通过人工智能简化罕见脑肿瘤患者护理路径

数据集获取

源站：https://clinicaltrials.gov/study/NCT06878469

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

疾病：脑肿瘤。参与者将为患有罕见脑肿瘤的成年人，并将在意大利的两个神经外科中心入组。本研究旨在建立一个专注于预测手术结局的专业人员网络，从而提高整体医疗质量及患者的生活质量。本研究旨在通过标准化临床路径并利用人工智能（AI）和机器学习（ML）等先进技术，改善罕见脑肿瘤（rBT）患者的护理与结局。罕见脑肿瘤包括星形细胞瘤、少突胶质细胞瘤、神经元肿瘤、恶性脑膜瘤和胚胎性肿瘤，因其发病率低（<6例/10万人/年）而被定义为罕见。本研究将分两个阶段进行：回顾性阶段和前瞻性阶段。回顾性阶段将利用现有神经外科数据库来实施ML算法。前瞻性阶段将包括在多个时间点（术前、出院时、术后3个月和术后12个月）收集临床、认知和心理数据。

患者将参与一项早期神经认知康复计划，使用RehaCom软件，旨在增强可能受手术影响的认知功能。康复将在患者家中进行。主要目标是制定一个共同的评估方案，包括临床、认知、心理和社会人口学指标。次要目标包括通过回顾性和前瞻性研究识别手术结果的预测因素，并为罕见脑肿瘤开发预测模型。该研究将从意大利的两个神经外科中心招募约200名成年患者。纳入标准包括因罕见脑肿瘤接受开颅手术的成年人（≥18岁），而排除标准包括接受立体定向活检的患者、患有精神疾病的患者或缺乏必要

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。