乳腺癌术前与病理尺寸的前瞻性研究
该数据集来自 clinicaltrials.gov，聚焦乳腺癌术前评估与病理尺寸的对比研究，涉及乳房切除术及原发性恶性乳腺肿瘤
基本信息
资源简介
乳腺癌术前与病理尺寸的前瞻性研究
该数据集英文名为 Preoperative vs. Pathologic Size in Breast Cancer: A Prospective Study，来源于 clinicaltrials.gov，本站将其归类于肿瘤 / 乳腺癌方向。数据集围绕乳腺癌术前评估与病理尺寸之间的对比研究展开，涉及乳房切除术以及原发性恶性乳腺肿瘤。乳腺癌是全球女性中最常见的恶性肿瘤，对于非转移性病例，手术干预是重要的治疗手段。虽然乳腺癌总体预后相对较好，但初次手术即实现切缘阴性对获得理想治疗结果至关重要。术前准确预测切除范围存在挑战，若未能确保切缘清晰，可能需要进行再次切除或全乳切除术，从而带来心理压力增加、医疗成本上升、美容效果受损，并可能对长期预后和生活质量产生负面影响。该数据集即聚焦于这一临床问题，主题标签包括 Mastectomy 和 Breast Neoplasm Malignant Primary。
【数据集背景】
乳腺癌作为全球女性中最常见的恶性肿瘤，对于非转移性病例通常需要外科干预。尽管整体预后较为乐观，但初次手术实现切缘阴性是获得最佳结局的关键。术前准确预测切除范围面临挑战，若未能获得清晰切缘，可能导致再次切除或全乳切除术，进而增加心理压力、提高医疗成本、损害美容效果，并可能对长期预后和生活质量造成不良影响。预测最佳切除范围涉及多种因素，包括影像学检查、体格检查结果、肿瘤分子亚型、导管内癌成分的存在及其范围等。该数据集正是围绕术前评估与病理尺寸的对比这一主题而建立。
【数据内容】
该数据集聚焦于乳腺癌术前评估与病理尺寸的对比研究，涉及乳房切除术及原发性恶性乳腺肿瘤。源站描述中提及的条件包括 Mastectomy 和 Breast Neoplasm Malignant Primary。关于数据集具体包含的字段、变量、样本量、时间范围、随访信息等详细内容，源站未提供。
【采集与来源】
该数据集来源于 clinicaltrials.gov。关于具体的采集方式、采集时间、采集地点、纳入与排除标准、研究设计细节等信息，源站未提供。
【适用场景】
该数据集适用于乳腺癌术前评估与病理尺寸对比相关的研究方向，涉及乳房切除术及原发性恶性乳腺肿瘤。潜在应用可能包括探讨术前预测切除范围的准确性、分析影响切缘状态的因素等。关于具体适用场景的详细说明，源站未提供。
【使用方法】
关于该数据集的具体使用方法、访问方式、数据结构说明、分析指南等信息，源站未提供。
【质量与限制】
关于该数据集的质量评估、数据完整性、潜在偏倚、局限性等信息，源站未提供。
【引用与许可】
关于该数据集的引用方式、许可协议、使用条款等信息，源站未提供。
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/NCT06505577
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：乳房切除术、原发性恶性乳腺肿瘤。乳腺癌是全球女性中最常见的恶性肿瘤，对于非转移性病例通常需要手术干预。虽然乳腺癌总体预后较好，但初次手术实现切缘阴性对于获得最佳疗效至关重要。术前准确预测切除范围存在挑战，因为未能确保切缘清晰可能需要进行进一步切除或全乳切除术，从而导致心理压力增加、医疗费用升高、美容效果受损，并可能对长期预后和生活质量产生负面影响。预测最佳切除范围涉及多种因素，包括影像学检查、体格检查结果、肿瘤分子亚型、导管内癌成分的存在及范围等。尽管这些预测因素可供使用，但将其整合并实际应用于临床决策仍具有挑战性。
这项前瞻性观察性研究旨在通过分析真实世界临床环境中这些因素的相互作用来填补这一空白，其主要目的是推导出一个综合预测模型，以指导外科医生在术前确定最佳切除范围。
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。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
