TIGER

INFOBOX

数据集名称	TIGER (Tumor InfiltratinG lymphocytes in breast cancER) Challenge Dataset
英文全称	Tumor InfiltratinG lymphocytes in breast cancER (TIGER) Challenge — Training and Evaluation Dataset
别名 / 简称	TIGER、TIGER Challenge、TIGER training dataset
疾病分类	乳腺癌 (2C60-2C65 乳腺恶性肿瘤)。按分子亚型覆盖: Triple Negative (TNBC) 和 HER2 positive (HER2+) — 这两种亚型是 TILs 预测价值最高的亚型
SNOMED CT	372064008 Invasive carcinoma of breast / 444680009 Tumor-infiltrating lymphocyte / 1187127004 HER2 positive carcinoma of breast / 1187129001 Triple negative breast cancer / 87784001 Malignant neoplasm of female breast (如适用)
数据模态	全切片病理图像 (H&E 染色, 0.5 um/px 分辨率) + 组织分区像素级标注 + 细胞点标注 + 视觉 TILs 评分
覆盖结构	7 种组织分区: 浸润性肿瘤、肿瘤相关基质、原位肿瘤、健康腺体、坏死(非原位)、炎症基质、其他
细胞标注	淋巴细胞 + 浆细胞 (合并为单一类别),以 8x8 um 固定尺寸边界框标注
任务类型	组织语义分割 + 细胞目标检测 + TILs 评分回归 + 生存预测 (Cox 比例风险模型)
数据来源	TCGA-BRCA (151 张 TNBC) + Radboud UMC (荷兰) + Jules Bordet Institut (比利时) — 三来源跨机构
数据规模	训练: 370+ 张 WSI (WSIROIS 195 + WSIBULK 93 + WSITILS 82) / 最终验证: 3,708 名患者
许可证	CC BY-NC 4.0
访问方式	公开直接下载 — AWS Open Data Registry (s3://tiger-training/, 无需 AWS 账户); ROI 级精简子集 Zenodo DOI: 10.5281/zenodo.6014422
资金支持	EU Horizon 2020 ExaMode (No 825292), Dutch Cancer Society (KUN 2014-7032, PROACTING 11917), NWO-TTW VIDI IGNITE (18388), IMI BigPicture (945358), Breast Cancer Research Foundation
AI 就绪度	★★★★☆ 18.5/24 — 多中心多源标注 + 双排行榜设计 + 9 个开源基准模型 + 3,708 临床验证,短板在患者数未精确公开和 IAA 缺失
发表/引用	van Rijthoven et al., 2026, Nature Communications — 挑战赛旗舰论文
页面状态	published

§0 E-E-A-T 信任声明与免责声明

§0.1 审核者信息

本数据集 Wikipedia 条目由千方病案医学编辑部执行内容工程与医学事实交叉审核。

审核范围涵盖:

• 数据集基本事实核对 (参与机构数、WSI 数、标注类别、分辨率)
• 排行榜数据逐条核实 (Nature Communications 2026 旗舰论文)
• DAIMS 24 项评估 (独立工程评估,非临床认可)
• 代码示例可在无 GPU 环境下通过语法检查

§0.2 利益冲突

千方与 Radboud UMC 及 TIGER 挑战赛组织方无商业利益关联。

§0.3 最后更新

2026-07-29 — 按 v3.9 模板编写的 TIGER Wikipedia 条目首次发布。

§0.4 免责声明

本页面内容仅用于教育和研究参考目的。不得作为临床决策依据。AI 模型评估结果不可替代病理学家的诊断判断。TILs 评估应在具备相应资质的病理科环境中进行。数据集使用须遵循 CC BY-NC 4.0 许可证条款。

§0.5 页面范围与定位

本页面是 AI-Ready Wikipedia 条目,面向 AI 工程师、病理 AI 研究人员和医学影像计算社区。内容覆盖从数据获取、标注体系到模型训练的生产级全链路指南。非面向患者的疾病宣教内容。

§1 数据集概览

§1.0 30 秒速览

TIGER 是全球首个以肿瘤浸润淋巴细胞（TILs）全自动评估为核心的挑战赛数据集,由荷兰 Radboud University Medical Center 计算病理学组（DIAG）发起,于 2022 年上线,2026 年 5 月在 Nature Communications 发表旗舰论文。

从 TCGA-BRCA、Radboud UMC 和 Jules Bordet Institut 三家机构收集了 370+ 张 HER2+ 和 TNBC 乳腺癌全切片 H&E 病理图像,提供 7 类组织分区像素级标注和淋巴细胞/浆细胞点标注。设计了双排行榜评估体系:L1 考核计算机视觉性能（组织分割 + 细胞检测）,L2 考核 TILs 评分的临床预后价值（Cox 生存分析）。9 个开源基准算法在 3,708 名患者上完成了多中心验证,published 结果包含与执业病理学家视觉评分的系统性比较——cTILs 与病理学家视觉 TILs 评分的平均 Spearman 秩相关系数为 0.61,在 HER2+ 新辅助化疗反应预测中 cTILs (AUC 0.52-0.78) 优于视觉 TILs (AUC 0.55-0.65)。

TIGER 的核心遗产不是某一个"最好模型",而是建立了一套完整的、可重复的、隐私保护的 cTILs 基准平台:数据公开、标注公开、算法开源、评估流程透明——这让它成为数字病理 AI 研究中开放科学的标杆项目。

§1.1 数据集定位: 为什么 TIGER 与众不同

TILs 早在 2014 年就被国际 TILs 工作组 (Salgado et al.) 确认为乳腺癌的独立预后生物标志物。但视觉评分存在严重的观察者间变异性,阻碍了其进入常规临床工作流。TIGER 的设计目标不是"再发布一个病理数据集",而是回答一个更根本的问题:AI 能否让 TILs 评估变得客观、可重复、预后有效?

为此,TIGER 做了几件此前从未有人做的事:

• 第一个双轨评估体系:不只看 AI 的计算机视觉性能（分割 Dice / 检测 FROC）,更看 AI 生成的 TILs 分数能否预测真实患者的生存结局和化疗反应
• 从挑战赛到旗舰论文的完整闭环:9 个获奖算法全部开源,统一在 7 个独立队列（n=3,708）上比较,包括 3 项 III 期临床试验（GeparSixto / GeparSepto / GeparOcto）
• 隐私保护的基准平台:测试集始终隐藏在 Grand Challenge 平台上,参赛者只能通过提交 Docker 容器间接获取性能反馈——杜绝了"调参过拟合测试集"的常见弊端

§1.2 为什么 TIGER 值得 AI 研究者的关注

关键价值	具体原因
多中心数据源	TCGA (美国多机构) + RUMC (荷兰) + JB (比利时) — 三家机构,三种扫描仪/实验室,跨越两大洲
7 类精细组织分区	包含"炎症基质"独立类别——这是 TILs 评估中最关键但最难自动区分的组织区域
双标注格式	WSI 级别提供 XML (ASAP 兼容) + TIF 标注,ROI 级别提供 PNG + COCO 格式——同时服务病理专家和计算机视觉工程师
HER2+ cTILs 优于人工	pCR 预测中 cTILs 的 AUC (最高 0.78) 超越视觉 TILs (最高 0.65) — 这是 AI 在乳腺癌生物标志物评估中首次证实超越人工评分
9 个开源模型	每个都附带 Dockerfile / 训练代码 / 模型权重,可从 AWS 或 Zenodo 获取
Nature Communications 旗舰论文	2026 年 5 月发表,挑战赛结果的最高级别学术背书

§1.3 与其他乳腺癌病理数据集的比较

维度	TIGER	TCGA-BRCA (原始)	Camelyon16/17	BCNB
焦点	TILs 自动化评估	基因组+病理存档	淋巴结转移检测	乳腺癌活检分类
组织分区标注	7 类精细分区	无	仅肿瘤/正常	仅诊断分类
细胞标注	淋巴细胞+浆细胞点标注	无	无	无
预后评估	双排行榜含生存分析	可用但非设计目标	无	无
挑战赛	Grand Challenge 平台	无	Camelyon Grand Challenge	无
算法开源	9 个全部开源	N/A	社区	部分
关键论文	Nature Comms 2026	Cell Pan-Cancer Atlas 2018	JAMA 2017	—
访问	AWS 直接下载	GDC 门户	GDC 门户	TCLA

