脑胶质瘤分级临床与基因突变特征数据集
该数据集是一个基于TCGA-LGG和TCGA-GBM项目的脑胶质瘤患者多模态数据集，包含临床表格特征（如年龄、性别、种族）和基因突变特征（20个高频突变基因状态），主要用于脑胶质瘤分级预测研究，旨在通过机器学习方法优化特征选择以提高诊断准确性并降低分子检测成本，适用于肿瘤学、生物信息学和医学人工智能领域的模型开发与应用。
基本信息
资源简介
脑胶质瘤分级临床与基因突变特征数据集
【一句话概览】
该数据集旨在利用临床与分子特征区分低级别胶质瘤（LGG）与多形性胶质母细胞瘤（GBM）。数据来自TCGA-LGG和TCGA-GBM脑胶质瘤项目，由美国国家癌症研究所TCGA项目资助。每条记录代表一名脑胶质瘤患者，包含20个分子特征（突变或野生型）和3个临床特征（涉及人口统计学信息）。预测任务是判断患者属于LGG还是GBM，目标是寻找最优突变基因与临床特征子集，以提升分级性能并降低成本。建议采用10折交叉验证。数据含种族、年龄和性别信息，预处理时已剔除23条含缺失或未报告值的记录，并移除Project、Case_ID和Primary_Diagnosis列，年龄由字符串转换为连续浮点值（来源 OpenML，The Cancer Geno。
【数据集背景】
本数据集源站标题为《glioma_grading_clinical_and_mutation_features》。源站首次发布：2025-02-17。
【数据内容】
源站原始描述：For what purpose was the dataset created? Gliomas are the most common primary tumors of the brain. They can be graded as LGG (Lower-Grade Glioma) or GBM (Glioblastoma Multiforme) depending on the histological/imaging criteria. Clinical and molecular/mutation factors are also very crucial for the grading process. Molecular tests are expensive to help accurately diagnose glioma patients. In this dataset, the most frequently mutated 20 genes and 3 clinical features are considered from TCGA-LGG and…
中文译文（机器翻译，仅供快速理解，请以原文为准）：该数据集是为何目的创建的？胶质瘤是脑部最常见的原发性肿瘤。根据组织学/影像学标准，可将其分级为LGG（低级别胶质瘤）或GBM（多形性胶质母细胞瘤）。临床和分子/突变因素对于分级过程也至关重要。分子检测在帮助准确诊断胶质瘤患者方面费用高昂。在本数据集中，考虑了来自TCGA-LGG和TCGA-GBM脑胶质瘤项目中最常突变的20个基因和3个临床特征。预测任务是依据给定的临床和分子/突变特征，判断患者是LGG还是GBM。主要目标是找到用于胶质瘤分级过程的最佳突变基因和临床特征子集，以提高性能并降低成本。谁资助了该数据集的创建？癌症基因组图谱（TCGA）项目 - NCI。该数据集中的实例代表什么？在本数据集中，实例代表患有脑胶质瘤的患者的记录。该数据集基于TCGA-LGG和TCGA-GBM脑胶质瘤项目构建。每条记录由20个分子特征（每个特征可根据TCGA Case_ID为mutated或not_mutated（wildtype））和3个临床特征（涉及患者的人口统计学信息）来表征。是否有推荐的数据划分？没有。我们建议使用10折交叉验证进行特征选择、分类等。该数据集是否包含任何可能被视为敏感的数据？有关于患者种族、年龄和性别的信息。是否进行了任何数据预处理？是的。原始文件与预处理文件在以下方面不同：- 原始文件中有23个实例的Gender、Age_at_diagnosis或Race特征值为“”或“not reported”。这些实例在预处理数据集中被过滤掉了。- 尽管原始数据集中存在Project、Case_ID和Primary_Diagnosis列，我们在预处理数据集中不包含这些列。- 在预处理阶段，Age_at_diagnosis特征值通过将天数信息添加到数据集中相应的年份信息，转换为连续值，即浮点数。所有已处理和未处理的文件也存在于该目录中。以下是原始数据附加列的列表
文件 glioma_grading_clinical_and_mutation_features.arff 为文本内容，开头为：% % For what purpose was the dataset created? % % Gliomas are the most common primary tumors of the brain. They can be graded as LGG (Lower-Grade Glioma) or GB…
【数据结构与技术规格】
文件数 1 个，合计 51.74 KB。
【获取与许可】
源站页面：https://www.openml.org/d/46604
使用许可：The Cancer Genome Atlas (TCGA) Project。
规范引用：Tasci, E., Zhuge, Y., Kaur, H., Camphausen, K., & Krauze, A. V. (2022). Hierarchical voting-based feature selection and ensemble learning model scheme for glioma grading with clinical and molecular characteristics. International Journal of Molecular Sciences, 23(22), 14155
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：https://www.openml.org/search?type=data&sort=runs&status=active&id=46604
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:
数据说明
该数据集基于TCGA-LGG和TCGA-GBM脑胶质瘤项目，包含脑胶质瘤患者的临床和基因突变特征，用于脑胶质瘤分级预测研究。数据集记录了每位患者的20个高频突变基因状态（突变或野生型）和3项临床特征（年龄、性别、种族），目标是通过这些特征区分低级别胶质瘤（LGG）和胶质母细胞瘤（GBM）。该数据集旨在探索最优特征子集，以提高分级准确性并降低分子检测成本，适用于医学影像分析、生物信息学和机器学习在肿瘤诊断中的应用。
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。
