在新加坡糖尿病眼病筛查项目中使用人工智能辅助临床模型进行青光眼筛查

数据集获取

源站：https://clinicaltrials.gov/study/NCT07243665

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

病症：青光眼。背景：青光眼是全球不可逆性失明的主要原因，其特征为视神经损伤和视野缺损。由于缺乏简单、标准化且成本效益高的检测方法，青光眼的筛查仍然具有挑战性。人工智能（AI），尤其是深度学习（DL），为提高和标准化青光眼检测提供了潜力。然而，在公开部署之前，其性能必须在真实世界环境中进行前瞻性验证。目的：评估在真实世界环境中使用彩色眼底照片（CFP）作为临床决策支持工具的深度学习算法用于青光眼检测的准确性和成本效益。方法：将在新加坡综合糖尿病视网膜病变项目（SiDRP）下，从糖尿病与代谢中心（DMC）和SingHealth综合诊所-红山招募的1，040名糖尿病成人中开展一项两中心、单盲、实用性随机对照试验（RCT）。在眼底成像后，参与者将按1：1随机分配至AI辅助分级或由SiDRP阅片中心分级师进行的当前人工分级（每组520名受试者）。

诊断性能将与金标准青光眼诊断进行比较，后者通过全面的眼部检查确定，包括眼压测量、视野检查、光学相干断层扫描和散瞳眼底评估。成本效益将使用基于队列的马尔可夫模型进行评估，以估算两种青光眼筛查策略的终生成本和增量成本效益比（ICERs）。临床意义：将人工智能整合到青光眼筛查中可以解决资源限制并简化检测流程。本研究将为基于人工智能的筛查的准确性和成本效益提供真实世界证据。如果得到验证，它可以被整合到国家筛查项目中，通过一种具有成本效益的、可扩展的策略来加强早期检测、减少不必要的转诊并预防可避免的失明。

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。