§1.4 版本演进

时间	事件
2021	TIGER 挑战赛概念设计,组织方确定双排行榜方案
2022-01-11	训练数据集公开发布 (WSIROIS + WSIBULK + WSITILS),AWS Open Data Registry 上线
2022-02-04	L1 排行榜开放 (实验性测试集:26 WSI,130 ROI)
2022-03-10	L2 排行榜开放 (实验性测试集:200 WSI)
2022-04-20	挑战赛结束,共收到来自全球多个团队的参赛作品
2022-07	最终测试集结果公布: biototem 包揽 L1 和 L2 双冠军
2023-2025	9 个获奖算法在多队列外部验证 (GeparSixto/Septo/Octo, FinHER, NKI 等),3,708 名患者的全面基准分析
2026-05-15	Nature Communications 旗舰论文发表: “Analysis of computational tumor-infiltrating lymphocytes in breast cancer from the results of the TIGER challenge”

§1.5 典型使用场景

场景	输入数据需求	典型输出	难度
乳腺癌组织分割	WSIROIS 子集	7 类组织分区掩码	★★★☆
淋巴细胞/浆细胞检测	WSIROIS 子集	COCO 格式检测结果	★★★★
自动化 TILs 评分	WSITILS + WSIBULK 子集	0-100% TILs 分数	★★★★☆
cTILs 预后验证	WSITILS + 临床元数据	Cox 回归 C-index	★★★★★
数字病理基础模型预训练	全部 WSI (无标注)	自监督预训练权重	★★★
组织分割 + 检测联合训练	WSIROIS 全量	多任务模型	★★★★★

§2 医学背景

§2.1 疾病与 ICD-11 映射

ICD-11 编码	疾病名称	与 TIGER 的关系
2C60-2C65	乳腺恶性肿瘤	数据集覆盖全范围乳腺癌,但限定 TNBC 和 HER2+ 亚型
2C60.0	三阴性乳腺癌 (TNBC)	TIGER 核心覆盖亚型之一,训练集 TCGA n=151,验证队列 n=1,938
2C60.1	HER2 阳性乳腺癌	TIGER 核心覆盖亚型之二,验证队列 n=1,770

§2.1b SNOMED CT 补充映射

SNOMED CT 编码	术语	角色
372064008	Invasive carcinoma of breast	数据集中浸润性肿瘤组织分区
444680009	Tumor-infiltrating lymphocyte	核心检测目标细胞
444712008	Inflammatory infiltrate	炎症基质 (mask 值 6) 的病理学基础
1187127004	HER2 positive carcinoma of breast	覆盖亚型之一
1187129001	Triple negative breast cancer	覆盖亚型之一

§2.2 临床任务与金标准

TILs 在乳腺癌中的关键临床角色:

1. 预后分层:TILs 水平高的 TNBC 和 HER2+ 患者预后显著更好 —— 这是 TIGER L2 排行榜设计的临床依据
2. 化疗反应预测:高 TILs 水平预示着更好的新辅助化疗反应,尤其是 HER2+ 亚型中 —— TIGER 分析的核心发现
3. 免疫治疗选择:TILs 作为 PD-1/PD-L1 抑制剂疗效的生物标志物正在被临床试验验证 —— 尽管 TIGER 的分析局限在化疗,但数据和方法可直接延伸至免疫治疗场景

视觉 TILs 评分的金标准:国际 TILs 工作组 2014 年建议 (Salgado et al., Annals of Oncology 2015) —— TILs 定义为肿瘤基质区域中单个核炎症细胞所占面积的百分比。TIGER 的视觉评分严格遵循此标准。

§2.3 临床意义

TILs 是乳腺癌病理报告中最有潜力但仍未标准化的额外生物标志物。TIGER 的核心临床贡献在于首次用大规模多中心证据回答了"AI TILs 是否优于人工 TILs"这个问题 —— 结果至少在HER2+ 新辅助化疗预测上是肯定的。如果经过前瞻性临床试验确认,这可能改写乳腺癌指南中"辅助检查"的推荐等级。

§3 数据集规格

§3.0 数据版本抉择矩阵

TIGER 不是"一个数据集",而是一个数据集生态系统——不同子集对应不同的 AI 任务。选择正确的入手指南至关重要。

你的需求	推荐入口	规模	理由
快速上手组织分割	WSIROIS — ROI 级精简版 (Zenodo)	195 WSI → PNG/COCO, 2.6 GB	COCO 格式检测标注 + PNG 分割标注,无需 WSI 处理工具链
完整的分割+检测训练	WSIROIS — WSI 级完整版 (AWS)	195 WSI,完整分辨率 TIF + XML/TIF 标注	需要 WSI 工具链 (ASAP/OpenSlide/Python wsd) 但可充分利用全部数据
开发 TILs 评分算法	WSIBULK + WSITILS (AWS)	93+82 WSI	WSIBULK 提供肿瘤主体粗略标注,WSITILS 提供参考 TILs 分数
重复旗舰论文分析	全部 WSIROIS + WSIBULK + WSITILS + 论文中的 9 个开源算法	~370 WSI + 9 个 Docker 容器	完整复现路径,需要 AWS CLI 或手动 Zenodo 下载
cTILs 预后价值研究	论文中 7 个验证队列的数据 (需申请访问)	3,708 名患者	间接访问 (Grand Challenge 平台)

§3.1 数据模态规格

属性	规格
成像模态	H&E 染色全切片病理图像
分辨率 (像素间距)	0.5 um/px (即 20× 放大倍率)
扫描仪	TCGA: 多种扫描仪 (原始 SVS 格式) → 转换为多分辨率 TIF; RUMC 和 JB: 各自机构的常规临床扫描仪
图像格式	WSI 级别: 多分辨率 TIF 文件; ROI 级别: PNG 文件
颜色空间	RGB,H&E 标准染色
组织分区标注格式	WSI 级别: XML (ASAP 2.0 多边形) + 多分辨率 TIF (像素级); ROI 级别: PNG (像素级)
细胞检测标注格式	WSI 级别: XML (ASAP 2.0 边界框); ROI 级别: COCO 格式 JSON
TILs 分数格式	CSV (tiger-til-scores-wsitils.csv),每行一个 WSI

§3.2 标注方法详解

标注分五个层次执行:

1. ROI 选择:每张 RUMC 和 JB 的 WSI 选取 3 个代表性 ROI (~500×500 um),TCGA 的 WSI 选取数量不等的较小 ROI
2. 组织分区多边形标注:执业乳腺病理学家在 ROI 内用多边形勾画 7 类组织分区
3. 淋巴细胞/浆细胞点标注:病理学家在 ROI 中手动标记淋巴细胞和浆细胞的位置点;然后以每个点为中心构建 8×8 um 固定尺寸边界框 (基于淋巴细胞 ~8 um 平均等效直径的研究)
4. 肿瘤主体粗略标注 (WSIBULK):病理学家在 WSI 级标注包含所有浸润性肿瘤细胞的肿瘤主体区域 (区域内也可能包含非肿瘤细胞和原位肿瘤)
5. 切片级 TILs 评分 (WSITILS):执业乳腺病理学家按国际 TILs 工作组建议 (Salgado et al., 2014) 对每张 WSI 给出 0-100% 的视觉 TILs 百分比评分

标注者: RUMC 和 JB 的标注由多家机构的执业乳腺病理学家专家组执行; TCGA 的标注从公开数据集 BCSS (Amgad et al., 2019) 和 NuCLS (Amgad et al., 2021) 的标注通过类别映射和重标签生成 (详见 §4.2)。

§3.3 组织分区类别体系

类别编号	类别名称	英文名称	在 TILs 评估中的角色
0	排除区域	exclude	不参与分析
1	浸润性肿瘤	invasive tumor	TILs 评分的背景组织 — TILs 主要在肿瘤的基质区域内评估
2	肿瘤相关基质	tumor-associated stroma	TILs 评估的核心区域 — 国际 TILs 工作组建议 TILs 评分应仅在此区域内计算
3	原位肿瘤	in-situ tumor	DCIS/LCIS,需排除出 TILs 评分区域
4	健康腺体	healthy glands	非肿瘤上皮结构
5	坏死 (非原位)	necrosis not in-situ	非 DCIS 内坏死,含细胞碎片,不参与 TILs 评分
6	炎症基质	inflamed stroma	高密度淋巴细胞浸润的肿瘤相关基质 — TILs 评分的视觉热区,可与类别 2 合并用于 TILs 计算
7	其他	rest	健康基质/红细胞/脂肪/皮肤/乳头等

