评估AI辅助视网膜疾病分诊工作流的数据与代码

数据集获取

源站：https://search.dataone.org/view/sha256%3Abbe25a3601d6e26dab9da606fe5970a4c67d357ecda545784523deb5c45cc6ca

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

人工智能（AI）在眼底摄影中的临床价值取决于其提高工作流程效率和诊断性能的能力。我们评估了一种AI辅助的阴性筛查工作流程，用于糖尿病视网膜病变（DR）、视网膜静脉阻塞（RVO）和年龄相关性黄斑变性（AMD），使用了6，904张彩色眼底照片，由三位视网膜专家独立分级。在该工作流程中，AI阴性图像被归类为阴性，无需眼科医生审查，而AI阳性图像则被转诊进行人工判读。对于每个判读者-疾病对，参考标准由其他两位判读者之间的一致性确定，不一致的病例被排除。该工作流程大幅减少了眼科医生的直接审查，DR为7.3%–8.0%的图像，RVO为11.7%–11.9%，AMD为13.5%–16.8%。

我们的研究结果表明，AI辅助的阴性筛查可大幅减轻眼科医生在多种视网膜疾病中的工作负担，…，# 可复现分析代码：AI辅助眼底阅片工作流程 本数据集包含所有分析代码及经过预处理、去标识化的数据，用于复现文章《评估AI辅助视网膜疾病分诊工作流程》（PLOS Digital Health；DOI：10.1371/journal.pdig.0001700）中的正文与补充表格。该研究评估了针对糖尿病视网膜病变（DR）、视网膜静脉阻塞（RVO）和年龄相关性黄斑变性（AMD）的AI辅助阴性筛查工作流程：AI判定为阴性的眼底照片无需眼科医生审核即被接受为阴性，而AI判定为阳性的图像则转交人工判读。对于每位被评估的阅片者，参考标准为其他两位阅片者的一致性（留一法共识）；存在分歧的图像（不一致病例）被排除在主要疾病特异性分析之外。> 不包含任何患者可识别信息。 原始眼底 > 照片未予共享

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。