儿童与成人脱发的自然史与发病机制研究
该数据集来自 clinicaltrials.gov,聚焦儿童与成人脱发人群,旨在从临床、微生物组、免疫学与遗传学角度全面评估免疫介导性脱发患者,记录人口学特征、发病年龄与疾病严重程度,并随访疾病对局部皮肤微生物组、免疫系统变化及自身免疫等共病的影响,进而开发预测疾病严重程度与进展风险的预后生物标志物

基本信息
资源简介
儿童与成人脱发的自然史与发病机制研究
该数据集来自 clinicaltrials.gov,聚焦儿童与成人脱发人群,旨在从临床、微生物组、免疫学与遗传学角度全面评估免疫介导性脱发患者,记录人口学特征、发病年龄与疾病严重程度,并随访疾病对局部皮肤微生物组、免疫系统变化及自身免疫等共病的影响,进而开发预测疾病严重程度与进展风险的预后生物标志物。数据可用于脱发临床表型分析、免疫与遗传机制研究及预后预测建模(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:脱发。研究描述:这是一项研究,旨在详细描述在儿童期和成年期出现脱发的个体的特征(遗传、免疫、生物学和人口学特征),以及脱发如何影响皮肤和全身症状。目标:主要目标:从临床、微生物组、免疫学和遗传学角度全面评估免疫介导性脱发患者,以了解导致临床表型的因素。次要目标:对免疫介导性脱发患者进行随访,观察疾病如何影响局部皮肤微生物组、免疫系统变化以及自身免疫和其他合并症。第三目标:开发预后生物标志物,以帮助预测脱发患者严重程度和进展的风险。终点:1. 记录人口学信息,包括年龄、性别、发病年龄、基于临床检查的疾病严重程度、伴随的自身免疫性疾病、其他内科疾病(包括焦虑和抑郁)的个人史、自身免疫性疾病和内科疾病的家族史 2. 全基因组测序,以识别任何基因蛋白编码区中可能导致疾病的变异 3. 评估外周血和局部头皮皮肤,通过使用流式细胞术进行白细胞亚群分析、使用细胞因子信号传导测定检测疾病标志物以及单细胞RNA测序,评估疾病的免疫原性 4. 通过在基线和随时间推移进行测序来定义皮肤微生物组。5. 识别可能影响治疗选择的疾病进展或严重程度的潜在生物标志物
【主题与分类】
主题标签:Hair Loss。本站分类:免疫系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT05502796
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/NCT05502796
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:脱发。研究描述:这是一项旨在详细描述儿童期和成年期出现脱发个体的特征(遗传学、免疫学、生物学和人口学特征)以及脱发如何影响皮肤和全身症状的研究。目的:主要目的:从临床、微生物组、免疫学和遗传学角度全面评估免疫介导性脱发患者,以了解促成临床表型的因素。次要目的:对免疫介导性脱发患者进行随访,以观察疾病如何影响局部皮肤微生物组、免疫系统变化以及自身免疫性疾病和其他合并症。第三目的:开发有助于预测脱发患者严重程度和进展风险的预后生物标志物。终点:1. 记录人口学资料,包括年龄、性别、发病年龄、基于临床检查的疾病严重程度、合并自身免疫性疾病、其他内科疾病(包括焦虑和抑郁)的个人史、自身免疫性疾病和内科疾病的家族史 2. 全基因组测序,以识别可能导致疾病的任何基因蛋白质编码区的变异 3.
评估外周血和局部头皮皮肤,通过使用流式细胞术进行白细胞亚群分析、使用细胞因子信号传导测定疾病标志物以及单细胞RNA测序来评估疾病的免疫原性。4. 通过在基线和随时间推移进行测序来定义皮肤微生物组。5. 识别可能影响治疗选择的疾病进展或严重程度的潜在生物标志物
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。