TIGER 类别设计的精妙之处:inflamed stroma (6) 作为独立类别存在,正是因为它从视觉上与普通 tumor-associated stroma (2) 不同 — 高密度的淋巴细胞浸润让这部分基质在 H&E 中呈现独特的蓝紫色染色模式。对于深度学习模型来说,明确标注这种"与众不同的基质"比让模型自行推断 TILs 密度分布要高效得多。

§3.4 数据来源详情

来源	国家	提供 WSI 数	亚型	样本类型	标注方式
TCGA-BRCA	美国 (多机构)	151	仅 TNBC	手术切除 + 活检	BCSS + NuCLS 公开标注的改编 (类别映射)
Radboud UMC (RUMC)	荷兰	26 (WSIROIS) + 其余 WSIBULK/WSITILS	TNBC + HER2+	活检 + 切除	执业乳腺病理学家专家组手动标注
Jules Bordet Institut (JB)	比利时	18 (WSIROIS) + 其余 WSIBULK/WSITILS	TNBC + HER2+	活检 + 切除	执业乳腺病理学家专家组手动标注

注意:WSIBULK (93 WSI) 和 WSITILS (82 WSI) 中部分 WSI 可能来自与 WSIROIS 相同的患者和机构,具体患者级重叠情况未在公开文档中明确 — 如果你需要对患者级划分,这是需要特别注意的限制。

§3.5 地理覆盖与设备规格

维度	详情
机构数	3 家 (TCGA 内部包含多家美国机构)
覆盖大洲	北美洲 (美国) + 欧洲 (荷兰 + 比利时)
扫描仪多样性	中等 — TCGA 来源涉及多个厂商多种扫描仪,但 TIGER 将所有 WSI 统一转换为 TIF 格式并使用一致的 0.5 um/px 重采样
分辨率统一性	是 — 所有 WSI 和 ROI 以 0.5 um/px 交付

§3.10 深度溯源链

┌─────────────────────────────────────────────────────────────────────┐
│ TCGA-BRCA 归档                     RUMC 临床病理档案   JB 临床病理档案│
│ (原始 SVS, 0.25 um/px)             (原始扫描仪格式)    (原始扫描仪格式)│
│       │                                  │                    │     │
│       ├── BCSS (Amgad 2019) ─────────────┤                    │     │
│       │   标注: 组织分区多边形              │                    │     │
│       │                                   │                    │     │
│       ├── NuCLS (Amgad 2021) ─────────────┤                    │     │
│       │   标注: 细胞核分类+位置              │                    │     │
│       │                                   │                    │     │
│       ▼                                   ▼                    ▼     │
│ ┌─────────────┐              ┌─────────────────────────────────────┐ │
│ │ 类别映射+重标│              │   执业乳腺病理学家手动标注              │ │
│ │ BCSS→TIGER  │              │   • 每个 WSI 3 ROI (~500×500 um)    │ │
│ │ NuCLS→TIGER │              │   • 组织分区多边形 + 细胞点标注        │ │
│ └──────┬──────┘              └──────────────┬──────────────────────┘ │
│        │                                    │                        │
│        └──────────────┬─────────────────────┘                        │
│                       ▼                                                │
│           ┌──────────────────────┐                                    │
│           │  TIGER 统一数据格式   │                                    │
│           │  • WSI: TIF 0.5um/px │                                    │
│           │  • 标注: XML + TIF   │                                    │
│           │  • ROI: PNG + COCO   │                                    │
│           └──────────────────────┘                                    │
│                       │                                                │
│                       ▼                                                │
│     AWS Open Data (s3://tiger-training/) + Zenodo (精简版)              │
│                       │                                                │
│                       ▼                                                │
│        9 个开源算法 Docker → Grand Challenge 平台 → 产出 cTILs           │
│                       │                                                │
│                       ▼                                                │
│      Nature Communications 2026 — 3,708 名患者的多队列验证               │
└─────────────────────────────────────────────────────────────────────┘

§4 数据结构详解

§4.0 目录树预览

tiger-training/                                    ← AWS S3 bucket 根目录
│
├── wsirois/                                       ← WSIROIS 子集 (195 WSIs)
│   ├── images/                                    ← WSI 级别的多分辨率 TIF 文件
│   │   ├── TCGA-A1-A0SK-01Z-00-DX1.*.tif         ← TCGA 来源切片
│   │   ├── TC_S01_P000001_C0001_B001.tif          ← RUMC 来源切片
│   │   └── 001S.tif                                ← JB 来源切片 (S=手术切除)
│   └── annotations/                               ← WSI 级别标注
│       ├── tissue-masks/                          ← 组织分区像素级掩码 (TIF)
│       └── tissue-cells-xmls/                     ← 组织分区 + 细胞标注 (XML)
│
├── wsibulk/                                       ← WSIBULK 子集 (93 WSIs)
│   ├── images/                                    ← WSI 级别 TIF 文件
│   └── annotations/                               ← 肿瘤主体粗略标注 (XML)
│
├── wsitils/                                       ← WSITILS 子集 (82 WSIs)
│   ├── images/                                    ← WSI 级别 TIF 文件
│   └── tiger-til-scores-wsitils.csv               ← 每张 WSI 的视觉 TILs 评分
│
└── roi-level-annotations/                         ← ROI 级别精简版 (Zenodo: 2.6 GB)
    ├── images/                                    ← ROI 裁剪图像 (PNG)
    │   └── [slide_name]_[x1,y1,x2,y2].png         ← 文件名中包含 ROI 坐标
    ├── tissue-masks/                              ← 组织分区像素级掩码 (PNG)
    └── cell-annotations/                          ← 细胞检测边界框 (COCO JSON)

§4.1 数据字段清单 (DAIMS 标准化格式)

WSIROIS — WSI 级组织分区标注 (XML/TIF)

字段	数据类型	可选	描述
slide_id	string	—	WSI 文件名,TCGA 格式 TCGA-*,RUMC 格式 TC_S01_P000XXX_*,JB 格式 *\d{3}[BS]
tissue_mask	multiresolution TIF	—	像素值 0-7 对应 8 种组织类别 (不含 0=exclude: 1=invasive tumor, 2=tumor-associated stroma, 3=in-situ tumor, 4=healthy glands, 5=necrosis, 6=inflamed stroma, 7=rest)
tissue_polygons	XML (ASAP 2.0)	—	各组织分区的多边形顶点坐标,与像素掩码等价
cell_bboxes	XML (ASAP 2.0)	—	淋巴细胞/浆细胞的固定尺寸 (8x8 um) 边界框,位于 WSI 坐标系
source_institution	categorical	—	TCGA / RUMC / JB
specimen_type	categorical	—	biopsy (ZB) / surgical resection (ZS) — 仅 JB 文件名区分

WSIROIS — ROI 级精简版 (PNG/COCO, Zenodo)

字段	数据类型	可选	描述
roi_image	PNG	—	ROI 区域裁剪图像,0.5 um/px
roi_tissue_mask	PNG	—	ROI 内组织分区像素值,表意同 WSI 级
roi_coco	COCO JSON	—	标准 COCO 格式细胞检测边界框,“Lymphocytes and plasma cells” 为唯一类别 ID
roi_coordinates	文件名编码	—	格式: [slide_name]_[x1,y1,x2,y2].png,坐标相对于 WSI 原点 (0.5 um/px)

WSITILS — TILs 评分 (CSV)

字段	数据类型	可选	描述
slide_id	string	—	WSI 文件名
tils_score	float (0-100)	—	执业乳腺病理学家的视觉 TILs 百分比评分,按国际 TILs 工作组建议
notes	string	是	部分病例含注释,指出视觉评分或机器评分中的潜在陷阱

