ANEURYSM@RISK：颅内动脉瘤自动量化与特征学习建模以优化破裂预测

数据集获取

源站：https://clinicaltrials.gov/study/NCT07111975

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

疾病：颅内动脉瘤、未破裂颅内动脉瘤、动脉瘤破裂导致的蛛网膜下腔出血（SAH）。ANEURYSM@RISK研究是SHERPA项目（面向专业临床应用的智能人性化轻松支持）的一部分。该研究旨在开发和验证一种基于多变量人工智能（AI）的预测模型，利用形态学和临床特征来识别不稳定的未破裂颅内动脉瘤（UIA）。将从前三个临床中心回顾性收集磁共振血管造影（MRA）数据：荷兰乌得勒支大学医学中心、法国巴黎公共援助医院集团以及德国汉堡-埃彭多夫大学医学中心。

研究流程包括：* 自动动脉瘤分割后，开发用于3D形状特征提取的AI算法 * 基于形态学和临床参数，训练动脉瘤生长和破裂的预测模型 * 使用约1，000名患者的纵向数据集验证模型性能（目标C统计量≥0.80） * 在真实环境中进行临床情景研究，以评估可用性、决策影响和临床医生间变异性 关键绩效指标（KPI）：* 动脉瘤不稳定性预测的区分性能；C统计量≥0.80 * 灵敏度≥80%和特异度≥50%（基于最佳截断值）* 临床决策时间减少≥25% * 介入放射科医生对AI生成建议的依从性≥80% * 与2D显示相比，使用3D可视化的用户体验改善≥20%（基于调查）* 动脉瘤评估中观察者间和观察者内变异性减少≥50% 伦理考虑：这是一项非干预性、回顾性研究，使用先前获取并匿名化的影像数据。不会进行额外操作或数据收集。

本研究不会给患者增加负担或风险。根据荷兰法规，本研究不受《人体受试者医学研究法》（非WMO）的约束。

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。