STHELAR — 空间转录组×H&E 配对的多组织细胞类型注释数据集

INFOBOX — STHELAR 一屏速览

维度	内容
本质	空间转录组（ST）× H&E 全切片图像的多组织配对数据集，服务于细胞类型注释模型
团队	MICS-Lab，CentraleSupélec — Université Paris-Saclay（法国巴黎萨克雷）；通讯 Giraud-Sauveur / Cournède / Christodoulidis
论文	Sci Data 2026;13:665（doi:10.1038/s41597-026-06937-6）；预印本 bioRxiv 2025.07.11.664123
平台	10x Genomics Xenium，仅 FFPE 人类样本
规模	31 张 Xenium FFPE 切片、16 种组织类型、22 癌 + 9 非癌、>1100 万细胞、10 类细胞类型
H&E patch	587,555（40×，256²，64px 重叠）+ 154,814（20×）；摘要概称"超 50 万"
标注	Tangram 单细胞图谱对齐 → Leiden 精炼 → 差异表达；scVI/MFA/SingleR 辅助；病理学家 Napari 核验
格式	每切片一个 SpatialData 对象（Scverse 生态，.zarr.zip）；PanNuke/CellViT 格式掩码
获取	完整集 BioImage Archive S-BIAD2146；patch 子集 HuggingFace（40x/20x）
许可	一手页面未明标 license 字符串；候选称 CC BY 4.0（待官方确认）
库内互链	HEST-1k（rid=522，ST×病理配对）、Ivy GAP（rid=448，ST+病理）、Quilt-1M（rid=51）

STHELAR 是一份"把细胞类型标签焊在病理图像上"的数据集。空间转录组（Spatial Transcriptomics, ST）能在保留组织空间结构的前提下读出每个细胞在表达什么基因，但它昂贵、流程复杂；H&E 全切片图像（Whole Slide Image, WSI）便宜、常规、随手可得。STHELAR 做的正是搭桥：用 31 张 10x Genomics Xenium 空间转录组切片当"老师"，把它们表达谱推断出的细胞类型标签，一一对应到同一张切片共配准的 H&E 图像上，让模型最终学会"只看 H&E，就能说出这里是上皮、是血管、还是 T/NK 细胞"。数据集覆盖 16 种组织、22 例癌症加 9 例非癌患者，累计超过 1100 万个细胞、十类 pan-cancer 细胞类型。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——完整集在 BioImage Archive（S-BIAD2146），只想要 patch 就上 HuggingFace，两者体量差几个数量级。
2. 关心它能做什么：直奔 §5 任务与 §8 生态——它主要服务"H&E→细胞类型"预测与细胞实例分割，与 HEST-1k 定位相近但注释体系不同。
3. 做基础模型评测：直奔 §7——数据集自带 CellViT/Phikon-v2/ViT/scVI 四套嵌入与 PanNuke 格式掩码，可直接对接分割与分类基准。

§0 导读：这个数据集解决什么问题

理解 STHELAR 的价值，要先理解空间转录组与病理图像之间的"能力落差"。

ST 强在分子、弱在普及。 Xenium 这类成像型空间转录组平台能在亚细胞分辨率下给出每个转录本的空间坐标，从而判断细胞类型、细胞状态与细胞间邻接关系——这是普通 RNA 测序甚至单细胞测序都做不到的。但它的门槛很高：成本高、实验方案与数据处理复杂，绝大多数临床病理科并不具备开展条件。结果就是，用 ST 直接刻画肿瘤微环境（Tumor Microenvironment, TME）的"细胞类型地图"这件事，目前只能在高投入的研究场景里发生。

H&E 弱在分子、强在普及。 H&E 染色全切片图像是病理科的标准产物，便宜、常规、几乎每例手术或活检都有。问题在于 H&E 只提供形态学信息——病理医生能凭经验从染色纹理判断细胞类型，但要让深度学习模型也具备这种能力，就需要大量"图像 + 细胞类型标签"的监督数据，而这类标签恰恰很难拿到：逐细胞人工标注既昂贵又难以做到全片覆盖。

STHELAR 的思路是把两者接起来。 研究团队搭建了一条流水线：先在 Xenium 切片上用计算方法（Tangram 单细胞图谱对齐 + Leiden 聚类 + 差异表达分析）推断出每个细胞的类型标签，再把同一张切片的 H&E 图像与 ST 数据显式共配准，于是每一处 H&E 图像区域都有了对应的细胞类型答案。这样，ST 的"分子级老师"就被兑换成了 H&E 可用的"形态学标签"，模型就能在大规模、易获取的 H&E 图像上学习细胞类型识别。数据集最终以 31 张切片、超过 1100 万细胞、587,555 个 40× H&E patch 的形式发布，并以 Scverse 生态的 SpatialData 对象承载，方便下游直接调用。

一句话概括：STHELAR 不是去采集新的 ST 数据，而是把已有 ST 的"分子答案"系统地转写成 H&E 能用的"细胞类型教材"。

§0 读法三则：

1. 这个条目是"数据集 + 方法论论文"二合一：本体是带注释的 ST×H&E 配对切片，副产物是一条可复制的"ST 转 H&E 标签"流水线（§5）。
2. STHELAR 与同域的 HEST-1k（库内 rid=522）都做 ST×病理配对，但技术平台、注释体系与发布格式不同——对比见 §8。
3. 全文数字凡有一手多口径者均分列标注（尤其 patch 数的"超 50 万"概称与 587,555/154,814 精确值），照录不合并（§9）。

§1 数据集速览：十问十答

Q1：STHELAR 全称是什么，缩写怎么展开？
全称是 “STHELAR, a multi-tissue dataset linking spatial transcriptomics and histology for cell type annotation”（连接空间转录组与组织学、用于细胞类型注释的多组织数据集）。需要说明的是：一手四源（bioRxiv、Sci Data、GitHub README、BioStudies 页面）均未给出 “STHELAR” 的逐字母展开——它仅作为数据集名称使用。本条目不对缩写字面含义作臆测（见 §9 遗留疑点）。

Q2：数据是谁做的？
由法国 MICS-Lab（CentraleSupélec — Université Paris-Saclay，巴黎萨克雷大学中央理工） 团队构建。通讯作者为 Félicie Giraud-Sauveur、Paul-Henry Cournède 与 Stergios Christodoulidis，三人均隶属 CentraleSupélec。合作者还包括 Quentin Blampey、Hakim Benkirane、Arianna Marinello。

Q3：原始数据来自哪个平台？
全部来自 10x Genomics Xenium 成像型空间转录组平台，样本全部为 FFPE（福尔马林固定石蜡包埋）人类组织。研究者明确说明数据集只含 FFPE 人类样本、无其他平台或其他物种数据。

Q4：规模到底多大？
31 张 Xenium FFPE 切片，覆盖 16 种组织类型，来自 22 例癌症患者 + 9 例非癌患者；包含超过 1100 万个唯一生物细胞，每个细胞归入 10 个细胞类型类别之一；共提取 587,555 个 40× H&E patch（256×256 像素，64 像素重叠）与 154,814 个 20× patch。

Q5：10 类细胞类型是哪十类？
Epithelial（上皮）、Blood vessel（血管）、(Myo)Fibroblast（肌成纤维细胞）、Myeloid（髓系）、B/Plasma（B/浆细胞）、T/NK（T/自然杀伤）、Melanocyte（黑色素细胞）、Glioblastoma（胶质母细胞瘤，GBM）、Specialized（特化细胞）、Other（其他）。这套类别是为 pan-cancer（泛癌）场景设计的粗粒度体系。

Q6：细胞类型标签是怎么来的，可靠吗？
不是逐细胞人工标注，而是计算推断：先用 Tangram 将细胞对齐到单细胞参考图谱得到初步注释，再用逐切片 Leiden 聚类精炼，辅以差异表达分析；同时用 scVI 潜在空间、MFA（整合胞质与核 RNA 计数）、SingleR 交叉验证。质量控制包括分割准确性评估（Dice / Jaccard / Panoptic Quality）、低置信度区域过滤，以及病理学家通过 Napari 可视化核验。总体而言注释置信度较高，但属于推断性标签而非金标准（§9）。

Q7：数据以什么形式发布？
每个切片打包为一个 SpatialData 对象（.zarr.zip），可在 Scverse 生态中用配套工具操作。对象内含多层 H&E 图像（level 0 = 40×，level 1 = 20×）、多层 DAPI 核染色图像、转录本空间点、细胞与核边界多边形、H&E patch 坐标与分割指标、多种计数与注释表，以及 CellViT、Phikon-v2、Google ViT、scVI 提取的细胞特征向量。掩码另有 PanNuke 格式与 CellViT 格式两类。

Q8：在哪里下载？
完整数据集在 EMBL-EBI BioImage Archive（BioStudies），accession S-BIAD2146（doi:10.6019/S-BIAD2146）；其中"H&E patch + 对应掩码"这一子集以 Parquet 格式在 HuggingFace 提供，40× 为 FelicieGS/STHELAR_40x、20× 为 FelicieGS/STHELAR_20x。代码在 GitHub MICS-Lab/STHELAR 与 MICS-Lab/CellViT_for_STHELAR。

Q9：许可协议是什么？
候选情报称 CC BY 4.0，但一手页面（BioStudies、GitHub README、Sci Data 摘要页）均未明确写出 license 字符串。本条目据此存疑标注，使用前应以官方发布页的最终声明为准（§6、§9）。

Q10：和库内的 HEST-1k 有什么区别？
两者都做"ST × 病理配对"，但：STHELAR 单一平台（Xenium）、单一制片（FFPE）、31 切片、以 10 类 pan-cancer 细胞类型注释 + SpatialData 对象发布；HEST-1k（库内 rid=522）则以更广的 ST 技术与组织覆盖见长。二者定位互补而非替代，详见 §8 消歧。

§2 数据集身份卡与"从哪来"

2.1 一句话身份

STHELAR 是一个以 10x Genomics Xenium 空间转录组为"标签源"、以共配准 H&E 全切片图像为"输入特征"的多组织细胞类型注释数据集：它把 ST 平台推断出的细胞类型答案，转写成 H&E 图像可以学习的监督信号，最终服务"从病理图像直接预测细胞类型"这一目标。

2.2 三个可核验的身份锚点

锚点	内容	一手来源
论文	Sci Data 2026;13:665，doi:10.1038/s41597-026-06937-6	Nature / SpringerLink
预印本	bioRxiv 2025.07.11.664123（2025 年 7 月）	bioRxiv
数据发布	EMBL-EBI BioImage Archive，S-BIAD2146，doi:10.6019/S-BIAD2146（Released 2025-07-09）	EBI BioStudies

2.3 名字里的信息

“STHELAR” 作为数据集名称出现在论文标题中，但其字母展开未见任何一手说明。从构词看，“ST” 与 “HELAR” 之间隐约对应 “spatial transcriptomics” 与 “histology” 两个词根，但这只是字面观察，不是官方定义——本条目严格按一手来源处理，不作展开断言。

