HoneyBee
HoneyBee是一个多模态肿瘤学数据集，整合TCGA项目11,428名患者数据，涵盖33种癌症类型，用于机器学习研究。
基本信息
资源简介
HoneyBee
【数据集背景】
本数据集源站标题为《Lab-Rasool/TCGA》。源站首次发布：2024-05-16。
【数据内容】
源站原始描述：# Dataset Card for The Cancer Genome Atlas (TCGA) Multimodal Dataset The Cancer Genome Atlas (TCGA) Multimodal Dataset is a comprehensive collection of clinical data, pathology reports, slide images, molecular data, and radiology images for cancer patients. This dataset aims to facilitate research in multimodal machine learning for oncology by providing embeddings generated using state-of-the-art models including GatorTron, MedGemma, Qwen, Llama, UNI, SeNMo, REMEDIS, and RadImageNet. - **Curated…
【数据结构与技术规格】
文件数 14 个，合计 31.08 GB。
【主题与分类】
主题标签：language:en、license:cc-by-nc-nd-4.0、size_categories:100K<n<1M、format:parquet、modality:tabular、modality:text、modality:timeseries、library:datasets、library:pandas、library:polars。
【适用方向】
多模态数据适合跨模态对齐、融合建模与联合表征学习方向的研究。
【获取与许可】
源站页面：https://huggingface.co/datasets/Lab-Rasool/TCGA
使用许可：cc-by-nc-nd-4.0。
【使用注意】
· 源站最后修改于 2025-07-08，引用时请注意版本时效。
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
数据集获取与加载（Hugging Face datasets）
# 前置依赖: pip install datasets
from datasets import load_dataset
ds = load_dataset("Lab-Rasool/TCGA")
print(ds) # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"
git lfs install && git clone https://hf-mirror.com/datasets/Lab-Rasool/TCGA
数据说明
HoneyBee是一个可扩展模块化框架，用于创建多模态肿瘤学数据集。该数据集整合了来自TCGA项目的11,428名患者的临床记录、影像数据和患者结果，涵盖33种癌症类型。通过基础模型生成代表性嵌入，提供高质量、机器学习就绪的数据集，旨在加速肿瘤学研究。
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。
