高度近视白内障人工智能数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT06616506

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：白内障、高度近视、近视、自动判断、风险降低、疾病诊断。高度近视性白内障（HMC）是一种复杂且具有高致盲风险的白内障。目前，全球有近3亿高度近视人口，预计到2020年将增至5亿。亚洲是全球近视高发地区。当前，仅中国就有超过5亿的近视人口，其中近1亿为高度近视，且这一数字仍在快速增长。相应地，高度近视并发白内障的发病率也迅速上升，占白内障手术的40%以上。

在项目团队对高度近视白内障术后屈光误差进行分析的早期阶段，发现目前被广泛推荐用于高度近视白内障的人工晶状体计算公式准确性仍令人担忧，因为这些公式大多基于欧美人群的眼部数据，而欧美数据库中超高度近视数据较少，这极大地影响了公式的准确性。此外，现有公式的计算需要纳入多项生物测量指标，并基于复杂算法才能获得结果。人工智能技术正是解决此类问题的有效手段。因此，基于高度近视高发的亚洲人群数据，建立高度近视白内障人工晶状体精准计算的智能模型，将大幅提高测量的准确性。

因此，本研究旨在建立一种多中心人工智能模型，用于精准计算人工晶状体及其在高度近视性白内障中的临床应用，以提高高度近视性白内障患者术后屈光度预测的准确性。

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。