数据集

数据集列表

1. TCGA

• 下载链接: The Cancer Genome Atlas (TCGA)
• 描述:
  • 模态：多模态（病理全切片 WSI、CT/MRI 影像、基因组 / 转录组测序、临床表型）。
  • 任务：肿瘤分型、分子机制解析、预后预测、药物靶点发现（覆盖癌症全周期研究）。
  • 部位：33 种癌症（肺、乳腺、结直肠、前列腺等），涉及全身多器官。
  • 样本规模：超 11,000 例患者，累计超 20 万份病理 / 影像 / 组学数据。
  • 数据结构：病理 WSI 含 100 + 倍放大切片；影像含 CT（1~5mm 层厚）、MRI（多序列）；组学数据关联基因突变、表达谱。
  • 标注细节：病理由认证病理学家标注（肿瘤区域、分级）；临床标注含分期、生存时间、治疗史。
  • 数据特点：全球最全面癌症多组学数据库，跨模态数据深度关联，支持从分子到表型的整合分析。
  • 应用价值：癌症研究 “黄金标准”，推动精准医疗、药物研发、AI 模型跨癌种泛化能力验证。

2. CocaHis（GDC 版，TCGA 关联）

• 下载链接: GDC - CocaHis
• 描述:
  • 模态：结直肠癌病理全切片（WSI，20×/40× 放大）。
  • 任务：肿瘤区域检测、分化程度分级、淋巴结转移预测。
  • 部位：结直肠肿瘤组织、癌旁组织。
  • 样本规模：关联 TCGA 结直肠癌队列，共 500 + 例患者，含原发灶、转移灶标本。
  • 数据结构：每例 WSI 覆盖完整组织切片（尺寸～100,000×100,000 像素），配套临床分期（TNM）、突变谱（如 KRAS）。
  • 标注细节：病理学家标注肿瘤边界、腺管结构、坏死区；GDC 平台整合基因组数据（如 MSI 状态）。
  • 数据特点：与 TCGA 基因组数据无缝衔接，支持 “病理形态 + 分子特征” 联合分析。
  • 应用价值：结直肠癌精准诊断与预后模型的核心数据，验证 AI 对肿瘤异质性的识别能力。

3. CocaHis（Sciencedirect 版，形态学聚焦）

• 下载链接: Sciencedirect - CocaHis
• 描述:
  • 模态：结直肠癌病理切片（H&E 染色，高分辨率扫描，5×/20× 放大）。
  • 任务：组织学分级（高 / 中 / 低分化）、肿瘤侵袭前沿分析、腺体结构量化。
  • 部位：结直肠肿瘤核心区、侵袭边缘区。
  • 样本规模：100 + 例手术标本，每例含 3~5 个组织块切片。
  • 数据结构：切片含典型病理模式（如腺管紊乱、黏液分泌），配套专家撰写的形态学描述。
  • 标注细节：资深病理学家逐区标注（肿瘤细胞簇、间质反应、淋巴细胞浸润），精度达细胞群级别。
  • 数据特点：聚焦 病理形态学细节，补充 GDC 版的分子数据空白，适合纯影像驱动模型训练。
  • 应用价值：优化结直肠癌组织学分级算法，辅助病理医生快速判断肿瘤恶性程度。

4. BCNB（Breast Cancer Node Binary）

• 下载链接: Grand Challenge – BCNB
• 描述:
  • 模态：乳腺癌淋巴结病理全切片（WSI，H&E 染色，40× 放大）。
  • 任务：淋巴结转移检测（二分类：转移 / 未转移）、微转移灶定位。
  • 部位：腋窝淋巴结（前哨淋巴结为主）。
  • 样本规模：300 + 例淋巴结标本，含 宏转移（>2mm）、微转移（0.2~2mm）、孤立肿瘤细胞（<0.2mm） 三类转移模式。
  • 数据结构：每例 WSI 覆盖完整淋巴结（直径 5~20mm），背景含脂肪、纤维组织，干扰项多。
  • 标注细节：病理学家标记转移灶边界，区分转移类型（单细胞、细胞簇）；提供临床 N 分期作为参考。
  • 数据特点：转移灶异质性极强（大小、形态、分布随机），挑战 AI 小目标检测能力。
  • 应用价值：乳腺癌淋巴结转移自动化诊断的 benchmark，推动术中快速病理评估技术发展。

5. CAMELYON17（经典乳腺癌淋巴结挑战）

• 下载链接: CAMELYON17 Data
• 描述:
  • 模态：乳腺癌淋巴结病理全切片（WSI，H&E，20×/40×，单张尺寸～150,000×150,000 像素）。
  • 任务：淋巴结转移检测（整张 WSI 级二分类）、转移灶分割（可选子任务）。
  • 部位：腋窝淋巴结（含正常、反应性增生、转移淋巴结）。
  • 样本规模：500 + 张 WSI（训练集 300+，测试集 200+），涵盖 阴性淋巴结（无转移）、阳性淋巴结（含转移灶）。
  • 数据结构：阳性 WSI 中转移灶占比极低（<5% 区域），需从大量正常组织中识别异常。
  • 标注细节：专家标注转移灶轮廓，标记 上皮来源癌细胞（区分淋巴细胞、巨噬细胞等干扰细胞）。
  • 数据特点：极不平衡数据（阴性样本占比高）+ 小目标密集（微转移灶多），推动弱监督、少样本学习算法发展。
  • 应用价值：病理 AI 领域的 “ImageNet 级” benchmark，定义了 WSI 分析的技术标准，至今仍用于算法对比。