2.4 为什么需要"多组织"（multi-tissue）

多数细胞类型注释数据集只覆盖单一器官或单一癌种（例如只做乳腺、只做结直肠）。STHELAR 的差异化在于 16 种组织类型、覆盖 22 例癌症与 9 例非癌，且刻意设计了一套跨组织通用的 10 类 pan-cancer 细胞类型体系。这样做的直接收益是：训练出的模型不会过拟合于某一器官的染色习惯，天然具备跨组织迁移的评测条件；代价则是标签粒度被压粗，细分的组织特异性亚型被并入大类（§9 局限）。

§3 团队、机构与生态

3.1 机构

• MICS-Lab，隶属 CentraleSupélec — Université Paris-Saclay（法国巴黎萨克雷大学中央理工）。
• 三位通讯作者的联系邮箱均为 @centralesupelec.fr，BioStudies 页面将其 Affiliation 统一标注为 “CentraleSupélec - Université Paris-Saclay”。

3.2 作者与分工线索

作者	角色	备注
Félicie Giraud-Sauveur	第一作者 / 通讯	ORCID 0009-0006-9029-180X
Quentin Blampey	合作者	—
Hakim Benkirane	合作者	—
Arianna Marinello	合作者	—
Paul-Henry Cournède	通讯	ORCID 0000-0001-7679-6197
Stergios Christodoulidis	通讯	ORCID 0000-0002-8773-1070

（作者具体分工一手未逐条披露；上表仅列署名与角色，不臆测贡献。）

3.3 依托的工具生态

STHELAR 深度绑定 Scverse 生态：

• SpatialData：数据组织格式，每切片一个对象，Scverse 工具链可直接读取。
• Tangram：单细胞参考图谱对齐（细胞类型初注释的来源）。
• scVI：单细胞变分推断，用于每切片 RNA 计数表的潜在空间嵌入。
• Leiden：图聚类，用于逐切片精炼 Tangram 注释。
• CellViT：病理细胞核实例分割与分类模型，用于分割质量对照与下游微调（有独立仓库 CellViT_for_STHELAR）。
• Phikon-v2 / Google ViT：H&E 图像编码器，用于提取细胞特征向量。
• Napari：供病理学家可视化核验标签的交互式工具。

3.4 生态位：它站在谁的肩膀上

STHELAR 不是孤立作品。它以 PanNuke 格式构建掩码（便于与经典核分割基准互通），以 CellViT 的预训练模型做分割质量对照，并把 Xenium 平台的分割结果作为"参考掩码"。这种"贴着成熟基准与工具链长出来"的做法，降低了采用门槛。

§4 数据规模与结构（硬数字）

4.1 核心规模数字一览

维度	数值	口径来源
切片数	31 张 Xenium FFPE sections	摘要 + 正文 + BioStudies 描述（三源一致）
组织类型	16 种	同上
患者数	31 = 22 例癌症 + 9 例非癌	同上
细胞数	>11,000,000（>1100 万）	摘要"over 11 million cells"
细胞类型类别	10 类	摘要 + Sci Data Table 1
H&E patch（40×）	587,555	bioRxiv 正文
H&E patch（20×）	154,814	Sci Data Table 1
摘要概称 patch	over 500,000	摘要（概数）

双口径存照：关于 patch 数量，存在三套并存的数字——摘要的"超 50 万"（over 500,000，概称，含分割与分类掩码）、bioRxiv 正文的 587,555（40× 精确值）、Sci Data Table 1 的 154,814（20× 值）。三者并不矛盾：50 万是概称，587,555 是 40× 明细，154,814 是 20× 明细。本条目分列照录，不做合并（§9）。

4.2 十类细胞类型

数据集把细胞归为 10 个 curated 类别（pan-cancer 适配）：

类别（英文）	中文	说明
Epithelial	上皮	上皮来源细胞（含肿瘤上皮）
Blood vessel	血管	血管相关细胞（内皮等）
(Myo)Fibroblast	（肌）成纤维细胞	间质/纤维化相关
Myeloid	髓系	髓系免疫细胞
B/Plasma	B 细胞/浆细胞	体液免疫
T/NK	T 细胞 / 自然杀伤细胞	细胞免疫
Melanocyte	黑色素细胞	色素细胞
Glioblastoma	胶质母细胞瘤	GBM 相关
Specialized	特化细胞	组织特异特化细胞
Other	其他	未归入上述类别者

命名一致性坑：代码库中出现的 “Dead” 类别与论文中的 “Other” 类别指代同一组细胞。官方 README 说明，“Dead” 反映的是一个未经证实的细胞状态假设，对部分细胞可能不正确，因此论文刻意改用中性词 “Other”。使用者按标签名称对齐代码与论文时务必注意这一点（§6.5 坑点）。

4.3 每切片 SpatialData 对象的组成

每个切片以 .zarr.zip 形式承载一个 SpatialData 对象，主要组件包括：

• he 图像：H&E 图像多分辨率层级，level 0 对应 40×，level 1 对应 20×，已用 Xenium 软件与 ST 对齐；
• morpho 图像：DAPI 核染色图像，展示每个细胞核的形态，多层级；
• st 点：转录本在切片上的空间位置；
• cell_boundaries / nucleus_boundaries：带细胞 ID 的细胞与核边界多边形；
• he_patches：256×256 像素、64 像素重叠的 40× H&E patch 坐标，附带 Dice / Jaccard / Panoptic Quality 分割指标（对比给定掩码与预训练 CellViT 预测）；
• 计数与注释表：table_cells、table_nuclei（每细胞/每核 RNA 计数 + 聚类 + 细胞类型注释）、table_combined（MFA 整合胞质与核计数）、table_scvi（scVI 细胞级嵌入）；
• H&E 细胞特征：features_cellvit、features_phikonv2、features_vit_google（多编码器提取）。

4.4 维度实例（以 heart_s0 为例，用于量级感知）

组件	维度/数量
cell_boundaries / nucleus_boundaries	各 26,366 个多边形
he_patches（40×）	7,168 个
features_cellvit	(26,363, 1280)
features_phikonv2	(26,363, 1024)
features_vit_google	(26,363, 768)
table_cells	(26,366, 377)
table_combined	(26,366, 563)
table_nuclei	(26,366, 541)
table_scvi	(26,366, 377)

4.5 单切片文件体量（下载前的现实提醒）

BioStudies 页面实测的单切片 zarr 体量差异极大：

切片	体量
brain_s0	≈39.90 GB
breast_s0	≈21.12 GB
bone_marrow_s0	≈5.97 GB
bone_s0	≈5.57 GB
bone_marrow_s1	≈3.30 GB

全库共 492 条文件条目（BioStudies 页面计数）。这意味着完整数据集的下载与存储门槛显著高于只取 patch 子集——只想训练"H&E→标签"模型的研究者，通常取 HuggingFace 的 patch 子集即可（§6）。

4.6 数据集规模在同类中的位置

Sci Data Table 1 把 STHELAR 与常见组织病理注释数据集并列对照。关键对比点：

• PanNuke：7,904 H&E patch（40×，256×256），189,744 核，19 组织类型，5 类——无 ST，纯组织学 patch 级；
• CoNSeP：41 patch（1000×1000），24,319 核，结直肠腺癌，7 类——无 ST；
• NuCLS：1,744 修正 patch（共 3,944），>220,000 核，三阴性乳腺癌，13 原始类归 4 超类——无 ST；
• MoNuSAC 2020：310 patch，46,909 核，4 器官，5 类——无 ST；
• Lizard（CoNIC patch 版）：4,981 patch（20×，256×256），495,179 核，结肠，6 类——无 ST；
• NeuLy-IHC：519 对 ROI（H&E + IHC），235,256 细胞，IBD，3 类——多染色但无 ST；
• Immunocto：40× 64×64 patch + 多重免疫荧光，6,848,454 分割对象，结直肠癌，4 免疫亚型——多染色但无 ST；
• TCGA + 核分割：5,060 WSI 自动核分割 + 1,356 patch 人工分割，约 50 亿核，10+4 癌种——无 ST。

STHELAR 的差异点是唯一同时具备"Xenium cell-resolved ST + 显式 ST-H&E 共配准 + 多特征表/嵌入打包"的条目，其 31 切片、>1100 万细胞的规模在"带 ST 的配对数据集"里属于大型，而相对 TCGA（5,060 WSI）这类超大数据仍属中等规模的精标注集。

§5 任务、标注与流水线

5.1 核心任务

STHELAR 的设计目标单一而明确：开发从组织学图像直接预测细胞类型注释的模型（reference resource for developing models to predict cell-type annotations directly from histological images）。围绕这一目标，数据集可支撑若干下游任务：

1. H&E → 细胞类型注释：给定 H&E patch 或整张 WSI，预测每处细胞类型（10 类）。
2. 细胞/核实例分割：给出细胞与核的边界多边形（cell_boundaries / nucleus_boundaries）。
3. 分割 + 分类联合：PanNuke 格式掩码支持"分割类别"一次性输出（CellViT 范式）。
4. 多模态对齐研究：显式 ST-H&E 共配准，可用于研究模态间对齐、空间域识别等。
5. 表征学习与评测：自带 CellViT / Phikon-v2 / ViT / scVI 四套嵌入，可直接做下游分类与鲁棒性评测。

5.2 标注流水线（从 ST 到细胞类型标签）

标注不是人工逐细胞绘制，而是一条计算流水线，核心步骤如下：

1. 构建 sdata（Get sdata）：check_resolution_HE.ipynb 校验所有切片 level 0 均为 40×；process_slide.py 为每个切片构建 SpatialData 对象，含核分割、每核 RNA 计数、对齐后的 H&E。
2. 细胞类型注释（Annotations）：
   • 2-1_ref_cell_types.ipynb：评估可用于 Tangram 对齐的不同单细胞参考图谱；
   • 2-2_add_tangram_ref_annots.py：用 Tangram 为每个核添加细胞类型注释（初注释来源）；
   • 2-3_refine_tangram_annots：逐切片用 Leiden 聚类精炼 Tangram 注释；
   • 2-4_add_cells.py：添加细胞分割与每细胞 RNA 计数；
   • 2-5_annots_cells：用 Leiden 聚类（基于细胞边界而非核边界）计算细胞类型注释；
   • 2-6_scvi_latent_space：逐切片训练 scVI 模型并对比嵌入；
   • 2-7_add_annots：回填并校验；
   • 2-8/2-9：跨切片标准化核与细胞注释；
   • 2-10_combined_labels：对胞质与核 RNA 计数做 MFA，注释后与核表/细胞表结果比对。
3. 对齐校验（Check alignment）：3-1_build_patches.py 按 PanNuke 格式构建 patch（不含细胞类型信息，仅校验分割质量）；与预训练 CellViT 分割预测对比（Dice / Jaccard / Panoptic Quality）；做阈值敏感性分析。
4. WSI 特征（WSI features）：提取 Phikon-v2 / Google ViT 细胞嵌入，k-means 分析，提取 PanNuke 标签。
5. 构建最终数据集（Build final dataset）：病理学家核验、选定标签、构建 H&E patch 与掩码。
6. 训练模型分析（Analyze trained model）：对微调后的 CellViT 做切片级整体分析。

