信息速览
TCGA-UCEC 是癌症影像档案馆（TCIA）托管的子宫内膜癌影像集合，全称 The Cancer Genome Atlas Uterine Corpus Endometrial Carcinoma Collection，末尾四个字母是 TCGA 的项目编号，对应 Uterine Corpus Endometrial Carcinoma，即子宫体子宫内膜癌。集合页给出的规模是四组数字：六十五例患者、二百二十六次检查、九百一十二个序列、七万七千余幅图像，合计 37.85 GB，模态一栏写着 CT、PT、MR、CR 四类。这个集合本身不含分割掩膜，也不含临床、基因组与病理数据，后三者存放在基因组数据共享平台（GDC），两侧靠一串十二位的 TCGA 患者编号对齐。
它要补的缺口很具体。子宫内膜癌的分子分型、组织学分级、肌层浸润深度与淋巴结状态，在 GDC 上都有；这些指标对应的术前影像，在公开资源里几乎找不到第二份带同样配对关系的。要把「影像上看到的肌层浸润深度」和「病理报告里的浸润深度」放到同一个人身上比较，缺的从来不是影像，也不是病理，而是两者之间的身份桥。这个集合提供的就是这座桥，代价是规模小、模态杂、采集不统一。
使用它之前有两件事要先确认。第一，六十五是四类模态的合计，不是某一种模态的例数，分模态的数字要自己数；第二，它是历史归档，纳入的是各参与医院既有扫描里挑出来的片子，期相、层厚、对比剂方案都不统一。这两条决定了它适合做小样本的配对验证，不适合做需要严格对照的规模化训练。一屏速览见下表。
| 项 | 值 |
|---|---|
| 正式名称 | The Cancer Genome Atlas Uterine Corpus Endometrial Carcinoma Collection |
| 简称 | TCGA-UCEC |
| 托管方 | The Cancer Imaging Archive（TCIA），美国 NCI |
| 患者数 | 六十五例 |
| 检查数 | 二百二十六次 |
| 序列数 | 九百一十二个 |
| 图像数 | 七万七千余幅 |
| 体积 | 37.85 GB |
| 模态 | CT、PT、MR、CR（四类合计，未拆分） |
| 格式 | DICOM |
| 分割掩膜 | 无 |
| 组学、临床与病理 | GDC 同项目，五百六十例 |
| 对齐键 | TCGA 十二位患者 barcode |
| 当前版本 | v4，2020-05-29 |
| 状态 | Complete（不再补例） |
| 许可 | CC BY 3.0 |
| DOI | 10.7937/K9/TCIA.2016.GKJ0ZWAC |
§1 它是什么
1.1 名字拆开看：三个词与一个数字
TCGA-UCEC 这个名字可以拆成四段。TCGA 是研究计划的名字，The Cancer Genome Atlas，一个以「把癌症的表型与基因型连起来」为目标的联邦项目；UCEC 是癌种代号，指子宫体的子宫内膜癌，不含宫颈癌，也不含子宫肉瘤；Collection 是 TCIA 的计量单位，一个集合对应一个癌种、一批患者、一串版本；六十五是这一批患者的规模。
四段里最容易被跳过的是 Collection。它意味着这不是一个「设计出来」的研究队列，而是一个「收拢起来」的档案单元。研究队列有入组标准、有扫描协议、有随访计划；档案单元只有一条收录规则：这位患者在 TCGA 里做过分子测量，且他的术前影像还能被找到。理解这一层，后面所有的边界都是它的推论。
1.2 它与 GDC 的分工：一边是表型，一边是基因型
TCGA 计划把数据拆在两个平台上，拆法的逻辑是数据类型而不是病种。影像在 TCIA，因为影像是像素、是文件、是动辄几十 GB 的二进制；临床、基因组与数字病理在 GDC，因为它们按病例聚合、按文件分发、需要另一套访问控制。两边用同一个主键连通：TCIA 的 PatientID 就是 TCGA 的十二位患者 barcode，与 GDC 的 case submitter_id 逐字符相同。
这个分工带来一个直接后果：任何以这个集合为基础的研究，取数至少要走两个平台。影像一条链路，分子与病理另一条链路，中间靠自己写的脚本对齐。它不像某些整合好的资源那样开箱即用，但它换来的是每一层都能独立更新、独立授权、独立引用。
1.3 你的处境与它能帮到的事
下表左列写的是使用者的处境，不是集合的特性。左列对不上，说明它大概率帮不到你。
| 你的处境 | 它能帮你什么 |
|---|---|
| 想把术前影像上的肌层浸润深度与病理报告对照 | 提供同一批患者的术前影像与 GDC 病理字段，按 barcode 直接连 |
| 想验证某个影像特征与子宫内膜癌分子分型的关联 | 分子分型在 GDC，影像在这里，配对是结构性的而非事后匹配 |
| 需要一个带病理与组学标签的小样本外部验证集 | 可以，六十五例正好适合当验证侧，不适合当训练侧 |
| 想研究多模态影像在妇科肿瘤里的互补性 | 四类模态并存，但覆盖不均，只能做探索性分析 |
| 想做子宫内膜癌的分割或检测 | 没有掩膜、没有病灶框，标签要自建，规模也不够 |
| 想做大样本妇科影像预训练 | 规模太小、部位单一，应去找通用腹部或盆腔影像库 |
| 想研究治疗后反应或复发 | 只有术前基线，没有随访影像，做不了纵向建模 |
1.4 不适合谁：四条边界
如果你的需求是训练一个能直接跑的分割模型，它给不了标签。整个集合是纯净的 DICOM 归档，没有 SEG、没有 RTSTRUCT、没有 NIfTI 掩膜，也没有病灶编号。六十五例的规模也不足以从零训练三维骨干。这类任务应该去找带逐例勾画的挑战赛数据。
如果你的需求是覆盖 TCGA 子宫内膜癌全队列的分析，它给不了全景。它只有六十五例有影像的患者，而 GDC 上这个项目是五百六十例，覆盖率约一成。想做全量分子分析，直接去 GDC，不必经过 TCIA。
如果你的需求是干净的多中心对照研究，它给不了协议一致性。官方页面自己写明：为了达到入组目标，组织来自世界各地，因此影像在扫描仪模态、厂商与采集协议上极为异质，多数影像是常规诊疗的一部分，不是在受控研究或临床试验中采集的。任何依赖固定层厚或固定期相的特征提取都会在这里失效。
如果你的需求是子宫或内膜的通用影像语料，它给不了广度。六十五例、单一病种、四类模态混装，作为预训练语料规模太小；它的角色是微调与验证阶段那个「带分子标签的小而准」的集合。
1.5 在 TCGA 影像梯队里的位置
TCGA 在 TCIA 下有一批影像集合，规模差异很大。库内已收录的几支里，肾透明细胞癌是二百六十七例，肝细胞癌是九十七例，子宫内膜癌是六十五例。三支同属「实质脏器 + 术前影像 + 组学配对」的同一类型，规模却差出四倍以上。
这个排序有一个实际含义：越小的一支，越不适合当训练集，越适合当验证集。六十五例放到任何需要拟合参数的场景里都偏薄，但放到「检验一个已经训好的模型能否在妇科肿瘤上站住」的场景里刚刚好——样本小，跑一遍便宜；标签硬，结论可核；来源公开，别人能重复。把它放在梯队的末端，比硬把它推到前排更符合它的构造。
§2 数据构成与规格
2.1 四级结构：患者、检查、序列、图像
TCIA 的存储模型遵循 DICOM 信息模型，分四级。最上层是患者，标识是 PatientID；一位患者下可以有多次检查，每次检查对应一次就诊的影像；一次检查下挂若干序列，同一采集参数下的一组图像构成一个序列；序列下面是图像实例，每幅图对应一个 SOP Instance UID。集合页的四个数字正好对应这四级。
这四级之间的关系值得算一遍，因为比值本身就是信息。二百二十六次检查摊到六十五位患者，人均约三点五次，说明多数患者不止一次检查；九百一十二个序列摊到二百二十六次检查，每次约四个序列，与盆腔「平扫加增强加重建」的常规序列数相符；七万七千余幅图像摊到九百一十二个序列，每个序列约八十五幅，符合断层图像的层数规模。
| 层级 | DICOM 标识 | 集合内数量 | 换算关系 |
|---|---|---|---|
| 患者 | PatientID | 六十五 | 等于 TCGA 十二位 barcode |
