STH-Schisto — 肠道蠕虫与曼氏血吸虫虫卵粪涂片检测数据集（10562 视野）

INFOBOX — STH-Schisto 一屏速览

维度	内容
本质	尼日利亚现场 Kato-Katz 粪涂片显微镜视野（FOV）图像 + 四类蠕虫虫卵 COCO 边界框标注数据集
团队	TU Delft（通讯 Jan-Carel Diehl）+ Cardiff University + Leiden University Medical Center + University of Lagos
论文	Scientific Reports 15:21495 (2025)，doi:10.1038/s41598-025-02755-9（PMCID PMC12219859）
数据	合并 572 片（Schistoscope 300 样本 + AI4NTD 上游 272 片），含卵 FOV 10,820（论文口径）/ 10,562（Zenodo）
虫卵	A. lumbricoides 8,600｜T. trichiura 4,083｜hookworm 4,512｜S. mansoni 3,920（合计 21,117，论文口径）
设备	Schistoscope 低成本自动化数字显微镜（4× / 0.10 NA，2028×1520 px），6 台组成现场移动实验室
模型	EfficientDet-D0（EfficientNet-B0 + BiFPN，512×512 输入，COCO 预训练微调，TensorFlow/Colab A100）
性能	加权 Precision 0.959 / Sensitivity 0.921 / Specificity 0.980 / F1 0.940（四类）
任务	四类蠕虫虫卵目标检测与多分类，下游指向虫卵计数（EPG）与驱虫项目监测
获取	CC BY-4.0，Zenodo 公开直链（doi:10.5281/zenodo.13843815，单包 36.0 GB）
关键局限	现场子集无蛔虫/鞭虫卵（研究点非流行区）；FOV 规模三口径；无标注者间一致性指标
库内互链	NIH Malaria（502）、Raabin-WBC（853）、BCCD（851）、Montgomery-TB（157）、Shenzhen-TB（167）

STH-Schisto 是一份把"显微镜前的医生眼睛"搬进低成本设备的公共卫生诊断数据集。它要解决的问题具体而紧迫：世界卫生组织（WHO）2021-2030 被忽视热带病（NTD）路线图把土源性蠕虫（soil-transmitted helminths, STH）与血吸虫病的消除目标压在"粪涂片显微镜检查"这根支柱上，而标准方法 Kato-Katz（KK）厚涂片的人工阅片既需要稀缺的显微镜技师，又让阅片者在长时间高负荷下产生视觉疲劳与误判。研究团队的做法是给出一个端到端答案：一台名为 Schistoscope 的低成本自动化数字显微镜负责现场扫描并做边缘 AI 推理，一份四类蠕虫虫卵的标注图像库负责训练这个"眼睛"——这就是 STH-Schisto。

数据集的现场部分来自尼日利亚联邦首都区（FCT）的学龄儿童粪便样本：300 份 Kato-Katz 厚涂片经 6 台 Schistoscope 扫描得到 141,600 个视野图像，专家从中标出 3,040 个含卵视野。为了克服单点采集的类别偏斜，团队把这部分与公开的 Ward et al. AI4NTD KK2.0 P1.5 数据合并，最终得到一个覆盖**蛔虫（Ascaris lumbricoides）、鞭虫（Trichuris trichiura）、钩虫（hookworm）、曼氏血吸虫（Schistosoma mansoni）**四个物种、总计超过两万枚标注虫卵的图像库，并以 CC BY-4.0 在 Zenodo 公开。基于它训练的 EfficientDet-D0 检测模型在四类上取得加权 F1 0.940——这个成绩的意义不在刷榜，而在证明：在一台可部署于无网络偏远地区的低成本设备上，AI 已经能可靠地"看见"粪便里的虫卵。

导语读法三则：

1. 只想下数据：直奔 §6——CC BY-4.0 公开直链，但注意单包 36.0 GB，且要弄清"含卵 FOV"与"全扫描 FOV"两种口径。
2. 关心方法学：直奔 §3（Schistoscope 硬件与现场流程）与 §4（EfficientDet-D0 训练配方），再看 §5 的混淆矩阵，理解为何 hookworm 与 S. mansoni 的敏感性偏低。
3. 做 NTD 诊断或显微镜 AI：直奔 §7 生态与 §9 互链——本条目与库内疟疾血涂片、白细胞涂片、结核涂片等条目同属"低资源现场显微镜 + AI"家族，可横向对照。

§0 导读：这个数据集解决什么问题

土源性蠕虫（STH）与血吸虫病是全球最普遍、也最"被忽视"的寄生虫感染。据论文引述的数据，超过 15 亿人（约全球人口 24%）感染 STH，2021 年至少 2.514 亿人需要血吸虫病预防性治疗，两类疾病合计每年造成逾 500 万残疾调整生命年（DALY）损失，高发区集中在撒哈拉以南非洲、美洲、中国与东亚。WHO 的 2021-2030 NTD 路线图把消除目标的关键压在了"粪样诊断"上，而人工显微镜检查 Kato-Katz 厚涂片至今仍是监测大规模驱虫项目成效的金标准。

这套金标准有三个结构性痛点：

1. 人不够。Kato-Katz 阅片需要持续培训与维持的专业技能，在偏远农村社区尤其昂贵——培训出的显微镜技师与待检样本之比在流行区长期偏低。
2. 人会累。论文明确指出，超负荷工作会导致阅片者诊断错误与视觉健康问题。虫卵形态相似（如钩虫卵与血吸虫卵在低倍下的鉴别）、涂片背景杂质多，都是误判与漏检的来源。
3. 网没有。许多既有自动化方案（如远程病理/telemedicine 流水线）依赖外部算力与网络连接，而这恰恰是流行区最缺的。

STH-Schisto 的答案是把整条链条压缩进一台设备加一份数据：

• 硬件侧：Schistoscope——研究团队自研的低成本自动化数字显微镜，能自动对焦、自动扫描感兴趣区域，并在设备端（edge computing）做 AI 推理，无需互联网连接即可实时处理。它采用货架元器件，便于低资源环境维护与规模化。
• 数据侧：一份覆盖四类蠕虫虫卵的标注图像库，既包含现场采集的真实粪涂片，又融入公开数据以补足类别平衡。
• 算法侧：基于 EfficientDet-D0 的检测模型，用 COCO 预训练权重微调，在 512×512 输入下运行——刻意选择轻量架构以匹配边缘设备的算力上限。

这条路线不是凭空起跳。研究团队此前已用 Schistoscope 验证过尿路血吸虫病（S. haematobium）尿样检测（Meulah et al., 2022；2024 加蓬验证），本数据集代表它的能力从"尿"扩展到"粪"，从单一血吸虫扩展到 STH 三虫加曼氏血吸虫的多类检测。

§0 读法三则：

1. 本条目是"硬件论文 + 数据集 + 检测模型"三位一体：理解任何一个数字前，先分清它属于现场自采子集还是合并集（§2 会反复强调这个分界）。
2. 全文所有的规模与性能数字都出自论文表格与 Zenodo 发布页；论文内部存在 FOV 规模三口径（正文 over 3,000 / Table 10,820 / Zenodo 10,562），已在坑 2 与 §9 存照。
3. 检索这个数据集时，"STH-Schisto"是本库 slug 的便捷缩写，官方发布名是冗长的 “Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset”；论文数据可用性声明里还出现了另一个名字（坑 1），别被绕晕。

§1 数据集速览：十问十答

Q1：这个数据集到底是什么？
一份用于训练与评测深度学习模型的显微镜图像库：图像是 Kato-Katz 粪涂片在显微镜视野（field of view, FOV）下的照片，标注是四类蠕虫虫卵的边界框（bounding box），格式为 PNG 图像 + COCO JSON 标注。

Q2：四个类别分别是什么？
土源性蠕虫三虫加一个肠道血吸虫：蛔虫（Ascaris lumbricoides）、鞭虫（Trichuris trichiura）、钩虫（hookworm，含 Necator americanus 与 Ancylostoma duodenale）、以及曼氏血吸虫（Schistosoma mansoni）。前三者即 STH，第四者是引起肠道血吸虫病的扁形动物。

Q3：图像从哪来？
两部分合并。现场部分：尼日利亚联邦首都区（FCT）的学龄儿童粪便样本，用 Kato-Katz 技术（41.7 mg 模板）制备厚涂片，由 6 台 Schistoscope 组成的现场实验室扫描，300 份样本得到 141,600 个 FOV 图像。上游部分：公开的 Ward et al. AI4NTD KK2.0 P1.5 数据集，272 片涂片、含卵 FOV 7,780。

Q4：包含多少张图、多少枚虫卵？
口径需分清（这很重要）：

• 现场采集：300 样本 / 141,600 FOV（全部扫描视野）/ 其中 3,040 含卵 FOV / 4,127 枚卵（hookworm 889 + S. mansoni 3,238）。
• 上游 AI4NTD：272 片 / 含卵 FOV 7,780 / 16,990 枚卵。
• 合并且含卵：10,820 FOV，21,117 枚卵（论文 Table 1/2 口径）；Zenodo 发布页则写 10,562 FOV。

Q5：Schistoscope 是什么？
研究团队自研的低成本自动化数字显微镜。本数据集用它时配置 4× 物镜、0.10 数值孔径（NA），图像分辨率 2028×1520 像素。它的卖点是自动对焦、自动扫描感兴趣区域，以及设备端 AI 处理能力，可在无网络的偏远地区实时运行。它此前已用于尿路血吸虫（S. haematobium）尿样检测的验证研究。

Q6：用什么模型训练，成绩如何？
EfficientDet-D0——融合 Single Shot Detector（SSD）框架与 EfficientNet-B0 骨干，配双向特征金字塔（BiFPN）。四类加权平均：Precision 95.9%、Sensitivity 92.1%、Specificity 98.0%、F-Score 94.0%。逐类看，蛔虫与鞭虫表现最好（敏感性 0.949 / 0.951），钩虫与曼氏血吸虫敏感性略低（均 0.878）。

Q7：为什么钩虫和血吸虫更难检？
论文归因于图像源变异：钩虫卵小且形态对分辨率敏感，血吸虫卵有侧刺但低倍下不突出；且现场 Schistoscope 子集只含钩虫与曼氏血吸虫（无蛔虫、鞭虫），模型在这两类上要同时应对两种设备的成像差异。

Q8：这份数据最关键的局限是什么？
现场采集子集完全没有蛔虫与鞭虫虫卵——因为研究点的这两种寄生虫不流行。作者坦承这可能让模型在 Schistoscope 图像上偏向钩虫与曼氏血吸虫检测。此外，论文未报告标注者间一致性，FOV 总数存在三个口径。

Q9：许可和获取方式是？
CC BY-4.0，在 Zenodo 公开直链（doi:10.5281/zenodo.13843815），单包 STH_and_SM_Dataset_v1_0.zip 约 36.0 GB。上游 AI4NTD 数据集自身是 CC BY-SA 4.0（Kaggle 托管）。

Q10：谁做的，为什么可信？
TU Delft（荷兰代尔夫特理工大学）主导，联合 Cardiff University、Leiden University Medical Center（LUMC，血吸虫诊断权威）与 University of Lagos（尼日利亚当地临床）。成果发表于 Nature 旗下 Scientific Reports，经同行评审。伦理审批齐全（尼日利亚 FCT 伦理委员会 FHREC/2022/01/102/05-07-22）。

§2 数据构成与规格

2.1 数据来源的"两个世界"

STH-Schisto 的构成必须从两张来源表理解起。它不是一个单点采集的数据集，而是**现场自采（Schistoscope 子集）+ 公开上游（Ward et al. AI4NTD 子集）**的合并产物。论文 Table 1 给出了最权威的剖分：