5.3 质量控制闭环

• 分割准确性：以 Dice 系数、Jaccard 指数、Panoptic Quality 三项指标，将给定掩码与预训练 CellViT 预测逐 patch 对比（提供 patch_metrics.csv）。
• 低置信度过滤：过滤掉分割不置信或注释不可靠的区域。
• 注释完整性核验：跨切片标准化 + 病理学家经 Napari 可视化检查。
• 交叉验证：scVI 嵌入聚类、MFA 与 SingleR 多路互证，降低单一方法偏倚。

5.4 CellViT 下游分类器

作为补充分析，团队从预训练 CellViT 中提取每个核的冻结 embedding 作为固定特征向量，在其上训练一个轻量级下游分类器，把嵌入映射到细胞类型类别，并用标准分类指标报告性能。这一设计的意义在于：即使不做端到端微调，仅靠现成特征 + 轻量头也能检验数据集标签的可分性。

5.5 数据交付内容（文件结构速览）

data_40x/data/
├── images.zip                          # 全部切片的 H&E patch
├── masks_slides/masks_slide-id.npz     # 分割+分类掩码（PanNuke 格式）
├── annot_dicts_ct_1/                   # label2cat.json / cat2color.json / cat2idx.json
├── masks_cell_ids_nuclei.zip           # 像素级细胞 ID 分割掩码
├── pretrained_CellViT_mask_preds/      # 预训练 CellViT 预测分割
├── cell_count.csv                      # 每 patch 各细胞类型核计数
├── labels.zip                          # instance mask + cell type mask（CellViT 约定）
├── patch_metrics.csv                   # Dice / Jaccard / PQ 评估指标
├── types.csv                           # 每 patch 的组织类型
├── finetuning_CellViT_detailed/        # 详细类别微调（含 output/ 与解析结果）
├── finetuning_CellViT_grouped/         # 分组类别微调
data_20x/data/                          # 上述部分文件的 20x 分辨率版本
summary_all_labels_per_slide/{slide_id}_cell_metadata.parquet  # 逐切片标签汇总表

§6 获取、许可与使用

6.1 三层获取路径

层	内容	位置	形式
完整数据集	每切片 SpatialData 对象（含图像/转录本/边界/特征/表）	EMBL-EBI BioImage Archive（BioStudies）S-BIAD2146	.zarr.zip，HTTP/FTP/Globus
patch 子集	H&E patch + 对应掩码	HuggingFace FelicieGS/STHELAR_40x（doi:10.57967/hf/6008）、FelicieGS/STHELAR_20x（doi:10.57967/hf/6009）	Parquet
代码	生成与验证流程、CellViT 预测与微调	GitHub MICS-Lab/STHELAR、MICS-Lab/CellViT_for_STHELAR	源码

6.2 DOI 与标识一览

资源	标识
论文	doi:10.1038/s41597-026-06937-6
预印本	doi:10.1101/2025.07.11.664123
完整数据集	doi:10.6019/S-BIAD2146（accession S-BIAD2146）
patch 40×	doi:10.57967/hf/6008
patch 20×	doi:10.57967/hf/6009

6.3 许可（存疑标注）

候选情报称数据集许可为 CC BY 4.0。但在本次核验中，一手页面（BioStudies 页面、GitHub README、Sci Data 摘要/正文页）均未明确写出 license 字符串。因此本条目采取审慎表述：

使用前请以 BioImage Archive / HuggingFace 发布页的最终许可声明为准。 在获得一手确认前，不应把 “CC BY 4.0” 当作已坐实的事实引用（§9 遗留疑点）。

6.4 使用建议（工程视角）

• 只想做 H&E→标签 分类：直接取 HuggingFace 的 patch 子集（Parquet），避免下载数十 GB 的 zarr。
• 要做全模态对齐：下载 BioStudies 的 per-slide SpatialData 对象，用 Scverse 工具链读取。
• 只做分割对照：用 pretrained_CellViT_mask_preds/ 与 patch_metrics.csv 快速复现分割质量评估。
• 注意标签体系：训练前统一采用论文的 10 类（尤其把代码里的 “Dead” 映射回 “Other”）。

6.5 使用坑点清单（坑 1–坑 8）

坑 1：把 “STHELAR” 当可展开缩写去检索。
四源均无逐字母定义。检索时请用全称 “multi-tissue dataset linking spatial transcriptomics and histology for cell type annotation”，或直接检索 accession S-BIAD2146。

坑 2：以为数据集在 Zenodo。
候选情报提到 Zenodo，但一手三源均无 Zenodo 收录。主发布平台是 BioImage Archive（S-BIAD2146） + HuggingFace 子集。

坑 3：patch 数量按单一数字理解。
摘要"超 50 万"、正文 587,555（40×）、Table 1 的 154,814（20×）是三套口径。别把 154,814 当总数，也别把 587,555 当"40×+20×"合计。

坑 4：代码里的 “Dead” 类找不到对应论文类别。
代码 “Dead” = 论文 “Other”，同一组细胞。对齐标签字典时务必做映射，否则类别对不上。

坑 5：低估下载体量。
完整数据集单切片 zarr 可达数十 GB（brain_s0 ≈39.9 GB），全库 492 条文件。没有足够存储与带宽时，优先取 patch 子集。

坑 6：把计算推断标签当人工金标准。
细胞类型来自 Tangram + Leiden + 差异表达推断，经 QC 与病理学家抽检，但非逐细胞人工标注。对精度要求极高的场景需自行抽检复核。

坑 7：忽略平台与制片单一性。
全部数据来自 Xenium、全部 FFPE 人类样本。跨平台（如 Visium、其他物种、冰冻切片）泛化能力未经验证，直接外推有风险。

坑 8：误判 license。
无一手 license 字符串时，别默认可商用。以发布页最终声明为准。

§7 评估、基准与对照

7.1 数据集自带的技术验证

• 分割质量对照：给出 patch_metrics.csv，逐 patch 记录给定掩码与预训练 CellViT 预测之间的 Dice 系数、Jaccard 指数、Panoptic Quality。
• 注释置信度：通过 scVI 嵌入聚类比对、MFA 交叉印证、SingleR 独立验证、跨切片标准化，评估注释稳定性。
• CellViT 分类器评测：在冻结 CellViT 特征上训练轻量分类器预测细胞类型，报告标准分类指标。
• 官方结论：整体分析显示生成的注释具有良好置信度（“a good level of confidence in the generated annotations”）。

7.2 与其他注释数据集的横向对照（Sci Data Table 1）

数据集	patch/核规模	组织	类别	是否含 ST
STHELAR	31 切片；587,555(40×)/154,814(20×) patch；~11M 细胞	16 组织（泛癌+非癌）	10 类	是（Xenium cell-resolved）
PanNuke	7,904 patch；189,744 核	19 组织	5 类	否
CoNSeP	41 patch；24,319 核	结直肠腺癌	7 类	否
NuCLS	1,744 修正 patch；>220,000 核	三阴性乳腺癌	13→4 超类	否
MoNuSAC 2020	310 patch；46,909 核	4 器官	5 类	否
Lizard (CoNIC)	4,981 patch；495,179 核	结肠	6 类	否
NeuLy-IHC	519 ROI 对；235,256 细胞	IBD 结肠	3 类	否（H&E+IHC）
Immunocto	40× 64×64 patch；6,848,454 对象	结直肠癌	4 免疫亚型	否（H&E+IF）
TCGA + 核分割	5,060 WSI；~50 亿核	10+4 癌种	—	否

结论：在表中所列数据集中，**只有 STHELAR 同时具备"细胞级 ST 注释 + 显式 ST-H&E 共配准 + 多模态打包"**三重属性。这既是它的杀手锏，也意味着没有同构的直接对照——评测时通常需自定义协议。

7.3 可复现性

• 团队提供完整代码仓库（生成 + 验证），并说明"与数据描述相关的技术验证数据也已提供"（features、PanNuke labels、CellViT 微调文件与结果）。
• CellViT 微调分两版：detailed（详细类别）与 grouped（分组类别），对应不同的标签粒度需求。
• 细胞与 patch 的 ID 在全部数据中保持一致，便于跨文件关联与下游整合。

7.4 DAIMS 评估

DAIMS 维度	评分	说明
Data	★★★★★	31 切片、16 组织、>11M 细胞；ST/H&E/DAPI/边界/特征多模态齐全；ID 跨源一致
Availability	★★★★☆	完整集公开（BioImage Archive）+ patch 子集公开（HuggingFace）；体量大、下载门槛高
Interoperability	★★★★★	SpatialData/Scverse 标准格式；PanNuke 兼容掩码；Parquet patch 子集
Metadata	★★★★☆	每切片含多特征表与注释字典；但逐患者临床元数据披露有限
Source	★★★★★	有正式论文（Sci Data 2026）+ 预印本 + accession DOI，来源全程可追
综合	★★★★☆	AI-Ready 度高：格式标准化、模态配对、附代码；主要短板是 license 未一手坐实与下载体量大

§8 生态、互链与消歧

8.1 库内最直接近邻：HEST-1k（rid=522）

HEST-1k 是本库中与 STHELAR 定位最接近的条目——同为"病理图像 × 空间转录组配对"数据集。二者都是把 ST 的分子信息与 H&E 的形态信息绑定，服务计算病理与空间生物学。但差异显著，检索者务必区分：

维度	STHELAR	HEST-1k（rid=522）
ST 平台	单一 10x Genomics Xenium	覆盖更广（多技术路线，含 Visium 等）
制片	仅 FFPE 人类样本	覆盖更广
规模	31 切片 / 16 组织 / >11M 细胞	更大规模的多队列汇编
细胞类型注释	10 类 pan-cancer 计算注释	内置多层级注释
发布格式	SpatialData（Scverse）对象	依来源格式汇编
定位	精标注的多组织"ST→H&E 标签"资源	广覆盖的 ST×病理配对汇编库

一句话消歧：STHELAR 是"少而精、标准化、单一平台"的 Xenium FFPE 精标注集；HEST-1k 是"多而广、跨平台"的配对汇编。二者互补，不应互相替代。

8.2 同域第二条：Ivy GAP（rid=448）

Ivy GAP 是胶质母细胞瘤（GBM）的空间转录组与病理图谱。注意：STHELAR 的 10 类细胞类型中恰含 “Glioblastoma” 一类，因此两者在研究 GBM 空间结构时可能被并列检索。但 Ivy GAP 是单癌种、单器官的深度图谱，STHELAR 是泛癌多组织的注释资源——层级不同，不可混为一谈。

