多中心乳腺细针穿刺细胞学数据集

该数据集是由印度医学研究理事会主导的多中心乳腺细针穿刺细胞学（FNAC）全玻片图像资源，旨在支持基于C1-C5报告类别的AI辅助斑块分类研究。数据集包含来自321名患者的470张全玻片图像，其中190张采用巴氏染色、280张采用梅-格-吉姆萨染色，通过高分辨率扫描生成NDPI格式，并从中提取出7,398个经专家验证的PNG图像斑块，涵盖C1至C5所有诊断类别。其创建过程遵循严格的多中心前瞻性队列研究协议，包括样本采集、玻片数字化、质量控制和专家标注等环节，确保了数据的多样性和临床相关性。该数据集主要应用于数字细胞病理学领域，旨在解决乳腺FNAC诊断中标准化不足和AI模型训练数据稀缺的问题，为开发可靠的斑块级分类算法提供关键资源。This dataset is a multicenter whole-slide image resource of breast fine-needle aspiration cytology (FNAC) led by the Indian Council of Medical Research (ICMR), aiming to support AI-assisted patch classification research based on the C1-C5 reporting categories. The dataset contains 470 whole-slide images from 321 patients, among which 190 are stained with Papanicolaou (Pap) stain and 280 with May-Grunwald-Giemsa (MGG) stain. Generated in NDPI format via high-resolution scanning, these images are extracted into 7,398 expert-validated PNG image patches covering all diagnostic categories from C1 to C5. Its development follows a strict multicenter prospective cohort study protocol, including procedures such as sample collection, slide digitization, quality control and expert annotation, which ensures the data's diversity and clinical relevance. This dataset is primarily applied in the field of digital cytopathology, aiming to address the issues of insufficient standardization and scarcity of training data for AI models in breast FNAC diagnosis, providing a key resource for developing reliable patch-level classification algorithms.

搜集汇总

数据集介绍

构建方式

乳腺癌细针穿刺细胞学检查作为早期诊断的重要手段，在资源有限地区尤为关键。该数据集采用前瞻性多中心队列研究设计，汇聚了印度19家三级医疗中心在2023年5月至2026年3月间收集的321例患者的470张全切片图像。所有切片均使用同一型号的Hamamatsu NanoZoomer S360扫描仪以40倍放大率、0.25微米/像素的空间分辨率进行数字化，并直接保存为NDPI格式。其中190张采用巴氏染色，280张采用May–Grünwald–Giemsa染色。病理专家首先在QuPath软件中手工框选具有诊断意义的区域，生成GeoJSON格式的矩形标注文件，随后严格按照Yokohama系统C1-C5报告分类标准对提取的7,398个图像块进行独立标注，并由资深病理学家进行二次复核验证，最终形成带有专家验证标签的数据集。

特点

该数据集具有鲜明的多中心特质，其图像来源于不同地域的医疗中心，涵盖了广泛的年龄范围（12至90岁）和多样化的细胞形态学表现，有效反映了真实临床实践中患者群体、样本制备、染色特征及细胞量的异质性。数据集在结构上实现双重可用性：既提供完整的全切片图像用于全局分析，也提供从诊断相关区域精确提取的图像块，并以patch-level和WSI-level双层注释建立可追溯关联。然而，数据集中C1类别（仅33个图像块）与C2、C5类别之间存在显著的类别不平衡，且C3（478个）、C4（402个）等诊断模糊类别也保持了代表性，这为研究不均衡分类和灰区病变识别提供了宝贵素材。此外，由于矩形标注框根据诊断区域自适应确定尺寸，提取的图像块大小不一，保留了原生细胞学内容的结构特征。

使用方法

研究人员可直接利用patches/目录下的7,398个PNG格式图像块进行斑块级分类模型的训练与评估，图像块文件名编码了其父级WSI及坐标信息，便于空间定位。GeoJSON标注文件支持将图像块追溯至来源WSI的具体位置，为注意力机制或空间感知模型提供基础。鉴于数据集存在类别不平衡，实验设计时需采用加权损失函数、重采样或合成少数类过采样技术。由于同一患者的多个图像块可能具有相关性，模型评估建议严格按患者级别划分训练、验证和测试集，以避免数据泄露。对于需要固定输入尺寸的深度学习架构，需对可变大小的图像块进行统一调整或填充操作。全部约950 GB的数据通过Zenodo平台发布，并附有完整的元数据文件、数据字典及开源代码仓库，支持数据集解析、可视化及基线模型复现。

