早期乳腺癌省略SLNB后的放疗与长期结局
该数据集来自clinicaltrials.gov，聚焦临床淋巴结阴性早期乳腺癌患者省略前哨淋巴结活检后的放疗实践与长期临床结局
基本信息
资源简介
早期乳腺癌省略SLNB后的放疗与长期结局
该数据集英文名为 Radiotherapy and Long-term Outcomes in Early Breast Cancer With SLNB Omission，来源于 clinicaltrials.gov，属于肿瘤领域中乳腺癌方向的数据资源。其关注的核心问题是：在临床淋巴结阴性的早期乳腺癌患者中，省略前哨淋巴结活检后，放疗实践方式与长期临床结局之间的关系。数据集围绕放疗特征、腋窝淋巴结所受辐射剂量以及复发、生存等长期结局展开，旨在前瞻性地刻画真实临床实践中放疗方案的差异，并评估这些差异与患者结局的关联。数据集以早期浸润性乳腺癌患者为对象，主题标签涵盖乳腺癌与早期浸润性乳腺癌，适合用于放疗决策、预后评估及相关临床研究参考。
【数据集背景】
近年来，已有临床试验支持在经筛选的临床淋巴结阴性早期乳腺癌患者中省略前哨淋巴结活检。然而，在常规临床实践中，省略前哨淋巴结活检之后的放疗方式存在较大差异，而关于放疗特征、腋窝淋巴结所接受的辐射剂量与长期临床结局之间关系的前瞻性数据仍然有限。根据患者与肿瘤特征以及机构实践的不同，放疗可能包括全乳照射或部分乳腺照射，并采用不同的治疗技术、剂量分割方案以及瘤床加量策略。该数据集所依托的 APROOB 队列正是为前瞻性刻画这些差异并评估其与复发、生存及治疗相关结局的关联而设计。
【数据内容】
数据集聚焦于临床淋巴结阴性早期乳腺癌患者省略前哨淋巴结活检后的放疗实践与长期临床结局。所涉及的内容维度包括放疗照射范围（全乳或部分乳腺照射）、治疗技术、剂量分割方案、瘤床加量策略，以及腋窝淋巴结所接受的辐射剂量；结局方面涉及复发、生存与治疗相关结局。具体变量、字段结构、样本量与随访时长，源站未提供。
【采集与来源】
该数据集来源于 clinicaltrials.gov，对应 APROOB 队列的前瞻性设计。源站描述提及该队列用于前瞻性刻画放疗实践差异并评估其与临床结局的关联。具体的采集流程、入组标准、随访安排与数据管理细节，源站未提供。
【适用场景】
适用于早期乳腺癌放疗决策与预后相关研究，例如探讨省略前哨淋巴结活检后不同放疗范围、技术、剂量分割与瘤床加量策略同复发、生存等长期结局的关联，也可用于比较真实临床实践中放疗方式的差异。具体适用分析类型与使用条件，源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
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/NCT07803081
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、早期浸润性乳腺癌。近期临床试验支持在经临床评估淋巴结阴性的特定早期乳腺癌患者中省略前哨淋巴结活检。然而，在常规临床实践中，省略前哨淋巴结活检后的放疗方案各不相同，且关于放疗特征、腋窝淋巴结所受辐射剂量与长期临床结局之间关系的前瞻性数据仍然有限。根据患者和肿瘤特征以及机构实践，放疗可能包括全乳或部分乳腺照射，采用不同的治疗技术、剂量分割方案和瘤床加量策略。APROOB队列旨在前瞻性地描述这些差异，并评估其与省略前哨淋巴结活检后复发、生存、治疗相关毒性和生活质量之间的关联。本研究不指定任何放疗技术、治疗体积、剂量或分割方案。
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。