§4.2 标签分布统计

组织分区类别	在 TIGER 中的分布特征
invasive tumor (1)	所有癌性 WSI 均有,在肿瘤主体内占据主体面积
tumor-associated stroma (2)	围绕在肿瘤巢周围的基质,是 TILs 评分的目标区域
in-situ tumor (3)	主要见于伴有 DCIS 的病例,需排除出 TILs 评分
healthy glands (4)	主要见于手术切除切片的非肿瘤区域
necrosis not in-situ (5)	仅见于高级别肿瘤,面积占比较小
inflamed stroma (6)	在 TILs 高水平病例中面积较大,是区分高/低 TILs 的关键视觉特征
rest (7)	包括脂肪、正常基质、血管等,在每张 WSI 中均存在但不在评估焦点
Lymphocytes and plasma cells	分布密度高度异质,从 <10/mm² 到 >1,000/mm²

§4.5 缺失数据与信息性缺失

缺失类型	影响范围	建议处理
患者人口统计 (年龄/种族/性别)	TIGER 训练集未公开发布患者级元数据	如需人口统计分析,需通过 TCGA GDC 门户获取 TCGA 来源病例的元数据;RUMC/JB 的元数据需另行申请
标注者间一致性 (IAA)	全部标注均无 IAA 报告	组织分区和细胞标注的可靠性主要依赖"执业乳腺病理学家"的权威性,而非统计度量
训练子集间患者重叠	WSIROIS / WSIBULK / WSITILS 之间可能存在患者重叠,详情未在公开文档中明确	如果需要对患者级交叉验证,需根据文件名中的患者 ID 手动去重
标签噪声 (TCGA 改编标注)	TCGA 来源的 151 张 WSI 标注通过 BCSS/NuCLS 类别映射生成,可能比 RUMC/JB 的原始标注有更多噪声	优先在 RUMC+JB 子集上评估模型;如使用 TCGA 数据,考虑标注噪声鲁棒训练策略

§5 数据划分与使用建议

§5.1 官方训练/测试划分

TIGER 采用挑战赛标准的三层划分:

层	目的	WSI 数量	标注可用性
公开训练集	算法开发	~370 (WSIROIS 195 + WSIBULK 93 + WSITILS 82)	全部标注公开可下载
实验性测试集	开发阶段验证 (L1 开放 2022-02, L2 开放 2022-03)	L1: 26 WSI (130 ROI), L2: 200 WSI	通过 Grand Challenge 平台提交 Docker 容器间接获取分数
最终测试集	竞赛最终排名	L1: 38 WSI (149 ROI), L2: 707 WSI	同样通过 Docker 提交,结果在 2022 年 7 月公布

§5.2 数据泄漏风险

风险	严重程度	防护措施
训练子集间患者重叠	中	手动根据 RUMC 文件名中的患者 ID (P000XXX) 和 JB 文件名中的患者 ID (ZZZ) 去重; TCGA 来源的 WSI 通过 TCGA barcode 去重
TCGA 与训练集的机构重叠	低	TCGA 是多机构数据,但 TIGER 使用的 TCGA 数据与原 TCGA-BRCA 归档有明确边界
测试集泄漏	极低	Grand Challenge 的 Docker 提交机制严格隔离测试集 — 参赛算法从未直接访问测试数据

§5.3 推荐划分策略

由于 TIGER 未提供预定义的训练/验证划分,AI 研究者需要自建。以下是推荐策略:

• 机构级交叉验证:确保一个机构的数据完全不在验证集中 (如: RUMC+JB 训练,TCGA 验证,或三折循环) —— 这是评估跨机构泛化性的最严苛测试
• 患者级分层:如果同一患者有多张 WSI (活检+切除),确保所有 WSI 在同一折叠中
• 亚型平衡:确保 TNBC 和 HER2+ 在各折叠中保持大致比例

§5.4 外部验证

TIGER 旗舰论文的 7 个外部验证队列 (n=3,708):

队列	来源	患者数	样本类型	关键特征
G6 (GeparSixto)	III 期临床试验	553	活检	含 TNBC 和 HER2+,评估 pCR 预测
G7 (GeparSepto)	III 期临床试验	617	活检	TNBC 和 HER2+
G8 (GeparOcto)	III 期临床试验	758	活检	TNBC 和 HER2+
NKI	荷兰癌症研究所	218	活检	常规临床实践病例
FinHER	芬兰 III 期试验	303 (切除) + 120 (活检)	切除+活检	手术切除样本上 cTILs 相关性最高
SCDC	单中心	56	活检	小样本探索性队列
DIGITILS	数字化转型	77	活检	TILs 数字化评分专项研究

§6 AI 就绪指南

§6.1 快速开始

# 步骤 1: 下载训练数据 (AWS CLI, 无需账号)
aws s3 cp s3://tiger-training/ ./tiger_data/ recursive no-sign-request

# 步骤 2: 下载 ROI 级精简版 (Zenodo, 适用于快速原型)
# 访问 https://zenodo.org/record/6014422
wget https://zenodo.org/record/6014422/files/roi-level-annotations.zip

# 步骤 3: 安装 WSI 处理工具链
pip install openslide-python  # 读取 TIF WSI 文件
pip install tiatoolbox         # TIAToolbox — 数字病理工具包
pip install pycocotools        # COCO 格式检测标注

# 步骤 4: 验证数据
ls tiger_data/wsirois/images/ | head -5
ls tiger_data/wsirois/annotations/tissue-masks/ | head -5

§6.2 数据获取

渠道	链接	内容	大小	是否需要账号
AWS Open Data	s3://tiger-training/	全部训练数据 (WSI+TIF)	较大 (WSI 通病)	否 — no-sign-request
Zenodo	https://zenodo.org/record/6014422	ROI 级精简版 (PNG+COCO)	2.6 GB	否
Grand Challenge	https://tiger.grand-challenge.org/Data/	数据文档 + 文件结构说明	N/A	否
TIGER GitHub	https://github.com/DIAGNijmegen/pathology-tiger-algorithm-example	算法提交模板 (Docker)	N/A	否
Whole Slide Data	https://github.com/DIAGNijmegen/pathology-whole-slide-data	WSI 读取 Python 包	N/A	否

§6.3 预处理管道

import openslide
import numpy as np
from tiatoolbox import wsicore

def preprocess_tiger_wsi(slide_path, tissue_mask_path=None,
                         target_spacing=0.5, patch_size=512,
                         downsample_at_level=1):
    """
    TIGER WSI 的标准化预处理管道。
    注意: TIGER 数据已统一为 0.5 um/px,但如果需要不同分辨率需重新采样。

    Args:
        slide_path: TIF WSI 文件路径
        tissue_mask_path: 组织分区分割掩码 TIF 文件路径 (可选)
        target_spacing: 目标像素间距 (um/px), TIGER 原生为 0.5
        patch_size: 输出 patch 尺寸 (像素)
        downsample_at_level: 下采样等级 (0 = 原始分辨率 0.5 um/px)

    Returns:
        patch 生成器 (yield numpy array)
    """
    slide = openslide.OpenSlide(slide_path)

    # TIGER 原生为 0.5 um/px, 如需其他分辨率需重新计算 level
    native_spacing = 0.5  # um/px
    if abs(target_spacing - native_spacing) > 1e-6:
        downsample = target_spacing / native_spacing
        # 使用 OpenSlide 的 read_region 进行重采样
        pass

    # 加载组织掩码 (7 类, 值 0-7)
    if tissue_mask_path:
        tissue_mask = openslide.OpenSlide(
            tissue_mask_path) if tissue_mask_path.endswith(''''''''.tif'''''''') else None

    # 使用 TIAToolbox 的 PatchExtractor 提取组织区域 patchs
    slide_reader = wsicore.WSIReader.open(slide_path)
    # ...

    return None  # 示意

§6.4 PyTorch 数据集加载

import torch
from torch.utils.data import Dataset
import openslide
from PIL import Image
import json
import numpy as np
import os


class TIGER_WSIROIS_Dataset(Dataset):
    """TIGER WSIROIS 子集的 PyTorch Dataset。
    返回 (patch_image, tissue_mask, cell_bboxes) 三元组。
    使用 ROI 级精简版 (Zenodo PNG/COCO) 可以避免 WSI 工具链依赖。
    """

    def __init__(self, roi_dir, transform=None, classes=7):
        self.roi_dir = roi_dir
        self.image_dir = os.path.join(roi_dir, ''''''''images'''''''')
        self.mask_dir = os.path.join(roi_dir, ''''''''tissue-masks'''''''')
        self.transform = transform
        self.classes = classes

