Kaggle赛题解析：UBC 卵巢癌分类

赛题名称：UBC Ovarian Cancer Subtype Classification and Outlier Detection (UBC-OCEAN)

赛题任务：UBC 卵巢癌亚型分类和异常值检测

赛题类型：计算机视觉、图像分类

赛题链接👇：

https://www.kaggle.com/competitions/UBC-OCEAN/overview

一、比赛介绍

卵巢癌是女性生殖系统中最致命的癌症之一。它有五个常见的亚型：高级别浆液性癌、透明细胞卵巢癌、子宫内膜样癌、低级别浆液性癌和黏液性癌。此外，还有一些罕见的亚型（“离群值”）。所有这些亚型都具有明显的细胞形态、病因、分子和遗传特征以及临床属性。亚型特定的治疗方法逐渐崭露头角，但首先需要进行亚型鉴定，这个过程可以通过数据科学进行改进。

目前，卵巢癌的诊断依赖于病理学家来评估亚型。然而，这带来了一些挑战，包括观察者之间的分歧和诊断的可重复性。此外，一些未得到充分服务的社区通常缺乏专业病理学家，即使在发达社区中，也面临着专门研究妇科恶性肿瘤的病理学家短缺的问题。

深度学习模型在分析组织病理学图像方面表现出卓越的能力。然而，仍然存在挑战，比如需要大量的培训数据，最好来自单一来源。技术、伦理、财务约束以及保密方面的顾虑使培训变得具有挑战性。在这个比赛中，您将可以访问来自四大洲20多个中心的最广泛和多样化的卵巢癌组织病理学图像数据集。

二、评估指标

比赛的提交将使用"平衡准确度"进行评估，对于测试集中的每个image_id，您需要预测一个label
变量的类别。提交文件应包含一个标题行，并具有以下格式：

image_id,label
2,CC
5,EC
6,HGSC
等等。

三、数据集介绍

这个竞赛使用了隐藏的测试数据。当您提交笔记本进行评分时，实际的测试数据（包括一个完整的示例提交）将可用于您的笔记本。由于数据集的大小，训练图像不会在您的提交笔记本中可用。

[train/test]_images：包含相关图像的文件夹。有两种类型的图像：全切片图像（WSI）和组织微阵列（TMA）。全切片图像是以20倍放大，可以相当大。TMAs较小（大约4000x4000像素），但以40倍放大。测试集包含来自不同来源医院的图像，其中最大的图像尺寸几乎为100,000 x 50,000像素。

[train/test].csv：训练集的标签。

• image_id 每个图像的唯一ID代码。
• label 目标类别。是卵巢癌的亚型之一，其中包括CC, EC, HGSC, LGSC, MC, Other。"Other"类别在训练集中不存在；识别离群值是这个竞赛的挑战之一。仅适用于训练集。
• image_width：图像的宽度（像素）
• image_height：图像的高度（像素）
• is_tma：如果幻灯片是组织微阵列，则为True。仅适用于训练集。

[train/test]_thumbnails：包含全切片图像的较小.png副本的文件夹。不提供TMAs的缩略图。

sample_submission.csv：一个有效的示例提交文件。只能下载第一行。