数据集名称
TCGA-CRC-DX
Zenodo 题名与官方代码仓库 DeepHistology 的说明文件都使用 TCGA-CRC-DX。CRC-MSI 是按 MSI 任务使用的别名，不是官方名称。
来源Zenodo 记录 3832231 · 标题/页面标题
"Histological image tiles for TCGA-CRC-DX, color-normalized, sorted by MSI status, train/test split"
资源报告
CRC-MSI 资源报告
官方名称 TCGA-CRC-DX · 38 个字段，每个字段附来源原文 · 来源核验于 2026 年 5–6 月
CRC-MSI 在 Zenodo 上的正式名称为 TCGA-CRC-DX（记录 3832231，题名 “Histological image tiles for TCGA-CRC-DX, color-normalized, sorted by MSI status, train/test split”）。它从 TCGA 结直肠癌 H&E 全切片的肿瘤区域裁出图像块，用于微卫星不稳定性（MSI）状态分类，公开为 TRAIN.zip 与 TEST.zip 两个压缩包。图像块边长 256 μm，保存为 512 × 512 像素（0.5 μm/像素），经颜色归一化；每个图像块继承所属患者的 MSI 状态。按压缩包文件清单统计，共 423 名患者、428 张切片、51,918 个图像块。
基础档案
资源类型
数据集
Zenodo 将其登记为数据集；没有挑战赛或基准所具有的提交入口、排行榜、隐藏测试标签或评测协议。
来源Zenodo API record 3832231 · metadata.resource_type / status
"resource_type": {"title": "Dataset", "type": "dataset"}"; ""status": "published""
发布日期
2020-05
取 Zenodo 数据发布日期 2020-05-18。相关论文于 2020 年 10 月刊出，不作为数据发布时间。
来源Zenodo API record 3832231 · metadata.publication_date
"publication_date": "2020-05-18""
数据集主页
DOI 10.5281/zenodo.3832231 指向同一记录。
来源Zenodo 记录 3832231 · canonical / citation_abstract_html_url
"https://zenodo.org/records/3832231"
开放状态
完全开放
Zenodo 标记为公开访问，TRAIN.zip 与 TEST.zip 均可直接下载，无需审批、注册或签署数据使用协议。
来源Zenodo API record 3832231 · metadata.access_right / files
"access_right": "open""; ""key": "TEST.zip""; ""key": "TRAIN.zip""
开放说明
公开内容是 TRAIN.zip 与 TEST.zip 两个压缩包。数据许可为 CC BY 4.0；配套的 DeepHistology 代码仓库使用 MIT 许可，只约束代码。
来源Zenodo 记录 3832231 / Zenodo API record 3832231 / GitHub API jnkather/DeepHistology · rights / access status / license
"The record and files are publicly accessible."; ""license": {"id": "cc-by-4.0"}"; ""name": "MIT License""
论文标题
Clinical-Grade Detection of Microsatellite Instability in Colorectal Tumors by Deep Learning
DOI、PubMed 与 PMC 记录的题名一致。
来源PubMed metadata / DOI metadata · TI / title
"Clinical-Grade Detection of Microsatellite Instability in Colorectal Tumors by Deep Learning."
论文链接
以 DOI 为主入口，可与 PubMed、PMC 页面交叉核对。
来源PubMed metadata · LID
"10.1053/j.gastro.2020.06.021 [doi]"
下载链接
两个压缩包的直接地址：https://zenodo.org/api/records/3832231/files/TRAIN.zip/content 与 https://zenodo.org/api/records/3832231/files/TEST.zip/content。
来源Zenodo API record 3832231 · files / links.self_html
"links": {"self_html": "https://zenodo.org/records/3832231"}"; ""key": "TRAIN.zip""; ""key": "TEST.zip""
引用
@article{Echle_2020, title={Clinical-Grade Detection of Microsatellite Instability in Colorectal Tumors by Deep Learning}, volume={159}, ISSN={0016-5085}, url={http://dx.doi.org/10.1053/j.gastro.2020.06.021}, DOI={10.1053/j.gastro.2020.06.021}, number={4}, journal={Gastroenterology}, publisher={Elsevier BV}, author={Echle, Amelie and Grabsch, Heike Irmgard and Quirke, Philip and van den Brandt, Piet A. and West, Nicholas P. and Hutchins, Gordon G.A. and Heij, Lara R. and Tan, Xiuxiang and Richman, Susan D. and Krause, Jeremias and Alwers, Elizabeth and Jenniskens, Josien and Offermans, Kelly and Gray, Richard and Brenner, Hermann and Chang-Claude, Jenny and Trautwein, Christian and Pearson, Alexander T. and Boor, Peter and Luedde, Tom and Gaisa, Nadine Therese and Hoffmeister, Michael and Kather, Jakob Nikolas}, year={2020}, month=Oct, pages={1406–1416.e11} }由 DOI 返回的正式 BibTeX。
