FRACCO 数据集：面向法语肿瘤 NLP 的 ICD-O 标准化标注

数据集获取

源站：https://doi.org/10.5281/zenodo.17077272

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 6.8 MB。

数据说明

本仓库包含FRACCO（法语临床肿瘤学注释语料库），这是一个包含1，301个肿瘤学合成临床病例的法语语料库，源自西班牙语CANTEMIST数据集，并作为FRASIMED项目的一部分进行了翻译。该语料库标注了71，127个实体提及，涵盖形态学、拓扑学和组织学分化，并按照国际肿瘤学疾病分类第三版（ICD-O-3）进行了标准化。此外，更高层次的标注捕获了组合多个ICD-O概念的复合临床表达（expression_CIM）。标注通过双人评审流程创建，涉及领域专家，结合人工策展和自动化支持以确保质量。在可能的情况下自动执行ICD-O编码的规范化，否则手动执行，并应用额外翻译以纠正FRASIMED中约1’000个误译表达。这代表了399个独特形态学编码（来自2’549个不同表达）、272个拓扑学编码（来自3’143个不同表达）以及2’043个独特复合表达（来自11’144个不同表达）。

该数据集以BRAT standoff格式分发，用于处理和训练（.txt和.ann文件与CANTEMIST/FRASIMED编号对齐），并以.csv格式提供，以便对注释内容和代码进行一般审查。相应的代码可在https://github.com/SimedDataTeam/FRACCO获取。

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。