来源	扫描片数	全部 FOV	含卵 FOV	A. lumbricoides	T. trichiura	hookworm	S. mansoni	卵合计
Ward et al.（AI4NTD 上游）	272	1,386,186	7,780	8,600	4,083	3,623	682	16,990
Present work（Schistoscope 现场）	300	141,600	3,040	0	0	889	3,238	4,127
合计	572	1,527,786	10,820	8,600	4,083	4,512	3,920	21,117

这张表是理解全篇的钥匙。三个读数要点：

1. “全部 FOV"远大于"含卵 FOV”。现场 300 片扫描出 141,600 个视野，但只有 3,040 个含卵；上游 272 片扫描出 1,386,186 个视野，只有 7,780 个含卵。总量 1,527,786 个视野里，含卵的仅 10,820 个（0.71%）。引用数据集"规模"时若用 1,527,786 会严重夸大可用样本量——真正被标注、可训练/评测的是这 10,820 个含卵 FOV（或按 Zenodo 口径 10,562）。
2. 现场子集的物种是残缺的。Present work 行里 A. lumbricoides 与 T. trichiura 都是 0——这不是标注遗漏，而是研究点（尼日利亚 FCT）这两种虫不流行，现场样本里根本没有。整个 STH-Schisto 之所以能声称"四类"，靠的是把上游 Ward 数据的中两类补齐。
3. hookworm 的"合并值"易被误读。上游只贡献 3,623 枚钩虫卵，现场贡献 889 枚，合计 4,512。Zenodo 发布页给的 hookworm = 4,512 是合并后的值，不是上游值——对照论文 Table 1 才能拆清（坑 5）。

2.2 双源异构的图像规格

两个子集的采集设备根本不同，这直接塑造了数据集的"难"：

属性	Schistoscope 现场子集	Ward et al. 上游子集
设备	Schistoscope（自动化数字显微镜）	原型全片扫描仪（prototype slide scanner）
物镜放大	4×	10×
数值孔径（NA）	0.10	0.25
分辨率	2028 × 1520 px	1640 × 1232 px
来源国家	尼日利亚 FCT	柬埔寨、埃塞俄比亚、肯尼亚、坦桑尼亚
虫卵物种	hookworm、S. mansoni	A. lumbricoides、T. trichiura、hookworm、S. mansoni
含卵 FOV	3,040	7,780

论文在讨论 Fig. 2 时明确点出这一异构：虫卵在不同设备下的表观尺寸不同，正是因为 Ward 用 10×/0.25 NA、Schistoscope 用 4×/0.10 NA。作者没有把它当缺陷，反而认为"分辨率差异 + 伪迹 + 多样背景色与纹理"共同增强了数据集的鲁棒性、有助于抑制过拟合。对使用者而言，这意味着训练集里混着两种成像域（domain），跨域泛化能力会被同时考察——这既是挑战也是价值。

2.3 样本制备与现场流程

现场部分的样本制备遵循标准 Kato-Katz 厚涂片技术，使用 41.7 mg 模板——这是 WHO 推荐的定量虫卵计数（EPG, eggs per gram）标准模板规格。流程要点：

1. 在尼日利亚 FCT 开展现场研究，样本来自学龄儿童，采集于无菌 20 mL 通用容器。
2. 粪便经 Kato-Katz 技术处理成 41.7 mg 模板的厚涂片。
3. 为加速数据采集，团队搭建了配备 6 台 Schistoscope 的现场移动实验室（论文 Fig. 1）。
4. 共登记（register）300 份样本涂片，经扫描得到 141,600 个 2028×1520 px 的 FOV 图像。
5. 图像由**显微镜专家（expert microscopists）**人工筛查并标注，识别出 3,040 个含卵 FOV，含 889 枚钩虫卵与 3,238 枚曼氏血吸虫卵。

2.4 上游 Ward et al. 数据的分量与边界

上游数据来自 Ward et al. 2022 的 PLoS NTD 概念验证研究（doi:10.1371/journal.pntd.0010500）。它本身是一个成熟的公开资源：

• 规模：超 300 份新制备 KK 厚涂片，扫描得 7,780 个含卵 FOV，含 16,990 枚标注虫卵（Ascaris 8,600 / Trichuris 4,083 / hookworm 3,623 / SCH 684）。
• 地理跨度：嵌入四项在柬埔寨、埃塞俄比亚、肯尼亚、坦桑尼亚的现场研究，覆盖不同地理区以捕捉目标物种与粪便颜色/稠度变异。
• 高感染强度取向：明确"靶向高感染粪便样本以最大化成像虫卵数、最小化需制备扫描的涂片总数"——这是它 50% 虫卵为蛔虫、且类别不均衡的根源。
• 许可：Kaggle 页面标注 CC BY-SA 4.0（注意与合并发布本的 CC BY-4.0 不同，坑 6）。
• 伦理：四项研究分别经 Ghent University 医院伦理委员会、柬埔寨卫生部（NEHCR 101）、埃塞俄比亚 Arba Minch University、坦桑尼亚 Zanzibar Health Research Institute、肯尼亚 SWAP 批准。

论文对上游数据的批评很直接：类别不均衡（约 50% 为蛔虫卵）与高感染强度偏倚。STH-Schisto 的现场部分正是为补这个短板而生——它提升了 S. mansoni 的平衡性、并纳入来自 300 个个体的多样粪便样本。

2.5 标注格式与类别映射

• 标注类型：边界框（bounding box），COCO 格式 JSON。
• 图像格式：PNG。
• 类别映射（上游 Kaggle egg_label_map.pbtxt）：Ascaris id=1 / Trichuris id=2 / Hookworm id=3 / Schistosoma id=4——即四类，无独立背景类（背景通过无框表达；混淆矩阵中的"假阳性/background artefacts"列指模型把背景伪迹误判为虫卵）。
• 发布形态：单文件打包 STH_and_SM_Dataset_v1_0.zip，35,953,708,159 字节（≈ 36.0 GB），Zenodo 记录给定 md5 df7b5bdb46d75e7395f35e88d2a5883d。

2.6 数据集划分与版本链

论文 Table 2 给出训练/验证/测试划分（保持 70:20:10 目标，对两个来源分别维持比例）：

划分集	FOV 图像	A. lumbricoides	T. trichiura	hookworm	S. mansoni	卵合计
Train（70% 目标）	7,953	6,071	2,839	3,226	3,070	15,205
Validation（20% 目标）	1,808	1,646	859	803	466	3,774
Test（10% 目标）	1,059	883	385	483	384	2,135
合计	10,820	8,600	4,083	4,512	3,920	21,117

FOV 图像经随机打乱（randomly shuffled）后划分。版本链极简：Zenodo 上只有 v1.0 一个版本（2025-07-01 发布，versions API 返回 total=1），concept DOI 10.5281/zenodo.13843814 尚未承载多版本，说明尚无修订或扩充版发布。

§3 Schistoscope：把实验室装进一台设备

3.1 为什么需要专用硬件

论文的问题陈述里藏着一个诊断学的经济账：Kato-Katz 手工阅片需要"持续培训与维持"的专业技能，这在偏远农村社区是持续的经济负担；同时，训练有素的显微镜技师与待检样本的比值在流行区偏低。两者叠加产生两个后果——诊断错误与阅片者的视觉健康损害（长时间高负荷）。

已有的替代方案各有软肋。论文综述了本领域的努力：传统机器学习（Alva 等的逻辑回归、Khairudin 等的 k-NN/SVM/集成、Caetano 等的 AdaBoost + 群体智能）依赖手工特征工程且受制于小数据集；深度学习方法中，Dacal 等的 SSD-MobileNet、Lee 等的 SSD+U-Net+Faster R-CNN、Lundin 等的 YOLOv2+ResNet50 等多有"低估/高估虫卵计数"的标定问题；智能手机方案如 Yang 等的 Kankanet 又受图像质量或数据集规模限制。

Schistoscope 的定位是把设备、算力与鲁棒的数据集三件事同时解决。

3.2 硬件规格与边缘 AI 能力

维度	Schistoscope 规格（本数据集配置）
类型	低成本自动化数字显微镜（automated digital microscope）
物镜	4×（0.10 NA）
输出分辨率	2028 × 1520 px，RGB
核心能力	自动对焦（auto-focus）、自动扫描感兴趣区域（ROI）
算力模式	边缘 AI（edge computing），设备端推理
网络依赖	无（可在无互联网连接的偏远地区实时运行）
元器件	货架（off-the-shelf）组件，便于低资源环境维护与规模化

论文强调 Schistoscope 相对既有自动化显微系统的两项优势：其一，边缘计算能力让它在无网络环境下实时处理，区别于依赖远程算力或远程医疗（telemedicine）流水线的方案（如 Dacal 等）；其二，低倍（4×）设计使模型必须从低放大倍率图像中判别虫卵，比需要高倍图像的方法（如 Huo 等、Rajasekar 等的 YOLO 方案）更契合低成本设备。

3.3 从尿到粪的能力扩展

Schistoscope 并非为粪便而生。研究团队的谱系是：

1. 起源：Oyibo et al., Micromachines 13:643 (2022)——Schistoscope 用于资源受限环境下 S. haematobium（埃及血吸虫）卵的检测。
2. 现场验证：Meulah et al., Am J Trop Med Hyg 107 (2022)——Schistoscope 5.0 在尼日利亚尿样中对 S. haematobium 卵的半自动检测与定量。
3. 跨域验证：Meulah et al., PLoS NTD 18 (2024)——在加蓬尿样中验证 AI 数字显微镜自动检测 S. haematobium 卵。
4. 本数据集：把能力从"尿样单虫"扩展到"粪样四虫"（STH 三虫 + S. mansoni），从尿路血吸虫扩展至肠道血吸虫。

这一谱系说明 STH-Schisto 不是孤立尝试，而是一条已积累多年现场经验的硬件路线的自然延伸。

3.4 现场部署的工程约束

论文在讨论部分反复回到"低资源可部署"这一北极星：Schistoscope 的设计优先考虑可负担性与易用性，用货架组件实现易维护与可扩展；AI 系统承担自动对焦、扫描与虫卵检测，从而减少对熟练显微镜技师的依赖——这正是人类阅片瓶颈的所在。相对地，依赖外部算力的系统（Holmström 等）或远程医疗流水线（Dacal 等）在断网地区适用性受限。这解释了为什么模型刻意选择轻量的 EfficientDet-D0，而非更重的高精度网络。

§4 检测模型：EfficientDet-D0 的配方与读数

4.1 为什么是 EfficientDet-D0

论文对模型选择的逻辑很清楚：EfficientDet 由 Google Brain 团队提出，设计目标是跨算力区间（从移动设备到服务器）兼顾速度与精度，因而适配算力受限的边缘系统。它建立在 EfficientNet 之上，用一个复合缩放（compound scaling）方法同时调节分辨率、深度、宽度，以及特征网络与框/类预测网络。团队选用其中的最小档 D0——与 Schistoscope 的边缘算力上限相匹配。

4.2 网络结构细节

组件	配置
检测框架	Single Shot Detector（SSD）
骨干网络	EfficientNet-B0
特征融合	Bi-directional Feature Pyramid Network（BiFPN），特征层级 3-7、3 次迭代、64 filters
框预测器	权重共享卷积框预测器，深度 64，深度可分离卷积，SWISH 激活 + L2 正则
分类损失	加权 sigmoid focal loss（应对类别不均衡，降权已分类良好样本）
定位损失	加权 smooth L1 loss
多尺度锚框	层级 3-7，anchor scale 4.0，三种宽高比（1.0 / 2.0 / 0.5）
匹配器	argmax matcher，阈值 0.5（匹配与不匹配均 0.5）
输入尺寸	512 × 512 px（保持宽高比缩放后 padding）

