肾癌骨转移风险与预后评估模型数据
该数据集来自frontiersin.figshare.com,配套论文研究肾癌骨转移风险与预后评估模型。研究基于SEER数据库2010至2016年的71,414例肾癌患者,并纳入独立医疗中心的963例患者进行验证,采用八种机器学习方法构建肾癌骨转移诊断与预后模型,通过单因素和多因素logistic回

基本信息
资源简介
肾癌骨转移风险与预后评估模型数据
Table_1_Bone metastasis risk and prognosis assessment models for kidney cancer based on machine learning.DOCX
该数据集来自frontiersin.figshare.com,配套论文研究肾癌骨转移风险与预后评估模型。研究基于SEER数据库2010至2016年的71,414例肾癌患者,并纳入独立医疗中心的963例患者进行验证,采用八种机器学习方法构建肾癌骨转移诊断与预后模型,通过单因素和多因素logistic回归识别风险因素,利用Kaplan-Meier生存曲线和Cox比例风险回归分析预后因素。数据可用于肾癌骨转移风险预测与预后评估的机器学习建模研究(来源 figshare,CC BY 4.0 许可)。
【数据集背景】
配套论文《Epidemiology and risk factors for kidney cancer》发表于 Nature Reviews Urology(2010),DOI:10.1038/nrurol.2010.46。源站首次发布:2022-11-17。
【数据内容】
源站描述(机器翻译,仅供参考):背景:骨转移是肾癌常见的不良事件,常导致生存期缩短。然而,用于预测肾癌骨转移(KCBM)及评估KCBM后生存的工具表现不佳。方法:本研究使用机器学习构建模型,以评估肾癌骨转移风险、预后及性能评价。我们从SEER数据库中选取了2010年至2016年间的71,414例肾癌患者。此外,还选取了来自独立医疗中心的963例肾癌患者来验证模型性能。下一步,应用八种不同的机器学习方法开发KCBM诊断和预后模型,同时通过单因素和多因素logistic回归识别风险因素,并通过Kaplan-Meier生存曲线和Cox比例风险回归分析预后因素。模型的性能
【数据结构与技术规格】
文件数 1 个,合计 110.16 KB。数据集 DOI:10.3389/fpubh.2022.1015952.s002。
【主题与分类】
源站学科分类:Aboriginal and Torres Strait Islander Health、Aged Health Care、Care for Disabled、Community Child Health、Environmental and Occupational Health and Safety、Epidemiology。主题标签:kidney cancer、bone metastasis、diagnosis、prognosis、machine learning、predicting model。本站分类:肿瘤/肾癌。
【适用方向】
源站学科分类标注为 Aboriginal and Torres Strait Islander Health、Aged Health Care、Care for Disabled、Community Child Health、Environmental and Occupational Health and Safety、Epidemiology。
【获取与许可】
源站页面:https://frontiersin.figshare.com/articles/dataset/Table_1_Bone_metastasis_risk_and_prognosis_assessment_models_for_kidney_cancer_based_on_machine_learning_DOCX/21570735
使用许可:CC BY 4.0(https://creativecommons.org/licenses/by/4.0/)。
规范引用:Ji, Lichen; Zhang, Wei; Huang, Jiaqing; Tian, Jinlong; Zhong, Xugang; Luo, Junchao; et al. (2022). Table_1_Bone metastasis risk and prognosis assessment models for kidney cancer based on machine learning.DOCX. Frontiers. Dataset
【使用注意】
· 源站最后修改于 2023-06-04,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(Figshare)
- 源站标题:Table_1_Bone metastasis risk and prognosis assessment models for kidney cancer based on machine learning.DOCX
- DOI:10.3389/fpubh.2022.1015952.s002
- 发布日期:2022-11-17
- 文件数:1 个
- 文件总体积:110.16 KB
- 源站页面:https://frontiersin.figshare.com/articles/dataset/Table_1_Bone_metastasis_risk_and_prognosis_assessment_models_for_kidney_cancer_based_on_machine_learning_DOCX/21570735
命令行下载
curl -L -o "Table_1_Bone metastasis risk and prognosis assessment models for kidney cancer based on machine learning.DOCX" "https://ndownloader.figshare.com/files/38233566"
文件清单
Table_1_Bone metastasis risk and prognosis assessment models for kidney cancer based on machine learning.DOCX(110.16 KB)
文件总体积 110.16 KB(源站 API 实测)。
数据说明
背景骨转移是肾癌常见的不良事件,往往导致生存率低下。然而,用于预测KCBM及评估KCBM后生存的工具表现并不理想。方法本研究采用机器学习构建模型,用于评估肾癌骨转移风险、预后及性能评价。我们从SEER数据库中选取了2010年至2016年间的71,414例肾癌患者。此外,还从一家独立医疗中心选取了963例肾癌患者用于验证模型性能。在下一步中,应用八种不同的机器学习方法开发KCBM诊断和预后模型,同时通过单因素和多因素logistic回归识别危险因素,并通过Kaplan-Meier生存曲线和Cox比例风险回归分析预后因素。在内部队列和独立外部队列中,应用受试者工作特征曲线、决策曲线分析以及准确度和敏感度的计算,将模型的性能与现有模型(包括logistic回归模型和AJCC TNM分期模型)进行比较。
结果我们的预后模型在内部验证队列中达到AUC 0.8269(95%CI:0.8083–0.8425),在外部验证队列中达到AUC 0.9123(95%CI:0.8979–0.9261)。此外,我们通过决策曲线分析曲线、Precision-Recall曲线和Brier评分测试了极端梯度提升模型的性能,两个模型均表现出优异的性能。结论我们开发的模型能够准确预测KCBM的风险和预后,有助于改善决策。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fpubh.2022.1015952.s002(source: https://frontiersin.figshare.com/articles/dataset/Table_1_Bone_metastasis_risk_and_prognosis_assessment_models_for_kidney_cancer_based_on_machine_learning_DOCX/21570735)。
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。




