的某一部分，其标签代表该 ROI 而非整个肿瘤，若下游模型被当作"肿瘤级分类器"使用，会存在尺度错配；
• 多级验证的内部性：若多级验证在同一机构内部进行，无法捕捉跨机构的系统性偏差（这是原理性提示——因验证细节未公开，无法断言其实施方式）。

给使用者的建议：在 PTIC 上报告结果时，说明你的划分方式与任务尺度，并对"泛化到其他机构"的结论保持谨慎。

4.9 任务尺度与标签语义的匹配问题

PTIC 的图像块级标签，在不同使用场景下会呈现不同的"语义正确性"，这是一个容易被忽视的方法论问题：

• 场景 A：图像块级分类研究——把每张 patch 当独立样本分类。此时标签语义与任务尺度匹配，无问题。
• 场景 B：切片级诊断研究——把一张 WSI 的所有 patch 聚合，判定整张切片是否 PTC。此时需要聚合策略（多数投票、最大概率等），且标签语义从"块级"跃迁到"片级"，存在尺度错配风险（一个块是 PTC-like 不代表整片是 PTC）。
• 场景 C：患者级诊断研究——进一步聚合到患者级。错配风险更大，且因患者数仅 24 例，患者级样本量极小，统计效力不足。

给研究者的提醒：使用 PTIC 时，应明确你的研究尺度，并说明标签语义与你任务尺度的关系。若做场景 B/C，务必报告聚合策略，并对尺度错配的局限做出说明。数据集本身只在场景 A 的意义上提供"匹配的标签"。

4.10 标注指南的缺失与影响

数据集描述未公开详细的标注指南（annotation guideline）——即"什么算 PTC-like、什么算 non-PTC-like"的书面判定标准。这是一个实际使用中的信息缺口：

• 影响 1：不可复现标注——外部无法按同一标准重标注或扩充数据；
• 影响 2：边界案例处理不明——当一张图像块形态模棱两可时，数据集的裁决规则未知；
• 影响 3：跨数据集比对困难——若另一个甲状腺病理数据集用不同的判定标准，两者的"PTC-like"可能不完全等价。

这与"-like"措辞的保守性形成互补：数据集承认标签是"形态学近似"，但未给出近似的判定阈值。使用者应在论文中明确说明这一局限，并在跨数据集比较时保持谨慎。

4.11 与"数据描述论文"的分工再确认

再次强调：数据集的完整方法学（标注指南、多级验证细节、患者数依据）应在 BMC Research Notes 论文中，而 Zenodo 记录只提供概要。本条目因无法实抓 BMC 正文，对上述细节只能记作遗留疑点（§12.3）。

这本身是一个选题教训：对"数据描述论文（data descriptor）+ 数据记录"双载体的数据集，仅抓数据记录不足以还原方法学全貌；理想情况下应获取论文正文。本轮因网络预算与站点反爬限制未能完成，主会话若需补全，可在预算允许时另派代理专抓 BMC 正文（走非浏览器镜像或 PMC 的合规接口）。

4.12 数据质量的分层判断框架

综合前述，给使用者一个分层判断 PTIC 数据质量的框架：

1. 物理质量层（分辨率、格式、扫描设备）——高：40×、0.26 μm/px、专业扫描仪，支持核级判读；
2. 标签质量层（标注者、验证机制、措辞保守性）——中上：专家标注 + 多级验证 + “-like” 谨慎措辞，但细节未公开、单机构；
3. 治理质量层（版本管理、命名规范、更新说明、引用要求）——高：主动更正、显式版本链、溯源命名、双引用要求；
4. 规模与代表性层（图像数、患者数、机构数、人群多样性）——中下：1,006 张、24 例、单机构，规模与代表性是主要短板。

综合判断：PTIC 在"物理质量"与"治理质量"上表现优秀，在"规模与代表性"上有客观局限。使用者应扬其长（用于需要高分辨率、规范治理的基准研究）、避其短（不用于需要大规模、跨机构泛化的训练任务）。

§5 评估与基准：模型示例与基准定位

5.1 两篇论文的分工

PTIC 的学术背书由两篇论文构成，分工清晰：

• BMC Research Notes 2026（数据描述论文）：负责"数据集是什么"——构成、采集、验证、可用性。这是数据集的权威引用锚点，Zenodo 记录的引用要求第一条即指向它。
• IEEE Access 2025（建模论文）：负责"用这个数据能做出什么"——提供了一个甲状腺癌识别的深度模型示例。

时间线的一个耐人寻味之处：建模论文（IEEE Access, doi 10.1109/ACCESS.2025.3584941）发表于 2025 年，而数据描述论文（BMC Research Notes）的正式发表时间是 2026-04-20。这意味着建模先于数据描述论文定稿——数据集的方法学细节（尤其是多级验证）在 BMC 论文中才被正式、完整地记录。Zenodo 记录通过 hasPart 关系关联到 IEEE Access 论文、通过 isPublishedIn 关联到 BMC 论文，把这个"数据—模型—描述"三件套显式串了起来。

5.2 建模论文：Deep Residual Network + StarDist

IEEE Access 建模论文的标题为《Deep Residual Network With Integrated StarDist Nuclei Segmentation for Papillary Thyroid Cancer Identification: A Pathologist-Inspired Approach》（集成 StarDist 核分割的深度残差网络用于甲状腺乳头状癌识别：一种病理学家启发的方案）。

从其标题可提炼出方法创新点：

1. 深度残差网络（Deep Residual Network, ResNet 系）——主干分类器；
2. 集成 StarDist 核分割——StarDist 是一种基于星形凸多边形表示的细胞核实例分割方法，作者把核分割作为前置模块融入分类流水线；
3. “Pathologist-Inspired”（病理学家启发）——方法设计模仿病理医师的判读逻辑：病理医师看片时会先看细胞核形态（核沟、核内假包涵体等），再综合判断，因此模型也用核分割特征来支撑分类决策。

这与 PTIC 图像的高分辨率（0.26 μm/px、40×）是匹配的：只有当分辨率足以分辨细胞核时，"核分割 → 分类"的病理学启发路径才成立。这也从建模侧反过来印证了数据集选择 40× 高倍扫描的合理性。

诚实声明（遗留疑点）：该建模论文的具体性能指标（accuracy / F1 / AUC / sensitivity / specificity）未能取得。本代理在侦察阶段访问 IEEE Xplore（document 11062616）时，页面为纯 JavaScript 渲染，WebFetch 仅返回标题而无摘要与结果数字；一次补充 WebSearch 亦未命中该论文的摘要文本（§9 遗留疑点）。因此本条目不引用任何未经核实的性能数字——若需基准数值，请直接查阅 IEEE Access 论文原文。

