基于多组学与影像的PAD和CAS研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT06917547

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：外周动脉疾病、颈动脉狭窄、动脉狭窄。背景与依据：外周动脉疾病（PAD）和颈动脉狭窄（CAS）是常见的血管疾病，与显著的发病率和死亡率相关。尽管诊断和治疗方法取得了进展，但驱动这些疾病的分子机制仍知之甚少。本研究利用前沿的多组学技术和先进的成像模式，以揭示PAD和CAS复杂的发病机制，最终目标是识别新的生物标志物和治疗靶点。研究目标：主要目标：利用机器学习算法，将多模态成像数据（NIR-II成像、基于DUS的V-flow成像和激光散斑成像）与多组学数据相结合，以改进疾病预测和分层。研究设计：这是一项前瞻性、观察性研究，涉及被诊断为PAD或CAS的患者。该研究将包括以下组成部分：成像分析：1. NIR-II成像：用于可视化深部组织血管结构和血流动力学。2. 基于DUS的V-flow成像：用于评估血流动力学和血管狭窄。

3. 激光散斑成像：评估微血管灌注和内皮功能。多组学分析：1. 单细胞转录组学：在单细胞水平上分析基因表达，并识别细胞类型特异性变化。2. 代谢组学和脂质组学：表征与疾病进展相关的代谢和脂质谱。3. 蛋白质组学：识别差异表达蛋白和信号通路。4. 数据整合与机器学习：将使用先进的机器学习算法整合影像学和多组学数据，以开发用于疾病诊断、进展和治疗反应的预测模型。研究人群 本研究将纳入诊断为PAD或CAS的患者，以及年龄和性别匹配的健康对照。将应用纳入和排除标准，以确保研究人群的同质性。预期

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。