胶质母细胞瘤数字病理表型与转录亚型及患者结局关联的支持数据

数据集获取

源站：https://doi.org/10.5524/102561

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

深度学习已彻底改变癌症病理学中的医学图像分析，通过支持癌症的诊断和预后评级产生了重大的临床影响。在脑癌领域最早可获得的数字资源中，胶质母细胞瘤是最常见且致命性的脑癌。在组织学层面，胶质母细胞瘤的特征是丰富的表型变异性，而这种变异性与患者预后关联甚微。在转录水平上，可区分出三种分子亚型，其中间充质亚型肿瘤与免疫细胞浸润增加及更差的结果相关。我们通过将Xception卷积神经网络应用于包含276张带有分子亚型注释的数字H&E切片的发现集，以及基于TCGA的独立验证队列178例，来探讨基因型-表型相关性。采用此方法，我们在基于H&E的分子亚型映射中实现了高准确性（经典、间充质、前神经型的AUC分别为0.84、0.81和0.71；p < 0.001），以及与更差结果相关的区域（单变量生存模型p < 0.001，多变量p = 0.01）。

后者的特征为肿瘤细胞密度更高（p < 0.001）、肿瘤细胞表型变异性更大（p < 0.001）以及T细胞浸润减少（p = 0.017）。我们对一种常用的CNN架构进行修改，用于胶质母细胞瘤数字切片，以准确绘制转录亚型的空间分布以及可预测较差预后的区域，从而展示AI驱动的图像挖掘在脑癌中的相关性。

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。