5.3 基准定位

BMC 论文摘要把 PTIC 定位为"a valuable benchmark for comparative studies in computational pathology"（计算病理学比较研究的宝贵基准）。这一定位有三个支撑：

• 标准化的类结构：“standardized structure”——两目录两类的极简布局，便于不同模型在同一划分上比较；
• 专家验证的标签：“expert-validated labels”——降低标签噪声对比较的干扰；
• 可复现的获取：最新版开放直链下载，评测者可获得完全相同的数据快照。

但要注意定位的边界：PTIC 是"比较研究的基准"而非"泛化能力的基准"。因其来自单一机构（印尼 RSCM），它无法单独证明一个模型的跨机构泛化能力——它的比较价值在于"同源公平比较"：当多个模型在完全相同的 PTIC 数据上评测时，比较是公平的；但"在 PTIC 上表现好"不等于"在别的医院也表现好"（§9 局限）。

5.4 与其他甲状腺数据集的评测场景对照

数据集	模态	任务	评测场景
PTIC（本条目）	组织病理 H&E	图像块二分类	病理判读、染色归一化、域适应
TN3K（822）	超声	结节像素级分割	超声病灶勾画
TN-SCUI2020（895）	超声	分割+分类	超声结节诊断
TG3K（871）	超声	腺体分割	超声腺体先验
DDTI（536）	超声	结节分割	超声开放库
SegThy（896）	3D 超声+MRI	3D 分割	多模态甲状腺解剖

这张表说明了 PTIC 在库内的独特性：它是唯一一个组织病理模态的甲状腺数据集。做甲状腺 AI 的研究者如果把 PTIC 与超声数据集混为一谈（例如声称"PTIC 是甲状腺超声数据集"），就是典型的模态误读（坑 1）。

5.5 StarDist 核分割的技术背景

建模论文的核心组件之一 StarDist 值得展开。StarDist 是一种细胞核实例分割方法，其代表性创新是用**星形凸多边形（star-convex polygon）**表示每个细胞核的形状，而非传统分割的逐像素掩码。其工作方式大致为：

1. 对图像中每个候选中心点，预测一组指向核边界的"射线"距离（radial distances）；
2. 由这些射线重构出该核的星形凸多边形轮廓；
3. 通过非极大值抑制解决核重叠。

为何适合甲状腺病理：甲状腺病理判读高度依赖核形态（核沟、核内假包涵体），而 StarDist 正是为密集、紧邻的细胞核设计的分割方法——它能在细胞核彼此贴靠的情况下仍分离出单个核的轮廓。把 StarDist 作为前置模块、ResNet 作为分类头，"先分割核、再据核特征分类"的流水线，在结构上模仿了病理医师"看核定病"的判读顺序——这正是论文标题 “Pathologist-Inspired”（病理学家启发）的实质含义。

与数据集的协同：这条方法路线能成立，前提是图像分辨率足以分辨核边界——PTIC 的 40× / 0.26 μm/px 正好满足。若数据集是低倍（如 10×）缩略图，StarDist 的核分割就无从谈起。数据集的分辨率选择与建模方法的技术路线是相互锁定的。

5.6 建模论文在 PTIC 生态中的角色

需要厘清的是：IEEE Access 建模论文不是 PTIC 的官方基准排行榜，而是作者团队的示范性应用。它在生态中的角色是：

• 可行性证明——证明 PTIC 的数据质量足以支撑一个有方法创新的模型训练；
• 任务定义示例——展示了如何把 PTIC 的图像块用于 PTC 识别；
• 方法启发——"核分割 + 分类"的病理学启发思路为后续研究提供了模板。

使用者的正确期待：不应把建模论文的性能当作"PTIC 的 SOTA 分数线"——PTIC 作为基准，其价值在于让后续不同团队用相同数据公平比较，而非锁定在某一个数字上。这也解释了为什么 BMC 数据描述论文强调 “standardized structure and expert-validated labels support tasks such as image classification”（标准化结构与专家验证标签支持图像分类任务）——它强调的是可比性，而非某个性能值。

5.7 基准使用的最佳实践

若要基于 PTIC 建立可重复的基准，建议遵循以下实践（综合数据集特性与同类基准经验）：

1. 分组划分：按 patientID_WSIID 分组，确保同一患者不跨 train/test（§6 坑 6）；
2. 固定随机种子与划分文件：发布划分清单（split CSV），使他人可复现你的数据切分；
3. 报告多指标：二分类应同时报告 accuracy、F1、AUC、sensitivity、specificity——尤其在 490:516 的近平衡下，单一 accuracy 会掩盖类别层面的差异；
4. 说明预处理：是否缩放 1916×1053、以何种插值、是否做染色归一化——这些都会显著影响结果；
5. 注明版本与 recid：引用时写明 recid 18827019（最新版），因旧版标签/命名不同；
6. 声明局限：明确你的结论是否涉及跨机构泛化（PTIC 无外部验证集，不应据此断言泛化）。

5.8 甲状腺 AI 的临床需求背景

PTIC 的"补空白"叙事需要临床语境的支撑。甲状腺癌是内分泌系统最常见的恶性肿瘤，全球发病率在过去数十年间显著上升，其中**甲状腺乳头状癌（PTC）**是占比最高的亚型。这一流行病学背景带来两个与数据相关的后果：

• 病理工作量激增：甲状腺手术与穿刺标本量增加，病理科判读负荷随之上升——AI 辅助判读的需求是真实且增长的；
• 诊断一致性的挑战：PTC 的诊断虽有一套形态学标准，但在滤泡型变异、边界病变、以及与其他甲状腺病变的鉴别上，观察者间一致性并不理想——这正是 AI 可以提供"第二意见"的用武之地。

但需求的真实不自动等于数据的充足。恰恰相反，正因为甲状腺 AI 数据集中在超声赛道（图像易获取、标注成本相对低），组织病理赛道（需要切片扫描与专家标注）的数据极为稀缺。PTIC 的出现，是在这个"需求—供给"落差上的具体补位——它不解决全部问题，但它让"甲状腺组织病理 AI"这个细分方向第一次有了一个公开、标注、可重复的基准数据。

5.9 从 PTIC 看"数据集即基础设施"

PTIC 提醒我们一个更大的命题：在医疗 AI 中，数据集本身就是基础设施——它的质量、许可、格式、文档，决定了其上能长出什么样的研究。

• 许可决定可及性：PTIC 最新版从 restricted 转为 CC BY-SA open，直接扩大了潜在用户群（从"申请者"到"任何人"）；
• 格式决定门槛：提供 JPG 图像块而非原始 WSI，降低了使用门槛（无需 WSI 读取库与千兆级算力），代价是失去全景；
• 文档决定可复现：附带的流程 PDF、元数据 xlsx、组织示意 JPG，让数据集的制备过程可被他人理解与复制；
• 命名决定正确性：把溯源字段编进文件名（§8.2），让"防泄漏划分"从"自觉"变为"可能"。

