从患者进展记录中识别基因组突变相关癌症治疗变化的自然语言处理与循环网络模型数据集
包含755名癌症患者的5889份进展记录文本，通过NLP和RNN模型识别基因组突变相关的治疗变化。
基本信息
资源简介
从患者进展记录中识别基因组突变相关癌症治疗变化的自然语言处理与循环网络模型数据集
【一句话概览】
本数据集是 Dryad 公开的文本数据集，主题涵盖 electronic health records、Meijian Guan Guan，可用于医学自然语言处理（实体识别、信息抽取等），https://spdx.org/licenses/CC0-1.0.html 许可开放获取。
【数据集背景】
本数据集源站标题为《Data from: Natural language processing and recurrent network models for identifying genomic mutation-associated cancer treatment change from patient progress notes》。
【数据内容】
源站原始描述：Objectives: Natural language processing (NLP) and machine learning approaches were used to build classifiers to identify genomic-related treatment changes in the free-text visit progress notes of cancer patients. Methods: We obtained 5,889 de-identified progress reports (2,439 words on average) for 755 cancer patients who have undergone a clinical Next Generation Sequencing (NGS) testing in Wake Forest Baptist Comprehensive Cancer Center for our data analyses. An NLP system was implemented to pr…
中文译文（机器翻译，仅供快速理解，请以原文为准）：目的：使用自然语言处理（NLP）和机器学习方法构建分类器，以识别癌症患者自由文本就诊进展记录中与基因组相关的治疗改变。方法：我们获取了755名在Wake Forest Baptist Comprehensive Cancer Center接受临床下一代测序（NGS）检测的癌症患者的5,889份去标识化进展报告（平均2,439词），用于数据分析。实施了一个NLP系统来处理自由文本数据并提取NGS相关信息。应用三种类型的循环神经网络（RNN），即门控循环单元（GRU）、长短期记忆（LSTM）和双向LSTM（LSTM_Bi），将文档分类为治疗改变组和无治疗改变组。此外，我们将RNN的性能与五种机器学习算法进行了比较，包括朴素贝叶斯（NB）、K近邻（KNN）、分类支持向量机（SVC）、随机森林（RF）和逻辑回归（LR）。结果：我们的结果表明，总体而言，RNN优于传统机器学习算法，并且在准确率、精确率、召回率和F1分数方面，LSTM_Bi在RNN中表现最佳。此外，预训练词嵌入可将LSTM的准确率提高3.4%，并将训练时间减少60%以上。讨论与结论：基于NLP和RNN的文本挖掘解决方案在非结构化临床进展记录的信息检索和文档分类任务中已显示出优势。
【数据结构与技术规格】
数据集 DOI：doi:10.5061/dryad.f9m8217。
【主题与分类】
主题标签：electronic health records、Meijian Guan Guan。
【适用方向】
文本类数据可用于医学自然语言处理，如命名实体识别、信息抽取与文本分类。
【获取与许可】
源站页面：https://doi.org/10.5061/dryad.f9m8217
使用许可：https://spdx.org/licenses/CC0-1.0.html。
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
源站：http://datadryad.org/dataset/doi%253A10.5061%252Fdryad.f9m8217
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:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