背景与挑战

背景概述

乳腺癌是全球女性最常见的恶性肿瘤之一，早期精准诊断对改善预后至关重要。在资源有限地区，细针穿刺细胞学（FNAC）凭借其微创、快速及经济性，仍是评估乳腺病变的核心手段。然而，传统细胞学解读高度依赖病理学家经验，且良性增生、非典型病变及低度恶性病变常呈现重叠的细胞形态学特征，导致诊断标准化困难。为弥合这一鸿沟，印度医学研究委员会与印度理工学院孟买分校等机构于2023年至2026年间，联合19家医学中心构建了多中心乳腺FNAC全切片细胞学数据集。该数据集涵盖321例患者、470张全切片图像及7398个经专家验证的C1–C5分类斑块，旨在为人工智能辅助的斑块级细胞学分类提供标准化基准，推动数字病理学在乳腺细胞学中的临床应用。

当前挑战

该数据集面临的核心挑战之一是解决细胞学诊断的固有模糊性，即C1（不充分）、C3（非典型）与C4（可疑恶性）等类别间的形态学边界模糊，导致斑块级标注需要病理学家与资深病理学家反复审核以达成共识。此外，构建过程中面临多中心间染色方案差异（PAP与MGG染色）、不同医疗中心样本制备与扫描质量控制一致性、以及数据脱敏与合规共享的伦理障碍。数据集的另一个显著挑战是类别高度不平衡，C1类别仅包含33个斑块，而C2（良性）与C5（恶性）分别占据3706与2779个斑块，这要求模型开发时需谨慎处理类别分布偏差。同时，斑块尺寸因诊断区域而异，需设计适应可变输入大小的深度学习流水线，且患者层级的数据划分至关重要，以防止同一患者的斑块泄露导致性能评估失真。

常用场景

经典使用场景

在乳腺癌精准诊断的数字化浪潮中，该数据集为细胞病理学图像分析提供了标准化的C1-C5报告类别基准。其经典应用场景聚焦于面向全切片图像的局部区域级（patch-wise）分类任务，研究人员可基于7,398个专家验证的细胞学图像块，开展从良性到恶性的五分类模型训练。数据集同时提供完整NDPI格式全切片图像、GeoJSON坐标标注及元数据，支持从局部特征学习到全切片诊断推理的层级化研究范式，尤其适用于探索染色差异（PAP与MGG）对模型泛化性能的影响。

衍生相关工作

该数据集的开源发布可催生一系列衍生研究工作：在方法学层面，它推动了针对细胞学图像块大小可变性的自适应深度学习架构设计，以及针对C1（不足）与C2（良性）类别严重不平衡的采样策略研究。在应用层面，它激发了从patch级到slide级的多示例学习模型开发，探索如何从局部病理特征聚合出全切片诊断结论。此外，基于其多中心背景，研究者已开始利用该数据集构建跨染色的域自适应方法，并衍生出细胞学图像的可解释性分析工作，例如通过注意力机制可视化与C3/C4类别相关的关键细胞形态学线索。

数据集最近研究

最新研究方向

在数字病理学与人工智能深度融合的前沿浪潮中，多中心乳腺细针穿刺细胞学数据集（Multi-Center Breast FNAC Cytology Dataset）的发布标志着乳腺癌细胞学诊断迈向标准化与智能化的重要里程碑。该数据集涵盖321例患者的470张全切片图像，并依据国际细胞学会横滨报告系统（C1–C5）提供了7,398个经过专家验证的病理图像块，开创性地实现了基于补丁级别的五分类精细标注。当前研究热点聚焦于利用深度学习模型对C3非典型与C4可疑恶性等界定模糊的中间类别进行精准判别，以辅助临床决策。通过溯源全切片图像与地域性染色异质性数据的开放共享，该数据集为构建鲁棒的、可泛化的AI辅助诊断系统提供了稀缺的跨中心基准，有力推动了乳腺癌筛查中细针抽吸细胞学从主观经验向可量化、可复现的智能化分析范式转型。

相关研究论文

• A Multi Center Breast FNAC Whole-Slide Cytology Dataset for AI-Assisted Patch-Wise Classification Using C1 to C5 Reporting Categories

  印度医学研究理事会·数字健康与数据科学研究国家研究所; 印度理工学院孟买分校·电气工程系; 全印度医学科学院·病理学系; 印度医学研究理事会; Lokmanya Tilak市立医学院和综合医院·病理学系; Pt. B.D. Sharma医学研究生院·生物化学系; Pt. B.D. Sharma医学研究生院·病理学系; 区域医学研究所·病理学系; 拉金德拉医学研究所·病理学系; 政府医学科学研究所; Sawai Man Singh医学院·病理学系; Sawai Man Singh医学院·耳鼻喉科系; 政府医学院和医院·病理学系; 曼迪亚医学科学研究所·病理学系; 全印度医学科学院·病理学和实验室医学系; Amrita医学科学研究所·病理学系; 政府医学院·病理学系; Dr. Balasaheb Vikhe Patil农村医学院·病理学系; 东北英迪拉·甘地区健康与医学科学研究所·病理学系 · 2026年