4.3 训练配方

• 微调策略：从 COCO 数据集预训练的 EfficientDet-D0 检查点微调，适配检测任务。
• 优化器：momentum optimizer，余弦衰减（cosine decay）学习率调度。
• 学习率：起始 0.0008，在 400,000 步内逐步下降，前 2,500 步为 warmup 阶段。
• 数据增强：随机水平翻转、随机缩放、裁剪与 padding——增强对图像变换的鲁棒性。
• 框架与硬件：Python TensorFlow 实现，Google Colab 平台、A100 GPU 训练，batch size 16。

4.4 性能读数：四类逐项

论文 Table 4 给出最终性能（加权平均 ± 标准差）：

指标	A. lumbricoides	T. trichiura	hookworm	S. mansoni	加权平均	标准差
Precision	0.968	0.943	0.949	0.968	0.959	±0.011
Sensitivity	0.949	0.951	0.878	0.878	0.921	±0.035
Specificity	0.972	0.984	0.982	0.992	0.980	±0.0076
F-Score	0.959	0.947	0.912	0.921	0.940	±0.0198

读表要点：

1. 精度高且均衡：四类 Precision 在 0.943-0.968 之间，Specificity 在 0.972-0.992 之间——说明模型很少把背景误判为虫卵（假阳性低）。
2. 敏感性两极：蛔虫 0.949、鞭虫 0.951 明显高于钩虫 0.878、曼氏血吸虫 0.878。差距约 7 个百分点。
3. S. mansoni 的 precision-sensitivity 反差最大：precision 高达 0.968（几乎是四类最高），sensitivity 仅 0.878——即"报出的几乎都对，但漏掉不少"。
4. 标准差偏小：加权指标标准差都在 0.02 以下（Precision 仅 0.011），说明结果稳定。

4.5 为什么钩虫与血吸虫更难——与混淆矩阵互证

论文 Table 3 的混淆矩阵解释了敏感性差距：

真实类别（Verified ground truth）	正确检出	假阴性（漏检）
A. lumbricoides	790	42
T. trichiura	364	19
hookworm	424	59
S. mansoni	337	47
假阳性（背景伪迹）	26 / 22 / 23 / 11（对应四类）	—

混淆矩阵显示：跨类误分几乎不存在（非对角线的主对角外的类别间格全为 0/1），主要误差来源是漏检（假阴性）与背景伪迹被误判（假阳性）。钩虫漏检 59 枚、血吸虫漏检 47 枚，是三虫中较多的。

论文的归因（讨论部分）：

• 钩虫（0.878）与 S. mansoni（0.878）敏感性略低，很可能源于图像源变异（variability in image sources）——现场 Schistoscope 子集只有这两类，模型须跨越两种设备域。
• 蛔虫与鞭虫（均来自上游单一设备）表现更好，因为它们只在一个成像域内出现。
• 尽管敏感性有差距，precision（0.949-0.968）与 specificity（0.921-0.992）仍维持高位，标准差低，作者认为这体现了鲁棒性。

4.6 与上游 Ward et al. 模型的对照

需要特别提醒：Ward et al. 2022 自己的模型评估口径与本论文不可混引。上游论文报告 test set 为 752 个 FOV、含 1,671 枚人工核验虫卵，加权平均 precision 94.9%±0.8%、recall 96.1%±2.1%。而本论文 Table 4 的 test 是 1,059 FOV / 2,135 卵，指标定义与数据划分均不同。做文献对比时必须并列声明两个口径（坑 4 延伸）。

§5 局限与偏差：作者自曝与使用者须知

任何检测数据集的价值都取决于使用者是否理解它的盲区。STH-Schisto 在这一点上相当坦诚——论文讨论部分主动列出多个局限。

5.1 现场子集的物种缺口（最重要）

作者原文：数据集的局限之一是缺少用 Schistoscope 采集的 A. lumbricoides 与 T. trichiura 卵，原因是这两种虫在研究点（尼日利亚 FCT）不流行（non-prevalence at our study sites）。作者坦承"这可能使模型在 Schistoscope 图像上偏向钩虫与 S. mansoni 检测"，并指出这与类别分布不均衡研究的既有挑战一致。

使用者须知：如果你要用 Schistoscope 现场图像做四类检测，请注意训练集里"蛔虫/鞭虫"的正样本全部来自另一种设备（上游 10×/0.25 NA）。模型在跨域迁移到新设备时，这两种类的表现不可简单外推。四种卵的设备-类别交叉分布是结构性偏斜的，不是随机缺失。

5.2 规模口径的三重迷雾

这是检索与引用最容易踩的坑。同一份"合并数据集"，官方在不同地方给了三个 FOV 数字：

数字	出处	语境
over 3,000	论文摘要 + 正文引言/结论	指现场"含卵 FOV"的保守概述（实为 3,040）
10,820	论文 Table 1 / Table 2 / Discussion	合并后含卵 FOV 的权威口径
10,562	Zenodo 发布页 Data Summary	发布文件的 FOV 计数

三者相差可达近三倍（3,000 vs 10,820）。论文摘要的"over 3,000"实际指的是现场自采含卵 FOV 3,040（论文讨论段落明确写"comprising 141,600 FOV images…with 3040 FOVs containing…eggs"），而非合并总数。做数据综述时，最稳妥的是同时声明"论文 Table 10,820 / Zenodo 10,562"两个口径并注明差异未解释。详见坑 2。

5.3 标注质量的未披露项

论文未报告以下与标注可靠性直接相关的信息：

• 标注者数量：只写"expert microscopists"（复数），未给具体人数。
• 标注者间一致性（inter-annotator agreement）：无任何 kappa / 一致率指标。这意味着无法从论文判断同一批图像在不同专家间标注的稳定性。
• 标注协议细节：COCO 边界框的粒度（每枚卵一个框）、重叠卵的处理、疑似非卵结构的排除规则，均未在正文展开。

使用者须知：若你的研究关注"标签噪声"或"ground truth 可靠性"，这份数据集提供的信息不足，需要自行做交叉复核。

5.4 图像质量与伪迹

论文 Fig. 2 专门讨论了伪迹问题：**未充分透明的粪涂片（improperly cleared fecal smears）**会导致模型漏检（如某图因涂片未透明而无法检出 A. lumbricoides、钩虫、鞭虫、血吸虫卵），而背景伪迹则可能被误判为虫卵。混淆矩阵中四类各自的假阳性（26/22/23/11）即来自"背景伪迹"。

这不是标注缺陷，而是现场诊断的固有噪声——恰恰是真实部署会遇到的。作者视之为鲁棒性来源，但使用者应知道：模型在低质量涂片上的表现会退化。

5.5 患者级元数据的缺失

数据集只提供去标识的 FOV 图像，不含患者级/样本级的分层信息（除"300 份样本来自 FCT 学龄儿童"这一说明）。论文自身在结论展望中也提到：未来应"在滑片/患者层面评估性能，而非仅图像层面指标"（Evaluating performance at the slide/patient level, as opposed to only image-level metrics）。

使用者须知：无法基于本数据集直接做"每个患者感染强度"的患者级分层评测；跨设备、跨国家的泛化评估也受限于此。诊断应用落地前须补做滑片/患者级验证。

5.6 上游数据衔接的许可边界

原始 AI4NTD KK2.0 P1.5 在 Kaggle 标注 CC BY-SA 4.0（带 ShareAlike 传染性），而合并后的 STH-Schisto 在 Zenodo 标注 CC BY-4.0。两份许可的衔接条款（合并作品如何继承 ShareAlike 义务）论文与 Zenodo 页均未明确说明。使用者若对许可合规敏感，建议直接向下游作者确认（坑 6）。

§6 获取与许可：门怎么进

6.1 资产与入口一览

资产	入口	许可	门槛
合并数据集（STH-Schisto 本体）	Zenodo doi:10.5281/zenodo.13843815	CC BY-4.0	公开直链，直接下载
上游 AI4NTD KK2.0 P1.5	Kaggle peterkward/ai4ntd-p1-5	CC BY-SA 4.0	公开（需 Kaggle 账号）
论文	doi:10.1038/s41598-025-02755-9（Scientific Reports，开放获取）	开放获取（CC）	无
上游 Ward et al. 2022 论文	doi:10.1371/journal.pntd.0010500（PLoS NTD，开放获取）	CC（PLoS 开放获取）	无

6.2 Zenodo 下载实操

• 单文件打包：STH_and_SM_Dataset_v1_0.zip，35,953,708,159 字节（≈ 36.0 GB）。
• 完整性校验：Zenodo 记录给出 md5 df7b5bdb46d75e7395f35e88d2a5883d，下载后应校验。
• 内容结构：PNG 图像 + JSON（COCO 边界框标注）。
• 元数据：Zenodo API（https://zenodo.org/api/records/13843815）返回 access_right: open、license.id: cc-by-4.0、version: 1.0、publication_date: 2025-07-01。
• 体量提醒：36 GB 为压缩包大小；解压后（PNG 图像 + JSON）会更大，请预留足够磁盘。

6.3 Zenodo 使用统计（抓取时点 2026-10-07）

指标	数值
Downloads	172
Unique downloads	50
Views	258
Unique views	239

视角提示：unique downloads（50）远低于总 downloads（172），说明部分用户重复下载——36 GB 单包的重试成本可能是一个原因。

6.4 复现与二次开发建议

1. 先读许可证再动手：本体 CC BY-4.0（署名即用），但若要再分发上游 Ward 数据，注意其 CC BY-SA 4.0 的 ShareAlike 义务（坑 6）。
2. 划分复现：论文用 70:20:10 且对两个来源分别维持比例。若你要对标论文指标，须复现相同划分逻辑（随机 shuffle 的种子未披露，因此严格逐 FOV 复现存疑——建议报告你自己划分下的指标）。
3. 模型复现：EfficientDet-D0（COCO 预训练）、512×512 输入、momentum + cosine decay、lr 0.0008、400k steps、batch 16——论文给了完整配方，但未发布训练代码/权重（数据可用性声明只列数据源）。
4. 跨域评测：建议按"设备来源"（Schistoscope vs 上游）分层报告指标，以暴露 §5.1 的物种-设备偏斜。

6.5 AI-Ready 评估：一份公共卫生数据集的可得性画像

从"AI 就绪"（AI-Ready）视角看，STH-Schisto 的强项在可得性（CC BY-4.0 公开直链，无请求制）与任务定义（COCO 标注标准、类别映射清晰），弱项在元数据粒度（无患者级、无标注者间一致性）与文档自洽性（三处 FOV 口径）。

维度	表现
可发现性	强：Zenodo + Scientific Reports 双入口可索引
可获取性	强：CC BY-4.0 公开直链，无需审批或申请
可互操作	中：COCO JSON 通用，但图像为 PNG、无 DICOM/开放病理格式
元数据质量	中：论文表格完备，但规模三口径 + 无标注者间指标
可持续性	强：Zenodo 长期存档 + Concept DOI 支持版本演进
临床可用性	中：图像级指标为主，缺患者级/滑片级验证（作者自述未来工作）

§7 生态与影响

7.1 学术谱系：一条从尿到粪的路线

STH-Schisto 站在两条既有研究脉络的交汇点：

1. Schistoscope 硬件血脉：Oyibo et al. (2022, Micromachines) 首提 → Meulah et al. (2022, AJTMH) 尼日利亚尿样验证 → Meulah et al. (2024, PLoS NTD) 加蓬验证 → 本工作扩展到粪样四虫。
2. AI 寄生虫卵检测血脉：从传统机器学习（Alva 逻辑回归、Khairudin k-NN/SVM、Caetano AdaBoost）到深度学习（Dacal SSD-MobileNet、Lee SSD+U-Net+Faster R-CNN、Lundin YOLOv2+ResNet50、Yang Kankanet、Lin MobileNetV2），本工作以"边缘可部署 + 多类 + 类别平衡改善"为差异化定位。

