透明度存档：乳腺癌新辅助化疗前预测四分类残留癌症负荷（RCB）：块结构模型比较、选择准则与决策阈值

数据集获取

源站：https://doi.org/10.5281/zenodo.23165374

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。

数据集大小约 896.3 KB。

数据说明

一项研究的透明性存档，该研究在新辅助化疗前可获得的数据基础上预测四分类残留癌症负担（RCB）类别，基于一个单中心回顾性队列，共328名接受新辅助化疗后手术的乳腺癌患者。该存档包含四个分析脚本、手稿中每张表格所依据的结果文件、带有其特征列表和类别顺序的拟合模型对象，以及全部二十张矢量格式的图。三项设计选择使该分析与众不同：主要评估基于100次分层划分，且模型选择在每次划分内重复进行，因此所报告的分布同时承载划分不确定性和选择不确定性；选择标准结合了仅在训练分区上通过五折内部交叉验证计算得到的宏平均AUC和宏平均F1，留出的测试集从未进入选择过程；决策阈值同样在训练数据上选取。源数据中可用的两个治疗过程变量——实际交付的周期强度和治疗方案——被有意排除，以使每个预测变量均可在患者开始化疗前获得。

患者层面的数据集未存放于此，可向通讯作者提出合理请求后获取，但须遵守机构和隐私限制。代码以 MIT 许可证发布；文档、结果文件和图表以 CC BY 4.0 发布。本研究源自的博士论文代码的早期快照已单独存档（kdagdeviren/Doktora-Tez，2026 年 8 月），并已被本存档中的脚本取代。

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。