胰腺癌（PAAD）是癌症死亡的第三个最常见的原因，小于5％的总体5年生存率，并预计到2030年将成为第二大美国癌症死亡率的原因。 Cancer prediction_datasets..txt

癌症基因组的系统测序显示出普遍的异质性，患者具有多种遗传改变的组合模式。 特别是，一组基因表现出互斥模式的现象已在各种癌症中广泛传播，涵盖了广泛的关键癌症途径。 最近，有大量证据表明，互斥性反映了肿瘤发生和发展中的替代功能，或暗示了它们并发的不利影响。 鉴于其重要性，已提出了许多计算方法来单独使用基因组图谱或通过整合网络和表型来研究相互排他性。 其中一些已被常规用于探索遗传关联，从而使人们对致癌机理有了更深入的了解，并揭示了意料之外的肿瘤脆弱性。 在这里，我们从癌症基因组的角度介绍了互斥性。 我们描述了互斥性的共同假设，总结了重要互斥模式的识别策略，从模拟数据集中比较了代表性算法的性能，并讨论了它们的共同混杂因素

机器学习_逻辑回归代码_癌症案例

TCGA-KICH 癌症CT影像数据，旨在对各种类型的癌症诊治过程进行全程数字化的跟踪，以数字档案的形式记录检查结果、处方和疗效。

该数据集旨在允许测试不同的方法，以检查与使用对比度和患者年龄相关的CT图像数据的趋势。基本思想是识别与这些特征密切相关的图像纹理，统计图案和特征，并可能构建简单的工具，以便在对这些图像进行错误分类时自动对这些图像进行分类（或查找可能是可疑情况，测量错误或机器校准不良的异常值） ） overview.csv CT Medical Images_datasets.txt CT Medical Images_datasets.zip

The AJCC Cancer Staging Manual, Eighth Edition Staging Form Supplement includes 104 printable staging forms for each distinct staging system published by the American College of Surgeons (ACS). These printable forms may be used by physicians to record data on T, N, and M categories; prognostic stage groups; additional prognostic factors; histologic grade; and other important information. These forms may be useful for recording information in the medical record and for communicating information from physicians to the cancer registrar. The staging forms may be used to document cancer stage at different points in the patient’s care and during the course of therapy, including the time before therapy begins, after surgery and completion of all staging evaluations, or at the time of recurrence. It is best to use a separate form for each time point staged along the continuum for an individual cancer patient. However, if all time points are recorded on a single form, the staging basis for each element should be identified clearly. See Principles of Cancer Staging1 (Chapter 1) of the AJCC Cancer Staging Manual, Eighth Edition2 for complete staging rules. Always refer to the respective chapter in the Manual for disease-specific rules for classification, as this form is not representative of all rules, exceptions and instructions for this disease.

这个文档主要是为了我的博文一个案例准备的数据，由于不好编辑，所以上传，供各位学习

Treeomics：重建人类癌症的转移性播种模式 开发者：JG Reiter，AP Makohon-Moore，JM Gerold，I Bozic，K Chatterjee，C Iacobuzio-Donahue，B Vogelstein，MA Nowak。 ======== 什么是Treeomics？ Treeomics是使用常用测序技术重建转移系统发育的计算工具。 该工具在嘈杂的测序数据中检测推定的伪像，并在各种评估场景中推断出健壮的进化树。 有关更多详细信息，请参见我们的出版物《重建人类癌症的转移接种模式》 （Nature Communications，8，14114， //dx.doi.org/10.1038/ncomms14114）。 Treeomics 1.5.2 2016-10-18：初稿已接受手稿。 Treeomics 1.6.0 2016-12-09：通过集成ET

组织病理学检测 创建了一种算法，以识别从较大的数字病理扫描中获取的小图像斑块中的转移癌。 该比赛的数据是对PatchCamelyon（PCam）基准数据集的略微修改版本 动机 乳腺癌的临床诊断最好通过活检来实现。 病理学家通过在显微镜下手动检查组织切片来进行诊断。 但是，传统的诊断系统需要专业知识，只有经验丰富的病理学家才能准确地确定肿瘤组织。 当前，在印度的各个农村地区，人们无法获得良好的医疗保健设施。 另外，农村地区没有新的先进设备，因此甚至有可能无法正确诊断患者。 农村地区医疗状况不佳的主要原因之一是缺乏经验丰富的医生。 数据集 该研究使用的数据集是PatchCamelyon（PCam）[21]，[22]的略微修改版本。由于其概率抽样，原始PCam数据集包含重复图像，但是此版本不包含重复图像。 该数据集是开源的，可以从（ ）下载。 数据集包含超过220K张RGB图像，尺寸为96x

KNN使用sklearn库实现癌症预测,csv文档，总共包含100条数据，可做KNN练习使用，配合我博客文章的代码使用，希望对你有帮助