| 检查 | StudyInstanceUID | 二百二十六 | 人均约三点五次 |
| 序列 | SeriesInstanceUID | 九百一十二 | 每次约四个 |
| 图像 | SOPInstanceUID | 七万七千余 | 每序列约八十五幅 |
人均三点五次检查这一条，是理解模态混杂的关键。一位患者之所以会有多次检查，最常见的原因是同期做了不同模态：一次腹盆腔增强 CT，一次盆腔增强 MR，或者一次全身 PET。这些检查各自成 Study，在 DICOM 里彼此独立，没有配准关系，也没有共同的坐标系。
2.2 四类模态与「六十五例不等于六十五例」
集合页的模态一栏是 CT、PT、MR、CR 四个词。四者的成像原理、解剖信息量与在子宫内膜癌诊疗中的角色完全不同，把它们并列写在同一个格子里，是这一页最容易被误读的地方。
| 模态 | 成像原理 | 在本集合中的一般角色 |
|---|---|---|
| CT | X 线断层 | 腹盆腔增强扫描，看淋巴结、远处转移与肌层受累的间接征象 |
| MR | 磁共振 | 盆腔软组织对比最好，是评估肌层浸润深度与宫颈受累的首选 |
| PT | 正电子发射断层 | 代谢成像，集合页未注明示踪剂与采集方案，通常用于分期 |
| CR | 计算机 X 线摄影 | 定位像或胸片一类的伴随检查，解剖信息量远低于断层图像 |
关键的一点是：这四个字母覆盖的是同一批六十五位患者的不同检查，不是四个各自六十五例的子集。官方页面只给四类合并后的总数，没有给出任何一类的例数。同一位患者可能既有 CT 又有 MR，也可能只有其中一种；因此按模态分别计数得到的四个数字，既不会相加等于六十五，也不互斥。
这条约束的实际后果是：任何写进论文的「本数据集包含 N 例 CT」都要有自己数出来的依据。凭集合页的六十五去填这个 N，是最常见也最难被自己发现的错误。
2.3 一条记录长什么样
下面是一次检查在一个序列目录下的形态。字段名取自 DICOM 标准定义，具体数值因站点与检查而异。
#-- 一次检查的 DICOM 头关键字段（字段名取自 PS3.3 / PS3.6）
PatientID = TCGA-XX-XXXX # 十二位，与 GDC 的 case submitter_id 相同
PatientName = TCGA-XX-XXXX # 常与 PatientID 同值，真实姓名不入库
StudyInstanceUID = 1.3.6.1.4.1.<站点>.… # 一次检查
StudyDate = 20040311 # 已整体平移，仅保留相对间隔
SeriesInstanceUID = 1.3.6.1.4.1.<站点>.…
SeriesDescription = PELVIS POST CONTRAST # 自由文本，各站点习惯不同，不可直接当期相标签
Modality = MR
BodyPartExamined = PELVIS
SliceThickness = 5.0 # 单位 mm，站点间差异明显
Manufacturer = <厂商名> # 多家厂商混合
MagneticFieldStrength= 1.5 # MR 才有；CT 无此字段
ContrastBolusAgent = <对比剂名> # 非增强检查该字段为空
逐项看。PatientID 是整条记录里最重要的一格，它是与 GDC 连通的唯一通道。StudyDate 已被平移，不能与临床表的真实日期相减，只能用于计算同一患者多次检查之间的间隔。SeriesDescription 是自由文本，同一种「增强后盆腔」在不同站点会被写成不同词组，把它当期相标签是这一类数据最常见的翻车点。SliceThickness 与厂商字段则直接解释了为什么这批影像无法按统一管线处理。
2.4 版本史：一次补例，一次只改表
集合自 2015 年首发以来经历四个版本。四个版本的改动性质完全不同，这一点比版本号本身更值得记住。
| 版本 | 日期 | 患者/检查/序列/图像 | 体积 | 主要动作 |
|---|---|---|---|---|
| v1 | 2015-05-29 | 58 / 216 / 836 / 71,674 | 35.57 GB | 首发 |
| v2 | 2016-01-05 | 58 / 216 / 836 / 71,674 | 35.57 GB | 从 GDC 重抽临床数据（TXT） |
| v3 | 2018-10-24 | 65 / 226 / 912 / 77,214 | 37.85 GB | 补入七例患者 |
| v4 | 2020-05-29 | 65 / 226 / 912 / 77,214 | 37.85 GB | 换用 GDC 最新电子表格，新增生物医学表 |
两次计数完全相同、体积也完全相同的是 v3 与 v4。也就是说，2020 年那次版本更新没有再动一张图像，改的只是附带的临床表格与新增的组学表。对使用者的含义很直接：手上如果有一份较早下载的影像包，它的图像与当前版本一致，差别只在随包的表格新旧。
v1 到 v3 则是实质性的扩量：患者从五十八涨到六十五，图像增加五千余幅，体积增加约 2.3 GB。这次扩量发生在 2018 年，此后集合被标为 Complete，意味着不再补例。
2.5 与 GDC 侧的字段对接
TCIA 侧只有影像和少量 DICOM 元数据，病人层面的信息全部在 GDC。对接的落点是 GDC 的 case 实体，其 submitter_id 就是十二位患者 barcode。
| TCIA 侧字段 | GDC 侧字段 | 对接方式 |
|---|---|---|
| PatientID | case.submitter_id | 十二位直接相等 |
| 无 | case.primary_site | 子宫体与子宫未特指两类 |
| 无 | diagnosis.primary_diagnosis | 组织学诊断，含内膜样癌、浆液性癌等 |
| 无 | diagnosis.ajcc_pathologic_stage | 分期字符串 |
| 无 | demographic.vital_status | 生存状态与天数 |
| 无 | 各 experimental_strategy 下的文件 | 按 case 关联到文件 |
对接时有一个细节必须注意：PatientID 是十二位，GDC 的样本 barcode 是十六位，等分样更长。用十六位去匹配 PatientID 会全部落空，这在第一次写脚本时几乎必然发生。
2.6 分子那一侧的厚度
影像只有六十五例，分子侧却是满的。GDC 项目摘要给出的病例数是五百六十，文件数三万三千余份，总体积约三百零二 TB。各数据类别的覆盖如下，数字为覆盖病例数，同一病例可计入多类。
| 数据类别 | 覆盖病例 | 在配对中的角色 |
|---|---|---|
| 临床 | 五百六十 | 分期、分级、生存、人口学 |
| 生物样本 | 五百六十 | 样本与等分样的层级关系 |
| 测序读段 | 五百五十九 | 原始读段，受控访问 |
| 简单核苷酸变异 | 五百五十九 | 点突变与 indel |
| 拷贝数变异 | 五百五十九 | 扩增与缺失 |
| 转录组 | 五百五十九 | 表达与融合 |
| DNA 甲基化 | 五百五十九 | 甲基化分型 |
| 体细胞结构变异 | 四百四十七 | 大片段重排 |
| 蛋白组 | 四百四十 | 反相蛋白阵列 |
| 结构变异 | 三百四十三 | 胚系结构变异 |
按实验策略看，基因分型阵列、甲基化阵列与 RNA 测序的覆盖都在五百五十上下，全外显子测序五百五十四，miRNA 测序五百五十，全基因组测序四百八十二，诊断切片五百零五，组织切片五百六十，反相蛋白阵列四百四十，染色质可及性测序只有十三例。
对做影像配对的人，这张表的意义不在于「多」，而在于「交集怎么算」。影像侧只有六十五人，分子侧的厚度再高，能进入联合分析的也只有这六十五人在各层的覆盖。真正决定样本量的不是五百六十，而是「六十五人里同时有影像、有分期、有该分子层」的那个更小的数。
§3 身份与对齐：一个编号，两个分母
3.1 barcode 的三层长度
