脂肪肌肉比率与非酒精性脂肪肝关联的单中心回顾性研究
该数据集来自武汉协和医院2020年1月至2021年11月健康体检人群的单中心回顾性研究，共纳入1592名40岁及以上接受身体成分分析和肝脏超声检查的参与者
基本信息
资源简介
脂肪肌肉比率与非酒精性脂肪肝关联的单中心回顾性研究
Association of fat-to-muscle ratio with non-alcoholic fatty liver disease: a single-centre retrospective study
该数据集来自武汉协和医院2020年1月至2021年11月健康体检人群的单中心回顾性研究，共纳入1592名40岁及以上接受身体成分分析和肝脏超声检查的参与者。数据采集自电子病历，包含肝脏超声评估的肝脂肪变性及FIB-4计算的肝纤维化风险评分，可用于探究脂肪肌肉比率与非酒精性脂肪肝的关联，并支持NAFLD风险预测与相关研究（来源 DataONE，CC0 1.0 Universal (CC0 1.0) Public Domain Dedication 许可）。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：肌肉减少症是已知的非酒精性脂肪肝（NAFLD）危险因素。评估脂肪肌肉比率（FMR）与NAFLD关联的研究有限。因此，本研究旨在探讨FMR与NAFLD的关联。设计：对2020年1月至2021年11月在武汉协和医院接受健康检查的个体进行回顾性研究。临床数据采集自电子病历。环境：本研究在中国的一家医院进行。参与者：共回顾性审查了1592名年龄≥40岁、接受身体成分分析和肝脏超声检查的参与者。主要结局指标：肝脏超声用于评估肝脂肪变性，Fibrosis-4指数（FIB-4）用于计算肝纤维化风险评分。
【主题与分类】
主题标签：non-alcoholic fatty liver disease、Risk management、body composition、Cardiovascular disease、Liver fibrosis。本站分类：循环系统疾病。
【获取与许可】
源站页面：https://search.dataone.org/view/sha256%3A1a33dd8f385f9f0867231805111bfced1e35324f14a531e043ecaaa07e77f716
使用许可：CC0 1.0 Universal (CC0 1.0) Public Domain Dedication。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
目的：肌肉减少症是已知的非酒精性脂肪性肝病（NAFLD）危险因素。评估脂肪与肌肉比值（FMR）与NAFLD关联的研究有限。因此，本研究旨在探讨FMR与NAFLD之间的关联。设计：对2020年1月至2021年11月在武汉协和医院接受健康体检的个体进行回顾性研究。临床数据从电子病历中收集。地点：本研究在中国的一家医院进行。参与者：回顾性分析了共1，592名年龄≥40岁、接受身体成分分析和肝脏超声检查的参与者。主要结局指标：采用肝脏超声检查评估肝脏脂肪变性，采用纤维化-4指数（FIB-4）计算肝纤维化风险评分。采用10年动脉粥样硬化性心血管疾病（ASCVD）风险预测模型计算ASCVD风…
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
