安全大分割自适应放疗数据集
该数据集来自 clinicaltrials.gov，聚焦肿瘤放疗领域，覆盖前列腺癌、子宫内膜癌、宫颈癌和直肠癌等病种。其核心是一项 II 期、基于注册的队列-多重随机对照试验（cmRCT），评估每日在线自适应放疗（ART）能否在保证安全的前提下，实现与标准治疗（SOC）分割方案生物等效（EQD2）的
基本信息
资源简介
安全大分割自适应放疗数据集
该数据集来自 clinicaltrials.gov，聚焦肿瘤放疗领域，覆盖前列腺癌、子宫内膜癌、宫颈癌和直肠癌等病种。其核心是一项 II 期、基于注册的队列-多重随机对照试验（cmRCT），评估每日在线自适应放疗（ART）能否在保证安全的前提下，实现与标准治疗（SOC）分割方案生物等效（EQD2）的大分割外照射放疗。数据可用于研究自适应放疗在靶区覆盖与危及器官保护之间的平衡，以及大分割放疗的安全性评估（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：疾病：癌症、子宫内膜癌、前列腺癌、宫颈癌、直肠癌。这项 II 期、基于注册的队列-多重随机对照试验（cmRCT）评估每日在线自适应放疗（ART）与标准治疗（SOC）分割方案相比，能否安全实施大分割、生物等效（EQD2）的外照射放疗。传统放疗需要较大的计划靶区（PTV）边界以应对分次间解剖变化，这会增加周围危及器官（OARs）的辐射暴露并可能导致毒性。使用每日床旁成像（kV-CBCT 或 MRI 引导）的现代 ART 平台可基于当日解剖结构进行实时轮廓适应和在线计划再优化。该方法能够在减少边界的同时保持靶区覆盖，并可能允许安全的大分割
【主题与分类】
主题标签：Cancer、Endometrial Cancer、Prostate Cancer、Cervical Cancer、Rectal Cancers。本站分类：肿瘤/前列腺癌。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT07516210
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/NCT07516210
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：癌症、子宫内膜癌、前列腺癌、宫颈癌、直肠癌。这项II期、基于注册的队列多重随机对照试验（cmRCT）评估每日在线自适应放疗（ART）与标准治疗（SOC）分割方案相比，能否安全实施大分割、等生物等效剂量（EQD2）的外照射放疗。传统放疗需要较大的计划靶体积（PTV）边界以应对分次间解剖变化，这增加了周围危及器官（OARs）的辐射暴露，并可能导致毒性。采用每日治疗床成像（kV-CBCT或MRI引导）的现代ART平台允许基于当日解剖结构进行实时轮廓适应和在线计划再优化。这种方法能够在保持靶区覆盖的同时缩小边界，并可能允许安全的大分割治疗。
符合条件并纳入机构前瞻性登记研究的患者，将按1：1随机分配接受SOC放疗或大分割ART治疗，并按多个盆腔疾病分层（前列腺切除术后前列腺癌、未切除前列腺癌、子宫内膜癌、宫颈癌和直肠癌）。主要目的是证明大分割ART在≥2级毒性（CTCAE v5）累积发生率方面不劣于SOC。次要结局包括急性和晚期毒性、肿瘤学结局（无进展生存、局部区域失败、远处转移、总生存）、患者报告结局、治疗效率和剂量学参数。将采用贝叶斯监测框架，并设定预先规定的安全性和无效性停止规则，以确保整个试验期间的患者安全和临床均衡。
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。
