BLANDISH 脑、功能丧失、动脉瘤、疾病、损伤、卒中、出血数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT06320132

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：颅内出血。在神经重症监护病房（NeuroICU）中，治疗通常遵循基于科学共识的指南。尽管如此，近几十年来颅内出血患者的预后并未显著改善，导致总体结果不尽如人意。虽然随机对照试验（RCTs）被视为临床研究的金标准，但其执行成本高昂且面临伦理挑战。观察性研究提供了另一种方法，能够获取覆盖更长时间段的大型数据集，对于某些研究而言更为有益且可行。与经典统计方法不同，机器学习（ML）算法具备处理大量变量的能力，为医疗保健提供者在患者管理中提供了一种个性化且可靠的方法。鉴于有必要开展精心设计的研究以确定神经重症患者的最佳治疗策略，并认识到现有指南的局限性，我们旨在利用机器学习程序开发一个先进的系统，能够揭示数据模式并将其与潜在结果相关联。

BLANDISH项目聚焦于自发性脑出血（sICH）患者，这类疾病目前缺乏已证实有效的治疗方法。通过收集和分析神经重症监护室（neuroICU）收治的sICH患者数据，该项目旨在开发一种名为BLANDISH的监督式机器学习算法。该算法将根据预后对患者进行分层，识别出死亡和继发性脑损伤风险最高的患者。通过引导每位患者接受最具针对性的治疗策略，该算法有助于改善患者预后并评估当前临床实践的有效性。此外，它还可能使医护人员能够更好地分配资源，并基于精准医学引入个体化治疗方案，从而有望缩短住院时间并降低医疗成本。开发BLANDISH算法的第一步是

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。