Tipifarnib治疗复发或进展性高级别胶质瘤、髓母细胞瘤、原始神经外胚层肿瘤或脑干胶质瘤的年轻患者
该数据集来自clinicaltrials.gov,聚焦于儿童复发或进展性高级别胶质瘤、髓母细胞瘤/原始神经外胚层肿瘤(PNET)及脑干胶质瘤患者接受tipifarnib治疗的研究

基本信息
资源简介
Tipifarnib治疗复发或进展性高级别胶质瘤、髓母细胞瘤、原始神经外胚层肿瘤或脑干胶质瘤的年轻患者
该数据集来自clinicaltrials.gov,聚焦于儿童复发或进展性高级别胶质瘤、髓母细胞瘤/原始神经外胚层肿瘤(PNET)及脑干胶质瘤患者接受tipifarnib治疗的研究。数据覆盖多种儿童脑肿瘤亚型,包括高级别大脑星形细胞瘤、少突胶质细胞瘤、复发性脑干胶质瘤、小脑星形细胞瘤、大脑星形细胞瘤、髓母细胞瘤、幕上原始神经外胚层肿瘤以及视觉通路和下丘脑胶质瘤。研究为开放标签、多中心设计,按疾病类型分层,主要评估缓解率,并分析至进展时间、至治疗失败时间和至死亡时间的分布。可用于儿童脑肿瘤治疗反应与预后相关建模(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:儿童高级别大脑星形细胞瘤、儿童少突胶质细胞瘤、复发性儿童脑干胶质瘤、复发性儿童小脑星形细胞瘤、复发性儿童大脑星形细胞瘤、复发性儿童髓母细胞瘤、复发性儿童幕上原始神经外胚层肿瘤、复发性儿童视觉通路和下丘脑胶质瘤。目的:I. 确定接受tipifarnib治疗的复发或进展性高级别胶质瘤、髓母细胞瘤/原始神经外胚层肿瘤(PNET)或脑干胶质瘤儿科患者的缓解率。II. 确定接受该药物治疗的患者的至进展时间、至治疗失败时间和至死亡时间的分布。概要:这是一项开放标签、多中心研究。患者根据疾病进行分层(高级别胶质瘤 vs 复发或进展性髓母细胞瘤/原始神经
【主题与分类】
主题标签:Childhood Oligodendroglioma、Recurrent Childhood Brain Stem Glioma、Recurrent Childhood Cerebral Astrocytoma、Recurrent Childhood Medulloblastoma。本站分类:肿瘤/脑肿瘤。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT00070525
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/NCT00070525
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:儿童高级别脑星形细胞瘤、儿童少突胶质细胞瘤、复发性儿童脑干胶质瘤、复发性儿童小脑星形细胞瘤、复发性儿童大脑星形细胞瘤、复发性儿童髓母细胞瘤、复发性儿童幕上原始神经外胚层肿瘤、复发性儿童视觉通路及下丘脑胶质瘤。目的:I. 确定替吡法尼治疗复发性或进展性高级别胶质瘤、髓母细胞瘤/原始神经外胚层肿瘤(PNET)或脑干胶质瘤儿科患者的缓解率。II. 确定接受该药物治疗患者的进展时间、治疗失败时间和死亡时间的分布。方案概述:这是一项开放标签、多中心研究。患者按疾病分层(高级别胶质瘤 vs 复发性或进展性髓母细胞瘤/原始神经外胚层肿瘤[PNET] vs 进展性弥漫性内在脑干胶质瘤)。患者在第1-21天每日两次口服替吡法尼。在无疾病进展或不可接受毒性的情况下,每28天重复一个疗程,最长持续2年。
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。




