面向临床NLP与LLM微调的3,087例神经肿瘤病例报告大规模结构化数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.19373209

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。

数据集大小约 1.2 MB。

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。