儿童心脏手术MODS-2的术前及术中预测因素

数据集获取

源站：https://clinicaltrials.gov/study/NCT05284500

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：儿童先天性心脏病、心脏外科手术、结局评估、器官功能障碍评分。详细统计分析：将通过mice R包进行5次多重插补，这是风险模型最合适的方法。随后我们取插补数据集的均值，以便在单一数据集上启动数据挖掘模型。所有变量都将纳入模型。在运行数据挖掘模型之前，我们将对连续变量进行三种变换：1）标准化；2）通过bestNormalize R包进行最佳正态化；3）取变量从2次幂到10次幂。数据集将被分为训练集（75%的病例）和测试集（25%的病例）。对于所有测试的数据挖掘模型，我们将在训练集上使用10折交叉验证方法，然后将保留的模型应用于测试集。

将测试以下数据挖掘模型：1）回归树，2）逻辑回归（GLM），3）神经网络（NN）；4）支持向量机（SVM）；5）随机森林（RF）；6）多元自适应回归样条模型（MARS）和7）非线性支持向量机（SVM NL）。这些模型将使用caret R包绘制。混淆矩阵，报告灵敏度、特异度、准确率，将基于训练集上开发的模型在测试集上绘制，并将为三个模型竞争者绘制校准图。将使用R软件（R Core Team, 2019），版本3.6.1.来生成结果。

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。