颈动脉斑块RADS与CPVH诊断准确性比较数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT07870512

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：无症状性颈动脉狭窄、颈动脉粥样硬化。颈动脉粥样硬化斑块是缺血性卒中的主要原因。识别有破裂风险的斑块——即所谓的“易损”或“不稳定”斑块——对于指导治疗决策至关重要，包括是否进行外科干预（颈动脉内膜切除术或支架置入术）还是继续药物治疗。目前，超声评估斑块形态在很大程度上依赖于检查医师的专业经验，这引入了主观性和变异性。颈动脉斑块RADS系统被开发用于将基于超声的斑块分类标准化为反映风险递增的类别（2-4类）。然而，它仍然依赖于操作者的视觉判读。CPVH（颈动脉斑块虚拟组织病理学）软件已在俄罗斯软件注册局注册（注册号33021，2026年4月17日），提供了一种自动化的替代方案。

该方法对超声斑块图像进行灰度分割，以识别五种组织成分——血液、脂质、肌肉、纤维组织和钙化——并计算预后指数（PI，0-1）以及斑块稳定性（稳定型与易损型）的自动分类。这项前瞻性、单中心、观察性研究采用配对设计对这两种方法进行比较：每个斑块均由颈动脉斑块RADS（由三位独立、盲法专家评估）和CPVH软件分别评估。该研究纳入任意狭窄程度（按NASCET标准为0-99%）的颈动脉粥样硬化斑块患者，并分层为四个亚组：狭窄<20%、20-49%、50-69%和70-99%。主要目的：采用Spearman相关性评估颈动脉斑块RADS分类与CPVH预后指数之间的一致性，既在整个样本中评估，也在各狭窄亚组内评估。次要目的：评估颈动脉斑块RADS的专家间一致性（两两Cohen’s kappa；总体Fleiss’ kappa）；比较每种方法将斑块分类为不稳定/易损型的比例（McNemar检验）；评估

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。