AI辅助儿童脑肿瘤MRI分子分型

数据集获取

源站：https://clinicaltrials.gov/study/NCT07703605

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

疾病：儿童脑肿瘤、胶质瘤、髓母细胞瘤、室管膜瘤、颅咽管瘤、脉络丛肿瘤。儿童脑肿瘤是儿童中最常见的实体肿瘤，代表一组高度异质性的疾病，在组织学、分子改变、解剖位置、治疗反应和预后方面存在显著差异。若干分子特征，包括H3K27M突变、BRAF V600E突变、ZFTA融合、SMARCB1缺失、CTNNB1突变和TP53改变，对于诊断分类、风险分层、预后评估和治疗规划具有重要临床意义。然而，目前大多数分子特征分析依赖于术后组织检测，术前无创预测仍然有限。本研究旨在在真实世界的多中心观察环境中评估一种基于MRI的AI辅助儿童脑肿瘤诊断系统。该研究将纳入七个目标肿瘤类别：胶质瘤、髓母细胞瘤、室管膜瘤、非典型畸胎样/横纹肌样肿瘤、颅内生殖细胞肿瘤、颅咽管瘤和脉络丛肿瘤。

回顾性部分将收集多模态数据，包括临床变量、术前MRI、病理报告、分子检测结果、治疗信息及随访数据，研究对象为2020年1月1日至2025年12月31日期间接受治疗的符合条件的儿科患者。前瞻性部分将从2026年7月15日起连续入组符合条件的患者，以进一步验证模型性能。术前MRI数据将采用标准化流程进行预处理，包括偏置场校正、颅骨剥离、各向同性重采样和强度归一化。将开发AI模型，以支持基于术前MRI的肿瘤类型分类及关键分子亚型/标志物预测。模型性能将以术后病理和分子检测作为参考标准进行评估。主要终点为预设分子预测的受试者工作特征曲线下面积（AUC）。

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。