7.2 与上游 Ward et al. 的关系

Ward et al. (2022) 是 STH-Schisto 的数据基座与思想前驱。二者的分工：

维度	Ward et al. 2022（上游）	STH-Schisto（本条）
设备	原型全片扫描仪（10×/0.25 NA）	Schistoscope（4×/0.10 NA）+ 沿用上游
地理	柬埔寨、埃塞俄比亚、肯尼亚、坦桑尼亚	尼日利亚 FCT（现场）+ 上游
物种缺口	类别不均衡（约 50% 蛔虫）	补充 S. mansoni 平衡 + 现场多源
部署取向	概念验证（AI-DP 设备）	边缘 AI 实时处理

STH-Schisto 对上游的"改进"宣称是：改善类别平衡、纳入 300 个体的多样粪便样本、支持边缘部署。

7.3 NTD 诊断的 WHO 政策语境

数据集的战略背景是 WHO 的 2021-2030 NTD 路线图：STH 与血吸虫病的消除目标依赖粪样诊断，而 WHO 已发布诊断工具的目标产品特性（Target Product Profiles, TPPs），强调可负担、可及、在资源受限环境中的有效性。论文明确将 Schistoscope + AI 定位为对齐这些 TPP 的实践工具。对政策端而言，这类工作的价值在于把"稀缺的显微镜技能"转化为"可规模化的设备能力"。

7.4 谁来用这份数据

• NTD 防控项目：驱虫项目成效监测（需虫卵计数，本数据集的下游任务）。
• 低成本显微镜厂商/开发者：训练与评测自动虫卵检测模型。
• 医学图像目标检测研究：小目标、类别不均衡、跨成像域迁移的典型案例。
• 全球健康数字病理：低资源现场部署的端到端方案研究。
• 公共卫生教学：Kato-Katz 诊断的图像化教学素材（四类卵形态对照）。

§8 与库内条目的关系

8.1 家族图谱

STH-Schisto 属于"低资源现场显微镜 + AI 诊断"家族。库内最相关的条目：

库内条目	rid	关联维度
NIH Malaria	502	同为"显微镜涂片图像 + 低成本 AI 诊断"范式（疟疾血涂片）
Raabin-WBC	853	外周血白细胞涂片分类与分割（涂片显微目标检测/分类）
BCCD	851	外周血细胞目标检测，COCO/边界框范式相近
Montgomery-TB	157	痰涂片/结核诊断，WHO 消除目标病种精神相通
Shenzhen-TB	167	同上，结核胸片/涂片诊断
VinDr-CXR	125	目标检测标注范式参考（胸片病灶框）
PTB-XL	70	公共卫生/临床诊断数据集方法论对照

8.2 检索路径建议

• 精确检索词：“Soil-transmitted Helminths and Schistosoma mansoni Eggs”（官方全名）、“STH-Schisto”、“10,820 FOV”、“Schistoscope”。
• 避免误检：“Schistosoma” 单独检索会混入尿路血吸虫（S. haematobium）文献；本数据集是肠道血吸虫 S. mansoni + STH，与尿路血吸虫的 Schistoscope 前作不是同一数据集。
• 引用数据：规模写"论文 Table 1 含卵 FOV 10,820 / Zenodo 10,562"，性能写"论文 Table 4 加权 F1 0.940"。

§9 避坑清单：八个已踩过的坑

坑 1：数据集名字有三个版本。Zenodo 发布页标题是 “Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset”；但论文的 Data availability 声明却把它引用为 “Hookworm and Schistosoma mansoni Eggs Image Dataset”（同一 DOI 10.5281/zenodo.13843815）；本库 slug 又简称为 “STH-Schisto”/“sth-schisto-eggs”。检索时以 Zenodo 标题为准，不要把"新名字"当作另一个数据集去找。

坑 2：FOV 规模是三口径。论文摘要/正文写 “over 3,000”（实指现场含卵 FOV 3,040）、论文 Table 1/2 写合并含卵 10,820、Zenodo 发布页写 10,562。三个数字都能在官方材料里找到，但语境不同。引用时务必声明口径，最稳妥是并列"Table 10,820 / Zenodo 10,562"；若被问"到底多少"，答"合并含卵约一万余 FOV，含约 2.1 万枚标注虫卵"。

坑 3：别把"全部扫描 FOV"当"数据集规模"。合并集的全部扫描 FOV 达 1,527,786（现场 141,600 + 上游 1,386,186），但含卵 FOV 只有 10,820。若引用 1,527,786 会夸大可用训练样本百倍。数据集的可训练单元是含卵 FOV（in-focus 有标注的视野）。

坑 4：性能数字不可与上游 Ward 2022 混引。Ward 2022 自评是 test 752 FOV / 1,671 卵、precision 94.9%/recall 96.1%；本论文是 test 1,059 FOV / 2,135 卵、precision 0.959/sensitivity 0.921/specificity 0.980/F1 0.940。指标集与划分都不同，并列时必须分别声明来源。

坑 5：hookworm 与 S. mansoni 的"数值易错点"。现场子集 hookworm 只有 889 枚（不是 4,512，后者是合并值）；上游 Ward 的 S. mansoni 论文 Table 1 写 682，而 Kaggle 页面 Summary 文字写 684——微漂移。引用上游值时以论文 Table 1（682）为准并注 Kaggle 页差异。

坑 6：许可两层不同，别一揽子引用。本体（Zenodo 合并集）是 CC BY-4.0；上游 AI4NTD（Kaggle）是 CC BY-SA 4.0（带 ShareAlike）。合并作品如何继承上游的 ShareAlike 义务，官方未明确；商用或再分发前建议与作者确认。

坑 7：现场子集无蛔虫/鞭虫卵，不是标注疏漏。研究点（尼日利亚 FCT）这两种虫不流行，所以 Present work 行 A. lumbricoides 与 T. trichiura 全为 0。看到"0"不要以为数据坏了——这是地理流行病学事实，也是作者自曝的主要偏倚。

坑 8：Kaggle 上游数据集编号有两套。论文 Table 引用 doi:10.34740/kaggle/ds/1896823；Zenodo 描述页写 supplement 来源 doi:10.34740/kaggle/ds/3675429。Kaggle 的 DOI 随数据集版本变动，两者可能指向同一数据集的不同版本快照——检索时以 Kaggle 页面 URL（peterkward/ai4ntd-p1-5）为准。

§10 总结

10.1 三句话总结

1. STH-Schisto 是一份"让低成本显微镜读懂粪便"的训练数据：尼日利亚现场 300 份 Kato-Katz 粪涂片（Schistoscope 4×/0.10 NA 采集，141,600 FOV）合并公开的 Ward et al. AI4NTD 272 片，形成含卵 10,820 FOV、21,117 枚四类蠕虫虫卵（蛔虫/鞭虫/钩虫/曼氏血吸虫）的 COCO 边界框标注库。
2. 它证明了边缘 AI 在 NTD 现场诊断的可行性：基于 EfficientDet-D0 的检测模型在四类上取得加权 Precision 0.959 / Sensitivity 0.921 / Specificity 0.980 / F1 0.940，且模型轻量到可跑在无网络的低成本设备上。
3. 它把局限写在明处，也把风险留给使用者：现场子集无蛔虫/鞭虫卵（物种-设备结构性偏斜）、FOV 规模三口径、无标注者间一致性指标——这三条决定了它的适用边界。

10.2 适合谁

• 做被忽视热带病（NTD）诊断、需要"粪涂片虫卵检测"训练或评测数据的团队。
• 研究小目标检测、类别不均衡、跨成像域泛化的方法学者（这是一个天然的"设备异构"案例）。
• 开发低成本显微镜 / 便携诊断设备的工程团队。
• 全球健康数字病理、公共卫生教学人员。

10.3 不适合谁

• 需要患者级/滑片级分层标签的研究——本数据集只有图像级 FOV 标注（作者自述未来工作）。
• 想要**尿路血吸虫（S. haematobium）**数据——那是 Schistoscope 的前作（尿样），不是本数据集。
• 需要标注者间一致性等标签可靠性元数据的研究——论文未披露。
• 期待单一权威规模数字的使用者——官方给了三个口径，须自行声明。

10.4 30 秒决策卡

你的情况	行动
要立刻下数据跑通	Zenodo doi:10.5281/zenodo.13843815（CC BY-4.0，36 GB 单包），校验 md5 df7b5bdb46d75e7395f35e88d2a5883d
要对标论文指标	复现 70:20:10 划分 + EfficientDet-D0（COCO 预训练，512×512，lr 0.0008/400k steps），报告你自己的划分结果
要引用规模	写"论文 Table 1 含卵 FOV 10,820 / Zenodo 10,562，含 21,117 枚虫卵"，勿用全部扫描 FOV 1,527,786
要引用性能	写"论文 Table 4 加权 F1 0.940；蛔虫/鞭虫敏感性 0.949/0.951，钩虫/血吸虫 0.878"
要跨设备部署	先按设备来源分层评测；注意现场子集无蛔虫/鞭虫（§5.1）
要商用/再分发	本体 CC BY-4.0，但上游 CC BY-SA 4.0 的 ShareAlike 衔接未明（坑 6），建议与作者确认
要写综述	§2.1 两张来源表 + §4 模型配方 + §7 谱系可直接引用

FAQ（高频问答）

A. 基础认知

Q：STH-Schisto 的官方全名是什么？
答：Zenodo 发布页标题为 “Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset”。但论文数据可用性声明引用为 “Hookworm and Schistosoma mansoni Eggs Image Dataset”——同一 DOI、两个名字（坑 1）。

Q：它和 Ward et al. 2022 是同一个数据集吗？
答：不是。Ward et al. 2022（doi:10.1371/journal.pntd.0010500，Kaggle ai4ntd-p1-5）是上游，含 272 片 / 7,780 含卵 FOV / 16,990 卵。STH-Schisto 把它与尼日利亚现场采集合并，得到 572 片 / 10,820 含卵 FOV / 21,117 卵。二者是"合并集与其中一个来源"的关系。

Q：Schistoscope 是什么？
答：TU Delft 团队自研的低成本自动化数字显微镜，能自动对焦、扫描 ROI 并做设备端（edge）AI 推理，无需网络。本数据集用它时配 4× 物镜（0.10 NA），输出 2028×1520 px。

Q：为什么叫 “STH-Schisto”？
答：STH = soil-transmitted helminths（土源性蠕虫，指蛔虫/鞭虫/钩虫）；Schisto = Schistosoma mansoni（曼氏血吸虫）。本库用此缩写作为 slug sth-schisto-eggs 的便捷名，非官方名。

Q：数据集覆盖哪些国家？
答：现场采集在尼日利亚联邦首都区（FCT）；上游 Ward 数据覆盖柬埔寨、埃塞俄比亚、肯尼亚、坦桑尼亚。

B. 数据与获取

Q：怎么下载？
答：Zenodo 公开直链 https://doi.org/10.5281/zenodo.13843815，单文件 STH_and_SM_Dataset_v1_0.zip，约 36.0 GB，CC BY-4.0，无需申请。

Q：数据集有多大？
答：压缩包 35,953,708,159 字节（≈36.0 GB）。解压后含 PNG 图像 + COCO JSON 标注。

Q：图像有多少张、虫卵多少枚？
答：合并含卵 FOV 10,820（论文 Table 1/2 口径）/ 10,562（Zenodo 口径），含 21,117 枚标注虫卵（蛔虫 8,600 / 鞭虫 4,083 / 钩虫 4,512 / 曼氏血吸虫 3,920）。

Q：标注格式是什么？
答：COCO 格式的边界框（bounding box）JSON，图像为 PNG。类别映射：Ascaris=1 / Trichuris=2 / Hookworm=3 / Schistosoma=4。