6. MIDOG2022（显微影像目标检测）

• 下载链接: MIDOG 2022 Dataset
• 描述:
  • 模态：显微病理影像（明场 / 荧光，20×/40×，单张尺寸～2,000×2,000 像素）。
  • 任务：细胞 / 组织异常结构检测（如癌细胞、核异型、病原体）。
  • 部位：乳腺、肺、结直肠等多器官病理切片。
  • 样本规模：1,000 + 张显微图像，含 正常组织、癌前病变、恶性肿瘤 三个阶段。
  • 数据结构：图像来自临床活检标本，含背景噪声（如血细胞、黏液），标注框需包围异常区域。
  • 标注细节：病理学家标记异常区域边界框，分类标签含 细胞类型（腺细胞 / 鳞状细胞）、异常类型（核增大 / 核分裂象）。
  • 数据特点：多器官、多异常类型混合，模拟临床实际诊断场景（一张切片含多种病变）。
  • 应用价值：推动显微病理实时诊断 AI 开发，支持内镜活检、术中快速病理的辅助判读。

7. AGGGC2022（胃癌分级挑战）

• 下载链接: AGGGC 2022
• 描述:
  • 模态：胃癌病理全切片（WSI，H&E，40×，亚洲人群为主）。
  • 任务：组织学分级（高分化、中分化、低分化）、Lauren 分型（肠型 / 弥漫型）。
  • 部位：胃窦、胃体肿瘤组织（含侵袭边缘、肿瘤核心）。
  • 样本规模：400 + 例手术标本，覆盖 早期胃癌（T1）、进展期胃癌（T2-T4）。
  • 数据结构：切片含典型胃癌形态（腺管形成、细胞黏附性、间质浸润），部分伴溃疡、纤维化。
  • 标注细节：日韩病理专家联合标注，分级依据 WHO 胃癌分类标准，Lauren 分型标注明确。
  • 数据特点：亚洲人群胃癌 形态异质性强（肠型 vs 弥漫型差异大），挑战模型跨人群泛化能力。
  • 应用价值：优化胃癌病理分级 AI，辅助制定手术方案（如内镜切除 vs 根治术）。

8. ARCH（华威多组织病理）

• 下载链接: WARWICK ARCH Dataset
• 描述:
  • 模态：多器官病理切片（H&E，10×/20×，含乳腺、结肠、肺、前列腺等）。
  • 任务：组织类型分类（正常 / 肿瘤）、肿瘤亚型识别（如肺腺癌 / 鳞癌）。
  • 部位：乳腺、结肠、肺、前列腺、卵巢等 10 + 器官。
  • 样本规模：5,000 + 张图像（每器官 500 + 例），含 良性病变、恶性肿瘤、癌前病变。
  • 数据结构：图像裁剪自 WSI 的感兴趣区（ROI，尺寸～1,000×1,000 像素），聚焦典型病理模式。
  • 标注细节：华威大学病理团队标注，标签含 器官类型、病变类型、分级 三级结构。
  • 数据特点：跨器官泛化测试金标准，验证模型对不同组织形态的识别能力。
  • 应用价值：训练多器官病理 AI 模型，支持术中快速病理的 “未知组织” 鉴别诊断。

9. BACH（乳腺病理三分类）

• 下载链接: Zenodo - BACH
• 描述:
  • 模态：乳腺病理切片（H&E，20×，ROI 尺寸～1,500×1,500 像素）。
  • 任务：三分类（良性乳腺组织、原位癌、浸润性癌）。
  • 部位：乳腺导管、小叶、间质（肿瘤核心区、边缘区）。
  • 样本规模：400 例患者，每类 100 + 例（良性 120，原位癌 116，浸润癌 164）。
  • 数据结构：ROI 聚焦 病变核心区（如导管内癌的腺管结构、浸润癌的细胞簇），背景含正常乳腺组织。
  • 标注细节：两位病理学家双盲标注，不一致病例经第三方仲裁，标注一致性达 92%。
  • 数据特点：类别边界模糊（原位癌 vs 浸润癌需区分间质侵犯），考验模型对细微结构的判断。
  • 应用价值：乳腺病理 AI 的基础数据集，适合初学者验证分类算法，推动基层医院乳腺癌筛查。