        # 收集所有 ROI 文件名 (去除坐标后缀取唯一 WSI 标识)
        self.roi_ids = sorted(set(
            ''''''''_''''''''.join(f.split(''''''''_'''''''')[:-4])
            for f in os.listdir(self.image_dir) if f.endswith(''''''''.png'''''''')
        ))

    def __len__(self):
        return len(self.roi_ids)

    def __getitem__(self, idx):
        roi_id = self.roi_ids[idx]
        # 找到该 ROI 的所有坐标片段
        roi_images = sorted(
            [f for f in os.listdir(self.image_dir)
             if f.startswith(roi_id) and f.endswith(''''''''.png'''''''')])
        roi_masks = sorted(
            [f for f in os.listdir(self.mask_dir)
             if f.startswith(roi_id) and f.endswith(''''''''.png'''''''')])

        images = []
        masks = []
        for img_f, mask_f in zip(roi_images, roi_masks):
            img = np.array(Image.open(
                os.path.join(self.image_dir, img_f)).convert(''''''''RGB''''''''))
            mask = np.array(Image.open(
                os.path.join(self.mask_dir, mask_f)))

            if self.transform:
                augmented = self.transform(image=img, mask=mask)
                img = augmented[''''''''image'''''''']
                mask = augmented[''''''''mask'''''''']

            images.append(img)
            masks.append(mask)

        # 合并同 WSI 的多个 ROI
        image = np.concatenate(images, axis=0) if len(images) > 1 else images[0]
        tissue_mask = np.concatenate(masks, axis=0) if len(masks) > 1 else masks[0]

        image = torch.from_numpy(image).float().permute(2, 0, 1) / 255.0
        tissue_mask = torch.from_numpy(tissue_mask).long()

        return image, tissue_mask


class TIGER_COCO_Detection(Dataset):
    """TIGER COCO 格式细胞检测 Dataset。
    针对 ROI 级精简版 (Zenodo) 的 COCO JSON 标注。
    淋巴细胞和浆细胞已合并为单一类别。
    """

    def __init__(self, roi_dir, coco_json_path, transform=None):
        self.roi_dir = roi_dir
        self.image_dir = os.path.join(roi_dir, ''''''''images'''''''')

        with open(coco_json_path, ''''''''r'''''''') as f:
            self.coco = json.load(f)

        self.image_ids = [img[''''''''id''''''''] for img in self.coco[''''''''images'''''''']]
        self.transform = transform

    def __len__(self):
        return len(self.image_ids)

    def __getitem__(self, idx):
        img_id = self.image_ids[idx]
        img_info = self.coco[''''''''images''''''''][idx]
        img = Image.open(
            os.path.join(self.image_dir, img_info[''''''''file_name''''''''])).convert(''''''''RGB'''''''')

        # 获取该图像的标注
        ann_ids = [ann for ann in self.coco[''''''''annotations'''''''']
                   if ann[''''''''image_id''''''''] == img_id]
        boxes = []
        for ann in ann_ids:
            x, y, w, h = ann[''''''''bbox'''''''']  # COCO 格式: [x, y, width, height]
            boxes.append([x, y, x + w, y + h])

        boxes = torch.as_tensor(boxes, dtype=torch.float32)
        labels = torch.ones((len(boxes),), dtype=torch.int64)  # 唯一的 "Lymphocytes and plasma cells" 类

        if self.transform:
            img = self.transform(img)

        return img, {''''''''boxes'''''''': boxes, ''''''''labels'''''''': labels}

§6.5 常见坑点与解决方案

⚠️ 坑点 1: TILs 评分区域的精确定义 — “肿瘤相关基质” vs “炎症基质”

问题:国际 TILs 工作组建议 TILs 百分比应在"肿瘤基质区域"内计算,但这一定义有歧义 — “肿瘤相关基质”(mask=2) 和"炎症基质"(mask=6) 都应纳入 TILs 评分区域。如果模型只在 mask=2 中计算 TILs,会遗漏高密度淋巴细胞区域;如果模型也在非肿瘤区域计算,会严重低估。

症状:模型的 TILs 评分与视觉评分在低 TILs 病例上相关,但在高 TILs 病例 (TILs >30%) 上出现系统性的低估。

解决:

# 正确定义 TILs 评分区域
tils_regionevent-blocked= (tissue_mask == 2) | (tissue_mask == 6)
# 然后在 tils_region_mask 内计算淋巴细胞密度

这是 TIGER 将 inflamed stroma 独立为单独类别的最核心原因。

⚠️ 坑点 2: TCGA 原始分辨率与 TIGER 标注分辨率不匹配

问题:TCGA-BRCA 原始切片扫描于 0.25 um/px (40× 放大倍率),但 TIGER 的所有标注都是基于 0.5 um/px (20×)。如果直接使用原始 TCGA SVS 文件而非 TIGER 转换后的 TIF 文件,标注坐标将完全不匹配。

症状:模型在 TCGA 来源数据上完全不收敛,分割 IoU 接近零。

解决:始终使用 TIGER 提供的 TIF 文件 (0.5 um/px),或在使用原始 SVS 文件时将标注坐标缩放到 0.25 um/px 坐标系 (乘以 2)。

⚠️ 坑点 3: 肿瘤主体区域定义方式严重影响 cTILs 评分质量

问题:TIGER 旗舰论文发现,使用凹包 (concave hull) 方法定义肿瘤主体区域的模型 (radboud, tiager, spotlight, vuno) 在 G8 和 NKI 队列上与病理学家视觉评分出现弱相关。相比之下,使用替代方案定义评分区域的模型 (sri, cellsvision) 表现更优。

症状:模型的 CV 性能 (Dice + FROC) 不错,但 cTILs 评分的临床相关性与预期不符。

解决:

• 优先考虑使用形态学膨胀+凸包或基于注意力的区域生长来定义肿瘤主体
• 避免在自动分割的噪声输出上直接使用凹包
• 参考 sri 或 cellsvision 的替代方案 (两者在 Nature Comms 论文中均有详细描述)

⚠️ 坑点 4: ROI 级别数据到 WSI 级别 TILs 评分的信息损失

问题:TIGER 的 WSIROIS 子集仅在预选的 3 个 ROI 区域有详细标注,但 WSITILS 子集的视觉 TILs 分数是针对整个 WSI 的。如果在 WSIROIS 的 ROI 上训练 TILs 评分模型,然后直接推广到整个 WSI,会因为 ROI 选择的偏倚 (病理学家倾向于选择"代表性"区域) 导致系统性偏差。

症状:在 WSIROIS ROI 上评估的 TILs 分数准确,但在完整 WSI 上与视觉 TILs 分数相关性差。

解决:在全 WSI 推理时,不应仅对 ROI 区域计算 TILs,而应使用 WSIBULK 的肿瘤主体标注来定义评分区域,对整个肿瘤区域进行 TILs 密度估算。TIGER 的 WSIBULK 子集正是为此目的设计的。

⚠️ 坑点 5: H&E 染色变异性与颜色归一化

问题:三家机构 (TCGA/RUMC/JB) 使用的不同扫描仪和染色协议会在图像外观上产生显著差异。如果不做颜色归一化,模型可能学会"识别机构"而非"识别生物学"。

症状:在 RUMC+JB 上训练的模型在 TCGA 上表现明显下降 (或反之)。

解决:

# 使用 TIAToolbox 的 Macenko 染色归一化
from tiatoolbox.tools.stainnorm import MacenkoNormaliser
normaliser = MacenkoNormaliser()
stain_normalised = normaliser.transform(image)

或使用 Vahadane 归一化 (对病理更稳健但计算更慢)。

⚠️ 坑点 6: cTILs 分数未经跨算法校准

问题:TIGER 论文明确指出,不同算法的 cTILs 分数分布不同——即两个算法给出"30%"可能意味着完全不同的生物学阈值 (一个可能高估,一个可能低估)。这意味着无法使用统一的临床截断值 (如 30% 阈值)。

症状:将 TILs-30% 作为 “高/低 TILs” 的二分类阈值,但不同算法得到的结果仅弱相关。

解决:在独立的临床验证队列上针对每个算法确定最佳截断值。不要直接将算法 A 的 30% 与算法 B 的 30% 等同看待。

⚠️ 坑点 7: 训练子集间的潜在患者重叠

问题:WSIROIS、WSIBULK 和 WSITILS 三个子集可能存在患者级别的重叠 (尤其在 RUMC 和 JB 来源的数据中)。如果在训练分割/检测模型时使用了与验证 TILs 评分的患者重叠的数据,会产生信息泄漏。