8.3 病理基础模型与多模态链

• Quilt-1M（rid=51）：病理组织学百万图文对——STHELAR 的特征编码器（Phikon-v2 / ViT）与之同属病理表征学习生态。
• HANCOCK（rid=984）：头颈鳞癌多模态（WSI + 免疫组化 + 结构化临床）——同为"病理 + 多模态"整合范式。
• Prov-GigaPath（rid=1091）：全片病理基础模型——STHELAR 的 patch/WSI 可作为其下游评测数据。

8.4 核分割与病理分类对照链

STHELAR 以 PanNuke 格式构建掩码，因此与库内一批核分割/病理分类条目天然同链：

• Lizard（rid=238）：49.5 万核实例分割（含 CoNIC patch 版）；
• NuCLS（rid=248）：乳腺癌病理核分类；
• PCam（rid=158）：淋巴结转移病理图像分类；
• NCT-CRC-HE-100K（rid=148）：结直肠癌组织学图像分类。

8.5 病理 H&E 近邻

• ORCHID（rid=903）、PAIR-BST（rid=965）、PathSeg（rid=970）：均属病理 H&E 图像/分割条目，可与 STHELAR 的 patch 与分割任务形成呼应。

8.6 建议互链点汇总（供主会话入库后回填）

目标条目	rid	互链理由
hest-1k	522	同域最直接（ST×病理配对），必链并消歧
ivy-gap	448	同含空间转录组+病理，GBM 类交叉
quilt-1m	51	病理表征学习生态
prov-gigapath	1091	病理基础模型，可作下游评测
hancock-hnscc	984	病理+多模态整合范式
lizard	238	PanNuke 系核分割对照
nucls	248	病理核分类对照
pcam	158	病理图像分类对照
nct-crc-he-100k	148	组织学图像分类对照

互链 rid 一律以占位 /0 或入库后由主会话统一回填为准（R018 教训：写手不得猜测同批条目 rid）。

§9 存照、遗留疑点与使用边界

9.1 双口径/多口径冲突存照

1. patch 数量三口径：

   • 摘要：“over 500,000 patches with segmentation and classification masks”（概称）；
   • bioRxiv 正文：“587,555 H&E image patches”（40× 精确）；
   • Sci Data Table 1：587,555（40×）/ 154,814（20×）。
     本条目三者分列，不合并、不取平均。

2. 细胞数表述：摘要"over 11 million cells"与正文"over 11 million individual cells before patch extraction"一致；SpatialData 对象中单切片维度（如 heart_s0 的 26,366）为单切片值，勿与全库 >11M 混淆。

9.2 遗留疑点（如实标注）

1. “STHELAR” 缩写字面展开无一手定义——四源（bioRxiv / Sci Data / GitHub / BioStudies）均未逐字母解释。本条目不作臆测。
2. license 未一手坐实——候选称 CC BY 4.0，但一手页面未见 license 字符串。使用前须以发布页最终声明为准。
3. 发布平台澄清——候选情报提及 Zenodo，但一手三源均无 Zenodo；主平台为 BioImage Archive（S-BIAD2146）+ HuggingFace 子集。此为候选情报误记，已如实更正。
4. 平台/技术细节——Xenium 面板基因数、具体组织类型逐项清单、逐患者临床元数据等，一手页面披露有限，未逐条坐实（GitHub 提及 list_data.numbers 列出全部数据表，但未展开文本）。
5. 机构全名——MICS-Lab 的完整展开（实验室全称）一手未明示，本条目仅按 BioStudies 标注的 “CentraleSupélec - Université Paris-Saclay” 处理。

9.3 使用边界（诚实提示）

• 它是推断标签，不是人工金标准：细胞类型注释来自计算方法，虽经 QC 与病理学家抽检，仍存在聚类偏倚与参考图谱依赖。
• 它是单一平台单一制片：Xenium + FFPE 人类样本，跨平台/跨物种外推未验证。
• 它的标签粒度较粗：10 类 pan-cancer 体系为通用性牺牲了细粒度，罕见细胞与组织特异亚型被并类。
• 它有下载门槛：完整数据集体量可达数十 GB/切片，需评估算力与存储。

9.4 AI-Ready 结论

STHELAR 的 AI-Ready 度属高：模态配对清晰（ST/H&E/DAPI 共配准）、格式标准化（SpatialData/Scverse、PanNuke 兼容）、ID 跨源一致、附完整代码与多源嵌入、有正式论文与 accession DOI 全程可追。主要待改之处是 license 未一手坐实与下载体量偏大。对做"H&E→细胞类型"预测、细胞实例分割或病理基础模型评测的团队，STHELAR 是一份可直接上手的高质量参考资源；对做临床转化或跨平台泛化的团队，则需先补齐许可确认与跨平台验证两道功课。

---

§10 参考来源与条目信息

10.1 一手来源

类型	来源	链接/标识
期刊论文	Scientific Data 13:665 (2026)	https://www.nature.com/articles/s41597-026-06937-6 ；doi:10.1038/s41597-026-06937-6
预印本	bioRxiv 2025	https://www.biorxiv.org/content/10.1101/2025.07.11.664123v1.full
数据发布	EMBL-EBI BioImage Archive (BioStudies)	https://www.ebi.ac.uk/biostudies/bioimages/studies/S-BIAD2146 ；doi:10.6019/S-BIAD2146
代码	GitHub MICS-Lab/STHELAR	https://github.com/MICS-Lab/STHELAR
代码	GitHub MICS-Lab/CellViT_for_STHELAR	https://github.com/MICS-Lab/CellViT_for_STHELAR
patch 子集(40×)	HuggingFace	doi:10.57967/hf/6008（datasets/FelicieGS/STHELAR_40x）
patch 子集(20×)	HuggingFace	doi:10.57967/hf/6009（datasets/FelicieGS/STHELAR_20x）

10.2 条目元信息

• 本条目由千方病案医数集编辑部依据上述一手来源整理，抓取与核验时点 2026-10-16。
• 全称以论文标题为准；缩写字面展开、license 等未坐实项已如实标注（§9）。
• 库内互链条目以入库后主会话回填的 rid 为准。
• 词条 slug：sthelar；互链 URL 占位：https://www.qianfanghub.com/ai-ready-dataset/sthelar/1099。

§11 常见问答（FAQ · 面向使用者的 20 问）

Q1：STHELAR 和中信"多组学"数据集是一回事吗？
不是。STHELAR 只做空间转录组（Xenium 平台）× H&E 图像的配对，不含蛋白质组、代谢组等其他组学。名称中的"多组织（multi-tissue）“指的是覆盖 16 种组织类型，不是"多组学”。

Q2：它只有癌组织吗？
不止。31 张切片来自 22 例癌症 + 9 例非癌患者，非癌样本约占三成，为泛癌与非癌对照提供了空间。

Q3：为什么细胞类型只分 10 类？
10 类是为跨组织通用性刻意设计的粗粒度体系（pan-cancer setting）。这样不同器官的细胞类型可映射到同一套标签，便于训练跨组织模型；代价是组织特异亚型被并类。

Q4：Glioblastoma 为什么单独成一类？
十类中列有 “Glioblastoma”（GBM）一类，反映数据集包含部分脑部/GBM 相关切片。这是类别体系里唯一以"癌种"命名的类别，使用时应留意其与病理学通用分类口径的差异。

Q5：标签是病理医生逐细胞画的吗？
不是。是计算推断（Tangram + Leiden + 差异表达），再经 QC 与病理学家抽检核验。它是高置信度的推断标签，不是逐细胞人工金标准。

Q6：数据和图像能对齐吗？
能。H&E 与 ST 通过 10x Genomics Xenium 软件显式共配准，这也是数据集的核心卖点之一；细胞与核边界多边形与 H&E patch 共享一致的 ID。

Q7：patch 是什么尺寸？
256×256 像素，相邻 patch 有 64 像素重叠。40× 分辨率下共 587,555 个 patch，20× 下 154,814 个。

Q8：为什么 20× 的 patch 数反而比 40× 少？
20× 分辨率更低，同一物理区域覆盖更大的像素范围，patch 尺寸不变（256²）时所需 patch 数量自然减少；且 20× 版本主要服务模型微调需求。

Q9：掩码有几种格式？
至少三种：PanNuke 格式分类掩码（masks_slide-id.npz）、CellViT 格式（labels.zip，instance + cell type）、像素级 cell ID 掩码（masks_cell_ids_nuclei.zip）。

Q10：可以直接用 CellViT 吗？
可以。官方提供了预训练 CellViT 的分割预测（pretrained_CellViT_mask_preds/）与微调版本（detailed / grouped 两套），并有独立仓库 CellViT_for_STHELAR。

Q11：有哪些现成的嵌入可用？
四套：features_cellvit（1280 维）、features_phikonv2（1024 维）、features_vit_google（768 维）、table_scvi（scVI 嵌入）。可直接拿来做分类或聚类。

Q12：下载要多大？
看需求。只取 HuggingFace 的 patch 子集（Parquet）体量可控；取完整 SpatialData 则单切片可达数十 GB（brain_s0 ≈39.9 GB）。

Q13：需要什么工具读取？
推荐 Scverse 生态——SpatialData 对象可用其配套库直接读；patch 子集是 Parquet，pandas/pyarrow 即可。

Q14：许可能商用吗？
当前无法确定。 一手页面未见明确 license 字符串，候选称 CC BY 4.0 待确认。商用前务必核实发布页声明。

Q15：可以做跨平台迁移实验吗？
数据集本身是单平台（Xenium）单制片（FFPE），跨平台泛化未被原始论文验证，需要你自备外部数据集做验证。

Q16：非癌样本有什么用？
可作对照：研究肿瘤微环境时区分"癌中的细胞组成"与"正常组织中的细胞组成"，也可用于训练对正常组织结构敏感的模型。

Q17：16 种组织具体有哪些？
一手页面未逐项列出完整清单（GitHub 提及 list_data.numbers 列出全部数据表但未展开文本）。已确认的例子包括 bone、bone_marrow、brain、breast、heart 等（源自单切片示例文件名）。

Q18：数据里有临床元数据吗？
一手披露有限——主要是切片/细胞/注释层面的技术元数据，逐患者的详细临床信息未充分公开，做临床关联研究需谨慎。

Q19：它和 HEST-1k 该选哪个？
做单一平台、标准化、精标注的 ST→H&E 学习选 STHELAR；做跨平台、多技术、大规模汇编选 HEST-1k。详见 §8.1。