10. CAMEL（多癌种病理 ROI）

• 下载链接: Google Drive - CAMEL
• 描述:
  • 模态：多癌种病理 ROI（H&E，10×/20×，尺寸～1,000×1,000 像素）。
  • 任务：癌种分类（肺、乳腺、结直肠、前列腺）、组织类型识别（肿瘤 / 正常）。
  • 部位：肺（腺癌 / 鳞癌）、乳腺（浸润癌 / 原位癌）、结直肠（腺癌）、前列腺（腺癌）。
  • 样本规模：2,000 + 张 ROI，每癌种 500 + 例，含 正常组织对照（每癌种 100 + 例）。
  • 数据结构：ROI 来自手术标本 WSI 的典型区域（肿瘤巢、腺管、间质），标注癌种和组织类型。
  • 标注细节：病理学家标记 ROI 的 癌种、组织学分级，并备注关键形态学特征（如肺腺癌的黏液分泌）。
  • 数据特点：跨癌种形态对比（如肺腺癌 vs 乳腺腺癌的腺管差异），支持癌种鉴别诊断 AI 开发。
  • 应用价值：训练癌种鉴别模型，辅助病理医生区分转移灶来源（如乳腺转移到肺 vs 原发性肺癌）。

11. LC2500（肺癌病理）

• 下载链接: Academic Torrents - LC2500
• 描述:
  • 模态：肺癌病理全切片（WSI，H&E，40×，肺腺癌、鳞癌为主）。
  • 任务：肿瘤区域分割、组织学分级（高 / 中 / 低分化）、浸润范围评估。
  • 部位：肺肿瘤组织（含中央区、周边浸润区）、癌旁正常肺组织。
  • 样本规模：2,500 + 例手术标本，覆盖 I-IV 期 肺癌，含淋巴结转移病例。
  • 数据结构：WSI 含完整肿瘤切片（尺寸～80,000×80,000 像素），配套临床分期（TNM）、分子亚型（EGFR/ALK 突变）。
  • 标注细节：胸外科病理专家标注肿瘤边界、坏死区、间质浸润深度，标记 气腔播散（STAS） 等预后相关结构。
  • 数据特点：聚焦 肺癌异质性（如腺鳞混合癌、黏液腺癌），支持复杂病理模式的 AI 识别。
  • 应用价值：肺癌病理报告自动化生成的核心数据，验证 AI 对预后因素（如 STAS）的识别能力。

12. MIDOG2021（显微影像挑战首版）

• 下载链接: MIDOG 2021 Dataset
• 描述:
  • 模态：显微病理影像（明场，40×，单张尺寸～1,500×1,500 像素）。
  • 任务：细胞异常检测（如核异型、核分裂象、凋亡小体）。
  • 部位：乳腺、结直肠活检标本（穿刺样本，组织碎片多）。
  • 样本规模：800 + 张图像，含 正常细胞、癌前细胞、癌细胞 三个阶段，模拟穿刺活检的低质量图像。
  • 数据结构：图像含组织碎片、血细胞干扰，标注框需包围单个异常细胞或细胞簇。
  • 标注细节：病理学家标记异常细胞的 类型（核异型 / 分裂象）、位置、严重程度（轻度 / 中度 / 重度）。
  • 数据特点：低质量图像 + 小目标密集（穿刺样本组织破碎），挑战 AI 在临床实际场景的鲁棒性。
  • 应用价值：推动穿刺活检实时 AI 诊断，支持内镜下 “即采即判”，缩短诊断时间。

13. OCELOT（通用病理数据集）

• 下载链接: Zenodo - OCELOT
• 描述:
  • 模态：多癌种病理 ROI（H&E，10×/20×，尺寸～1,000×1,000 像素）。
  • 任务：肿瘤分级（高 / 中 / 低分化）、组织类型识别（上皮 / 间质 / 免疫细胞）。
  • 部位：乳腺、肺、结直肠、前列腺（肿瘤核心、边缘、正常区）。
  • 样本规模：3,000 + 张 ROI，覆盖 5 种癌种、10 种组织学类型，含罕见亚型（如乳腺髓样癌）。
  • 数据结构：ROI 标注 组织学模式（如腺管形成、实性巢、黏液湖），配套分级标签。
  • 标注细节：国际病理团队联合标注，采用 WHO 分类标准，标注争议通过共识会议解决。
  • 数据特点：覆盖罕见病理类型，弥补主流数据集的类型缺口，提升模型泛化性。
  • 应用价值：训练 “全能型” 病理 AI，应对临床中少见、复杂的病理诊断场景。

14. OCELOT 2023（亚细胞挑战）

• 下载链接: OCELOT 2023 Datasets
• 描述:
  • 模态：超高分辨率病理影像（H&E，60×，单张尺寸～5,000×5,000 像素）。
  • 任务：亚细胞结构检测（核仁、核膜、染色质分布）、细胞异型性评分。
  • 部位：乳腺、肺肿瘤组织（聚焦 肿瘤细胞群，排除间质、免疫细胞）。
  • 样本规模：500 + 张高倍图像，每例含 100 + 个肿瘤细胞（手动筛选典型异型细胞）。
  • 数据结构：图像聚焦细胞群，标注单个细胞的 核形态（圆形 / 不规则）、核质比、染色质密度。
  • 标注细节：细胞病理专家逐细胞标注，采用 ISUP 分级标准中的细胞学特征。
  • 数据特点：亚细胞级精度要求（像素级边界），推动病理 AI 从组织级向细胞级、亚细胞级突破。
  • 应用价值：定义病理 AI 的 “微观精度” 标准，支持肿瘤分级、预后预测的精细化分析。

