Conjuntos de Dados & Benchmarks
Nota de fonte: esta página é educacional e foi checada contra páginas oficiais de portais em 2026-06-04. Tamanhos, releases, níveis de acesso e esquemas mudam; verifique o portal original antes de citar números ou montar benchmark.
Datasets de câncer não são intercambiáveis. Uma entrada útil precisa dizer o que foi medido, como as amostras foram selecionadas, se os dados são abertos ou controlados, qual versão foi usada e para que o dataset não serve.
Pontos de partida úteis
| Recurso | Use para | Cuidados |
|---|---|---|
| NCI Genomic Data Commons / TCGA | Descoberta de coortes, arquivos genômicos harmonizados, metadados clínicos, aprendizado com TCGA/TARGET | Contagens e disponibilidade mudam por projeto e release; dados controlados exigem autorização |
| cBioPortal / estudos MSK-IMPACT | Consultas clinico-genômicas exploratórias e resumos de mutação/cópia | Versão do estudo e filtros de amostra importam; nem toda coorte é truth set |
| AACR Project GENIE | Registro clinico-genômico de mundo real | Use o release público específico e o data guide; completude clínica varia por centro |
| TCIA | Coleções de imagem oncológica para radiologia/patologia computacional | Protocolos, segmentações, rótulos e dados clínicos ligados variam por coleção |
| Human Cell Atlas | Contexto de referência para célula única e espacial | Não é oncológico por padrão; use metadados de tecido, doador, ensaio e doença com cuidado |
Fontes: [1], [2], [3], [4], [5]
O que registrar antes de usar um dataset
- URL de origem, release do portal, data de download e accession/study ID.
- Status aberto vs. acesso controlado e restrições de uso.
- Regras de inclusão/exclusão de amostras e tratamento de duplicatas.
- Tipo de ensaio, plataforma, genoma de referência, pipeline e normalização.
- Definição de endpoint, censura e dados ausentes.
- Se os rótulos são diagnósticos, prognósticos, preditivos, sintéticos, fracamente supervisionados ou curados manualmente.
Regras de benchmark
Um dataset só vira benchmark depois que a tarefa é travada:
| Tarefa | Definição mínima |
|---|---|
| Chamada de variantes | Genoma de referência, truth set, máscara de regiões, classes de variante, versões dos callers, métrica |
| Expressão gênica | Proveniência da matriz, desenho de batch, normalização, contraste, política de múltiplos testes |
| Modelagem de sobrevida | Tempo inicial, evento, censura, follow-up, split treino/teste, métrica de calibração |
| IA em imagem | Metadados DICOM, origem da segmentação, pré-processamento, split por scanner/site, validação externa |
| Matching de ensaios | Data do registro de ensaio, schema de fatos do paciente, rótulos por critério, política de revisão humana |
Não trate dataset público grande como automaticamente justo, representativo ou clinicamente validado. Disponibilidade pública não é o mesmo que prontidão para benchmark.
Dados locais de exemplo
O arquivo data/samples/sample_cancer_data.csv é dado sintético de demonstração. Ele não é coorte de incidência, coorte de sobrevida, coorte de resposta terapêutica nem benchmark clínico. Leia data/samples/README.md no repositório antes de usá-lo em exemplos.
Veja também
Referências
- NCI Genomic Data Commons. GDC Data Portal. https://portal.gdc.cancer.gov/
- National Cancer Institute. The Cancer Genome Atlas Program (TCGA). https://www.cancer.gov/about-nci/organization/ccg/research/structural-genomics/tcga
- AACR Project GENIE. AACR Project GENIE Data. https://www.aacr.org/professionals/research/aacr-project-genie/aacr-project-genie-data/
- The Cancer Imaging Archive. TCIA collections. https://www.cancerimagingarchive.net/
- Human Cell Atlas. HCA Data Portal. https://data.humancellatlas.org/