乳腺癌病理报告结构化信息抽取公开可复现数据集
该数据集为一项评估大语言模型与规则方法从自由文本乳腺癌病理报告中抽取结构化信息的研究配套公开可复现样本，包含15份去标识化西班牙语病理报告及专家标注的金标准标签，覆盖PR、ER、HER2、E-cadherin、Ki-67、组织学类型和组织学分级
基本信息
资源简介
乳腺癌病理报告结构化信息抽取公开可复现数据集
Public Reproducibility Dataset for Structured Information Extraction from Breast Cancer Pathology Reports
该数据集为一项评估大语言模型与规则方法从自由文本乳腺癌病理报告中抽取结构化信息的研究配套公开可复现样本，包含15份去标识化西班牙语病理报告及专家标注的金标准标签，覆盖PR、ER、HER2、E-cadherin、Ki-67、组织学类型和组织学分级。原始研究纳入哥伦比亚某病理网络2019至2024年常规临床实践中的3717份报告，另用383份样本做主要验证分析。这15份报告用于支持工作流复现和方法学测试，不应视为独立验证数据集（来源 DOI 解析，Creative Commons Attribution Non Commercial 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集伴随一项研究，该研究评估大语言模型（LLMs）和一种基于规则的方法从自由文本乳腺癌病理报告中抽取结构化信息。它包含15份去标识化西班牙语病理报告的公开可复现样本及其对应的专家衍生金标准标签，涵盖孕激素受体（PR）、雌激素受体（ER）、HER2、E-cadherin、Ki-67、组织学类型和组织学分级。原始研究纳入了2019年至2024年间哥伦比亚某病理网络常规临床实践中的3717份病理报告，另用383份报告的独立样本进行主要验证分析。此处发布的15份报告旨在支持工作流复现和方法学测试。它们不应被视为独立验证数据集，也不应用于复现性能估计。
【主题与分类】
主题标签：Breast cancer、Pathology reports、Natural Language Processing、Large language models、Spanish clinical text。本站分类：肿瘤/乳腺癌。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.22049258
使用许可：Creative Commons Attribution Non Commercial 4.0 International。
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://doi.org/10.5281/zenodo.22049258
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:
数据集大小约 32.4 KB。
数据说明
本数据集伴随一项研究，该研究评估了大型语言模型（LLMs）和一种基于规则的方法从自由文本乳腺癌病理报告中提取结构化信息的效果。数据集包含一个可公开复现的样本，由15份去标识化的西班牙语病理报告及其对应的专家制定的金标准标签组成，标签涵盖孕激素受体（PR）、雌激素受体（ER）、HER2、E-钙黏蛋白、Ki-67、组织学类型和组织学分级。原始研究纳入了2019年至2024年间哥伦比亚某病理网络中常规临床实践的3，717份病理报告，并另用383份报告的独立样本进行主要验证分析。此处发布的15份报告旨在支持工作流程的可复现性和方法学测试，不应被视为独立的验证数据集，也不应用于复现完整验证样本所报告的性能估计值。本数据存档包括去标识化的病理报告、其专家制定的金标准标签、数据字典和文档。
完整的临床数据集和包含383份报告的验证数据集未公开，因为它们包含受保护的临床信息，并且仍需遵守机构、伦理和数据治理方面的要求。
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。
