新辅助化疗后炎性乳腺癌前哨淋巴结活检研究

该数据集来自 clinicaltrials.gov,聚焦炎性乳腺癌患者在新辅助化疗后行前哨淋巴结活检(SLNB)的前瞻性研究

European Institute of OncologyEuropean Institute of Oncology
clinicaltrials
浏览 2
其他预测Invasive Breast CarcinomaSentinel Lymph Node Biopsy (SLNB)Neoadjuvant Chemotherapy
Sentinel Lymph Node Biopsy After Neoadjuvant Chemotherapy in IBC

基本信息

模态
其他
任务类型
预测
创建/更新时间
2026-10-26

资源简介

新辅助化疗后炎性乳腺癌前哨淋巴结活检研究

该数据集来自 clinicaltrials.gov,聚焦炎性乳腺癌患者在新辅助化疗后行前哨淋巴结活检(SLNB)的前瞻性研究。研究对象为传统上因局部晚期伴皮肤/胸壁受累(cT4d)及初诊时淋巴结负荷重(cN1/N2)而被认为不适合 SLNB 的患者。数据覆盖 SLNB 的可行性与肿瘤学安全性、单示踪剂映射下前哨淋巴结识别率,以及该队列的长期结局,可用于评估该人群 SLNB 的应用价值与预后预测(来源 clinicaltrials.gov)。

【数据内容】

源站描述(机器翻译,仅供参考):条件:浸润性乳腺癌、前哨淋巴结活检(SLNB)、新辅助化疗。本研究将前瞻性确定在炎性乳腺癌患者中新辅助化疗(NACT)后行前哨淋巴结活检(SLNB)的可行性和肿瘤学安全性,这些患者传统上因局部晚期癌症伴皮肤/胸壁受累(cT4d)及初诊时淋巴结负荷重(cN1/N2)而被认为不适合 SLNB。本研究还将评估该患者人群 NACT 后前哨淋巴结(SLN)的识别率(使用单示踪剂映射)。最后,本研究将确定该队列的长期结局。

【主题与分类】

主题标签:Invasive Breast Carcinoma、Sentinel Lymph Node Biopsy (SLNB)、Neoadjuvant Chemotherapy。本站分类:肿瘤/乳腺癌。

【获取与许可】

源站页面:https://clinicaltrials.gov/study/NCT07080944

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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/NCT07080944

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 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。

数据说明

条件:浸润性乳腺癌、前哨淋巴结活检(SLNB)、新辅助化疗。本研究将前瞻性地确定在新辅助化疗(NACT)后对炎性乳腺癌患者进行前哨淋巴结活检(SLNB)的可行性和肿瘤学安全性,这些患者传统上因局部晚期癌症伴皮肤/胸壁受累(cT4d)及初诊时淋巴结负荷重(cN1/N2)而被认为不适合SLNB。本研究还将评估该患者人群在NACT后前哨淋巴结(SLN)的识别率(使用单示踪剂定位)。最后,本研究将确定该队列的长期结局。

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。

获取专属数据定制方案