结直肠癌肿瘤微环境如何被精细刻画？HMU-CRC-Hist550K 55万级组织学标注数据集构建解读
哈尔滨医科大学肿瘤医院团队在 Nature 旗下数据期刊 Scientific Data 发布结直肠癌肿瘤微环境组织学数据集 HMU-CRC-Hist550K，含 55 万张标注图像块、覆盖 8 类组织成分，并基准测试三种深度学习模型，为肿瘤微环境分析与 AI 辅助诊断提供可复现的基础资源。
一、研究背景
结直肠癌是全球发病率和死亡率都位居前列的恶性肿瘤。据 GLOBOCAN 统计，结直肠癌的发病与死亡负担长期处于高位，而决定患者预后和治疗响应差异的核心，往往不是肿瘤细胞本身，而是它所处的"微环境"。
肿瘤微环境（TME）由肿瘤细胞、免疫细胞、间质、血管等多种成分交织而成，其组成与空间分布高度异质。同样是结直肠癌，不同患者微环境里浸润了多少淋巴细胞、间质纤维化程度如何、是否存在黏液与坏死，直接关系到患者对化疗、靶向乃至免疫治疗的应答。因此，基于组织学图像把 TME 精确拆解成若干可定义的成分，是优化临床干预、预测预后的关键一步。
然而，深度学习尽管在医学影像分析上突飞猛进，在结直肠癌病理中的应用却长期受限。症结不在于算法，而在于数据——缺少大规模、高质量、且经过全面标注的组织学图像数据集，模型无从训练，也更难公平评估。
二、研究创新点
正是在这一背景下，哈尔滨医科大学肿瘤医院团队在 Nature 旗下数据期刊 Scientific Data 发布了 HMU-CRC-Hist550K——一个专为结直肠癌肿瘤微环境分析而构建的大规模组织学图像数据集。
它的价值体现在三个层面：
其一，规模大。数据集包含 55 万张经过标注的图像块（tile），全部来源于 500 张全切片图像（WSI），在同类结直肠癌病理数据集中处于头部水平。
其二，标注细。所有图像块都被完整标注为 8 类明确的 TME 组织成分——脂肪组织（ADI）、碎片/坏死（DEB）、淋巴细胞（LYM）、黏液（MUC）、肌肉（MUS）、正常组织（NORM）、间质（STR）和肿瘤（TUM）。这种细粒度的多分类标注，远比简单的"癌/非癌"二分类更能刻画微环境的复杂性。
其三，可复现。数据集附带元数据（metadata）与规范的标注管线，并同时用三种主流深度学习模型做组织分割基准测试，让后来者可以直接对比、公平评估。
三、数据集构建方法
HMU-CRC-Hist550K 的构建遵循一条清晰的工程化流程。研究团队从公开可得的结直肠癌组织学样本出发，先在整张全切片图像（WSI）上确定感兴趣区域，再将切片切分为固定尺寸的图像块，形成海量 tile。
标注环节是整套流程的核心。团队为每张图像块分配一个 TME 组织类别标签，覆盖从肿瘤实质到间质、从淋巴细胞浸润到黏液与坏死共 8 类成分。为了支撑后续的可复现研究，团队同时建立了元数据标注管线，把图像块与来源切片、类别标签、组织成分等信息一一对应记录，让数据不仅是"图片 + 标签"，更是"图片 + 标签 + 元数据"的完整资源。
这种"切块—标注—配元数据"的三段式构建，也正是专业数据集建设与"众包粗标"的本质区别：它保证了标签的一致性与可追溯性，为下游任务的公平基准测试打下了基础。
四、实验结果
为了验证数据集的可用性，团队选取了三种代表性的深度学习模型——Vision Transformer（ViT）、ResNet 与 EfficientNet，在组织分割任务上进行了系统基准测试 DOI: 10.1038/s41597-026-06675-9。
评估覆盖了三个验证集：CRC-VAL-HE-7K、CRC-VAL-HE-100K 以及一个独立验证集，从 ROC 曲线、混淆矩阵到各类组织的精确率、召回率与 F1 分数，全面呈现了不同模型在 8 类组织成分上的分割表现。
这组基准测试的意义，不在于宣布"哪个模型最好"，而在于为整个社区提供一个公平、可复现的参照系：任何新提出的组织分割算法，都可以在 HMU-CRC-Hist550K 上直接跑分对比，从而推动结直肠癌病理 AI 的良性竞争与持续进步。
五、应用前景
HMU-CRC-Hist550K 的落地价值，远不止一个"跑分数据集"。
在科研层面，它为肿瘤微环境剖析（TME profiling）提供了基础资源，研究者可以据此训练模型去量化淋巴细胞浸润、间质比例、黏液与坏死分布等指标，进而探索这些成分与分子亚型、预后的关联。
在临床层面，它可以支撑 AI 辅助诊断——让模型在病理切片上自动识别并勾画不同组织成分，为病理医生提供结构化的量化参考；更进一步，它还能服务于分子亚型推断与个体化治疗规划，甚至为建模 TME 的时空演化提供新的研究入口。
对医疗数据服务团队而言，这篇论文更像一份"需求说明书"：专业数据集的价值，恰恰藏在"大规模 + 细粒度标注 + 元数据 + 基准测试"这套工程化能力里。这正是医疗 AI 从论文走向临床时，最稀缺、也最难被替代的一环。
六、结论
HMU-CRC-Hist550K 的发布，再次印证了医疗 AI 下半场的核心命题：拼的不是模型参数，而是数据 DOI: 10.1038/s41597-026-06675-9。
55 万张图像块、8 类细粒度标注、配套元数据与三种模型的基准测试——这套组合拳，把结直肠癌肿瘤微环境分析从"各自为战"带入了"可对比、可复现"的新阶段。当越来越多团队意识到高质量数据集才是护城河时，谁能在合规前提下规模化地产出这样的数据集，谁就握住了病理 AI 落地的钥匙。
| 论文标题 | Large-Scale Histological Image Dataset with Metadata for Colorectal Cancer Microenvironment（结直肠癌肿瘤微环境的大规模组织学图像数据集） |
| 作者 | Hao Wang、Huiying Li、Jingmin Xue（并列第一作者）；通讯作者：Shenghan Lou、Peng Han、Hongxue Meng |
| 机构 | 哈尔滨医科大学肿瘤医院（乳腺外科、病理科、肿瘤外科）；黑龙江省分子肿瘤学重点实验室；黑龙江省肿瘤研究所 |
| 期刊 | Scientific Data（Nature Portfolio） |
| 发表时间 | 2026 年 2 月 12 日在线发表 |
| DOI | 10.1038/s41597-026-06675-9 |
| PubMed | PMID: 41673045 |
论文原文信息地址：https://www.simodata.cn/blog/2026-09-14-hmu-crc-hist550k/
参考文献
- Wang H, Li H, Xue J, et al. Large-Scale Histological Image Dataset with Metadata for Colorectal Cancer Microenvironment. Scientific Data, 2026, 13: 431. DOI: 10.1038/s41597-026-06675-9
- Bray F, Laversanne M, Sung H, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians, 2024, 74(3): 229-263. DOI: 10.3322/caac.21834
- Lim Y, et al. Artificial intelligence-powered spatial analysis of tumor-infiltrating lymphocytes for prediction of prognosis in resected colon cancer. npj Precision Oncology, 2023, 7: 124. DOI: 10.1038/s41698-023-00470-0