15. Osteo（骨肉瘤影像）

• 下载链接: TCIA - Osteosarcoma
• 描述:
  • 模态：骨肉瘤影像（CT，层厚 1~3mm；X 光，正侧位；部分含 MRI T1/T2 序列）。
  • 任务：肿瘤边界分割（骨内、软组织肿块）、肿瘤体积测量、治疗响应评估（新辅助化疗后）。
  • 部位：长骨（股骨、胫骨、肱骨），聚焦 骨干骺端（骨肉瘤好发部位）。
  • 样本规模：150 + 例患者，含 初诊、新辅助化疗后、复发 三个阶段影像。
  • 数据结构：CT 含骨窗、软组织窗；X 光标记肿瘤骨破坏区；MRI 显示髓内侵犯范围。
  • 标注细节：骨科医生 + 放射科医生联合标注，分割肿瘤的 骨内成分、软组织肿块、坏死区。
  • 数据特点：跨模态融合需求高（骨破坏在 X 光 / CT 明显，髓内侵犯在 MRI 更清晰），挑战多模态算法。
  • 应用价值：骨肉瘤精准诊疗 AI 的核心数据，支持术前规划（肿瘤边界）、疗效评估（坏死率计算）。

16. PAIP2019（胰腺肿瘤首版挑战）

• 下载链接: PAIP 2019
• 描述:
  • 模态：胰腺肿瘤多模态影像（CT，层厚 1mm；病理 WSI，40×）。
  • 任务：肿瘤分割（CT 影像）、病理分级（WSI）、预后预测（多模态融合）。
  • 部位：胰腺头部、体部（肿瘤、周围血管、淋巴结）。
  • 样本规模：100 + 例患者，含 可切除（ borderline resectable）、不可切除 肿瘤。
  • 数据结构：CT 含动脉期、静脉期、延迟期；WSI 含肿瘤核心、边缘、淋巴结转移灶。
  • 标注细节：放射科医生标注 CT 肿瘤边界（区分坏死区、实性成分）；病理学家标注分级（G1-G3）。
  • 数据特点：胰腺肿瘤边界模糊（与周围血管、脂肪分界不清），考验分割算法精度。
  • 应用价值：胰腺肿瘤多模态 AI 的起点，推动 “影像 - 病理 - 临床” 融合分析。

17. PAIP2020（胰腺肿瘤进阶）

• 下载链接: PAIP 2020
• 描述:
  • 模态：胰腺肿瘤多模态（CT、MRI、病理 WSI）+ 临床数据（CA19-9、糖尿病史）。
  • 任务：肿瘤恶性预测（良性肿瘤 / 胰腺癌）、血管侵犯评估（CT 影像）、淋巴结转移预测（病理）。
  • 部位：胰腺、周围血管（肠系膜上动脉 / 静脉）、区域淋巴结。
  • 样本规模：150 + 例，新增 胰腺神经内分泌肿瘤（PNET） 作为良性对照。
  • 数据结构：MRI 含 T1 增强、T2 压脂序列；临床数据关联影像和病理结果。
  • 标注细节：标注血管侵犯程度（0-3 级）、淋巴结转移数，病理区分胰腺癌（导管腺癌）与 PNET。
  • 数据特点：良性 - 恶性鉴别难度高（PNET 与胰腺癌在 CT 上重叠），推动多模态鉴别模型。
  • 应用价值：优化胰腺肿瘤术前诊断，减少不必要的手术（如 PNET 误判为胰腺癌）。

18. PAIP2021（胰腺肿瘤多模态融合）

• 下载链接: PAIP 2021
• 描述:
  • 模态：胰腺肿瘤多模态（CT、PET-CT、病理 WSI）+ 基因组（KRAS 突变、TP53 突变）。
  • 任务：肿瘤分级（基于病理 + 基因组）、预后预测（无病生存期、总生存期）。
  • 部位：胰腺肿瘤、转移淋巴结、远处转移灶（如肝转移）。
  • 样本规模：200 + 例，含 转移性胰腺癌 病例，基因组数据覆盖 10 + 驱动基因。
  • 数据结构：PET-CT 标记肿瘤代谢活性（SUVmax）；WSI 标注肿瘤浸润前沿；基因组关联突变状态。
  • 标注细节：整合病理分级（G1-G3）、基因组突变、临床预后，形成 “多维度标签”。
  • 数据特点：多维度数据深度关联，支持 AI 挖掘 “影像 - 病理 - 基因 - 预后” 的潜在规律。
  • 应用价值：胰腺肿瘤精准预后模型的训练数据，推动个性化治疗方案制定。

19. PAIP23（胰腺肿瘤前沿挑战）

• 下载链接: PAIP 2023
• 描述:
  • 模态：胰腺肿瘤多模态（CT、MRI、病理 WSI、单细胞测序）。
  • 任务：肿瘤微环境分析（免疫细胞浸润、基质含量）、治疗响应预测（新辅助化疗）。
  • 部位：胰腺肿瘤核心、边缘、间质（聚焦 肿瘤微环境区域）。
  • 样本规模：250 + 例，含 新辅助化疗前后配对样本（影像 + 病理 + 单细胞数据）。
  • 数据结构：WSI 标注免疫细胞（CD8+ T 细胞、巨噬细胞）分布；单细胞测序解析细胞亚群。
  • 标注细节：病理学家标记免疫细胞簇、基质纤维区；单细胞数据关联基因表达谱。
  • 数据特点：多组学 + 空间位置关联，挑战 AI 对肿瘤微环境的空间异质性分析。
  • 应用价值：定义胰腺肿瘤 “空间多组学” 分析标准，推动精准免疫治疗方案开发。

