乳腺癌术后加速放疗治疗患者数据集
该数据集来自 clinicaltrials.gov，聚焦乳腺癌术后加速放疗，覆盖炎性乳腺癌、浸润性导管癌、浸润性小叶癌、黏液性导管癌、乳头状导管癌及 II、IIIA、IIIB 期乳腺癌
基本信息
资源简介
乳腺癌术后加速放疗治疗患者数据集
该数据集来自 clinicaltrials.gov，聚焦乳腺癌术后加速放疗，覆盖炎性乳腺癌、浸润性导管癌、浸润性小叶癌、黏液性导管癌、乳头状导管癌及 II、IIIA、IIIB 期乳腺癌。主要目标为局部失败与区域失败的自由度，次要目标包括急性与晚期毒性、乳房重建胸壁美容效果相关协变量，以及毒性、美容与局部控制同分子标志物的关联。可用于放疗预后与毒性预测研究（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：疾病：炎性乳腺癌、浸润性导管乳腺癌、浸润性小叶乳腺癌、黏液性导管乳腺癌、乳头状导管乳腺癌、II 期乳腺癌、IIIA 期乳腺癌、IIIB 期乳腺癌。主要目标：I. 无局部失败生存与无区域失败生存。次要目标：I. 使用既往发表的毒性量表评估急性毒性与晚期毒性。II. 识别在接受加速、大分割放疗的乳房重建胸壁女性中导致美容效果不佳的协变量。III. 将毒性、美容效果和局部控制与分子标志物相关联。概要：患者在末次手术或末次化疗后 21-63 天内接受 11 个工作日（历时 15 天）的大分割加速放疗。在无疾病进展的情况下继续治疗。
【主题与分类】
主题标签：Inflammatory Breast Cancer、Invasive Ductal Breast Carcinoma、Invasive Lobular Breast Carcinoma、Mucinous Ductal Breast Carcinoma、Papillary Ductal Breast Carcinoma、Stage II Breast Cancer、Stage IIIA Breast Cancer、Stage IIIB Breast Cancer、Stage IIIC Breast Cancer、Tubular Ductal Breast Carcinoma。本站分类：肿瘤/乳腺癌。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT01417286
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/NCT01417286
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
疾病类型：炎性乳腺癌、浸润性导管乳腺癌、浸润性小叶乳腺癌、黏液性导管乳腺癌、乳头状导管乳腺癌、II期乳腺癌、IIIA期乳腺癌、IIIB期乳腺癌。
主要目标：I. 无局部失败生存率及无区域失败生存率。
次要目标：I. 采用既往发表的毒性量表评估急性毒性和晚期毒性。II. 识别在接受加速低分割放疗的胸壁重建女性中导致美容效果不佳的协变量。III. 将毒性、美容效果和局部控制与分子标志物进行相关性分析。
方案概要：患者在末次手术或末次化疗后21-63天内，接受为期11个工作日（历时15天）的低分割加速放疗。在无疾病进展或不可接受毒性的情况下继续治疗。研究治疗完成后，患者在2-8周进行随访，随后3年内每3-6个月随访一次，之后2年内每6-12个月随访一次，此后每年随访一次。
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。
