慢性淋巴细胞白血病生存与治疗时间预测的八基因表达特征数据
数据围绕慢性淋巴细胞白血病（CLL）的预后预测，通过 Cox 回归和监督主成分分析，将 151 例 CLL 微阵列数据与总生存期关联，构建了基于八个基因表达水平的预后评分，并在 149 例独立 CLL 患者中通过定量实时 PCR 验证
基本信息
资源简介
慢性淋巴细胞白血病生存与治疗时间预测的八基因表达特征数据
An eight-gene expression signature for the prediction of survival and time to treatment in chronic lymphocytic leukemia
该数据集来自 ebi.ac.uk，属于肿瘤/白血病领域，采用 transcription profiling by array 技术，物种为 Homo sapiens。数据围绕慢性淋巴细胞白血病（CLL）的预后预测，通过 Cox 回归和监督主成分分析，将 151 例 CLL 微阵列数据与总生存期关联，构建了基于八个基因表达水平的预后评分，并在 149 例独立 CLL 患者中通过定量实时 PCR 验证。该评分在单变量 Cox 回归中可预测总生存期和治疗时间，可用于 CLL 预后相关基因表达特征的研究与验证（来源 BioStudies）。
【数据内容】
源站描述（机器翻译，仅供参考）：慢性淋巴细胞白血病（CLL）是一种常见且异质性强的疾病。准确预测结局对于制定个体化治疗策略高度相关。微阵列技术已被证明是开发预后基因表达评分的有效工具。然而，目前尚无基于少数基因表达、且优于已确立预后标志物的基因表达评分能够预测 CLL 的总生存期。我们使用 Cox 回归和监督主成分分析，将 151 例 CLL 微阵列数据集与总生存期相关联，以推导预后评分。该评分基于八个基因的表达水平，并在一个由 149 例 CLL 患者组成的独立组中通过定量实时 PCR 进行了验证。该评分在验证组的单变量 Cox 回归中可预测总生存期和治疗时间。
【主题与分类】
主题标签：transcription profiling by array、Homo sapiens。本站分类：肿瘤/白血病。
【获取与许可】
源站页面：https://ebi.ac.uk/biostudies/studies/E-GEOD-22762
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://ebi.ac.uk/biostudies/studies/E-GEOD-22762
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
Tobias Herold; Vindi Jurinovic; Klaus Metzeler; Anne-Laure Boulesteix; Manuela Bergmann; Till Seiler; Medhanie Mulaw; Silvia Thoene; Annika Dufour; Zlatana Pasalic; Markus Schmidberger; Michael Schmidt; Stephanie Schneider; Purvi Kakadia; Michaela Feuring-Buske; Jan Braess; Karsten Spiekermann; Ulrich Mansmann; Wolfgang Hiddemann; Christian Buske; Stefan Bohlander (2011). 用于预测慢性淋巴细胞白血病生存期及治疗时间的八基因表达特征 [数据集]. https://www.ebi.ac.uk/biostudies/studies/E-GEOD-22762
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。