20. SICAPv2（结直肠腺癌细胞分割）

• 下载链接: Mendeley - SICAPv2
• 描述:
  • 模态：结直肠腺癌病理显微影像（H&E，40×，单张尺寸～2,000×2,000 像素）。
  • 任务：腺癌细胞分割（区分肿瘤细胞、间质细胞、淋巴细胞）、腺管结构量化。
  • 部位：结直肠肿瘤腺管区、间质区（聚焦 肿瘤细胞群）。
  • 样本规模：500 + 张图像，每例含 100 + 个腺管（正常、异型、坏死腺管）。
  • 数据结构：图像标注单个腺管的边界，区分 完整腺管、破碎腺管、坏死腺管。
  • 标注细节：病理学家逐腺管标注，标记腺管的 分化程度（高 / 中 / 低）、是否侵犯间质。
  • 数据特点：腺管形态复杂（分支、融合、破碎），考验细胞级分割与结构分析能力。
  • 应用价值：结直肠癌病理分级的细胞级分析工具，辅助评估肿瘤侵袭性。

21. CRC-100K（结直肠癌大规模病理）

• 下载链接: Zenodo - CRC-100K
• 描述:
  • 模态：结直肠癌病理 ROI（H&E，20×，尺寸～1,000×1,000 像素）。
  • 任务：肿瘤检测（二分类：肿瘤 / 正常）、组织学分级（高 / 中 / 低分化）。
  • 部位：结直肠肿瘤组织（含绒毛状腺瘤、腺癌）、癌旁正常黏膜。
  • 样本规模：100,000 + 张 ROI，来自 500 + 例患者，覆盖 I-IV 期 结直肠癌。
  • 数据结构：ROI 随机采样自 WSI，含肿瘤核心、边缘、正常区，标注类别和分级。
  • 标注细节：采用 弱监督标注（WSI 级标签映射到 ROI），部分 ROI 经专家复核。
  • 数据特点：超大规模 + 弱监督，适合训练高效 AI 模型，验证数据量对性能的提升极限。
  • 应用价值：结直肠癌 AI 筛查的核心训练数据，支持结肠镜活检的实时辅助诊断。

22. PCam（乳腺癌转移基准）

• 下载链接: GitHub - PCam
• 描述:
  • 模态：乳腺癌病理显微影像（H&E，40×，单张尺寸～96×96 像素，裁剪自 WSI）。
  • 任务：淋巴结转移检测（二分类：转移 / 未转移）。
  • 部位：乳腺癌转移淋巴结的肿瘤细胞簇（聚焦 单细胞 / 小细胞簇）。
  • 样本规模：327,680 张图像（训练集 262,144，测试集 65,536），平衡数据集（转移 / 未转移各半）。
  • 数据结构：图像裁剪自淋巴结 WSI 的转移灶周边，含少量肿瘤细胞或正常淋巴细胞。
  • 标注细节：基于 WSI 级转移标注，自动裁剪 ROI，形成 “细胞级” 二分类任务。
  • 数据特点：极简任务设定（细胞级二分类）+ 标准化数据格式，适合算法快速验证、教学入门。
  • 应用价值：病理 AI 的 “Hello World” 数据集，推动初学者理解病理图像分析的基本逻辑。

23. HistGen（病理生成式数据）

• 下载链接: GitHub - HistGen
• 描述:
  • 模态：生成式病理影像（GAN 合成，H&E 染色风格，尺寸～256×256 像素）。
  • 任务：数据增强（补充真实数据）、模型预训练（学习病理纹理模式）。
  • 部位：模拟乳腺、肺、结直肠肿瘤组织（基于真实病理统计特征合成）。
  • 样本规模：100,000 + 张合成图像，含 正常、肿瘤、癌前 三种组织类型。
  • 数据结构：图像标注合成时的 组织类型、分级参数（如核异型程度、腺管密度）。
  • 标注细节：基于真实病理的形态学统计（核大小、染色强度、间质比例）生成标签，无专家标注。
  • 数据特点：无限扩展 + 可控变量（如调整核异型程度），支持数据增强、对抗训练。
  • 应用价值：解决病理数据稀缺问题，训练鲁棒模型，验证生成式 AI 在病理领域的可行性。

24. PathGen-Instruct（病理多模态大模型）

• 下载链接: GitHub - PathGen-Instruct
• 描述:
  • 模态：多模态病理数据（病理 WSI 裁剪 ROI，1.6M 张；文本指令，1.6M 条）。
  • 任务：病理大模型训练（图文配对，支持 “病理影像→诊断结论” 生成）。
  • 部位：覆盖乳腺、肺、结直肠、前列腺等 10 + 癌种，模拟临床诊断场景。
  • 样本规模：1.6M 对（图像 + 指令），图像来自真实 WSI 裁剪，指令基于病理报告模板生成。
  • 数据结构：图像标注 病理特征（如 “核异型明显”“腺管紊乱”），指令对应诊断结论（如 “考虑浸润性癌”）。
  • 标注细节：指令由病理报告脱敏后生成，图像特征由专家标注，形成 “特征 - 结论” 配对。
  • 数据特点：首个病理图文大模型数据集，推动病理 AI 从 “判别式” 向 “生成式” 升级。
  • 应用价值：训练病理大模型（如 PathGPT），支持自动生成病理报告、回答临床疑问。