Q：许可是什么？能商用吗？
答：本体 CC BY-4.0（署名即可，含商用）。但上游 Ward 数据是 CC BY-SA 4.0，合并作品的 ShareAlike 衔接未明确（坑 6），商用前建议确认。

Q：有多个版本吗？
答：没有。Zenodo 上只有 v1.0（2025-07-01），versions API 返回 total=1。

C. 方法学

Q：用什么模型？
答：EfficientDet-D0（SSD + EfficientNet-B0 + BiFPN），512×512 输入，COCO 预训练微调，TensorFlow，Colab A100，batch 16，momentum + cosine decay，lr 0.0008，400k steps。

Q：性能如何？
答：加权 Precision 0.959 / Sensitivity 0.921 / Specificity 0.980 / F1 0.940（论文 Table 4）。逐类敏感性：蛔虫 0.949 / 鞭虫 0.951 / 钩虫 0.878 / 血吸虫 0.878。

Q：为什么钩虫和血吸虫敏感性低？
答：论文归因于图像源变异——现场 Schistoscope 子集只含这两类，模型须跨两种设备域（4×/0.10 NA 与 10×/0.25 NA）。蛔虫/鞭虫只出现在单一上游设备域，故表现更好。

Q：混淆矩阵说明了什么？
答：跨类误分极少（非对角线类别间格近 0），主要误差是漏检（假阴性）与背景伪迹误判（假阳性）。钩虫漏检 59 枚、血吸虫漏检 47 枚为多。

Q：数据怎么划分的？
答：70:20:10（train 7,953 / val 1,808 / test 1,059 FOV），对两个来源分别维持比例、随机 shuffle。

D. 局限与坑

Q：最大的局限是什么？
答：现场子集没有蛔虫和鞭虫卵（尼日利亚 FCT 非流行区），模型可能偏向钩虫与血吸虫；此外 FOV 规模三口径、无标注者间一致性指标。

Q：为什么有 “over 3,000” 和 “10,820” 两个数字？
答：“over 3,000” 指现场自采的含卵 FOV（实为 3,040）；10,820 是合并含卵 FOV。二者语境不同，不是矛盾（坑 2）。

Q：1,527,786 是什么？
答：合并集的全部扫描 FOV（现场 141,600 + 上游 1,386,186），其中仅 10,820 个含卵。引用规模时勿用这个总数（坑 3）。

Q：上游 Kaggle 数据的 DOI 为什么有两个编号？
答：论文 Table 写 ds/1896823，Zenodo 页写 ds/3675429——Kaggle DOI 随版本变动，可能指向同一数据集不同快照（坑 8）。

E. 库内与生产

Q：库内有哪些同族条目？
答：NIH Malaria（502）、Raabin-WBC（853）、BCCD（851）、Montgomery-TB（157）、Shenzhen-TB（167）——均属显微镜涂片 + AI 诊断家族。

Q：库内有没有其他寄生虫卵数据集？
答：有 chula-parasitic-egg（泰国朱拉隆功大学寄生虫卵显微镜图像），是库内最直接的领域对照（并发入库）。二者同域不同源，互补而非重复。

附录

附录 A：条目信息速查卡

项	内容
官方全名	Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset
本库 slug	sth-schisto-eggs
别名	Hookworm and Schistosoma mansoni Eggs Image Dataset（论文数据声明用名）
数据 DOI	10.5281/zenodo.13843815（concept: 10.5281/zenodo.13843814）
论文 DOI	10.1038/s41598-025-02755-9
论文出处	Scientific Reports 15:21495 (2025)
PMID / PMCID	40595844 / PMC12219859
通讯作者	Jan-Carel Diehl（TU Delft，J.C.Diehl@tudelft.nl）
发布平台	Zenodo（v1.0，2025-07-01）
许可	CC BY-4.0（本体）；CC BY-SA 4.0（上游 AI4NTD）
体量	36.0 GB（单 zip）
图像格式	PNG；标注：COCO JSON 边界框
类别	蛔虫 / 鞭虫 / 钩虫 / 曼氏血吸虫
含卵 FOV	10,820（论文）/ 10,562（Zenodo）
标注虫卵	21,117 枚
模型	EfficientDet-D0
性能	加权 F1 0.940
库内互链	nih-malaria(502)、raabin-wbc(853)、bccd(851)、montgomery-tb(157)、shenzhen-tb(167)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	Zenodo + Scientific Reports 双入口，DOI 稳定可索引；但数据集名称三版本（Zenodo 名/论文引用名/slug）增加检索摩擦
A 可获取性	9	CC BY-4.0 公开直链，无请求制无审批；扣分仅因单包 36 GB 对带宽要求较高
I 可互操作	7	COCO JSON 通用标准、PNG 图像；类映射清晰；但无 DICOM/开放病理格式，无官方转换脚本
M 元数据质量	6	论文表格完备（来源表/划分表/混淆矩阵/指标表）；但 FOV 规模三口径、无标注者数量与标注者间一致性、无患者级元数据
S 可持续性	8	Zenodo 长期存档 + Concept DOI 支持版本演进；上游 Kaggle 稳定；无单点邮箱依赖
综合评级	7.6/10（良好）	可得性与可持续性突出；元数据自洽性与粒度是主要失分项，被公开直链与标准格式部分补偿

附录 C：逐项证据链自证

关键数字	来源	位置
现场 300 片 / 141,600 FOV / 3,040 含卵	论文正文（Methodology）	PMC12219859
现场 hookworm 889 / S. mansoni 3,238	论文正文（Methodology）	PMC12219859
上游 Ward 272 片 / 7,780 含卵 FOV / 16,990 卵	论文 Table 1	PMC12219859
合并 10,820 FOV / 21,117 卵	论文 Table 1 + Table 2	PMC12219859
划分 7,953 / 1,808 / 1,059	论文 Table 2	PMC12219859
4× / 0.10 NA / 2028×1520	论文正文 + Zenodo Data Summary	PMC12219859 / Zenodo
上游 10× / 0.25 NA / 1640×1232	论文 Fig. 2 讨论 + Zenodo Data Summary	PMC12219859 / Zenodo
Kato-Katz 41.7 mg 模板	论文正文 + Zenodo	PMC12219859 / Zenodo
EfficientDet-D0 配方	论文正文（Deep learning model）	PMC12219859
加权 F1 0.940 等	论文 Table 4	PMC12219859
混淆矩阵（790/364/424/337 + 假阴/假阳）	论文 Table 3	PMC12219859
现场无蛔虫/鞭虫（偏倚）	论文 Discussion	PMC12219859
CC BY-4.0 / 10,562 FOV / 36.0 GB	Zenodo API 实测	Zenodo 2026-10-07
伦理 FHREC/2022/01/102/05-07-22	论文正文 + Zenodo Ethics	PMC12219859 / Zenodo
上游 Ward 2022 数字	PLoS NTD 16(6):e0010500	上游论文

附录 D：术语表

术语	释义
STH	Soil-transmitted helminths，土源性蠕虫，指蛔虫、鞭虫、钩虫
NTD	Neglected Tropical Diseases，被忽视热带病
Kato-Katz（KK）	加藤厚涂片法，WHO 推荐的粪样寄生虫定量检查标准方法
41.7 mg 模板	Kato-Katz 标准定量模板，用于估算 EPG
FOV	Field of View，显微镜视野图像，本数据集的计数与标注单元
Schistoscope	TU Delft 自研低成本自动化数字显微镜（含边缘 AI）
S. mansoni	Schistosoma mansoni，曼氏血吸虫，引起肠道血吸虫病
S. haematobium	埃及血吸虫，引起尿路血吸虫病（Schistoscope 前作对象）
A. lumbricoides	蛔虫
T. trichiura	鞭虫
hookworm	钩虫（Necator americanus / Ancylostoma duodenale）
COCO	Common Objects in Context，通用目标检测标注格式（JSON）
边界框	bounding box，目标检测的矩形标注
EfficientDet-D0	Google 提出的轻量高效目标检测架构（SSD + EfficientNet-B0 + BiFPN）
BiFPN	Bi-directional Feature Pyramid Network，双向特征金字塔
NA	Numerical Aperture，数值孔径，决定物镜分辨率
EPG	Eggs Per Gram，每克粪便虫卵数，感染强度指标
edge AI	边缘人工智能，在设备端本地推理，无需联网
ORCA	Cardiff University 开放获取仓储（论文另存处）
Concept DOI	Zenodo 的"概念 DOI"，指向某一数据集的所有版本

附录 E：硬事实清单（30 条）

1. 数据集官方全名：“Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset”（Zenodo 发布页）。
2. 论文数据可用性声明引用名：“Hookworm and Schistosoma mansoni Eggs Image Dataset”（同一 DOI）。
3. Zenodo DOI：10.5281/zenodo.13843815；Concept DOI：10.5281/zenodo.13843814。
4. 版本：v1.0，发布日 2025-07-01，唯一版本（versions total=1）。
5. 论文：Scientific Reports 15:21495 (2025)，doi:10.1038/s41598-025-02755-9。
6. PMID 40595844；PMCID PMC12219859。
7. 通讯作者：Jan-Carel Diehl（TU Delft），邮箱 J.C.Diehl@tudelft.nl。
8. 第一作者：Prosper Oyibo（TU Delft + Cardiff University），ORCID 0000-0002-2636-3171。
9. 合作机构：TU Delft、Cardiff University、Leiden University Medical Center、University of Lagos。
10. 现场采集地：尼日利亚联邦首都区（Federal Capital Territory, FCT）。
11. 受试人群：学龄儿童；粪便样本采于无菌 20 mL 通用容器。
12. 伦理批准号：FHREC/2022/01/102/05-07-22（FCT Health Research Ethics Committee）。
13. 资助：NTD Innovation Prize + NWO-WOTRO Science for Global Development（Grant W 07.30318.009，INSPiRED）。
14. 现场采集设备：Schistoscope，4× 物镜，0.10 NA。
15. 现场图像分辨率：2028 × 1520 px，RGB。
16. 现场样本数：300 份 Kato-Katz 粪涂片。
17. 现场全部扫描 FOV：141,600。
18. 现场含卵 FOV：3,040。
19. 现场标注虫卵：4,127（hookworm 889 + S. mansoni 3,238）。
20. 现场子集蛔虫卵数：0；鞭虫卵数：0。
21. 上游数据集：Ward et al. AI4NTD KK2.0 P1.5 STH & SCHm。
22. 上游扫描片数：272；上游全部 FOV：1,386,186；上游含卵 FOV：7,780。
23. 上游标注虫卵：16,990（Ascaris 8,600 / Trichuris 4,083 / hookworm 3,623 / SCH 682）。
24. 上游设备：原型全片扫描仪，10× 放大，0.25 NA，1640×1232 px。
25. 合并片数：572；合并全部 FOV：1,527,786。
26. 合并含卵 FOV：10,820（论文）/ 10,562（Zenodo）。
27. 合并标注虫卵：21,117（8,600 / 4,083 / 4,512 / 3,920）。
28. Kato-Katz 模板：41.7 mg。
29. 标注格式：COCO JSON 边界框；图像格式：PNG。
30. 发布体量：35,953,708,159 字节（≈36.0 GB）；md5 df7b5bdb46d75e7395f35e88d2a5883d。

