基于AI的乳腺癌基因组亚型分型中捷径学习与误分类审计数据集

数据集获取

源站：https://search.dataone.org/view/sha256%3A725428aa6c4055369506951b17c616aa9801ebb0f809b136ee0320e3ad21c80b

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

目的：模拟基于人工智能的乳腺癌基因组分型中的捷径学习机制，并开发一个可解释、可复现的框架，能够在低代码环境中审计特征过度依赖问题。材料与方法：对癌症基因组图谱乳腺浸润性癌（TCGA-BRCA）数据集进行了回顾性二次分析。仅使用临床预测变量（雌激素受体[ER]、孕激素受体[PR]、HER2状态、肿瘤分期和年龄），在691例完整病例上训练了一个多项逻辑回归模型，以预测PAM50分子亚型。在Stata中实现了一种伪SHAP（Shapley加法解释）归因方法，以估计每个变量的边际影响。使用McFadden伪R²评估模型性能，并通过将伪SHAP得分与在Python中得出的典型SHAP值进行比较来进行验证。结果：仅使用临床变量的模型获得了0.396的伪R²，表明具有中等程度的解释力。

数据来源：审计基于人工智能的乳腺癌基因组亚型分型中的捷径学习与误分类

数据集DOI：https://doi.org/10.5061/dryad.fj6q57482

该Dryad存储库包含去标识化的TCGA-BRCA临床注释表（年龄以范围形式提供）、Stata多重插补导出文件、用于Python SHAP验证的建模表、队列基因表达矩阵、逐列数据字典、Stata脚本（以MIT许可证发布于Zenodo）以及描述性图表。主论文发表于JAMIA Open，2026;9(2):ooaf177，https://doi.org/10.1093/jamiaopen/ooaf177。

主论文：Borges J. Auditing shortcut learning and misclassification in artificial intelligence-based breast cancer genomic subtyping. JAMIA Open. 2026;9(2):ooaf177. https://doi.org/10.1093/jamiaopen/ooaf177（PMID 41937807，

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。