Q20：怎么引用？
引用期刊版：Giraud-Sauveur F, et al. STHELAR, a multi-tissue dataset linking spatial transcriptomics and histology for cell type annotation. Sci Data 13, 665 (2026). doi:10.1038/s41597-026-06937-6；数据集引用 accession S-BIAD2146（doi:10.6019/S-BIAD2146）。

§12 数据词典：表格与特征的字段解读

12.1 逐切片 SpatialData 对象的图层与表

名称	类型	含义
he	图像（多层）	H&E 全切片图像；level 0 = 40×，level 1 = 20×，与 ST 对齐
morpho	图像（多层）	DAPI 核染色图像，展示核形态
st	点（points）	转录本在切片上的空间位置
cell_boundaries	形状（shapes）	细胞边界多边形（带 cell ID）
nucleus_boundaries	形状（shapes）	核边界多边形（与细胞同 ID）
he_patches	形状（shapes）	40× patch 坐标（256²，64px 重叠）+ 分割指标
table_cells	表	每细胞 RNA 计数 + 聚类 + 细胞类型注释
table_nuclei	表	每核 RNA 计数 + 聚类 + 细胞类型注释
table_combined	表	MFA 整合胞质与核计数后的结果
table_scvi	表	scVI 细胞级嵌入
features_cellvit	表	CellViT 编码器细胞特征（1280 维）
features_phikonv2	表	Phikon-v2 编码器细胞特征（1024 维）
features_vit_google	表	Google ViT 编码器细胞特征（768 维）

12.2 独立文件

文件	内容
images.zip	全部切片的 40× H&E patch
masks_slides/masks_slide-id.npz	分割 + 分类掩码（PanNuke 格式）
masks_cell_ids_nuclei.zip	像素级细胞 ID 分割掩码
annot_dicts_ct_1/	label2cat.json / cat2color.json / cat2idx.json（类别字典）
pretrained_CellViT_mask_preds/	预训练 CellViT 预测分割
cell_count.csv	每 patch 各细胞类型核计数
labels.zip	instance mask + cell type mask（CellViT 约定）
patch_metrics.csv	Dice / Jaccard / Panoptic Quality 评估指标
types.csv	每 patch 的组织类型
finetuning_CellViT_detailed/	详细类别微调输出
finetuning_CellViT_grouped/	分组类别微调输出
summary_all_labels_per_slide/{slide_id}_cell_metadata.parquet	逐切片标签汇总表

12.3 类别映射三字典

annot_dicts_ct_1/ 中提供三份 JSON，用于在"类别名—颜色—索引"之间转换：

• label2cat.json：标签 ID → 类别名；
• cat2color.json：类别名 → 可视化颜色；
• cat2idx.json：类别名 → 训练用索引。

使用前务必核对这三份字典与论文 10 类体系的一致性，尤其注意代码 “Dead” → 论文 “Other” 的映射。

§13 与其他数据集/资源的深度对比

13.1 对比 HEST-1k（库内 rid=522）

HEST-1k 是"病理×空间转录组配对库"，STHELAR 是"多组织 ST→H&E 细胞类型注释集"。两者的根本差异在于目的：

• HEST-1k 意在汇集尽可能多的 ST×病理配对样本，覆盖不同平台与技术，服务"空间生物学数据的基础设施"；
• STHELAR 意在标准化一套单一平台（Xenium）精标注样本，服务"从 H&E 预测细胞类型"的具体建模任务。

因此 STHELAR 的注释体系（10 类 pan-cancer）、格式（SpatialData）、质量对照（CellViT/PanNuke）都更"成品化"，而 HEST-1k 更"原料化"。研究者常把两者互补使用：用 HEST-1k 做预训练/热身，用 STHELAR 做标准化评测。

13.2 对比 Ivy GAP（库内 rid=448）

Ivy GAP 聚焦胶质母细胞瘤的单癌种空间图谱；STHELAR 含 GBM 类但覆盖泛癌多组织。做GBM 深度研究用 Ivy GAP；做跨组织泛化用 STHELAR。

13.3 对比 PanNuke / CoNIC

PanNuke 与 CoNIC 是经典核实例分割基准（纯 H&E，无 ST）。STHELAR 借用了 PanNuke 的格式与类别思想，但增加了 ST 来源的细胞类型注释。做纯分割算法可比对 STHELAR 的分割指标（Dice/PQ）与传统基准；做带分子依据的细胞类型则应选 STHELAR。

13.4 对比纯 WSI 基础模型数据

Prov-GigaPath（rid=1091）等基础模型使用海量 WSI 做自监督预训练。STHELAR 规模远小（31 切片），但标签质量与模态配对更强，适合作为下游评测而非预训练语料。

§14 时间线与演进

时间	事件
2025-07-09	数据在 EMBL-EBI BioImage Archive 发布（S-BIAD2146，Released）
2025-07-11	bioRxiv 预印本上线（doi:10.1101/2025.07.11.664123）
2026-03-12	Sci Data 期刊版正式发表（13:665）
2026-04-02	BioStudies 页面最后修改（Modified）

演进观察：从 2025 年 7 月数据发布与预印本，到 2026 年 3 月期刊版定稿，间隔约 8 个月，期间数据页面的最后修改（2026-04-02）晚于论文发表，提示数据集可能持续有增补或勘误。使用者应关注 BioStudies 页面的 Modified 时间与 GitHub 仓库的提交记录。

§15 复现与实操提示

15.1 最小可用路径（只做 H&E→类别）

1. 从 HuggingFace 取下 STHELAR_40x（Parquet）；
2. 读入 images.zip 的 patch 与 labels.zip 的类别掩码；
3. 用 annot_dicts_ct_1/cat2idx.json 对齐类别索引；
4. 训练 patch 级分类器，评测标准分类指标。

15.2 全模态路径（做对齐/空间分析）

1. 从 BioStudies 下载目标切片的 sdata_<slide>.zarr.zip；
2. 用 Scverse 的 SpatialData 库读取；
3. 访问 he / morpho / st / 边界 / 各表；
4. 做共配准可视化、空间域识别、细胞邻接分析。

15.3 分割评测路径

1. 取 pretrained_CellViT_mask_preds/ 与给定掩码；
2. 用 patch_metrics.csv 的 Dice/Jaccard/PQ 复现分割质量对照；
3. 训练自己的分割器并与预训练 CellViT 对比。

15.4 注意事项

• 标签映射：始终把代码 “Dead” 映射回论文 “Other”。
• ID 一致性：细胞与 patch ID 跨全部文件保持一致，可放心关联。
• 分辨率：level 0 = 40×，level 1 = 20×，别混淆。
• 许可：使用前确认发布页 license 声明。

§16 组织类型与切片分布详解

16.1 16 种组织类型概览

数据集覆盖 16 种组织类型。虽然一手页面未逐项列出完整清单，但从单切片示例文件名（sdata_<tissue>_s<idx>.zarr.zip）可确认至少包含：

组织（示例文件名）	中文	确认来源
bone	骨	sdata_bone_s0.zarr.zip
bone_marrow	骨髓	sdata_bone_marrow_s0/s1.zarr.zip
brain	脑	sdata_brain_s0.zarr.zip（≈39.9 GB）
breast	乳腺	sdata_breast_s0.zarr.zip（≈21.1 GB）
heart	心脏	heart_s0（维度示例）

多组织覆盖的意义：不同组织在 H&E 上的形态学差异巨大——脑与骨的染色纹理、细胞密度、结构组织完全不同。跨 16 种组织训练，模型必须学会"看形态判细胞类型"的通用能力，而非记忆某一器官的特有模式。这也是数据集自称 “multi-tissue” 的底气所在。

16.2 癌与非癌的组织学意义

31 例中含 22 例癌症 + 9 例非癌。这一配比的价值在于：

• 癌样本（22 例）：提供肿瘤微环境（TME）的复杂组成——肿瘤上皮、浸润免疫细胞、血管、成纤维间质交织，是研究 TME 的主战场；
• 非癌样本（9 例）：提供正常组织的细胞组成基线，可用于对照分析、也帮助模型学习正常组织结构。

非癌比例约 29%，既不至于样本过少无法训练，也保证了癌症主导的研究定位。

16.3 切片编号与命名规范

切片以 <组织>_s<序号> 命名（如 bone_s0、bone_marrow_s0、bone_marrow_s1）。同一组织可能有多个切片（如 bone_marrow 有 s0/s1）。所有逐切片文件（zarr、掩码、汇总表）都以该 slide_id 关联，实现跨文件一致。

16.4 体量不均的现实

单切片体量差异巨大（brain_s0 ≈39.9 GB vs bone_marrow_s1 ≈3.3 GB，约 12 倍差），说明不同组织的切片面积、细胞密度、图像复杂度差异显著。做逐组织实验时需注意这种计算成本的不均衡。

§17 标注方法学深挖

17.1 为什么选择 Tangram 做对齐

Tangram 是一类把单细胞转录组（scRNA-seq）图谱映射到空间转录组的算法：它求解一个映射矩阵，使得空间位点的表达谱能由参考单细胞图谱线性组合重构，从而把参考图谱里的细胞类型标签"搬"到空间位点上。STHELAR 用 Tangram 作为初注释来源，把 Xenium 每个细胞对齐到单细胞参考图谱，得到初步的细胞类型判定。

为什么需要这一步：Xenium 提供的是每个细胞捕获的靶向基因表达（面板基因），单靠这些基因做无监督聚类，得到的簇往往难以直接命名。借助已标注的单细胞参考图谱，才能给簇赋予有生物学含义的细胞类型名。

17.2 为什么还要 Leiden 精炼

Tangram 的注释是参考图谱依赖的：若参考图谱本身对某组织覆盖不足，映射结果会有偏差。STHELAR 因此在每个切片上用 Leiden 图聚类对 Tangram 注释做逐切片精炼——把空间上表达相似的细胞聚成簇，再与 Tangram 结果对照，修正参考图谱未覆盖或错分的细胞。这是"先对齐、再本地精炼"的两段式策略。

17.3 scVI 与 MFA 的交叉印证

• scVI（single-cell Variational Inference）：对每个切片的 RNA 计数表训练变分自编码器，得到低维潜在嵌入。团队用它比较"基于 scVI 嵌入的聚类"与"基于原始 RNA 表达的聚类"，检验注释的稳健性。
• MFA（Multiple Factor Analysis，多重因子分析）：把胞质 RNA 计数与核 RNA 计数两组数据同时纳入一个多因子分析，得到 table_combined，再据此注释，并与单用核表（table_nuclei）/ 单用细胞表（table_cells）的结果比对。这是一种多视角一致性检验。

17.4 SingleR 的独立验证

SingleR 是经典的基于参考的细胞类型注释方法。团队用它作为额外验证：逐切片计算 SingleR 注释，与 Tangram+Leiden 流程的结果对照。多方法一致才更有信心。

17.5 核 vs 细胞：双粒度注释

数据集同时提供**核级（nucleus）与细胞级（cell）**注释：

• nucleus_boundaries + table_nuclei：基于 DAPI 核分割的核边界；
• cell_boundaries + table_cells：基于细胞边界（含胞质）的分割。