来源DOI content negotiation · application/x-bibtex
"@article{Echle_2020, title={Clinical-Grade Detection of Microsatellite Instability in Colorectal Tumors by Deep Learning}"
数据许可
CC BY 4.0
来源Zenodo API record 3832231 · metadata.license
"license": {"id": "cc-by-4.0"}"
影响力
论文被引 337 次（Crossref）· DeepHistology 代码仓库 68 星 · 统计于 2026-06-27
来源Crossref Works API / GitHub repo page / GitHub repository API · message.is-referenced-by-count / stargazer button aria-label / stargazers_count
"is-referenced-by-count": 337; "68 users starred this repository"; ""stargazers_count": 68"
主要来源
- 数据集主页
- https://zenodo.org/records/3832231（访问于 2026-05-29）
- 论文
- Gastroenterology 159(4)，2020 年 10 月 · doi:10.1053/j.gastro.2020.06.021 · PMID 32562722 · PMC7578071
- 托管记录
- Zenodo 记录 3832231，版本 v1
- 元数据文件
- Zenodo 记录元数据；TRAIN.zip 与 TEST.zip 文件清单；DeepHistology 说明文件（TCGA-CRC-DX 示例目录）；论文补充表 S1（各队列临床病理特征）
补充表 S1 提供 TCGA 子队列的年龄、性别、部位、分期及 BRAF/KRAS 汇总；DeepHistology 说明文件只给出项目表格的结构。
来源Zenodo 记录 3832231 / PubMed metadata / PMC HTML 全文 / GitHub README / Supplementary Table S1 · Published May 18, 2020 | Version v1 / PMID metadata / PMCID block / TCGA-CRC-DX example / clinico-pathological features
"Published May 18, 2020 | Version v1"; "PMID- 32562722"; "PMCID: PMC7578071"; "An example for a possible data structure (project TCGA-CRC-DX) is"; "Table S1: Clinico-pathological features of each cohort."
临床与病理特征
器官
结直肠
补充表 S1 显示 TCGA 子队列同时包含结肠癌（321 例，75.4%）和直肠癌（105 例，24.6%）。
来源Zenodo 记录 3832231 / Supplementary Table S1 · description / cohort table
"These are histological images of colorectal cancer"; "colon cancer ... 321 (75.4%)"; "rectal cancer ... 105 (24.6%)"
肿瘤类型
结直肠腺癌
论文方法部分将 TCGA 子队列描述为结直肠腺癌患者；来源没有公开黏液腺癌等组织学亚型。MSIH / nonMSIH 是分子状态，不属于组织学分型。
来源PMC HTML 全文 · Materials and methods
"We retrospectively collected anonymized H&E stained tissue slides of colorectal adenocarcinoma patients"
主要分类字段
- 官方主任务
- 基于组织学图像块的 MSI 状态分类
- MSI_Status
- MSIH / nonMSIH；每个图像块继承所属患者的 MSI 状态
Zenodo 描述中阴性类写作 NonMSIH，压缩包目录名为 nonMSIH；本报告采用目录名。
来源Zenodo 记录 3832231 / TRAIN.zip 与 TEST.zip 官方 ZIP central directory · description / archive entries
"patients with MSI-H = MSIH; patients with MSI-L and MSS = NonMSIH"; "TRAIN/MSIH"; "TRAIN/nonMSIH"; "TEST/MSIH"; "TEST/nonMSIH"
临床信息
部分可用
| 字段 | 层级 | 取值 |
|---|---|---|
| MSI 状态 | 每名患者，继承到全部图像块 | MSIH / nonMSIH |
| UICC 分期 | 队列汇总 | I 期 67（15.7%）· II 期 154（36.2%）· III 期 133（31.2%）· IV 期 59（13.8%） |
| BRAF | 队列汇总 | 突变 56（13.1%）· 野生型 370（86.9%） |
| KRAS | 队列汇总 | 突变 192（45.1%）· 野生型 234（54.9%） |
只有 MSI 状态落到每个图像块；分期、BRAF、KRAS 只有队列汇总。DeepHistology 说明文件提到的 TCGA-CRC-DX_CLINI.xlsx 与 TCGA-CRC-DX_SLIDE.csv 只给出 PATIENT、FILENAME 等列名，没有公开逐例临床值。
来源Zenodo 记录 3832231 / GitHub README / Supplementary Table S1 · description / example data structure / clinico-pathological features
"all tiles inherited the label of the parent patient"; "CLINI table 'TCGA-CRC-DX_CLINI.xlsx'"; "SLIDE table 'TCGA-CRC-DX_SLIDE.csv'"; "mean age at Dx | 65.6"; "male | 211 (49.5%)"; "Region | US"; "BRAF mutant | 56 (13.1%)"; "KRAS mutant | 192 (45.1%)"
