wangd12/oncogpt_unified

---
dataset_info:
config_name: registry
features:
- name: sample_id
dtype: large_string
- name: source
dtype: large_string
- name: patient_id
dtype: large_string
- name: study_id
dtype: large_string
- name: split
dtype: large_string
- name: genomics_rna_bulk_paths
list: 'null'
- name: genomics_rna_bulk_feature_path
dtype: large_string
- name: genomics_dna_methylation_paths
list: 'null'
- name: genomics_dna_methylation_feature_path
dtype: large_string
- name: genomics_cnv_paths
list: 'null'
- name: genomics_cnv_feature_path
dtype: large_string
- name: pathology_wsi_paths
list: string
- name: radiology_image_paths
list: string
- name: pathology_mask_paths
list: 'null'
- name: pathology_segmentation_slide_image_paths
list: 'null'
- name: pathology_segmentation_overlay_paths
list: 'null'
- name: pathology_segmentation_metadata_paths
list: 'null'
- name: radiology_mask_paths
list: 'null'
- name: pathology_tile_embedding_paths
list: 'null'
- name: pathology_slide_embedding_paths
list: 'null'
- name: radiology_embedding_paths
list: 'null'
- name: biomarkers_text
dtype: large_string
- name: question
dtype: large_string
- name: answer
dtype: large_string
- name: split_group_id
dtype: large_string
- name: split_scheme_version
dtype: large_string
- name: project_id
dtype: large_string
- name: primary_site
dtype: large_string
- name: disease_type
dtype: large_string
- name: primary_diagnosis
dtype: large_string
- name: tumor_grade
dtype: large_string
- name: tumor_stage
dtype: large_string
- name: ajcc_pathologic_stage
dtype: large_string
- name: ajcc_pathologic_t
dtype: large_string
- name: ajcc_pathologic_n
dtype: large_string
- name: ajcc_pathologic_m
dtype: large_string
- name: age_at_diagnosis
dtype: large_string
- name: morphology
dtype: large_string
- name: last_known_disease_status
dtype: large_string
- name: days_to_last_known_disease_status
dtype: large_string
- name: days_to_recurrence
dtype: large_string
- name: vital_status
dtype: large_string
- name: days_to_last_follow_up
dtype: large_string
- name: days_to_death
dtype: large_string
- name: gender
dtype: large_string
- name: race
dtype: large_string
- name: ethnicity
dtype: large_string
- name: year_of_birth
dtype: large_string
- name: kidney_histology_subtype
dtype: large_string
- name: task_grade_label
dtype: large_string
- name: task_stage_label
dtype: large_string
- name: task_survival_event
dtype: bool
- name: task_survival_days
dtype: float64
- name: mutation_ssm_ids
list: 'null'
- name: mutation_types
list: 'null'
- name: mutation_consequence_terms
list: 'null'
- name: mutated_gene_symbols
list: 'null'
- name: mutation_query_succeeded
dtype: bool
- name: mutation_panel_version
dtype: large_string
- name: mutation_panel_observed
dtype: bool
- name: mutation_event_count
dtype: int64