25. PathCap（细胞级病理标注）

• 下载链接: Hugging Face - PathCap
• 描述:
  • 模态：病理显微影像（H&E，40×，单张尺寸～2,000×2,000 像素）。
  • 任务：细胞类型分类（肿瘤细胞、巨噬细胞、淋巴细胞、间质细胞）、细胞位置定位。
  • 部位：乳腺、肺肿瘤组织（聚焦 肿瘤 - 免疫细胞相互作用区域）。
  • 样本规模：500 + 张图像，每例含 1,000 + 个细胞（手动标注，平均每图 200 + 细胞）。
  • 数据结构：图像标注每个细胞的 边界、类型、是否与肿瘤接触（肿瘤 - 免疫相互作用）。
  • 标注细节：病理学家 + 免疫组化验证（如 CD3 标记 T 细胞），确保细胞类型标注准确。
  • 数据特点：细胞 - 微环境关联（标记细胞与肿瘤的空间关系），支持肿瘤免疫微环境分析。
  • 应用价值：训练细胞级病理 AI，辅助评估肿瘤免疫浸润程度（如 TILs 评分），指导免疫治疗。

26. OpenPath（开放多癌种病理）

• 下载链接: Google Drive - OpenPath
• 描述:
  • 模态：多癌种病理 WSI（H&E，20×/40×，含乳腺、肺、结直肠、卵巢等）。
  • 任务：癌种分类、肿瘤检测、分级（开放任务，无固定目标，鼓励探索）。
  • 部位：全身多器官，含罕见癌种（如卵巢浆液性癌、胃印戒细胞癌）。
  • 样本规模：1,000 + 张 WSI，来自全球多中心，含 罕见病理类型、特殊染色（如 PAS、弹力纤维染色）。
  • 数据结构：WSI 含完整病历信息（年龄、性别、初步诊断），部分含免疫组化切片。
  • 标注细节：仅提供初步诊断（如 “乳腺浸润癌”），无精细标注，鼓励弱监督 / 自监督研究。
  • 数据特点：开放探索性，适合挖掘新任务（如罕见癌种识别）、验证模型泛化性。
  • 应用价值：推动病理 AI 的 “长尾问题” 研究，减少对常见癌种的过拟合。

27. Quilt-1M（百万级病理数据）

• 下载链接: GitHub - Quilt-1M
• 描述:
  • 模态：多癌种病理 ROI（H&E，10×，尺寸～512×512 像素）。
  • 任务：大规模病理预训练（无监督 / 自监督学习，提取通用病理特征）。
  • 部位：覆盖 20 + 癌种，含正常、肿瘤、癌前组织。
  • 样本规模：1,000,000 + 张 ROI，来自临床归档 WSI，经去标识化处理。
  • 数据结构：ROI 随机采样，无人工标注，仅按癌种粗分类（如 “乳腺”“肺”）。
  • 标注细节：无精细标注，仅癌种级标签（弱监督），适合预训练模型。
  • 数据特点：超大规模 + 弱监督，验证 “数据量→模型性能” 的病理版 scaling law。
  • 应用价值：训练通用病理基础模型（如 PathViT），提升下游任务（如检测、分级）的性能。

28. PathMMU（多模态病理 - 基因）

• 下载链接: Hugging Face - PathMMU
• 描述:
  • 模态：多模态数据（病理 WSI ROI + 基因表达谱 + 临床表型）。
  • 任务：多模态融合分析（病理形态→基因特征预测、预后预测）。
  • 部位：乳腺、肺、结直肠肿瘤组织（聚焦 肿瘤核心区，确保基因与病理区域对应）。
  • 样本规模：1,000 + 例患者，每例含 病理 ROI（10×，512×512）、10 + 基因表达（如 TP53、KRAS）、生存数据。
  • 数据结构：ROI 与基因数据通过病理切片的 显微切割区域 关联，确保空间对应。
  • 标注细节：基因表达经 NGS 验证，病理 ROI 标注肿瘤类型，临床数据含生存时间、治疗史。
  • 数据特点：空间多模态精准关联（病理区域→基因表达），支持 “形态 - 分子” 机制研究。
  • 应用价值：揭示病理形态与基因变异的关联规律，推动精准医疗的 “形态 - 分子” 双轨诊断。

