乳腺癌空间肿瘤形状的临床意义与分子特征
该数据集来自 search.dataone.org，收录 2,250 例 2000 年 1 月至 2007 年 7 月间接受手术的浸润性乳腺癌患者的三维肿瘤大小与肿瘤体积数据，并以球体与椭球体体积差（SED）衡量肿瘤偏心度；其中 41 例患者另获转录组与外显子测序数据
基本信息
资源简介
乳腺癌空间肿瘤形状的临床意义与分子特征
The clinical significance and molecular features of the spatial tumor shapes in breast cancers
该数据集来自 search.dataone.org，收录 2,250 例 2000 年 1 月至 2007 年 7 月间接受手术的浸润性乳腺癌患者的三维肿瘤大小与肿瘤体积数据，并以球体与椭球体体积差（SED）衡量肿瘤偏心度；其中 41 例患者另获转录组与外显子测序数据。数据可用于研究乳腺癌三维空间形状的临床意义与分子机制，比较椭球体体积与传统最长径在预后预测上的表现，并分析 SED 所测空间偏心度在不同分子亚型间的差异（来源 DataONE，CC0 1.0 Universal (CC0 1.0) Public Domain Dedication 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：每例乳腺癌都有其独特的三维空间形状，但三维肿瘤形状的临床重要性及其潜在机制大多未知。我们收集了 2,250 例在 2000 年 1 月至 2007 年 7 月间接受手术的浸润性乳腺癌患者的三维肿瘤大小和肿瘤体积数据。肿瘤偏心度通过球体肿瘤体积与椭球体肿瘤体积之差（球体-椭球体差异，SED）来估计。在 41 例患者中获得了转录组和外显子组测序数据。与传统的最大径测量相比，通过计算椭球体肿瘤体积来更准确地估计肿瘤负荷并未改善结局预测。然而，由 SED 测量的空间肿瘤偏心度在乳腺癌分子亚型之间显示出显著差异。
【主题与分类】
主题标签：human、Breast Cancer。本站分类：肿瘤/乳腺癌。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3Ae6110cd82f7012b2c3d4d3808f3090470a5ee62260105e90fe5c065a6b7451ee
使用许可：CC0 1.0 Universal (CC0 1.0) Public Domain Dedication。
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
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
每种乳腺癌都有其独特的三维空间形态，但这些三维肿瘤形态的临床意义及潜在机制大多尚不清楚。我们收集了2000年1月至2007年7月间接受手术的2，250例浸润性乳腺癌患者的三维肿瘤大小和肿瘤体积数据。通过计算球形肿瘤体积与椭球体肿瘤体积之间的差异（球形-椭球体差异，SED）来评估肿瘤偏心度。在41例患者中，获取了转录组和外显子组测序数据。与传统的最大径线测量相比，通过计算椭球体肿瘤体积来更准确地估计肿瘤负荷并未改善预后预测。然而，通过SED测量的肿瘤空间偏心度在乳腺癌分子亚型之间显示出显著差异。此外，肿瘤偏心度与乳腺癌众所周知的预后因素如肿瘤大小和淋巴结转移相关。来自41例患者的转录组数据显示，MMP13与肿瘤空间形态之间存在显著关联。
网络分析和TCGA基因表达数据分析表明，MMP13受ERBB2和S100A7A调控。本研究验证了当前肿瘤大小方法在确定肿瘤分期中的有效性。此外，我们发现高偏心率的肿瘤更可能具有侵袭性肿瘤特征。参与细胞外基质重塑的基因可能是乳腺癌空间肿瘤形状的候选调节因子。
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。
