青光眼诊断机器学习模型数据集
基于视网膜神经纤维层厚度和视野数据的青光眼机器学习诊断数据集。
基本信息
资源简介
青光眼诊断机器学习模型数据集
【一句话概览】
本数据集是 Dryad 公开的结构化表格数据集，主题涵盖 cornea thickness、RNFL、Glaucoma、ocular pressure，可用于统计建模、特征工程与队列分析，https://spdx.org/licenses/CC0-1.0.html 许可开放获取。
【数据集背景】
本数据集源站标题为《Data from: Development of machine learning models for diagnosis of glaucoma》。
【数据内容】
源站原始描述：The study aimed to develop machine learning models that have strong prediction power and interpretability for diagnosis of glaucoma based on retinal nerve fiber layer (RNFL) thickness and visual field (VF). We collected various candidate features from the examination of retinal nerve fiber layer (RNFL) thickness and visual field (VF). We also developed synthesized features from original features. We then selected the best features proper for classification (diagnosis) through feature evaluation.…
中文译文（机器翻译，仅供快速理解，请以原文为准）：本研究旨在开发具有强预测能力和可解释性的机器学习模型，用于基于视网膜神经纤维层（RNFL）厚度和视野（VF）的青光眼诊断。我们从视网膜神经纤维层（RNFL）厚度和视野（VF）检查中收集了多种候选特征。我们还从原始特征中开发了合成特征。随后，我们通过特征评估选择了最适合分类（诊断）的最佳特征。我们使用100例数据作为测试数据集，使用399例数据作为训练和验证数据集。为了开发青光眼预测模型，我们考虑了四种机器学习算法：C5.0、随机森林（RF）、支持向量机（SVM）和k近邻（KNN）。我们反复使用训练数据集构建学习模型，并使用验证数据集对其进行评估。最终，我们得到了产生最高验证准确率的最佳学习模型。我们使用多项指标分析了模型的质量。随机森林模型表现最佳，C5.0、SVM和KNN模型显示出相似的准确率。在随机森林模型中，分类准确率为0.98，敏感度为0.983，特异度为0.975，AUC为0.979。所开发的预测模型在区分青光眼与健康眼方面显示出高准确率、敏感度、特异度和AUC。它将用于针对未知检查记录预测青光眼。临床医生可以参考预测结果，从而能够做出更好的决策。我们可以结合多个学习模型来提高预测准确率。C5.0模型包含用于预测的决策规则。它可用于解释特定预测的原因。
【数据结构与技术规格】
数据集 DOI：doi:10.5061/dryad.q6ft5。
【主题与分类】
主题标签：cornea thickness、RNFL、Glaucoma、ocular pressure。
【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。
【获取与许可】
源站页面：https://doi.org/10.5061/dryad.q6ft5
使用许可：https://spdx.org/licenses/CC0-1.0.html。
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
源站：https://datadryad.org/dataset/doi:10.5061/dryad.q6ft5
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
