乳腺癌软脑膜转移新型分级预后评估（BC-LGPA）模型开发
研究者开展了一项大型、多中心回顾性研究，纳入乳腺癌软脑膜转移（BCLM）患者，构成迄今规模最大、整理最全面的队列之一。收集了2013年11月至2025年11月期间在三家主要学术中心诊断的403例患者的数据
基本信息
资源简介
乳腺癌软脑膜转移新型分级预后评估（BC-LGPA）模型开发
该数据集围绕乳腺癌软脑膜转移（BCLM）的预后评估展开，来源于 clinicaltrials.gov 登记的一项大型、多中心回顾性研究。研究纳入乳腺癌软脑膜转移患者，构成迄今规模最大、整理最全面的队列之一，共收集2013年11月至2025年11月期间在三家主要学术中心诊断的403例患者数据，涵盖临床、病理、诊断与治疗等多维度信息。研究以总生存期（OS）为评价指标，通过 Cox 回归识别独立预后因素，并据此开发并验证了一种新型乳腺癌软脑膜分级预后评估（BC-LGPA）模型，用于患者风险分层。该数据集属于肿瘤学中乳腺癌领域，主题标签为乳腺癌软脑膜转移，适合用于预后模型研究、风险分层方法开发与验证等场景。
【数据集背景】
乳腺癌软脑膜转移是乳腺癌病程中的严重并发症，其预后评估对临床决策具有重要意义。既有评估工具在乳腺癌软脑膜转移这一特定人群中的适用性有限，因此研究者依托多中心回顾性队列，构建了专门针对该人群的分级预后评估模型（BC-LGPA）。该研究的定位是形成规模大、整理全面的 BCLM 队列，为预后因素识别与风险分层提供数据基础。
【数据内容】
数据集覆盖2013年11月至2025年11月期间诊断的403例乳腺癌软脑膜转移患者，采集内容包括详细的临床数据、病理数据、诊断数据与治疗数据。研究对总生存期（OS）进行了评价，并通过 Cox 回归分析识别独立预后因素，最终形成 BC-LGPA 模型并完成验证。除上述内容外，各字段的具体条目、变量类型与取值范围源站未提供。
【采集与来源】
数据来自三家主要学术中心，采用多中心回顾性研究设计，患者诊断时间跨度为2013年11月至2025年11月。数据来源站为 clinicaltrials.gov，登记信息中的疾病条件为乳腺癌软脑膜转移。各中心的具体名称、数据抽取流程与质量控制细节源站未提供。
【适用场景】
该数据集可用于乳腺癌软脑膜转移患者的预后因素分析、总生存期相关研究、风险分层模型的开发与验证，以及 BC-LGPA 模型的外部评价与方法学比较。也可作为多中心回顾性队列研究设计与数据整理实践的参考。清单未提及的其它应用方向源站未提供。
【使用方法】
依据源站描述，使用方式包括以总生存期（OS）为结局开展生存分析，采用 Cox 回归识别独立预后因素，并基于所识别的因素构建分级预后评估模型进行风险分层与验证。具体的数据访问方式、变量字典、分析代码与建模参数源站未提供。
【质量与限制】
该队列被描述为迄今规模最大、整理最全面的 BCLM 队列之一，数据来自三家主要学术中心，具有多中心来源特征。其研究设计为回顾性研究，诊断时间跨度为2013年11月至2025年11月。关于样本选择偏倚、缺失数据比例、随访完整性以及模型校准与区分度的具体结果，源站未提供。
【引用与许可】
源站未提供引用格式与许可条款信息。
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/NCT07386886
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
条件：乳腺癌软脑膜转移。研究者开展了一项大型、多中心回顾性研究，纳入乳腺癌软脑膜转移（BCLM）患者，构成迄今规模最大、数据整理最全面的队列之一。收集了2013年11月至2025年11月期间在三个主要学术中心确诊的403例患者的数据。分析了详细的临床、病理、诊断和治疗数据。评估了总生存期（OS），并通过Cox回归确定了独立预后因素。开发并验证了一种新型乳腺癌软脑膜分级预后评估（BC-LGPA）模型，用于风险分层。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托三甲直采网络，提供合规、去标识化、支持注册级质控的专病数据集交易服务。