TCGA 的 barcode 是一套分层编码。十二位形如「TCGA-XX-XXXX」，前四位是计划前缀，中间两位是组织来源站点代码，后四位是病例流水号。十六位再往后接样本类型与序号，更长的还会接等分样与析出物。这个设计的好处是前缀可直接筛选，坏处是不同长度长得像，容易被误用。
| 长度 | 层级 | 用途 | 在本集合中 |
|---|---|---|---|
| 十二位 | 患者 | 跨库主键 | 写入 PatientID |
| 十六位 | 样本 | 区分肿瘤、癌旁、转移 | 不出现 |
| 更长 | 等分样与析出物 | 对齐到具体文件 | 不出现 |
这份影像集合里只会遇到十二位，因为影像对应的是「人」而不是「样本」。一位患者可能有原发灶与转移灶两份组学，但影像只有一套，它天然无法区分「这张片子对应的是哪个样本」。
3.2 两个分母：六十五与五百六十
这是全篇最需要写清楚的一处。TCIA 集合页的患者数是六十五，GDC 项目摘要的病例数是五百六十。两个数都对，回答的是不同问题。
| 口径 | 数量 | 含义 | 常见误用 |
|---|---|---|---|
| TCIA 患者数 | 六十五 | 有影像可下载的患者 | 被当成 TCGA 子宫内膜癌全队列 |
| GDC 病例数 | 五百六十 | 项目登记的全部病例 | 被当成「都有影像」 |
| 覆盖率 | 约一成 | 前者除以后者 | 被含糊写成「TCGA 子宫内膜癌影像集」 |
差距的成因不神秘。影像来自自愿参与的影像来源站点，没有参加的机构，其患者自然缺席；即便参加了，也只有一部分患者的影像还能被找到、被授权、被去标识化后汇交。这不是随机缺失，而是汇交机制的产物。
对建模的直接后果是：以影像为输入的模型，可用标签只覆盖六十五例这一侧。若把 GDC 的五百六十例都当作样本，会造成输入与标签严重不匹配；反过来，只做分子分析就完全不必经过 TCIA。
3.3 两套时钟
TCIA 与 GDC 对日期的处理方式不同，而且官方明说没有调和计划。
TCIA 侧，DICOM 头里的所有日期，包括生日与检查日期，都被整体平移了一个随机天数。平移量在三年到十年之间，对同一站点、同一集合固定，不同站点、同站点的不同集合则各不相同。这样处理之后，同一位患者多次检查之间的间隔被准确保留，同时满足去标识要求。
GDC 侧，人口学与临床事件日期全部转换成距「病理诊断日」的天数，诊断日本身为零，其余是负整数或正整数。出生年份与诊断年份仍保留在分发的临床文件里。
两套逻辑各自自洽，合起来就有陷阱：把影像头里的 StudyDate 与临床表里的生存天数相减，得到的既不是真实日期差，也不是有意义的间隔。唯一安全的用法是——用 GDC 的相对天数做时间分析，用 TCIA 的日期只做患者内部的检查间隔。
3.4 身份层三问
| 问题 | 答案 | 依据 |
|---|---|---|
| 一位患者能唯一定位吗 | 能，十二位 barcode | PatientID 与 GDC submitter_id 同值 |
| 影像与分子保证一一对应吗 | 不保证到样本层 | 影像对应人，组学对应样本 |
| 项目边界在哪 | TCIA 六十五 / GDC 五百六十 | 两个平台各自的项目口径 |
§4 影像本体：一份历史归档的构成
4.1 它不是设计出来的数据集
这一节要校正一个默认期待。多数人读到「TCGA 影像集合」，会默认它像挑战赛数据那样经过设计：统一的入组标准、统一的扫描协议、统一的层厚与期相、明确的任务定义。TCGA-UCEC 一样都不满足，而且不是执行不到位，是目标不同。
官方页面把机制写得很直白：TCGA 的组织为了凑够入组目标，是从世界各地收集的，每种癌种大约五百份标本；正因如此，影像在扫描仪模态、厂商与采集协议上极为异质；多数影像是常规诊疗的一部分，不是在受控研究或临床试验中采集的。这段话适用于全部 TCGA 影像集合，在 UCEC 上体现得尤其明显，因为它的体量最小，任何一次不合规的采集在六十五例里都占相当比重。
汇交侧也能看出这种「收拢」性质。集合页的致谢名单列了三家机构：Mayo Clinic（Rochester）、Washington University（Saint Louis）的妇产科、MD Anderson（Houston）。三家机构、三种设备配置、三套扫描习惯，最终压进同一个集合。
4.2 非标准化体现在哪五处
| 维度 | 表现 | 对分析的后果 |
|---|---|---|
| 厂商与机型 | 至少三家机构的设备混合，场强与重建算法不同 | 强度分布不可直接比较，需按站点分层 |
| 层厚与间距 | 从薄层到厚层都有，层间距不统一 | 三维重采样必然引入插值差异 |
| 期相与对比剂 | 是否增强、增强几个期、用何种对比剂由站点决定 | 无法用统一规则挑「静脉期」 |
| 扫描范围 | 盆腔、腹盆腔、全身，取决于检查目的 | 视场不同，器官先验无法通用 |
| 序列命名 | SeriesDescription 为自由文本 | 期相标签必须逐例读头，不能靠字符串匹配 |
这五处不统一，是把它当成「数据集」使用时最主要的成本来源。任何一条自动化的预处理管线，都会在这五处中的至少两处需要人工兜底。
4.3 不统一是本质，不是缺陷
把这一点说透，比批评它更有用。一个为机器学习设计的数据集会先固定扫描协议，再采集；一个回顾性汇交的档案则先有临床扫描，再回收。前者可以要求「所有患者同一层厚」，后者不能，因为那些扫描早已做完，患者也已经出院，重扫既不合伦理也不可行。
因此「非标准化」不是执行瑕疵，而是这类资源得以存在的前提。如果坚持标准化，这个集合根本不会存在，只剩零。使用者的正确姿态不是要求它标准化，而是把站点与协议当作显式变量：建模时把站点作为协变量，报告时把层厚与期相的分布写进方法章节，结论时把外推范围限定在「与这些站点、这些协议相近」的场景。
这也解释了它为什么值钱。它的稀缺性不在于图像质量，而在于那串编号：全世界只有这一批人的术前片子，能与他们的分子分型、病理分级、生存结局对上号。标准化可以再做，身份无法重建。
4.4 要数模态例数，只能自己数
官方不给分模态计数，这件事只能自己做。做法不复杂，但有三处必须小心。
第一步，拿 digest 摘要表。集合页在 Data Access 表里给了一个 XLSX 链接，内容是按序列聚合的索引，含 PatientID、StudyInstanceUID、SeriesInstanceUID、Modality 等列。不下载影像也能做这一步。
第二步，按 Modality 分组、按 PatientID 去重。注意是去重后计数，不是数行数：一位患者在同一模态下可能有多次检查、多个序列，直接数行会把例数放大几倍。
第三步，处理跨模态重复。同一位患者可能同时出现在 CT 与 MR 两组里，这在前文已经说明。若要把四个数字并列报出，必须注明「同一患者可计入多类」。
#-- 用 digest 表数分模态例数：先按模态分组，再对 PatientID 去重
import pandas as pd
df = pd.read_excel("TCIA_TCGA-UCEC-2018-10-24-nbia-digest.xlsx")
df["PatientID"] = df["PatientID"].astype(str).str.strip().str.upper()
per_modality = (df.groupby("Modality")["PatientID"]
.nunique()
.sort_values(ascending=False))
print(per_modality)
print("四类相加 =", int(per_modality.sum()), "（大于患者总数是正常的）")
print("去重后的患者总数 =", df["PatientID"].nunique())
最后一行是自检：去重后的患者总数应当等于集合页的六十五。若不等，多半是 PatientID 里混进了空格、小写或前后缀，先规整再统计。
4.5 妇科肿瘤影像里的空位