注意区分：核边界与细胞边界共享同一 ID（同属一个细胞），但 RNA 计数与注释分别计算。2-5_annots_cells 明确说明细胞注释用的是细胞边界而非核边界做聚类。使用者需根据任务选择粒度。

17.6 病理学家核验的角色

自动流水线跑完后，病理学家通过 Napari 交互式可视化检查标签质量。这一步是"人机协同"的质量闸门：计算给出初稿，专家抽检纠偏。但需强调——这是抽检核验，不是逐细胞人工标注（§9 局限）。

§18 细胞类型体系的生物学解读

18.1 十类体系的构成逻辑

10 类可大致分为三组，这种分组揭示了设计者的思路：

（一）肿瘤上皮与血管

• Epithelial：上皮来源细胞，肿瘤中对应癌上皮本体；
• Blood vessel：血管相关（内皮等），TME 的血管化成分。

（二）间质与免疫（TME 核心）

• (Myo)Fibroblast：成纤维/肌成纤维细胞，间质与纤维化的主体；
• Myeloid：髓系免疫（巨噬、单核等）；
• B/Plasma：体液免疫细胞；
• T/NK：细胞免疫细胞。

（三）特化与非典型

• Melanocyte：黑色素细胞（提示含黑色素瘤/皮肤相关样本）；
• Glioblastoma：GBM（提示含脑肿瘤样本）；
• Specialized：组织特化细胞（如可能的上皮特化、神经内分泌等）；
• Other：未归入上述类别者。

18.2 免疫细胞的细分程度

值得注意：免疫细胞被拆成三组（Myeloid / B-Plasma / T-NK），这比许多粗标注数据集（只分"免疫"与"肿瘤"两大类）更细，也与 TME 研究关注"免疫浸润构成"的需求吻合。但相比专业免疫数据集，它仍未区分更细的亚型（如 CD4/CD8 T 细胞、M1/M2 巨噬）。

18.3 特殊类别的含义

Melanocyte 与 Glioblastoma 是两条"非典型"类别，反映了数据集组织来源的多样性：前者指向黑色素瘤或皮肤组织，后者指向脑肿瘤。Specialized 是兜底"组织特异"类别，把各器官独有的特化细胞（如可能的心肌细胞、肾小管上皮等）收纳其中。

18.4 类不平衡的可能性

由于涵盖 16 种组织，不同细胞类型在样本中的占比必然不均衡——上皮可能在多数组织里占比高，Melanocyte 可能只在少数切片出现。训练时需注意类不平衡对模型的影响（可能需重采样或加权损失）。

§19 质量控制与置信度评估详解

19.1 分割准确性三指标

指标	含义	用途
Dice 系数	两分割区域重叠度	衡量分割与参考的一致性
Jaccard 指数	交并比（IoU）	同 Dice 族，对重叠更敏感
Panoptic Quality (PQ)	全景质量，联合衡量"检测 + 分割"	同时评估实例识别与分割质量

这三项逐 patch 记录在 patch_metrics.csv，对比对象是给定掩码与预训练 CellViT 预测。使用者可据此快速定位分割质量差的区域。

19.2 低置信度过滤

流水线会过滤掉分割不置信或注释不可靠的区域。这意味着：并非每个细胞都出现在最终数据集中，最终 >11M 细胞是过滤后的产物。使用者需意识到，被过滤区域的信息不可得。

19.3 注释完整性核验

• 跨切片注释标准化（2-8/2-9）：确保不同切片的同一细胞类型使用同一标签；
• 病理学家 Napari 核验：人工抽检；
• 多方法交叉：scVI / MFA / SingleR 三路互证。

19.4 置信度的边界

官方结论是"整体分析显示生成的注释具有良好置信度"。但"良好置信度"不等于"零错误"：计算注释在参考图谱覆盖不足的组织、稀有细胞类型、分割边界模糊区仍可能出错。高精度场景建议自行抽检。

19.5 patch 级标签的来源与风险

H&E patch 的细胞类型掩码，本质是把 Xenium 的分割与注释投影到 H&E 图像上。在两模态配准误差区域或分割不确定区域，patch 级标签可能错位。这是使用 patch 子集时的主要质量风险点，也是论文 QC 的关注对象。

§20 数据集的局限与改进方向

20.1 已识别的局限

1. 单平台单制片：仅 Xenium + FFPE 人类样本，跨平台泛化未验证；
2. 推断标签非金标准：细胞类型来自计算，存在参考图谱与聚类偏倚；
3. 粒度较粗：10 类 pan-cancer 体系牺牲了细粒度；
4. 样本不均衡：16 组织、22 癌 + 9 非癌，各组织切片数与细胞数不均；
5. 临床元数据有限：逐患者详细临床信息未充分公开；
6. 下载门槛高：完整数据集数十 GB/切片；
7. license 未一手坐实：使用前需确认。

20.2 可能的改进方向

• 多平台扩展：纳入 Visium、CosMx、MERFISH 等其他 ST 平台，检验并提升跨平台泛化；
• 细粒度注释：在 10 类基础上增加组织特异的亚型标签；
• 人工金标准子集：对部分切片做逐细胞人工标注，作为精度上界参照；
• 更大规模：扩充切片数与非癌样本比例；
• 完善元数据：补充临床与病理分级信息。

20.3 面向不同用户的适配

用户类型	建议
病理基础模型开发者	用作下游评测集（跨组织泛化）；注意非金标准
细胞分割研究者	用分割指标与 PanNuke 兼容掩码做对照
空间生物学研究者	用共配准 ST-H&E 做空间域、邻接、TME 分析
临床转化研究者	先确认 license，再评估跨平台泛化与临床元数据是否足够
教学/入门者	SpatialData 对象结构清晰，适合学习 ST×病理多模态

§21 论文核心内容详述

21.1 论文定位

论文发表于 Scientific Data（Nature Portfolio）——这是一个以"数据描述型论文（Data Descriptor）"为主体的期刊，其定位是描述有价值的数据集本身（采集、处理、验证、可用性），而非报告新方法或新发现。因此 STHELAR 论文的重点在于把数据集讲清楚：数据从哪来、怎么处理、标注如何产生、质量如何验证、如何使用。

21.2 摘要要点（逐句解读）

论文摘要可作为数据集价值的浓缩表述，逐句解读如下：

“理解肿瘤微环境（TME）的组成对癌症研究至关重要。” —— 点明动机：TME 的细胞组成决定了肿瘤行为与治疗响应。

“空间转录组在空间语境中刻画基因表达，揭示组织结构与细胞异质性，但其成本与技术复杂度限制了普及。” —— 点明痛点：ST 能力强但门槛高。

“为此，我们引入一条流水线构建 STHELAR，一个整合空间转录组与 H&E 全切片图像、用于细胞类型注释的大规模数据集。” —— 点明方案：用流水线把 ST 的标签搬给 H&E。

“数据集包含 31 张人类 Xenium FFPE 切片，覆盖 16 种组织类型，来自 22 例癌症与 9 例非癌患者。” —— 规模描述。

“它包含超过 1100 万个唯一生物细胞，每个归入十个精心策划的细胞类型类别，适配泛癌场景。” —— 细胞与类别。

“注释通过基于 Tangram 的单细胞参考图谱对齐得出，随后经逐切片聚类与差异表达分析精炼。” —— 标注方法。

“共配准的 H&E 图像使提取超过 50 万个带分割与分类掩码的 patch 成为可能。” —— patch 规模（概数）。

“质量控制步骤评估了分割准确性、过滤了低置信度区域，并核验了注释完整性。” —— QC。

“STHELAR 为开发直接从组织学图像预测细胞类型注释的模型提供了参考资源。” —— 定位收尾。

21.3 论文的结构逻辑

论文按标准的 Data Descriptor 结构组织：

1. Background & Summary：背景与概要——TME 的重要性、ST 的门槛、H&E 的普及、数据集的填补角色；
2. Methods：方法——数据来源、切片处理、注释流水线、QC；
3. Data Records：数据记录——数据集的具体组成与文件组织；
4. Technical Validation：技术验证——分割质量、注释置信度、CellViT 分类器；
5. Usage Notes：使用说明——如何获取与使用。

21.4 论文相对预印本的演进

• 预印本（2025-07）：bioRxiv 版已包含核心数字与方法；
• 期刊版（2026-03）：经同行评审后定稿，报道为 Sci Data 13:665。

两者核心内容一致，期刊版可能在细节、图表与措辞上有更新。引用时以期刊版为准。

§22 与 HEST-1k 的逐维度深度对比

为帮助检索者区分这两个同域条目，下表从十个维度逐一对照：

维度	STHELAR（sthelar）	HEST-1k（rid=522）
名称全称	multi-tissue dataset linking ST and histology for cell type annotation	HEST-1k（Histology × Spatial Transcriptomics）
核心目的	从 H&E 预测细胞类型	汇集 ST×病理配对样本
ST 平台	单一（10x Xenium）	多平台
制片/物种	仅 FFPE 人类	覆盖更广
切片数	31	更大规模汇编
细胞数	>11M	依来源
组织覆盖	16 种	组织谱更广
注释体系	10 类 pan-cancer	多层级注释
发布格式	SpatialData（Scverse）；PanNuke 兼容掩码	依来源格式
定位隐喻	“成品教材”（标准化、可直接训练）	“原料库”（广覆盖、需自助加工）

选择建议：若你的目标是训练/评测"H&E→细胞类型"模型，STHELAR 的标准化程度更高，开箱即用；若你的目标是获取尽可能多的 ST×病理配对以做探索性分析，HEST-1k 的覆盖面更广。两者的关系是互补而非竞争。

§23 DAIMS 框架下的逐项细评

DAIMS（Data and Analytics Infrastructure Maturity Score 的简化取向） 用于评估数据集的"AI-Ready"成熟度。下表逐维度细评 STHELAR：

23.1 Data（数据本体）★★★★★

• 模态齐全：ST（转录本点）+ H&E（多层图像）+ DAPI（核形态）+ 分割边界 + 多源嵌入；
• 规模可观：31 切片 / 16 组织 / >11M 细胞；
• ID 一致：细胞与 patch ID 全数据统一，便于整合；
• 扣分点：16 组织未逐项公开完整清单；临床元数据有限。

23.2 Availability（可获取性）★★★★☆

• 公开可下：完整集在 BioImage Archive（S-BIAD2146），patch 子集在 HuggingFace，均无门槛（非请求制）；
• 多通道：HTTP/FTP/Globus 三种下载方式；
• 扣分点：数据集体量大（单切片数十 GB），下载与存储门槛高；license 未一手坐实。