染色
H&E（苏木精-伊红）
论文与 Zenodo 描述均为常规 H&E 染色，未见免疫组化、免疫荧光等其他染色。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"hematoxylin and eosin-stained slides"; "routine H&E histology"
是否罕见病
否
在 Orphanet 罕见病本体（ORDO 4.8）中检索 colorectal adenocarcinoma 与 colorectal cancer，均无精确匹配；近似结果是 Familial colorectal cancer Type X、Hereditary nonpolyposis colon cancer 等遗传性癌症易感综合征，与本数据集的结直肠腺癌范围不对应。
来源OLS4 ORDO ontology metadata / OLS4 ORDO search / OLS4 ORDO term detail · version / search / term detail
"version": "4.8""; ""numFound": 0"; ""label": "Familial colorectal cancer Type X""; ""label": "Hereditary nonpolyposis colon cancer""
罕见病名称
无
来源OLS4 ORDO ontology metadata / OLS4 ORDO search / OLS4 ORDO term detail · version / search / term detail
"version": "4.8""; ""numFound": 0"; ""label": "Familial colorectal cancer Type X""; ""label": "Hereditary nonpolyposis colon cancer""
人口统计
- 地区
- 美国
- 诊断时平均年龄
- 65.6 岁
- 性别
- 男 211（49.5%）· 女 213（50.0%）
- 原发部位
- 结肠 321（75.4%）· 直肠 105（24.6%）
均为补充表 S1 中 TCGA 子队列的汇总统计。来源没有公开种族或民族信息，也没有逐例人口统计文件。
来源Supplementary Table S1 · TCGA cohort statistics
"Region | US"; "mean age at Dx | 65.6"; "male | 211 (49.5%)"; "female | 213 (50.0%)"; "colon cancer | 321 (75.4%)"; "rectal cancer | 105 (24.6%)"
中心
多中心 · 来自 TCGA
论文称 TCGA 为多中心研究，患者主要来自美国；来源未列出具体供样医院。
来源PMC HTML 全文 · Materials and methods
"First, we used the publicly available Cancer Genome Atlas (TCGA, n=616 patients ...), a multicenter study with Stage I to IV patients mainly from the United States of America."
数据规模与格式
数据量
| 患者 | 切片 | 图像块 | |
|---|---|---|---|
| 全部 | 423 | 428 | 51,918 |
| 训练集 TRAIN | 281 | 284 | 19,557 |
| 测试集 TEST | 142 | 144 | 32,361 |
| MSIH | 63 | 64 | 15,002 |
| nonMSIH | 360 | 364 | 36,916 |
按官方压缩包文件清单统计，训练集与测试集之间没有重叠患者。论文补充表 S4 记载 TCGA 队列为 426 名患者，比压缩包多 3 名；描述实际发布的数据时以文件清单为准。
来源TRAIN.zip / TEST.zip 官方 ZIP central directory / Supplementary Table S4 · archive entries / model table
"TRAIN/MSIH"; "TRAIN/nonMSIH"; "TEST/MSIH"; "TEST/nonMSIH"; "TCGA (N=426, 15% MSI)"
存储大小
约 3.36 GB：TRAIN.zip 1,279,103,781 字节，TEST.zip 2,084,051,578 字节
Zenodo 页面标注的 3.13 GB 是同一总量按 1024 进制换算的结果。没有单独的标注或元数据附件。
来源Zenodo 记录 3832231 / Zenodo API record 3832231 · schema.org / files
"contentSize": "3.13 GB""; ""key": "TRAIN.zip", "size": 1279103781"; ""key": "TEST.zip", "size": 2084051578"
有效图像数
51,918 个图像块
可分析的单位是图像块，不是原始全切片；它们来自 428 张切片、423 名患者。
来源TRAIN.zip / TEST.zip 官方 ZIP central directory · archive entries
"TRAIN/MSIH"; "TRAIN/nonMSIH"; "TEST/MSIH"; "TEST/nonMSIH"
数据模态
组织形态图像块
公开内容只有组织病理图像块，MSI 标签体现在目录结构中；没有发布掩膜、ROI 多边形、病理报告或逐例临床表。
来源Zenodo 记录 3832231 / TRAIN.zip 与 TEST.zip 官方 ZIP central directory · description / archive entries
"histological images"; "all tiles inherited the label of the parent patient"; "TRAIN/MSIH"; "TEST/nonMSIH"
数据详情
目录结构为 TRAIN/MSIH、TRAIN/nonMSIH、TEST/MSIH、TEST/nonMSIH，文件名由 TCGA 切片标识和图像块坐标组成，格式为 .jpg。肿瘤区域先由观察者在切片上人工勾画，再切成边长 256 μm 的图像块，保存为 512 像素（0.5 μm/像素），并用 Macenko 方法做颜色归一化。标签规则：MSI-H 为 MSIH，MSI-L 与 MSS 为 nonMSIH。训练集经随机下采样以平衡类别，测试集未下采样。
来源Zenodo 记录 3832231 / PMC HTML 全文 / GitHub README / TRAIN.zip 与 TEST.zip 官方 ZIP central directory · description / Methods / TCGA-CRC-DX example / archive entries