把库内已有的妇科相关资源排开看，这个集合的位置会很清晰。宫颈方向有一批细胞学与阴道镜资源，做的是涂片与镜下图像的分类与检测；内膜方向有病理切片上的活检检测，以及单细胞层面的免疫图谱；手术方向有腹腔镜视频与器械、动作标注。这些资源的共同点是：都不做盆腔的断层影像。
也就是说，在「子宫内膜癌的 CT、MR、PET 影像」这一格上，公开资源长期是空的。六十五例放在别的部位算不上什么，放在这里就是全部。这是「小但不可替代」的确切含义：它的价值不由体量决定，而由它填的那一格决定。
4.6 一次检查能不能用：五个判据
在没有官方质量评分的情况下，是否纳入只能自己判。下面五条是实操顺序，按代价从低到高排列。
| 判据 | 看什么 | 不合格时的处理 |
|---|---|---|
| 扫描范围 | 是否覆盖子宫与宫旁，还是只到盆腔中部 | 覆盖不全的检查只能做局部特征，不能做器官级测量 |
| 层厚与间距 | 断层厚度是否小于病灶尺度 | 厚层检查在三维重建后会出现明显台阶，需降权 |
| 增强与否 | 有无对比剂、几个期相 | 平扫与增强不可混入同一强度归一化流程 |
| 伪影 | 运动、金属、肠道气体 | 伪影跨病灶区域的检查建议剔除 |
| 序列完整性 | 一个序列内是否有缺层 | 缺层会破坏三维连续性，需先补插值或整段放弃 |
这五条的判断成本不同。扫描范围与增强与否看一眼序列描述即可；层厚需要读头；伪影与缺层要打开图像看。六十五例的规模小，逐例过一遍是可行的，也应该这么做——把判据写成表，逐例打分，比事后在论文里描述「剔除质量不佳者」要可信得多。
4.7 与肾癌那一支的结构对照
同样是 TCGA 影像归档，肾癌那一支与这一支在结构行为上有同有异，对照着看能更快摸清规律。
| 项 | 肾透明细胞癌 | 子宫内膜癌 |
|---|---|---|
| 患者 / 检查 / 序列 | 二百六十七 / 四百三十九 / 二千六百五十四 | 六十五 / 二百二十六 / 九百一十二 |
| 模态 | CT、MR、CR | CT、PT、MR、CR |
| 人均检查数 | 约一点六次 | 约三点五次 |
| 版本行为 | 三次版本图像未变，只改附带表格 | 一次补例（五十八到六十五），一次只改表 |
| 项目病例数 | 五百三十七 | 五百六十 |
| 覆盖比例 | 约一半 | 约一成 |
| 定性读片表 | 有，独立结果集 | 无 |
同的是机制：都靠 barcode 对齐，都是自愿汇交，都在版本更新时只动表格不动图像。异的是密度：肾癌的人均检查数不到两次，内膜癌达到三次半，说明后者的影像更多来自「一个人做了好几类检查」而不是「一个人做了好几次同类检查」。这一条对预处理的含义很实际——跨模态合并在这支上不是可选项，而是默认路径；在肾癌那支上则可以把 CT 主体单独拉出来做。
覆盖比例的差距同样值得记住。约一半与约一成之间不是量的差别，而是用途的差别：前者还能支撑「有影像的子队列」这种说法，后者只够支撑「有影像的少数病例」这种说法。任何以它为训练集的方案，都要先接受这个分母。
4.8 一句话的边界
把这一节收成一句：它提供的是原图与身份，不提供标准、标注与规模。原图可以处理，身份无法重建，标准与标注只能自己补。
§5 怎么拿到：通道、许可与引用
5.1 三条取数通道
| 通道 | 入口 | 门槛 | 适用场景 |
|---|---|---|---|
| TCIA 官方 | 集合页的批量清单加 Data Retriever | 需安装桌面客户端 | 全量下载，与版本严格对应 |
| IDC 云端 | Imaging Data Commons 门户与 API | 需云账号 | 按标签筛选、云端批量检索 |
| GDC | 项目页与 API | 无（受控数据除外） | 取临床、组学与病理 |
第一条是官方路径：从集合页下载一个清单文件，用官方客户端发起下载。好处是清单与版本严格对应，坏处是需要图形界面，不适合无头服务器。
第二条是云路径：IDC 把这批影像统一编码进 DICOMweb，可以用接口按集合、模态、部位筛选，把结果取到本地或直接在云上算。要注意 IDC 的例数口径与 TCIA 不同，它按 GDC 的病例计。
第三条不是影像通道，是配对通道。影像下好之后，临床、组学与切片都要从 GDC 取，按 barcode 拼回去。
5.2 用公开接口核对口径
TCIA 的检索接口可以按集合名查询计数，不需要客户端。动笔或动工之前先跑一次，可以确认当前计数是否仍与页面一致。
#-- 查集合的层级计数与模态分布；Collection 名不区分大小写
curl -s "https://services.cancerimagingarchive.net/nbia-api/services/v1/getCollectionValues?Collection=TCGA-UCEC"
#-- 查每次检查的模态组合，可用来估算「同一患者跨几个模态」
curl -s "https://services.cancerimagingarchive.net/nbia-api/services/v1/getPatientStudy?Collection=TCGA-UCEC" \
-o ucec_patient_study.json
第二条返回的是检查级记录，含 PatientID、StudyInstanceUID 与 Modality 列表。把 Modality 列表按患者展开，就能得到「这位患者涉及哪几类模态」的完整画像，比只数总例数有用得多。
5.3 在 IDC 上按条件筛选
IDC 的查询走 DICOMweb 与 BigQuery，下面这段取的是该集合中 MR 模态的患者与序列清单。
#-- 需要 google-cloud-bigquery 与已认证的云账号
from google.cloud import bigquery
client = bigquery.Client()
sql = """
SELECT DISTINCT PatientID, Modality, SeriesInstanceUID
FROM `bigquery-public-data.idc_current.dicom_all`
WHERE collection_id = 'tcga_ucec'
AND Modality = 'MR'
LIMIT 20
"""
for row in client.query(sql).result():
print(row.PatientID, row.Modality)
重点不在 SQL 本身，而在 collection_id 这个过滤条件：IDC 的集合名是全小写加下划线，写成 TCGA-UCEC 会静默返回零行，不报错。
5.4 用 digest 做本地索引
不下载影像也能先做规划。digest 表能回答三个问题：有多少患者只有一次检查、有多少患者跨多个模态、序列数的长尾有多长。这三个答案直接决定下载量与预处理复杂度。
#-- 读 NBIA digest，统计每位患者的检查数与涉及模态数
import pandas as pd
df = pd.read_excel("TCIA_TCGA-UCEC-2018-10-24-nbia-digest.xlsx")
per_patient = df.groupby("PatientID").agg(
studies=("StudyInstanceUID", "nunique"),
series=("SeriesInstanceUID", "nunique"),
modalities=("Modality", "nunique"),
)
print(per_patient.describe())
print(per_patient["modalities"].value_counts())
最后一行给出的是「跨几类模态」的分布。它比任何总量数字都更能说明这批影像的实际形态。
5.5 许可、引用与致谢
影像侧的许可是 CC BY 3.0，允许再分发与商业使用，义务是署名与保留许可。集合页要求引用给定的数据引用格式，其中含版本号与 DOI：
#-- 官方给定的引用格式（版本号必须写，DOI 必须带）
Erickson, B. J., Mutch, D., Lippmann, L., & Jarosz, R. (2016).
