机器学习技术用于乳腺癌患者系统性炎症标志物的序列评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT06447532

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：乳腺癌。在乳腺癌中，外周血中性粒细胞水平升高和淋巴细胞水平降低与较差的总生存期（OS）相关。在HR+、HER2-转移性乳腺癌中，治疗前低NLR和治疗前高绝对淋巴细胞计数（ALC）与更好的无进展生存期（PFS）和OS相关。基于机器学习（ML）算法的预测模型的开发已被用于不同癌症的预后判断和辅助诊断。尽管常规实验室检查有潜力成为乳腺癌生物标志物，但单一检查尚无法提供足够的敏感性或特异性。人工智能（AI）可帮助整合来自多项检查的数据以辅助诊断。数据存储容量、计算能力和更优算法等技术改进意味着ML能够从实验室检查数据中处理具有临床意义的信息。鉴于缺乏多种病理类型、队列规模小以及缺乏外部验证等局限性，模型的泛化性和稳定性仍需确认。

因此，竞争性模型对于实现乳腺癌患者更准确的分层也至关重要。这项回顾性多中心研究的目的是系统评估实验室检查预测乳腺癌的能力，并开发一个稳健且具有泛化能力的模型，以协助识别乳腺癌患者。

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。