CHIMERA
前列腺癌生化复发预测多模态基准数据集，包含MRI、病理图像和临床数据，推动多模态AI预后模型发展。
基本信息
资源简介
CHIMERA
【一句话概览】
CHIMERA 挑战聚焦于整合组织学、医学影像（放射学）与分子数据，以推动癌症诊疗中的精准医学。该挑战针对多模态数据整合的关键需求，涉及转录组学、病理学和放射学在临床科室间的融合难题。临床医生面对庞大且异质的数据集，难以有效分析。人工智能有望统一多模态数据，但仍存在技术障碍，如确定合适的融合阶段和处理缺失模态。挑战涉及前列腺癌、膀胱癌、NMIBC，标签涵盖组织病理学、放射学、转录组学、多模态及复发预测（来源 chimera.grand-challenge.org）。
【数据内容】
源站原始描述：Combining HIstology, Medical Imaging (Radiology), and molEcular Data for Medical pRognosis and diAgnosis. The CHIMERA Challenge aims to advance precision medicine in cancer care by addressing the critical need for multimodal data integration. Despite significant progress in AI, integrating transcriptomics, pathology, and radiology across clinical departments remains a complex challenge. Clinicians are faced with large, heterogeneous datasets that are difficult to analyze effectively. AI has the…
中文译文（机器翻译，仅供快速理解，请以原文为准）：结合组织学、医学影像（放射学）和分子数据用于医学预后与诊断。CHIMERA挑战旨在通过解决多模态数据整合的关键需求，推动癌症护理中的精准医学发展。尽管人工智能取得了显著进展，但跨临床科室整合转录组学、病理学和放射学仍然是一项复杂的挑战。临床医生面临着庞大且异质的数据集，难以有效分析。人工智能有潜力统一多模态数据，但仍存在若干技术障碍，例如确定合适的融合阶段和处理缺失模态。
【主题与分类】
主题标签：prostate cancer、bladder cancer、NMIBC、histopathology、radiology、transcriptomics、multimodal、recurrence prediction。
【适用方向】
多模态数据适合跨模态对齐、融合建模与联合表征学习方向的研究。
【获取与许可】
源站页面：https://chimera.grand-challenge.org/chimera/
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。
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://chimera.grand-challenge.org/chimera/
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
CHIMERA数据集是由拉德堡德大学医学中心、坎尼修斯-威廉敏娜医院、伊拉斯姆斯大学医学中心、昂科德研究所等机构联合创建的前列腺癌生化复发预测多模态基准数据集，包含267名患者的801个MRI序列、942张全切片病理图像以及13个临床变量，旨在推动多模态人工智能模型在前列腺癌预后中的发展，评估模型在临床现实场景中的鲁棒性。
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。
