通过应用机器学习方法影响肝炎患者生存结果的预测因素
包含用于预测肝炎患者生存结果的临床表格数据，应用多种机器学习模型和优化算法进行预测。
基本信息
资源简介
通过应用机器学习方法影响肝炎患者生存结果的预测因素
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 1 个文件、合计 22.06 KB，主题涵盖 Decision tree classification、extreme gradient boosting classification、Gold Rush optimizer、hepatitis、machine learning，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Predictive factors affecting hepatitis patients survival results via application of the machine learning methods》。配套论文《Predictive factors affecting hepatitis patients survival results via application of the machine learning methods》发表于 Computer Methods in Biomechanics and Biomedical Engineering（2025），DOI：10.1080/10255842.2025.2546917。项目资助方：This work was supported by Doctoral Start-up Fund of Hunan University of Arts and Science (24BSQD48), Teaching Reform Research Project of Regular Higher Education Institutions in Hunan Province (HNJG-20230917), the First Basic Education Teaching Reform Research Project in Hunan Province (Y20230619), Key Project of Scientific Research Project of Hunan Provincial Department of Education (22A0713), Hunan Provincial Teaching Reform Research Project in Ordinary Higher Education Institutions (202502001143).。源站首次发布：2025-08-31。
【数据内容】
源站原始描述：Hepatitis, caused by viruses A–E, can silently progress to liver damage, cirrhosis, or cancer. Chronic B and C increase failure risk. Machine learning models help predict hepatitis risks using patient data, symptoms, and history. This study used Decision Tree Classification (DTC) and Extreme Gradient Boosting Classification (XGBC) with three optimizers Rhizotomy Optimization Algorithm (ROA), Gold Rush Optimizer (GRO), and Motion-Encoded Electric Charged Particles Optimization Algorithm (MEPO) to…
【数据结构与技术规格】
文件数 1 个，合计 22.06 KB。gcmb_a_2546917_sm8649.xlsx：application/vnd.openxmlformats-officedocument.spreadsheetml.sheet，22.06 KB。数据集 DOI：10.6084/m9.figshare.30019762.v1。
【主题与分类】
源站学科分类：Space Science、Medicine、Biotechnology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified、Mathematical Sciences not elsewhere classified。主题标签：Decision tree classification、extreme gradient boosting classification、Gold Rush optimizer、hepatitis、machine learning。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://tandf.figshare.com/articles/dataset/Predictive_factors_affecting_hepatitis_patients_survival_results_via_application_of_the_machine_learning_methods/30019762
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Predictive factors affecting hepatitis patients survival results via application of the machine learning methods. Taylor & Francis. Li, Xiaohua; Yang, Minghong
【使用注意】
· 源站最后修改于 2025-09-22，引用时请注意版本时效。
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（Figshare）
- 源站标题：Predictive factors affecting hepatitis patients survival results via application of the machine learning methods
- DOI：10.6084/m9.figshare.30019762.v1
- 发布日期：2025-08-31
- 文件数：1 个
- 文件总体积：22.06 KB
- 源站页面：https://tandf.figshare.com/articles/dataset/Predictive_factors_affecting_hepatitis_patients_survival_results_via_application_of_the_machine_learning_methods/30019762
命令行下载
curl -L -o "gcmb_a_2546917_sm8649.xlsx" "https://ndownloader.figshare.com/files/57551125"
文件清单
gcmb_a_2546917_sm8649.xlsx（22.06 KB）
文件总体积 22.06 KB（源站 API 实测）。
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。
数据说明
Hepatitis, caused by viruses A–E, can silently progress to liver damage, cirrhosis, or cancer. Chronic B and C increase failure risk. Machine learning models help predict hepatitis risks using patient data, symptoms, and history. This study used Decision Tree Classification (DTC) and Extreme Gradient Boosting Classification (XGBC) with three optimizers Rhizotomy Optimization Algorithm (ROA), Gold Rush Optimizer (GRO), and Motion-Encoded Electric Charged Particles Optimization Algorithm (MEPO) to enhance accuracy. Among hybrids, DTRO achieved the highest accuracy (0.991), outperforming DTC. XGRO followed with 0.991, and DTME with 0.954. DTRO emerged as the most reliable model for predicting hepatitis survival.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.6084/m9.figshare.30019762.v1（source: https://tandf.figshare.com/articles/dataset/Predictive_factors_affecting_hepatitis_patients_survival_results_via_application_of_the_machine_learning_methods/30019762）。
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。
