利用人工反事实组织样本在计算机中研究治疗效果与疾病结局
主题标签：肿瘤、淋巴瘤、结直肠癌、CTCL、CF-HistoGAN、反事实样本、生成模型。本数据集为肿瘤领域公开数据集，由Zenodo提供，主题涵盖肿瘤。
基本信息
资源简介
利用人工反事实组织样本在计算机中研究治疗效果与疾病结局
本数据集英文名为 Studying Therapy Effects and Disease Outcomes in Silico using Artificial Counterfactual Tissue Samples，由 Paulikat, Martin、Schürch, Christian 与 Baumgartner, Christian F. 共同完成，机构为 Zenodo，发布时间为 2024 年，采用 Creative Commons Attribution 4.0 International 许可。数据集在分类上属于肿瘤 / 淋巴瘤方向，来源站为 doi.org。其核心内容是借助生成方法 CF-HistoGAN 构建的反事实组织样本，用于在计算机中研究治疗效应与疾病结局。该生成模型在两类不同来源的数据上完成训练与转换，分别涉及结直肠癌与皮肤 T 细胞淋巴瘤，因此数据集在主题上覆盖肿瘤、淋巴瘤、结直肠癌、CTCL、反事实样本与生成模型等关键词，面向肿瘤领域的公开研究使用。
【数据集背景】
该数据集围绕“在计算机中研究治疗效应与疾病结局”这一目标构建，所依赖的核心方法是名为 CF-HistoGAN 的生成方法。根据来源站描述，CF-HistoGAN 由相关研究提出，其预印本信息指向 https://doi.org/10.48550/arXiv.2302.03120。该模型并非在单一数据源上训练，而是同时使用并转换了两个不同数据集的数据：其一是 Schürch 等人提供的结直肠癌数据集，对应文献 https://doi.org/10.1016/j.cell.2020.07.005；其二是 Phillips 等人提供的皮肤 T 细胞淋巴瘤数据集，对应文献 https://doi.org/10.1038/s41467-021-26974-6。数据集正是基于这一生成方法所产出的反事实组织样本，主题标签涵盖肿瘤、淋巴瘤、结直肠癌、CTCL、CF-HistoGAN、反事实样本与生成模型。
【数据内容】
数据集的内容为通过 CF-HistoGAN 生成的反事实组织样本。来源站描述明确指出，这些样本是由该生成方法创建的反事实样本，并且该模型是在两个不同数据集上训练并对其进行转换后得到的。这两个数据集分别是结直肠癌数据集与皮肤 T 细胞淋巴瘤数据集。除上述说明外，关于样本的具体数量、图像尺寸、分辨率、组织类型细分、分子标记、存储格式、文件结构或目录组织等信息，源站未提供。
【采集与来源】
数据集的来源站为 doi.org，机构为 Zenodo。其生成所依赖的原始数据来自两个已发表数据集：结直肠癌数据来自 Schürch 等人，文献标识为 https://doi.org/10.1016/j.cell.2020.07.005；皮肤 T 细胞淋巴瘤数据来自 Phillips 等人，文献标识为 https://doi.org/10.1038/s41467-021-26974-6。生成方法 CF-HistoGAN 的说明指向 https://doi.org/10.48550/arXiv.2302.03120。除这些来源信息外，关于具体的采集地点、采集时间、样本纳入与排除标准、伦理审批信息或患者人口学信息，源站未提供。
【适用场景】
该数据集面向肿瘤领域，尤其是与淋巴瘤相关的研究场景。其设计目标是在计算机中研究治疗效应与疾病结局，因此适用于围绕反事实组织样本开展的计算分析与方法探索。由于生成模型同时基于结直肠癌与皮肤 T 细胞淋巴瘤两类数据训练并转换，数据集在主题上覆盖肿瘤、淋巴瘤、结直肠癌与 CTCL 等方向。关于具体的适用任务类型、推荐模型、评价指标或下游应用案例，源站未提供。
【使用方法】
数据集以 Zenodo 作为提供机构，采用 Creative Commons Attribution 4.0 International 许可，使用者可在该许可条件下获取与使用。关于数据的具体加载方式、依赖软件、预处理步骤、训练与推理流程、代码仓库或示例脚本，源站未提供。
【质量与限制】
来源站描述了反事实样本由 CF-HistoGAN 生成，并说明该模型在两个不同数据集上训练与转换。关于数据集的准确性、完整性、偏差、泛化能力、样本代表性、潜在伪影或任何定量质量评估，源站未提供。使用者应注意，反事实样本属于生成产物，其性质与原始组织样本存在差异，但除来源站描述外，本数据集未给出进一步的质量说明或限制声明。
【引用与许可】
数据集作者为 Paulikat, Martin、Schürch, Christian 与 Baumgartner, Christian F.，机构为 Zenodo，发布时间为 2024 年。许可为 Creative Commons Attribution 4.0 International。相关来源包括 CF-HistoGAN 的方法说明 https://doi.org/10.48550/arXiv.2302.03120、结直肠癌数据集文献 https://doi.org/10.1016/j.cell.2020.07.005 以及皮肤 T 细胞淋巴瘤数据集文献 https://doi.org/10.1038/s41467-021-26974-6。关于具体的引用格式、DOI 或版本信息，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://doi.org/10.5281/zenodo.13730330
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:
数据集大小约 125.63 GB。
数据说明
由我们的生成方法CF-HistoGAN创建的反事实样本，该方法在https://doi.org/10.48550/arXiv.2302.03120中介绍。该模型在两个不同数据集的数据上进行训练并转换：Schürch等人的结直肠癌（CRC）数据集https://doi.org/10.1016/j.cell.2020.07.005，以及Phillips等人的皮肤T细胞淋巴瘤（CTCL）数据集https://doi.org/10.1038/s41467-021-26974-6。
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。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
