用于青光眼诊断的机器学习模型开发

数据集获取

源站：https://search.dataone.org/view/sha256%3A1a5f54d9886aa023615274291874c48d3c9384490b7103569d60f948f8b3cd80

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

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）检查中收集了各种候选特征。我们还从原始特征中开发了合成特征。然后，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，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最近邻（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。我们分析了qual…

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。