附录 F：硬事实清单（性能与模型，20 条）

1. 模型架构：EfficientDet-D0。
2. 骨干：EfficientNet-B0。
3. 特征融合：BiFPN，层级 3-7，3 迭代，64 filters。
4. 检测框架：Single Shot Detector（SSD）。
5. 框预测器：权重共享，深度 64，深度可分离卷积，SWISH + L2。
6. 分类损失：加权 sigmoid focal loss。
7. 定位损失：加权 smooth L1 loss。
8. 锚框：层级 3-7，scale 4.0，宽高比 1.0/2.0/0.5。
9. 匹配器：argmax，阈值 0.5。
10. 输入尺寸：512 × 512 px。
11. 预训练：COCO 检查点微调。
12. 优化器：momentum + cosine decay。
13. 学习率：0.0008 起始，400,000 步，warmup 2,500 步。
14. 硬件：Google Colab A100，batch 16。
15. 框架：Python TensorFlow。
16. 数据增强：随机水平翻转、随机缩放、裁剪、padding。
17. 加权 Precision：0.959（±0.011）。
18. 加权 Sensitivity：0.921（±0.035）。
19. 加权 Specificity：0.980（±0.0076）。
20. 加权 F-Score：0.940（±0.0198）。

附录 G：四类虫卵逐类深度对照

维度	A. lumbricoides（蛔虫）	T. trichiura（鞭虫）	hookworm（钩虫）	S. mansoni（曼氏血吸虫）
卵数（合并）	8,600	4,083	4,512	3,920
现场子集卵数	0	0	889	3,238
上游子集卵数	8,600	4,083	3,623	682
出现设备	仅上游 10×	仅上游 10×	两种设备	两种设备
Precision	0.968	0.943	0.949	0.968
Sensitivity	0.949	0.951	0.878	0.878
Specificity	0.972	0.984	0.982	0.992
F-Score	0.959	0.947	0.912	0.921
假阴性	42	19	59	47
假阳性（伪迹）	26	22	23	11
形态特征	椭圆形、表面有凹凸蛋白膜，较大	柠檬形、两端有透明栓，中等	椭圆形、卵壳薄、内含分裂细胞，较小	椭圆形、带侧刺（spine），中等
分类学	线虫	线虫	线虫（钩口科）	吸虫（扁形动物）
疾病	蛔虫病	鞭虫病	钩虫病	肠道血吸虫病

读表要点：唯有钩虫与曼氏血吸虫同时出现在两种设备（现场 + 上游），这正是它们敏感性偏低的根源（跨设备域）。蛔虫与鞭虫只出现在上游 10× 设备，故表现稳定。S. mansoni 是最"矛盾"的类：precision 最高（0.968）但 sensitivity 最低档（0.878）之一。

附录 H：面向不同角色的上手路径

路径 1：模型开发者（想训练虫卵检测器）

1. 从 Zenodo 下载 STH_and_SM_Dataset_v1_0.zip（36 GB），校验 md5。
2. 解析 COCO JSON，确认类别映射（Ascaris=1 / Trichuris=2 / Hookworm=3 / Schistosoma=4）。
3. 按"设备来源"（Schistoscope vs 上游）分层统计样本量——你会发现蛔虫/鞭虫只在上游设备出现。
4. 复现 70:20:10 划分（参考文献 Table 2 的分层比例）。
5. 从 COCO 预训练 EfficientDet-D0 微调，512×512 输入，lr 0.0008 + cosine，报告滑动/患者级指标。

路径 2：NTD 项目评估者（想判断能否部署）

1. 明确你的目标物种：若现场需要检蛔虫/鞭虫，注意本数据现场子集无此类卵（§5.1）。
2. 关注敏感性与特异性的分野：模型"报出的准"（precision 高），但"漏检多"（钩虫/血吸虫敏感性 0.878）——对大规模筛查而言，漏检率的临床意义需评估。
3. 关注滑片/患者级验证缺失——本数据集只支持图像级评测，部署前须补做。

路径 3：方法学研究者（想研究跨域泛化）

1. 双设备（4×/0.10 NA vs 10×/0.25 NA）是天然域偏移设置。
2. 类别-设备交叉分布（附录 G 表）是类别不均衡 + 域偏移的复合案例。
3. 混淆矩阵的非对角线近 0 说明模型很少跨类混淆、误差主要是漏检与伪迹——值得做"定位 vs 分类"误差分解。

路径 4：公共卫生教学者

1. 四类虫卵形态（附录 G 表）可作 Kato-Katz 阅片教学对照。
2. 混淆矩阵的伪迹假阳性案例（论文 Fig. 2）可讲"涂片质量如何影响诊断"。
3. WHO NTD 路线图与 TPP 语境（§7.3）可作为"技术如何服务全球健康"的案例。

附录 I：与尿路血吸虫 Schistoscope 前作的边界

许多检索者会把本数据集与 Schistoscope 的血吸虫尿样工作混淆。二者边界：

维度	尿路血吸虫前作	本数据集（STH-Schisto）
样本	尿液	粪便（Kato-Katz 涂片）
虫种	S. haematobium（埃及血吸虫）	STH 三虫 + S. mansoni（曼氏血吸虫）
病种	尿路血吸虫病	肠道血吸虫病 + 土源性蠕虫病
代表文献	Meulah 2022（AJTMH）、Meulah 2024（PLoS NTD）	本工作（Sci Rep 2025）
联系	同一 Schistoscope 硬件路线	能力从"尿单虫"扩展到"粪四虫"

关键提醒：S. haematobium 与 S. mansoni 是不同虫种、不同病种（尿路 vs 肠道）、不同样本（尿 vs 粪）。引用时切勿混为一谈。

附录 J：数据集可复现性检查清单（10 项）

1. 下载完整：36.0 GB 单包，校验 md5 df7b5bdb46d75e7395f35e88d2a5883d。
2. 解压结构核对：应为 PNG 图像目录 + COCO JSON 标注。
3. 类别映射核对：确认四类 id 映射（Ascaris=1 / Trichuris=2 / Hookworm=3 / Schistosoma=4）。
4. 规模口径声明：在你的方法里写清用哪个 FOV 数字（论文 10,820 还是 Zenodo 10,562）。
5. 设备来源标注：为每张图记录来源（Schistoscope vs 上游），以便分层评测。
6. 分层划分：复现 70:20:10，并保持两个来源的比例（参考论文 Table 2）。
7. 指标定义：明确定义 precision/sensitivity/specificity/F1 的计数口径（按卵按框）。
8. 滑片/患者级聚合：若做诊断级评估，需将图像级结果聚合到样本级（作者建议的未来工作）。
9. 许可合规：本体 CC BY-4.0 署名；上游 CC BY-SA 4.0 的 ShareAlike 若涉及再分发需确认。
10. 伦理声明：引用原始伦理批准号 FHREC/2022/01/102/05-07-22；数据已去标识，无个人可识别信息。

附录 K：与库内同族数据集的横向对照

数据集	rid	模态	目标	标注	场景
STH-Schisto	（本条）	粪涂片显微图	四类虫卵检测	COCO 边界框	尼日利亚现场 NTD
NIH Malaria	502	血涂片显微图	疟原虫感染细胞	分类/检测	低成本显微镜 AI
Raabin-WBC	853	外周血涂片	白细胞五类分类+分割	分类+掩码	伊朗临床血液学
BCCD	851	外周血涂片	血细胞检测	边界框（COCO/VOC）	通用血细胞检测
Montgomery-TB	157	胸片	结核	分类/分割	公共卫生筛查
Shenzhen-TB	167	胸片	结核	分类	公共卫生筛查
VinDr-CXR	125	胸片	多病灶检测	边界框	放射诊断

共性：均面向"可规模化、低成本的感染/疾病筛查"。差异：STH-Schisto 与 NIH Malaria、Raabin-WBC、BCCD 同属显微镜图像目标检测/分类，最可横向对照；后两者是血液学、前者是寄生虫学。

附录 L：术语中英对照速查

中文	英文	备注
土源性蠕虫	soil-transmitted helminths (STH)	蛔虫/鞭虫/钩虫
曼氏血吸虫	Schistosoma mansoni	肠道血吸虫
加藤厚涂片法	Kato-Katz thick smear technique	WHO 标准
视野图像	field of view (FOV) image	计数单元
虫卵计数	egg count	下游诊断任务
每克虫卵数	eggs per gram (EPG)	感染强度
去蠕虫/驱虫	deworming	人群干预
被忽视热带病	neglected tropical diseases (NTD)	WHO 议程
目标产品特性	Target Product Profiles (TPPs)	WHO 诊断工具规范
边缘人工智能	edge AI	设备端推理
自动对焦	auto-focus	Schistoscope 能力
感兴趣区域	region of interest (ROI)	扫描目标
边界框	bounding box	检测标注
混淆矩阵	confusion matrix	误差分析
假阴性	false negative	漏检
假阳性	false positive	误报（此处多为背景伪迹）
数值孔径	numerical aperture (NA)	物镜参数
类别不均衡	class imbalance	上游偏斜问题
跨域泛化	cross-domain generalization	双设备挑战
观察者间一致性	inter-annotator agreement	本数据集未披露

附录 M：常见误引与纠正

常见误引	纠正
“数据集有 1,527,786 张图”	这是全部扫描 FOV；含卵（可训练）FOV 为 10,820（论文）/10,562（Zenodo）
“数据集只有 3,000 张”	“over 3,000” 指现场自采含卵 FOV（3,040），非合并总数
“现场采集了四类虫卵”	现场只有钩虫与曼氏血吸虫；蛔虫/鞭虫来自上游 Ward 数据
“这是尿路血吸虫数据集”	本数据集是肠道血吸虫（S. mansoni）+ STH；尿路血吸虫（S. haematobium）是 Schistoscope 前作
“F1 0.940 是与 Ward 2022 同一口径”	Ward 2022 是 precision 94.9%/recall 96.1%（另一 test set）；口径不同
“数据集是请求制获取”	否，CC BY-4.0 公开直链；请求制是某些病理数据集的模式（如 PANDA-PLUS 掩码）
“有 v2 版本”	无，仅 v1.0
“标注含背景类”	类别仅四类虫卵；背景以无框表达，伪迹误判体现为假阳性

附录 N：数据集的科学问题一句话定义

“能否用一台无需联网的低成本显微镜 + 一个轻量检测模型，在疟疾/血吸虫/土源性蠕虫高发的低资源地区，自动、可靠地在 Kato-Katz 粪涂片中检出四类蠕虫虫卵？”

STH-Schisto 是对这个问题的一份"数据集 + 模型 + 硬件"的完整回答：答案是"基本可以"（加权 F1 0.940），但代价是三类已知偏倚（物种-设备交叉偏斜、规模化口径、标注可靠性元数据缺失），使用者须在自己的部署场景里逐条评估。

附录 O：引用格式建议

数据集引用：
Oyibo, P., Meulah, B., Agbana, T., van Lieshout, L., Oyibo, W., Vdovin, G., & Diehl, J.-C. (2025). Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset [Data set]. Zenodo. https://doi.org/10.5281/zenodo.13843815

论文引用：
Oyibo, P., Meulah, B., Agbana, T., van Lieshout, L., Oyibo, W., Vdovin, G., & Diehl, J.-C. (2025). Deep learning-based automated detection and multiclass classification of soil-transmitted helminths and Schistosoma mansoni eggs in fecal smear images. Scientific Reports, 15(21495). https://doi.org/10.1038/s41598-025-02755-9

上游数据引用：
Ward, P., Dahlberg, P., Lagatie, O., Larsson, J., Tynong, A., Vlaminck, J., Zumpe, M., Ame, S., Ayana, M., Khieu, V., Mekonnen, Z., Odiere, M., Yohannes, T., Van Hoecke, S., Levecke, B., & Stuyver, L. J. (2022). Affordable artificial intelligence-based digital pathology for neglected tropical diseases: A proof-of-concept for the detection of soil-transmitted helminths and Schistosoma mansoni eggs in Kato-Katz stool thick smears. PLOS Neglected Tropical Diseases, 16(6), e0010500. https://doi.org/10.1371/journal.pntd.0010500

