实体瘤预后不良长期生存者分析与解决

数据集获取

源站：https://clinicaltrials.gov/study/NCT06160596

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 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。

数据说明

条件：胰腺腺癌、小细胞肺癌、IDH野生型胶质母细胞瘤。我们首次提出建立大规模样本库，收集意外长期生存者及生存期符合标准对照组的样本，以识别耐药和/或生存相关的生物标志物，从而助力开发新型癌症治疗手段。将收集生物样本和临床记录，然后集中提取数据，纳入从诊断之日起生存超过5年的PDAC和SCLC队列患者，以及生存超过3年的GMB-IDHwt队列患者。除描述患者病史的临床记录（包括多尺度影像、病理学、生物样本分析）外，我们还将利用现有技术收集尽可能多的数据点，如多组学数据，包括基因组、蛋白质组、转录组、表观基因组、代谢组和微生物组。这些多组学数据集相互结合、互为补充，用于识别特定生物学功能及其细胞来源。

在生命历程中，组学层次之间的这种互补效应和协同相互作用，只有通过对多个分子层进行整合研究才能捕捉到。人工智能（AI），特别是机器学习算法，也将有助于理解这些多组学数据。AI还能带来一个新的生物标志物发现层面，使计算机视觉能够分析活检的全切片图像，并将这些生物标志物与多组学基因组特征联系起来。在与各中心协调、由我们建立起来的生物信息学团队对综合数据进行解读之后，我们期望找到分子特征，并由此找到治疗方法，以满足患者和医生未满足的需求。

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。