The Cancer Genome Atlas Uterine Corpus Endometrial Carcinoma Collection (TCGA-UCEC) (Version 4)
[Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/K9/TCIA.2016.GKJ0ZWAC
此外，凡使用源自 TCGA 的数据，集合页要求附上一段致谢，说明结果全部或部分基于 TCGA 研究网络产生的数据。这两条是使用义务，不是可选项。GDC 侧的分子数据另有使用协议，商用前要分开确认。
5.6 合规清单
| 事项 | 要求 |
|---|---|
| 许可 | CC BY 3.0，允许再分发与商用，需署名 |
| 引用 | 引用集合 DOI 与版本号 |
| 致谢 | 附 TCGA 研究网络声明 |
| 再识别 | 不得尝试重新识别个体 |
| 日期 | 不得尝试还原被平移的真实日期 |
| 二次分发 | 可以，但需保留许可与出处 |
5.7 存储与算力的粗略预算
37.85 GB 是压缩后的归档体积，不是可用工作集的体积。解压后按 DICOM 保留，占用大致翻倍；若把序列转成单文件的三维数组，九百一十二个序列里长的那些动辄数百兆，总量会进入一百到两百 GB 的量级。
合理的顺序是分阶段：先下三到五例，把读头、挑序列、重采样、转格式这几步跑通，确认层厚与期相的处理规则站得住，再扩到全量。一次性拖全量再回头改预处理参数，是这类项目里最浪费时间的顺序，因为全量下载本身就是一次以小时计的等待。
算力侧反而轻松。六十五例的三维数据在单机上就能做完重采样与特征提取；需要 GPU 的环节通常是特征编码器或分割模型，而这两者在这一支上多用于推理而非训练。
§6 质量与已知问题
6.1 可枚举的局限
| 局限 | 具体表现 | 影响 |
|---|---|---|
| 无掩膜 | 集合本体零标注 | 分割任务需自建标注 |
| 覆盖极窄 | 六十五对五百六十 | 不能代表全队列 |
| 模态混杂 | 四类合计，官方未拆 | 分模态样本量未知 |
| 协议异质 | 厂商、层厚、期相由站点自定 | 特征分布偏移 |
| 仅术前 | 官方明示基线检查均为术前 | 无纵向与疗效分析 |
| 日期平移 | 整体平移三到十年 | 不能与临床真实日期相减 |
| 无质量评分 | 无信噪比、伪影标记 | 需自建质控 |
| 样本层不可分 | 影像对应人，不对应样本 | 多病灶患者无法分样本 |
6.2 假设、支持与反对
有些判断在现有材料下无法坐实，只能写成有信息量的假设。下表把「我倾向怎么想、凭什么、什么会推翻它」摆在一起。
| 假设 | 支持 | 反对 |
|---|---|---|
| 四类模态中 CT 与 MR 占多数，PT 与 CR 是少数 | 子宫内膜癌术前评估以增强 MR 与增强 CT 为主，PT 用于分期、CR 多为定位像 | 集合页不分模态，任何占比说法都缺直接证据；只能靠 digest 逐例清点 |
| 同一患者跨两类以上模态者占一定比例 | 人均三点五次检查，高于单次检查的常规 | 多次检查也可能来自同一模态的复查或重建 |
| 期相可由序列描述与对比剂字段重建 | DICOM 头里有 SeriesDescription 与 ContrastBolusAgent | 描述为自由文本，跨站点不一致，重建结果会带主观判断 |
| 六十五例可支撑小样本关联分析 | 与分子、病理、生存同主键，配对是结构性的 | 多重检验下统计效力有限，任何单条显著结果都需外部重复 |
6.3 结论强度分级
| 级别 | 判据 | 本篇的例子 |
|---|---|---|
| A | 三条以上独立证据线 | 规模与四级计数：集合页、版本表、接口三处一致 |
| B | 两条证据线 | 模态为四类：集合页模态栏与分析结果集描述一致 |
| C | 单一来源 | 三家汇交机构：仅致谢名单 |
| D | 推断 | 各模态的实际占比：页面未给，只能靠清点 |
6.4 三个具体的技术陷阱
陷阱一：用十六位 barcode 匹配。 十二位是患者层，十六位是样本层。多数人第一次写对齐脚本时拿 GDC 的样本 barcode 去匹配 PatientID，结果全部落空，还以为是数据缺失。正确做法是先切出前三段，再比对。
陷阱二：把检查数当人数。 二百二十六次检查对应六十五位患者，把前者写进「样本量」会把规模夸大约三倍半。这在摘要里极常见，审稿时也最容易被抓。
陷阱三：用 StudyDate 排序做纵向分析。 日期被整体平移，跨站点不可比，同站点可比。若把不同站点的检查按日期混排，会得到一条完全虚构的时间线。
§7 在生态中的位置
7.0 阅读本节前：换一把尺子
在给评分之前要先校正一个框架错位。如果把 TCGA-UCEC 当成一个为机器学习准备的数据集来评价，它会在很多维度上不及格：没有划分、没有标注、没有清洗、类别不平衡、协议五花八门。但这个评价框架本身就用错了。
它应该被当作一份档案来评价。档案的价值在于「保存了什么、与什么连在一起、能不能被可靠地引用」，而不在于开箱即用程度。用它当尺子，它的核心贡献是保住了六十五位已完成分子测量的患者的术前影像，并让这些影像可以被任何人用一串公开编号追溯回分子、病理与生存。用数据集当尺子，它是一份需要大量二次加工的原料。
两种尺子会得出「既不完整也不能用」与「门开得很大、身份做得很实」两种截然不同的结论。本节的分表就是为了让这两种判断各归其位。
7.1 DAIMS 评分表
下表按数据资产描述与访问的八个维度给出评分，五分制。判断依据全部来自官方页面与平台行为，不含推断。
| 维度 | 评分 | 判断依据 |
|---|---|---|
| 描述层身份与边界 | 4 | 集合名、项目代号、疾病全称、DOI、托管机构齐全；但病例边界有两个口径（六十五对五百六十）页面未并列说明，需使用者自行分辨，故扣一分 |
| 描述层文档完备度 | 3 | 有集合说明、版本史、引用格式与致谢名单；缺分模态计数、缺采集协议逐站点说明、缺期相定义，且没有作者推荐的方法学论文 |
| 结构层标识体系 | 5 | PatientID 与 GDC 主键完全同值，DICOM 四级标识完整，跨库可直接连，无歧义 |
| 结构层层级一致性 | 4 | 四级结构严格，四个计数自洽；但二百二十六次检查如何在六十五人之间分布、多少次来自跨模态，页面不给 |
| 结构层模态配对 | 3 | 四类模态并存是稀缺性来源，但覆盖不均、无跨模态配准、无分模态计数，配对关系只能自行重建 |
| 访问层开放程度 | 5 | 免注册、CC BY 3.0、提供批量清单与 digest，另在 IDC 上提供 DICOMweb 视图 |
| 访问层可复现性 | 2 | 图像自 2018 年起未变、可稳定复现；但协议异质、无官方划分、样本仅六十五例，同一分析换一批患者往往不可复现 |
| 访问层许可清晰度 | 5 | 许可单一明确，引用格式与致谢文本官方给定，义务写清，无二次限制 |
分数怎么读。 高分集中在身份与访问两列，最低分在可复现与文档。这个分布精确描述了它的性格：门开得很大、身份做得很实、文档与可复现性最薄。若工作依赖「同样的输入得到同样的输出」，低分那两列就是主要成本来源。