23.3 Interoperability（互操作性）★★★★★

• 标准格式：SpatialData 是 Scverse 生态的官方空间数据格式，工具链成熟；
• 基准兼容：掩码兼容 PanNuke 与 CellViT 两种流行格式；
• 子集友好：patch 子集用 Parquet，pandas/pyarrow 直接读；
• 扣分点：几乎无明显短板。

23.4 Metadata（元数据）★★★★☆

• 技术元数据丰富：每切片含多特征表、注释字典、分割指标；
• 扣分点：逐患者临床/病理元数据披露有限；16 组织清单未在正文逐项列出。

23.5 Source（来源可追）★★★★★

• 有正式论文（Sci Data 2026）+ 预印本（bioRxiv 2025）+ accession DOI（10.6019/S-BIAD2146）+ 代码仓库，来源全程可追溯；
• 机构、作者、ORCID 均可核验。

23.6 综合评级

★★★★☆（高 AI-Ready 度）。STHELAR 在数据本体、互操作性、来源可追溯三个维度接近满分，主要短板在 license 未一手坐实与下载体量大。对于具备一定算力、做病理-组学交叉研究的团队，它是一个即插即用的高质量资源。

§24 术语表（中英对照）

英文	中文	说明
Spatial Transcriptomics (ST)	空间转录组	在保留空间位置的前提下测量基因表达
Xenium	Xenium 平台	10x Genomics 的成像型亚细胞分辨率 ST 平台
FFPE	福尔马林固定石蜡包埋	标准病理制片方式
H&E	苏木精-伊红染色	常规病理染色
Whole Slide Image (WSI)	全切片图像	gigapixel 级数字化病理切片
Cell type annotation	细胞类型注释	为每个细胞赋予类型标签
Cell segmentation	细胞分割	划分细胞/核边界
Nucleus segmentation	核分割	划分细胞核边界
Tumor Microenvironment (TME)	肿瘤微环境	肿瘤及其周围细胞/基质/血管的生态系统
SpatialData	SpatialData 对象	Scverse 的空间组学数据格式
Tangram	—	单细胞图谱到空间的映射算法
Leiden	—	图聚类算法
scVI	—	单细胞变分推断模型
MFA	多重因子分析	多组数据的联合因子分析
SingleR	—	基于参考的细胞类型注释方法
CellViT	—	病理细胞核分割与分类模型
PanNuke	—	经典核分割数据集/格式
Dice coefficient	Dice 系数	分割重叠度指标
Jaccard index	Jaccard 指数	交并比
Panoptic Quality (PQ)	全景质量	联合衡量检测与分割
Patch	图块	从 WSI 裁出的固定尺寸小图
Embedding	嵌入	高维特征的稠密低维表示
Pan-cancer	泛癌	跨多种癌症的通用设定

§25 引用与获取速查

25.1 论文引用（BibTeX 风格）

@article{giraud2026sthelar,
  title   = {STHELAR, a multi-tissue dataset linking spatial transcriptomics
             and histology for cell type annotation},
  author  = {Giraud-Sauveur, F{\'e}licie and Blampey, Quentin and
             Benkirane, Hakim and Marinello, Arianna and
             Courn{\`e}de, Paul-Henry and Christodoulidis, Stergios},
  journal = {Scientific Data},
  volume  = {13},
  number  = {665},
  year    = {2026},
  doi     = {10.1038/s41597-026-06937-6}
}

25.2 数据集引用

STHELAR dataset. EMBL-EBI BioImage Archive, accession S-BIAD2146.
doi:10.6019/S-BIAD2146

25.3 链接速查

• 论文：https://www.nature.com/articles/s41597-026-06937-6
• 预印本：https://www.biorxiv.org/content/10.1101/2025.07.11.664123v1.full
• 完整数据集：https://www.ebi.ac.uk/biostudies/bioimages/studies/S-BIAD2146
• 代码：https://github.com/MICS-Lab/STHELAR
• 代码（CellViT）：https://github.com/MICS-Lab/CellViT_for_STHELAR
• patch 子集：https://huggingface.co/datasets/FelicieGS/STHELAR_40x ；https://huggingface.co/datasets/FelicieGS/STHELAR_20x

25.4 本条目信息

• slug：sthelar
• 互链占位：https://www.qianfanghub.com/ai-ready-dataset/sthelar/1099
• 核验时点：2026-10-16

§26 SpatialData 对象实战：结构与读取

26.1 SpatialData 是什么

SpatialData 是 Scverse 生态为空间组学设计的数据格式与配套库。它的核心思想是把一个空间样本的所有模态组织进统一的坐标框架下：

• images（图像）：多分辨率的图像层（H&E、DAPI）；
• labels（标签）：像素级分割掩码（如细胞 ID 图）；
• points（点）：离散的空间点（如转录本位置）；
• shapes（形状）：矢量几何（如细胞/核边界多边形）；
• tables（表）：附着于上述元素或全局的注释表（计数、嵌入、注释）。

STHELAR 每切片一个 SpatialData 对象，正是这一范式在真实数据上的落地。

26.2 逐切片对象的实际组成（回顾）

以 STHELAR 的惯例，一个 sdata_<slide>.zarr.zip 解压后包含：

• images：he（含多个 resolution level，level0=40×、level1=20×）、morpho（DAPI，多层）；
• points：st（转录本坐标）；
• shapes：cell_boundaries、nucleus_boundaries、he_patches；
• tables：table_cells、table_nuclei、table_combined、table_scvi，以及 features_cellvit、features_phikonv2、features_vit_google。

26.3 读取与探索的一般流程（概念示意）

# 概念示意（伪代码，具体 API 以 Scverse SpatialData 文档为准）
import spatialdata as sd

sdata = sd.read_zarr("sdata_bone_s0.zarr.zip")

# 图像：H&E 与 DAPI
he = sdata.images["he"]          # 多分辨率层级
morpho = sdata.images["morpho"]  # DAPI 核染色

# 形状：细胞与核边界
cells = sdata.shapes["cell_boundaries"]
nuclei = sdata.shapes["nucleus_boundaries"]

# 点：转录本位置
st = sdata.points["st"]

# 表：细胞/核注释与嵌入
table_cells = sdata.tables["table_cells"]
feats_phikon = sdata.tables["features_phikonv2"]

以上仅为结构示意，用以说明对象内部的图层组织；实际调用请以官方 SpatialData 文档为准，本条目不对具体 API 细节作保证。

26.4 为什么这种结构对 AI 友好

• 多模态同框：图像、转录本、边界、注释共处一个坐标系，做多模态学习无需自行对齐；
• 多层级图像：H&E 提供 40×/20× 两档，便于按算力取舍；
• 标准表结构：细胞/核的计数与嵌入以 AnnData 风格表存储，可直接接入单细胞分析工具；
• 可切片读取：zarr 格式支持按需读取，避免一次载入数十 GB。

§27 下游应用场景

27.1 细胞类型注释模型开发

最直接的应用：训练从 H&E patch 预测细胞类型（10 类）的分类模型。数据集提供大规模、跨 16 组织的监督信号，而 patch 子集的 Parquet 格式降低了门槛。

27.2 细胞实例分割

利用细胞/核边界与 PanNuke 兼容掩码，训练或评测分割模型。分割指标（Dice/Jaccard/PQ）现成可对照。

27.3 病理基础模型的评测数据

基础模型（如病理 ViT）可在 STHELAR 上评测"跨组织泛化的细胞类型识别能力"。由于覆盖 16 组织，是检验"是否过拟合单一器官"的好素材。

27.4 空间生物学与 TME 分析

• 空间域识别：用 ST+H&E 共配准识别组织空间域；
• 细胞邻接分析：研究不同细胞类型的空间邻接关系（如免疫细胞与肿瘤上皮的接触）；
• TME 组成刻画：量化各组织类型肿瘤的免疫浸润构成。

27.5 多模态对齐研究

显式 ST-H&E 共配准提供了一个研究"分子-形态"跨模态映射的天然实验台。

27.6 表征学习与迁移学习

四套现成嵌入（CellViT/Phikon-v2/ViT/scVI）可直接用于聚类、检索、少数样本分类等，也可作为迁移学习的起点。

§28 与 CellViT 的集成实战

28.1 CellViT 是什么

CellViT 是一个基于 Vision Transformer 的病理细胞核实例分割 + 分类模型，在 PanNuke 上训练。STHELAR 与 CellViT 的关系有三层：

1. 格式兼容：STHELAR 提供 CellViT 约定的 labels.zip（instance mask + cell type mask）；
2. 质量对照：STHELAR 用预训练 CellViT 的预测与自身分割掩码对比（记录在 patch_metrics.csv）；
3. 微调对象：团队提供 CellViT_for_STHELAR 仓库，含 detailed/grouped 两版微调。

28.2 为什么拿 CellViT 做对照

CellViT 在 PanNuke（19 组织、5 类）上训练，迁移到 STHELAR 的 16 组织、10 类场景，本身就是一次跨数据集泛化测试。用它作为"外部基准"，可判断 STHELAR 的分割质量是否达到或超越成熟模型水平。

28.3 两版微调的含义

• detailed：用详细类别微调，保留更细的类别划分；
• grouped：用分组类别微调，把类别归并成更少的大类。

两版对应不同的应用需求：需要细粒度选 detailed，需要稳健粗分类选 grouped。

28.4 冻结特征 + 轻量分类器

团队的补充实验：从预训练 CellViT 提取核的冻结 embedding，在其上训练轻量分类器预测细胞类型。这种"预训练特征 + 轻头"的范式训练成本低，且能快速检验标签可分性——若冻结特征下分类性能就好，说明数据集标签质量高、类间可分性好。

§29 常见错误排查

29.1 “标签对不上”

现象：按论文 10 类去代码里找，找不到 “Other”，只有 “Dead”。
原因：代码用 “Dead”、论文用 “Other”，指同一组细胞（§6.5 坑 4）。
处置：建立映射 Dead → Other，或用 annot_dicts_ct_1/ 的字典统一。

29.2 “下载后读不出来”

现象：下载了 .zarr.zip 后无法直接读。
原因：它是 zip 包裹的 zarr 目录，需要先解压或用支持的读取器。
处置：解压后按 zarr/SpatialData 方式读取；确认使用 Scverse 的 SpatialData 库。

29.3 “patch 数与预期不符”

现象：只找到 154,814 个 patch，以为数据不全。
原因：154,814 是 20× 数；40× 是 587,555（§6.5 坑 3）。
处置：分清分辨率口径，别把 20× 当总数。

29.4 “训练时内存爆掉”

现象：直接加载整切片 zarr 导致 OOM。
原因：单切片可达数十 GB（brain_s0 ≈39.9 GB）。
处置：按需读取（zarr 惰性加载）、只取目标 patch 子集、或先降分辨率。

29.5 “找不到完整组织清单”

现象：想列出 16 种组织，论文正文未逐项给。
原因：一手页面未完整披露（GitHub 提及 list_data.numbers 但未展开文本）。
处置：从 BioStudies 文件列表的切片命名反推，或直接读仓库内的数据表文件。

