PRJNA1285920：基于图像的机器学习蜜蜂幼虫病毒与细菌诊断

数据集获取

源站：https://ncbi.nlm.nih.gov/bioproject/PRJNA1285920

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

蜜蜂是全球生态系统和农业不可或缺的传粉者。据估计，50-80%的农作物由蜜蜂授粉，仅在美国就创造了约200亿美元的市场价值。然而，商业养蜂人常常面临艰难困境，每年损失40-90%的蜂箱，其中受细菌、病毒和真菌病原体引起的幼虫病影响尤为严重。这些幼虫病的准确诊断——尤其是将欧洲幼虫腐臭病（EFB）等细菌性疾病与表面类似EFB的病毒感染（类EFB病）区分开来——仍然具有挑战性。错误的诊断往往导致对整个蜂场进行预防性抗生素治疗，加剧抗生素耐药性，破坏原生肠道微生物群，并增加对机会性病原体的易感性。幼虫病的正确现场诊断具有挑战性，需要多年经验才能根据幼虫症状的细微差异识别和区分各种疾病状态。

为探索基于图像的AI诊断工具的可行性，我们与蜂场检查员和研究人员合作，从密歇根州的蜂场生成了包含2，759张蜜蜂幼虫图像的数据集，并通过16S rRNA微生物组测序和qPCR病毒筛查进行了分子验证。我们的数据集包括EFB病例和病毒感染（ABPV、DWVA和DWVB），分别扩增至8，430张和8，124张图像。我们利用迁移学习技术，对在ImageNet上预训练的深度卷积神经网络（ResNet-50v2、ResNet-101v2、InceptionResNet-v2）进行微调，以区分EFB和病毒感染。我们的概念验证模型在训练/验证集上达到了73-88%的准确率。当在来自伊利诺伊州的独立数据集上测试时，该数据集包含训练数据中不存在的其他病毒病原体，模型对EFB的准确率（72-88%）高于对病毒感染的准确率（28-68%），这凸显了p

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。