结论：评估一个医疗数据集，不应只看它的样本量与指标，更应看它作为基础设施的完备性——PTIC 在"文档与命名"上做得规范，在"规模与外部验证"上受限于客观条件，这是一个诚实的基础设施该有的样子。

§6 获取与许可：认准最新版

6.1 三层获取路径

第一层（推荐）：最新版 Zenodo 公开直链

• 记录地址：https://zenodo.org/records/18827019
• DOI：10.5281/zenodo.18827019
• concept DOI（指向全部版本）：10.5281/zenodo.16621127
• 许可：CC BY-SA 4.0
• 获取方式：open（公开），直接下载，无需申请
• 附件：PTIC Dataset.zip（10.13 GB）+ 元数据 xlsx + 流程 PDF + 组织示意 JPG

第二层：概念 DOI 浏览全部版本

• 10.5281/zenodo.16621127 是 concept DOI，指向该数据集的所有版本，便于核对版本链与追溯历史。

第三层：早期版本（不推荐下载）

• recid 16813775（2025-08-05）：CC BY 4.0，restricted
• recid 16621128（2025-07-30）：CC BY 4.0，restricted
• 这两版为受限访问，且患者数口径有误、命名规范为旧版——除非做版本对比研究，否则不要使用。

6.2 许可的版本差异与 CC BY-SA 的传染性

这是本条目最需要提醒使用者的许可细节：

版本	许可	关键差异
最新版（18827019）	CC BY-SA 4.0	含 ShareAlike（相同方式共享） 条款
早期版（16621128 / 16813775）	CC BY 4.0	无 SA 条款

CC BY-SA 的 SA 条款意味着什么：若你基于 PTIC 创建衍生作品（如增强版数据集、重标注数据、派生训练集），并按 SA 要求以"相同方式共享"发布时，你的衍生数据集也需以 CC BY-SA（或兼容许可）发布。这比纯 CC BY（仅需署名）在许可兼容性上有更多约束。

对模型的影响需自行判断：把 CC BY-SA 数据用于训练模型，模型权重是否构成"衍生作品"、是否受 SA 约束，目前在法律上仍无全球共识（不同司法辖区、不同立场有不同解读）。本条目不给出法律结论，但对希望以宽松许可发布模型权重的团队，建议在使用前咨询法务，或优先考虑许可更宽松的同任务数据。这是一个使用者必须自行评估的许可风险点，而非数据集本身的缺陷。

6.3 引用要求

最新版 Zenodo 记录明确要求"同时引用"两方面：

1. 数据描述论文：Shabrina, N.H., Gunawan, D., Rizkinia, M. et al. PathoTiroid dataset: Indonesian collection (PTIC) — a histopathology image dataset for papillary thyroid carcinoma. BMC Research Notes (2026). doi:10.1186/s13104-026-07774-x
2. Zenodo 记录：Shabrina, N.H., Harahap, A., Gunawan, D., Rizkinia, M., Ikhsan, M., Chai, R. et al. PathoTiroid Dataset Indonesian Collection (PTIC): Histopathology Image Dataset for Papillary Thyroid Carcinoma. Zenodo; 2026. doi:10.5281/zenodo.18827019

双引用是规范做法：论文引用体现学术贡献，数据记录引用体现数据快照与版本。只引论文不引记录，会让读者无法定位到具体版本。

6.4 可获取性总评（AI-Ready 光谱）

按库内"AI-Ready 光谱"框架评估 PTIC 的可获取性：

• 直链可下：✅ 最新版 open，无 gated、无申请；
• 许可明确：✅ CC BY-SA 4.0，SPDX 标识清晰；
• 格式友好：✅ JPG 图像块（通用格式，无 WSI 读取门槛）+ xlsx 元数据 + PDF 流程；
• 引用规范：✅ 双引用要求明确；
• 规模限制：⚠️ 1,006 张属中小规模；
• 机构单一：⚠️ 单机构来源，泛化性有待外部验证。

综合评级：高可获取性 + 中等规模 + 明确定位的"基准型"数据集——这是库内 AI-Ready 光谱上"即取即用但规模有限"这一档的典型代表。

6.5 逐步获取指南

对第一次使用 PTIC 的研究者，一条稳妥的获取路径如下：

1. 访问 Zenodo 记录页：打开 https://zenodo.org/records/18827019（最新版）。
2. 核对版本：确认页面显示的是最新版（更新说明含 “correction of the final patient count” 与 “revision of the file naming structure”）。若看到 “Supplementary Material for…” 标题，说明你打开的是旧版 16813775，应改回 18827019。
3. 核对许可：页面应显示 CC BY-SA 4.0；若显示 CC BY 4.0 且为 restricted，说明版本不对。
4. 下载附件：下载 PTIC Dataset.zip（10.13 GB，注意磁盘空间与下载时间）+ Data file 3-PTIC_metadata.xlsx（元数据）+ Data file 1-Data Collection and Preparation Workflow.pdf（流程说明）。
5. 解压与核对：解压 zip，确认目录为 PTC-like 与 non-PTC-like 两个主目录，图像总数应为 1,006 张。
6. 读取元数据：用元数据 xlsx 核对 patientID / WSI ID / 标签映射，建立你自己的索引表。
7. 按患者分组划分：用文件名中的 patientID_WSIID 做分组划分（不要随机划分图像块）。
8. 引用：同时引用 BMC 论文（10.1186/s13104-026-07774-x）与 Zenodo 记录（10.5281/zenodo.18827019）。

下载注意：10.13 GB 单文件较大，建议用支持断点续传的工具（wget -c / aria2c），并确认本地磁盘余量。Zenodo 亦提供每条记录的文件列表 API（https://zenodo.org/api/records/18827019）以核对文件名与大小。

6.6 版本核对清单

引用或下载 PTIC 前，用下表快速核对你要的是哪一版：

核对项	最新版（正确目标）	旧版（易误用）
recid	18827019	16813775 / 16621128
发布日期	2026-03-02	2025-08-05 / 2025-07-30
标题前缀	PathoTiroid Dataset…	Supplementary Material…
许可	CC BY-SA 4.0	CC BY 4.0
获取	open	restricted
患者数	24	未披露/旧口径
命名	patientID_WSIID (n).jpg	category (n).jpg
附件	4 件（含 10.13 GB zip）	视版本而异