症状:TILs 评分的验证性能异常高,但在外部测试集上急剧下降。

解决:

# 从 RUMC 和 JB 文件名中提取患者 ID 进行患者级去重
import re
def extract_patient_id(filename):
    # RUMC: TC_S01_P000XXX_C0001_BYYY → P000XXX
    rumc_match = re.search(r''''''''P\d{6}'''''''', filename)
    if rumc_match:
        return rumc_match.group(0)
    # JB: ZZZB 或 ZZZS → ZZZ
    jb_match = re.match(r''''''''^(\d+)[BS]'''''''', filename)
    if jb_match:
        return jb_match.group(1)
    # TCGA: TCGA-XX-XXXX-... → TCGA barcode
    tcga_match = re.match(r''''''''TCGA-\w{2}-\w{4}'''''''', filename)
    if tcga_match:
        return tcga_match.group(0)
    return filename

确保同一患者的所有 WSI 在同一数据划分中。

§6.6 数据增强策略

增强方法	适用性	建议参数
H&E 染色增强 (Macenko/Vahadane)	强推荐	随机采样目标染色矩阵
随机旋转 + 翻转	强推荐	0°-360°, p=0.5 水平/垂直翻转
随机颜色抖动	推荐	亮度±0.1,对比度±0.1,饱和度±0.1
随机仿射变换	谨慎	组织分区标注需同步变换,避免拉伸过度
随机擦除/遮挡	可选	p=0.3, 用于提高对染色伪影的鲁棒性
MixUp/CutMix	可选	用于多机构数据混合,可辅助域泛化

§6.7 模型推荐

模型	架构	适用任务	特点
biototem	Ensemble (Seg+Det)	L1+L2 冠军综合方案	代码开源 (GitHub),预训练权重可获取
TIAger	Efficient-UNet + 级联	分割+检测+TILs 评分	arXiv 论文,代码和权重公开
sri / cellsvision	替代肿瘤区域方案	cTILs 评分 (不含 CV)	在 pCR 预测中表现优异
nnU-Net (自行训练)	nnU-Net 自配置 3D→2D 适配	组织分割 (Dice 基线)	需要自行适配 TIGER 7 类分割
HoverNet	多任务 CNN	细胞核分割+分类 (可适配淋巴细胞)	需要将单类检测改为 TIGER 淋巴细胞/浆细胞检测
UNI / CONCH / Virchow	病理基础模型 (ViT)	特征提取 + 下游微调	2024-2025 年病理基础模型,可用于 TIGER 组织分类或 TILs 预测

§6.8 计算资源需求

任务	GPU	VRAM	典型训练时间	备注
组织分割 (512px patches)	1× A100 或 1× RTX 4090	≥24 GB	8-24 小时	取决于 patch 数
淋巴细胞检测 (COCO)	1× RTX 3090 或以上	≥16 GB	4-12 小时	检测模型相对轻量
全 WSI 推理 (组织分割)	1× RTX 4090	≥24 GB	10-60 分钟/WSI	瓶颈在 I/O 和 patch 拼接
全 WSI 推理 (细胞检测)	1× RTX 3090	≥16 GB	5-30 分钟/WSI	—
仅使用 ROI 级精简版	1× RTX 3060 或以上	≥8 GB	2-6 小时	推荐入门方案

§6.9 评估指标与实现

import numpy as np
from sklearn.metrics import f1_score
from scipy.optimize import brentq
from scipy.interpolate import interp1d

def compute_froc_score(sensitivities, fps_per_mm2, thresholds):
    """
    计算 TIGER L1 的 FROC 分数。
    在预定义的 FP/mm² 阈值处平均敏感度。

    Args:
        sensitivities: 各 FP 阈值的敏感度列表
        fps_per_mm2: FP/mm² 阈值列表 (TIGER 使用 [1, 2, 4, 8, 16])
        thresholds: [10, 20, 50, 100, 200, 300] FP/mm²
    Returns:
        FROC 平均分数
    """
    interp_func = interp1d(fps_per_mm2, sensitivities, kind=''''''''linear'''''''',
                           fill_value=''''''''extrapolate'''''''')
    froc_score = np.mean([
        min(interp_func(t), 1.0) for t in thresholds
    ])
    return froc_score


def dice_score_tumor_stroma(pred_mask, gt_mask):
    """
    TIGER L1 的分割评分: 肿瘤 Dice 和基质 Dice 的平均。

    Args:
        pred_mask: 预测掩码 (值 0-7)
        gt_mask: 真值掩码 (值 0-7)
    Returns:
        weighted_dice: (tumor_dice + stroma_dice) / 2
    """
    # 肿瘤: mask 值 1 (invasive tumor) vs 其余
    tumor_pred = (pred_mask == 1).astype(int)
    tumor_gt = (gt_mask == 1).astype(int)
    tumor_dice = dice_coefficient(tumor_pred, tumor_gt)

    # 基质: mask 值 2 (tumor-associated stroma) + 6 (inflamed stroma) vs 其余
    stroma_pred = ((pred_mask == 2) | (pred_mask == 6)).astype(int)
    stroma_gt = ((gt_mask == 2) | (gt_mask == 6)).astype(int)
    stroma_dice = dice_coefficient(stroma_pred, stroma_gt)

    return (tumor_dice + stroma_dice) / 2


def dice_coefficient(pred, gt, smooth=1e-6):
    intersection = (pred * gt).sum()
    return (2. * intersection + smooth) / (pred.sum() + gt.sum() + smooth)

§7 质量评估与局限性

§7.1 已知偏倚

偏倚类型	影响	缓解方式
亚型选择偏倚	TILs 预后价值主要在 TNBC 和 HER2+ 中得到验证,Luminal 乳腺癌的泛化性未知	如用于 Luminal 亚型,必须补充额外验证
人口偏倚	TCGA 主要来自美国, RUMC/JB 来自西欧,缺乏亚洲、非洲、南美的代表性	部署前需进行本地人群外部验证
染色/扫描仪偏倚	三家机构使用不同的扫描仪和染色协议	建议对所有图像应用 Macenko 或 Vahadane 染色归一化
标注偏倚	TCGA 的标注通过 BCSS/NuCLS 类别映射生成,可能与 RUMC/JB 的原始标注不一致	优先在 RUMC+JB 子集上评估
临床试验人群偏倚	GeparSixto/Septo/Octo 是 III 期临床试验,入排标准筛除了大量现实世界的患者	cTILs 在真实世界中的预后价值可能低于试验队列

§7.2 标签质量

质量维度	评级	说明
执业病理学家标注	★★★★☆	RUMC+JB 由执业乳腺病理学家专家组标注,机构权威性高
标注一致性 (IAA)	⚠️ 未报告	TIGER 公开文档和旗舰论文中未报告 IAA 统计量 (κ 系数或 ICC)
TCGA 改编标注噪声	★★★☆☆	BCSS/NuCLS 的类别映射引入了不可忽视的标注噪声,尤其是 necrosis vs in-situ 和 inflamed stroma vs rest 的边界模糊
细胞标注精度	★★★★☆	8×8 um 固定尺寸边界框基于点标注的中心生成,空间精度较高但固定尺寸可能不完全匹配每个细胞的真实边界

§7.3 泛化性分析

泛化维度	影响	可用数据
跨机构泛化 (US → EU)	中等影响	TCGA (美国)→ RUMC+JB (欧洲) 可验证双向泛化
跨亚型泛化 (TNBC → HER2+)	较小影响	两种亚型均在训练集中,但训练/测试的亚型平衡需人工控制
跨标本泛化 (活检 → 切除)	显著影响	TIGER 论文显示活检上 cTILs 预后价值弱于切除 — 这是临床应用中最大的泛化障碍
跨扫描仪泛化	中等影响	三机构自然提供了一些扫描仪多样性

§7.4 伦理考量

TIGER 数据集涉及已故患者的病理图像。所有图像已去标识化处理,数据集许可为 CC BY-NC 4.0 (仅限非商业用途)。AI 模型在临床部署前必须通过机构伦理委员会的批准,并对不同人口群体的表现差异进行评估。TILs 作为预测性生物标志物的使用可能影响患者是否接受化疗或免疫治疗的患者选择,部署前必须在目标人群中验证。

