肺癌患者家属及密切接触者的肺癌筛查前瞻性队列研究
该数据集来自clinicaltrials.gov，聚焦肺癌患者家属及密切接触者的肺癌筛查，属于肿瘤/肺癌领域的前瞻性队列研究
基本信息
资源简介
肺癌患者家属及密切接触者的肺癌筛查前瞻性队列研究
该数据集英文名为“Lung Cancer Screening in Family Members and Peers of Lung Cancer Patients: a Prospective Cohort Study”，来自clinicaltrials.gov，本站归类为肿瘤/肺癌领域。数据集聚焦肺癌患者家属及密切接触者的肺癌筛查问题，属于前瞻性队列研究。源站描述指出，对活跃或既往重度吸烟者每年进行低剂量CT筛查，有助于更早诊断并改善肺癌生存；而肺癌患者的家属和密切接触者由于共享遗传、环境和吸烟等生活习惯因素，罹患肺癌的风险更高。研究者希望动员肺癌患者转介其家属和密切接触者接受肺癌筛查，并评估这一转介人群的肺癌风险是否高于由家庭医生转介的人群。主题标签包括Lung Cancer、Lung Cancer Screening和Patient Empowerment。
【数据集背景】
肺癌筛查是肺癌防控的重要环节。源站描述强调，对活跃或既往重度吸烟者采用每年低剂量CT筛查，能够实现更早诊断并带来更好的肺癌生存结局。与此同时，肺癌患者的家属和密切接触者因共享遗传背景、生活环境以及吸烟等生活习惯，其肺癌发生风险高于一般人群。基于这一背景，该研究试图借助肺癌患者自身的参与，将筛查推荐延伸至其家属和密切接触者，并比较这一转介路径与家庭医生常规转介路径下人群的肺癌风险差异。数据集所属主题标签为Lung Cancer、Lung Cancer Screening和Patient Empowerment，体现出以患者赋能为抓手的筛查组织思路。
【数据内容】
源站描述涉及的条件包括Lung Cancer、Lung Cancer Screening和Patient Empowerment。数据集围绕肺癌患者家属及密切接触者的肺癌筛查展开，属于前瞻性队列研究设计。源站未提供具体的变量字段、样本量、随访时长、结局指标定义或数据表结构等细节。
【采集与来源】
该数据集来源站为clinicaltrials.gov。源站描述表明，研究者的做法是让肺癌患者转介其家属和密切接触者接受肺癌筛查，并将这一转介人群与由家庭医生转介的人群进行比较，以评估前者的肺癌风险是否更高。源站未提供具体的采集流程、采集时间窗口、采集机构数量或数据录入方式等信息。
【适用场景】
该数据集可用于关注肺癌筛查组织方式与高危人群识别的场景，尤其是围绕肺癌患者家属及密切接触者这一高风险群体的筛查研究。主题标签中的Patient Empowerment提示其与患者参与、患者动员相关的应用方向。源站未提供具体的适用分析类型或建模用途说明。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
源站未提供。
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/NCT05645731
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：肺癌、肺癌筛查、患者赋能。对目前或曾经的重度吸烟者每年进行低剂量CT肺癌筛查，有助于更早诊断并提高肺癌生存率。肺癌患者的家庭成员和密切接触者由于共享遗传、环境和吸烟等生活习惯，其患肺癌的风险更高。研究者希望让肺癌患者转介其家庭成员和密切接触者接受肺癌筛查，并评估这一转介人群的肺癌风险是否高于由家庭医生转介的人群。
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。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托三甲直采网络，提供合规、去标识化、支持注册级质控的专病数据集交易服务。
