机器学习技术用于嗜酸性肉芽肿性多血管炎与高嗜酸性粒细胞综合征鉴别诊断
该数据集来自 clinicaltrials.gov，面向嗜酸性肉芽肿性多血管炎（EGPA）与高嗜酸性粒细胞综合征（HES）的鉴别诊断研究
基本信息
资源简介
机器学习技术用于嗜酸性肉芽肿性多血管炎与高嗜酸性粒细胞综合征鉴别诊断
该数据集围绕嗜酸性肉芽肿性多血管炎（EGPA）与高嗜酸性粒细胞综合征（HES）的鉴别诊断问题构建，来源于 clinicaltrials.gov 登记的相关研究。研究的核心目标是采集这两类嗜酸性疾病患者的临床、实验室及仪器检查数据，并借助人工智能技术进行分析，以识别能够区分两种疾病的特征，同时预测患者对治疗方案的响应。数据集在分类上归属于免疫系统疾病下的嗜酸性肉芽肿性多血管炎方向，主题标签明确指向 EGPA 与 HES 两种疾病。对于临床上难以鉴别的这两种罕见免疫性疾病而言，此类数据的整合与分析有助于探索更客观的鉴别依据，并为个体化治疗决策提供数据支撑。
【数据集背景】
嗜酸性肉芽肿性多血管炎与高嗜酸性粒细胞综合征在临床表现上存在重叠，鉴别诊断具有挑战性。该数据集所依托的研究正是针对这一临床难题而设计，试图通过系统收集两类患者的临床、实验室和仪器检查信息，并运用机器学习等人工智能方法，寻找能够区分两种疾病的特征模式，同时探索对治疗反应的可预测性。数据集因此具有明确的疾病鉴别诊断研究导向。
【数据内容】
根据源站描述，数据集涵盖的对象为确诊为嗜酸性肉芽肿性多血管炎或高嗜酸性粒细胞综合征的患者。所收集的数据类型包括临床数据、实验室数据以及仪器检查数据三类。数据的具体字段构成、样本量、变量数量、随访时间跨度等信息，源站未提供。
【采集与来源】
该数据集来源于 clinicaltrials.gov 登记的研究项目，数据由研究过程中从患者处采集获得。关于采集机构、采集地点、采集时间窗口、纳入与排除标准的具体细节，源站未提供。
【适用场景】
该数据集适用于嗜酸性肉芽肿性多血管炎与高嗜酸性粒细胞综合征的鉴别诊断研究，可用于训练和评估机器学习模型以识别区分两种疾病的关键特征，也可用于探索治疗反应预测相关的方法学研究。其他潜在应用场景源站未提供。
【使用方法】
源站未提供具体的使用方法说明，包括数据访问方式、预处理要求、分析流程或推荐的工具与算法等均未在给定信息中涉及。
【质量与限制】
源站未提供关于数据质量、完整性、标注准确性、偏倚控制或样本代表性等方面的说明，相关限制信息未知。
【引用与许可】
源站未提供引用格式、许可协议或数据使用条款等信息。
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://clinicaltrials.gov/study/NCT07275190
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:
数据说明
疾病：EGPA——嗜酸性肉芽肿性多血管炎，HES——高嗜酸性粒细胞综合征。本研究的目的是收集嗜酸性肉芽肿性多血管炎或高嗜酸性粒细胞综合征患者的临床、实验室和仪器检查数据，随后将使用人工智能技术对这些数据进行分析，旨在识别能够区分这两种疾病的特征，并预测对治疗方案的应答。
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。
