2型糖尿病数字孪生框架数据（表3）
包含2型糖尿病多组学和临床数据，用于构建预测疾病进展的机器学习模型及知识图谱分析。
基本信息
资源简介
2型糖尿病数字孪生框架数据（表3）
【一句话概览】
本数据集是 figshare 公开的多模态数据集，收录 1 个文件、合计 7.17 KB，主题涵盖 digital twin、type 2 diabetes、knowledge graph、machine learning、precision medicine，可用于跨模态对齐与融合建模研究，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Table3_A framework towards digital twins for type 2 diabetes.xlsx》。配套论文《Digital twins for predictive oncology will be a paradigm shift for precision cancer care》发表于 Nature Medicine（2021），DOI：10.1038/s41591-021-01558-5。源站首次发布：2024-01-26。
【数据内容】
源站原始描述：IntroductionA digital twin is a virtual representation of a patient''s disease, facilitating real-time monitoring, analysis, and simulation. This enables the prediction of disease progression, optimization of care delivery, and improvement of outcomes. MethodsHere, we introduce a digital twin framework for type 2 diabetes (T2D) that integrates machine learning with multiomic data, knowledge graphs, and mechanistic models. By analyzing a substantial multiomic and clinical dataset, we constructed p…
中文译文（机器翻译，仅供快速理解，请以原文为准）：引言 数字孪生是患者疾病的一种虚拟表征，可促进实时监测、分析和模拟。这有助于预测疾病进展、优化照护服务提供并改善结局。 方法 在此，我们介绍一个针对2型糖尿病（T2D）的数字孪生框架，该框架将机器学习与多组学数据、知识图谱和机制模型相整合。通过分析大规模多组学与临床数据集，我们构建了预测性机器学习模型，以预测疾病进展。此外，我们采用知识图谱来阐明多组学–疾病关系，并为其提供背景。 结果与讨论 我们的研究结果不仅再次证实了已知的可靶向疾病组分，还突出了通过这种整合方法所揭示的新组分。本研究提出的多用途组件可被纳入数字孪生系统，从而加深我们对疾病的理解，并推动精准医学的发展。
【数据结构与技术规格】
文件数 1 个，合计 7.17 KB。Table3_A framework towards digital twins for type 2 diabetes.xlsx：application/vnd.openxmlformats-officedocument.spreadsheetml.sheet，7.17 KB。数据集 DOI：10.3389/fdgth.2024.1336050.s004。
【主题与分类】
源站学科分类：Mobile Technologies、Health Information Systems (incl. Surveillance)、Health Informatics、Innovation and Technology Management。主题标签：digital twin、type 2 diabetes、knowledge graph、machine learning、precision medicine。
【适用方向】
多模态数据适合跨模态对齐、融合建模与联合表征学习方向的研究。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Table3_A_framework_towards_digital_twins_for_type_2_diabetes_xlsx/25066979
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Zhang, Yue; Qin, Guangrong; Aguilar, Boris; Rappaport, Noa; Yurkovich, James T.; Pflieger, Lance; et al. (2024). Table3_A framework towards digital twins for type 2 diabetes.xlsx. Frontiers. Dataset
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取（Figshare）
- 源站标题：Table3_A framework towards digital twins for type 2 diabetes.xlsx
- DOI：10.3389/fdgth.2024.1336050.s004
- 发布日期：2024-01-26
- 文件数：1 个
- 文件总体积：7.17 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Table3_A_framework_towards_digital_twins_for_type_2_diabetes_xlsx/25066979
命令行下载
curl -L -o "Table3_A framework towards digital twins for type 2 diabetes.xlsx" "https://ndownloader.figshare.com/files/44237861"
文件清单
Table3_A framework towards digital twins for type 2 diabetes.xlsx（7.17 KB）
文件总体积 7.17 KB（源站 API 实测）。
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。
数据说明
IntroductionA digital twin is a virtual representation of a patient’'s disease, facilitating real-time monitoring, analysis, and simulation. This enables the prediction of disease progression, optimization of care delivery, and improvement of outcomes.
MethodsHere, we introduce a digital twin framework for type 2 diabetes (T2D) that integrates machine learning with multiomic data, knowledge graphs, and mechanistic models. By analyzing a substantial multiomic and clinical dataset, we constructed predictive machine learning models to forecast disease progression. Furthermore, knowledge graphs were employed to elucidate and contextualize multiomic–disease relationships.
Results and discussionOur findings not only reaffirm known targetable disease components but also spotlight novel ones, unveiled through this integrated approach. The versatile components presented in this study can be incorporated into a digital twin system, enhancing our grasp of diseases and propelling the advancement of precision medicine.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fdgth.2024.1336050.s004（source: https://frontiersin.figshare.com/articles/dataset/Table3_A_framework_towards_digital_twins_for_type_2_diabetes_xlsx/25066979）。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
