局部晚期或转移性乳腺癌创新治疗应答与耐药机制

数据集获取

源站：https://clinicaltrials.gov/study/NCT07066917

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

疾病状态：转移性乳腺癌。大量证据表明，新型疗法对许多晚期乳腺癌（aBC）患者具有显著的临床获益。与传统疗法相比，将CDK抑制剂、抗体偶联药物（ADCs）、免疫检查点抑制剂（ICIs）和PARP抑制剂用作一线或后续治疗，提高了无进展生存（PFS）率。在部分病例中，这些治疗还延长了总生存（OS），重塑了晚期乳腺癌的治疗格局。然而，若干关键问题仍未得到解答。例如，当存在多种有效选择时，一线治疗应如何选择？确定序贯治疗中各线药物的最佳顺序是另一项重大挑战。此外，治疗耐药的发生以及可能导致早期停药或致命结局的严重不良事件，也是亟待关注的问题。

尽管如此，识别可靠的预测性生物标志物以判断治疗反应或耐药性，对于确保患者获得最有效的治疗、同时避免不必要地暴露于可能造成伤害而无获益的治疗至关重要。此外，当存在多种有效选择时，基于临床、病理和分子生物标志物为每位患者选择最佳治疗算法是必不可少的。我们在此旨在采用高通量方法，如全外显子组测序、循环肿瘤DNA（ctDNA）分析、数字病理学和放射组学分析，以及从患者记录中获取的真实世界数据，用于训练一种基于机器学习的算法，该算法能够根据患者的遗传构成和肿瘤的分子谱来预测对特定治疗的反应或耐药性。

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。