印度可手术乳腺癌女性PREDICT 2.2版预测准确性相关性研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT04985253

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

条件：可手术乳腺癌。乳腺癌的辅助治疗基于临床病理预后和预测标志物。最重要的预后标志物仍然是淋巴结受累的存在1,2。其他有助于规划辅助全身治疗的因素包括肿瘤大小3、分级3、激素受体状态4、Her2/neu过表达5-7、增殖标志物8-9、发病年龄、患者偏好、体能状态和合并症。准确的生存估计以及辅助治疗的可能获益，是肿瘤学家在浸润性早期乳腺癌手术后做出决策时考虑的重要信息方面。目前，这些决策基于已知的病理预后因素，包括肿瘤大小、肿瘤分级和淋巴结状态，以及任何辅助治疗的相对风险降低1-7。不同因素的预后和预测强度是可变的，且同一因素根据乳腺癌的分子亚型可能具有不同的预测或预后价值。这些标志物彼此之间并非完全独立10。

目前已有多种预测模型可用于帮助估计个体患者的生存率和治疗获益。多变量预测模型（MPM）不仅考虑每个标志物本身，还考虑这些标志物所有可能组合所产生的效应10。MPM分为两种类型，既可以是多变量预后模型，也可以是多基因预测模型。多变量预后模型的例子10包括IHC4检测、Adjuvant! Online和PREDICT。多基因预测模型包括OncotypeDx、MammaPrint、PAM50和EndoPredict。基于网络的数学模型利用算法预测术后接受或不接受全身治疗时的生存率，例如“Adjuvant! Online”和PREDICT V2.0，它们利用患者特征来预测接受或不接受治疗时的生存率。所需的输入信息包括肿瘤大小、受累淋巴结数量、肿瘤分级和激素受体状态。

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。