基于基质特征的胃癌分类 [PRT1]

数据集获取

源站：https://omicsdi.org/dataset/biostudies-arrayexpress/E-GEOD-76588

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

基质靶向治疗在恶性肿瘤治疗中不断取得成功，主要体现在抗血管生成和免疫治疗，尤其是检查点抑制剂方面。尽管抗VEGF通路抑制剂用于癌症的临床试验已开展15年，我们仍然缺乏可靠的预测性生物标志物来筛选适合抗血管生成治疗的患者。对于较新的免疫治疗药物，目前有许多患者筛选方法正在研究中。值得注意的是，Ad-VEGF-A164小鼠模型驱动类似于伤口愈合反应的基质反应，其预测能力显示出与人类癌症的相关性，并被用于生成基质特征。我们已经开发了3种基质状态的基因特征，并利用胃癌多项大型队列生物信息学研究(TCGA、ACRG)的数据，进一步理解这些特征与先前生物信息学研究确定的优势患者表型之间的关系。我们还设计了多重IHC检测方法，能够稳健地反映胃癌中血管和免疫的多样性。

最后，我们运用该方法学提出了一种假设，即血管生成和免疫治疗如何融入胃癌治疗的实验方法中。Ad-VEGF-A164侧腹模型按照描述进行，分别于第0天、第5天、第20天和第60天从侧腹组织取材用于RNA制备。用于信使RNA（mRNA）谱分析研究的样本由Asuragen公司（美国德克萨斯州奥斯汀）处理，采用GeneChip® Mouse Genome 430 2.0阵列（Affymetrix，美国加利福尼亚州圣克拉拉），按照该公司标准操作程序进行，此前已详细描述[45]。使用Affymetrix统计分析算法MAS 5.0（GCOS v1.3）算法（缩放因子=1500）生成了阵列上每个检测基因的图像信号数据、检测判定和基因注释的汇总。

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。