癌症标志物语料库
该数据集是一个文本模态的生物医学语料库，包含1852篇PubMed文献摘要，每篇摘要的句子经专家标注了与癌症标志相关的37个类别标签，主要用于生物医学文本分类研究，支持自动文献语义分析，助力癌症研究领域的知识发现和自然语言处理任务。
基本信息
资源简介
癌症标志物语料库
【数据集背景】
本数据集源站标题为《bigbio/hallmarks_of_cancer》。源站首次发布：2022-11-13。
【数据内容】
源站原始描述：- language: - en bigbio_language: - English license: gpl-3.0 multilinguality: monolingual bigbio_license_shortname: GPL_3p0 pretty_name: Hallmarks of Cancer homepage: bigbio_pubmed: True bigbio_public: True bigbio_tasks: - TEXT_CLASSIFICATION - # Dataset Card for Hallmarks of Cancer ## Dataset Description - **Homepage:** - **Pubmed:** True - **Public:** True - **Tasks:** TXTCLASS The Hallmarks of Cancer (HOC) Corpus consists of 1852 PubMed publication abstracts manually annotated by experts…
文件 bigbiohub.py 为文本内容，开头为：from collections import defaultdict from dataclasses import dataclass from enum import Enum import logging from pathlib import Path from types import SimpleNam…
文件 hallmarks_of_cancer.py 为文本内容，开头为：# coding=utf-8 # Copyright 2022 The HuggingFace Datasets Authors and the current dataset script contributor. # # Licensed under the Apache License, Version 2.0…
【数据结构与技术规格】
文件数 2 个，合计 27.01 KB。
【主题与分类】
主题标签：multilinguality:monolingual、language:en、license:gpl-3.0、size_categories:10K<n<100K、modality:text、library:datasets、library:mlcroissant、region:us。
【获取与许可】
源站页面：https://huggingface.co/datasets/bigbio/hallmarks_of_cancer
使用许可：gpl-3.0。
【使用注意】
· 源站最后修改于 2022-12-22，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取与加载（Hugging Face datasets）
# 前置依赖: pip install datasets
from datasets import load_dataset
ds = load_dataset("bigbio/hallmarks_of_cancer")
print(ds) # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"
git lfs install && git clone https://hf-mirror.com/datasets/bigbio/hallmarks_of_cancer
数据说明
癌症标志物语料库（Hallmarks of Cancer Corpus）是一个生物医学文本数据集，包含1852篇PubMed文献摘要，由专家根据一个包含37个类别的分层分类体系进行人工标注。数据以句子为单位，每个句子可能被分配零个或多个类别标签。该数据集通过PubMed ID（PMID）组织文件，标签和分词后的文本分别存放于独立目录中。它主要用于生物医学文本分类研究，支持自动文献语义分类，帮助研究人员从科学文献中识别与癌症标志相关的知识，应用于生物信息学、自然语言处理及癌症研究领域。
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