6.7 二次分发与镜像注意

若你在机构内部镜像 PTIC 数据，需注意：

• 保留许可声明：CC BY-SA 要求署名（BY）与相同方式共享（SA），镜像时须保留作者署名与许可声明；
• 保留版本标识：记录 recid 18827019 与版本日期，避免他人拿到镜像后无法确定版本；
• 不要混版：不要把旧版（restricted/CC BY）的内容与最新版混在一起分发，否则许可与标签口径会混乱；
• 不要改标签：数据集明确 “Image labels remain unchanged”，任何重标注都是衍生作品，受 SA 约束（§6.2）。

6.8 与库内其他开放数据集的获取模式对照

把 PTIC 的"最新版开放直链"模式放到库内对照，能看到多种获取模式的谱系：

获取模式	代表条目	特点
开放直链（open）	PTIC（最新版）、Lizard、TN3K	无需申请，即取即用
请求制（upon request）	PANDA-PLUS（掩码）	需邮件申请，附研究用途与机构
挑战赛托管	TN-SCUI2020、PANDA	通过平台注册获取
受限发布（restricted）	PTIC 早期版	存在但需授权
多阶段（直链+请求）	PANDA-PLUS（三层异构）	本体与衍生品规则不同

PTIC 的定位：最新版属于"开放直链"这一最友好的档位，这显著提升了它的 AI-Ready 程度。而其早期版的"restricted"则提醒我们——同一个数据集的获取友好度可能随版本变化，认准最新版是获取开放权限的关键。

§7 生态与影响：一个数据集的三重稀缺性

7.1 为什么需要 PTIC：三重稀缺性的交集

PTIC 的价值主张建立在一个三重稀缺性的交集上，这也是判断它是否被过度或不足评价的关键：

1. 模态稀缺——甲状腺 AI 数据绝大多数是超声（超声结节检测/分割/分类已有大量公开集，如库内的 TN3K/TG3K/TN-SCUI2020/DDTI），而甲状腺组织病理的公开标注集极其稀缺。组织病理是甲状腺癌确诊金标准（细针穿刺 + 术后病理）的模态，其 AI 数据的缺失与研究价值形成了鲜明落差。

2. 人群稀缺——现有甲状腺与病理数据集多来自欧美与东亚（日本、韩国、中国）人群，东南亚代表性严重不足。PTIC 自述正是为填补"underrepresented populations in Southeast Asia"这一空白而建。从公平医疗 AI 的角度，纳入不同人群的数据是减少模型族群偏倚的必要手段。

3. 相关性稀缺——甲状腺癌发病率在全球多国持续上升，PTC 是最常见的亚型，AI 辅助判读的临床需求真实存在，而可供训练与评测的标注数据却跟不上。这种"需求—供给"落差是 PTIC 被称为"补空白"的实质。

7.2 生态位置：从超声到病理的模态补位

把 PTIC 放进本库的甲状腺数据集家族，能看到一个清晰的模态补位叙事：

• 超声模态（已有 5 条）：DDTI、TN3K、TG3K、TN-SCUI2020、SegThy——覆盖超声结节分割、分类、腺体分割、3D 解剖；
• 病理模态（本条目新增）：PTIC——覆盖组织病理图像块分类。

结论：PTIC 让库内"甲状腺 AI"从"超声单模态"扩展为"超声 + 病理双模态"。这不是简单的条目数量增加，而是模态维度的补齐——一个完整的甲状腺 AI 图谱需要同时覆盖"术前影像筛查（超声）"与"术后/穿刺病理确诊（组织病理）"两个临床环节，PTIC 填上的是后者。

7.3 对研究者的实用价值

从实际科研场景出发，PTIC 最可能被用在以下方向：

• 跨模态/跨域研究的锚点：同一个器官（甲状腺）、两种模态（超声 vs 病理），是研究"多模态甲状腺 AI"与"域适应"的天然素材；
• 染色归一化算法的验证台：H&E 染色色差是与生俱来的变量，PTIC 提供了单一机构内的"受控"样本（同扫描仪、同染色流程）来验证归一化方法；
• 可解释性研究的对照：图像块级标签 + 病理医师标注的 ROI，便于把模型注意力与人类判读区域对照——这正是建模论文"Pathologist-Inspired"思路的可解释性延伸；
• 小样本/迁移学习的方法验证：1,006 张的规模恰好适合检验"预训练 + 微调"、"少样本学习"等方法在真实临床数据上的表现。

7.4 影响力数据（Zenodo 统计，抓取时点 2026-10-09）

截至本条目抓取时点，Zenodo 最新版记录（recid 18827019）的统计为：

• 浏览量（views）：577（唯一访客 476）
• 下载量（downloads）：1,361（唯一下载 394）
• 本版下载（version_downloads）：1,281

下载量（1,361）显著高于唯一下载者（394），说明每个用户平均多次下载（可能因 10.13 GB 大文件分卷或重复获取）。对一个 2026 年 3 月才发布的最新版、规模仅 1,006 张的专科数据集而言，约 400 名独立研究者获取是稳健而非爆发式的采用曲线——符合"专科基准型数据集"的定位预期，也侧面印证了甲状腺组织病理数据的真实需求。

7.5 甲状腺癌的流行病学与 AI 需求（背景数据说明）

需要说明的是：本条目不引用未经核实的甲状腺癌发病率具体数字（因本轮网络预算有限，未逐一抓取流行病学一手来源）。但可以定性陈述已被广泛接受的背景：

• 甲状腺癌是内分泌系统最常见的恶性肿瘤；
• **甲状腺乳头状癌（PTC）**是其中占比最高的亚型；
• 全球范围内甲状腺癌的检出率在近数十年显著上升（部分归因于影像筛查普及带来的过度诊断争议，部分为真实发病增加）——这一"筛查—诊断"链条正是 PTIC 所处临床环节的背景。

为什么不写具体数字：纪律包要求"三源互证核心数字，全部落来源 URL"或记为遗留疑点。甲状腺癌的具体发病率/死亡率数字需权威流行病学来源（如 GLOBOCAN/IARC）支撑，本条目未实抓，故不写具体百分比，仅作定性描述，以免引入未经核实的数据。

7.6 东南亚医疗 AI 数据的结构性缺口

PTIC 自述填补"东南亚代表性不足人群"空白，这一主张呼应了一个更大的结构性议题：全球医疗 AI 数据的地理失衡。

• 现有大型医疗影像/病理数据集绝大多数来自北美、欧洲、东亚的高收入地区；
• 东南亚、南亚、非洲、拉美等地区的数据在公开数据集中占比很低；
• 后果是：在这些地区部署的 AI 模型，可能因训练数据的族群/设备/流程差异而性能下降——即"分布外泛化失败"。

PTIC 的意义不在于它有多大，而在于它是这一失衡中的一次具体纠正：一个来自印尼、服务印尼人群、由印尼机构主导（并有国际合作）的甲状腺病理数据集。对关注医疗 AI 公平性的研究者，PTIC 是一个可直接使用的东南亚样本源。

