乳腺癌诊断高保真合成数据集

数据集获取

源站：https://doi.org/10.6084/m9.figshare.32932448.v1

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 1.6 MB。

数据说明

用于乳腺癌诊断的高保真合成数据集 本数据集包含CD_15临床数据集的最优高保真合成版本，该数据集源自乳腺癌威斯康星（诊断）数据集（UCI机器学习库）。原始数据包含30个数值特征，这些特征来自乳腺肿块细针穿刺（FNA）数字化图像，代表细胞核的形态学特征（半径、纹理、周长、面积、平滑度、紧凑度、凹度、凹点、对称性和分形维数）。目标变量为Diagnosis（0：良性，1：恶性）。生成与选择方法：合成数据采用配套研究文章《Methodology for generating high fidelity synthetic data to improve mortality prediction for patients in intensive care units》中详述的严格4阶段方法生成。

在初始的类别平衡阶段（其中随机过采样被选为最优技术）之后，使用10种不同方法执行了大规模合成生成过程。最终数据集通过TabDSFidelity指数选出，该指数是一种新颖的度量指标，旨在平衡统计保真度与预测效用。该数据集对应于带高斯噪声的SMOTE RSB算法，在所有纯合成候选数据集中获得了最高的TabDSFidelity得分（8.448），展现出对原始数据统计特性和预测模式的优越保留能力。评估是针对原始参考数据集进行的，以确保最高保真度。文件详情：格式：CSV（逗号分隔值）记录数：5，862个合成实例属性数：31（包括目标变量）目标变量：Diagnosis（1 = 恶性，0 = 良性）正类比例：数据集经过平衡以缓解原始类别不平衡（比例：1.667）。预期用途：该数据集旨在用于机器的研究与开发

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。