- name: mutation_unique_gene_count
dtype: int64
- name: project_driver_gene_mutations
list: 'null'
- name: pathology_file_ids
list: string
- name: tcia_collections
list: string
- name: tcia_study_uids
list: string
- name: tcia_series_uids
list: string
- name: tcia_modalities
list: string
- name: tcia_body_parts
list: string
- name: tcia_study_dates
list: string
- name: tcia_study_descriptions
list: string
- name: tcia_series_descriptions
list: string
- name: radiology_uri_paths
list: string
- name: radiology_download_paths
list: 'null'
- name: report_pdf_paths
list: string
- name: report_file_ids
list: string
- name: report_file_names
list: string
- name: has_pathology
dtype: bool
- name: has_radiology
dtype: bool
- name: mutation_ajuba
dtype: bool
- name: mutation_akt1
dtype: bool
- name: mutation_apc
dtype: bool
- name: mutation_arid1a
dtype: bool
- name: mutation_arid2
dtype: bool
- name: mutation_atm
dtype: bool
- name: mutation_atrx
dtype: bool
- name: mutation_bap1
dtype: bool
- name: mutation_bcor
dtype: bool
- name: mutation_braf
dtype: bool
- name: mutation_casp8
dtype: bool
- name: mutation_cd79b
dtype: bool
- name: mutation_cdh1
dtype: bool
- name: mutation_cdkn2a
dtype: bool
- name: mutation_cftr
dtype: bool
- name: mutation_cic
dtype: bool
- name: mutation_cnbd1
dtype: bool
- name: mutation_col5a1
dtype: bool
- name: mutation_ctcf
dtype: bool
- name: mutation_ctnnb1
dtype: bool
- name: mutation_ctnnd1
dtype: bool
- name: mutation_cul3
dtype: bool
- name: mutation_dyrk1a
dtype: bool
- name: mutation_egfr
dtype: bool
- name: mutation_eif1ax
dtype: bool
- name: mutation_ep300
dtype: bool
- name: mutation_epas1
dtype: bool
- name: mutation_erbb2
dtype: bool
- name: mutation_fbxw7
dtype: bool
- name: mutation_fgfr3
dtype: bool
- name: mutation_flna
dtype: bool
- name: mutation_foxa1
dtype: bool
- name: mutation_fubp1
dtype: bool
- name: mutation_gna11
dtype: bool
- name: mutation_gnaq
dtype: bool
- name: mutation_gnas
dtype: bool
- name: mutation_gtf2i
dtype: bool
- name: mutation_hla-b
dtype: bool
- name: mutation_hras
dtype: bool
- name: mutation_idh1
dtype: bool
- name: mutation_idh2
dtype: bool
- name: mutation_kansl1
dtype: bool
- name: mutation_kcnq5
dtype: bool
- name: mutation_kdm5c
dtype: bool
- name: mutation_kdm6a
dtype: bool
- name: mutation_kif1a
dtype: bool
- name: mutation_kit
dtype: bool
- name: mutation_kmt2b
dtype: bool
- name: mutation_kmt2c
dtype: bool
- name: mutation_kmt2d
dtype: bool
- name: mutation_kras
dtype: bool
- name: mutation_lats1
dtype: bool
- name: mutation_map2k1
dtype: bool
- name: mutation_map2k4
dtype: bool
- name: mutation_map3k1
dtype: bool
- name: mutation_max
dtype: bool
- name: mutation_mtor
dtype: bool
- name: mutation_myd88
dtype: bool
- name: mutation_ncor1
dtype: bool
- name: mutation_ndufs1
dtype: bool
