TDTP-RECIST与RECIST 1.1及其他体积评估方法在评估不规则恶性肿瘤疗效中的比较
该数据集来自clinicaltrials.gov,聚焦乳腺癌、胰腺腺癌(导管腺癌)及胆道癌(胆管癌、胆囊癌)患者,旨在比较一种新的三维十二点评估方法TDTP-RECIST与RECIST 1.1及其他基于体积的方法,在评估不规则恶性肿瘤术前治疗反应中的表现,并以手术切除后的肿瘤病理结果为参照,判断哪种

基本信息
资源简介
TDTP-RECIST与RECIST 1.1及其他体积评估方法在评估不规则恶性肿瘤疗效中的比较
该数据集来自clinicaltrials.gov,聚焦乳腺癌、胰腺腺癌(导管腺癌)及胆道癌(胆管癌、胆囊癌)患者,旨在比较一种新的三维十二点评估方法TDTP-RECIST与RECIST 1.1及其他基于体积的方法,在评估不规则恶性肿瘤术前治疗反应中的表现,并以手术切除后的肿瘤病理结果为参照,判断哪种方法吻合度最佳。研究为回顾性设计,涉及复旦大学附属中山医院、深圳大学总医院和天津肿瘤医院机场医院。数据可用于肿瘤疗效评估方法的比较研究与预测建模(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:乳腺癌、胰腺腺癌(导管腺癌)、胆道癌(胆管癌、胆囊癌)。本研究探讨在手术前测量肿瘤对治疗反应的更好方法。如今,医生常使用RECIST 1.1(实体瘤疗效评价标准),该标准在轴位扫描上测量肿瘤的最长直径。对于形状不规则的肿瘤,这可能不可靠。研究者将比较一种名为TDTP-RECIST(三维十二点RECIST)的新颖、简单的三维方法与RECIST 1.1及其他基于体积的方法,以确定哪一种与肿瘤切除后的发现最吻合。这是一项回顾性研究,在复旦大学附属中山医院(中国上海)、深圳大学总医院(中国深圳)和天津肿瘤医院机场医院(中国天津)开展。
【主题与分类】
主题标签:Breast Cancer。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07319767
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/NCT07319767
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:乳腺癌、胰腺腺癌(导管腺癌)、胆道癌(胆管癌、胆囊癌)。本研究旨在探索更优的术前肿瘤治疗反应评估方法。目前,医生常采用RECIST 1.1(实体瘤疗效评价标准),即在轴位扫描图像上测量肿瘤的最大长径。对于形态不规则的肿瘤,这一方法可能并不可靠。研究者将一种名为TDTP-RECIST(三维十二点RECIST)的新型简易三维测量方法与RECIST 1.1及其他基于体积的测量方法进行比较,以确定哪种方法与肿瘤切除后的实际病理发现最为吻合。这是一项回顾性研究,研究地点包括复旦大学附属中山医院(中国上海)、深圳大学总医院(中国深圳)和天津市肿瘤医院空港医院(中国天津)。研究者将查阅既往病历及CT或MRI扫描资料,对象为患有胆道癌、乳腺导管癌或胰腺导管腺癌的成年人(18-80岁)。
所有纳入的患者均接受了新辅助或“转化”治疗(术前给予以缩小肿瘤的治疗),随后在2019年至2024年间接受了手术。研究者不会联系参与者或改变其护理。在治疗前和术前进行的扫描中,研究者将使用多种方法计算肿瘤反应(RECIST 1.1和基于体积的方法,包括TDTP-RECIST)。研究者将把这些影像学结果与切除肿瘤组织中观察到的“病理反应”(残留多少存活癌组织)进行比较。研究者还将观察影像学方法与清晰手术切缘(R0切除,即切缘无癌)、无癌复发时间(无复发生存期)和总生存期的相关性。预计约120名参与者。分析计划于2025年8月至12月进行。参与者没有研究访视、操作或治疗,因此风险极小。参与者没有直接获益。研究结果可能帮助医生c
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。




