低分化、未分化及转移性癌症的基因表达谱

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE12630

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

转移性肿瘤的组织来源有时难以通过临床和组织学信息确定。基因表达特征谱是识别组织来源的一种潜在方法。在开发识别组织来源的算法过程中，收集具有已知原发部位的转移性人类肿瘤标本或低分化的原发肿瘤，对于识别能够将未知标本按组织来源进行分类的基因表达特征谱非常有用。本文描述了用于此目的的276例此类肿瘤标本。这些标本为低分化、未分化和转移性标本，来源于以下类型/组织来源的肿瘤：乳腺、肝脏、非霍奇金淋巴瘤、非小细胞肺癌、卵巢、睾丸生殖细胞、甲状腺、肾脏、胰腺、结直肠癌、软组织肉瘤、膀胱、胃癌、前列腺和黑色素瘤。该数据与其他系列（GSE2109）相结合，用于验证Pathwork Diagnostics公司的一种专有肿瘤分类算法。

该验证集（N = 545个CEL文件）的结果显示，算法正确识别了89.4%样本的组织来源。商业使用指南：http://pathworkdx.com/GSE12630_request.html

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。