食管腺癌预后预测多组学特征定义数据集（scRNA-seq）
该数据集来自 NCBI GEO，包含一项针对食管腺癌（EAC）的单细胞 RNA 测序研究，分析初治患者肿瘤与配对非肿瘤组织中的 CD45+ 免疫细胞，并在 23 例患者队列中检测免疫细胞转录谱及全转录组
![GSE273847: Definition of a multi-omics signature for Esophageal Adenocarcinoma prognosis prediction [scRNA-seq]](/medical-api/medicalDataset/datasetCover/195744.jpg)
基本信息
资源简介
食管腺癌预后预测多组学特征定义数据集（scRNA-seq）
Definition of a multi-omics signature for Esophageal Adenocarcinoma prognosis prediction [scRNA-seq]
该数据集来自 NCBI GEO，包含一项针对食管腺癌（EAC）的单细胞 RNA 测序研究，分析初治患者肿瘤与配对非肿瘤组织中的 CD45+ 免疫细胞，并在 23 例患者队列中检测免疫细胞转录谱及全转录组。研究识别出可区分预后的转录特征，并用于对 TCGA EAC 大队列分层，显示与预后和临床结局的强关联。数据可用于探索 EAC 免疫微环境特征、构建术后预后预测模型及潜在免疫治疗指导研究（来源 NCBI）。
【数据集背景】
源站首次发布：Aug 02 202。
【数据内容】
源站描述（机器翻译，仅供参考）：食管癌是一种高度致命的肿瘤，占所有癌症死亡的 5%，其主要亚型为食管鳞状细胞癌（ESCC）和食管腺癌（EAC）。大多数研究聚焦于 ESCC，而本研究利用单细胞 RNA 测序（scRNA-seq）分析初治患者肿瘤与配对非肿瘤组织中的 CD45+ 免疫细胞，以探究 EAC。通过检测这些免疫细胞的转录谱以及在 23 例患者队列中的全转录组，研究识别出不同的转录特征。这些特征被用于对一大群 TCGA EAC 患者进行分层，揭示出与预后和临床结局的强关联。研究结果表明，这些转录谱可提高术后预后准确性，并可能指导 EAC 的有效治疗，包括免疫治疗。
【数据结构与技术规格】
文件数 1 个，合计 0 B。
【主题与分类】
主题标签：GPL21697、9606。本站分类：肿瘤。
【获取与许可】
源站页面：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE273847
【使用注意】
· 源站最后修改于 May 16 202，引用时请注意版本时效。
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。
免登录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://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE273847
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
食管癌是一种高度致命的肿瘤，占所有癌症死亡人数的5%，其主要亚型为食管鳞状细胞癌（ESCC）和食管腺癌（EAC）。大多数研究集中于ESCC，而本研究利用单细胞RNA测序（scRNA-seq）分析初治患者肿瘤及配对非肿瘤组织中的CD45+免疫细胞，以探讨EAC。通过检测23例患者队列中这些免疫细胞的转录谱及全转录组，本研究识别出不同的转录特征。这些特征被用于对大型TCGA EAC患者队列进行分层，揭示其与预后和临床结局的强关联。研究结果表明，这些转录谱可提高术后预后准确性，并可能指导EAC患者的有效治疗，包括免疫治疗。
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。
