比较单次与多次剂量放疗用于脑转移并接受免疫治疗的癌症患者
该数据集来自 clinicaltrials.gov,属于肿瘤/肺癌领域,聚焦于伴有脑转移且接受或将要接受靶向 PD-1/PD-L1 轴免疫检查点抑制剂(ICI)治疗的癌症患者

基本信息
资源简介
比较单次与多次剂量放疗用于脑转移并接受免疫治疗的癌症患者
该数据集来自 clinicaltrials.gov,属于肿瘤/肺癌领域,聚焦于伴有脑转移且接受或将要接受靶向 PD-1/PD-L1 轴免疫检查点抑制剂(ICI)治疗的癌症患者。研究为开放标签、随机、III 期试验,比较分次立体定向放射外科(FSRS)与单次立体定向放射外科(SSRS)在大型脑转移患者中 9 个月内 2 级或以上放射性不良反应(ARE)发生率。受试者按 1:1 随机分配至 SSRS 或 FSRS,采用最小化随机策略并考虑 5 个预后因素。数据可用于放疗方案与免疫治疗联合应用的疗效与安全性分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:NSCLC、肾细胞癌、乳腺癌、黑色素瘤、脑转移、成人、非小细胞肺癌、SCLC、小细胞肺癌。本研究是一项开放标签、随机、III 期试验,旨在确定在已接受或将要接受靶向 PD-1/PD-L1 轴的免疫检查点抑制剂(ICI)且在立体定向放射外科(SRS)30 天内的大型脑转移患者中,分次立体定向放射外科(FSRS)是否比单次立体定向放射外科(SSRS)在 9 个月时导致更低的 2 级或以上放射性不良反应(ARE)发生率。参与者将按 1:1 随机分配至 SSRS 或 FSRS,采用最小化随机策略,考虑 5 个感兴趣的预后因素:放射外科平台(伽玛刀 vs. LINAC)、免疫治疗相对于放疗的时机(ICI 在放疗前 30 天内
【主题与分类】
主题标签:NSCLC、Renal Cell Carcinoma、Breast Carcinoma、Melanoma、Brain Metastases, Adult、Non-small Cell Lung Cancer、SCLC、Small-cell Lung Cancer。本站分类:肿瘤/肺癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT05703269
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/NCT05703269
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
条件:非小细胞肺癌、肾细胞癌、乳腺癌、黑色素瘤、脑转移瘤、成人、非小细胞肺癌、小细胞肺癌、小细胞肺癌。本研究为一项开放标签、随机、III期试验,旨在确定对于已接受或将在立体定向放射外科治疗(SRS)30天内接受靶向PD-1/PD-L1轴的免疫检查点抑制剂(ICI)治疗的大体积脑转移瘤患者,与单次立体定向放射外科治疗(SSRS)相比,分次立体定向放射外科治疗(FSRS)是否能在9个月时降低2级或以上放射性不良反应(ARE)的发生率。受试者将按1:1随机分配至SSRS组或FSRS组,采用最小化随机化策略,考虑5个感兴趣的预后因素:放射外科平台(伽玛刀 vs. LINAC)、免疫治疗相对于放疗的时机(SRS第1天前30天内接受ICI vs. 未接受)、手术状态(任何切除腔 vs. 仅完整转移灶)、主要肿瘤类型(黑色素瘤 vs. 所有其他类型),以及既往针对脑转移瘤的SRS疗程(有 vs. 无)。
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。




