基于组织病理学的免疫与分子特征空间分析预测Barrett食管患者癌症风险

数据集获取

源站：https://doi.org/10.5281/zenodo.17583572

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 8.13 GB。

数据说明

在同行评审文章发表之前禁止公开。BEACON — 模型权重与人工标注 支持BEACON（Barrett食管DNA含量异常与免疫生态用于癌症结局）的数据，BEACON是一个空间感知的计算病理学框架，可从常规H&E组织病理学图像中预测DNA含量异常并表征免疫空间生态，从而对Barrett食管中的癌症进展风险进行分层。Ercan等，“基于组织病理学的免疫和分子特征空间分析预测Barrett食管中的癌症风险。”代码：https://github.com/caner-ercan/BEACON 本版本分为两部分，分别打包。1. 模型（models/）四组微调模型权重 — DNA含量异常预测模型（DACOR）、两个CellViT细胞核分割/分类模型、组织分割模型以及LASSO风险分层模型。每个模型为一个权重文件加一个简短README：说明其内容、如何加载，以及代码仓库中哪个脚本负责训练和使用它。不含训练日志、评估图表或性能摘要 — 这些内容见稿件和代码仓库，此处不再重复。

该流程使用的第五个模型——即DACOR特征所来源的微调REMEDIS基础模型——有意未包含在内；原因及基础模型获取方式见models/README.md。2. 标注（annotations/）同一70张切片队列上的三套人工标注集：组织分割、细胞核分割和细胞分类——即上述各对应模型微调所依据的真实标签。与模型不同，这些标注旨在独立使用：完整的图块+标签对，附带解读所需的类别图例，无需本发布中的其他任何内容即可用于训练或评估您自己的模型。文件结构 README.md 本文件 models/ README.md 全部4个模型的概述，以及有意排除的内容 dacor_mil/ DNA含量异常（MI

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。