通过分析风险因素预测阿尔茨海默病生物学机制的数字解决方案

数据集获取

源站：https://clinicaltrials.gov/study/NCT07731191

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：轻度认知障碍（MCI）、主观认知下降（SCD）。人口老龄化是全球痴呆症患病率上升的主要因素之一。近期证据表明，可改变的风险因素，如心血管疾病和生活方式，可能增加痴呆症的发病风险并促进其进展。此外，使用非侵入性血浆生物标志物能够识别患有神经退行性疾病的个体，即使在前驱期也是如此。然而，风险因素的累积负担与血浆生物标志物之间的关系仍知之甚少。本研究的主要目标是通过开发基于人工智能算法（机器学习模型）的预测工具，识别并评估与阿尔茨海默病（AD）和非AD痴呆发生相关的可改变和不可改变预测因素（风险因素），以及与AD或非AD一致的生物学改变。

本研究还旨在提供一系列技术工具（用于患者主动监测的应用程序和面向临床医生的网络平台），以改善风险分层和护理路径的个性化。该研究分为两个不同阶段。首先，进行回顾性阶段，以构建痴呆风险及与AD一致的生物学改变的预测模型。其次，进行前瞻性阶段，以验证该预测模型。

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。