1、赛题描述

传统病理分析诊断需专业的病理医师在显微镜下逐个寻找目标区域和细胞，病理切片通常包含数万个细胞，但与疾病相关的目标区域及细胞仅占极小部分，大量冗余信息会给病理医师造成严重的“阅片疲劳”。AI能够辅助病理医生更高效更精准的判断，降低误诊和漏诊率。现阶段，医疗病理学已逐步进入数字病理时代，数字病理的推广与应用在减轻病理医师工作负担的基础上可提高我国医疗欠发达地区的诊断水平和操作规范。

胃癌是临床当中比较常见的消化道肿瘤，胃癌患者的分期一般以TNM分期为主，T代表的是原发肿瘤情况，N代表的是区域淋巴结受累情况。M代表的是有没有远处转移。本届SEED大赛医疗卫生赛道围绕胃癌病理图像，通过参赛者开发的AI算法，对胃癌图像中精细区域进行T分期指标分类，实现智能辅助诊断。

2、赛题题目

人工智能在胃癌诊断中的应用

3、赛题任务

【初赛】

本赛题提供一批病理数字切片，由专业医师给出切片区域内T分期指标的标注。选手需要使用计算机视觉相关技术，按照TNM分期指标中“T”指标对切片内的区域进行分类预测，辅助医生进行识别，提高病理诊断效率。

使用TNM分期进行肿瘤评估时，T0代表无证据表明存在原发肿瘤、T1~T3代表癌细胞的侵入程度逐渐加深，Tis代表原位癌（上皮内肿瘤，未侵及固有层，高度不典型增生）。在初赛中，选手需要根据给定的kfb图片及json文件，对切片内划定的区域进行侵入程度的分类预测，共分为五类，包括T0、T1、T2、T3和Tis。

【复赛】（代码调试与复现）

复赛阶段，预测任务同初赛，选手需要在在线环境中进行模型开发与调试（训练+预测）。

注：复赛阶段的测试集对选手不可见，选手在模型开发调试阶段时使用的数据初赛训练和测试数据，点击提交后，后台评审系统将自动使用复赛测试数据进行评测。

为公平起见，防止选手本地引入外部数据和第三方模型进行数据标注，复赛不允许选手自行上传标注文件，但可以使用大赛数据集自动训练模型进行再标注。

注：线上也禁止引入外部数据和第三方模型进行标注。

【决赛】

决赛阶段采用线下答辩的方式，晋级决赛队伍需要提前准备答辩PPT及相关支撑材料，评委将根据选手的初复赛及现场表现进行综合评分，决定最终排名。

4、数据描述

【初赛】

提供按T分期分类好的常规病理切片图片（kfb格式）及病理医师标注（json格式），文件结构如下所示：

其中，train文件夹中的【T0】为T0类别的kfb图片文件夹，无标注。

【含T1区域的kfb】内包含的是kfb格式图片，代表文件夹中的每个kfb图片中一定包含T1区域，但不排除包含其他区域的可能。经专业医师标出部分典型的T1区域，标签文件保存在【含T1标注的json】文件夹下。T2，T3及Tis同理。

图片示例如下所示：

注：kfb文件与json并非一一对应，只有部分kfb图片有标注（对应同名json）

数据集下载（11月4日公布的数据为部分训练集数据，包含T0，T1，T2及T3类别，其中T1及T2含有标注）

数据集内容	下载链接
kfb图片读取资料（仅供参考）	点击下载
初赛训练集t0(kfb)（10月28日公布）	点击下载
初赛训练集t1(kfb，json),t2(kfb，json),t3(kfb)（11月4日更新）	点击下载
初赛测试集&初赛训练集tis(kfb，json)及t3(json)（11月7日更新，初赛所有数据已完备，下载链接与4日更新链接相同）	点击下载
初赛数据集（11月8日损坏图片更新）	点击下载

【复赛】详情见-复赛（复核）

复赛将为选手提供新的测试集，包括新的kfb病理切片，及对应的标注json，届时公布。

5、评估指标

【初赛】

评估指标：Macro-F1（宏F1）

【复赛】

评估指标：Macro-F1（宏F1）

6、提交说明

【初赛】

选手需要根据给定的测试集，预测出测试集的目标变量值，并以csv格式（列形式）保存，文件名为result.csv上传。

提交样例如下：

第一列为对应区域id，id的格式为<图片名_json对应区域名>，如：Jw1GFk_Annotation0代表Jw1GFk.kfb图片中，名为Annotation0的区域。

第二列为对应图片区域的T分期预测类别。其中label列的0~4分别表示T0、T1、T2、T3、Tis。（标注结果为0~4，其中T0：0，T1：1，T2：2，T3：3，Tis：4）。

注：选手需保证提交的result.csv中第一列id与提交样例（提交示例.csv）中的顺序一致，提交的文件记录数应与提交示例中的记录数保持一致。

为避免评测过程中文编码格式导致评测错误的影响，请统一以utf-8编码，并且注意提交的csv文件不包含表头。

【复赛】

同初赛。