AI驱动的视网膜筛查：用于自动糖尿病视网膜病变检测的堆叠机器学习框架

数据集获取

源站：https://doi.org/10.21227/yqfh-7y68

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

本数据集随论文《AI驱动的视网膜筛查：一种用于常规体检中自动检测糖尿病视网膜病变的堆叠机器学习框架，使用公共眼底数据库》一同发布。它以机器学习就绪的形式打包了复现该研究所需的全部输入、衍生特征、数据划分、模型预测和结果表格。(1) 糖尿病视网膜病变（DR）特征：来自UCI糖尿病视网膜病变Debrecen数据集的1，151张MESSIDOR眼底图像的19个病灶、解剖和图像级特征，并带有可读的列名；18个额外的病灶感知工程特征（对数变换后的微动脉瘤和渗出物计数、微动脉瘤衰减、渗出物总和以及微动脉瘤–渗出物交互作用）；固定的分层80/20训练/测试划分；10折交叉验证分配；以及所提出的堆叠集成模型（逻辑回归、SVM、XGBoost和MLP，并使用逻辑元学习器）在测试集上的概率。

所提出的模型达到了交叉验证AUC为0.854，留出集AUC为0.878（95% CI 0.830–0.917）。(2) 模型结果：九种分类器的交叉验证与留出集指标、跨决策阈值的操作点、排列重要性、特征组消融、学习曲线、运行时间与统计检验。(3) 白内障试点：从公共视网膜数据集的40张正常和40张白内障眼底图像中计算三个图像清晰度特征（锐度、对比度、血管尺度细节），并进行交叉验证预测（AUC 0.978）。图像不再分发；提供下载链接。(4) 美国眼病负担：一份经过整理的99,307行全国和州级摘录，来自CDC视力与眼健康监测系统（VEHSS）对糖尿病视网膜病变、青光眼、年龄相关性黄斑变性和视力丧失的建模估计，附有按州、年龄、种族/族裔和社会决定因素分类的汇总表，以及对3630万患有糖尿病的美国成年人年度AI筛查转诊的预测。所有图表和P

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。