基于AI衍生定量信息的视网膜临床评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT07291960

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：无明显异常、糖尿病视网膜病变（DR）、AMD、杯盘比大于0.5、病理性近视、黄斑裂孔、视网膜前膜、视网膜静脉阻塞（RVO）。本随机对照试验旨在评估向临床医生提供AI衍生的定量视网膜信息是否能提高视网膜临床评估的质量和效率。参与的眼科医生和眼科培训生将被随机分配到两组中的一组。干预组将在撰写临床报告时，可获取由眼底图像分析生成的自动定量测量结果，包括多种视网膜结构和血管生物标志物。对照组将仅使用原始眼底图像完成相同的报告任务，不借助AI生成的定量信息。两组产生的所有报告都将去标识化，并由一个独立的高级眼科医生小组进行独立评估，该小组对分组情况不知情。专家评估人员将使用预定义的评分标准，评估报告的准确性、完整性、清晰度和整体临床质量。

本研究旨在确定，在视网膜评估任务中，获取定量视网膜生物标志物是否能提高临床医生的报告表现并缩短报告时间。

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。