29.6 “许可不明”

现象：想确认能否商用，找不到 license。
原因：一手页面未标 license 字符串（§9）。
处置：联系通讯作者或等待官方更新；未确认前谨慎使用。

§30 结语：STHELAR 的位置与价值

STHELAR 站在两条研究脉络的交汇处：一条是空间转录组——把分子层面的基因表达还原到组织空间；另一条是计算病理——让算法从常规 H&E 图像里读出临床信息。它的贡献不在于发明了新算法，而在于把这两条脉络用一份精心设计的数据集焊在了一起：用 ST 当"老师"给出细胞类型的分子依据，用共配准的 H&E 当"教材"提供给模型学习，再用 SpatialData 这一标准格式把多模态打包成即插即用的资源。

它的价值对三类人尤其明显：

• 做 H&E 细胞类型识别的团队：终于有一份覆盖 16 组织、1100 万细胞、附 10 类泛癌标签的公开监督数据；
• 做病理基础模型评测的团队：一份含四套现成嵌入、附 PanNuke 兼容掩码、跨组织泛化的评测集；
• 做空间生物学的团队：一份 ST-H&E 共配准、可做空间域与邻接分析的配对资源。

它的边界同样清楚：单平台（Xenium）、单制片（FFPE）、推断标签（非人工金标准）、粒度较粗（10 类）、下载体量大、license 待确认。把 STHELAR 当作"高质量、标准化、即插即用"的起点是对的；把它当作"覆盖一切场景、标签即真理"的终点则是误读。

对千方病案医数集而言，STHELAR 是一个典型的"AI-Ready"样本：格式标准、模态配对、来源可追、附代码与文档——正是这套特征让它值得被收入库内，并与 HEST-1k、Ivy GAP 等条目共同构成"空间转录组 × 病理"的知识图谱。检索者若从 STHELAR 出发，沿 §8 的互链即可抵达这一图谱的相邻节点。

§31 版本与维护记录

项	记录
数据集首次发布	2025-07-09（BioImage Archive S-BIAD2146）
预印本	2025-07-11（bioRxiv）
期刊版	2026-03-12（Sci Data 13:665）
数据页面最后修改	2026-04-02
本条目撰写	2026-10-16

维护提示：数据集页面在论文发表后仍有修改记录（2026-04-02），使用与引用前建议复核 BioStudies 页面的 Modified 时间与 GitHub 的最新提交，以获取最准确的信息。

§32 库内知识图谱：STHELAR 的相邻节点

STHELAR 不是孤立条目，它在千方病案医数集的"空间转录组 × 病理"子图中占据一个明确位置。以下按距离由近及远梳理其相邻节点，供检索者沿链探索。

32.1 第一圈：同属"ST × 病理配对"

• HEST-1k（rid=522）：同为病理×空间转录组配对，是本库中与 STHELAR 定位最贴近的条目。差异见 §22——STHELAR 是单一平台的精标注集，HEST-1k 是多平台汇编库。
• Ivy GAP（rid=448）：胶质母细胞瘤空间转录组与病理图谱，单癌种深度图谱；STHELAR 含 GBM 类别但泛癌多组织。

这两个条目是检索 STHELAR 时最需要消歧的对象：三个条目名都涉及"空间/转录组/病理"，若不看全称易混。

32.2 第二圈：病理基础模型与多模态病理

• Quilt-1M（rid=51）：病理组织学百万图文对，代表病理-文本多模态；
• Prov-GigaPath（rid=1091）：全片病理基础模型，代表病理自监督预训练的前沿；
• HANCOCK（rid=984）：头颈鳞癌病理 WSI + 免疫组化 + 临床多模态。

STHELAR 与这些条目的关系是"评测数据 ↔ 基础模型"：基础模型在 STHELAR 上做下游评测，STHELAR 的嵌入也受这些模型思想启发（Phikon-v2 即病理基础模型的编码器）。

32.3 第三圈：核分割与病理分类基准

• Lizard（rid=238）、NuCLS（rid=248）、PCam（rid=158）、NCT-CRC-HE-100K（rid=148）、PathSeg（rid=970）。

这些条目与 STHELAR 共享"核/细胞级别病理图像分析"的技术母题。STHELAR 借用 PanNuke 格式（PanNuke 与这些基准同族），因此可与它们的方法与评测互通。

32.4 第四圈：泛病理 H&E 图像

• ORCHID（rid=903）、PAIR-BST（rid=965）、hancock-hnscc（rid=984） 等。

这些构成 STHELAR 的"泛病理"背景层，任何涉及"H&E 图像 + 深度学习"的检索都可能触及。

32.5 知识图谱小结

        [病理基础模型层]
   Prov-GigaPath ──── Quilt-1M
          │              │
          └──── [STHELAR] ────[HEST-1k]（ST×病理最强同域）
                  │
          ┌───────┴────────┐
   [Ivy GAP](GBM)     [核分割基准层]
                    Lizard / NuCLS / PCam / NCT-CRC-HE / PathSeg

从任一节点出发，都可经 STHELAR 抵达"空间转录组 × 病理"这一子图的核心。

§33 数据集比较矩阵（扩展版）

下表把 STHELAR 与库内及领域常见数据集做一个多维度矩阵对照，供快速定位：

数据集	模态	ST 平台	组织/癌种	规模	核/细胞级标签	ST-H&E 共配准	库内 rid
STHELAR	ST + H&E + DAPI	Xenium	16 组织泛癌+非癌	31 切片 / >11M 细胞	是（10 类）	是	本条目
HEST-1k	ST + 病理	多平台	广	大规模汇编	依来源	部分	522
Ivy GAP	ST + 病理	多种	GBM	单癌种图谱	部分	部分	448
PanNuke	H&E	无	19 组织	7,904 patch / 189,744 核	是（5 类）	无	—
Lizard/CoNIC	H&E	无	结肠	4,981 patch / 495,179 核	是（6 类）	无	238
NuCLS	H&E	无	三阴性乳腺癌	1,744 patch / >220,000 核	是（4 超类）	无	248
MoNuSAC	H&E	无	4 器官	310 patch / 46,909 核	是（5 类）	无	—
PCam	H&E	无	淋巴结转移	327,680 patch	否（图像级）	无	158
NCT-CRC-HE	H&E	无	结直肠癌	100,000 patch	否（9 类组织）	无	148

矩阵读法：若需求涉及"分子依据的细胞类型"，只有 STHELAR 与 HEST-1k/Ivy GAP 满足；若干需求是"纯形态学核分割/分类"，PanNuke/CoNIC 等更成熟；若需求是"图像级分类"，PCam/NCT-CRC-HE 更对口。STHELAR 的独特列是"ST-H&E 共配准 + 细胞级 10 类注释"。

§34 附录：文件命名规范与目录组织

34.1 命名约定

• 切片 ID：<tissue>_s<index>，如 bone_s0、breast_s0、bone_marrow_s1；
• SpatialData 对象：sdata_<slide_id>.zarr.zip；
• 掩码：masks_<slide_id>.npz（PanNuke 格式）；
• 逐切片汇总表：<slide_id>_cell_metadata.parquet。

34.2 目录树（概念示意）

STHELAR/
├── sdata_slides/                         # 每切片 SpatialData 对象
│   ├── sdata_bone_s0.zarr.zip
│   ├── sdata_brain_s0.zarr.zip
│   ├── sdata_breast_s0.zarr.zip
│   └── ...（共 31 个）
├── data_40x/data/
│   ├── images.zip
│   ├── masks_slides/
│   │   └── masks_<slide_id>.npz
│   ├── annot_dicts_ct_1/
│   │   ├── label2cat.json
│   │   ├── cat2color.json
│   │   └── cat2idx.json
│   ├── masks_cell_ids_nuclei.zip
│   ├── pretrained_CellViT_mask_preds/
│   ├── cell_count.csv
│   ├── labels.zip
│   ├── patch_metrics.csv
│   ├── types.csv
│   ├── finetuning_CellViT_detailed/
│   └── finetuning_CellViT_grouped/
├── data_20x/data/                        # 20x 版本
├── summary_all_labels_per_slide/         # 逐切片标签汇总
│   └── <slide_id>_cell_metadata.parquet
└── list_data.numbers                     # 数据总表（仓库内）

目录树为概念示意，实际文件组织以 BioStudies S-BIAD2146 页面与 GitHub 仓库为准。

34.3 关键文件用途速查

想做什么	用哪个文件
取 H&E patch 训练分类	images.zip + labels.zip
做分割对照	pretrained_CellViT_mask_preds/ + patch_metrics.csv
查每 patch 细胞计数	cell_count.csv
查每 patch 组织类型	types.csv
类别映射	annot_dicts_ct_1/*.json
全模态分析	sdata_slides/sdata_<slide>.zarr.zip
逐切片标签汇总	summary_all_labels_per_slide/<slide>_cell_metadata.parquet

§35 给不同读者的三分钟读法

35.1 如果你只有三分钟

读 §0（解决什么问题）+ §1（十问十答）+ §22（与 HEST-1k 区分）。你会知道 STHELAR 是什么、多大、能干什么、和谁像。

35.2 如果你要下载使用

读 §6（获取与许可）+ §12（数据词典）+ §29（常见错误排查）。确认取完整集还是 patch 子集、注意 license 待确认、避免标签映射与分辨率口径的坑。

35.3 如果你要写论文引用

读 §25（引用与获取速查）+ §14（时间线）。用期刊版 doi 引用，数据集用 accession。

35.4 如果你要评估它是否适合你的研究

读 §7（评估与基准）+ §9（存照与局限）+ §20（局限与改进）。重点看清"推断标签非金标准"“单平台单制片”"粒度较粗"三条边界。

35.5 如果你在做数据集方法论研究

读 §5（流水线）+ §17（标注方法学深挖）+ §19（QC 与置信度）。这是"如何用 ST 给 H&E 造标签"的一份可复制方法论样本。

---

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：

• cellxgene — 共享标签：医学影像 / 病理图像 / 基因组学与多组学 / 转录组
• icgc — 共享标签：医学影像 / 病理图像 / 基因组学与多组学 / 肿瘤学
• hest-1k — 共享标签：医学影像 / 病理图像 / 转录组 / 肿瘤学
• human-protein-atlas — 共享标签：医学影像 / 病理图像 / 基因组学与多组学 / 转录组
• spatial-touchstone — 共享标签：病理图像 / 基因组学与多组学 / 转录组 / 肿瘤学
• pannuke — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 肿瘤学
• lizard — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 肿瘤学
• peso — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 肿瘤学
• cryonuseg — 共享标签：医学影像 / 病理图像 / 医学图像分割 / 肿瘤学
• hlca — 共享标签：医学影像 / 病理图像 / 转录组

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。