基于百度趋势数据用机器学习方法监测中国艾滋病疫情的数据
背景：由于社会对艾滋病患者的歧视，他们不愿报告自己的疾病，这使得疾病控制部门难以通过传统监测工具（如非处方药销售、医院或自我报告数据）准确监测疾病动态
基本信息
资源简介
基于百度趋势数据用机器学习方法监测中国艾滋病疫情的数据
该数据集围绕中国艾滋病疫情的监测与预测展开，核心思路是利用互联网搜索引擎数据弥补传统监测手段的不足。由于社会歧视等因素，艾滋病病毒感染者往往不愿主动报告自身状况，导致疾病控制部门难以通过非处方药销售、医院就诊或自我报告等传统工具准确掌握疫情动态。随着互联网的普及，搜索引擎中积累的用户健康关切信息为艾滋病监测提供了新的数据来源。该数据集由Nan Yongqing与Gao Yanyan发布，机构为Dryad，发布时间为2019年，采用Creative Commons Zero v1.0 Universal许可，属于感染／艾滋病毒／艾滋病分类，来源于doi.org。
【数据集背景】
艾滋病受害者因面临社会歧视而不愿报告自己的疾病，这使得疾病控制部门难以通过传统监测工具准确监测疾病动态。传统工具包括非处方药销售、医院或自我报告数据等。随着互联网的扩散和采用，从互联网搜索引擎聚合而来的“大数据”包含用户关于其健康状况的关切或实际情况的信息，为艾滋病监测提供了新的机会。该数据集所依托的研究正是利用搜索引擎数据来监测和预测中国的艾滋病疫情。
【数据内容】
该数据集涉及使用搜索引擎数据监测和预测中国艾滋病疫情的相关内容。研究采用机器学习方法——人工神经网络（ANNs）来预测艾滋病的发生和死亡。来自中国最大的搜索引擎百度（Baidu.com）的与艾滋病相关的搜索趋势数据被收集并选为人工神经网络的输入变量。源站描述在此处中断，未提供关于数据集具体文件构成、变量字段、样本量、时间跨度等更详细的内容。
【采集与来源】
数据采集自中国最大的搜索引擎百度（Baidu.com），采集对象为与艾滋病相关的搜索趋势数据。这些数据被选为人工神经网络的输入变量。数据集来源于doi.org，机构为Dryad。源站未提供关于采集时间范围、采集频率、数据预处理步骤等更详细的信息。
【适用场景】
该数据集适用于利用搜索引擎数据监测和预测中国艾滋病疫情的研究场景，特别是采用人工神经网络等机器学习方法预测艾滋病发生和死亡的应用。其背景在于传统监测工具受限于感染者不愿报告的问题，而互联网搜索数据可作为补充性监测来源。源站未提供其他具体适用场景的说明。
【使用方法】
根据源站描述，使用方法是：收集并选择来自百度（Baidu.com）的与艾滋病相关的搜索趋势数据，将其作为人工神经网络（ANNs）的输入变量，用于预测艾滋病的发生和死亡。源站描述在此处中断，未提供关于模型结构、训练参数、验证方式、输出指标等更详细的使用说明。
【质量与限制】
源站未提供关于数据质量与限制的具体说明。
【引用与许可】
该数据集作者为Nan Yongqing与Gao Yanyan，机构为Dryad，发布时间为2019年，许可为Creative Commons Zero v1.0 Universal。
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://doi.org/10.5061/dryad.f45s8
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:
数据集大小约 622.4 KB。
数据说明
背景：由于社会对艾滋病患者的歧视，艾滋病病毒感染者不愿报告自己的病情，这使得疾病控制部门难以通过传统监测工具（如非处方药销售、医院报告或自我报告数据）准确监测疾病的动态。随着互联网的普及和采用，从互联网搜索引擎聚合的“大数据”包含了用户对其健康状况的关注或实际情况的信息，为艾滋病监测提供了新机遇。本文利用搜索引擎数据来监测和预测中国的艾滋病情况。方法：采用机器学习方法——人工神经网络（ANNs）来预测艾滋病的发病和死亡情况。收集并筛选来自中国最大的搜索引擎百度网与艾滋病相关的搜索趋势数据，作为ANNs的输入变量，官方报告的艾滋病实际发病和死亡数据作为输出变量。采用平均绝对百分比误差、均方根百分比误差和一致性指数三个标准来检验ANN方法的预测性能。
结果：基于2011年1月至2017年6月的月度时间序列数据，本文发现，在三种标准下，无论搜索查询数量如何变化，人工神经网络方法均能对艾滋病发病和死亡情况做出令人满意的预测。结论：应将基于互联网的数据作为传统艾滋病监测系统的实时、成本效益高的补充。
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。
