体外药物敏感性检测与多组学分析
该数据集来自 clinicaltrials.gov，属于肿瘤/脑肿瘤领域，聚焦儿童癌症患者。其核心内容是体外药物敏感性检测（DST）与基因组分析相结合的功能性精准医学（FPM），覆盖复发性/难治性儿童白血病、淋巴瘤、脑肿瘤及脑干胶质瘤等病种
基本信息
资源简介
体外药物敏感性检测与多组学分析
该数据集来自 clinicaltrials.gov，属于肿瘤/脑肿瘤领域，聚焦儿童癌症患者。其核心内容是体外药物敏感性检测（DST）与基因组分析相结合的功能性精准医学（FPM），覆盖复发性/难治性儿童白血病、淋巴瘤、脑肿瘤及脑干胶质瘤等病种。主要目标是评估为儿童癌症患者提供基于FPM的个性化治疗选择与临床管理建议的可行性，次要目标是比较接受FPM指导治疗患者的个体结局（缓解与无病生存）。可用于探索精准治疗推荐与疗效预测（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：病症：复发性儿童急性髓系白血病、复发性儿童急性淋巴细胞白血病、复发性儿童大细胞淋巴瘤、难治性儿童急性淋巴细胞白血病、难治性儿童霍奇金淋巴瘤、难治性儿童恶性生殖细胞肿瘤、复发性儿童脑肿瘤、复发性儿童脑干胶质瘤。主要目标：本研究的主要目标是确定基于功能性精准医学（FPM）——即体外药物敏感性检测（DST）与基因组分析的结合——为儿童癌症患者提供个性化治疗选择和临床管理建议的可行性。次要目标：本研究的次要目标是比较接受FPM指导治疗的儿童癌症患者的个体结局（缓解和无病生存）与
【主题与分类】
主题标签：Recurrent Childhood Large Cell Lymphoma、Refractory Childhood Hodgkin Lymphoma、Recurrent Childhood Brain Tumor、Recurrent Childhood Brainstem Glioma、Recurrent Childhood Rhabdomyosarcoma、Recurrent Childhood Soft Tissue Sarcoma、Recurrent Childhood Ependymoma、Recurrent Childhood Gliosarcoma、Recurrent Childhood Malignant Neoplasm、Refractory Childhood Malignant Neoplasm。本站分类：肿瘤/脑肿瘤。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT05857969
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/NCT05857969
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
疾病：复发性儿童急性髓系白血病、复发性儿童急性淋巴细胞白血病、复发性儿童大细胞淋巴瘤、难治性儿童急性淋巴细胞白血病、难治性儿童霍奇金淋巴瘤、难治性儿童恶性生殖细胞肿瘤、复发性儿童脑肿瘤、复发性儿童脑干胶质瘤。主要目标：本研究的主要目标是确定基于功能性精准医学（FPM）为儿童癌症患者提供个性化治疗选择和临床管理建议的可行性，FPM即离体药物敏感性检测（DST）与基因组分析的结合。次要目标：本研究的次要目标是比较接受FPM指导治疗与接受非FPM指导（常规）治疗的儿童癌症患者的个体结局（缓解和无病生存）。探索性目标：探讨肿瘤分子特征（基因组和转录组变异）及离体药物反应与患者种族之间的关联。
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。
