人工智能辅助眼科诊断

数据集获取

源站：https://clinicaltrials.gov/study/NCT07497815

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：黄斑变性、糖尿病视网膜病变（DR）、青光眼、圆锥角膜、白内障。背景与依据 眼科疾病，包括青光眼、糖尿病视网膜病变和白内障，在全球和哥斯达黎加均构成重大公共卫生负担。早期发现对所有这些疾病都至关重要，但仍面临持续挑战：青光眼早期无症状，糖尿病视网膜病变需要每年筛查，使现有眼科能力不堪重负，图像解读耗时且存在观察者间差异，而在资源有限的环境中，专家眼科医生的供给不足以筛查所有高危人群。深度学习进展已证明在眼科图像分析方面具有强大能力，已发表研究显示，AI系统在多个疾病类别中达到与专家眼科医生相当的诊断准确性。然而，大多数AI系统是在亚洲、欧洲或北美人群中开发和验证的。

这些系统可能无法很好地推广到拉丁美洲人群，原因在于疾病流行模式、人口学特征、影像设备和协议以及医疗体系结构存在差异。未经本地验证就直接应用在其他地区开发的人工智能系统，在科学上值得质疑，且可能不安全。本研究通过开发和验证一套专门针对哥斯达黎加人群的人工智能系统来填补这一空白。研究设计与设置这是一项回顾性诊断技术验证研究，在哥斯达黎加的两个眼科中心开展：位于圣何塞的Asociados de Mácula y Vítreo de Costa Rica（贡献约10,000张图像）和位于埃雷迪亚的Centro Ocular（贡献约5,000张图像）。本研究将使用约15,000张现有眼科图像，来自在这些中心接受常规临床诊疗的成年患者。不设时间限制；所有符合质量和模态标准的可用历史图像都将被纳入。

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。