2019–2026年新闻中的乳腺癌：文章级数据集与覆盖表

数据集获取

源站：https://doi.org/10.6084/m9.figshare.34688493

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 6.4 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构建（历史与实时新闻，https://radar-api.fliarbi.com/news ）。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、主题及其提及的组织，另附一个可通过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%）。完整覆盖范围共计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）。引用用研究发现：FINDINGS.md（15项发现，每项均附有其维基百科目标）。地图：全球及美国各州覆盖过度与覆盖不足地图。许可：本Figshare记录采用CC BY 4.0许可（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），为均匀分布的2.75倍。2019年至2025年，10月每年的份额均为最高，2019年10月达到峰值，每10,000篇新闻文章中有17.4篇。

2020年，乳腺癌相关新闻的占比相较2019年缩小了31.1%，且自2021年以来，该占比一直维持在每万条新闻5.16至5.7条之间。在已定位的乳腺癌新闻中，英国所占份额是其全部新闻份额的1.94倍；美国为1.14倍，印度为0.47倍。在拥有100篇已定位文章的国家中，加纳（2.87）和瑞典（2.84）的提升幅度最高。72.4%的乳腺癌文章基调为正面（全部新闻为56.8%）；72.5%被评为关键优先级（全部新闻为42.6%）。在美国国内，报道过度代表性最明显的是康涅狄格州（2.23）和马萨诸塞州（2.12）；在印度，则是特伦甘纳邦（2.4）和马哈拉施特拉邦（1.85）。57.2%的原始术语匹配项被剔除，其中大多数是该索引收录的研究论文摘要。文件 文件 行 内容 data/breast-cancer-news-sample

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。