对你意味着什么。 做需要注册审批的合规项目，这里的许可清晰度能省掉大量沟通；做需要严格对照的方法研究，这里的可复现性会迫使把预处理流程完整写进方法章节，而这恰恰是很多论文最薄弱的一段。
7.2 与同族资源的定位差异
| 资源 | 核心内容 | 与本集合的差异 |
|---|---|---|
| TCGA-KIRC | 肾透明细胞癌三模态影像加组学 | 同为历史归档，规模更大（二百六十七例），覆盖率约一半 |
| TCGA-LIHC | 肝细胞癌三模态影像加组学 | 同为腹部实质脏器，模态构成相近，病种不同 |
| TCGA-BRCA | 乳腺浸润癌的分子与影像配对 | 影像覆盖远不如分子覆盖，逻辑与此处相同 |
| TCGA-GBM | 胶质母细胞瘤影像 | 以 MR 为主，解剖部位与工程管线完全不同 |
| TCGA Pan-Cancer Atlas | 三十三癌种的合并分析 | 上位覆盖，只做分子，不含影像 |
| Endo-Aid | 子宫内膜癌活检病理检测 | 同一病种，另一层（病理） |
| Endometrial Immune Cell Atlas | 内膜免疫细胞单细胞图谱 | 同一器官，另一层（单细胞） |
| Cervix93 | 宫颈涂片细胞学核检测 | 相邻部位，另一层（细胞学），无断层影像 |
判断规则可以压成一句：要断层影像且要分子配对，只有这里；要分子全量，去 GDC；要病理与细胞学，去同病种的其他词条；要更大样本的腹部影像，去通用影像库。
7.3 它为何能持续
这个集合能长期存在，不靠经费单点支持，而靠三层依赖咬合。
第一层是 TCGA 的历史地位。它是一个被写进大量论文的队列，任何研究只要用了它，就必须保证数据可访问，否则复现链条断裂。第二层是云平台把访问成本压到接近零——IDC 让「查一下」变成一条查询，使用频次因此上升。第三层是授权模式：CC BY 3.0 让商业与非商业用途都不必谈授权，摩擦极低。
三层咬合的结果是：即便原始汇交机构早已不再维护这批数据，集合本身仍会被反复引用。它的存续依赖引用生态的惯性，而不是某个机构的热情。
§8 能做什么
8.1 任务清单
| 任务 | 可行性 | 前提 |
|---|---|---|
| 影像特征与分子分型的关联 | 可行，探索性 | 先定交集：既有影像又有该分子层的人数 |
| 术前影像与病理肌层浸润深度的对照 | 可行 | 病理字段在 GDC，需按 barcode 关联 |
| 作为分割模型的外部目标域 | 可行 | 标签自建，或借通用盆腔分割模型生成伪标签 |
| 多模态互补性研究 | 有条件可行 | 需先清点每位患者实际有哪几类模态 |
| 生存分析中的影像分层 | 可行 | 生存字段在 GDC，影像只作分层变量 |
| 分割或检测模型的训练集 | 不可行 | 无掩膜、无框、规模不足 |
| 疗效或复发预测 | 不可行 | 只有术前基线，无随访影像 |
8.2 一条最短的可用流程
下面这条流程把「从零到一张可引用的覆盖率表」压成四步，每步都能单独验证。
#-- 1) 记录集合口径，作为后续所有比例的分母
curl -s "https://services.cancerimagingarchive.net/nbia-api/services/v1/getCollectionValues?Collection=TCGA-UCEC" \
-o ucec_collection_values.json
#-- 2) 取 GDC 病例表，作为分子侧的骨架
curl -s -X POST "https://api.gdc.cancer.gov/cases" \
-H "Content-Type: application/json" \
-d '{"filters":{"op":"in","content":{"field":"project.project_id","value":["TCGA-UCEC"]}},
"fields":"submitter_id,diagnoses.ajcc_pathologic_stage,demographic.vital_status",
"format":"JSON","size":1000}' \
-o gdc_cases.json
#-- 3) 下载影像清单与 digest，稍后用官方客户端取图
curl -s -O "https://www.cancerimagingarchive.net/wp-content/uploads/TCIA_TCGA-UCEC-2018-10-24-nbia-digest.xlsx"
#-- 4) 算覆盖率：影像侧患者数除以分子侧病例数
python3 -c "import json,pandas as pd; d=pd.read_excel('TCIA_TCGA-UCEC-2018-10-24-nbia-digest.xlsx'); img=set(d.PatientID.astype(str).str.strip().str.upper()); g={r['submitter_id'] for r in json.load(open('gdc_cases.json'))['data']['hits']}; print(len(img&g), len(g), round(len(img&g)/len(g),3))"
第四步打印的三个数字，就是任何方法章节都该如实交代的样本量与覆盖率。把它写成一句话，比写十句「使用 TCGA 子宫内膜癌队列」都有用。
8.3 三种不该有的期待
第一种是期待它开箱即用。它没有划分、没有掩膜、没有统一窗宽，直接喂给模型会把协议差异当成信号学进去。
第二种是期待它代表子宫内膜癌总体。它是自愿汇交的影像子集，站点集中在北美三家机构，患者构成必然带站点特征，且只有六十五例。
第三种是期待它给出因果结论。小样本下的关联是统计性的，多个指标同时检验时，任何单条显著结果都需要外部重复验证。
§9 引用、二次分发与衍生资源
9.1 引用要写到哪一层
引用这个集合时，至少要落到四要素：作者列表、年份、含版本号的标题、DOI。只写「TCGA 数据」而不写集合 DOI，会让使用者无法判断你用的是影像侧还是分子侧，也无法判断版本。
若同时用了 GDC 的分子数据，要另引 GDC 的项目与相应数据集，并附 TCGA 研究网络声明。两层引用不能互相替代。
9.2 二次分发的三条义务
| 义务 | 具体做法 |
|---|---|
| 署名 | 保留原作者与托管机构，标明 CC BY 3.0 |
| 溯源 | 保留 DOI 与版本号，注明是否改动过（重采样、裁剪、转格式） |
| 不放大 | 再分发时不得声称拥有原始数据版权，不得移除许可声明 |
第三条最容易被忽略。把 DICOM 转成 NIfTI 再打包发布，转换这一层可以主张新增劳动，但原始影像的权利状态不变。
9.3 衍生资源
集合页在 Related Datasets 下列了四个分析结果集：Crowds-Cure-2018、Pan-Cancer-Nuclei-Seg、SAROS、TIL-WSI-TCGA。它们的共同点是与本集合共享 TCGA 病例，但独立发布、独立引用、独立许可，不属于这 37.85 GB。
| 衍生类型 | 交付形态 | 是否属于集合本体 |
|---|---|---|
| 众包分割结果 | 分析结果集，独立 DOI | 否 |
| 泛癌细胞核分割 | 分析结果集，覆盖多癌种 | 否 |
