面向临床自然语言处理与大语言模型微调的3087例神经肿瘤病例报告大规模结构化数据集
该数据集为神经肿瘤学病例报告的大规模结构化数据集，标题含3,087例，面向临床NLP和LLM微调。仓库提供100例高度整理子集，完整商业数据集含3000余例严格验证病例
基本信息
资源简介
面向临床自然语言处理与大语言模型微调的3087例神经肿瘤病例报告大规模结构化数据集
A Large-Scale Structured Dataset of 3,087 Neuro-Oncology Case Reports for Clinical NLP and LLM Fine-Tuning
该数据集为神经肿瘤学病例报告的大规模结构化数据集，标题含3,087例，面向临床NLP和LLM微调。仓库提供100例高度整理子集，完整商业数据集含3000余例严格验证病例。诊断对齐WHO中枢神经系统肿瘤分类第五版，部分分子标志物转为甲基化/未甲基化二分类，矛盾记录被剔除；年龄规范为两位小数；每条记录附AI生成摘要，原文片段按许可删改。完整数据需联系管理者（来源 DOI 解析，Creative Commons Attribution 4.0 International 许可）。
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：标题：一个用于临床 NLP 和 LLM 微调、包含 3,087 份神经肿瘤学病例报告的大规模结构化数据集 版本：1.0（样本子集） 策展人：hamomaher06@gmail.com 摘要 本存储库包含一个专有神经肿瘤学临床数据集中经过高度策展的 100 例子集。该样本从同行评审病例报告中提取，并通过严格的医学领域逻辑（MD 级策展）进行了深度标准化，代表了数据保真度的最高层级。它专门设计用于支持神经肿瘤学中预测算法、大型语言模型（LLM）和临床决策支持（CDS）框架的训练。本存储库是一个开放获取的演示样本。完整且可商业获取的数据集包含超过 3,000 例经过严格验证的神经肿瘤学病例。有兴趣获取完整数据集以进行高通量流水线集成或基础模型训练的研究人员或商业实体，必须通过 hamomaher06@gmail.com 联系策展人。 方法与策展协议 与经常遭受信号噪声和语义矛盾的原始生物医学提取结果不同，本数据集经过了确定性的临床映射： 1. 形态学与分子标准化：诊断与《WHO 中枢神经系统肿瘤分类（第 5 版）》的约束保持一致。具有模糊报告结构的分子标志物（例如，MGMT 启动子甲基化状态报告为“部分”“临界”或“超甲基化”）已被综合映射为严格的二元分类（甲基化或未甲基化）。相互矛盾的生物标志物信号（例如，同时出现的突变型和野生型 IDH 表现）会导致立即剔除记录，以保持队列纯度。 2. 人口统计学标准化：异质的儿童与成人年龄指标已通过数学插值转换为连续的、保留两位小数的浮点格式（age_years）。 3. AI 合成语境化：每条记录都附有一个 generated_vignette——一个高度结构化、由 AI 合成的叙事摘要，为自然语言处理架构提供丰富的语义上下文。 4. 法律合规与删节：源自非商业（NC）开放获取许可或付费期刊的原始叙述（raw_text_snippet）已…
【主题与分类】
主题标签：Neuro-Oncology、brain tumors、medical dataset、oncology、glioblastoma、astrocytoma、glioma、machine learning、Clinical Decision Support、Predictive Modeling。本站分类：肿瘤。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.19373208
使用许可：Creative Commons Attribution 4.0 International。
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://doi.org/10.5281/zenodo.19373208
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
标题：一个用于临床NLP与LLM微调的3,087例神经肿瘤学病例报告大型结构化数据集
版本：1.0（样本子集）
策展人：hamomaher06@gmail.com
摘要
本存储库包含一个来自专有神经肿瘤学临床数据集、经过高度策展的100例子集。该样本提取自同行评审的病例报告，并通过严格的医学领域逻辑（MD级策展）进行了高度标准化，代表了数据保真度的最高层级。它专为支持神经肿瘤学中的预测算法、大型语言模型（LLM）和临床决策支持（CDS）框架的训练而设计。本存储库作为开放获取的示范样本。完整且可商业获取的数据集包含超过3,000例经过严格验证的神经肿瘤学病例。有兴趣获取完整数据集以进行高通量流程整合或基础模型训练的研究人员或商业实体，必须通过 hamomaher06@gmail.com 联系策展人。
方法与数据整理规范
与原始生物医学提取数据不同——后者常受信号噪声和语义矛盾影响——本数据集经过了确定性的临床映射：1. 形态学与分子标准化：诊断结果与 WHO 中枢神经系统肿瘤分类（第5版）的约束条件对齐。对于报告结构模糊的分子标志物（例如，MGMT 启动子甲基化状态被报告为“部分”“临界”或“高甲基化”），已通过合成方式映射为严格的二分类（甲基化或未甲基化）。相互矛盾的生物标志物信号（例如，同时呈现突变型和野生型 IDH 的情况）会导致记录被立即剔除，以保持队列纯度。2. 人口统计学标准化：异质的儿童与成人年龄指标已通过数学插值转换为连续的、保留两位小数的浮点格式（age_years）。3. AI 合成背景
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。
