在乳腺癌部分病理性淋巴结转移的综合基准数据集
Xitong Ling1, Yuanyuan Lei2, Jiawen Li1
1Shenzhen International Graduate School, Tsinghua University, Shenzhen, 518071, China.
Scientific data
|August 7, 2025
概括
这项研究通过改善整个幻灯片图像 (WSI) 质量和标签来增强Camelyon计算病理学数据集. 这种精细的数据集推动了人工智能开发,以更准确地诊断癌症.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医疗保健中的人工智能
背景情况:
- 来自光学显微镜扫描的整片图像 (WSIs) 对计算病理学 (CPath) 至关重要.
- 人工智能驱动的WSI分析诊断支持正在迅速发展.
- 卡梅里昂数据集被广泛用于基准测试,但需要质量和标签评估.
研究的目的:
- 重新处理和增强Camelyon-16和Camelyon-17数据集,以改善AI基准测试.
- 解决标签质量,可访问性和临床相关性的局限性.
- 升级癌症查任务,并重新评估AI方法.
主要方法:
- 从Camelyon-16和Camelyon-17重新处理了1,399个WSI.
- 删除了低质量的幻灯片和纠正错误的标签.
- 为瘤区域提供专家像素注释,并将任务升级为四个类别 (负,微转移,宏转移,ITC).
主要成果:
- 一个清理和增强的Camelyon数据集,有了改进的注释.
- 重新评估预先训练的病理特征提取器和多重实例学习 (MIL) 方法.
- 建立了一个推进人工智能的基因病理学发展的基准.
结论:
- 增强的Camelyon数据集为计算病理学提供了更强大的基准.
- 改进的注释和任务定义有助于更准确的AI模型开发.
- 这项工作有助于推进AI驱动的数字病理学诊断支持.