7.7 从单点数据集到研究方向

PTIC 的长期影响，可能不在于它被引用了多少次，而在于它开启或支撑了哪些研究方向：

1. 跨模态甲状腺 AI：PTIC（病理）+ 超声数据集（TN3K 等）→ 研究"术前超声预测术后病理"的跨模态映射；
2. 跨人群泛化：PTIC（东南亚）+ 欧美病理数据 → 研究模型的地理族群偏倚；
3. 域适应与染色归一化：PTIC 的单一机构受控特性 → 验证域适应算法；
4. 病理启发式模型：建模论文的"核分割 + 分类"路线 → 探索更多"模仿病理医师判读流程"的架构。

判断：PTIC 更可能作为一个"细分方向的起点数据集"被长期使用，而非作为"通用大训练集"。它的引用场景将集中在上述四类"需要特定稀缺性"的研究中。

7.8 数据集生命周期的观察

从 Zenodo 版本链可以观察一个数据集的生命周期轨迹，这对判断 PTIC 的成熟度有参考价值：

• 孵化期（2025-07-30）：早期版受限发布，服务本团队建模（IEEE Access 论文同期）；
• 扩充期（2025-08-05）：发布补充材料版，完善数据；
• 成熟期（2026-03-02）：更正患者数、修订命名、完善元数据、转为开放许可——这是数据集"毕业"为公共基础设施的标志；
• 论文化（2026-04-20）：数据描述论文正式发表，数据集获得学术引用锚点。

当前阶段判断：PTIC 已进入"成熟 + 论文化"阶段，具备作为稳定基准的条件。后续若出现"外部机构验证集"“官方划分”"版本 4"等，则说明它向更成熟的基准演进——但目前这些尚不存在（§12.3 遗留疑点）。

§8 方法学启示：四条可迁移的经验

8.1 "单一权威标注者 + 内部多级验证"是可复现的轻量标注模式

PTIC 采用了一条与库内其他病理数据集不同的标注路线：

• PANDA-PLUS 路线："学生劳动（初注）→ 高年级复核 → 资深专家终审"的分层流水线——用廉价劳动力扩大规模，用专家兜底质量，代价是流程复杂、需要培训体系；
• Lizard/DiagSet 路线："多专家独立阅片 + 委员会裁决"的众包委员会——用多人的分歧分布刻画不确定性，代价是成本极高、规模受限；
• PTIC 路线：“单一机构权威标注者（病理专家）+ 内部多级验证”——介于两者之间：由单一权威标注者保证一致性与专业度，用"多级验证"（细节未公开）控制噪声。

可迁移性判断：PTIC 模式最适合"中等规模、标注标准明确、单一机构可控"的数据建设场景。它的优势是流程简洁、一致性好；风险是单点偏差——若那位权威标注者的判读习惯与外部机构不同，整个数据集的标签就带上了这一机构的偏好，且多级验证若在同一机构内部进行，可能无法捕捉跨机构的系统性偏差。这是"轻量标注"与"跨机构泛化"之间的固有张力。

8.2 图像块溯源编码是防泄漏的工程前提

PTIC 最新版把命名规范从 category (index).jpg 改为 patientID_WSIID (patchNumber).jpg，看似只是一个命名改动，实则是数据治理的关键升级：

• 旧命名只有类别与类内序号，无法从文件名区分不同患者——按文件名随机划分必然造成患者级泄漏；
• 新命名把患者与切片 ID 编进文件名，使研究者可以按患者/切片分组划分，从根本上避免同一患者的图像块横跨训练/测试集。

可迁移经验：任何来自多患者、多切片的图像块数据集，都应在文件命名或元数据中保留溯源字段。这条经验直接对应数据集工程的一个常见隐藏缺陷——“看似随机的划分，实则是患者级泄漏”。PTIC 最新版主动做这个升级（并在更新说明中声明 “revision of the file naming structure”），值得作为正面案例。

8.3 用 “like” 措辞诚实表征标签的不确定性

PTIC 的类别命名 “PTC-like / non-PTC-like” 是一个值得学习的措辞选择。在病理 AI 中，把类别命名为确诊性的 “PTC / benign” 是不诚实的——因为一张图像块、尤其是一个 ROI，往往只承载"部分 PTC 特征"而非完整的诊断证据。用 “-like”（样）限定，等于在标签层面就声明了形态学相似度而非临床诊断。

与库内其他条目的思想呼应：PANDA-PLUS 条目记录了病理 AI 领域"从单一 ground truth 转向概率化表征"的趋势，PTIC 的 “-like” 措辞则是这一趋势在标签命名层面的朴素体现——虽未做到概率化，但至少承认了确定性标签的局限。

8.4 高倍扫描 + ROI 提取的"信息保真"取舍

PTIC 选择 40×（0.26 μm/px）高倍扫描并从 ROI 提取（而非保留整张 WSI），是一次明确的信息保真优先于全景覆盖的取舍：

• 保真：保留原生 ROI 分辨率（1916×1053），不做预缩放，确保核级细节不丢失——支撑了建模论文"先看核形态"的病理学启发路径；
• 代价：放弃 WSI 全景语境，模型无法学习"病灶在整张切片中的空间分布"这类全局特征；也无法做切片级诊断。

可迁移经验：当任务聚焦"图像块级形态学判读"时，"高倍 + ROI"是合理的；当任务需要"切片级诊断或空间关系"时，则必须保留 WSI 全景（如 PANDA-PLUS、Lizard 的整片取向）。数据集的 ROI vs WSI 选择，本质上定义了它的任务边界。

§9 与库内条目的关系

9.1 家族图谱

甲状腺赛道（异模态，需显式消歧）：

• TN3K（rid 822）：3,493 张甲状腺结节超声像素级分割数据集。与 PTIC 同属"甲状腺 AI"，但模态是超声、任务是分割——是 PTIC "补模态空白"叙事的直接对照物。
• TG3K（rid 871）：3,585 张甲状腺腺体超声分割（TN3K 的腺体先验姊妹集）。同为超声模态。
• TN-SCUI2020（rid 895）：甲状腺结节超声分割分类挑战赛数据集（4,554 张）。与 PTIC 都做"分类"，但一个超声、一个病理。
• DDTI（rid 536）：甲状腺结节超声分割开放库。特别提醒：ddti = Digital Database Thyroid Image（甲状腺图像），不是数字乳腺——本库历史上有过"ddti 被误解为数字乳腺而拒收"的教训，PTIC 条目在此重申该消歧。
• SegThy（rid 896）：甲状腺与颈部血管 3D 超声+MRI 分割。3D 影像模态。