29. Gleason.CNN（前列腺癌分级）

• 下载链接: GitHub - Gleason.CNN
• 描述:
  • 模态：前列腺癌病理 WSI（H&E，20×，含穿刺、根治标本）。
  • 任务：Gleason 分级（Gleason score 3-5，对应分级 1-5 级）、肿瘤侵袭性预测。
  • 部位：前列腺腺泡、间质（聚焦 肿瘤腺泡结构）。
  • 样本规模：500 + 例患者，含 穿刺活检（小标本）、根治术（大标本） 两种类型。
  • 数据结构：WSI 标注 Gleason 分级区域（如 3 级腺泡、4 级筛状结构、5 级实性巢）。
  • 标注细节：病理学家标记 Gleason 分级区域，采用 ISUP 2019 分级标准，区分主要 / 次要分级。
  • 数据特点：分级标准复杂（需评估腺泡形态、间质浸润），考验模型对分级规则的理解。
  • 应用价值：前列腺癌主动监测（AS）的 AI 辅助工具，判断是否需手术干预。

30. MIDOG22（显微影像挑战升级）

• 下载链接: MIDOG 2022
• 描述:
  • 模态：显微病理影像（明场 / 荧光，60×，单张尺寸～3,000×3,000 像素，含 3D 堆叠影像）。
  • 任务：3D 细胞结构检测（如腺体分支、肿瘤细胞簇的三维形态）、动态变化分析（时间序列）。
  • 部位：乳腺、肺活检标本（3D 组织块，模拟立体病理）。
  • 样本规模：1,200 + 张图像（含 200 + 个 3D 堆叠，每堆叠 10 + 层），覆盖 动态培养模型（如类器官）。
  • 数据结构：3D 堆叠影像需重建立体结构，标注 3D 边界框；时间序列影像标记细胞运动轨迹。
  • 标注细节：病理学家 + 细胞生物学家联合标注，标记 3D 结构和动态事件（如细胞分裂）。
  • 数据特点：3D + 动态维度拓展，推动病理 AI 从 2D 静态向 3D 动态分析升级。
  • 应用价值：支持类器官、活体细胞成像的 AI 分析，助力肿瘤机制研究与药物筛选。

31. VALSET（医学影像验证集）

• 下载链接: Zenodo - VALSET
• 描述:
  • 模态：多模态医学影像（CT、MRI、病理 WSI、超声），覆盖 10 + 疾病（癌症、心血管、神经）。
  • 任务：模型泛化性验证（跨模态、跨疾病、跨中心）、公平性评估（不同设备 / 人群）。
  • 部位：全身多部位（肺、脑、心脏、乳腺等）。
  • 样本规模：2,000 + 例，含 多中心（10 + 医院）、多厂商设备（CT/MRI）、多人群（年龄、种族） 数据。
  • 数据结构：影像含不同扫描参数（层厚、序列），病理 WSI 来自不同扫描仪（确保异质性）。
  • 标注细节：采用 跨中心共识标注，减少标注偏倚，标签含疾病类型、分期、严重程度。
  • 数据特点：故意引入异质性（设备、人群、标注），模拟临床真实场景，考验模型鲁棒性。
  • 应用价值：医学 AI 模型的 “压力测试” 平台，确保模型在真实世界的稳定性。

32. NASNetLarge（预训练模型数据）

• 下载链接: Zenodo - NASNetLarge
• 描述:
  • 模态：病理 ROI（H&E，20×，尺寸～224×224 像素，适配 NASNet 输入）。
  • 任务：病理特征预训练（迁移学习，提升下游任务性能）。
  • 部位：乳腺、肺、结直肠肿瘤组织（通用病理区域，无特定部位聚焦）。
  • 样本规模：100,000 + 张 ROI，来自公开数据集（如 TCGA、CAMELYON）的聚合。
  • 数据结构：ROI 经标准化预处理（尺寸、染色归一化），适合直接输入 NASNet 架构。
  • 标注细节：无人工标注，仅用于无监督预训练（学习病理纹理、结构特征）。
  • 数据特点：适配主流预训练模型（NASNet），降低病理 AI 的训练门槛。
  • 应用价值：提供预训练权重，加速下游任务（如检测、分级）的模型收敛，提升小数据集性能。

33. RCdpia（肾癌亚型病理）

• 下载链接: RCdpia Dataset
• 描述:
  • 模态：肾癌病理 WSI（H&E，40×，含透明细胞癌、嫌色细胞癌、乳头状癌）。
  • 任务：肾癌亚型分类（透明、嫌色、乳头状）、Fuhrman 分级（核分级）。
  • 部位：肾脏肿瘤组织（皮质、髓质，区分肿瘤与正常肾组织）。
  • 样本规模：300 + 例，每亚型 100 + 例，含 双侧肾癌、转移性肾癌 病例。
  • 数据结构：WSI 标注亚型区域（如透明细胞的 “富血窦” 结构、乳头状癌的 “纤维血管轴心”）。
  • 标注细节：泌尿病理专家标注，采用 WHO 2016 肾癌分类标准，区分亚型和分级。
  • 数据特点：亚型形态重叠度高（如乳头状癌 1 型 vs 透明细胞癌），考验模型精细分类能力。
  • 应用价值：肾癌精准诊断的 AI 工具，辅助区分亚型（影响治疗方案，如透明细胞癌对免疫治疗更敏感）。

