人工智能预测结直肠癌肝转移切除术后复发数据集
该数据集来自 clinicaltrials.gov,聚焦结直肠癌肝转移(CRLM)患者在接受肝切除或肝脏消融治疗后的复发预测,主题涉及人工智能在术后复发预测中的应用

基本信息
资源简介
人工智能预测结直肠癌肝转移切除术后复发数据集
该数据集来自 clinicaltrials.gov,聚焦结直肠癌肝转移(CRLM)患者在接受肝切除或肝脏消融治疗后的复发预测,主题涉及人工智能在术后复发预测中的应用。数据覆盖 CRLM、肝切除、肝切除术与肝脏消融等条件,可用于构建和评估预测术后复发的模型,辅助临床决策与患者生存管理(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:结直肠癌肝转移(CRLM)、肝切除、肝切除术、肝脏消融。结直肠癌(CRC)是全球第三大常见癌症,也是癌症相关死亡的第四大常见原因。生存主要取决于疾病分期和转移的存在。转移性 CRC 患者的五年生存率为 12-19%,而局限性疾病患者为 90%,结直肠癌肝转移(CRLM)发生于 30-50% 的 CRC 患者中,并导致三分之二的 CRC 相关死亡。CRLM 治疗的最新进展已将患者总生存期(OS)从 6 个月提高到 25-40% 的 5 年生存率。化疗与肝切除的结合仍然是 CRLM 患者生存获益最高的治疗选择。手术仍代表唯一公认的潜在
【主题与分类】
主题标签:Colorectal Liver Metastasis (CRLM)、Liver Resection、Hepatectomy、Liver Ablation。本站分类:肿瘤/其他。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT07385521
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/NCT07385521
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:结直肠癌肝转移(CRLM)、肝切除、肝切除术、肝脏消融。结直肠癌(CRC)是全球第三大常见癌症,也是癌症相关死亡的第四大常见原因。生存率主要取决于疾病分期和是否存在转移。转移性CRC患者的五年生存率为12-19%,而局限性疾病患者为90%,结直肠癌肝转移(CRLM)发生于30-50%的CRC患者中,并导致三分之二的CRC相关死亡。CRLM治疗的最新进展已将患者的总生存期(OS)从6个月提高到25-40%的5年生存率。化疗与肝切除的联合仍是CRLM患者生存获益最高的治疗选择。手术仍代表唯一公认的潜在治愈性治疗,另一方面,现代化疗,也得益于生物药物的引入,为肝转移患者带来了更好的反应和生存率,同时也有助于提高可切除率(即
(得益于药物治疗后的肿瘤缩减而变得可手术的患者数量)。如果肝脏转移灶能够被完全切除(医学术语为“切除”),多达30%的患者可能获得治愈。要考虑手术,从技术角度来看,肿瘤疾病必须能够被根治性切除。同时,切除后必须留下足够数量的正常肝脏以维持生命。局部区域治疗,包括热消融、化疗栓塞和放疗,也被用于管理结直肠癌肝转移(CRLM)患者,作为传统治愈性治疗的替代方案。特别是,CRLM的局部区域治疗可受益于热消融,无论是基于射频还是基于微波。事实上,即使切除仍然是可切除肝转移的首选局部区域治疗,消融在选定的患者中可能提供类似的益处,有助于保留
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。




