乳腺癌部分乳腺再照射数据集
该数据集来自 clinicaltrials.gov,聚焦乳腺癌患者的部分乳腺再照射(re-RT)。源站描述指出再照射的治疗难点在于平衡肿瘤控制与既往照射器官累积剂量带来的严重毒性风险,并列举了近距离放疗(BT)、术中放疗(IORT)及光子或电子外照射放疗(EBRT)等再照射方式,以及不同时间间隔和技

基本信息
资源简介
乳腺癌部分乳腺再照射数据集
该数据集来自 clinicaltrials.gov,聚焦乳腺癌患者的部分乳腺再照射(re-RT)。源站描述指出再照射的治疗难点在于平衡肿瘤控制与既往照射器官累积剂量带来的严重毒性风险,并列举了近距离放疗(BT)、术中放疗(IORT)及光子或电子外照射放疗(EBRT)等再照射方式,以及不同时间间隔和技术下高级别(≥3级)毒性的发生率范围。数据可用于研究乳腺癌再照射的毒性风险与治疗决策(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:乳腺癌。再照射的治疗挑战在于,在肿瘤控制与既往照射器官累积辐射剂量所致严重毒性风险之间寻找平衡。再照射(re-RT)的选择包括使用近距离放疗(BT)、术中放疗(IORT)或光子或电子外照射放疗。根据距既往放疗的时间间隔和所应用的技术,再照射的高级别(≥3级)毒性发生率范围约为:BT 急性皮肤毒性约 9%,晚期纤维化 12%–17%,G4 毒性 1%–10%;IORT 晚期 3 级纤维化 21%;EBRT 的 3 级毒性(皮肤、食管炎、伤口裂开)为 7–24%–35%,包括 12% 的晚期乳房体积不对称、急性和晚期 4 级溃疡(1–2%),甚至 1.2% 的 5 级(治疗相关死亡)。PBT 的布拉格峰剂量学特征具有优势的物理……
【主题与分类】
主题标签:Breast Cancers。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT06954623
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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放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/NCT06954623
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。再照射的治疗挑战在于,需要在肿瘤控制与既往照射器官因累积辐射剂量导致严重毒性风险之间寻求平衡。再放疗(re-RT)的选择包括使用近距离放疗(BT)、术中放疗(IORT)或光子/电子外照射放疗。根据距前次放疗的时间间隔及所采用的技术,再放疗的高级别(≥3级)毒性发生率约为:急性皮肤毒性约9%,晚期纤维化为12%-17%,BT的4级毒性为1%-10%;IORT的晚期3级纤维化为21%;EBRT的3级毒性(皮肤、食管炎、伤口裂开)为7%-24%-35%,包括12%的晚期乳房体积不对称、1%-2%的急性和晚期4级溃疡,甚至1.2%的5级毒性(治疗相关死亡)。质子束治疗(PBT)凭借布拉格峰(Bragg Peak)的剂量学特征,具有优越的物理特性,在降低邻近危及器官(OAR)剂量及以较低全身积分剂量实现有效靶区覆盖方面,已被证明优于基于光子的技术。
此外,该技术可能具有更高的放射生物学效应和肿瘤反应[28],这在乳腺癌复发中可能更具治疗抵抗性的疾病生物学中尤为有利。总体而言,关于复发后同侧乳腺再放疗的前瞻性经验有限,且最常涉及侵入性多导管近距离放射治疗技术。
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