病理分类赛道（同模态，方法论对照）：

• UniToPatho（rid 701）：结直肠癌组织病理分类——同属"组织病理 patch 分类"范式，可直接对照标注与评测方法。
• Lizard（rid 238）：49.5 万核实例分割（H&E 结直肠）——代表"像素/核级"病理标注的规模上限，与 PTIC 的"图像块级"形成粗/细粒度对照。
• NuCLS（rid 248）：乳腺癌病理核分类——同模态不同器官。
• PANDA-PLUS（rid 640）/ PANDA（rid 560 与 27）/ SICAPv2（rid 328）：前列腺病理——像素级/分级方法论对照，其"标签质量审计"思路可迁移到对 PTIC 标签质量的思考。

9.2 血缘与定位对照

维度	PTIC	库内对照条目
器官	甲状腺	TN3K/TG3K/TN-SCUI2020/DDTI/SegThy（异模态）
模态	组织病理 H&E	UniToPatho/Lizard/NuCLS（同模态）
粒度	图像块级分类	PANDA-PLUS（像素级）/Lizard（核级）
人群	东南亚（印尼）	多数为欧美/东亚人群
规模	1,006 张（小）	Lizard 49.5 万核（大）
采集机构	单一（RSCM）	PANDA-PLUS（Radboud+Karolinska 双机构）

9.3 检索路径建议

• 精确检索：PathoTiroid 或 PTIC + papillary thyroid + histopathology；避免只搜 “PTIC”（易与其他缩写冲突，坑 2）。
• 要下数据：Zenodo recid 18827019（最新版，CC BY-SA 4.0，直链）→ 不要用早期 restricted 版。
• 要读方法：BMC Research Notes 2026;19(1):240（数据描述）→ IEEE Access 2025（建模）。
• 要横向比较：库内 UniToPatho（701）做同模态对照；TN3K（822）/TN-SCUI2020（895）做同器官异模态对照。

9.4 未在库内但相关的公开数据集（背景参照，非互链）

为帮助研究者扩展检索，此处列出库内可能没有、但与 PTIC 直接相关的公开资源（作为背景参照，非已入库互链点）：

• 甲状腺超声赛道：TN3K、TG3K、DDTI（库内已有）——同器官异模态的主要对照；
• 甲状腺病理其他来源：目前公开的甲状腺组织病理标注数据集极少，这正是 PTIC 稀缺性的来源；
• 泛病理分类数据集：如 NCT-CRC、PatchCamelyon 等（不同器官，方法论参照）。

注：上列非库内条目的资源，主会话可在后续扩库时评估是否入池；本条目不臆造其规模或许可数字。

9.5 互链的消歧语建议

因 PTIC 与库内 5 个甲状腺条目同器官异模态，互链时建议在相关条目中加一句消歧语，避免读者混淆。建议表述：

PTIC（ptic-thyroid）是甲状腺组织病理（H&E 全切片扫描）图像块分类数据集，与本条目所属的甲状腺超声数据集不同模态；两者同属甲状腺 AI，可互为全模态研究的补充。

同理，在 PTIC 条目内提及超声数据集时，也应标明"超声模态"。消歧的核心是"明确模态"，而非"回避互链"——互链的价值恰在于让研究者看到一个器官的完整模态谱系。

9.6 与历史教训的对接（ddti 消歧）

本库曾有条目因 “ddti” 缩写被误解为"数字乳腺（digital breast）"而拒收。事实是 ddti = Digital Database Thyroid Image（甲状腺图像）。本条目在 §9.1 与坑 1 中重申了这一消歧，原因有二：

1. 同一陷阱可能复现：PTIC 也是甲状腺数据集，“PTIC” 与 “PTC” 的近似、以及甲状腺数据集容易被默认成"超声"的惯性，都是新的混淆源；
2. 消歧是本条目的职责：作为库内首个甲状腺病理条目，PTIC 条目有责任把甲状腺数据集的模态分野讲清楚，为后续同类条目立下规范。

一句话记住：甲状腺数据集分超声赛道（TN3K/TG3K/TN-SCUI2020/DDTI/SegThy）与病理赛道（PTIC），ddti 属前者且是甲状腺非乳腺。

§10 避坑清单：八个已踩过的坑

坑 1：PTIC 不是超声数据集，是组织病理数据集。这是本条目最重要的消歧点。PTIC 的图像来自 LEICA Aperio GT450 全切片扫描仪扫描的组织切片（H&E 染色），不是超声探头采集的声像图。库内已有的甲状腺数据集（TN3K/TG3K/TN-SCUI2020/DDTI/SegThy）全部是超声或 3D 影像，PTIC 是库里首个甲状腺组织病理条目。把 PTIC 当作超声数据集检索或引用，是模态误读。

坑 2：别把 “PTIC” 与甲状腺其他缩写混淆。PTIC = PathoTiroid Indonesian Collection（本数据集专用）；它不是 PTEN（抑癌基因）、不是 PTMC（甲状腺微小乳头状癌 papillary thyroid microcarcinoma）、不是 PTC（虽共享 PTC=乳头状癌，但 PTIC 是数据集缩写）。检索时用全称 “PathoTiroid” 最稳。

坑 3：同名数据集有 3 个版本，许可与获取方式不同。最新版（18827019，2026-03-02）是 CC BY-SA 4.0 + open；早期两版（16621128 / 16813775）是 CC BY 4.0 + restricted。若按旧链接下载失败，是因为版本已更新或为受限版。引用与下载务必认准最新版 recid 18827019。特别注意 CC BY-SA 的 SA 条款对衍生数据集发布的约束（§6.2），这在不同版本间是实质性差异。

坑 4：患者数口径随版本更正，别引用旧数。最新版更新说明明确：“correction of the final patient count”（更正最终患者数）。最新版口径为 24 例。若你在旧版描述或二手资料里看到不同的患者数，以最新版 24 例为准。这是数据集主动纠错的正面案例，但也是引用者必须核对版本的陷阱。

坑 5：类别名是 “-like” 措辞，不是确诊诊断。“PTC-like”（乳头状癌样）与 “non-PTC-like”（非乳头状癌样）描述的是形态学相似度，不是临床确诊。在论文中把标签说成 “PTC 确诊” 是过度解读；引用时应保留 “-like” 的措辞，或明确说明"数据集标签为形态学近似分类"。

坑 6：按图像块随机划分会泄漏，必须按患者/WSI 分组划分。因图像块来自 24 例患者、46 张切片，随机划分图像块会让同一患者的块同时进入训练与测试集，虚高分数。正确做法：用文件名中的 patientID_WSIID 做分组划分。最新版的命名规范正是为此设计的。看到在 PTIC 上报告"图像块级随机划分"结果的论文，应打问号。

