免疫与靶向治疗耐药性和毒性多维分析研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT06321640

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

疾病：乳腺癌、肺癌、黑色素瘤、头颈癌、尿路上皮癌、结直肠癌、肝转移、肺转移。用于预测靶向治疗反应和毒性的生物标志物。激酶抑制剂等靶向治疗通常与极高的缓解率相关，这正是因为其使用需要事先检测伴随生物标志物。然而，继发性耐药几乎不可避免地会出现，导致尽管疾病进展显著延迟，总生存期的改善往往有限。耐药机制大致可分为两类：i）直接影响药物与其靶点结合的“顺式”突变；ii）激活额外通路的“反式”改变，这些通路能够克服药物诱导的抑制，或平行通路的转录上调。在这两种情况下，这些突变大多是对药物本身产生的选择性环境作出的进化反应而获得，识别这些突变对于确定能够规避耐药机制的潜在后续治疗至关重要。

随着更多靶向治疗进入临床实践，包括抗体药物偶联物等新类别（其保持高靶点特异性，但作用机制完全不同），对与继发性耐药相关的分子机制进行广泛研究变得越来越重要。此外，许多靶向治疗与特定毒性相关，例如间质性肺病，而这些毒性本身从机制角度来看特征尚不明确，这种知识缺乏阻碍了有效诊断和治疗。用于预测免疫检查点抑制剂应答和毒性的生物标志物。已报道了几种在免疫检查点抑制剂治疗患者中具有预测能力的生物标志物（例如肿瘤突变负荷、基线时肿瘤T细胞浸润程度、肿瘤细胞对相应免疫检查点抑制剂靶点的表达）。然而，这些标志物中的每一个单独对结局的准确性都很低。最近

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。