结合临床、影像组学与深度学习特征预测NSCLC患者总生存期
数据围绕NSCLC患者，涵盖临床、影像组学与深度学习特征，主题涉及计算机与信息科学、医学健康与生命科学。可用于构建和验证NSCLC患者总生存期预测模型，支持临床与影像多模态特征融合分析（来源 DOI 解析）
基本信息
资源简介
结合临床、影像组学与深度学习特征预测NSCLC患者总生存期
该数据集英文名为“Predicting overall survival of NSCLC patients with clinical, radiomics and deep learning features.”，围绕非小细胞肺癌（NSCLC）患者的总生存期预测问题，汇集了临床特征、影像组学特征与深度学习特征等多模态信息。数据集由DataverseNL发布，发布时间为2026年，作者包括Kanakarajan, Hemalatha、Zhou, Jikai、Lobo Gomes, Aiara、Kalendralis, Petros、Liang, Wenje、Tohidinezhad, Fariba、Dekker, Andre、De Baene, Wouter、Sitskoorn, Margriet等。其主题标签涵盖计算机与信息科学、医学健康与生命科学、深度学习、NSCLC以及总生存期。整体而言，该数据集旨在为NSCLC患者总生存期预测研究提供可复现所需的信息，支持临床与影像多模态特征融合分析，适用于构建和验证相关预测模型。
【数据集背景】
非小细胞肺癌（NSCLC）是肺癌的主要类型之一，患者的总生存期预测对于治疗决策与预后评估具有重要意义。随着影像组学与深度学习技术在医学领域的应用不断深入，将临床信息与影像特征相结合，成为提升生存期预测性能的重要方向。该数据集正是围绕这一研究方向构建，其英文名称直接指向“利用临床、影像组学和深度学习特征预测NSCLC患者总生存期”这一研究主题。数据集所属分类为肿瘤/肺癌，来源站为doi.org，发布机构为DataverseNL，发布时间为2026年。这些背景信息表明，该数据集服务于肿瘤学与医学信息学的交叉研究，尤其关注多模态特征在生存分析中的应用。
【数据内容】
该数据集包含复现上述研究所需的信息。从主题标签来看，其内容涉及计算机与信息科学、医学健康与生命科学、深度学习、NSCLC以及总生存期。数据集围绕NSCLC患者，涵盖临床、影像组学与深度学习特征。这意味着数据内容可能包括患者的临床变量、从医学影像中提取的影像组学特征，以及通过深度学习模型得到的特征表示。这些特征共同用于总生存期的预测建模。需要说明的是，关于具体的样本量、特征数量、变量名称、数据格式、文件结构等细节，源站未提供。
【采集与来源】
该数据集的来源站为doi.org，发布机构为DataverseNL。作者包括Kanakarajan, Hemalatha、Zhou, Jikai、Lobo Gomes, Aiara、Kalendralis, Petros、Liang, Wenje、Tohidinezhad, Fariba、Dekker, Andre、De Baene, Wouter、Sitskoorn, Margriet。发布时间为2026年。源站描述指出，该数据包包含复现题为“Predicting overall survival of NSCLC patients with clinical, radiomics and deep learning features”的研究所需的信息。关于数据的具体采集地点、采集时间范围、伦理审批信息、患者纳入与排除标准等，源站未提供。
【适用场景】
该数据集可用于构建和验证NSCLC患者总生存期预测模型，支持临床与影像多模态特征融合分析。具体而言，研究人员可以利用其中的临床特征、影像组学特征与深度学习特征，开展生存分析、特征融合方法比较、模型性能评估等工作。其主题标签中的“深度学习”与“NSCLC”“Overall survival”表明，该数据集适合用于探索深度学习在肿瘤预后预测中的应用。此外，由于数据集强调可复现性，它也可作为方法学研究的基准数据，用于重复或扩展原研究。关于是否适用于其他癌种、其他终点指标或其他临床任务，源站未提供。
【使用方法】
该数据集的使用应围绕复现原研究展开。源站描述明确说明，数据包包含复现该研究所需的信息。因此，使用者可依据原研究的流程，对临床、影像组学与深度学习特征进行整合，并建立总生存期预测模型。关于具体的数据预处理步骤、特征选择方法、模型架构、训练与验证策略、评价指标等，源站未提供。使用者在获取数据后，可能需要参考原研究论文以了解详细的分析流程。关于数据访问方式、是否需要申请、是否涉及注册或授权等，源站未提供。
【质量与限制】
该数据集由DataverseNL发布，作者团队来自相关研究领域，发布时间为2026年。其主题标签覆盖计算机与信息科学、医学健康与生命科学等，表明其面向跨学科研究。然而，关于数据的完整性、准确性、缺失值情况、样本代表性、偏倚风险、外部验证情况等质量指标，源站未提供。此外，关于数据的具体限制，例如是否仅包含单一中心数据、是否覆盖特定分期或治疗背景的患者、是否存在样本量不足等问题，源站未提供。使用者在使用时应结合原研究及自身研究目的，谨慎评估其适用性。
【引用与许可】
该数据集的作者为Kanakarajan, Hemalatha、Zhou, Jikai、Lobo Gomes, Aiara、Kalendralis, Petros、Liang, Wenje、Tohidinezhad, Fariba、Dekker, Andre、De Baene, Wouter、Sitskoorn, Margriet，发布机构为DataverseNL，来源站为doi.org，发布时间为2026年。关于具体的引用格式、许可协议类型、使用条款、是否允许商业用途、是否允许再分发等，源站未提供。使用者在引用或使用该数据集时，应查阅来源站点的正式说明，并遵循相应的引用与许可要求。
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://doi.org/10.34894/CH8PFS
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
本数据包包含复现题为“结合临床、放射组学和深度学习特征预测NSCLC患者总体生存期”研究所需的信息。
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。
