PANDA挑战赛（前列腺癌分级评估）

Name: PANDA挑战赛（前列腺癌分级评估）
Creator: OpenDataLab

前列腺癌分级评估 (PANDA) 挑战熊猫挑战赛已经结束。我们目前正在更新网站。每年报告的新诊断超过100万例，前列腺癌 (PCa) 是全球男性中第二大最常见的癌症，每年导致350,000例以上的死亡。降低死亡率的…

OpenDataLab

2026-07-12 更新

医学影像前列腺癌病理学全幻灯片图像格里森分级深度学习多中心

基本信息

模态

医学影像

大小

192.09 GB

数据量

21135

创建/更新时间

2026-07-12

资源简介

PANDA挑战赛（前列腺癌分级评估）

【一句话概览】

熊猫挑战赛已结束，网站正在更新。前列腺癌是全球男性第二大常见癌症，每年新诊断超100万例，死亡超35万例，降低死亡率的关键是更精确的诊断。诊断基于前列腺组织活检的格里森分级，但病理学家间存在观察者间差异。本挑战旨在开发检测前列腺组织样本图像中前列腺癌并估计疾病严重程度的模型，使用格里森分级上最广泛的多中心数据集。训练集包括约11000张来自两个中心的数字化H&E染色活检全幻灯片图像，是最大的公共全幻灯片图像数据集，约为CAMELYON17的8倍，并提供完整诊断活检图像（来源 opendatalab.org.cn）。

【数据集背景】

本数据集源站标题为《The PANDA challenge》。

【数据内容】

源站原始描述：前列腺癌分级评估 (PANDA) 挑战熊猫挑战赛已经结束。我们目前正在更新网站。每年报告的新诊断超过100万例，前列腺癌 (PCa) 是全球男性中第二大最常见的癌症，每年导致350,000例以上的死亡。降低死亡率的关键是开发更精确的诊断方法。PCa的诊断基于前列腺组织活检的分级。这些组织样本由病理学家检查，并根据格里森分级系统进行评分。在这个挑战中，您将开发用于检测前列腺组织样本图像上的PCa的模型，并使用格里森分级上最广泛的多中心数据集来估计疾病的严重程度。分级过程包括根据肿瘤的结构生长模式发现癌组织并将其分类为所谓的格里森模式 (3、4或5) (图1)。在给活检分配格里森评分后，将其转换为1-5等级的ISUP等级。格里森分级系统是PCa最重要的预后指标，ISUP分级在决定如何治疗患者时起着至关重要的作用。既有癌症缺失的风险，也有导致不必要治疗的过度风险。但是，该系统在病理学家之间存在明显的观察者间差异，从而限制了其对个别患者的有用性。评分的这种差异可能导致不必要的治疗，或者更糟的是，错过了严重的诊断。自动化深度学习系统在准确分级PCa方面显示了一些希望。最近的研究，包括由主…

中文译文（机器翻译，仅供快速理解，请以原文为准）：前列腺癌分级评估 (PANDA) 挑战赛已结束。我们目前正在更新网站。每年报告的新诊断超过100万例，前列腺癌 (PCa) 是全球男性中第二大最常见的癌症，每年导致350,000例以上的死亡。降低死亡率的关键是开发更精确的诊断方法。PCa的诊断基于前列腺组织活检的分级。这些组织样本由病理学家检查，并根据格里森分级系统进行评分。在这个挑战中，您将开发用于检测前列腺组织样本图像上的PCa的模型，并使用格里森分级上最广泛的多中心数据集来估计疾病的严重程度。分级过程包括根据肿瘤的结构生长模式发现癌组织并将其分类为所谓的格里森模式 (3、4或5) (图1)。在给活检分配格里森评分后，将其转换为1-5等级的ISUP等级。格里森分级系统是PCa最重要的预后指标，ISUP分级在决定如何治疗患者时起着至关重要的作用。既有癌症缺失的风险，也有导致不必要治疗的过度风险。但是，该系统在病理学家之间存在明显的观察者间差异，从而限制了其对个别患者的有用性。评分的这种差异可能导致不必要的治疗，或者更糟的是，错过了严重的诊断。自动化深度学习系统在准确分级PCa方面显示了一些希望。最近的研究，包括由主持这一挑战的小组独立进行的两项研究，表明这些系统可以实现病理学家水平的表现。然而，这些系统/结果没有在规模上使用多中心数据集进行测试。您在这里的工作将使用格里森分级上最广泛的多中心数据集来改进这些工作。训练集包括大约11,000张来自两个中心的数字化H & E染色活检的全幻灯片图像。这是可用的最大的公共全幻灯片图像数据集，大约是CAMELYON17挑战的8倍，这是该领域最大的数字病理学数据集之一，也是最著名的挑战。此外，与以前的挑战相反，我们正在提供完整的诊断活检图像。使用相当大的多中心测试集，由专业的uro病理学家分级，我们将评估挑战提交的适用性，以改善这一关键诊断功能。

【主题与分类】

主题标签：前列腺癌、病理学、全幻灯片图像、格里森分级、深度学习、多中心。

【适用方向】

影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。

【获取与许可】

源站页面：https://opendatalab.org.cn/OpenDataLab/The_PANDA_challenge

原始链接

https://opendatalab.org.cn/OpenDataLab/The_PANDA_challenge

访问原始数据

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付，我们提供全链路闭环服务，让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持？联系我们获取定制方案。

帮我联系

下载信息

注册下载

需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。

需登录

公开下载

无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。

暂未开放

有偿下载

公开数据集受托下载与技术交付服务。

提供高速下载与技术交付服务（收技术服务费，非数据销售）

暂未开放

当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。

使用方式

数据集获取

源站：https://opendatalab.org.cn/OpenDataLab/The_PANDA_challenge

标准获取流程：

访问源站链接，注册/登录账号；
进入数据集详情页，按页面指引申请权限或直接下载；
部分平台提供 SDK，例如：
- OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
- ModelScope: pip install modelscope 后 modelscope download
- 天池: 登录后页面提供直链下载
  以源站「数据下载/使用文档」页面为准。

数据集大小约 192.09 GB。

数据说明

该数据集用于前列腺癌分级评估挑战，包含约11,000张来自两个中心的数字化H&E染色活检全切片图像，任务为基于格里森分级系统检测前列腺癌组织并评估疾病严重程度，是最大的公开全切片图像数据集之一。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别