基于人工智能的生物标志物预测模型

数据集获取

源站：https://clinicaltrials.gov/study/NCT07842068

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

疾病：早期乳腺癌。尽管治疗方法有所改进，乳腺癌仍是全球女性中最常见的癌症，也是导致癌症死亡的首要原因。乳腺癌治疗决策主要基于已确立的预后和预测生物标志物的存在与否，主要是激素受体，即雌激素受体（ER）和孕激素受体（PgR）、人表皮生长因子受体2癌蛋白（HER2），并与ki67增殖指数相关。目前，生物标志物检测采用基于PCR的检测、下一代测序（NGS）和免疫组织化学（IHC），必要时辅以原位杂交（ISH）。为了克服技术局限性以及人为主观性——其可能导致不同观察者之间得出不同结果，进而导致不恰当治疗和可能对患者生活质量产生不利影响的并发症——近年来，使用基于AI的数字病理学分析组织病理学图像的替代性、具成本效益的方法受到了显著关注。数字病理学使用全切片图像扫描仪，并与人工智能（AI）算法相结合，旨在提高诊断准确性，实现快速患者分层和最佳治疗方案选择，从而改善患者结局。浸润性乳腺肿瘤和淋巴结转移的识别、激素状态评估、乳腺癌分级和有丝分裂计数评估，以及基于肿瘤微环境图像的生物标志物识别，也已通过AI定量分析得到增强。迄今为止，AI已显示出有希望的结果。然而，在将其验证用于临床环境中的患者诊疗之前，还需要更多研究来克服障碍。DL技术已被应用于临床病理学，旨在使病理学家评估苏木精-伊红（H/E）染色切片的方式自动化，同时也旨在获取分子背景和蛋白表达等信息，鉴于遗传变异…

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。