§7.7 DAIMS 24 项数据就绪度评估

评估总结

评估维度	得分 (/4)	说明
数据来源与收集	3.0	三机构多来源,TCGA+ RUMC+JB,收集过程透明且文档清晰,但训练子集间患者重叠未明确
标注质量	3.0	执业乳腺病理学家专家组 + BCSS/NuCLS 改编,但 IAA 缺失,TBI 改编标注存在映射噪声
数据规模与多样性	3.5	~370 WSI 训练 + 3,708 患者验证,覆盖两大洲三机构,但亚型有限 (仅 TNBC+HER2+) 且 TCGA 占主导
数据划分与防泄漏	3.5	Grand Challenge Docker 提交机制严格隔离测试集,多队列外部验证充分,但训练子集间患者重叠风险需自管控
可及性与文档	3.0	AWS 直接下载 + Zenodo 精简版 + Nature Comms 旗舰论文,但有 IAA 和患者数等关键细节缺失
伦理与合规	2.5	去标识化 + CC BY-NC 4.0,但未明确 IRB 审批细节或 TCGA 数据使用协议在 TIGER 中的适用性

DAIMS 综合得分: 18.5 / 24 — 优秀。

对你意味着什么:

TIGER 是目前公开病理 AI 数据集中任务设计最科学、基准方法最完整、临床验证最深入的之一。双排行榜的设计思想 (CV 性能 + 临床预后) 应该在病理 AI 社区中推广为标准实践。

最大优势:9 个开源基准算法 + 7 个独立验证队列 + 3 项 III 期临床试验的数据,意味着你可以直接比较你的模型与业界最佳方案——而不只是在同一数据集上做消融实验。

核心短板:

1. IAA 缺失:没有标注者间一致性报告,无法量化"金标准"的不确定性
2. 患者数不透明:训练集的确切患者数未公布,TRAIN/VAL 的患者级划分需自行构建
3. 活检预后价值弱:cTILs 在活检样本上的预后价值不明确——这限制了临床应用场景

§7.8 外部验证矩阵

外部数据集/场景	来源	评估任务	关键结果	核心发现
GeparSixto (G6) 队列	III 期临床试验 (n=553)	cTILs pCR 预测	cTILs AUC 0.42-0.87	TNBC 中无单个 cTILs 达显著; HER2+ 中 cTILs 优于 vTILs
GeparSepto (G7) 队列	III 期临床试验 (n=617)	cTILs + 生存分析	部分模型 OS 显著	含活检样本预后分析
GeparOcto (G8) 队列	III 期临床试验 (n=758)	cTILs pCR 预测	弱相关分析方法面临挑战	凹包方法在此队列上表现最差
FinHER	III 期试验 + 芬兰 (n=303)	手术切除 cTILs 相关性	cTILs 与 vTILs 相关系数最高	切除样本上 cTILs 与病理学家最接近
NKI 内部队列	荷兰癌症研究所 (n=218)	常规实践泛化	凹包方法出现弱相关	常规临床环境 (非试验) 是最大的泛化挑战
SCDC	单一中心 (n=56)	探索性	cTILs 和 vTILs 均无显著 pCR 相关性	小样本量难以提供统计显著信号
DIGITILS	专项 (n=77)	TILs 数字化评分	验证平台可行性	数字病理 TILs 评分专项研究

§8 基准性能与生态

§8.1 排行榜

以下结果来自 TIGER 旗舰论文 (van Rijthoven et al., Nature Communications, 2026)。

L1 — 计算机视觉 (最终测试集: 38 WSI / 149 ROI)

排名	团队/算法	肿瘤 Dice	基质 Dice	FROC 分数	综合评分	备注
🥇	biototem	~0.71	~0.75	~0.55	最高综合	产业团队,包揽 L1+L2 双冠军
🥈	TIAger	0.71 (avg)	0.75 (avg)	0.55 (avg)	第二	学术团队,公开代码和权重
🥉	aivis	参与 CV	参与 CV	参与 CV	第三	仅参与 L1

注意:基准论文将最终结果以区间 ([0.03-0.55]) 而非逐团队单项值形式报告。上表中精确值来自 TIAger arXiv 论文中报道的初步结果,最终排名数据来自旗舰论文的 Top-3 声明。所有 L1 Top-3 团队 = biototem / tiager / aivis。

L2 — 临床预后 (最终测试集: 707 WSI)

排名	团队	cTILs-vTILs ρ	pCR AUC (HER2+)	C-index (TNBC OS)	备注
🥇	biototem	Top-3 (0.61 avg)	Top	显著 (p<0.001)	产业,双冠军
🥈	sri	Top-3 (0.61 avg)	优于 vTILs	显著 (部分队列)	替代肿瘤区域方案
🥉	cellsvision	Top-3 (0.61 avg)	Top	G7 OS 显著	替代肿瘤区域方案

关键对比: cTILs vs 视觉 TILs (vTILs) — 全模型范围

指标	cTILs (9 个模型)	vTILs (病理学家)	优者
与病理学家视觉评分的 Spearman ρ	0.61 (avg) [0.26-0.85]	1.0 (参考标准)	—
HER2+ pCR 预测 AUC	[0.52-0.78]	[0.55-0.65]	cTILs ✅
TNBC RESDFI C-index	[0.71-0.72] vs 基线 0.70	N/A	cTILs 微弱改善
TNBC RESOS C-index	[0.73-0.74] vs 基线 0.72	N/A	cTILs 微弱改善

§8.2 SOTA 演进

时间	方法/团队	关键指标	突破
2022-01	TIGER 训练集发布	—	第一个 TILs 专用多源标注数据集
2022-07	biototem (最终)	包揽 L1+L2 双冠军	证明了分割+检测+预后的一体化可行性
2022-08	TIAger (arXiv)	Dice 0.791, FROC 0.572, C-index 0.719	公开代码和权重的首个开源基准
2023-2025	sri / cellsvision / didsr	cTILs 超越 vTILs (HER2+ pCR)	首次证明 AI TILs 在特定场景下优于人工评分
2026-05	TIGER consortium (Nature Comms)	3,708 患者多队列验证	挑战赛结果获得最高级别学术认可

§8.3 评估协议

• L1 分割:肿瘤 vs 背景 Dice + 基质 (tumor-associated stroma + inflamed stroma) vs 背景 Dice,两项平均
• L1 检测:FROC 分数 — 在 6 个预定义 FP/mm² 阈值 ([10, 20, 50, 100, 200, 300]) 处平均敏感度
• L1 检测命中标准:预测细胞必须在手动标注的 4 um 内 (2D Euclidean 距离)
• L2 预后:多变量 Cox 回归的 C-index (含临床协变量: 年龄、形态亚型、分级、分子亚型、分期、手术、辅助治疗)
• L2 评分区域:在肿瘤主体区域 (WSIBULK 标注) 内计算 TILs 百分比

§8.4 相关数据集

数据集	与 TIGER 的关系	关键区别
TCGA-BRCA	TIGER 的 TCGA 来源数据源自 TCGA-BRCA 归档	TCGA-BRCA 是基因组学项目,TIGER 是为 AI TILs 专项构建
Camelyon16/17	同属 Grand Challenge 病理挑战赛,但任务是淋巴结转移检测	不同病种 (乳腺癌转移),不同标注任务
BCSS / NuCLS	TIGER 中 TCGA 标注的来源	BCSS 为组织分区,NuCLS 为 24 类细胞核,均被重新映射到 TIGER 7 类
PANDA	另一项乳腺癌病理挑战赛 (前列腺癌),但任务是 Gleason 分级	不同癌症,不同临床任务
MIDOG	数字病理域泛化挑战赛	不同病种 (多种肿瘤),不同任务 (有丝分裂检测)

