AI 超声心动图筛查心脏淀粉样变

数据集获取

源站：https://clinicaltrials.gov/study/NCT06664866

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：心脏淀粉样变性。机器学习和图像处理技术的最新进展表明，机器学习模型能够识别人类专家未察觉的特征，并准确评估临床实践中的常见测量指标。超声心动图是最常见的心脏影像学检查形式，在诊断中被常规且频繁使用。然而，其解读往往存在主观性和异质性。人工智能（AI）在精确测量和检测方面的能力对于心血管疾病的筛查和诊断都至关重要。心脏淀粉样变性（CA）是一种罕见的、诊断不足的疾病，已有靶向治疗可降低发病率并提高预期寿命。然而，CA常被忽视，并与射血分数保留的心力衰竭相混淆。一些估计表明，CA在普通人群中的患病率可高达1%，在左心室肥厚、心力衰竭及其他可能促使进行超声心动图检查的心脏症状患者中，患病率甚至更高。

针对罕见疾病（如心脏淀粉样变性）以及其他患病率相对较低、但早期发现后可通过靶向治疗产生显著人类影响的疾病，已有研究提出人工智能引导的疾病筛查工作流程。这一领域尤其适合人工智能，因为存在多种模拟疾病，例如肥厚型心肌病、心脏淀粉样变性、主动脉瓣狭窄及其他表型在视觉上可能相似，但可通过人工智能算法加以区分。研究人员开发了一种名为EchoNet-LVH的算法，用于识别心脏肥厚并识别可从心脏淀粉样变性额外筛查中获益的患者。

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。