胆囊癌（MSKCC，2022）
为识别胆囊癌（GBC）中具有潜在预后和治疗意义的标志物，我们刻画了 MSKCC GBC 队列（n=233）的分子图谱。在本项目中，我们发布该队列的临床和突变数据
基本信息
资源简介
胆囊癌（MSKCC，2022）
胆囊癌（GBC）是一种预后较差的胆道系统恶性肿瘤，寻找具有潜在预后和治疗意义的分子标志物对于改善患者管理具有重要意义。Gallbladder Cancer (MSKCC, 2022) 数据集由纪念斯隆-凯特琳癌症中心（MSKCC）研究团队构建，旨在通过刻画该中心胆囊癌队列的分子图谱，识别与预后及治疗相关的潜在标志物。该队列共纳入233例胆囊癌样本，项目公开发布了该队列的临床数据和突变数据，为研究者探索胆囊癌的分子特征与临床结局之间的关联提供了数据基础。该数据集在站内归类为肿瘤/其他，来源于synapse.org，相关数据亦可在cBioPortal数据库中按同一研究名称获取。
【数据集背景】
该数据集围绕胆囊癌（GBC）中潜在预后和治疗意义标志物的识别而建立。研究团队对MSKCC胆囊癌队列的分子图谱进行了刻画，期望通过系统性的分子层面描述，为胆囊癌的预后判断和治疗靶点发现提供依据。该队列规模为233例，属于单中心回顾性队列研究的数据发布形式。
【数据内容】
该数据集发布的内容包括该胆囊癌队列的临床数据和突变数据。临床数据与突变数据共同构成该队列的分子与临床特征描述基础。除上述两类数据外，源站未提供关于具体字段、变量数量、检测panel或突变基因列表等更细粒度的说明。
【采集与来源】
数据来源于纪念斯隆-凯特琳癌症中心（MSKCC）的胆囊癌队列，样本量为233例。数据通过synapse.org平台发布，同时该研究的信息也可在cBioPortal数据库中以相同研究名称（gbc_mskcc_2022）查询获取。关于样本采集时间范围、伦理审批信息及具体测序平台，源站未提供。
【适用场景】
该数据集适用于胆囊癌分子特征与临床结局相关的研究场景，例如探索潜在预后标志物、候选治疗靶点，以及开展胆囊癌突变谱与临床数据之间的关联分析。由于数据同时包含临床与突变信息，也可用于支持转化医学和精准肿瘤学方向的二次分析。具体适用分析类型需结合数据实际字段判断，源站未提供进一步说明。
【使用方法】
使用者可通过synapse.org获取该数据集，也可在cBioPortal数据库中按研究名称gbc_mskcc_2022访问同一研究的数据。使用该数据时，应参考研究团队指定的引用文献。关于数据下载格式、访问权限、是否需要注册或申请等具体操作细节，源站未提供。
【质量与限制】
该数据集为单中心（MSKCC）队列，样本量为233例，其结论外推至更广泛人群时需谨慎。数据仅包含临床与突变信息，未涵盖其他组学层面。关于数据完整性、缺失值处理、质控标准及随访时长等信息，源站未提供。
【引用与许可】
使用该数据时，请引用：Giraldo NA et al. Clin Cancer Res in press。关于该数据集的具体许可协议、使用条款及再分发限制，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://synapse.org/Synapse:syn38174088
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
为识别胆囊癌（GBC）中具有潜在预后和治疗意义的标志物，我们对MSKCC GBC队列（n=233）的分子图谱进行了表征。在本项目中，我们发布该队列的临床和突变数据。该信息也可在cBioPortal数据库中按相同研究名称找到（https://www.cbioportal.org/study/summary?id=gbc_mskcc_2022）。如果您使用这些数据，请引用：Giraldo NA et al. Clin Cancer Res 待发表。
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。
