胰腺癌微生物组:PANDEMIC 研究
该数据集来自 clinicaltrials.gov,主题为胰腺癌微生物组 PANDEMIC 研究,涉及微生物定植、胰腺癌、胰腺感染及胰腺瘘等状况

基本信息
资源简介
胰腺癌微生物组:PANDEMIC 研究
该数据集来自 clinicaltrials.gov,主题为胰腺癌微生物组 PANDEMIC 研究,涉及微生物定植、胰腺癌、胰腺感染及胰腺瘘等状况。源站描述指出胰腺癌预计到 2030 年成为西方世界癌症相关死亡的第二大原因,患者预后差,完整手术切除是胰腺导管腺癌(PDAC)唯一潜在长期治愈手段,5 年生存率仅约 20%;胰腺手术术后并发症多,术后胰瘘(POPF)发生率为 3-45%,感染性并发症(IC)发生于近三分之一患者。数据可用于相关并发症与预后研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):状况:微生物定植、胰腺癌、胰腺感染、胰腺;瘘。预计到 2030 年,胰腺癌将成为西方世界癌症相关死亡的第二大原因。患者预后仍然很差,完整手术切除是胰腺导管腺癌(PDAC)唯一潜在长期治愈手段,5 年生存率仅约 20%。此外,尽管过去十年取得了所有进展和技术改进,胰腺手术仍受相当多的术后并发症困扰。术后胰瘘(POPF)发生率为 3-45%,感染性并发症(IC)发生于近三分之一患者,仍是胰腺切除术后更常见和可怕的并发症。此外,在接受胰十二指肠切除术的患者中
【主题与分类】
主题标签:Microbial Colonization、Pancreas Cancer、Pancreas Infection、Pancreas; Fistula。本站分类:肿瘤。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04274972
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/NCT04274972
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
条件:微生物定植、胰腺癌、胰腺感染、胰腺;瘘。预计到2030年,胰腺癌将成为西方世界癌症相关死亡的第二大原因。患者预后仍然较差,完整的手术切除是胰腺导管腺癌(PDAC)唯一可能的长期治愈手段,其5年生存率仅约20%。此外,尽管过去十年间取得了所有进展和技术改进,胰腺手术仍受制于相当高的术后发病率。术后胰瘘(POPF)的发生率在3-45%之间,而感染性并发症(IC)发生于近三分之一的患者中,它们仍然是胰腺切除术后更常见且更可怕的并发症。而且,在接受胰十二指肠切除术(PD)的患者中,多重耐药(MDR)细菌的持续增多增加了发病率和死亡率。这些并发症还可能限制患者接受辅助化疗的机会,并导致更高的费用和更长的住院时间。
胰腺手术的高临床负担、PDAC总体不良预后以及抗生素耐药在全球范围内的传播,提示迫切需要加深我们对能够影响手术、感染和肿瘤学结局的新的可干预危险因素的认识。微生物组的改变近年来被认为是肿瘤发生的促进因素、许多肠道恶性肿瘤术后并发症的危险因素,以及耐药病原菌定植的主要成因之一。近期证据表明,胰腺也拥有自身的微生物组,且在小鼠和人类中,PDAC中的微生物组明显更为丰富,并与正常胰腺相比具有不同的模式。然而,人类肠道微生物组与PDAC微生物组从未进行过比较。微生物组的改变可诱导适应性免疫抑制并促进炎症状态。越来越多的
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。