§8.7 生态快照

TIGER 生态全景
│
├── 数据层
│   ├── AWS Open Data (s3://tiger-training/) — 免费公开,无需注册
│   ├── Zenodo (ROI 精简版 2.6 GB, DOI: 10.5281/zenodo.6014422)
│   └── Grand Challenge 平台 (测试集托管 + Docker 评估)
│
├── 基准模型层 (全部开源)
│   ├── biototem (双冠军, GitHub: biototem/TIGER_challenge_2022)
│   ├── TIAger (开源, GitHub: adamshephard/TIAger, Efficient-UNet)
│   ├── sri / cellsvision / didsr / vuno / radboud / aivis / spotlight (GitHub / Docker)
│   └── DIAG 基线模板 (pathology-tiger-algorithm-example)
│
├── 工具层
│   ├── pathology-whole-slide-data — DIAG 开发的 WSI Python 包
│   ├── TIAToolbox (TIA Centre) — 数字病理深度学习工具包
│   ├── OpenSlide / ASAP — WSI 可视化与标注
│   ├── Grand Challenge API — 自动化 Docker 提交与结果获取
│   └── AWS CLI — 训练数据下载入口
│
├── 评估层
│   ├── Grand Challenge 自动评估引擎 (隐藏测试集)
│   ├── unicorn_eval toolkit (UNICORN — 后续扩展评估)
│   └── 7 个外部验证队列 (III 期试验 + 临床实践)
│
└── 社区与出版物
    ├── Nature Communications 2026 — 旗舰论文
    ├── medRxiv 2025 — 预印本
    ├── Grand Challenge 论坛 — 社区技术支持
    ├── 8 个 GitHub 仓库 — 全部获奖算法开源
    └── UNICORN Challenge — 后续扩展项目 (含 TIGER 作为预训练数据集)

§8.5 关键论文

论文	引用
1. TIGER 旗舰论文 — van Rijthoven M, Aswolinskiy W, Tessier L et al. (TIGER consortium). “Analysis of computational tumor-infiltrating lymphocytes in breast cancer from the results of the TIGER challenge.” Nature Communications, 17, 2026.	DOI: 10.1038/s41467-026-72956-x
2. TIAger — Shephard A, Jahanifar M, Wang R et al. “TIAger: Tumor-Infiltrating Lymphocyte Scoring in Breast Cancer for the TiGER Challenge.” arXiv:2206.11943, 2022.	arXiv: 2206.11943
3. BCSS — Amgad M, Elfandy H, …, Cooper LAD. “Structured crowdsourcing enables convolutional segmentation of histology images.” Bioinformatics, 35(18), 2019.	DOI: 10.1093/bioinformatics/btz083
4. NuCLS — Amgad M, Atteya LA, …, Cooper LAD. “NuCLS: A scalable crowdsourcing, deep learning approach and dataset for nucleus classification, localization and segmentation.” GigaScience, 11, 2022.	DOI: 10.1093/gigascience/giac037
5. TILs 工作组建议 — Salgado R, Denkert C, …, Loi S. “The evaluation of tumor-infiltrating lymphocytes (TILs) in breast cancer: recommendations by an International TILs Working Group 2014.” Annals of Oncology, 26(2), 2015.	DOI: 10.1093/annonc/mdu450

§9 相关资源与引用

§9.1 BibTeX

@article{rijthoven2026tiger,
  title={Analysis of computational tumor-infiltrating lymphocytes in breast
         cancer from the results of the {TIGER} challenge},
  author={van Rijthoven, Mart and Aswolinskiy, Witali and Tessier, Leslie
          and {TIGER consortium}},
  journal={Nature Communications},
  volume={17},
  year={2026},
  doi={10.1038/s41467-026-72956-x}
}

@article{shephard2022tiager,
  title={{TIAger}: Tumor-Infiltrating Lymphocyte Scoring in Breast Cancer
         for the {TiGER} Challenge},
  author={Shephard, Adam and Jahanifar, Mostafa and Wang, Ruoyu and
          Dawood, Muhammad and Graham, Simon and Sidlauskas, Kastytis and
          Khurram, Syed Ali and Rajpoot, Nasir and Raza, Shan E Ahmed},
  journal={arXiv preprint arXiv:2206.11943},
  year={2022}
}

@article{salgado2015tils,
  title={The evaluation of tumor-infiltrating lymphocytes ({TILs}) in breast
         cancer: recommendations by an {International TILs Working Group} 2014},
  author={Salgado, Roberto and Denkert, Carsten and Demaria, Sandra and
          Sirtaine, Nicolas and Klauschen, Frederick and Pruneri, Giancarlo
          and Wienert, Stephan and Van den Eynden, Gert and Baehner,
          Frederick L and Penault-Llorca, Fr{\''''''''e}d{\''''''''e}rique and others},
  journal={Annals of Oncology},
  volume={26},
  number={2},
  pages={259271},
  year={2015},
  publisher={Elsevier}
}

§9.2 官方资源

资源	链接
TIGER 挑战赛主页	https://tiger.grand-challenge.org/
训练数据 (AWS)	https://registry.opendata.aws/tiger/
ROI 精简版 (Zenodo)	https://zenodo.org/record/6014422
算法提交模板 (GitHub)	https://github.com/DIAGNijmegen/pathology-tiger-algorithm-example
WSI 数据处理 Python 包	https://github.com/DIAGNijmegen/pathology-whole-slide-data
TIAger 代码+权重	https://github.com/adamshephard/TIAger
biototem 冠军方案	https://github.com/biototem/TIGER_challenge_2022
TIGER 旗舰论文 (Nature Comms)	https://www.nature.com/articles/s41467-026-72956-x
旗舰论文预印本 (medRxiv)	https://doi.org/10.1101/2025.02.28.25323078
Grand Challenge 论坛 (技术支持)	https://grand-challenge.org/forums/forum/tiger-601/

§9.3 社区资源与教程

资源	描述
TIAToolbox 教程	https://github.com/TIA-Lab/TIAToolbox — 数字病理完整工具链,含分割/检测/染色归一化
DIAG 计算病理学组	https://www.computationalpathologygroup.eu/ — TIGER 发起机构的全部出版物
UNICORN Challenge	https://unicorn.grand-challenge.org/ — TIGER 精神继承者,扩展至 17 项病理 AI 任务

§10 AI 使用声明卡

§10.1 AI 内容生成声明

本条目的以下内容由 AI 辅助撰写:

• 代码示例的初始框架 (§6.3-§6.5)
• DAIMS 评估表 (§7.7) 的构建
• 英文关键词的提取

§10.2 人类审核内容

以下内容由人工执行事实核对和编辑:

• 所有数字 (WSI 数、患者数、标注类别、Dice/FROC/C-index 数据)
• 排行榜排名和结果 (与 Nature Communications 旗舰论文逐条核对)
• 医学事实描述 (ICD-11/SNOMED CT 映射)

§10.3 输入来源

本条目的撰写基于以下输入:

1. van Rijthoven et al., Nature Communications, 2026 — TIGER 旗舰论文
2. TIGER 挑战赛官方网站 Data 页面 (https://tiger.grand-challenge.org/Data/)
3. TIGER AWS Open Data Registry 页面 (https://registry.opendata.aws/tiger/)
4. TIGER Zenodo 数据页面 (https://zenodo.org/record/6014422)
5. TIGER Grand Challenge Rules / Evaluation / Timeline 页面
6. TIAger arXiv 论文 (Shephard et al., 2022)
7. Shephard et al. arXiv 2311.06185 (TILs 评分 pipeline)
8. biototem GitHub 仓库 (TIGER_challenge_2022)
9. Nature Comms 论文中的补充表格和图表
10. Salgado et al., Annals of Oncology, 2015 (国际 TILs 工作组建议)
11. BCSS (Amgad et al., 2019) 和 NuCLS (Amgad et al., 2021) 原始论文
12. TIGER Grand Challenge 论坛帖子
13. DagsHub TIGER 镜像页面

§10.4 人工验证清单

验证项	状态
7 类组织分区类别编号准确且与官方文档一致	✅
WSI 数量 (WSIROIS 195 / WSIBULK 93 / WSITILS 82) 与 Nature Comms 2026 一致	✅
双排行榜评估指标定义 (L1 Dice+FROC, L2 C-index) 与官方 Rules 页面一致	✅
旗舰论文生态数据 (3,708 患者 / 7 验证队列) 与 Nature Comms 补充数据一致	✅
TIAger 性能数据 (Dice 0.791, FROC 0.572, C-index 0.719) 与 arXiv 2206.11943 一致	✅
排行榜 Top-3 团队名称 (biototem / tiager / aivis L1; biototem / sri / cellsvision L2) 与旗舰论文声明一致	✅
ICD-11 和 SNOMED CT 编码逐条校验	✅

§10.5 最后人工审核

2026-07-29 — 千方病案医学编辑部交叉审核。

页面状态: published — 全部内容已完成审核并发布。