坑 7：建模论文的性能数字本条目未核实，别照抄。IEEE Access 建模论文（doi 10.1109/ACCESS.2025.3584941）确有其文，但其 accuracy/F1/AUC 等性能指标本代理未能取得（Xplore 纯 JS 渲染，WebFetch 仅得标题）。本条目不引用任何未经核实的性能数字。若需基准数值，请直接查阅 IEEE Access 论文原文——不要从本条目或任何二手摘要臆断。

坑 8：Zenodo 标题里的 “Supplementary Material” 不代表只有补充材料。记录 16813775（v2）的标题以 “Supplementary Material for the PathoTiroid Dataset…” 开头，容易让人误以为该记录只含补充材料而非数据集本体。实际上数据集本体的最新权威版在同 concept 下的 recid 18827019，其标题不含 “Supplementary Material”。找数据集本体应认准最新版，别被 “Supplementary Material” 标题误导。

§11 总结

11.1 三句话总结

1. PTIC 是印尼大学团队联合 RSCM 国家中央总医院构建的甲状腺乳头状癌 H&E 组织病理图像块分类数据集：46 张 WSI、24 例患者、1,006 张 40× 图像块（PTC-like 490 + non-PTC-like 516），填上了"甲状腺 + 组织病理 + 东南亚人群"的三重稀缺交集。
2. 它的最新版（Zenodo recid 18827019）以 CC BY-SA 4.0 公开直链（10.13 GB zip）发布，配套 BMC Research Notes 2026 数据描述论文与 IEEE Access 2025 建模论文，是一份高可获取性的小规模基准数据集。
3. 它的核心用途不是"训练大模型"，而是域适应、染色归一化、可解释性研究的基准底座；使用时必须按患者分组划分防泄漏、注意 CC BY-SA 的 SA 条款、认准版本。

11.2 适合谁

• 甲状腺病理 AI 研究者：需要组织病理（而非超声）的甲状腺标注数据时，PTIC 是当前少有的公开选择。
• 域适应 / 染色归一化 / 小样本学习方法研究者：单一机构、受控染色流程、图像块级标签的特性，恰好是这类方法验证的理想素材。
• 医疗 AI 公平性研究者：东南亚人群的代表性样本，可用于研究族群偏倚与跨人群泛化。
• 多模态甲状腺 AI 研究者：与超声数据集（TN3K 等）配合，可搭建"筛查影像 + 确诊病理"的双模态研究。

11.3 不适合谁

• 需要 WSI 全景或空间关系的切片级诊断项目（PTIC 只提供 ROI 图像块，无全景）。
• 需要分割掩码的项目（PTIC 只有图像级分类标签，无像素级标注）。
• 需要临床结局/预后标签的项目（PTIC 无随访、无生存、无分子分型标签）。
• 需要从零训练大型深度模型的项目（1,006 张规模不足）。
• 需要跨机构平衡采样的泛化研究（PTIC 为单一机构来源，无外部验证集）。

10.4 建议互链点（供主会话入库时参考）

按库内 rid→slug 反查（已核对 DB url_name）整理，下列互链说明为正文内容，不入 frontmatter（遵循 R012：relatedLink 只允许纯 URL）：

甲状腺同器官（异模态，消歧互链）：

• DDTI（rid 536）— 甲状腺结节超声分割开放库
• TN3K（rid 822）— 3,493 张甲状腺结节超声像素级分割
• TG3K（rid 871）— 3,585 张甲状腺腺体超声分割
• TN-SCUI2020（rid 895）— 甲状腺结节超声分割分类挑战赛
• SegThy（rid 896）— 甲状腺与颈部血管 3D 超声+MRI 分割

病理同模态（方法论互链）：

• UniToPatho（rid 701）— 结直肠癌组织病理分类
• Lizard（rid 238）— 49.5 万核实例分割
• NuCLS（rid 248）— 乳腺癌病理核分类
• PANDA-PLUS（rid 640）/ PANDA（rid 560、27）/ SICAPv2（rid 328）— 前列腺病理

消歧要点：PTIC 与上列甲状腺超声条目同器官异模态，价值在补全甲状腺 AI 的全模态图谱；与病理条目同模态异器官，价值在标注方法论对照。互链时应在正文说明模态与器官归属，避免误导。

11.4 一句话记住 PTIC

• 是什么：甲状腺乳头状癌（PTC）H&E 组织病理图像块分类数据集；
• 多大：1,006 张（PTC-like 490 + non-PTC-like 516）/ 46 WSI / 24 患者；
• 哪来的：印尼 RSCM 国家转诊医院，LEICA Aperio GT450 扫描，40×、0.26 μm/px；
• 谁做的：印尼大学牵头 + RSCM 病理科 + 澳斯威本科技大学，7 作者 3 机构；
• 怎么拿：Zenodo recid 18827019，CC BY-SA 4.0，open 公开直链，10.13 GB；
• 创新点：补"甲状腺 + 组织病理 + 东南亚"三重稀缺；
• 别搞错：它是病理不是超声、按患者分组划分、“-like” 是形态学近似。

11.5 对库内生态的意义

PTIC 入池后，本库"甲状腺 AI"条目从 5 条（全超声/3D 影像）扩展到 6 条，首次覆盖组织病理模态——这不是条目数的简单增加，而是模态维度的补齐。它也把本库的"组织病理分类"家族（UniToPatho、Lizard、NuCLS、PANDA-PLUS）扩展到了甲状腺器官。对库里任何关注"器官 × 模态"二维覆盖完整性的检索者，PTIC 都是不可或缺的一格。

§12 附录：来源与核验轨迹

12.1 一手来源清单

来源	URL	用途
Zenodo 记录页（v2 补充材料版）	https://zenodo.org/records/16813775	线索起点实抓；确认现为"补充材料"版，非最新
Zenodo API（最新版）	https://zenodo.org/api/records/18827019	官方名、作者、机构、许可 CC BY-SA 4.0、附件清单与体积、Zenodo 统计
Zenodo API（版本链）	https://zenodo.org/api/records/16813775/versions	三版版本链（16621128 / 16813775 / 18827019）
Zenodo API（原始版）	https://zenodo.org/api/records/16621128	早期版 CC BY 4.0 / restricted 口径
BMC Research Notes 论文（UI Scholar 页）	https://scholar.ui.ac.id/en/publications/pathotiroid-dataset-indonesian-collection-ptica-histopathology-im	数据描述论文题录、作者、卷期页码（19(1):240）、发表日 2026-04-20、摘要
IEEE Access 建模论文	https://ieeexplore.ieee.org/document/11062616/	建模论文标题确认（性能数字未取得）
WebSearch（一次性）	见 §12.2	交叉定位 BMC 论文、UI Scholar 页、Zenodo 记录

