口腔鳞癌的诊断与预后如何被统一刻画？Multi-OSCC 1325例高倍病理数据集解读

华南理工与中山大学孙逸仙纪念医院联合团队在 Nature 旗下数据期刊 Scientific Data 发布口腔鳞状细胞癌高倍病理数据集 Multi-OSCC，覆盖 1325 名患者、每人 6 张高倍病理图像（×200/×400/×1000），并统一标注复发预测、淋巴结转移、肿瘤分化、肿瘤浸润、癌栓、神经周围浸润 6 类临床任务，基准测试中复发预测 AUC 达 94.72%，为口腔癌 AI 诊断与预后提供可复现的开放资源。

研究背景：口腔鳞癌高发，AI 辅助诊断为何长期"缺数据、难落地"？

口腔鳞状细胞癌（OSCC，Oral Squamous Cell Carcinoma）是头颈部最常见的恶性肿瘤之一。据 GLOBOCAN 统计，2022 年全球新发口腔鳞癌超过 38 万例，死亡约 18 万例。它主要累及口腔黏膜表面，与吸烟、饮酒以及人乳头瘤病毒（HPV）感染密切相关。一旦肿瘤向周围组织浸润、或经淋巴道转移到颈部淋巴结，患者预后会急剧恶化。

在临床流程中，病理组织学检查至今仍是诊断与分期的金标准。病理医生通过对活检标本进行组织处理、染色与镜下观察，判断肿瘤分化程度、浸润深度、是否累及淋巴结等关键预后指标，进而制定治疗方案。然而这一过程高度依赖经验，存在主观性，也耗时耗力——这正是深度学习（Deep Learning）计算机辅助诊断（CAD）想要介入的地方。

问题在于数据。现有的公开口腔鳞癌病理数据集普遍存在两大短板：一是患者队列规模小，难以支撑泛化能力强的模型训练；二是任务割裂，要么只做诊断（判断是否癌变），要么只做预后（预测会不会复发转移），很少有数据集能同时覆盖"诊断 + 预后"的完整临床链条。数据缺口，成为口腔鳞癌 AI 从实验室走向临床的第一道坎。

创新点：Multi-OSCC 如何用"诊断 + 预后"双维度补上短板？

针对上述空白，华南理工大学软件工程学院与中山大学孙逸仙纪念医院口腔颌面外科联合团队（阿联酋 MBZUAI、阿德莱德大学共同参与）在 Nature 旗下数据期刊 Scientific Data 上发布了 Multi-OSCC——一个面向口腔鳞癌诊断与预后的高倍组织病理图像数据集。

它的创新可以概括为三点：

规模与粒度兼顾：纳入 1325 名口腔鳞癌患者，每位患者提供 6 张高分辨率病理图像，在 ×200、×400、×1000 三种放大倍数下各拍两张，分别覆盖肿瘤核心区与肿瘤边缘区，把"看全貌"与"看细节"结合起来。
诊断与预后统一标注：数据集为每个病例标注了 6 类关键临床任务——复发预测（REC）、淋巴结转移（LNM）、肿瘤分化（TD）、肿瘤浸润（TI）、癌栓（CE）、神经周围浸润（PI），首次把诊断性任务与预后性任务放进同一套数据里。
系统基准测试：团队全面评测了不同视觉编码器、多图融合策略、染色归一化方法与多任务学习框架的效果，为后续研究提供了可对照的性能标尺。

换句话说，Multi-OSCC 不是简单"多收集几张片子"，而是把口腔鳞癌临床决策中最要紧的几个问题，一次性做成了可训练、可评测的标准任务。

数据集构建方法：从切片采样到六任务标注的质控要点

Multi-OSCC 的构建遵循一套清晰的工程化流程，核心在于"采样设计"与"任务定义"两个环节。

在图像采集层面，团队对每个病例都做了核心区与边缘区的区分采样。肿瘤核心区富含角化珠（keratin pearl）等典型形态特征，是判断分化程度的关键；而肿瘤边缘区则更接近浸润前沿，能反映肿瘤向周边组织的侵袭行为。两者结合，才让一张切片既"看到病灶本身"，又"看到病灶与周围的关系"。

