GNC-039四特异性抗体治疗复发/难治或转移性实体瘤研究
该数据集来自 clinicaltrials.gov，聚焦 GNC-039 四特异性抗体在复发/难治或转移性胶质瘤及其他实体瘤患者中的研究
基本信息
资源简介
GNC-039四特异性抗体治疗复发/难治或转移性实体瘤研究
该数据集对应一项在 clinicaltrials.gov 登记的临床研究，英文名称为“A Study of GNC-039, a Tetra-specific Antibody, in Participants With Relapsed/Refractory or Metastatic Solid Tumors”，在本站归入肿瘤 / 脑肿瘤分类。研究聚焦于 GNC-039 这一四特异性抗体，在复发/难治或转移性胶质瘤及其他实体瘤患者中开展，旨在考察其安全性、耐受性与初步有效性，并评估剂量限制性毒性（DLT）、最大耐受剂量（MTD），以及在未达到 MTD 时的最大给药剂量（MAD）。数据集的主题标签为复发胶质瘤与实体瘤，整体属于肿瘤学早期临床研究范畴，可为关注四特异性抗体、胶质瘤及实体瘤治疗研究方向的人员提供研究层面的结构化信息入口。
【数据集背景】
复发胶质瘤及其他实体瘤患者在接受现有治疗后往往面临治疗选择有限的问题，探索新型抗体类药物的安全性与剂量方案是早期临床研究的重点方向之一。GNC-039 为四特异性抗体，该研究围绕这一候选药物在复发/难治或转移性胶质瘤及其他实体瘤人群中的表现展开，属于肿瘤治疗领域的早期临床探索。本站将其归入肿瘤 / 脑肿瘤分类，与研究对象中胶质瘤这一中枢神经系统肿瘤类型相呼应。
【数据内容】
数据集所对应的研究涉及的条件包括复发性胶质瘤与实体瘤，主题标签为复发胶质瘤、实体瘤。研究考察的核心内容为 GNC-039 在目标患者人群中的安全性、耐受性和初步有效性，具体评估指标包括剂量限制性毒性（DLT）、最大耐受剂量（MTD），以及在未达到 MTD 情况下的最大给药剂量（MAD）。除上述研究目的与评估指标外，源站未提供更细粒度的数据字段说明。
【采集与来源】
该数据集来源于 clinicaltrials.gov，属于临床试验登记信息。源站描述中列出的研究条件为复发性胶质瘤与实体瘤，并说明了研究将考察 GNC-039 的安全性、耐受性与初步有效性，以评估 DLT、MTD 或 MAD。关于数据采集的具体时间范围、更新频率与采集流程，源站未提供。
【适用场景】
该数据集适用于了解 GNC-039 四特异性抗体在复发/难治或转移性胶质瘤及其他实体瘤患者中的研究设计思路与评估终点，可供肿瘤学、神经肿瘤学方向的研究人员、临床研究者以及对四特异性抗体早期临床开发感兴趣的人员参考，用于研究层面的信息检索与背景梳理。关于该数据集在其他具体应用场景中的适用性，源站未提供。
【使用方法】
源站未提供。
【质量与限制】
该数据集为 clinicaltrials.gov 的临床试验登记信息，其内容以源站描述为准。源站未提供关于数据完整性、准确性校验、样本量、研究状态与结果数据等方面的说明，使用时应结合源站原始记录进行核对。源站未提供其他质量与限制说明。
【引用与许可】
源站未提供。
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
源站：https://clinicaltrials.gov/study/NCT04794972
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:
数据说明
适应症：复发性胶质瘤、实体瘤。本研究将探讨GNC-039在复发/难治性或转移性胶质瘤或其他实体瘤患者中的安全性、耐受性和初步有效性，以评估GNC-039的剂量限制性毒性（DLT）、最大耐受剂量（MTD）或未达到MTD时的最大给药剂量（MAD）。
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
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。
