乳腺癌新闻报道数据集2019–2026：文章级数据与覆盖表

数据集获取

源站：https://doi.org/10.5281/zenodo.23446031

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 2.6 MB。

数据说明

一个来自全球新闻索引的乳腺癌新闻数据集，时间范围为2019年1月至2026年7月，使用Prism News API（历史与实时新闻，https://radar-api.fliarbi.com/news）构建。每一行是一篇关于乳腺癌的新闻文章，包含其日期、地点、语气、编辑优先级、主题和所提及的组织，以及一个可通过API返回全文的链接。本版本包含19,424篇文章（占截至2026年7月31日匹配到的78,107篇文章的24.9%）。完整覆盖范围统计为78,123篇乳腺癌文章，2019年1月至2026年7月。国家：样本中的123个主要地点。研究论文：breast-cancer-research-paper.pdf（研究发现、图表、方法）。引用发现：FINDINGS.md（15项发现，每项均附有对应的维基百科条目）。地图：全球及美国各州关于过度覆盖与覆盖不足的地图。许可：CC BY-NC 4.0（需署名并提供链接）。主要发现：每年乳腺癌报道中有22.9%集中在10月，即乳腺癌防治宣传月（2019–2025年平均），是均匀分布的2.75倍。从2019年到2025年，10月每年的占比均为最高，在2019年10月达到峰值，每10,000篇新闻文章中有17.4篇。

2020年，乳腺癌在新闻中的占比比2019年缩小了31.1%，自2021年以来，该占比一直保持在每万篇5.16至5.7篇之间。英国定位到的乳腺癌新闻占比是其全部新闻占比的1.94倍；美国为1.14倍，印度为0.47倍。在定位到100篇文章的国家中，加纳（2.87）和瑞典（2.84）的提升幅度最高。72.4%的乳腺癌文章语气为正面（全部新闻为56.8%）；72.5%被评为关键优先级（全部新闻为42.6%）。在美国，报道过度代表性最高的是康涅狄格州（2.23）和马萨诸塞州（2.12）；在印度，是特伦甘纳邦（2.4）和马哈拉施特拉邦（1.85）。57.2%的原始术语匹配被移除，其中大多数是该索引收录的研究论文摘要。文件 文件 行数 内容 data/breast-cancer-news-sample.csv 19,424 文章级

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。