OCT-PRO模型与临床医生：白内障手术结局预测

数据集获取

源站：https://clinicaltrials.gov/study/NCT07713069

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：白内障。白内障是全球致盲的首要原因，然而5-20%的患者在术后未能获得满意的视力恢复。准确的术前预测仍然具有挑战性，尤其是对于合并视网膜病变的眼部，因为当前依赖临床医生经验和传统检查（如激光干涉测量）的方法往往缺乏可重复性。尽管OCT-PRO等AI模型展现出前景，但缺乏将其准确性与之临床医生进行比较的前瞻性RCT证据。这项多中心、随机、评估者盲法试验将纳入534名计划接受白内障手术的成人。参与者通过集中随机化按1：1分配至实验组或对照组。在实验组中，临床医生使用OCT-PRO模型——整合OCT图像和临床数据——来获得预测的术后BCVA。医生可以确认或调整该预测值，最终数值在术前咨询时告知患者。对照组接受标准诊疗，其预测仅基于传统临床评估，无AI辅助。

结果评估者将对分组分配设盲。主要终点是预测术后BCVA与实际BCVA之间的平均绝对误差（MAE）。次要终点包括患者报告结局（期望、知情选择、满意度）、临床医生对模型的接受度以及相关性分析。分析将遵循意向性治疗原则。本研究旨在为将AI整合到临床工作流程中提供高级别证据，以提高预后准确性并优化白内障手术中的共享决策。

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。