- name: mutation_nf1
dtype: bool
- name: mutation_nf2
dtype: bool
- name: mutation_notch1
dtype: bool
- name: mutation_nras
dtype: bool
- name: mutation_nsd1
dtype: bool
- name: mutation_nup93
dtype: bool
- name: mutation_pbrm1
dtype: bool
- name: mutation_pds5b
dtype: bool
- name: mutation_pik3ca
dtype: bool
- name: mutation_pik3r1
dtype: bool
- name: mutation_pim1
dtype: bool
- name: mutation_pten
dtype: bool
- name: mutation_rb1
dtype: bool
- name: mutation_rbm10
dtype: bool
- name: mutation_ret
dtype: bool
- name: mutation_rps6ka3
dtype: bool
- name: mutation_rras2
dtype: bool
- name: mutation_runx1
dtype: bool
- name: mutation_rxra
dtype: bool
- name: mutation_scaf4
dtype: bool
- name: mutation_setd2
dtype: bool
- name: mutation_sf3b1
dtype: bool
- name: mutation_smad4
dtype: bool
- name: mutation_smc1a
dtype: bool
- name: mutation_spop
dtype: bool
- name: mutation_stag2
dtype: bool
- name: mutation_stk11
dtype: bool
- name: mutation_tp53
dtype: bool
- name: mutation_tsc1
dtype: bool
- name: mutation_vhl
dtype: bool
splits:
- name: train
num_bytes: 18826491
num_examples: 9712
- name: val
num_bytes: 1106853
num_examples: 577
- name: test
num_bytes: 2116939
num_examples: 1139
download_size: 6571233
dataset_size: 22050283
configs:
- config_name: registry
data_files:
- split: train
path: registry/train-*
- split: val
path: registry/val-*
- split: test
path: registry/test-*
default: true
---

数据集信息：
配置名称：registry
特征字段：
1. 样本ID（sample_id）：大字符串数据类型
2. 来源（source）：大字符串数据类型
3. 患者ID（patient_id）：大字符串数据类型
4. 研究ID（study_id）：大字符串数据类型
5. 划分集（split）：大字符串数据类型
6. 批量RNA测序基因组数据路径（genomics_rna_bulk_paths）：列表类型，值为null
7. 批量RNA测序基因组特征路径（genomics_rna_bulk_feature_path）：大字符串数据类型
8. DNA甲基化基因组数据路径（genomics_dna_methylation_paths）：列表类型，值为null
9. DNA甲基化基因组特征路径（genomics_dna_methylation_feature_path）：大字符串数据类型
10. 拷贝数变异基因组数据路径（genomics_cnv_paths）：列表类型，值为null
11. 拷贝数变异基因组特征路径（genomics_cnv_feature_path）：大字符串数据类型
12. 病理全切片图像（Whole Slide Image, WSI）路径（pathology_wsi_paths）：字符串列表类型
13. 放射影像学图像路径（radiology_image_paths）：字符串列表类型
14. 病理掩码路径（pathology_mask_paths）：列表类型，值为null
15. 病理分割切片图像路径（pathology_segmentation_slide_image_paths）：列表类型，值为null
16. 病理分割叠加图像路径（pathology_segmentation_overlay_paths）：列表类型，值为null
17. 病理分割元数据路径（pathology_segmentation_metadata_paths）：列表类型，值为null
18. 放射学掩码路径（radiology_mask_paths）：列表类型，值为null
19. 病理瓦片嵌入路径（pathology_tile_embedding_paths）：列表类型，值为null
20. 病理切片嵌入路径（pathology_slide_embedding_paths）：列表类型，值为null
21. 放射学嵌入路径（radiology_embedding_paths）：列表类型，值为null
22. 生物标志物文本（biomarkers_text）：大字符串数据类型
23. 问题（question）：大字符串数据类型
24. 答案（answer）：大字符串数据类型
25. 划分组ID（split_group_id）：大字符串数据类型
26. 划分方案版本（split_scheme_version）：大字符串数据类型
27. 项目ID（project_id）：大字符串数据类型
28. 原发部位（primary_site）：大字符串数据类型
29. 疾病类型（disease_type）：大字符串数据类型
30. 初步诊断（primary_diagnosis）：大字符串数据类型
31. 肿瘤分级（tumor_grade）：大字符串数据类型
