基于LLM多智能体的神经眼科诊断与个性化治疗计划数据表1
神经眼科诊断与治疗LLM多智能体系统的数据表，含文本和眼底/OCT图像，支持不确定性诊断。
基本信息
资源简介
基于LLM多智能体的神经眼科诊断与个性化治疗计划数据表1
【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 61.76 KB，主题涵盖 neuro-ophthalmology、multi-agent systems、large language models (LLMs)、retinal neurodegeneration、glaucoma，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《Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv》。配套论文《Advancing Healthcare Automation: Multi-Agent System for Medical Necessity Justification》发表于 Proceedings of the 23rd Workshop on Biomedical Natural Language Processing（2024），DOI：10.18653/v1/2024.bionlp-1.4。源站首次发布：2025-10-06。
【数据内容】
源站原始描述：IntroductionOphthalmic findings can non-invasively reflect nervous-system status. We present an LLM-based multi-agent framework that preserves diagnostic uncertainty to support neuro-ophthalmic screening and referral. MethodsHeterogeneous inputs (clinical text/PDFs and optional fundus/OCT images) are normalized by an Information Collection Agent. A Diagnosis Agent ensembles multiple LLMs and, when available, a CNN image branch; outputs are aggregated with an uncertainty-aware fusion. ResultsAcro…
中文译文（机器翻译，仅供快速理解，请以原文为准）：引言 眼科检查结果可无创地反映神经系统状态。我们提出了一种基于LLM的多智能体框架，该框架保留诊断不确定性，以支持神经眼科筛查与转诊。 方法 异构输入（临床文本/PDF，以及可选的眼底/OCT图像）由信息采集智能体进行标准化。诊断智能体集成多个LLM，并在可用时集成一个CNN图像分支；输出通过不确定性感知融合进行汇总。 结果 在精选的眼科语料库中，该多智能体框架较单模型基线提高了稳健性，并生成适合下游分诊和监测的多候选分布。 讨论 不确定性感知的多候选预测与模糊情况下的临床决策相一致，并提示未来可在校准和知识层融合方面开展研究。
主表 Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv 含 4 列、样本前 201 行结构完整。
【数据结构与技术规格】
文件数 1 个，合计 61.76 KB。Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv：text/csv，61.76 KB。数据集 DOI：10.3389/fnins.2025.1688509.s002。
【主题与分类】
源站学科分类：Neuroscience。主题标签：neuro-ophthalmology、multi-agent systems、large language models (LLMs)、retinal neurodegeneration、glaucoma、age-related macular degeneration (AMD)、multimodal integration、uncertainty-aware diagnosis。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。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/Data_Sheet_1_LLM-based_multi-agent_system_for_neuro-ophthalmic_diagnosis_and_personalized_treatment_planning_csv/30283840
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Wang, Wenmiao (2025). Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv. 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：Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv
- DOI：10.3389/fnins.2025.1688509.s002
- 发布日期：2025-10-06
- 文件数：1 个
- 文件总体积：61.76 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_LLM-based_multi-agent_system_for_neuro-ophthalmic_diagnosis_and_personalized_treatment_planning_csv/30283840
命令行下载
curl -L -o "Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv" "https://ndownloader.figshare.com/files/58508323"
文件清单
Data Sheet 1_LLM-based multi-agent system for neuro-ophthalmic diagnosis and personalized treatment planning.csv（61.76 KB）
文件总体积 61.76 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
IntroductionOphthalmic findings can non-invasively reflect nervous-system status. We present an LLM-based multi-agent framework that preserves diagnostic uncertainty to support neuro-ophthalmic screening and referral.
MethodsHeterogeneous inputs (clinical text/PDFs and optional fundus/OCT images) are normalized by an Information Collection Agent. A Diagnosis Agent ensembles multiple LLMs and, when available, a CNN image branch; outputs are aggregated with an uncertainty-aware fusion.
ResultsAcross a curated ophthalmic corpus, the multi-agent framework improves robustness over single-model baselines and produces multi-candidate distributions suitable for downstream triage and monitoring.
DiscussionUncertainty-aware, multi-candidate predictions align with clinical decision-making under ambiguity and suggest future work on calibration and knowledge-layer fusion.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fnins.2025.1688509.s002（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_1_LLM-based_multi-agent_system_for_neuro-ophthalmic_diagnosis_and_personalized_treatment_planning_csv/30283840）。
需要用于商业化训练或医疗器械注册（NMPA/FDA）？
公开数据往往缺乏完整的病理回证与专家标注。千方医数集依托陕川双基地与超十家三甲医院直连，提供完全合规、去标识化、支持注册级质控的专病数据集交易服务。
