【Medical AI】TCGA病理全图（WSI）数据下载指南
【start：250721】
文章目录
目标
从 GDC 官网下载结直肠癌相关的数据集：
- TCGA-COAD（结肠癌）
- TCGA-READ（直肠癌）
获取“病理全图WSI”
1. 进入官网
访问 GDC 官网：https://portal.gdc.cancer.gov
2. 创建 Cohort
进入 Project 页面
- 点击页面上方导航栏中的 Projects
- 搜索并选中
TCGA-COAD和TCGA-READ
创建 Cohort
点击 “Create New Cohort”，命名为 Colorectal
3. 筛选并下载图像数据
进入 Repository 页面
筛选 Diagnostic Slide 类型
- Experimental Strategy 选择
Diagnostic Slide - Data Format 选择
.svs
添加到购物车并导出 Manifest
点击 “Add All Files to Cart” 后，点击购物车图标，导出 Manifest 文件：
4. 安装 GDC Data Transfer Tool
GDC 官方提供高性能数据下载工具：
官网地址
https://gdc.cancer.gov/access-data/gdc-data-transfer-tool
下载
安装路径建议
将解压后的工具放置到：
F:\CS2\GDC_Data\gdc-client_2.3_Windows_x64\ 主程序路径为：
F:\CS2\GDC_Data\gdc-client_2.3_Windows_x64\gdc-client.exe 5. 下载数据集
下载命令示例
window版本
# 切换至数据保存目录cd G:\TCGA G: # 执行下载命令 F:\CS2\GDC_Data\gdc-client_2.3_Windows_x64\gdc-client.exe download -m F:\CS2\GDC_Data\gdc-client_2.3_Windows_x64\gdc_manifest.2025-07-21.162827.txt ubuntu版本
cd /disk4/lxq_data/tool/GDC wget https://gdc.cancer.gov/system/files/public/file/gdc-client_v1.6.1_Ubuntu_x64.zip unzip gdc-client_v1.6.1_Ubuntu_x64.zip chmod +x gdc-client ./gdc-client download -m /disk4/lxq_data/tool/GDC/gdc_manifest.2025-07-21.162827.txt --dir /disk4/lxq_data/dataset/WSI/TCGA 下载过程示意
100% [####################################################################################] Time: 0:01:58 10.7 MiB/s... 下载完成效果
所有数据将保存在你设定的目录中：
6. 数据展示
图片展示的代码
读取并可视化 .svs 病理切片缩略图
import openslide import matplotlib.pyplot as plt # 指定 SVS 文件路径 svs_path =r"/disk4/lxq_data/dataset/WSI/2b02baad-7143-4fea-9f28-ff2d4efc4044/TCGA-D5-6932-01Z-00-DX1.d18111de-f0f5-4637-8534-a2b4396cbb41.svs"# 打开 SVS 文件 slide = openslide.OpenSlide(svs_path)# 打印基本信息print("层数（resolutions）:", slide.level_count)print("每层尺寸（从高到低分辨率）:")for i, level_dim inenumerate(slide.level_dimensions):print(f" - Level {i}: {level_dim}")# 读取缩略图（默认从最高层缩放） thumbnail = slide.get_thumbnail((1024,1024))# 显示缩略图 plt.figure(figsize=(8,8)) plt.imshow(thumbnail) plt.title("Thumbnail of SVS File") plt.axis("off") plt.show()展示效果
7. 标签解析
编码规则
官方编码规则：Sample Type Codes
TCGA 使用两位数字（01~99）表示样本的样本类型（Sample Type）和组织来源。常用的编码如下：
| 编码 | 类型描述（英文） | 中文说明 | 建议标签 |
|---|---|---|---|
| 01 | Primary Solid Tumor | 原发性实体瘤组织 | 肿瘤（1） |
| 02 | Recurrent Solid Tumor | 复发性实体瘤 | 肿瘤（1） |
| 03 | Primary Blood Derived Cancer – Peripheral Blood | 血源性肿瘤（如白血病） | 肿瘤（1） |
| 05 | Additional – New Primary | 新的原发肿瘤 | 肿瘤（1） |
| 06 | Metastatic | 转移性肿瘤组织 | 肿瘤（1） |
| 07 | Additional Metastatic | 附加转移瘤样本 | 肿瘤（1） |
| 08 | Human Tumor Original Cells | 原发肿瘤培养细胞 | 肿瘤（1） |
| 09 | Primary Blood Derived Cancer – Bone Marrow | 骨髓来源的肿瘤 | 肿瘤（1） |
| 10 | Blood Derived Normal | 正常血样 | 正常（0） |
| 11 | Solid Tissue Normal | 正常实性组织 | 正常（0） |
| 12 | Buccal Cell Normal | 口腔细胞 | 正常（0） |
| 13 | EBV Immortalized Normal | EB病毒永生化细胞 | 正常（0） |
| 14 | Bone Marrow Normal | 正常骨髓 | 正常（0） |
| 20 | Control Analyte | 对照分析物（非组织） | 对照组 |
| 40 | Recurrent Blood Derived Cancer – Bone Marrow | 复发性血癌 | 肿瘤（1） |
| 50 | Cell Lines | 细胞系样本 | 可忽略或自定义 |
📄 文件名：
TCGA-D5-6932-01Z-00-DX1.d18111de-f0f5-4637-8534-a2b4396cbb41.svs 可以拆分为两部分：
第一部分（前缀）
TCGA-D5-6932-01Z-00-DX1 这部分是标准的 TCGA 编码，按照官方命名规则分段如下：
| 位置 | 字段 | 含义 | 示例 |
|---|---|---|---|
