基于AI形态学分析的无标记黑色素瘤表型分类数据集

数据集获取

源站：https://ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE273247

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

黑色素瘤是最致命的皮肤癌，部分原因在于细胞的可塑性和异质性。在肿瘤内部，细胞以不同的可突变表型共存，这些表型表现出不同的功能特性和药物反应。用传统的基于标志物的方法严格定义这些表型状态一直具有挑战性，而更高参数化的分子方法具有细胞破坏性、劳动强度大，且可能需要数天至数周才能获得读数。为克服这些技术和实践上的局限性，我们利用Deepcell平台对未标记的黑色素瘤细胞进行实时分类，将其分为黑色素细胞表型和间充质表型。我们使用了19个患者来源的细胞系（其黑色素细胞或间充质转录评分已知）来开发“黑色素瘤表型分类器”，以仅基于形态学对黑色素瘤细胞进行表型分型。分类器准确率达到了>88%，并且对图像的形态学分析揭示了每种表型具有不同的形态型，突显了明显的形态学差异。

为进一步将表型状态与多维形态学特征联系起来，我们进行了已知可改变表型状态的遗传和化学扰动。AI分类器成功预测了由这些扰动驱动的表型变化。这些结果进一步证明了表型如何与AI可检测到的独特形态学变化相关联。最后，我们将黑色素瘤表型分类器应用于解离的活检样本，揭示了表型异质性，并通过单细胞RNASeq得到了证实。这项工作建立了形态学与黑色素瘤表型之间的联系，并为将形态学作为一种无标记的表型分析方法与额外分析相结合来表征存活黑色素瘤细胞奠定了基础。

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。