RYZ101 对比 SOC 治疗 177Lu-SSA 治疗后进展的不可手术 SSTR+ 高分化 GEP-NET 研究
研究分为两部分：第一部分评估 RYZ101 的安全性、药代动力学（PK）及推荐的 3 期剂量（RP3D）；第二部分对比 RYZ101 与研究者选择的标准治疗（SoC）的安全性、疗效和 PK
基本信息
资源简介
RYZ101 对比 SOC 治疗 177Lu-SSA 治疗后进展的不可手术 SSTR+ 高分化 GEP-NET 研究
该数据集来自 clinicaltrials.gov，聚焦于不可手术、晚期、高分化、表达生长抑素受体（SSTR+）的胃肠胰神经内分泌肿瘤（GEP-NET）患者，这些患者在接受 Lutetium 177 标记的生长抑素类似物（177Lu-SSA）治疗（如 177Lu-DOTATATE、177Lu-DOTATOC 或 177Lu-HA-DOTATATE）后出现进展。研究分为两部分：第一部分评估 RYZ101 的安全性、药代动力学（PK）及推荐的 3 期剂量（RP3D）；第二部分对比 RYZ101 与研究者选择的标准治疗（SoC）的安全性、疗效和 PK。数据可用于肿瘤治疗领域的分类、疗效与安全性分析（来源 clinicaltrials.go。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：GEP-NET、胃肠胰神经内分泌肿瘤、胃肠胰神经内分泌肿瘤疾病、神经内分泌肿瘤、类癌、类癌瘤、胰腺 NET。本研究旨在确定 RYZ101 在第一部分中的安全性、药代动力学（PK）和推荐的 3 期剂量（RP3D），并在第二部分中，在患有不可手术、晚期、高分化、表达生长抑素受体（SSTR+）的胃肠胰神经内分泌肿瘤（GEP-NET）且在接受 Lutetium 177 标记的生长抑素类似物（177Lu-SSA）治疗（如 177Lu-DOTATATE 或 177Lu-DOTATOC（177Lu-DOTATATE/TOC），或 177Lu-高亲和力[HA]-DOTATATE）后出现进展的受试者中，比较 RYZ101 与研究者选择的标准治疗（SoC）的安全性、疗效和 PK。
【主题与分类】
主题标签：GEP-NET、Neuroendocrine Tumors、Carcinoid、Carcinoid Tumor、Pancreatic NET。本站分类：肿瘤。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT05477576
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://clinicaltrials.gov/study/NCT05477576
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
疾病：GEP-NET、胃肠胰神经内分泌肿瘤、胃肠胰神经内分泌肿瘤疾病、神经内分泌肿瘤、类癌、类癌瘤、胰腺NET。本研究旨在确定RYZ101在Part 1中的安全性、药代动力学（PK）和推荐3期剂量（RP3D），并在Part 2中比较RYZ101与研究者选择的标准治疗（SoC）在无法手术、晚期、高分化、生长抑素受体表达（SSTR+）的胃肠胰神经内分泌肿瘤（GEP-NETs）受试者中的安全性、疗效和PK，这些受试者在接受镥177标记的生长抑素类似物（177Lu-SSA）治疗（如177Lu-DOTATATE或177Lu-DOTATOC（177Lu-DOTATATE/TOC），或177Lu-高亲和力[HA]-DOTATATE）后出现疾病进展。
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。
