用于乳腺癌复发研究的可复用纵向电子健康记录衍生数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.20392054

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 858.8 KB。

数据说明

本记录包含与手稿“A reusable longitudinal EHR-derived dataset for breast cancer recurrence modeling and clinical informatics research”相关的公共使用发布包。该资源提供了一个来自斯洛文尼亚 University Clinical Centre Maribor 的纵向、真实世界、基于电子健康记录（EHR）的乳腺癌数据集。该数据集旨在支持乳腺癌复发的患者层面二次分析、真实世界肿瘤学数据质量评估、队列特征描述、临床信息学研究以及未来复发预测研究。公共使用数据集以 data.csv 形式提供，每名患者一行。它包含 2,064 名患者和 39 列。主要分组变量是 cohort，其将 115 名患者分类为复发，将 1,949 名患者分类为非复发。复发状态应解释为在可用机构 EHR 随访窗口内观察到的复发。被标记为非复发的患者在可用记录中未观察到复发；这并不意味着确认终生无复发。

该发布还包含已清理的Jupyter notebook，记录了数据构建和分析工作流程，以及输出表格，描述了文件清单、数据集摘要和结局分布、公共变量清单、缺失情况、按手术年份汇总的复发摘要、按复发队列汇总的基线特征，以及再识别风险筛查。公共使用数据集是内部分析数据集的精简和泛化版本。为降低披露风险，直接标识符和确切临床日期在发布前已被移除或泛化。在公开发布前进行了再识别风险筛查，包括检查直接标识符、确切日期变量、小类别水平、选定的准标识符组合，以及低于实际阈值k = 5的单元格。这些输出结果被纳入以提高透明度，并汇总

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。