32. 肿瘤分期（tumor_stage）：大字符串数据类型
33. 美国癌症联合委员会病理分期（ajcc_pathologic_stage）：大字符串数据类型
34. 美国癌症联合委员会原发肿瘤分期（ajcc_pathologic_t）：大字符串数据类型
35. 美国癌症联合委员会区域淋巴结分期（ajcc_pathologic_n）：大字符串数据类型
36. 美国癌症联合委员会远处转移分期（ajcc_pathologic_m）：大字符串数据类型
37. 诊断时年龄（age_at_diagnosis）：大字符串数据类型
38. 形态学特征（morphology）：大字符串数据类型
39. 末次已知疾病状态（last_known_disease_status）：大字符串数据类型
40. 末次已知疾病状态距当前天数（days_to_last_known_disease_status）：大字符串数据类型
41. 复发天数（days_to_recurrence）：大字符串数据类型
42. 生存状态（vital_status）：大字符串数据类型
43. 末次随访天数（days_to_last_follow_up）：大字符串数据类型
44. 死亡天数（days_to_death）：大字符串数据类型
45. 性别（gender）：大字符串数据类型
46. 种族（race）：大字符串数据类型
47. 族裔（ethnicity）：大字符串数据类型
48. 出生年份（year_of_birth）：大字符串数据类型
49. 肾脏组织学亚型（kidney_histology_subtype）：大字符串数据类型
50. 任务分级标签（task_grade_label）：大字符串数据类型
51. 任务分期标签（task_stage_label）：大字符串数据类型
52. 任务生存事件（task_survival_event）：布尔数据类型
53. 任务生存天数（task_survival_days）：64位浮点数据类型
54. 单核苷酸变异ID列表（mutation_ssm_ids）：列表类型，值为null
55. 突变类型列表（mutation_types）：列表类型，值为null
56. 突变后果术语列表（mutation_consequence_terms）：列表类型，值为null
57. 突变基因符号列表（mutated_gene_symbols）：列表类型，值为null
58. 突变查询成功状态（mutation_query_succeeded）：布尔数据类型
59. 突变检测面板版本（mutation_panel_version）：大字符串数据类型
60. 突变检测面板观测状态（mutation_panel_observed）：布尔数据类型
61. 突变事件总数（mutation_event_count）：64位整型数据类型
62. 突变独特基因总数（mutation_unique_gene_count）：64位整型数据类型
63. 项目驱动基因突变列表（project_driver_gene_mutations）：列表类型，值为null
64. 病理文件ID列表（pathology_file_ids）：字符串列表类型
65. 癌症影像存档库（The Cancer Imaging Archive, TCIA）集合列表（tcia_collections）：字符串列表类型
66. TCIA研究UID列表（tcia_study_uids）：字符串列表类型
67. TCIA序列UID列表（tcia_series_uids）：字符串列表类型
68. TCIA模态列表（tcia_modalities）：字符串列表类型
69. TCIA检查部位列表（tcia_body_parts）：字符串列表类型
70. TCIA检查日期列表（tcia_study_dates）：字符串列表类型
71. TCIA研究描述列表（tcia_study_descriptions）：字符串列表类型
72. TCIA序列描述列表（tcia_series_descriptions）：字符串列表类型
73. 放射学URI路径（radiology_uri_paths）：字符串列表类型
74. 放射学下载路径（radiology_download_paths）：列表类型，值为null
75. 报告PDF路径（report_pdf_paths）：字符串列表类型
76. 报告文件ID列表（report_file_ids）：字符串列表类型
77. 报告文件名列表（report_file_names）：字符串列表类型
78. 是否存在病理数据（has_pathology）：布尔数据类型
79. 是否存在放射学数据（has_radiology）：布尔数据类型
80. AJUBA基因突变（mutation_ajuba）：布尔数据类型
81. AKT1基因突变（mutation_akt1）：布尔数据类型
82. APC基因突变（mutation_apc）：布尔数据类型
83. ARID1A基因突变（mutation_arid1a）：布尔数据类型
84. ARID2基因突变（mutation_arid2）：布尔数据类型
85. ATM基因突变（mutation_atm）：布尔数据类型
86. ATRX基因突变（mutation_atrx）：布尔数据类型
87. BAP1基因突变（mutation_bap1）：布尔数据类型
88. BCOR基因突变（mutation_bcor）：布尔数据类型
89. BRAF基因突变（mutation_braf）：布尔数据类型
90. CASP8基因突变（mutation_casp8）：布尔数据类型
91. CD79B基因突变（mutation_cd79b）：布尔数据类型
92. CDH1基因突变（mutation_cdh1）：布尔数据类型
93. CDKN2A基因突变（mutation_cdkn2a）：布尔数据类型
94. CFTR基因突变（mutation_cftr）：布尔数据类型
95. CIC基因突变（mutation_cic）：布尔数据类型
96. CNBD1基因突变（mutation_cnbd1）：布尔数据类型
97. COL5A1基因突变（mutation_col5a1）：布尔数据类型
98. CTCF基因突变（mutation_ctcf）：布尔数据类型
99. CTNNB1基因突变（mutation_ctnnb1）：布尔数据类型
100. CTNND1基因突变（mutation_ctnnd1）：布尔数据类型
101. CUL3基因突变（mutation_cul3）：布尔数据类型
