人工智能辅助快速现场细胞学标本诊断非小细胞肺癌主要组织学亚型的回顾性验证研究数据集
本数据集基于2024年1月至2026年5月回顾性纳入的800例经病理确诊的非小细胞肺癌患者及400例正常肺组织对照，涵盖训练集、测试集与外部验证集
基本信息
资源简介
人工智能辅助快速现场细胞学标本诊断非小细胞肺癌主要组织学亚型的回顾性验证研究数据集
Artificial Intelligence–Assisted Diagnosis of Major Histological Subtypes of Non–Small Cell Lung Cancer Using Rapid On-Site Cytology Specimens: A Retrospective Validation Study
本数据集基于2024年1月至2026年5月回顾性纳入的800例经病理确诊的非小细胞肺癌患者及400例正常肺组织对照，涵盖训练集、测试集与外部验证集。活检标本经ROSE处理制备Diff-Quik染色液基细胞学涂片并扫描为全切片图像，提取图像块构建数据集。数据可用于开发基于DenseNet-121的深度卷积神经网络模型，实现良性/恶性及组织学亚型的两级分类，并支持在图像块级别和病例级别进行评估（来源 DOI 解析，Creative Commons Attribution Non Commercial Share Alike 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：回顾性纳入2024年1月至2026年5月间经病理确诊的800例NSCLC患者和400例正常肺组织对照，并分为训练集、测试集和外部验证集。活检标本经ROSE处理制备Diff-Quik染色的液基细胞学（LBC）涂片，扫描为全切片图像（WSI）。提取图像块以构建数据集。采用五折交叉验证开发基于DenseNet-121的DCNN模型，用于两级分类（良性/恶性和组织学亚型分型），并在图像块级别和病例级别进行评估。三名不同资历的细胞技术员以盲法独立判读同一批切片。
【主题与分类】
主题标签：Clinical medicine、Artificial Intelligence、Rapid On-Site Cytologic Evaluation、Non-Small Cell Lung Cancer。本站分类：肿瘤/肺癌。
【获取与许可】
源站页面：https://www.scidb.cn/detail?dataSetId=48a869898f384a3c808db2fd52928f28
使用许可：Creative Commons Attribution Non Commercial Share Alike 4.0 International。
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://doi.org/10.57760/sciencedb.xbyxb.0006p
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
回顾性纳入2024年1月至2026年5月间经病理确诊的800例NSCLC患者及400例正常肺组织对照，并分为训练集、测试集和外部验证集。活检标本经ROSE处理制备Diff-Quik染色的液基细胞学（LBC）涂片，扫描为全切片图像（WSI）。提取图像块以构建数据集。基于DenseNet-121构建深度卷积神经网络（DCNN）模型，采用五折交叉验证进行两级分类（良恶性及组织学亚型分型），并在图像块水平和病例水平进行评估。三名资历不同的细胞技术员以盲法独立判读同一批切片。
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。
