乳腺癌患者前哨淋巴结活检数据集
该数据集来自 clinicaltrials.gov,聚焦乳腺癌患者的前哨淋巴结活检(SLNB)与腋窝复发问题。源站描述指出,腋窝淋巴结清扫(ALND)曾是标准分期手段但伴随血清肿、淋巴水肿、神经病变等并发症,SLNB 可降低此类并发症且验证研究已证实其准确性

基本信息
资源简介
乳腺癌患者前哨淋巴结活检数据集
该数据集来自 clinicaltrials.gov,聚焦乳腺癌患者的前哨淋巴结活检(SLNB)与腋窝复发问题。源站描述指出,腋窝淋巴结清扫(ALND)曾是标准分期手段但伴随血清肿、淋巴水肿、神经病变等并发症,SLNB 可降低此类并发症且验证研究已证实其准确性。瑞典前哨淋巴结多中心队列研究于 2000 年 9 月至 2004 年 1 月连续纳入乳腺癌患者,入组条件为单灶、浸润性、直径小于 3 cm 的乳腺癌,旨在研究 SLNB 阴性且未行补全 ALND 患者的腋窝复发情况。数据可用于复发风险预测与相关研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:复发、乳腺癌。腋窝淋巴结清扫(ALND)此前是乳腺癌患者腋窝分期的标准手术方式。然而,ALND 伴随相当大的并发症,包括血清肿形成、淋巴水肿、手臂神经病变伴麻木、僵硬、肩部活动受限和疼痛。前哨淋巴结活检(SLNB)已发展为减少这种并发症的手段,验证研究已证明该方法的准确性。为了研究 SLNB 阴性且未行补全 ALND 患者的腋窝复发情况,2000 年 9 月至 2004 年 1 月期间,连续的乳腺癌患者被纳入瑞典前哨淋巴结多中心队列研究。单灶、浸润性、直径小于 3 cm 的乳腺癌患者符合入组条件。排除标准为可触及的复
【主题与分类】
主题标签:Recurrence、Breast Cancer。本站分类:肿瘤/乳腺癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT01351974
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/NCT01351974
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:复发、乳腺癌。腋窝淋巴结清扫术(ALND)曾是乳腺癌患者腋窝分期的标准手术方式。然而,ALND伴随相当大的并发症发生率,包括血清肿形成、淋巴水肿、手臂神经病变伴麻木、僵硬、肩部活动受限和疼痛。前哨淋巴结活检(SLNB)已发展成为降低此类并发症的一种手段,且验证研究已证实该方法的准确性。为研究在省略完成性ALND的患者中SLNB阴性后腋窝复发的情况,2000年9月至2004年1月期间,连续乳腺癌患者被纳入瑞典前哨淋巴结多中心队列研究。直径小于3 cm的单灶性浸润性乳腺癌患者符合入组条件。排除标准为可触及的区域淋巴结、新辅助化疗或放疗、妊娠、已知对蓝色染料或同位素过敏、同侧乳房既往手术史以及术前诊断为肿瘤多灶性。
手术过程:术前注射40-60 mBq锝-99纳米胶体(Solco Nanocoll®)和1 ml蓝色染料(Patent Blue V®)后,行前哨淋巴结(SLN)活检。若无法识别前哨淋巴结,则行I、II级腋窝淋巴结清扫术(ALND)。若SLN活检阳性、术中检出明显可疑转移的淋巴结,或病理检查发现乳腺原发肿瘤为多灶性,亦行补充性ALND。病理评估:对每个SLN行冰冻切片检查并于术中送检。若前哨淋巴结小于4 mm,则分别分析两个切面。大于4 mm的淋巴结行对半切开,每半各分析两个切面。根据研究方案,从前哨淋巴结或对半切开淋巴结的每一部分至少制备三个切面用于最终组织学
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。千方医数集依托三甲直采网络,提供合规、去标识化、支持注册级质控的专病数据集交易服务。




