阑尾炎—基因-疾病关联数据集
该数据集来自 plos.figshare.com,配套论文发表于 PLOS ONE(2019 年),主题为儿童急性阑尾炎的诊断与分类

基本信息
资源简介
阑尾炎—基因-疾病关联数据集
Diagnosis and classification of pediatric acute appendicitis by artificial intelligence methods: An investigator-independent approach
该数据集来自 plos.figshare.com,配套论文发表于 PLOS ONE(2019 年),主题为儿童急性阑尾炎的诊断与分类。研究基于全血细胞计数、c-reactive protein(CRP)及超声检查中的阑尾直径等常规、无偏获取的参数,构建自动诊断阑尾炎并区分复杂性与非复杂性炎症的方法。数据集包含 2 个文件(如 pone.0222030.s001.tif、pone.0222030.s002.tif),可用于探索生物标志物特征与分类模型在急诊手术相关诊断场景中的应用(来源 figshare,CC BY 4.0 许可)。
【数据集背景】
配套论文《Diagnosis and classification of pediatric acute appendicitis by artificial intelligence methods: An investigator-independent approach》发表于 PLOS ONE(2019),DOI:10.1371/journal.pone.0222030。源站首次发布:2019-09-25。
【数据内容】
源站描述(机器翻译,仅供参考):急性阑尾炎是儿童和青少年急诊手术的主要原因之一。阑尾切除术仍是首选治疗方法,但针对非复杂性炎症的保守策略正日益受到研究。急性阑尾炎的诊断仍然具有挑战性,尤其是因为临床表现常常缺乏特异性。炎症血液标志物和超声等影像学方法存在局限,因为它们必须由专家解读,且仍不能提供足够的诊断确定性。本研究提出一种方法,利用对每位疑似阑尾炎患者常规且无偏获取的数值/参数,自动诊断阑尾炎并区分复杂性与非复杂性炎症。我们分析了全血细胞计数、c-reactive protein(CRP)以及超声检查中的阑尾直径
【数据结构与技术规格】
文件数 2 个,合计 13.51 MB。数据集 DOI:10.1371/journal.pone.0222030。
【主题与分类】
源站学科分类:Space Science、Medicine、Cell Biology、Chemical Sciences not elsewhere classified、Immunology、Biological Sciences not elsewhere classified。主题标签:blood counts、c-reactive protein、appendiceal diameters、imaging methods、CRP、classification model、emergency surgery、biomarker signatures、biomarker signature、validation data。本站分类:消化系统疾病/其他。
【适用方向】
源站学科分类标注为 Space Science、Medicine、Cell Biology、Chemical Sciences not elsewhere classified、Immunology、Biological Sciences not elsewhere classified。
【获取与许可】
源站页面:https://plos.figshare.com/articles/dataset/Diagnosis_and_classification_of_pediatric_acute_appendicitis_by_artificial_intelligence_methods_An_investigator-independent_approach/9902789
使用许可:CC BY 4.0(https://creativecommons.org/licenses/by/4.0/)。
规范引用:Reismann, Josephine; Romualdi, Alessandro; Kiss, Natalie; Minderjahn, Maximiliane I.; Kallarackal, Jim; Schad, Martina; et al. (2019). Diagnosis and classification of pediatric acute appendicitis by artificial intelligence methods: An investigator-independent approach. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-05-30,引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取(Figshare)
- 源站标题:Diagnosis and classification of pediatric acute appendicitis by artificial intelligence methods: An investigator-independent approach
- DOI:10.1371/journal.pone.0222030
- 发布日期:2019-09-25
- 文件数:2 个
- 文件总体积:13.51 MB
- 源站页面:https://plos.figshare.com/articles/dataset/Diagnosis_and_classification_of_pediatric_acute_appendicitis_by_artificial_intelligence_methods_An_investigator-independent_approach/9902789
命令行下载
curl -L -o "pone.0222030.s001.tif" "https://ndownloader.figshare.com/files/17800277"
curl -L -o "pone.0222030.s002.tif" "https://ndownloader.figshare.com/files/17800280"
文件清单
pone.0222030.s001.tif(6.75 MB)pone.0222030.s002.tif(6.75 MB)
文件总体积 13.51 MB(源站 API 实测)。
数据说明
急性阑尾炎是儿童和青少年急诊手术的主要原因之一。阑尾切除术仍是首选治疗方法,但对于非复杂性炎症,保守治疗策略正日益受到研究。急性阑尾炎的诊断仍具有挑战性,尤其是由于其临床表现常常缺乏特异性。炎症血液标志物和超声等影像学方法存在局限性,因为它们必须由专家解读,且仍无法提供足够的诊断确定性。本研究提出一种自动诊断阑尾炎并区分复杂性与非复杂性炎症的方法,所用数值/参数均为每例疑似阑尾炎患者常规且无偏倚获取。我们分析了德国柏林一家医院来源人群中0–17岁儿童和青少年的全血细胞计数、C反应蛋白(CRP)以及超声检查中的阑尾直径。
本研究回顾性分析了590例患者(其中473例经组织病理学确诊为阑尾炎,117例组织病理学检查结果为阴性),采用机器学习和人工智能的现代算法进行分析。信息性参数(生物标志物特征)的发现和分类模型的训练最多使用35%的患者数据完成,其余至少65%的患者数据用于验证。在临床相关截断值下,生物标志物特征诊断阑尾炎的准确率为90%(灵敏度93%,特异度67%),而正确识别复杂性炎症的准确率为51%(灵敏度95%,特异度33%)(基于验证数据)。此类检测能够使三分之二的无阑尾炎患者免于不必要的手术,同时使三分之一的非复杂性阑尾炎患者免于手术。所提出的方法有望改变当今阑尾炎的治疗策略,并证明了人工智能和机器学习算法即便基于常规诊断参数也能显著改善诊断的能力。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0222030(source: https://plos.figshare.com/articles/dataset/Diagnosis_and_classification_of_pediatric_acute_appendicitis_by_artificial_intelligence_methods_An_investigator-independent_approach/9902789)。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




