临床五节点抗凝缓冲滞后耦合抗凝管理不当出血级联数据集 v0.1

数据集获取与加载（Hugging Face datasets）

# 前置依赖: pip install datasets
from datasets import load_dataset

ds = load_dataset("ClarusC64/clinical-5node-anticoag-buf-lag-cpl-anticoag-mismanagement-bleed-v0.1")
print(ds)  # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"

git lfs install && git clone https://hf-mirror.com/datasets/ClarusC64/clinical-5node-anticoag-buf-lag-cpl-anticoag-mismanagement-bleed-v0.1

数据集大小约 5.4 KB。

仓库文件结构

• .gitattributes
• README.md
• scorer.py

数据说明

本仓库的功能：该数据集通过测量抗凝压力何时升高、止血缓冲能力何时侵蚀、监测与决策滞后何时增加，以及跨处方者和护理环境的跨团队耦合何时收紧，来建模抗凝管理不当级联，跨越相变进入不可逆的出血级联状态。核心四元组 anticoagbuflagcpl 预测目标 label_cascade_state 行结构 一… 请在数据集页面查看完整描述：https://huggingface.co/datasets/ClarusC64/clinical-5node-anticoag-buf-lag-cpl-anticoag-mismanagement-bleed-v0.1。

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。

完整数据卡：huggingface.co/datasets/ClarusC64/clinical-5node-anticoag-buf-lag-cpl-anticoag-mismanagement-bleed-v0.1