模型的优势与不足
基于130例DLBCL患者回顾性队列数据，比较五种监督机器学习模型预测原发难治性疾病的研究数据集。
基本信息
模态
表格
创建/更新时间
2026-10-16
资源简介
该数据集基于2017—2022年单中心回顾性队列，纳入130例初诊弥漫性大B细胞淋巴瘤（DLBCL）成人患者，包含人口学特征、临床状况、疾病特征、一线治疗及2周期后PET-CT等变量，用于比较SVM、随机森林、逻辑回归、朴素贝叶斯分类器和XGBoost五种监督机器学习模型对原发难治性DLBCL的预测性能，并评估ROC-AUC、准确率、假阳性率、敏感性和F1值等指标，以辅助治疗决策。
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（Figshare）
源站：https://figshare.com/articles/dataset/Strengths_and_weaknesses_of_models_/27150098
按页面 Download 按钮获取。
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。