| 肉瘤影像分析集 | 分析结果集，另一病种 | 否 |
| 肿瘤浸润淋巴细胞切片分析 | 分析结果集，病理层 | 否 |
| 论文中的特征矩阵 | 补充材料 | 否 |
一个实用推论：若你需要掩膜，最现实的路不是等官方补，而是去看这些分析结果集里有没有覆盖 UCEC 的部分，或者用泛癌核分割的结果做起点再人工修。
§10 总结
10.1 适用与不适用
| 适用 | 不适用 |
|---|---|
| 子宫内膜癌术前影像与分子、病理的小样本配对研究 | 需要大样本训练的分割、检测、分类任务 |
| 作为外部验证集检验既有模型在妇科肿瘤上的泛化 | 需要随访影像的疗效与复发分析 |
| 教学与复现：演示 DICOM 四级结构、barcode 对齐与日期两套时钟 | 需要协议一致性的多中心对照实验 |
| 方法学研究：如何在异质归档上定义可复现的预处理 | 需要覆盖 TCGA 全队列的分子分析 |
10.2 三句话
第一，它是六十五位患者的术前影像，与五百六十例的分子队列按十二位 barcode 相连，两个数不是一回事，覆盖率约一成。
第二，四类模态合起来才是六十五例，官方不分模态，任何分模态例数都得自己数；它是历史归档，不是设计过的数据集，不统一是它的本质。
第三，它的价值不在规模，在于它是子宫内膜癌唯一公开的多模态断层影像集合，且与病理、组学、生存同主键——这是别处补不上的那一格。
常见误读与引用陷阱
| 常见说法 | 实际情况 | 证据 |
|---|---|---|
| 它有六十五例 CT | 六十五是四类模态的合计，CT 只是其中一类，官方未拆分 | 集合页模态栏只写四类并列，Data Access 表只给合计 |
| 每位患者四类模态齐全 | 四类是集合层面的并列，不是患者层面的配齐；跨模态人数未知 | 模态栏为集合属性，digest 需按患者逐例清点 |
| 它是 TCGA 子宫内膜癌的全队列 | 只是有影像的一小部分，六十五对五百六十 | 集合页患者数与 GDC 项目摘要并列即可看出 |
| 它带分割掩膜 | 集合本体无 SEG、无 RTSTRUCT、无 NIfTI 掩膜 | Data Access 表只列 DICOM 一项 |
| 它有病理切片 | 病理在 GDC，不在 37.85 GB 里 | 集合页把 Histopathology 指向 GDC |
| 一次检查对应一位患者 | 二百二十六次检查对应六十五人，人均约三次半 | 两个计数直接相除 |
| 影像日期可与临床日期相减 | 影像日期按站点整体平移三到十年，临床日期是相对天数 | 集合页的日期说明段 |
| 它包含治疗后随访影像 | 官方明示基线检查均为术前 | 集合页的受试者标识说明 |
| 版本更新会带来新影像 | v3 到 v4 图像与计数完全相同，只换了表格 | 两个版本的 Data Access 表逐项一致 |
| 四类模态中 PET 占多数 | 无依据；PET 在妇科肿瘤术前评估中通常是补充手段 | 集合页不分模态，占比说法均缺直接证据 |
技术陷阱一：IDC 的集合名写法。 IDC 里是 tcga_ucec，全小写加下划线；写成 TCGA-UCEC 不会报错，只会返回空结果。
技术陷阱二：digest 的行数不是例数。 一行是一个序列，一位患者可能有十几个序列。数例数必须对 PatientID 去重。
技术陷阱三：把 Related Datasets 当成本集合的一部分。 那四个是独立发布的分析结果集，有自己的 DOI 与许可，体积不计入 37.85 GB，引用时也不能混用。
FAQ
Q1：65 例是不是 65 位患者的 CT？
不是。65 是集合页的患者总数，四类模态 CT、PT、MR、CR 合在一起才凑出这个数，官方没有按模态拆分。同一位患者可能既做 CT 又做 MR，按模态计数得到的四个数字既不会相加等于 65，也不互斥。要写分模态例数，必须拿 digest 表按 PatientID 去重自己数。
Q2：为什么 TCIA 是 65 例，GDC 是 560 例？
两者回答不同问题。65 是「在 TCIA 上有可发布影像的患者数」，是交集；560 是「GDC 上 TCGA-UCEC 项目的病例总数」，是全集。差出来的部分有组织、有分子、有切片，只是没有汇交影像。做影像分析用前者，做分子分析用后者，合并时以 barcode 取交集并报告覆盖率。
Q3：能不能直接拿它训练分割模型？
不能。集合本体是纯净的 DICOM 归档，没有 SEG、RTSTRUCT 或 NIfTI 掩膜，也没有病灶编号；65 例也不足以从零训练三维骨干。它合适的位置是目标域验证与带分子标签的微调，标签需另建。
Q4：CT、MR、PT、CR 各多少例？
官方只给合计。可行做法是下载 digest 摘要表，按 Modality 分组、按 PatientID 去重计数；或走 IDC 的 dicom_all 表按 collection_id 与 Modality 过滤。两种做法都要注意同一患者跨模态重复。
Q5：影像日期为什么和临床日期对不上？
规则不同。TCIA 侧日期按站点整体平移 3 至 10 年，同站点平移量固定，患者内部间隔保留；GDC 侧全部换成距病理诊断日的相对天数。把两边直接相减，得到的既不是真实日期差，也不是有意义的间隔。
Q6：它和 TCGA-KIRC、TCGA-LIHC 是同一批人吗？
不是。它们共享 barcode 规则与前缀，但病种、部位、年份与站点都不同，患者集合互不相交。跨集合能统一的只有命名规则，不是病例。
Q7：能用于商业项目吗？
影像侧可以。许可是 CC BY 3.0，允许再分发与商用，义务是署名、引用给定格式并保留许可。GDC 侧的临床、组学与病理另有使用协议，商用前分开确认；原始测序读段经 dbGaP 受控。
Q8：它有病理切片吗？
集合本体没有。集合页的数据类别写着 Clinical、Genomics、Histopathology，但后两类指向 GDC，不在 37.85 GB 内。诊断切片与组织切片在 GDC 上以 SVS 交付，覆盖五百余例，需按同一串 barcode 自行关联。
术语表
| 术语 | 解释 |
|---|---|
| UCEC | TCGA 项目代号，Uterine Corpus Endometrial Carcinoma，子宫体子宫内膜癌 |
| TCIA | The Cancer Imaging Archive，美国 NCI 的癌症影像档案馆 |
| GDC | Genomic Data Commons，基因组数据共享平台 |
| IDC | Imaging Data Commons，影像数据共享云平台 |
| barcode | TCGA 的分层身份编码，十二位为患者层 |
| PatientID | DICOM 中的患者标识，本集合里等于 TCGA 患者 barcode |
| DICOM | 医学数字影像与通信标准，本集合的存储格式 |
| 检查 | DICOM 的 Study 层，一次就诊产生的影像集合 |
| 序列 | DICOM 的 Series 层，同一采集参数下的一组图像 |
| PT | DICOM 模态码，正电子发射断层 |
| CR | DICOM 模态码，计算机 X 线摄影 |
| 期相 | 增强扫描中对比剂到达的不同时间点 |
| 层厚 | 断层图像的切片厚度，直接影响重采样结果 |
| 掩膜 | 像素级区域标注，本集合本体不提供 |
