欧洲癌症与营养前瞻性调查
欧洲癌症与营养前瞻性调查（EPIC）研究是世界上最大的队列研究之一，在10个欧洲国家招募了超过50万（521 000）名参与者，并随访了近15年
基本信息
资源简介
欧洲癌症与营养前瞻性调查
EPIC 研究（European Prospective Investigation into Cancer and Nutrition，欧洲癌症与营养前瞻性调查）是世界上规模最大的队列研究之一，在 10 个欧洲国家共招募了 521 000 名参与者，并对这些人随访了近 15 年。该研究旨在考察饮食、营养状况、生活方式与环境因素同癌症及其他慢性疾病发病率之间的关系。EPIC 的研究者活跃于流行病学的各个领域，依托生物标志物分析和问卷信息在营养流行病学方面取得了重要贡献，同时也开展了遗传学和生活方式方面的研究。作为一个面向肿瘤及其他相关领域的大型人群队列资源，EPIC 为探索慢性疾病病因提供了长期随访的人群基础。
【数据集背景】
EPIC 研究是一项前瞻性队列研究，其设计目标是调查饮食、营养状况、生活方式和环境因素与癌症及其他慢性疾病发病率之间的关系。研究在 10 个欧洲国家开展，共招募 521 000 名参与者，随访时间接近 15 年，是世界上最大的队列研究之一。EPIC 的研究者活跃于流行病学的各个领域，并依托该队列在营养流行病学、遗传学和生活方式研究等方向持续产出成果。
【数据内容】
EPIC 的数据围绕参与者的饮食、营养状况、生活方式与环境因素展开，并关联癌症及其他慢性疾病的发病情况。研究中使用了生物标志物分析与问卷信息两类营养流行病学数据来源，同时也涉及遗传与生活方式方面的调查内容。关于具体变量条目、数据表结构、样本量分布与随访端点定义等细节，源站未提供。
【采集与来源】
数据来源于 EPIC 研究在 10 个欧洲国家开展的参与者招募与长期随访，参与者总数超过 50 万（521 000 人），随访时间接近 15 年。研究信息的原始来源站点为 epic.iarc.fr。关于各中心招募方式、问卷与生物样本采集流程、随访更新机制等具体操作细节，源站未提供。
【适用场景】
该数据集适用于考察饮食、营养状况、生活方式与环境因素同癌症及其他慢性疾病发病率之间关系的研究，也适用于营养流行病学方向的生物标志物分析与问卷信息分析，以及遗传学和生活方式相关的研究。EPIC 研究者活跃于流行病学各领域，该队列可用于支撑上述方向的流行病学探索。
【使用方法】
源站未提供。
【质量与限制】
EPIC 是一项在 10 个欧洲国家开展、纳入 521 000 名参与者并随访近 15 年的大型队列研究，具有规模大、随访期长的特点。关于数据缺失情况、测量误差、混杂控制、外推适用范围等具体质量与限制说明，源站未提供。
【引用与许可】
源站未提供。
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。
需登录公开下载
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://epic.iarc.fr/index.php
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
欧洲癌症与营养前瞻性调查（EPIC）研究是世界上最大的队列研究之一，在10个欧洲国家招募了超过50万（521 000）名参与者，并对其进行了近15年的随访。EPIC旨在探究饮食、营养状况、生活方式和环境因素与癌症及其他慢性疾病发病率之间的关系。EPIC的研究人员活跃于流行病学的各个领域，利用生物标志物分析和问卷信息，以及遗传和生活方式调查，在营养流行病学方面做出了重要贡献。
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。
