基于眼眶MRI的甲状腺眼病筛查、分类与结局预测全国多中心注册研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07716397

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：Graves眼病、Graves病、甲状腺相关性眼病。本观察性研究的目标是在真实世界临床场景中，前瞻性验证基于多序列眶部MRI构建的AI多模态模型在甲状腺相关性眼病（TAO）的诊断、活动度与严重程度评估及预后预测中的效能。其主要旨在回答的问题包括：AI模型能否准确评估甲状腺相关性眼病（TAO）的存在、活动度及严重程度？AI模型能否预测TAO的预后？研究人员将比较AI模型对TAO患者与健康受试者的诊断准确性，以评估其诊断性能。参与者将接受标准化的、研究专用的多模态眶部MRI扫描（序列包括T1WI、T2WI、STIR，以及Magic、IDEAL-IQ、DWI、ASL、CEST等研究序列），并将系统采集TED患者（活动期与非活动期）、非TED眼科疾病对照者及健康志愿者的眼部超声图像。

将应用人工智能驱动的深度学习技术（卷积神经网络）实现关键结构（眼外肌、视神经、泪腺及球后软组织）的自动分割。提取涵盖形态学参数和灰度纹理模式的高通量影像组学特征。随后采用机器学习算法构建用于TED筛查和活动性分期的客观预测模型，并以MRI表现和CAS评分作为外部验证的参考标准。

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。