炎症性肠病诊疗全流程AI智能管理系统研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07590271

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：炎症性肠病（克罗恩病和溃疡性结肠炎）、克罗恩病（CD）、溃疡性结肠炎（UC）、人工智能（AI）、自然语言处理（NLP）。炎症性肠病（IBD），包括克罗恩病（CD）和溃疡性结肠炎（UC），是一种需要长期管理的慢性免疫介导性疾病。临床上，IBD可能涉及反复发作的肠道炎症、溃疡形成以及狭窄和瘘管等并发症。IBD的病因与免疫失调、肠道微生物群失衡和遗传易感性有关。其临床表现具有异质性；腹痛、腹泻、体重减轻、便血或贫血等早期症状常与胃肠炎、肠易激综合征或感染性小肠结肠炎相似，导致误诊和诊断延迟。

根据国际研究，从初始症状发作到确诊的间隔时间可从数月到数年不等，在此期间，未经治疗的疾病进展会增加住院、手术、肠道狭窄和瘘管并发症的风险，对患者生活质量造成显著影响。本研究采用回顾性设计，分析我院2023年至2025年的电子病历数据。目的是评估一种人工智能（AI）模型的性能和可行性——该模型开发并整合了自然语言处理（NLP）和表型识别算法——以支持IBD的早期识别和诊断。该模型已在多个欧洲医疗系统中得到验证，能够从大规模结构化和非结构化医疗数据中识别高风险表型聚类。本研究代表了该AI技术在台湾IBD人群中的首次应用。所有数据处理将在去标识化的安全计算环境中进行，以确保数据隐私和信息安全。

该研究将比较基于医疗记录生成的人工智能诊断建议与实际临床诊断，以评估一致性和准确性。该模型的性能

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。