Eflornithine 用于预防既往治疗过的早期皮肤癌患者再发皮肤癌
该数据集来自 clinicaltrials.gov,主题为 Eflornithine(DFMO)用于预防既往治疗过的早期皮肤癌患者再发皮肤癌,属于肿瘤/皮肤癌领域

基本信息
资源简介
Eflornithine 用于预防既往治疗过的早期皮肤癌患者再发皮肤癌
该数据集来自 clinicaltrials.gov,主题为 Eflornithine(DFMO)用于预防既往治疗过的早期皮肤癌患者再发皮肤癌,属于肿瘤/皮肤癌领域。源站描述显示研究对象为既往接受过治疗的 0、I 或 II 期基底细胞或鳞状细胞皮肤癌患者,比较 DFMO 与安慰剂对新发皮肤癌发生率的影响,并评估 TPA 诱导的鸟氨酸脱羧酶活性抑制、皮肤多胺水平抑制作为中间标志物,以及长期毒性。研究设计为随机、双盲、安慰剂对照、多中心试验。可用于皮肤癌化学预防相关的预测建模与疗效评估(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:非黑色素瘤性皮肤癌。目的:I. 比较既往接受过治疗的 0、I 或 II 期基底细胞或鳞状细胞皮肤癌患者接受 eflornithine(DFMO)与安慰剂治疗后新发皮肤癌的发生率。II. 确定抑制 TPA 诱导的鸟氨酸脱羧酶活性是否可作为这些患者对 DFMO 反应的中间标志物。III. 确定抑制皮肤多胺水平是否可作为这些患者对 DFMO 反应的中间标志物。IV. 评估该治疗在这些患者中的长期毒性作用。概要:这是一项随机、双盲、安慰剂对照、多中心研究。患者前 4 周每日口服安慰剂。服用安慰剂依从性达 80-100% 的患者被随机分配到两个治疗组之一。第 I 组:患者每日口服 eflornithine(DFMO)。第 II 组:患者再次
【主题与分类】
主题标签:Non-melanomatous Skin Cancer。本站分类:肿瘤/皮肤癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT00005884
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/NCT00005884
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
疾病:非黑色素瘤性皮肤癌。目的:I. 比较既往接受过治疗的0期、I期或II期基底细胞或鳞状细胞皮肤癌患者,在接受依氟鸟氨酸(DFMO)与安慰剂治疗后新发皮肤癌的比率。II. 确定抑制TPA诱导的鸟氨酸脱羧酶活性是否可作为这些患者对DFMO反应的中介标志物。III. 确定抑制皮肤多胺水平是否可作为这些患者对DFMO反应的中介标志物。IV. 评估该治疗在这些患者中的长期毒性效应。概述:这是一项随机、双盲、安慰剂对照、多中心研究。患者前4周每日接受口服安慰剂。服用安慰剂依从性达80-100%的患者被随机分配至两个治疗组之一。第一组:患者每日接受口服依氟鸟氨酸(DFMO)。第二组:患者每日接受口服安慰剂。在未出现不可接受毒性的情况下,治疗持续3-5年。研究期间发生皮肤癌的患者接受手术切除,并继续在原随机分配的治疗组中接受治疗。
患者在第5年之前每6个月随访一次。预计入组人数:本研究将在2年内共入组334例患者(每组167例)。
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。




