乳腺癌PAM50亚型分类器跨队列评估分析代码与预处理数据

数据集获取

源站：https://doi.org/10.21227/yj0m-mp63

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

本数据集随稿件《标签空间不匹配扭曲乳腺癌分子亚型跨队列评估》一同发布，提供复现其乳腺癌PAM50亚型分类器跨队列评估所需的全部内容。内容包括：(1) 分析流程脚本（scripts/route_a_*.py），以及稿件中每个报告数字对应的机器可读结果文件（results/）；(2) 预处理、去标识化的队列数据——协调后的METABRIC特征矩阵（训练n=958，验证n=205，测试n=206）、TCGA-BRCA mRNA/甲基化/临床阵列（n=987），以及GEO系列矩阵GSE21653、GSE20194、GSE32646；(3) 序列化的最佳三模态逻辑回归参考模型及其评估报告。本数据集实现了一套标签空间合规协议，将跨站点比较中通常被混为一谈的三种评估操作区分开来：标签空间限制（主要校正：TCGA-BRCA 73.76%→79.74%，GSE21653 63.16%→68.42%，无需重新训练）、可选的EM先验校正（80.65% / 74.06%），以及从无标签预测中恢复缺失类别，后者失败（EM在claudin-low上保留先验0.0751）。

多模态融合的增益无法在不同队列间迁移，基因组面板在临床变量之外对pCR预测没有额外贡献。代码采用MIT许可；衍生数据采用CC BY 4.0许可，并受源存储库条款约束（cBioPortal：METABRIC、TCGA-BRCA；GEO：GSE21653/GSE20194/GSE32646）。不包含原始测序reads、种系数据或直接标识符。

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。