AI-THEROSCOPE：基于视网膜图像的亚临床动脉粥样硬化AI检测

数据集获取

源站：https://clinicaltrials.gov/study/NCT07628088

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

条件：亚临床动脉粥样硬化，心血管风险。心血管疾病仍然是全球死亡的主要原因。当前的心血管风险预测模型对于人群层面的风险估计是有用的，但可能低估了相当一部分已经患有亚临床动脉粥样硬化的个体的风险。颈动脉和股动脉的血管超声可以直接显示动脉粥样硬化斑块，并改善心血管风险分层，但其广泛应用受到需要专业设备和训练有素人员的限制。视网膜眼底成像提供了一种对微血管系统的无创评估，并已成为心血管风险评估的一种有前景的工具。人工智能和深度学习的最新进展已证明视网膜图像分析能够识别心血管风险因素并预测心血管结局。AI-THEROSCOPE研究是一项前瞻性观察性研究，旨在开发和验证一种使用非散瞳视网膜眼底照片检测亚临床动脉粥样硬化的人工智能模型。

既往无心血管疾病的成年参与者接受标准化临床评估、实验室检测、颈动脉及股动脉血管超声检查以及双眼眼底摄影。以血管超声评估的颈动脉和/或股动脉粥样硬化斑块的存在作为参考标准。将采用深度学习技术基于视网膜图像训练和验证预测模型。模型性能将使用判别指标进行评估，包括受试者工作特征曲线下面积（AUC）、灵敏度、特异度、阳性预测值和阴性预测值。该项目的最终目标是开发一种可扩展、无创且易于部署的工具，以促进亚临床动脉粥样硬化的早期检测并改善心血管风险分层。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。