附录 P：条目制作与存照说明

• 本条目 FACTS.md 与成稿均由代理 agent-b-sthschisto 依据 Zenodo API 实测、PMC 全文抓取、Kaggle 页面与 PLoS/PubMed 三源互证撰写，抓取时点 2026-10-07。
• 全部硬数字均落一手来源 URL（见 FACTS.md §附）。
• 双口径冲突（数据集名称、FOV 规模、上游 Kaggle DOI、S. mansoni 卵数微漂移）已逐条存照于 FACTS.md §9 与本文 §5.2/§9。
• 遗留疑点（Zenodo 10,562 vs 论文 10,820 差异来源、标注者间一致性缺失、"over 3,000"概述来源、负类定义）已列于 FACTS.md §9，供后续复核。

附录 Q：流行病学背景——为什么这份数据集值得做

Q.1 三种土源性蠕虫的负担

土源性蠕虫（STH）包括蛔虫（Ascaris lumbricoides）、鞭虫（Trichuris trichiura）与钩虫（Necator americanus / Ancylostoma duodenale）。论文引用的流行病学基线：

• 感染规模：全球超过 15 亿人感染 STH，约占全球人口的 24%。
• 儿童受害最重：感染的儿童出现营养与体格发育受损（nutritionally and physically impaired）。
• 传播机制：虫卵随人粪排出、污染卫生条件不佳地区的土壤——这解释了为什么"粪涂片检查"既是诊断、也是预防传播的关键节点。

Q.2 血吸虫病的负担

• 2021 年数据：至少 2.514 亿人需要血吸虫病预防性治疗。
• 病种区分：肠道血吸虫病主要由 S. mansoni、S. japonicum、S. intercalatum 引起；尿路血吸虫病由 S. haematobium 引起。本数据集针对的是肠道血吸虫 S. mansoni。
• 地理分布：STH 与血吸虫病的高发区集中在撒哈拉以南非洲、美洲、中国与东亚。

Q.3 联合负担与政策目标

• DALY 损失：STH 感染与血吸虫病合计每年造成超过 500 万残疾调整生命年（DALY）损失。
• WHO 路线图：WHO 发布了 2020-2030 十年期的 STH 与血吸虫病路线图，明确认可以粪样诊断支撑消除目标的重要性。
• 诊断瓶颈：大规模驱虫项目（deworming programs）的成效监测依赖 Kato-Katz 厚涂片的人工阅片，而这一环节的技能稀缺与人力瓶颈，正是一切自动化尝试的驱动力。

Q.4 Kato-Katz 方法本身

Kato-Katz（加藤厚涂片）技术是 WHO 推荐的粪样寄生虫定量检查标准。要点：

1. 定量原理：使用固定质量的粪便模板（本数据集为 41.7 mg）制备厚涂片，通过计数视野内的虫卵数反推 EPG（eggs per gram），进而评估感染强度。
2. 为何是"金标准"：成本低、操作相对简单、可定量，适合流行病学调查与项目监测。
3. 为何需要 AI：需持续培训的阅片技能、阅片者的视觉疲劳、人力与样本量不匹配——这三条正是 Schistoscope + STH-Schisto 想要缓解的。

Q.5 WHO 目标产品特性（TPP）语境

论文明确将工作与 WHO 的**目标产品特性（Target Product Profiles, TPPs）**对齐，TPP 强调诊断工具的：

• 可负担性（affordability）——低成本设备与货架元器件。
• 可及性（accessibility）——无需网络、无需稀缺技能的现场部署。
• 有效性（effectiveness）——在资源受限环境中仍能可靠工作。

这解释了 Schistoscope 的一系列设计取舍（低倍物镜、边缘算力、轻量模型）——它们不是技术妥协，而是政策目标的直接映射。

附录 R：方法论逐步拆解

R.1 现场采集的完整流程

步骤	操作	关键参数
1	选定研究点（尼日利亚 FCT 的 area councils）	经 NTD 部门通知当地 NTD 官员
2	采集学龄儿童粪便样本	无菌 20 mL 通用容器，获家长/监护人知情同意
3	Kato-Katz 处理	标准 KK 技术，41.7 mg 模板
4	现场扫描	6 台 Schistoscope，4× / 0.10 NA，输出 2028×1520 px
5	登记	300 份涂片，141,600 个 FOV
6	专家筛查与标注	识别 3,040 含卵 FOV，889 钩虫卵 + 3,238 血吸虫卵
7	合并上游数据	接入 Ward et al. 272 片 7,780 含卵 FOV

R.2 上游数据的采集流程（Ward et al. 2022）

步骤	操作	关键参数
1	嵌入四项现场研究	柬埔寨、埃塞俄比亚、肯尼亚、坦桑尼亚
2	Kato-Katz 处理	超 300 份新制备 KK 厚涂片
3	原型全片扫描仪扫描	10× / 0.25 NA，1640×1232 px
4	标注	7,780 含卵 FOV，16,990 虫卵
5	采集策略	靶向高感染粪便样本以最大化成像虫卵数

R.3 合并与划分

1. 合并：现场 3,040 + 上游 7,780 = 10,820 含卵 FOV（论文口径）。
2. 去重性说明：现场与上游来自不同国家、不同个体，无重叠样本。
3. 划分：FOV 随机打乱（randomly shuffled），目标 70:20:10，对两个来源分别维持比例。
4. 划分结果：train 7,953 / val 1,808 / test 1,059 FOV（论文 Table 2）。

R.4 训练与评测流程

1. 输入预处理：图像保持宽高比缩放到 512×512 内，padding 补齐。
2. 增强：随机水平翻转、随机缩放、裁剪、padding。
3. 微调：从 COCO 预训练 EfficientDet-D0 开始。
4. 优化：momentum + cosine decay，lr 0.0008，400k steps，warmup 2500，batch 16。
5. 评测：在 test set（1,059 FOV / 2,135 卵）上计算 precision/sensitivity/specificity/F1 并加混淆矩阵。
6. 报告：四类逐项 + 加权平均 ± 标准差。

附录 S：EfficientDet 家族与选型逻辑

S.1 为什么 EfficientDet 适配边缘设备

EfficientDet 的复合缩放方法同时缩放分辨率、深度、宽度以及特征网络与预测网络，使其能在从移动设备到服务器的宽算力区间内提供"速度-精度"的帕累托前沿。D0 是家族中最小档，参数量与计算量最低，最匹配 Schistoscope 的边缘算力。

S.2 家族档位对照（概念性）

档位	相对容量	适用场景
D0	最小	移动/边缘设备
D1-D3	中档	中等算力
D4-D7	大档	服务器级高精度

本数据集选用 D0——这是一个明确的"部署优先"取舍，与 §7.3 的 WHO TPP 逻辑呼应。

S.3 SSD + EfficientNet + BiFPN 的分工

• SSD 框架：单阶段检测器，一次前向即输出框与类，速度快。
• EfficientNet-B0 骨干：高效特征提取。
• BiFPN：双向特征金字塔，跨分辨率融合特征，提升多尺度目标（虫卵大小不一）的检测。层级 3-7、3 迭代、64 filters 是论文给出的具体配置。

S.4 损失函数设计

• 分类：加权 sigmoid focal loss——通过降权"已分类良好"的样本，缓解类别不均衡（上游约 50% 是蛔虫卵）。
• 定位：加权 smooth L1 loss——平衡边界框回归精度。
• 两者按匹配数与编码尺寸归一化以稳定训练。

附录 T：误差分析手册——如何读懂混淆矩阵

论文 Table 3 的混淆矩阵是本数据集最值得反复研读的部分。它告诉我们误差"长什么样"：

T.1 跨类误分几乎为零

观察混淆矩阵的非对角线：除对角线外，四类之间的交叉格几乎全为 0（仅 A. lumbricoides ↔ T. trichiura 各有极个别 1）。这意味着模型几乎不会把钩虫卵误报成血吸虫卵——一旦检出，分类是准的。

T.2 主要误差是"漏检"

假阴性（missed eggs）：A. lumbricoides 42 / T. trichiura 19 / hookworm 59 / S. mansoni 47。钩虫与血吸虫漏检最多，与它们的敏感性（0.878）一致。

T.3 次要误差是"背景伪迹误报"

假阳性（background artefacts）：26 / 22 / 23 / 11。模型偶尔把涂片背景中的非卵结构误判为虫卵——论文 Fig. 2 用黑箭头标注了这类案例。

T.4 对使用的启示

• 若你的应用最不能容忍漏检（如筛查），需重点关注钩虫/血吸虫的敏感性缺口。
• 若你的应用最不能容忍误报（如确证），本模型的 precision 表现优异（0.943-0.968）。
• 伪迹是现场诊断的固有噪声，改进方向包括涂片制备质量与更有针对性的负样本训练。

附录 U：扩展 FAQ（20 问）

Q1：这个数据集能直接做临床诊断吗？
不能直接。它支持图像级的目标检测研究；论文自身指出未来需在滑片/患者层面评估性能，方能确保临床可靠性。

Q2：S. mansoni 与 S. haematobium 有何区别？
前者是肠道血吸虫（粪样），后者是尿路血吸虫（尿样）。本数据集针对前者；Schistoscope 前作针对后者。

Q3：为什么上游数据占比较高？
上游贡献 7,780 含卵 FOV（占 71.9%），现场贡献 3,040（28.1%）。现场采集成本高（现场实验室、6 台设备、专家标注），上游数据提供规模化基数与蛔虫/鞭虫类别。

Q4：现场为什么采集不到蛔虫/鞭虫卵？
研究点（尼日利亚 FCT）这两种虫不流行，样本里没有（§5.1）。

Q5：模型能识别卵的发育阶段吗？
不能。仅四类虫种分类，不含卵的成熟度/发育阶段标注。

Q6：数据里有阴性样本（无卵图）吗？
混合集聚焦含卵 FOV。论文的"含卵 FOV"口径即指有标注虫卵的视野。全扫描 FOV（1,527,786）中包含大量无卵视野，但未作为负样本标注集发布。

Q7：训练/验证/测试是否按患者划分？
论文写"FOV images were randomly shuffled"，按 FOV 划分而非按患者/样本划分——这意味着潜在的数据泄漏风险（同一样本的不同 FOV 可能跨集合），使用者在患者级评估时须留意。

Q8：EfficientDet-D0 的输入为什么是 512×512？
兼顾算力与精度：边缘设备上 512 是常见折中；原始图像 2028×1520 或 1640×1232 需缩放。

Q9：训练用了多少步、多久？
400,000 步（lr 从 0.0008 余弦衰减），batch 16，Colab A100。具体耗时论文未给。

Q10：有开源代码或权重吗？
论文的数据可用性声明只列数据源，未列代码/权重仓库。

Q11：数据集可以和 PANDA-PLUS 之类病理数据集类比吗？
模态不同（显微镜涂片 vs WSI），但都属"医学图像标注数据集"，可对照其标注流水线与质量披露方式。PANDA-PLUS 用多层流水线 + 专家终审，STH-Schisto 用专家标注（未披露人数与一致性）。

Q12：36 GB 全是图像吗？
含 PNG 图像 + COCO JSON 标注，打包为单 zip。

Q13：为什么 Zenodo 页说 10,562 而论文说 10,820？
口径差异未官方解释（遗留疑点，见 §5.2、FACTS §9）。可能涉及发布时的 FOV 筛选或计数方式。

Q14：hookworm 到底是 3,623 还是 4,512？
上游 Ward 贡献 3,623；现场贡献 889；合并 = 4,512（论文 Table 1）。Zenodo 页给的是合并值。

Q15：S. mansoni 是 682 还是 684？
论文 Table 1 写上游 682；Kaggle 页文字写 684——微漂移（坑 5）。以论文为准。

Q16：这些图像能用于商业产品吗？
本体 CC BY-4.0 允许商用（署名）。但上游 CC BY-SA 4.0 的 ShareAlike 衔接未明，商用前建议确认（坑 6）。

