减重手术治疗NAFLD/NASH有效性研究
该数据集来自clinicaltrials.gov，为一项前瞻性、多中心队列研究，研究对象为需要接受减重手术的肥胖患者。研究旨在探讨减重手术对伴有纤维化的NAFLD/NASH的有效性，比较袖状胃切除术（SG）、Roux-en-Y胃旁路术（RYGB）或单吻合口胃旁路术（OAGB）之间的疗效差异，并探索减
基本信息
资源简介
减重手术治疗NAFLD/NASH有效性研究
该数据集来自clinicaltrials.gov，为一项前瞻性、多中心队列研究，研究对象为需要接受减重手术的肥胖患者。研究旨在探讨减重手术对伴有纤维化的NAFLD/NASH的有效性，比较袖状胃切除术（SG）、Roux-en-Y胃旁路术（RYGB）或单吻合口胃旁路术（OAGB）之间的疗效差异，并探索减重手术在NAFLD/NASH组织学缓解方面的独立有效性。队列第一阶段于2020年启动，命名为Base-NAFLD；2024年5月计划在Base-NAFLD基础上继续建立二级队列Base-NASH。数据可用于减重手术相关NAFLD/NASH疗效研究（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：减重手术候选者、NAFLD、伴纤维化的NASH。这是一项前瞻性、多中心队列研究，受试者为需要接受减重手术的肥胖患者。本研究旨在探讨减重手术对伴有纤维化的NAFLD/NASH的有效性，探讨袖状胃切除术[SG]、Roux-en-Y胃旁路术[RYGB]或单吻合口胃旁路术[OAGB]之间有效性的差异，并探讨减重手术在NAFLD/NASH组织学缓解中的独立有效性。队列的第一阶段于2020年启动，命名为Base-NAFLD；2024年5月，基于Base-NAFLD，我们计划继续建立二级队列，命名为Base-NASH。
【主题与分类】
主题标签：Bariatric Surgery Candidate、NAFLD、NASH With Fibrosis。本站分类：消化系统疾病。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT04366999
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
源站：https://clinicaltrials.gov/study/NCT04366999
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
条件：减重手术候选者、NAFLD、伴纤维化的NASH。这是一项前瞻性、多中心队列研究，受试者为需要接受减重手术的肥胖患者。本研究旨在探讨减重手术对伴纤维化的NAFLD/NASH的有效性，探讨袖状胃切除术[SG]、Roux-en-Y胃旁路术[RYGB]或单吻合口胃旁路术[OAGB]之间有效性的差异，并探讨减重手术在NAFLD/NASH组织学缓解中的独立有效性。该队列的第一阶段于2020年启动，命名为Base-NAFLD；2024年5月，基于Base-NAFLD，我们计划继续建立二级队列，命名为Base-NASH。
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。
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。
