测试 Crizotinib 作为 MET 外显子 14 缺失突变癌症潜在靶向治疗(MATCH - 子方案 C2)
该数据集来自 clinicaltrials.gov,聚焦于携带 MET 外显子 14 缺失遗传改变的晚期或难治性淋巴瘤、恶性实体瘤及多发性骨髓瘤患者,评估靶向药物 Crizotinib 的客观缓解率、6 个月无进展生存比例、至死亡或疾病进展时间,并探索基因组、RNA、蛋白质及影像学等多平台潜在预测生

基本信息
资源简介
测试 Crizotinib 作为 MET 外显子 14 缺失突变癌症潜在靶向治疗(MATCH - 子方案 C2)
该数据集来自 clinicaltrials.gov,聚焦于携带 MET 外显子 14 缺失遗传改变的晚期或难治性淋巴瘤、恶性实体瘤及多发性骨髓瘤患者,评估靶向药物 Crizotinib 的客观缓解率、6 个月无进展生存比例、至死亡或疾病进展时间,并探索基因组、RNA、蛋白质及影像学等多平台潜在预测生物标志物与耐药机制,可用于肿瘤精准治疗相关的预测建模研究(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、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/多发性骨髓瘤患者中在治疗 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,识别超出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. 评估是否从……获得的放射组学表型
【主题与分类】
主题标签:Advanced Lymphoma、Advanced Malignant Solid 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/NCT06360575
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/NCT06360575
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、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/多发性骨髓瘤患者中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个月时存活且无进展的比例。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)、蛋白质及基于影像学的评估平台,识别除用于分配治疗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. 评估治疗前影像学获得的影像组学表型及治疗前至治疗后影像学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:患者在每个周期的第1-28天口服克唑替尼,每日两次。在无疾病进展或不可接受的毒性情况下,每28天重复一个周期。患者在研究中接受肿瘤活检,并在整个研究期间接受放射学评估和血液样本采集。完成研究治疗后,患者每3个月随访一次,持续2年,然后第3年每6个月随访一次。MATCH筛选试验:有关MATCH筛选方案及相关文件的信息,请参见NCT02465060。
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。