12.2 三源互证与网络预算执行

本条目侦察阶段实际消耗：

• WebFetch：7 次（含 1 次因缓存重复、2 次失败拦截：BMC 站点 Cloudflare 挑战、NCBI 访问拒绝）——接近预算上限 6；
• WebSearch：2 次（第 1 次定位 BMC 论文与版本信息，第 2 次尝试取 IEEE Access 摘要未命中）；
• curl API：Zenodo REST API 直抓 4 次（记录页、最新版、版本链、原始版）——均为结构化 JSON，非大文件抓取。

核心硬数字三源互证：

• 1,006 张 / 490 + 516 / 46 WSI / 24 患者：Zenodo 最新版描述 + BMC 摘要（UI Scholar）两源一致；
• 40× / 0.26 μm/px / 1916×1053 / LEICA Aperio GT450：Zenodo 描述（各版本一致）；
• CC BY-SA 4.0 / open（最新版）：Zenodo API 元数据（license.id=cc-by-sa-4.0, access_right=open）单源权威（API 结构化元数据）；
• 10,130,336,398 字节：Zenodo API 文件清单单源权威。

12.3 遗留疑点（明确未核实的部分）

1. BMC 正文的多级验证细节：级数、执行者、裁决规则——BMC 站点 Cloudflare 拦截、NCBI/PMC 访问拒绝，未能实抓正文；正文仅按 Zenodo 描述的定性表述。
2. IEEE Access 建模论文性能指标：accuracy/F1/AUC/sensitivity/specificity——Xplore 纯 JS 渲染，WebFetch 仅得标题；一次补充 WebSearch 未命中摘要。本条目未引用任何未核实的性能数字。
3. 24 例患者的 PTC/non-PTC 患者级分布：图像级已知 490/516，患者级分布未披露。
4. 46 WSI → 1,006 patch 的切取规则细节：每张切片的 ROI 数量、切取阈值未公开。
5. 官方 train/val/test 划分：Zenodo 描述未给出，需使用者自行按患者分组划分。

---

§13 附录：引用格式与检索模板

13.1 引用格式模板

BibTeX（数据描述论文）：

@article{Shabrina2026PTIC,
  author  = {Shabrina, Nabila Husna and Gunawan, Dadang and Rizkinia, Mia and
             Harahap, Agnes Stephanie and Ikhsan, Mohammad and Chai, Rifai and
             Ham, Maria Francisca},
  title   = {PathoTiroid dataset: Indonesian collection (PTIC)---a histopathology
             image dataset for papillary thyroid carcinoma},
  journal = {BMC Research Notes},
  volume  = {19}, number = {1}, pages = {240}, year = {2026},
  doi     = {10.1186/s13104-026-07774-x}
}

BibTeX（数据记录）：

@dataset{Shabrina2026PTICdata,
  author    = {Shabrina, Nabila Husna and Harahap, Agnes and Gunawan, Dadang and
               Rizkinia, Mia and Ikhsan, Mohammad and Chai, Rifai and Ham, Maria Francisca},
  title     = {PathoTiroid Dataset Indonesian Collection (PTIC): Histopathology
               Image Dataset for Papillary Thyroid Carcinoma},
  publisher = {Zenodo}, year = {2026},
  doi       = {10.5281/zenodo.18827019}, version = {latest}
}

BibTeX（建模论文）：

@article{Shabrina2025StarDist,
  title  = {Deep Residual Network With Integrated StarDist Nuclei Segmentation for
            Papillary Thyroid Cancer Identification: A Pathologist-Inspired Approach},
  journal= {IEEE Access}, year = {2025},
  doi    = {10.1109/ACCESS.2025.3584941}
}

注：建模论文的完整作者列表本代理未取得（Xplore 未返回），上列仅保证标题与 DOI 准确；正式引用请从 Xplore 页面补全作者。

13.2 检索式模板

• Zenodo 检索：https://zenodo.org/records/18827019（精确记录）；https://zenodo.org/records/16621127（concept，含全部版本）
• DOI 解析：https://doi.org/10.5281/zenodo.18827019（数据）；https://doi.org/10.1186/s13104-026-07774-x（描述论文）；https://doi.org/10.1109/ACCESS.2025.3584941（建模论文）
• 关键词组合：PathoTiroid + papillary thyroid + histopathology；或 PTIC + thyroid + dataset（注意避开超声结果）
• 库内检索：ptic-thyroid（本条目 slug）

13.3 术语缩写速查

缩写	全称	说明
PTIC	PathoTiroid Indonesian Collection	本数据集
PTC	Papillary Thyroid Carcinoma	甲状腺乳头状癌（疾病）
H&E	hematoxylin and eosin	苏木精-伊红染色
WSI	Whole Slide Image	全切片图像
ROI	Region of Interest	感兴趣区域
RSCM	Rumah Sakit Umum Pusat Nasional Dr. Cipto Mangunkusumo	印尼国家中央总医院
SA	ShareAlike	CC 许可的"相同方式共享"条款

13.4 数据可用性声明模板（供论文作者使用）

The PathoTiroid Dataset Indonesian Collection (PTIC) is publicly available on Zenodo at https://doi.org/10.5281/zenodo.18827019 (version 2026-03-02), under the CC BY-SA 4.0 license. The accompanying data descriptor is published in BMC Research Notes (doi:10.1186/s13104-026-07774-x). Per the dataset’s citation requirement, both the data descriptor and the dataset record are cited.

（上列模板仅为参考，实际以数据集最新引用要求为准。）

§14 结语

PTIC 是一个"目的明确、边界清晰、诚实标注局限"的数据集。它不追求成为最大的甲状腺数据集，而是精准地填补"甲状腺组织病理 + 东南亚人群"这一三重稀缺的交集；它不掩饰 1,006 张的小规模与单机构来源，而是通过主动更正、显式版本管理、双引用要求，把数据集治理做得规范。

对使用者的最终建议可以浓缩为四句：

1. 认准最新版（recid 18827019），它开放、许可明确、口径已更正；
2. 按患者分组划分，别让同患者的图像块泄漏到测试集；
3. 理解 “-like” 的语义，别把形态学近似当作确诊标签；
4. 分清模态，PTIC 是甲状腺病理，与库内甲状腺超声数据集不是一回事。

一份好的数据集不需要它无所不能，而需要它知道自己是什么、能做什么、不能做什么。PTIC 在这三点上给出了清晰的答案。

本条目为千方病案医数集 AI-Ready Wikipedia 条目，抓取时点 2026-10-09。所有硬数字以上述一手来源为准；未能核实处已在 §12.3 明确标注，不作臆测。

---

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 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• orchid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• aml-cytomorphology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• cervix93 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• multi-oscc-histopath — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• endo-aid — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• lc25000 — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• bonemarrow-wsi — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• compas-gi-histopathology — 共享标签：医学影像 / 病理图像 / 图像分类 / 肿瘤学
• ham10000 — 共享标签：医学影像 / 图像分类 / 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。