TCGA-150 病理基准：Digital Registrar 外部验证数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.17689362

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 752.6 KB。

数据说明

本数据集包含研究《数字登记员：一种基于模式优先的框架，通过本地LLM实现多癌种隐私保护病理抽象》中使用的独立外部验证（IEV）队列。Diagnostics. 2026; 16(11):1644。该数据集由242份去标识化外科病理报告组成，选自癌症基因组图谱（TCGA）计划，由Kefeli, J. & Tatonetti, N.（2025，请参见参考文献）提取，涵盖五个不同类别：乳腺、结直肠、食管、胃和“其他”（包括同时性双侧癌症）。该基准作为评估大型语言模型（LLM）在临床提取任务上的“金标准”，提供原始文本、专家验证的真实标注以及基线模型输出。如果您在研究中使用此代码或数据集，请引用：Chow N-H, Chang H, Chen H-K, Lin C-Y, Liu Y-L, Tseng P-Y, Shiu L-J, Chu Y-W, Chung P-C, Chang K-P. Digital Registrar: A Schema-First Framework for Multi-Cancer Privacy-Preserving Pathology Abstraction via Local LLMs. Diagnostics. 2026; 16(11):1644.

https://doi.org/10.3390/diagnostics16111644 BibTeX @Article{diagnostics16111644, AUTHOR = {Chow, Nan-Haw and Chang, Han and Chen, Hung-Kai and Lin, Chen-Yuan and Liu, Ying-Lung and Tseng, Po-Yen and Shiu, Li-Ju and Chu, Yen-Wei and Chung, Pau-Choo and Chang, Kai-Po}, TITLE = {Digital Registrar: A Schema-First Framework for Multi-Cancer Privacy-Preserving Pathology Abstraction via Local LLMs}, JOURNAL = {Diagnostics}, VOLUME = {16}, YEAR = {2026}, NUMBER = {11}, ARTICLE-NUMBER = {1644}, URL = {https://www.mdpi.com/2075-4418/16/11/1644}, ISSN = {2075-4418}, ABSTRACT = {背景/目标：自由文本手术病理报告阻碍了自动化癌症登记录入和二次分析。本研究引入了一个临床治理的模式层以实现互操作性，检验本地可部署的大语言模型（LLM）流程能否在不同机构间提供稳健的登记级提取。方法：

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。