基于细胞信号分类器预测老年急性髓系白血病诱导治疗反应
该数据集来自 search.dataone.org，包含对55岁以上非M3型急性髓系白血病患者骨髓和外周血样本进行多参数流式细胞术分析所生成的单细胞网络谱（SCNP）数据
基本信息
资源简介
基于细胞信号分类器预测老年急性髓系白血病诱导治疗反应
Cell signaling-based classifier predicts response to induction therapy in elderly patients with acute myeloid leukemia
该数据集来自 search.dataone.org，包含对55岁以上非M3型急性髓系白血病患者骨髓和外周血样本进行多参数流式细胞术分析所生成的单细胞网络谱（SCNP）数据。数据覆盖细胞存活、分化和凋亡通路信号，用于训练和验证预测标准诱导化疗反应（完全缓解、完全缓解伴血液学不完全恢复或耐药）的诊断分类器。数据集包含来自四项SWOG AML试验的SCNP可评估患者，分为训练集和验证集，并开发了五个分类器在独立骨髓验证样本中测试预测准确性。可用于白血病治疗反应预测模型的构建与评估（来源 DataONE，CC0 1.0 Universal (CC0 1.0) Public Domain Dedication 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：单细胞网络谱（SCNP）数据由对55岁以上非M3型急性髓系白血病患者的骨髓（BM）和外周血（PB）样本进行多参数流式细胞术分析生成，用于训练和验证一种诊断分类器（DXSCNP），以预测标准诱导化疗的反应（完全缓解[CR]或伴血液学不完全恢复的完全缓解[CRi] versus 耐药病[RD]）。来自四项SWOG AML试验的SCNP可评估患者被随机分为训练集（N = 74例CR、CRi或RD患者；BM集 = 43；PB集 = 57）和验证分析集（N = 71；BM集 = 42，PB集 = 53）。细胞存活、分化和凋亡通路信号被用作DXSCNP的潜在输入。五个DXSCNP分类器在SWOG训练集上开发，并在独立的BM验证样本集（N =
【主题与分类】
主题标签：acute myeloblastic leukemia (AML)、single-cell network profiling (SCNP)、elderly patients、predictive classifier、signaling pathways。本站分类：肿瘤/白血病。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3Af61100d5b9562452fff6cea06ffff00cc9ae1e96e40e28d13c8128c46b1e75d5
使用许可：CC0 1.0 Universal (CC0 1.0) Public Domain Dedication。
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
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
单细胞网络谱分析（SCNP）数据源自对年龄>55岁的非M3型急性髓系白血病（AML）患者采集的骨髓（BM）和外周血（PB）样本进行多参数流式细胞术分析，用于训练和验证一种诊断分类器（DXSCNP），以预测对标准诱导化疗的反应（完全缓解[CR]或伴不完全血液学恢复的完全缓解[CRi] versus 耐药性疾病[RD]）。来自四项SWOG AML试验的可评估SCNP的患者被随机分配至训练集（N=74例患者，含CR、CRi或RD；BM集=43；PB集=57）和验证分析集（N=71；BM集=42，PB集=53）。细胞存活、分化和凋亡通路信号被用作DXSCNP的潜在输入。在SWOG训练集上开发了五种DXSCNP分类器，并在来自ECOG AML试验的独立BM验证样本集（N=24）中测试预测准确性，以选择最终分类器，该分类器是CR/…的显著预测因子。
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。
