IDH突变低级别星形细胞瘤与少突胶质细胞瘤的分子图谱(低级别胶质瘤,LGG)-84390

该数据集收录IDH突变型低级别胶质瘤(IDHmt LGG)的分子图谱,涵盖少突胶质细胞瘤与星形细胞瘤,包含RNA-seq count数据

ZenodoZenodo
datacite
浏览 2
基因组预测gliomaIDH mutantRNA-seqcount data
Molecular profiles of IDHmt low-grade astrocytomas and oligodendrogliomas (low grade glioma, LGG)

基本信息

模态
基因组
大小
0.031790481 GB
任务类型
预测
许可
Creative Commons Attribution 4.0 International
创建/更新时间
2026-10-08

资源简介

IDH突变低级别星形细胞瘤与少突胶质细胞瘤的分子图谱(低级别胶质瘤,LGG)

Molecular profiles of IDHmt low-grade astrocytomas and oligodendrogliomas (low grade glioma, LGG)

该数据集收录IDH突变型低级别胶质瘤(IDHmt LGG)的分子图谱,涵盖少突胶质细胞瘤与星形细胞瘤,包含RNA-seq count数据。患者生存期跨度从5年到超过20年,肿瘤行为如自发增长速率在同类亚型中亦存在差异。自发肿瘤体积增长率(TVGR)可作为预后标志物并预测治疗反应,通过生物标志物准确预测TVGR有助于改进基于证据的风险管理,避免治疗相关毒性而不损害疗效。数据可用于探索分子特征与肿瘤生长及治疗反应之间的关联(来源 DOI 解析,Creative Commons Attribution 4.0 International 许可)。

【数据集背景】

源站首次发布:2026。

【数据内容】

源站描述(机器翻译,仅供参考):弥漫性IDH突变低级别胶质瘤(IDHmt LGG)患者的预期寿命从5年到超过20年不等。即使在组织学分类一致的少突胶质细胞瘤和星形细胞瘤亚型中,肿瘤行为(包括自发增长速率)也存在差异。需要风险调整的治疗策略,以在不影响疗效的情况下避免治疗相关毒性。自发肿瘤体积增长率(TVGR)可作为预后标志物并预测治疗反应。通过生物标志物准确预测TVGR将有助于改进基于证据的风险管理。

【主题与分类】

主题标签:glioma、IDH mutant、RNA-seq、count data。本站分类:肿瘤/脑肿瘤。

【获取与许可】

源站页面:https://zenodo.org/doi/10.5281/zenodo.22207726

使用许可:Creative Commons Attribution 4.0 International。

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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

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。

免费样本无法满足模型训练要求?千方提供经三甲医院脱敏、带病理回证与专家标注的商业级专病数据集。

使用方式

数据集获取

源站:https://doi.org/10.5281/zenodo.22207726

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。

数据集大小约 31.8 MB。

数据说明

弥漫性IDH突变低级别胶质瘤(IDHmt LGG)患者的预期寿命从5年到超过20年不等。肿瘤行为,包括自发增长率,即使在分类一致的少突胶质细胞瘤和星形细胞瘤亚型中也有所不同。需要风险调整的治疗策略,以避免治疗相关毒性而不影响疗效。自发肿瘤体积增长率(TVGR)作为预后标志物,可预测治疗反应。通过生物标志物准确预测TVGR将有助于改进基于证据的风险管理。

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。

需要用于商业化训练或医疗器械注册(NMPA/FDA)?

公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连,提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。