预测尿路上皮膀胱癌免疫检查点抑制剂结局的深度学习模型开发
用于预测尿路上皮膀胱癌患者免疫检查点抑制剂治疗结局的深度学习模型，基于常规血液检测指标。
基本信息
资源简介
预测尿路上皮膀胱癌免疫检查点抑制剂结局的深度学习模型开发
【数据集背景】
本数据集源站标题为《Development of deep learning model predicting immune checkpoint inhibitor outcomes in urothelial bladder carcinoma》。源站首次发布：2025。
【数据内容】
源站原始描述：Bladder cancer is a common disease affecting hundreds of thousands of people each year around the world. One type, called urothelial bladder cancer, is the most frequently diagnosed. In cases where the cancer has spread or become advanced, many patients are treated with a type of immunotherapy called immune checkpoint inhibitors (ICIs). These medications help the body’s immune system recognize and attack cancer cells. However, not all patients benefit from this treatment, and doctors currently h…
中文译文（机器翻译，仅供快速理解，请以原文为准）：膀胱癌是一种常见疾病，每年全球影响数十万人。其中一种类型称为尿路上皮膀胱癌，是最常被诊断出的类型。在癌症已经扩散或进入晚期的情况下，许多患者会接受一种称为免疫检查点抑制剂（ICIs）的免疫治疗。这些药物帮助人体免疫系统识别并攻击癌细胞。然而，并非所有患者都能从这种治疗中获益，医生目前预测谁会反应良好的方法也很有限。本研究专注于开发一种新方法，帮助医生更好地预测尿路上皮膀胱癌患者是否会对ICI治疗产生反应。具体来说，我们正在研究患者在治疗前和治疗期间已经接受的常规血液检查。这些血液检查包括一些简单的测量指标，例如某些类型白细胞的数量，以及一种称为乳酸脱氢酶（LDH）的蛋白质水平。既往研究表明，这些结果可能与患者在免疫治疗中的表现有关。我们计划使用深度学习——一种能够识别复杂模式的计算机模型——来分析从早期临床试验患者中收集的大量血液检查数据。通过这样做，我们旨在构建一种工具，能够识别血液中与ICI反应较好或较差相关的模式。本研究的目标是创建一种可靠、易于使用的工具，帮助医生做出更个性化的治疗决策。如果成功，这种方法可能通过识别最有可能从免疫治疗中获益的患者，同时帮助其他人避免可能对他们无效的治疗，从而为患者带来更好的结局。
【主题与分类】
主题标签：Oncology。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://search.vivli.org/doiLanding/dataRequests/PR00011325
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。
暂未开放有偿下载
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
源站：https://search.vivli.org/doiLanding/dataRequests/PR00011325
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 部分平台提供 SDK，例如：
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
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。
