训练队列数据文件
该数据集为肿瘤患者非对比CT影像组学研究的训练队列数据文件，来源于两个医疗中心的282例肿瘤患者，其中157例用于训练。研究勾画右颈总动脉/右颈内静脉、右锁骨下动脉/静脉及胸主动脉等感兴趣区，提取影像组学特征计算Rad评分并构建影像组学模型，同时结合临床因素建立整合模型并绘制列线图
基本信息
资源简介
训练队列数据文件
Data file of training cohort.
该数据集为肿瘤患者非对比CT影像组学研究的训练队列数据文件，来源于两个医疗中心的282例肿瘤患者，其中157例用于训练。研究勾画右颈总动脉/右颈内静脉、右锁骨下动脉/静脉及胸主动脉等感兴趣区，提取影像组学特征计算Rad评分并构建影像组学模型，同时结合临床因素建立整合模型并绘制列线图。数据可用于预测肿瘤患者对比剂外渗风险，支持影像组学与临床因素联合建模研究（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2025-03-10。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：开发一种基于非对比CT的多区域影像组学模型，用于预测肿瘤患者的对比剂外渗。方法：对来自两个医疗中心的282例肿瘤患者的非对比CT扫描进行回顾性分析，开发影像组学模型，其中157例用于训练，68例用于验证，来自外部中心的57例作为独立测试队列。勾画了右颈总动脉/右颈内静脉、右锁骨下动脉/静脉和胸主动脉的不同感兴趣区体积。使用训练队列的影像组学特征计算影像组学评分并开发影像组学模型。将非对比CT影像组学特征与临床因素相结合，开发整合模型。创建列线图以直观展示影像组学特征与临
【数据结构与技术规格】
文件数 1 个，合计 48.13 KB。数据集 DOI：10.1371/journal.pone.0314601.s003。
【主题与分类】
源站学科分类：Medicine、Cell Biology、Biotechnology、Mathematical Sciences not elsewhere classified、Developmental Biology、Cancer。主题标签：right subclavian artery、predicting contrast medium、long term chemotherapy、independent test cohort、independent risk factors、dca ), respectively、model &# 8217、calculate radiomics scores、using 157 patients、nomogram identified females。本站分类：肿瘤/副神经节瘤。
【适用方向】
源站学科分类标注为 Medicine、Cell Biology、Biotechnology、Mathematical Sciences not elsewhere classified、Developmental Biology、Cancer。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/Data_file_of_training_cohort_/28569662
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Hu, Lili; Zhang, Jingjing; Wu, Xiaofei; Xu, Wenbo; Wang, Zi; Zhang, Heng; et al. (2025). Data file of training cohort.. PLOS ONE. Dataset
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（Figshare）
- 源站标题：Data file of training cohort.
- DOI：10.1371/journal.pone.0314601.s003
- 发布日期：2025-03-10
- 文件数：1 个
- 文件总体积：48.13 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Data_file_of_training_cohort_/28569662
命令行下载
curl -L -o "pone.0314601.s003.xls" "https://ndownloader.figshare.com/files/52903481"
文件清单
pone.0314601.s003.xls（48.13 KB）
文件总体积 48.13 KB（源站 API 实测）。
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。
数据说明
目的
构建基于平扫CT的多区域影像组学模型，用于预测肿瘤患者对比剂（CM）外渗。方法
回顾性分析来自两个医疗中心的282例肿瘤患者的平扫CT扫描，构建影像组学模型，其中157例用于训练，68例用于验证，来自外部中心的57例作为独立测试队列。勾画右侧颈总动脉/右侧颈内静脉、右侧锁骨下动脉/静脉和胸主动脉的不同感兴趣区。利用训练队列的影像组学特征计算影像组学评分（Rad评分）并构建影像组学模型。将平扫CT影像组学特征与临床因素相结合，构建联合模型。创建列线图以直观展示影像组学特征与临床因素的整合。分别采用受试者工作特征（ROC）曲线分析和决策曲线分析（DCA）评估模型的预测性能和临床实用性。
校准曲线也用于评估模型预测概率与观察事件概率之间的一致性。结果
共筛选出13个影像组学特征用于确定Rad评分。影像组学模型在训练队列、验证队列和外部测试队列中均优于临床模型，其ROC曲线下面积（AUC）分别为0.877、0.866、0.828，而临床模型分别为0.852、0.806、0.740。联合模型在相应队列中的AUC更优，分别为0.945、0.911和0.869。列线图确定女性、老年人、高血压患者、长期化疗、影像组学特征为肿瘤患者CM外渗的独立危险因素。校准曲线和DCA验证了该模型的高准确性和临床实用性。结论
基于多区域非增强CT图像的影像组学模型较单独临床模型能更好地预测CM外渗。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0314601.s003（source: https://plos.figshare.com/articles/dataset/Data_file_of_training_cohort_/28569662）。
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。