"Tumor tissue was outlined manually"; "cut into tiles of 256 μm edge length, saved as 512 px images"; "All image tiles were color-normalized with the Macenko method"; "TRAIN/MSIH"; "TEST/nonMSIH"
图像格式
图像块 · .jpg · 512 像素 · 0.5 μm/像素
原始全切片为 SVS 格式（补充表 S1），公开的是由其裁出的 JPG 图像块；扫描倍率未注明。
来源PMC HTML 全文 / Supplementary Table S1 / TRAIN.zip 与 TEST.zip 官方 ZIP central directory · Methods / cohort table / archive entries
"saved at a resolution of 0.5 μm per pixel"; "512×512x input layer"; "WSI format ... SVS"; ".jpg"
标本制备
未说明
来源只说明每名患者至少有一张组织切片、覆盖 I–IV 期，没有注明 FFPE、冰冻、活检或手术切除。
来源PMC HTML 全文 / Supplementary Table S1 · Materials and methods / cohort table
"For each patient, at least one histological slide was available"; "Stage I"; "Stage II"; "Stage III"; "Stage IV"
扫描仪
未说明
补充表 S1 只给出原始全切片格式 SVS，没有公开扫描仪厂商、型号、倍率或原始分辨率。
来源Supplementary Table S1 · TCGA cohort table
"WSI format ... SVS"
空间组学分辨率
不适用
该资源不含空间组学数据。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"histological images"; "H&E stained tissue slides"
标注、任务与质控
任务类型
分类 · 基于组织学图像块的 MSI 状态分类
输入为图像块，输出为 MSIH 或 nonMSIH。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"sorted by MSI status"; "all tiles inherited the label of the parent patient"; "We trained a deep-learning detector to identify samples with MSI from these slides"
任务说明
论文用法：输入结直肠癌 H&E 全切片肿瘤区域的颜色归一化图像块（512 像素，0.5 μm/像素），输出 MSIH 或 nonMSIH；图像块的预测结果在患者层面取平均。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"sorted by MSI status"; "all tiles inherited the label of the parent patient"; "Tile-level predictions were averaged on a patient level"
图像来源
基于已有数据 · TCGA 结直肠癌全切片 · 托管于 Zenodo
图像块从已有的 TCGA 全切片中裁出并做了颜色归一化，不是新采集的切片；原始 SVS 文件可在 GDC 门户获取。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Materials and methods
"derived from the TCGA database"; "All images and data from the TCGA study are publicly available at https://portal.gdc.cancer.gov"
标注来源
基于已有数据 · TCGA 经遗传学检测确定的患者级 MSI 状态
没有新绘制的掩膜或逐图像块标注，每个图像块继承所属患者的 MSI 状态。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"all tiles inherited the label of the parent patient"; "Specimens with MSI were identified by genetic analyses."
多染色对齐
不适用
只有 H&E 一种染色，不涉及跨染色配准。
来源Zenodo 记录 3832231 / PMC HTML 全文 · description / Methods
"H&E stained tissue slides"; "color-normalized"
质控
人工质控 · 排除原因：质量不足、技术问题、无肿瘤组织
所有切片经观察者逐张人工复核，并由病理专家监督，确认含肿瘤组织且达到诊断质量；缺少分子信息的病例也被排除。质控针对切片与肿瘤区域，不是逐图像块的自动质控。论文讨论提到，外部测试集中有一张切片因技术伪影而模糊，人工复核没有发现。
来源PMC HTML 全文 · Methods / Discussion
"All slides were individually, manually reviewed"; "ensure that tumor tissue was present on the slide and the slide had diagnostic quality"; "excluded due to insufficient quality, technical issues, absence of tumor tissue"; "a technical artifact had resulted in a blurred image"
备注
口径差异
两处口径不同：患者数（压缩包文件清单 423，论文补充表 S4 为 426）；阴性类写法（Zenodo 描述为 NonMSIH，目录名为 nonMSIH）。患者按 2:1 分为训练集与测试集。
来源Supplementary Table S4 / Zenodo 记录 3832231 / TRAIN.zip 与 TEST.zip 官方 ZIP central directory · model table / description / archive entries
"TCGA (N=426, 15% MSI)"; "Patients were split into training and test set in a 2:1 ratio"; "TRAIN/nonMSIH"; "TEST/nonMSIH"