102. DYRK1A基因突变（mutation_dyrk1a）：布尔数据类型
103. EGFR基因突变（mutation_egfr）：布尔数据类型
104. EIF1AX基因突变（mutation_eif1ax）：布尔数据类型
105. EP300基因突变（mutation_ep300）：布尔数据类型
106. EPAS1基因突变（mutation_epas1）：布尔数据类型
107. ERBB2基因突变（mutation_erbb2）：布尔数据类型
108. FBXW7基因突变（mutation_fbxw7）：布尔数据类型
109. FGFR3基因突变（mutation_fgfr3）：布尔数据类型
110. FLNA基因突变（mutation_flna）：布尔数据类型
111. FOXA1基因突变（mutation_foxa1）：布尔数据类型
112. FUBP1基因突变（mutation_fubp1）：布尔数据类型
113. GNA11基因突变（mutation_gna11）：布尔数据类型
114. GNAQ基因突变（mutation_gnaq）：布尔数据类型
115. GNAS基因突变（mutation_gnas）：布尔数据类型
116. GTF2I基因突变（mutation_gtf2i）：布尔数据类型
117. HLA-B基因突变（mutation_hla-b）：布尔数据类型
118. HRAS基因突变（mutation_hras）：布尔数据类型
119. IDH1基因突变（mutation_idh1）：布尔数据类型
120. IDH2基因突变（mutation_idh2）：布尔数据类型
121. KANSL1基因突变（mutation_kansl1）：布尔数据类型
122. KCNQ5基因突变（mutation_kcnq5）：布尔数据类型
123. KDM5C基因突变（mutation_kdm5c）：布尔数据类型
124. KDM6A基因突变（mutation_kdm6a）：布尔数据类型
125. KIF1A基因突变（mutation_kif1a）：布尔数据类型
126. KIT基因突变（mutation_kit）：布尔数据类型
127. KMT2B基因突变（mutation_kmt2b）：布尔数据类型
128. KMT2C基因突变（mutation_kmt2c）：布尔数据类型
129. KMT2D基因突变（mutation_kmt2d）：布尔数据类型
130. KRAS基因突变（mutation_kras）：布尔数据类型
131. LATS1基因突变（mutation_lats1）：布尔数据类型
132. MAP2K1基因突变（mutation_map2k1）：布尔数据类型
133. MAP2K4基因突变（mutation_map2k4）：布尔数据类型
134. MAP3K1基因突变（mutation_map3k1）：布尔数据类型
135. MAX基因突变（mutation_max）：布尔数据类型
136. MTOR基因突变（mutation_mtor）：布尔数据类型
137. MYD88基因突变（mutation_myd88）：布尔数据类型
138. NCOR1基因突变（mutation_ncor1）：布尔数据类型
139. NDUFS1基因突变（mutation_ndufs1）：布尔数据类型
140. NF1基因突变（mutation_nf1）：布尔数据类型
141. NF2基因突变（mutation_nf2）：布尔数据类型
142. NOTCH1基因突变（mutation_notch1）：布尔数据类型
143. NRAS基因突变（mutation_nras）：布尔数据类型
144. NSD1基因突变（mutation_nsd1）：布尔数据类型
145. NUP93基因突变（mutation_nup93）：布尔数据类型
146. PBRM1基因突变（mutation_pbrm1）：布尔数据类型
147. PDS5B基因突变（mutation_pds5b）：布尔数据类型
148. PIK3CA基因突变（mutation_pik3ca）：布尔数据类型
149. PIK3R1基因突变（mutation_pik3r1）：布尔数据类型
150. PIM1基因突变（mutation_pim1）：布尔数据类型
151. PTEN基因突变（mutation_pten）：布尔数据类型
152. RB1基因突变（mutation_rb1）：布尔数据类型
153. RBM10基因突变（mutation_rbm10）：布尔数据类型
154. RET基因突变（mutation_ret）：布尔数据类型
155. RPS6KA3基因突变（mutation_rps6ka3）：布尔数据类型
156. RRAS2基因突变（mutation_rras2）：布尔数据类型
157. RUNX1基因突变（mutation_runx1）：布尔数据类型
158. RXRA基因突变（mutation_rxra）：布尔数据类型
159. SCAF4基因突变（mutation_scaf4）：布尔数据类型
160. SETD2基因突变（mutation_setd2）：布尔数据类型
161. SF3B1基因突变（mutation_sf3b1）：布尔数据类型
162. SMAD4基因突变（mutation_smad4）：布尔数据类型
163. SMC1A基因突变（mutation_smc1a）：布尔数据类型
164. SPOP基因突变（mutation_spop）：布尔数据类型
165. STAG2基因突变（mutation_stag2）：布尔数据类型
166. STK11基因突变（mutation_stk11）：布尔数据类型
167. TP53基因突变（mutation_tp53）：布尔数据类型
168. TSC1基因突变（mutation_tsc1）：布尔数据类型
169. VHL基因突变（mutation_vhl）：布尔数据类型

数据集划分：
1. 训练集（train）：数据字节数18826491，样本量9712
2. 验证集（val）：数据字节数1106853，样本量577
3. 测试集（test）：数据字节数2116939，样本量1139
总下载大小：6571233字节，数据集总大小：22050283字节

配置信息：
- 配置名称：registry，数据文件划分如下：
- 训练集：对应registry/train-* 文件
- 验证集：对应registry/val-* 文件
- 测试集：对应registry/test-* 文件
该配置为默认配置