TCGA 结直肠癌 WSI 数据下载与临床信息解析

添加到购物车并导出 Manifest

确认筛选结果无误后，点击 'Add All Files to Cart'。随后点击购物车图标，选择导出 Manifest 文件。这个 Manifest 文件包含了所有待下载文件的 ID 列表，是后续批量下载的关键。

4. 安装 GDC Data Transfer Tool

GDC 官方提供了高性能的数据传输工具 gdc-client，比浏览器直接下载更稳定且支持断点续传。

官网地址

https://gdc.cancer.gov/access-data/gdc-data-transfer-tool

下载与安装

根据操作系统选择对应的版本：

• Windows: Windows 版 (zip)
• Ubuntu: Ubuntu 版 (zip)

建议将解压后的工具放置在非系统盘路径下，例如：

F:\CS2\GDC_Data\gdc-client_2.3_Windows_x64\

主程序即为 gdc-client.exe。

5. 下载数据集

准备好 Manifest 文件和客户端后，即可执行下载命令。这里以 Windows 和 Ubuntu 为例。

下载命令示例

Windows 版本

# 切换至数据保存目录
cd G:\TCGA
# 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

下载过程中会显示进度条，速度取决于网络状况。完成后，所有数据将保存在你指定的 --dir 目录下。

6. 数据展示

下载下来的 .svs 文件通常很大，直接用普通看图软件可能打不开或很慢。推荐使用 Python 的 openslide 库来读取缩略图。

图片展示的代码

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 in enumerate(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()

运行后可以看到清晰的病理切片预览图。

7. 标签解析

文件名中的编码包含关键信息，特别是样本类型（Sample Type），这决定了它是肿瘤组织还是正常组织。

编码规则

参考官方文档：Sample Type Codes

TCGA 使用两位数字表示样本类型。常用编码对照如下：

文件名结构解析

以文件名 TCGA-D5-6932-01Z-00-DX1.d18111de-f0f5-4637-8534-a2b4396cbb41.svs 为例：

第一部分（前缀）

TCGA-D5-6932-01Z-00-DX1

分段含义如下：

✅ 根据样本类型 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，用于在 GDC 系统中索引元数据、临床信息等。

获取'生存预测信息'

除了图像数据，训练生存预测模型还需要患者的临床随访信息。

筛选 clinical 类型

在 GDC Portal 中，将 Data Category 选择为 clinical，然后下载对应的临床数据。

重点提取 days_to_death 和 vital_status 字段。

文件结构与说明

下载后的临床数据通常以 XML 格式存储。目录结构大致如下：

find /disk4/lxq_data/dataset/WSI/TCGA/clinical/00b9eb65-04c6-4d62-9cf6-6b77d75ab79b |sed's|[^/]*/│ |g;s|│ \([^│]\)|├── \1|'

返回示例：

cf6-6b77d75ab79b/
 ├── nationwidechildrens.org_clinical.TCGA-DM-A285.xml
 ├── annotations.txt
 └── logs/
     └── nationwidechildrens.org_clinical.TCGA-DM-A285.xml.parcel

通过解析这些 XML 文件，我们可以获取诊断时间、肿瘤分期、生存状态与随访时间等关键指标。

从 xml 中提取关键信息

下面是一个简单的 Python 脚本，用于遍历 XML 文件并提取生存相关信息，保存到 Excel 中。

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"])

# 遍历目录中的所有文件
for root, dirs, files in os.walk(directory):
    for file in files:
        if file.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
            with open(xml_path, 'r', encoding='utf-8') as f:
                xml_content = f.read()
            
            # 使用正则表达式查找 vital_status 元素
            vital_status_matches = re.findall(r'<clin_shared:vital_status[^>]*>(.*?)</clin_shared:vital_status>', xml_content)
            
            # 查找 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)
            
            # 查找 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 in range(max_matches):
                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])

# 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}")

部分提取结果如下：