放大倍数的梯度设计同样讲究。×200 用于把握组织整体结构，×400 观察细胞形态，×1000 则聚焦亚细胞细节——这种多尺度采样，正是病理医生读片的真实方式。

在标注层面，六个任务各有明确的临床定义。肿瘤分化（TD）反映细胞的成熟程度与恶性分级，淋巴结转移（LNM）和癌栓（CE）、神经周围浸润（PI）直接关联预后与复发风险，而复发预测（REC）则是对患者长期结局的终极刻画。这套标注体系让模型既能"认出病"，也能"预判病会怎么发展"，而非停留在单一的分类判断上。

数据说话：模型在 Multi-OSCC 上到底表现如何？

Multi-OSCC 数据集构建与六任务基准评测流程

团队在数据集上系统跑了一轮基准测试，结果有几个值得注意的信号。

第一，部分任务已经达到"可用"水平。 在单任务设定下，表现最好的模型在复发预测（REC）任务上取得了 94.72% 的 AUC（曲线下面积，Area Under the Curve），肿瘤分化（TD）任务也达到 81.23% 的 AUC；更关键的是，所有六个任务的 AUC 均超过 70%，说明这份数据能够稳定训练出有区分度的模型。

第二，染色归一化是把"双刃剑"。 实验发现，染色归一化对诊断类任务有正向帮助，却会反过来拖累复发预测任务的表现。这一结论很有实操价值：说明在预后类任务上，一味追求"颜色统一"未必是好事，染色差异本身可能携带了有用的组织信息。

第三，多任务学习并非"免费的午餐"。 团队的多任务基准显示，多任务学习相比单任务模型平均 AUC 下降 3.34%，印证了在多个异质任务之间做平衡并非易事——模型很难同时把"看形态"和"预测结局"两件事都做到极致。

关键结果	数值 / 结论
复发预测（REC）AUC	94.72%
肿瘤分化（TD）AUC	81.23%
全部六任务 AUC 下限	均超过 70%
染色归一化影响	利好诊断、拖累预后
多任务 vs 单任务	平均 AUC 下降 3.34%

应用前景与局限

Multi-OSCC 的开放发布，为口腔鳞癌的 AI 研究提供了一个规模足够大、任务足够全、可复现的公共底座。研究团队既可以用它单独训练某个诊断模型，也可以围绕"诊断 + 预后"的联合建模做更深探索；开源仓库同时放出数据集与基线模型，进一步降低了复现门槛。

更长远看，这类数据有望支撑临床场景中的结构化第二意见：从辅助病理医生判断分化程度，到术前评估淋巴结转移风险、预测患者复发概率，帮助医生把治疗决策做得更精准。

局限同样需要正视。其一，数据来自单中心回顾性队列，在不同地区人群、不同制片与扫描设备上的泛化能力仍需外部验证；其二，六个任务中的部分标签（如癌栓、神经周围浸润）存在一定主观性，标注一致性有待进一步量化；其三，多任务学习出现性能回退，说明"一体化预测"仍有工程难题待解。数据集的价值，恰恰在于把这些开放问题清晰地摆到了台面上。

结论

Multi-OSCC 的发布再次说明一个朴素的规律：在临床级 AI 任务面前，一份把"诊断"和"预后"同时讲清楚的数据，往往比一个更花哨的模型更稀缺。

1325 名患者、每例 6 张高倍病理图像、三档放大倍数、六个临床任务、加上复发预测 94.72% 的 AUC 基准——这套组合把口腔鳞癌病理 AI 从"零散探索"推进到了"可对比、可复现"的新阶段。当多任务学习与染色归一化的复杂效应被量化揭示出来，恰恰为后续研究指明了方向：谁能把数据做扎实、把任务定义清楚，谁就更有可能在口腔癌精准诊疗的赛道上走得更远。

参考文献

Guan J, Guo J, Chen Q, et al. A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis. Scientific Data, 2026. DOI: 10.1038/s41597-026-06736-z
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

← 返回行业趋势

论文标题	A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis（面向口腔鳞状细胞癌诊断与预后的高倍组织病理图像数据集）
作者	Jinquan Guan、Junhong Guo、Qi Chen、Jian Chen、Yongkang Cai、Yilin He、Zhiquan Huang、Yan Wang、Yutong Xie
机构	华南理工大学软件工程学院、中山大学孙逸仙纪念医院口腔颌面外科、阿德莱德大学计算机学院、阿联酋穆罕默德·本·扎耶德人工智能大学（MBZUAI）
期刊	Scientific Data（Nature Publishing Group）
发表时间	2026 年 2 月 6 日
DOI	10.1038/s41597-026-06736-z
PubMed	PMID: 41651871