| 1 | TCGA | 项目名称 | TCGA |
| 2 | D5 | 组织来源编码（Tissue Source Site） | D5 |
| 3 | 6932 | 患者编号（Participant ID） | 6932 |
| 4 | 01 | 样本类型（Sample Type） | 01 = Primary Solid Tumor（原发性实体肿瘤） |
| 5 | Z | 管编号（Vial） | Z |
| 6 | 00 | 样本份编号（Portion） | 00 |
| 7 | DX1 | Slide（病理切片编号） | DX1 |
✅ 根据样本类型（Sample Type）01可判断这是肿瘤样本，即 label =1
第二部分（UUID 后缀）
d18111de-f0f5-4637-8534-a2b4396cbb41 这是该切片文件的唯一标识符 UUID，通常用于索引或查询该切片在 GDC 文件系统中的原始记录（如 metadata、clinical、biospecimen 等信息）。
以下是润色后的版本：
获取“生存预测信息”
筛选clinical类型
- Data Category 选择
clinical
下载 TCGA Clinical Data，并提取 days_to_death 和 vital_status 字段
文件结构与说明
打印树状结构：
find /disk4/lxq_data/dataset/WSI/TCGA/clinical/00b9eb65-04c6-4d62-9cf6-6b77d75ab79b |sed's|[^/]*/|│ |g;s|│ \([^│]\)|├── \1|'返回：
cf6-6b77d75ab79b/ ├── nationwidechildrens.org_clinical.TCGA-DM-A285.xml ├── annotations.txt └── logs/ └── nationwidechildrens.org_clinical.TCGA-DM-A285.xml.parcel 目录说明：
| 文件/文件夹名 | 类型 | 说明 |
|---|---|---|
nationwidechildrens.org_clinical.TCGA-DM-A285.xml | XML 文件 | TCGA-DM-A285 患者的临床数据文件（包括诊断、治疗、随访等信息） |
annotations.txt | 文本文件 | 可能包含人工或程序生成的注释（具体内容视情况而定） |
logs/ | 文件夹 | 存放相关日志或下载的元信息 |
logs/nationwidechildrens.org_clinical.TCGA-DM-A285.xml.parcel | Parcel 文件 | gdc-client 下载过程中生成的 parcel 包信息，用于校验和恢复下载等操作 |
通过获取 TCGA-DM-A285 这个病例的完整临床数据文件，我们可以提取以下关键信息：
- 诊断时间
- 肿瘤分期/分级
- 生存状态与随访时间（可作为生存预测标签）
- 治疗方案
这些数据对于生存预测模型的训练至关重要，可以用来分析患者的生存状态、疾病进展情况，并指导后续的临床决策。
从xml中提取关键信息
import os import re from openpyxl import Workbook # 定义要查找的目录 directory ='/disk4/lxq_data/dataset/TCGA/clinical'# 创建 Excel 工作簿 wb = Workbook() ws = wb.active ws.title ="XML Data" ws.append(["File","Match Number","Vital Status","Days to Last Followup","Days to Death"])# 写入标题行# 遍历目录中的所有文件for root, dirs, files in os.walk(directory):forfilein files:iffile.endswith('.xml'):# 只处理 XML 文件 xml_path = os.path.join(root,file)# 读取 XML 文件作为普通文本withopen(xml_path,'r', encoding='utf-8')asfile: xml_content =file.read()# 使用正则表达式查找所有 <clin_shared:vital_status> 元素 vital_status_matches = re.findall(r'<clin_shared:vital_status[^>]*>(.*?)</clin_shared:vital_status>', xml_content)# 使用正则表达式查找所有 <clin_shared:days_to_last_followup> 元素 days_to_last_followup_matches = re.findall(r'<clin_shared:days_to_last_followup[^>]*>(.*?)</clin_shared:days_to_last_followup>', xml_content)# 使用正则表达式查找所有 <clin_shared:days_to_death> 元素 days_to_death_matches = re.findall(r'<clin_shared:days_to_death[^>]*>(.*?)</clin_shared:days_to_death>', xml_content)# 获取匹配数量，取最大值以确保我们处理所有匹配项 max_matches =max(len(vital_status_matches),len(days_to_last_followup_matches),len(days_to_death_matches))# 为每个 XML 文件中的每个匹配项添加编号for i inrange(max_matches):# 获取每个标签的值，如果没有匹配项则使用 "Not Found" vital_status = vital_status_matches[i]if i <len(vital_status_matches)else"Not Found" days_to_last_followup = days_to_last_followup_matches[i]if i <len(days_to_last_followup_matches)else"Not Found" days_to_death = days_to_death_matches[i]if i <len(days_to_death_matches)else"Not Found"# 将数据添加到 Excel 表格中 ws.append([xml_path, i +1, vital_status, days_to_last_followup, days_to_death])# i+1 是编号从 1 开始# 保存 Excel 文件 output_path ='/disk4/lxq_data/dataset/TCGA/extracted_data.xlsx' wb.save(output_path)print(f"Data has been saved to {output_path}")部分结果如下：
