基于乳腺X线征象与临床信息的导管原位癌组织学分级预测数据

数据集获取（Figshare）

• 源站标题：Table 3_Prediction of histological grading in ductal carcinoma in situ based on mammographic signs and clinical information using machine learning models.docx
• DOI：10.3389/fonc.2026.1762400.s002
• 发布日期：2026-07-02
• 文件数：1 个
• 文件总体积：37.72 KB
• 源站页面：https://frontiersin.figshare.com/articles/dataset/Table_3_Prediction_of_histological_grading_in_ductal_carcinoma_in_situ_based_on_mammographic_signs_and_clinical_information_using_machine_learning_models_docx/32871224

命令行下载

curl -L -o "Table 3_Prediction of histological grading in ductal carcinoma in situ based on mammographic signs and clinical information using machine learning mod.docx" "https://ndownloader.figshare.com/files/66224624"

文件清单

• Table 3_Prediction of histological grading in ductal carcinoma in situ based on mammographic signs and clinical information using machine learning mod.docx（37.72 KB）

文件总体积 37.72 KB（源站 API 实测）。

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。

数据说明

目的 本研究旨在探讨基于乳腺X线征象及临床信息构建机器学习模型预测乳腺导管原位癌（ductal carcinoma in situ，DCIS）组织学分级的可行性。方法 回顾性分析243例经病理确诊为乳腺DCIS患者的乳腺X线征象及临床资料，根据组织学结果将患者分为非高级别组（n=110，包括低级别和中级別）和高级别组（n=133）。对10项临床变量及基于BI-RADS词典的关键乳腺X线特征（钙化有无、形态及分布）进行统计分析，筛选出差异有统计学意义的特征，用于构建三种机器学习模型：极端梯度提升（eXtreme Gradient Boosting，XGBoost）、逻辑回归（logistic regression，LR）和多项式朴素贝叶斯（multinomial Naive Bayes，MNB）。以受试者工作特征（ROC）曲线下面积（AUC）作为主要指标评价模型性能，并采用DeLong检验进行AUC两两比较。

结果XGBoost、LR和MNB训练集的AUC值分别为0.788（95% CI：0.744–0.832）、0.796（95% CI：0.752–0.840）和0.806（95% CI：0.761–0.851）。测试集的AUC值分别为0.763（95% CI：0.709–0.818）、0.756（95% CI：0.705–0.807）和0.784（95% CI：0.735–0.833）。准确率分别为0.761、0.758和0.776；敏感度分别为0.726、0.824和0.808；特异度分别为0.725、0.692和0.744。尽管MNB在数值上取得了最高的性能，但两两AUC比较显示三种模型之间无统计学显著差异（均p > 0.05），表明其判别能力相当。结论基于机器学习的DCIS组织学分级预测模型表现出良好性能，其中MNB在展现具有竞争力的预测效率的同时，还具备概率可解释性的优势。研究结果凸显了整合乳腺X线影像特征与临床信息以提高DCIS分级预测准确性的潜在效用。这些res

许可

CC BY 4.0

引用

学术使用请引用 DOI 10.3389/fonc.2026.1762400.s002（source: https://frontiersin.figshare.com/articles/dataset/Table_3_Prediction_of_histological_grading_in_ductal_carcinoma_in_situ_based_on_mammographic_signs_and_clinical_information_using_machine_learning_models_docx/32871224）。