评估阿法替尼治疗HER2基因改变癌症的靶向治疗试验(MATCH-Subprotocol B)
该数据集来自clinicaltrials.gov,收录一项评估阿法替尼作为HER2基因改变癌症潜在靶向治疗的临床试验。覆盖晚期淋巴瘤、晚期恶性实体瘤、造血与淋巴样细胞肿瘤、难治性淋巴瘤、难治性恶性实体瘤及难治性多发性骨髓瘤患者

基本信息
资源简介
评估阿法替尼治疗HER2基因改变癌症的靶向治疗试验(MATCH-Subprotocol B)
该数据集来自clinicaltrials.gov,收录一项评估阿法替尼作为HER2基因改变癌症潜在靶向治疗的临床试验。覆盖晚期淋巴瘤、晚期恶性实体瘤、造血与淋巴样细胞肿瘤、难治性淋巴瘤、难治性恶性实体瘤及难治性多发性骨髓瘤患者。主要目的是评估客观缓解比例,次要目的包括6个月无进展生存比例、至死亡或疾病进展时间以及识别潜在预测生物标志物和耐药机制。可用于肿瘤靶向治疗反应预测研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:晚期淋巴瘤、晚期恶性实体瘤、造血与淋巴样细胞肿瘤、难治性淋巴瘤、难治性恶性实体瘤、难治性多发性骨髓瘤。主要目的:I. 评估靶向研究药物在晚期难治性癌症/淋巴瘤/多发性骨髓瘤患者中客观缓解(OR)的比例。次要目的:I. 评估靶向研究药物在晚期难治性癌症/淋巴瘤/多发性骨髓瘤患者中治疗6个月时存活且无进展的比例。II. 评估至死亡或疾病进展的时间。III. 使用额外的基因组、核糖核酸(RNA)、蛋白质和基于影像的评估平台,识别除治疗分配所依据的基因组改变之外的潜在预测生物标志物或耐药机制。IV. 评估
【主题与分类】
主题标签:Advanced Lymphoma、Advanced Malignant Solid Neoplasm、Hematopoietic and Lymphoid Cell Neoplasm、Refractory Lymphoma、Refractory Malignant Solid Neoplasm、Refractory Multiple Myeloma。本站分类:肿瘤/淋巴瘤。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04439136
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。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放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/NCT04439136
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
疾病:晚期淋巴瘤、晚期恶性实体肿瘤、造血及淋巴系统肿瘤、难治性淋巴瘤、难治性恶性实体肿瘤、难治性多发性骨髓瘤。主要目的:I. 评估晚期难治性癌症/淋巴瘤/多发性骨髓瘤患者对靶向研究药物的客观缓解(OR)比例。次要目的:I. 评估接受靶向研究药物治疗的晚期难治性癌症/淋巴瘤/多发性骨髓瘤患者在治疗6个月时的存活且无进展比例。II. 评估至死亡或疾病进展的时间。III. 利用额外的基因组、核糖核酸(RNA)、蛋白质及基于影像的评估平台,识别除治疗分配所依据的基因组改变之外的潜在预测性生物标志物或耐药机制。IV.
评估治疗前影像获得的影像组学表型以及从治疗前到治疗后影像的变化能否预测客观缓解和无进展生存期,并评估治疗前影像组学表型与肿瘤活检标本靶向基因突变模式之间的关联。大纲:患者在第1-28天每日一次口服马来酸阿法替尼(阿法替尼)。在没有疾病进展或不可接受的毒性的情况下,每28天重复一个周期。研究治疗完成后,如果从研究入组起不足2年,每3个月对患者随访一次;从研究入组起第3年,每6个月随访一次。
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




