前列腺癌DREAM挑战赛最终提交

数据集获取

源站：https://synapse.org/Synapse:syn4732239

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。

数据说明

Root #使用网络表示改善前列腺癌患者的预后
请参阅本项目的 wiki 页面，以了解所执行分析的更多细节。
如何运行代码
该代码由一个单独的、自包含的 Matlab 文件组成，它执行分析的所有步骤：从原始文件导入数据、计算不同的分类，并按照 Challenge 格式输出结果。
为了运行该程序，需要 Matlab 2014a 或更新版本（原则上该程序可在更旧版本中运行，但尚未经过测试）。
####输入数据
必须将两个文件复制到与程序文件相同的目录中：

• CoreTable_training.csv
• CoreTable_validation.csv
  两个文件的格式都应与原始文件相同，即无需修改。
  ####执行程序
  只需切换到程序目录，然后执行：
  FullProgram();
  该程序不返回参数，即所有结果都保存到两个文件中：
• Results_probabilities.csv。文件包含五列：受试者 ID，以及该受试者死于该疾病的四种概率（总体，以及 12、18 和 24 个月时）。
• Results_TTD.csv。文件包含两列：受试者 ID，以及预期死亡时间。
  问题 1A 方法 - 使用复杂网络改善预后 #使用复杂网络改善前列腺癌患者的预后
  Massimiliano Zanin^1^
  ^1^INNAXIS Foundation & Research Institute, Madrid, Spain
  ##引言
  本文介绍了用于回答 Prostate Cancer DREAM Challenge 问题 1A 的方法，即预测前列腺癌患者的死亡（生存）概率。本分析的主要目的不是赢得竞赛，而是展示使用复杂网络表示如何帮助提高预测精度。为此，比较了两种不同场景：一种场景中使用 standa 执行预测

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。