34. CATCH（儿童癌症影像）

• 下载链接: TCIA - CATCH
• 描述:
  • 模态：儿童癌症多模态影像（CT、MRI、X 光）+ 病理 WSI（儿童肿瘤为主）。
  • 任务：肿瘤检测（儿童罕见肿瘤）、分期评估、治疗响应监测。
  • 部位：儿童常见肿瘤部位（脑、肾、肝、骨），含 神经母细胞瘤、Wilms 瘤、横纹肌肉瘤 等。
  • 样本规模：200 + 例儿童患者，含 初诊、治疗中、复发 阶段影像，部分含病理活检。
  • 数据结构：影像含儿童特有的解剖结构（如未发育完全的器官）；病理 WSI 来自穿刺 / 手术标本。
  • 标注细节：儿科肿瘤专家标注，考虑儿童肿瘤的 低侵袭性、形态特殊性（如神经母细胞瘤的菊形团）。
  • 数据特点：儿童肿瘤异质性强 + 样本稀缺，推动罕见病 AI 模型开发。
  • 应用价值：填补儿童肿瘤 AI 数据空白，支持儿科肿瘤精准诊疗，减少辐射暴露（低剂量扫描）。

35. SkinCancer（海德堡皮肤癌）

• 下载链接: Heidelberg SkinCancer
• 描述:
  • 模态：皮肤癌病理 WSI（H&E、免疫组化，40×，含黑色素瘤、基底细胞癌）。
  • 任务：皮肤癌分类（黑色素瘤、基底细胞癌、鳞状细胞癌）、侵袭深度评估（Breslow 厚度）。
  • 部位：皮肤表皮、真皮（聚焦 肿瘤 - 表皮连接区、侵袭前沿）。
  • 样本规模：500 + 例，含 原位癌、侵袭性癌、转移灶，配套临床照片（体表外观）。
  • 数据结构：WSI 关联临床照片（体表位置、颜色），标注肿瘤边界、侵袭深度、卫星灶。
  • 标注细节：皮肤病理专家标注，采用 Breslow 厚度、Clark 分级标准，标记黑色素瘤的 不典型痣细胞。
  • 数据特点：病理 - 临床图像关联（体表→病理），支持多模态皮肤癌诊断。
  • 应用价值：皮肤癌 AI 诊断的 “病理 - 临床” 融合模型，辅助皮肤科医生判断良恶性。

36. MHIST（乳腺病理影像）

• 下载链接: BMIRDS - MHIST
• 描述:
  • 模态：乳腺病理显微影像（H&E，40×，单张尺寸～1,000×1,000 像素，ROI）。
  • 任务：二分类（正常乳腺组织、乳腺癌组织）、组织学模式识别（腺管、小叶）。
  • 部位：乳腺导管、小叶、间质（肿瘤与正常组织的边界区）。
  • 样本规模：1,000 + 张 ROI，来自 100 + 例患者，含 导管原位癌、浸润性癌。
  • 数据结构：ROI 标注 组织学模式（如正常腺管、异型腺管、实性癌巢）。
  • 标注细节：乳腺病理专家标注，区分正常腺管的 双层结构（上皮 + 肌上皮）与癌组织的单层结构。
  • 数据特点：聚焦结构细节（如腺管双层结构），考验模型对细微形态的识别。
  • 应用价值：乳腺病理 AI 的基础训练数据，适合研究 “结构模式→良恶性” 的关联。

37. WSSS4LUAD（肺腺癌弱监督分割）

• 下载链接: WSSS4LUAD Challenge
• 描述:
  • 模态：肺腺癌病理 WSI（H&E，40×，含贴壁型、腺泡型、实体型等亚型）。
  • 任务：弱监督语义分割（仅 WSI 级标签，分割肿瘤区域）、亚型识别。
  • 部位：肺腺癌肿瘤组织（聚焦 不同生长模式的区域，如贴壁型的肺泡结构、实体型的实性巢）。
  • 样本规模：200 + 张 WSI，含 多亚型混合 病例，WSI 级标签为 “肺腺癌”。
  • 数据结构：无像素级标注，仅 WSI 级标签，需模型自动发现肿瘤区域。
  • 标注细节：病理学家提供 WSI 级诊断（“肺腺癌”），无精细标注，模拟临床实际诊断场景。
  • 数据特点：弱监督设定（仅图像级标签），推动少标注、高效的病理分割算法。
  • 应用价值：解决病理标注成本高的问题，验证弱监督学习在病理 WSI 分析中的可行性。

38. LC25000（肺结肠病理）

• 下载链接: GitHub - LC25000
• 描述:
  • 模态：肺、结肠病理 ROI（H&E，20×，尺寸～224×224 像素）。
  • 任务：二分类（肺癌 / 结肠癌 vs 正常组织）、癌种分类（肺癌 vs 结肠癌）。
  • 部位：肺肿瘤、结肠肿瘤、对应正常组织（肺实质、结肠黏膜）。
  • 样本规模：25,000 + 张 ROI，肺癌、结肠癌各 10,000 + 张，正常组织 5,000 + 张。
  • 数据结构：ROI 标注 癌种、组织类型（肿瘤 / 正常），来自手术标本 WSI 的典型区域。
  • 标注细节：病理学家标记 ROI 的癌种和组织类型，确保标签准确。
  • 数据特点：双癌种对比（肺、结肠），支持癌种鉴别诊断 AI 开发。
  • 应用价值：基础癌种鉴别数据集，适合初学者验证分类算法，理解不同癌种的病理形态差异。