《BMC Research Notes》：PathoTiroid dataset: Indonesian collection (PTIC)—a histopathology image dataset for papillary thyroid carcinoma
编辑推荐：
本研究针对东南亚人群高质量、图像级标注的甲状腺乳头状癌（PTC）病理数据集稀缺的问题，构建了PathoTiroid印尼队列（PTIC）。该数据集包含来自46张全玻片图像的1,006张高分辨率病理图，经多阶段严格验证，分为PTC样和非PTC样两类，旨在为PTC的AI模型开发、评估与基准测试提供可重复利用的资源，推动计算病理学发展。
在人工智能（AI）席卷医疗领域的今天，计算病理学（Computational Pathology）正成为变革癌症诊断与研究的关键力量。然而，这条通往精准医疗的道路并非坦途，尤其是在全球健康研究的大图景下，一个突出的“数据鸿沟”问题日益凸显：绝大多数用于训练和验证AI模型的医学图像数据都来源于北美、欧洲等发达地区的人群，而来自东南亚、非洲等地区的人群数据则严重缺乏代表性。这种偏差可能导致开发的AI模型在特定人群上“水土不服”，诊断性能下降，从而加剧全球健康不平等。具体到甲状腺癌——全球最常见的内分泌恶性肿瘤，其中甲状腺乳头状癌（Papillary Thyroid Carcinoma, PTC）是最主要的亚型——尽管其病理诊断相对成熟，但高质量、图像级别标注的PTC组织病理学数据集，特别是来源于代表性不足人群的数据集，仍然是一块亟待填补的空白。没有这样的数据基石，针对特定人群开发稳健、可重复的AI模型就无异于空中楼阁，阻碍了计算病理学在更广泛人群中的应用与验证。
为了解决这一关键瓶颈，一项发表在《BMC Research Notes》上的研究应运而生。研究人员致力于构建一个专为PTC AI研究设计的、高质量、可重复利用的病理图像数据集，以支持可重复的AI模型开发和基准测试。这项工作的核心成果是“PathoTiroid数据集：印度尼西亚队列（PathoTiroid Dataset: Indonesian Collection, PTIC）”。该研究并非旨在提出一个新的AI算法，而是为整个研究社区打造一个可靠的数据基础设施。通过创建这个经过专家严格验证的数据集，研究团队旨在促进PTC识别AI模型的开发与评估，并为其提供一个有价值的比较基准，从而推动计算病理学，尤其是在服务不足人群中的公平发展。
为了构建这一数据集，研究人员采用了多项关键技术方法。首先，数据采集来源于印度尼西亚的国家转诊医院，确保了数据的临床相关性和地域代表性。核心数据形式为高分辨率数字病理全玻片图像（Whole-Slide Images, WSIs）。研究人员从46张WSIs中提取了总计1,006个高质量的图像区域。最关键的技术环节在于实施了“严格的多阶段验证流程”，这涉及到病理学专家对图像进行逐级审核与标注，其核心目的是最大限度地减少“标注噪声”，从而提升数据集在监督式深度学习应用中的效用。最终，所有图像被结构化地分为“PTC样”和“非PTC样”两大类，为分类任务提供了清晰的监督信号。
数据描述
该部分详细阐述了PTIC数据集的具体构成与属性。数据集是一个经过精心策划和专家验证的PTC组织病理学图像集合，源自从印度尼西亚国家转诊医院获取的样本。其核心规模为1,006张高分辨率图像，这些图像均从46张全玻片图像（WSIs）中提取得来。研究强调了所采用的严格多阶段验证流程，该流程旨在最小化标注噪声，从而增强数据集对于监督式深度学习应用的实用性。在结构上，数据集被组织成两个主要类别，分别对应于PTC样和非PTC样类别。这一设计直接服务于AI模型进行分类训练与测试的根本需求。
目标
该部分明确了创建此数据集的根本目的与研究意义。数据集创建的首要目标是支持在PTC组织病理学研究中实现“可重复的人工智能模型开发与基准测试”。它是作为一个更广泛研究项目的一部分而产生的，该项目专注于构建和评估用于PTC分类的深度学习模型。研究明确指出，此举是为了解决甲状腺癌，特别是那些来自东南亚代表性不足人群的高质量、图像级注释组织病理学数据集可用性方面的特定空白。此外，数据集被设计为可重复用于各种AI下游任务，包括分类、领域适应、染色标准化和甲状腺病理学中的模型可解释性研究。
归纳整个研究，其核心结论是成功构建并发布了PathoTiroid印尼队列（PTIC）数据集。这个数据集通过提供经过严格质量控制的、来自代表性不足地区（东南亚/印尼）的PTC病理图像资源，直接应对了当前AI医疗研究中存在的数据偏见与空白问题。讨论部分强调了该数据集的多重意义：它不仅是开发PTC分类AI模型的宝贵训练与测试资源，更重要的是，它为解决AI模型在不同人群中的泛化能力问题提供了一个关键的研究基准。通过促进在不同数据上进行公平比较，该数据集有望推动开发出更稳健、更公平的AI辅助诊断工具，最终助力于提升全球，特别是医疗服务不足地区的甲状腺癌病理诊断与研究水平。