Q17：有没有其他虫卵数据集可对照？
库内有 chula-parasitic-egg（泰国寄生虫卵显微镜图像）；文献中还有 Nakasi 等的乌干达肠道寄生虫数据集、Ward 等上游数据集。

Q18：能否扩展到其他虫种？
作者在讨论中明确未来工作将扩充蛔虫与鞭虫卵、细化标注以提升敏感性，并探索其他检测架构以改进定量。

Q19：数据集的"边缘 AI"具体指什么？
模型可在 Schistoscope 设备端本地运行推理，无需联网（edge computing）——区别于依赖远程算力或远程医疗的方案。

Q20：这份数据集的最大科学贡献是什么？
它提供了"现场采集 + 公开数据合并 + 轻量模型 + 边缘部署"的端到端证据，并以 CC BY-4.0 公开，使 NTD 自动化诊断研究有了可复用的基准数据。

附录 V：数据集谱系图（文字版）

Schistoscope 硬件路线
├── Oyibo et al. 2022 (Micromachines) ── Schistoscope 首提
├── Meulah et al. 2022 (AJTMH) ── 尼日利亚尿样 S. haematobium 验证
├── Meulah et al. 2024 (PLoS NTD) ── 加蓬尿样验证
└── 本工作 2025 (Sci Rep) ── 粪样四虫检测 ◄── STH-Schisto 数据

AI 虫卵检测路线
├── 传统 ML：Alva 2017 / Khairudin 2022 / Caetano ── 手工特征
├── YOLO/ResNet：Huo / Rajasekar / Lundin 2022 ── 高倍依赖
├── 移动端：Yang Kankanet / Lin MobileNetV2 ── 图像质量受限
└── Ward et al. 2022 (PLoS NTD) ── AI4NTD 上游数据集 ◄── 合并来源

附录 W：元数据字段建议（若二次封装本数据集）

字段	建议值/说明
dataset_name	Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset
dataset_doi	10.5281/zenodo.13843815
license	CC BY-4.0
annotation_format	COCO JSON (bounding box)
image_format	PNG
classes	Ascaris lumbricoides, Trichuris trichiura, hookworm, Schistosoma mansoni
class_id_map
fov_containing_eggs	10820 (paper) / 10562 (Zenodo)
total_annotated_eggs	21117
slide_count	572
device_scistoscope	4x / 0.10 NA / 2028x1520
device_upstream	10x / 0.25 NA / 1640x1232
sample_type	Kato-Katz fecal thick smear, 41.7 mg template
geography	Nigeria (FCT) + Cambodia/Ethiopia/Kenya/Tanzania (upstream)
model_baseline	EfficientDet-D0
metric_weighted_f1	0.940
known_bias	no A. lumbricoides/T. trichiura in field subset

附录 X：一句话问答速查

问题	一句话答案
官方名？	Soil-transmitted Helminths and Schistosoma mansoni Eggs Image Dataset
多少图？	含卵 FOV 10,820（论文）/10,562（Zenodo）
多少卵？	21,117 枚四类虫卵
谁做的？	TU Delft 主导（通讯 Jan-Carel Diehl）
用在哪？	NTD 防控的 AI 虫卵检测
什么设备？	Schistoscope 低成本自动化显微镜
什么模型？	EfficientDet-D0
成绩？	加权 F1 0.940
许可？	CC BY-4.0
怎么下？	Zenodo doi:10.5281/zenodo.13843815
多大？	36.0 GB 单包
最大坑？	现场子集无蛔虫/鞭虫 + FOV 三口径

附录 Y：与 PANDA-PLUS 条目（库内金标准）的对照

维度	PANDA-PLUS	STH-Schisto
模态	前列腺 WSI 病理	粪涂片显微镜
标注	像素级 RGB 掩码	COCO 边界框
获取	掩码请求制	CC BY-4.0 公开直链
上游	PANDA 挑战赛	Ward et al. AI4NTD
核心发现	PANDA 高级别标签系统性偏高	低成本设备 + 边缘 AI 可检测四类虫卵
主要局限	机构偏斜 + 标签噪声	物种-设备交叉偏斜 + 无标注者间一致性
数据工程特色	三层注释流水线省专家时间	现场采集 + 公开数据合并扩平衡

结语：如果说 PANDA-PLUS 是"用专家重标注给病理数据集体检"，那么 STH-Schisto 就是"用低成本设备把实验室能力送到粪涂片现场"。两者方法论不同、领域不同，但共同回答了同一个数据工程问题：如何在有限资源下产出可训练、可评测、可追溯的高质量医学标注数据——这也是 AI-Ready 数据集运动的共同命题。

附录 Z：读完后你应该记住的五件事

1. 规模用含卵 FOV：10,820（论文）/10,562（Zenodo），不是 1,527,786。
2. 现场缺蛔虫/鞭虫：这是地理流行病学事实带来的结构性偏斜，影响跨设备泛化。
3. 性能看敏感性分化：蛔虫/鞭虫 0.949/0.951，钩虫/血吸虫 0.878；精度均衡（0.943-0.968）。
4. 许可是公开直链：CC BY-4.0，Zenodo 36 GB 单包，但上游 CC BY-SA 4.0 衔接未明。
5. 它是 NTD 政策的技术落地：对齐 WHO 路线图与 TPP，用边缘 AI 缓解显微镜技能瓶颈。

附录 AA：数据质量的双面性——专家标注的价值与代价

AA.1 专家标注的价值

STH-Schisto 的标注来自显微镜专家，这保证了四类虫卵的形态学判别（尤其是形态相似的钩虫卵与其他卵的区分）达到专业水准。COCO 边界框按"每枚卵一个框"的粒度给出，支持精确的目标检测训练与定量评估。

AA.2 专家标注的代价

• 成本：现场 300 份涂片扫描出 141,600 FOV，需逐一筛查，专家工作量巨大（这也是现场只标注了含卵 FOV 的原因之一）。
• 不可扩：专家时间不可无限扩展，故必须合并公开数据来扩大规模。
• 黑箱指标：论文未报告标注者数量与一致性，使用者无法量化标注噪声。

AA.3 与"多层流水线"标注法的对照

库内 PANDA-PLUS 采用的是"学生初注 + 高年级复核 + 专家终审"的三层流水线，以降低专家成本并保证质控。STH-Schisto 采取的是"专家直接标注"模式，质控依靠专家本身，但代价是规模受限与元数据披露较少。两种模式各有取舍：前者可规模化、质控可追溯；后者标注质量高、但吞吐有限。

附录 AB：检测任务 vs 分类任务的边界

本数据集的核心任务是目标检测（object detection）——同时回答"哪里有虫卵"（定位）与"是哪一类"（分类）。理解这个边界很重要：

任务层级	输入	输出	本数据集支持
图像分类	整图	一个类别标签	间接（可截取含卵图作正样本）
目标检测	整图	多个边界框 + 类别	直接支持（COCO 边界框）
语义/实例分割	整图	像素级掩码	不支持（无掩码标注）
虫卵计数	整图	虫卵数量（EPG）	支持（从检出框计数，但需样本级聚合）

所以：若你想做像素级分割，本数据集不适用；若要做虫卵计数，可从检测结果聚合，但须注意图像级→样本级的映射（作者建议的滑片/患者级评估）。

附录 AC：跨设备域偏移的技术含义

这是本数据集对机器学习方法学最有价值的特性。技术上讲：

1. 输入分布差异：真机图像分布 P_scistoscope(x) 与上游分布 P_upstream(x) 不同（分辨率、放大倍率、染色、背景色各异）。
2. 类别-域耦合：蛔虫/鞭虫仅见于 P_upstream；钩虫/血吸虫见于两者。这是"类别与域纠缠"（class-domain entanglement），比标准域偏移更难——模型无法通过简单的域对齐完全解决。
3. 表现后果：钩虫/血吸虫在跨域时的敏感性下降（0.878），证明域偏移确实伤害了性能。
4. 研究机会：本数据集是研究"类别不均衡 + 域偏移"复合问题的天然基准，可用于域泛化（domain generalization）、域适应（domain adaptation）、以及类别-域解耦方法。

附录 AD：部署前必答的五个临床问题

对任何想把本数据集模型用于现场诊断的团队，以下五问需先回答：

1. 目标虫种在你的流行区是什么？ 如果当地蛔虫/鞭虫高发，而现场子集无此虫卵，模型表现需额外验证（§5.1）。
2. 你能接受多高的漏检率？ 钩虫/血吸虫敏感性 0.878 意味着约 12% 的卵会被漏掉；对感染强度监测而言，这可能影响 EPG 估计。
3. 假阳性成本多大？ 背景伪迹误报（每类 11-26 个）可能导致过度诊断；precision 高但非完美。
4. 你的设备与训练设备一致吗？ 若非 Schistoscope 或非 10×/0.25 NA 设备，需重做跨设备验证。
5. 你有滑片/患者级验证数据吗？ 本数据集只支持图像级；临床部署前须补做样本级验证（作者自述未来工作）。

附录 AE：条目维护备忘

• 抓取时点：2026-10-07。Zenodo 版本仍为 v1.0，无更新。
• 需持续关注的变动：Zenodo 是否发布 v2（补充蛔虫/鞭虫现场数据）；论文是否被引增多产出下游模型；上游 Kaggle 数据集是否更新版本 DOI。
• 可复核的关键数字：通过 Zenodo API（https://zenodo.org/api/records/13843815）可实时复核 license、version、FOV 描述与统计；通过 PMID 40595844 可定位论文。
• 本节目的双口径清单：见 FACTS.md §9 与本文 §5.2、§9，共 6 条双口径冲突 + 5 条遗留疑点。

附录 AF：为什么这份数据集对"AI-Ready"运动有意义

AI-Ready 数据集的核心诉求是：数据在技术可得、许可清晰、文档完备、格式标准四条上均满足可直接用于 AI 训练的条件。STH-Schisto 在这四条上的表现：

维度	表现	评级
技术可得	Zenodo 公开直链，无审批	优
许可清晰	本体 CC BY-4.0 明确；上游 CC BY-SA 4.0 衔接存疑	良（有一处待明）
文档完备	论文表格详尽；但规模三口径、缺标注者元数据	良
格式标准	COCO JSON + PNG，通用性高	优

它代表了"公共卫生/寄生虫学领域 AI-Ready 数据"的良好范例：可获取性强、格式标准化、任务定义清晰，同时在元数据自洽性上有提升空间。对 AI-Ready 数据集建设者的启示是：即便论文质量高，也要警惕同一数据集在不同官方出口（论文 vs 发布页）给出不一致数字的问题——这恰恰是"AI-Ready"需要额外治理的环节。

---

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：

• chula-parasitic-egg — 共享标签：医学影像 / 目标检测 / 公共卫生与流行病学 / 疾病监测
• e-ophtha — 共享标签：医学影像 / 目标检测 / 公共卫生与流行病学 / 全球健康
• clinical-bacteria-zn — 共享标签：医学影像 / 目标检测 / 公共卫生与流行病学 / 疾病监测
• who-sti-prevalence-atlas — 共享标签：公共卫生与流行病学 / 全球健康 / 疾病监测
• wuenic-immunization — 共享标签：公共卫生与流行病学 / 全球健康 / 疾病监测
• our-world-in-data — 共享标签：公共卫生与流行病学 / 全球健康
• tcm-tongue — 共享标签：医学影像 / 目标检测 / 公共卫生与流行病学
• deeplesion — 共享标签：医学影像 / 目标检测
• global-burden-of-disease — 共享标签：公共卫生与流行病学 / 全球健康
• vindr-cxr — 共享标签：医学影像 / 目标检测

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。