LY4101174 用于复发、晚期或转移性实体瘤的研究
该数据集来自 clinicaltrials.gov，收录一项关于 LY4101174 在复发、晚期或转移性实体瘤受试者中的 1a/1b 期多中心、开放标签研究
基本信息
资源简介
LY4101174 用于复发、晚期或转移性实体瘤的研究
该数据集来自 clinicaltrials.gov，收录一项关于 LY4101174 在复发、晚期或转移性实体瘤受试者中的 1a/1b 期多中心、开放标签研究。研究覆盖转移性实体瘤、复发性实体瘤、晚期实体瘤、尿路膀胱肿瘤、三阴性乳腺癌、非小细胞肺癌、食管癌、胰腺癌等瘤种。研究分为剂量递增与剂量优化（1a）和剂量扩展（1b）两个阶段：1a 期评估安全性、耐受性和药代动力学以确定推荐 2 期剂量（RP2D）/最佳剂量；1b 期在基于肿瘤类型和/或治疗史的 7 个扩展队列中评估 RP2D/最佳剂量下的疗效与安全性。试验结束时，受试者可在研究医生判断下继续接受研究药物（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：转移性实体瘤、复发性实体瘤、晚期实体瘤、尿路膀胱肿瘤、三阴性乳腺癌、非小细胞肺癌、食管癌、胰腺癌。这是一项在选定晚期或转移性实体瘤受试者中开展的多中心、开放标签 1a/1b 期研究。本研究包括两个阶段：剂量递增与剂量优化（1a），以及剂量扩展（1b）。1a 期将评估 LY4101174 的安全性、耐受性和药代动力学，以确定推荐 2 期剂量（RP2D）/最佳剂量。1b 期将在基于肿瘤类型和/或治疗史的 7 个扩展队列中评估 LY4101174 在 RP2D/最佳剂量下的疗效和安全性。试验结束时，受试者将可选择在研究医生的判断下继续接受研究药物。
【主题与分类】
主题标签：Metastatic Solid Tumor、Recurrent Solid Tumor、Advanced Solid Tumor、Urinary Bladder Neoplasm、Triple Negative Breast Cancer、Non-small Cell Lung Cancer、Esophageal Cancer、Pancreatic Cancer、Ovarian Cancer、Cervical Cancer。本站分类：肿瘤/肺癌。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT06238479
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://clinicaltrials.gov/study/NCT06238479
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
疾病类型：转移性实体瘤、复发性实体瘤、晚期实体瘤、膀胱肿瘤、三阴性乳腺癌、非小细胞肺癌、食管癌、胰腺癌。这是一项针对特定晚期或转移性实体瘤受试者的1a/1b期多中心、开放标签研究。本研究分为两个阶段：剂量递增和剂量优化（1a期）以及剂量扩展（1b期）。1a期将评估LY4101174的安全性、耐受性和药代动力学，以确定推荐的2期剂量（RP2D）/最佳剂量。1b期将根据肿瘤类型和/或治疗史，在7个扩展队列中评估LY4101174在RP2D/最佳剂量下的疗效和安全性。试验结束时，受试者将根据研究医生的判断，有机会继续接受研究药物。
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。