| SEG | DICOM 的分割对象类型 |
| RTSTRUCT | DICOM 的放疗结构集对象，常用于存放轮廓 |
| digest | 集合的文件摘要表，可在不下载影像时做索引 |
| 肌层浸润 | 内膜癌侵犯子宫肌层的深度，影像与病理都关注的核心指标 |
| 分子分型 | 按基因组特征对内膜癌的分组，与预后相关 |
| 覆盖率 | 有影像的患者数除以项目病例数，本集合约一成 |
| CC BY 3.0 | 知识共享署名许可，允许商用与再分发 |
附录 A：核心数字速查
| 项 | 值 |
|---|---|
| 患者 | 六十五 |
| 检查 | 二百二十六 |
| 序列 | 九百一十二 |
| 图像 | 77,214 |
| 体积 | 37.85 GB |
| 模态 | CT / PT / MR / CR |
| 版本 | v4 / 2020-05-29 |
| 状态 | Complete |
| 许可 | CC BY 3.0 |
| GDC 病例 | 五百六十 |
| 覆盖率 | 约一成 |
| DOI | 10.7937/K9/TCIA.2016.GKJ0ZWAC |
附录 B：交付文件清单
| 文件 | 内容 | 说明 |
|---|---|---|
| 批量清单（.tcia） | 集合的下载清单 | 配合官方客户端使用 |
| DICOM 摘要（XLSX） | 患者、检查、序列、图像与模态的索引 | 不下载影像也能做规划与计数 |
| 临床数据包 | 2016 年 1 月 5 日抽取的快照 | 仅数十 KB，v4 起改为链接 GDC 表格 |
| 影像本体 | 九百一十二个序列 | DICOM 格式，37.85 GB |
附录 C：外部资源对照
| 资源 | 提供什么 | 与本集合的关系 |
|---|---|---|
| TCIA 集合页 | 影像、元数据、版本史、引用格式 | 主入口 |
| GDC 项目页 | 临床、组学、数字病理 | 配对侧 |
| IDC | 同一批影像的云端视图与检索 | 检索与云计算 |
| Pan-Cancer-Nuclei-Seg 等分析结果集 | 细胞核分割等派生结果 | 独立发布，不属于本体 |
| dbGaP | 受控访问的原始测序读段 | 另一套授权 |
附录 D：覆盖率与分模态计数脚本
#-- 一段脚本同时回答两个问题：分模态各多少例、影像覆盖多少病例
import json
import pandas as pd
DIGEST = "TCIA_TCGA-UCEC-2018-10-24-nbia-digest.xlsx"
GDC_JSON = "gdc_cases.json"
df = pd.read_excel(DIGEST)
df["PatientID"] = df["PatientID"].astype(str).str.strip().str.upper()
by_modality = df.groupby("Modality")["PatientID"].nunique().sort_values(ascending=False)
print("分模态例数（同一患者可计入多类）：")
print(by_modality)
img_ids = set(df["PatientID"])
with open(GDC_JSON, encoding="utf-8") as f:
hits = json.load(f)["data"]["hits"]
gdc_ids = {h["submitter_id"].strip().upper() for h in hits}
print("影像侧患者数:", len(img_ids))
print("分子侧病例数:", len(gdc_ids))
print("交集:", len(img_ids & gdc_ids))
print("覆盖率:", round(len(img_ids & gdc_ids) / len(gdc_ids), 3))
print("只在分子侧（无影像）:", len(gdc_ids - img_ids))
这段脚本的作用不是建模，而是把两个最容易被含糊带过的数字算成可引用的比例：分模态例数与覆盖率。
附录 E：如果只记五件事
第一，六十五是四类模态的合计，不是任何单一模态的例数。
第二，它与五百六十例的分子队列按十二位 barcode 相连，覆盖率约一成。
第三，它是历史归档，采集不统一是本质属性，不是执行瑕疵；站点必须作为显式变量进模型。
第四，它没有掩膜，只有原图；分割标签要自建，或借泛癌分析结果集起步。
第五，它的价值在「唯一」而不在「大」：子宫内膜癌的公开多模态断层影像，目前只有这一份。
编辑说明
核验时间：2026 年 10 月。核验方式：以 TCIA 集合页正文与四个版本的 Data Access 表为主，交叉核对 GDC 项目摘要接口的病例数与各实验策略覆盖数、IDC 的集合名称与视图。数字口径一律采用官方页面原文，不在本地下载影像重算。
未覆盖的内容：各模态的患者级拆分官方未给，本篇因此不给分模态例数，只给清点方法；期相分布、厂商分布与层厚分布未做统计，一是超出介绍范畴，二是需要逐例读 DICOM 头，与「不做审计」的取向相悖。
口径冲突记录：一是患者数，TCIA 页面六十五与 GDC 项目五百六十并存，本篇按平台分别标注，不合并、不折算。二是数据类别，集合页把 Clinical、Genomics、Histopathology 三类并列，但后两类实际指向 GDC，不计入 37.85 GB，本篇在正文与附录中均按「本体只有影像」表述。三是版本计数，v1 与 v2 的四级计数完全相同，v3 与 v4 亦相同，两对之间的差异分别是补例与改表，本篇按「一次补例、一次只改表」归纳。
关于内链：文末导航由发布管线按标签自动生成，本篇不手写导航章节；外部链接（TCIA、GDC、IDC、DOI）统一放在 sameAs，relatedLink 只保留站内条目。
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：
- tcia — 共享标签：医学影像 / CT / MRI / PET / 肿瘤学
- idc — 共享标签：医学影像 / CT / MRI / PET / 肿瘤学
- synthrad — 共享标签：医学影像 / CT / MRI / 肿瘤学 / 多模态影像
- tcga-kirc — 共享标签：医学影像 / CT / MRI / 肿瘤学 / 多模态影像
- biomedparse — 共享标签：医学影像 / CT / MRI / 肿瘤学 / 多模态影像
- tcga-lihc — 共享标签：医学影像 / CT / MRI / 肿瘤学
- autopet — 共享标签：医学影像 / CT / PET / 肿瘤学
- cptac-imaging — 共享标签：医学影像 / CT / MRI / 肿瘤学
- head-neck-pet-ct — 共享标签：医学影像 / CT / PET / 肿瘤学
- spinal-multiple-myeloma-seg — 共享标签：医学影像 / CT / 肿瘤学 / 多模态影像
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。
