基于高通量大模型AI辅助诊断的OCT数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT07249307

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：糖尿病视网膜病变（DR）、视网膜静脉阻塞（RVO）、年龄相关性黄斑变性（AMD）、病理性近视、青光眼。本研究探讨基于光学相干断层扫描（OCT）和OCT血管成像（OCTA）的高通量、大模型人工智能辅助诊断关键技术。OCT/OCTA成像已成为检测和监测视网膜及视神经疾病不可或缺的无创工具，然而人工判读仍然耗时、依赖经验，并受观察者间变异性的限制。近期大型人工智能模型的进展为开发可扩展、具有泛化能力的诊断工具提供了机遇，这些工具能够处理大规模多模态数据集并支持临床决策。本观察性研究将纳入在北京协和医院接受常规OCT和/或OCTA检查、且被诊断患有以下一种或多种疾病的患者：糖尿病视网膜病变、视网膜分支静脉阻塞、视网膜中央静脉阻塞、年龄相关性黄斑变性、病理性近视性脉络膜新生血管，或伴有视神经损害的青光眼。

本研究将纳入回顾性收集和前瞻性获取的影像与临床数据，并遵循标准化的质量控制与数据管理流程。高通量诊断框架将使用大规模影像和临床数据集进行训练与验证。主要结局包括诊断性能指标，如受试者工作特征曲线下面积（AUC）。次要结局包括敏感性、特异性，以及在适用情况下的病灶层面或结构特征评估。本研究不引入任何实验性干预，所有影像与临床评估均遵循标准临床诊疗。本研究旨在为基于大模型的AI系统在OCT/OCTA判读中建立稳健且具有临床相关性的基准，并为未来将AI辅助诊断工具整合到常规眼科实践提供技术支持。

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。