人工智能整合于乳腺癌筛查：ANIHTA 研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07879937

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

条件：乳腺肿瘤。乳腺癌筛查可在恶性肿瘤出现临床症状之前识别出来，有助于实现早期诊断和治疗。在有组织的筛查项目中，这一获益必须与假阳性结果、不必要的召回和诊断性操作、间期癌、过度诊断、放射科医生工作负荷以及人力资源可及性等因素相权衡。这些问题在双读程序中尤为突出，即由两名放射科医生解读同一张乳腺X线摄影图像，读片结果不一致时可能需要仲裁。用于乳腺X线摄影的人工智能（AI）系统可评估恶性肿瘤的可能性并标记可疑区域。其潜在价值不仅限于独立的诊断准确性：根据AI输出结果融入筛查路径的方式不同，可能影响额外的人工复核、不一致读片结果的处理、召回进行二级评估以及放射科医生的工作负荷。因此，本研究将AI作为工作流程的一部分进行评估，而不仅仅是作为一个孤立的分类器。

ANIHTA项目（“将人工智能引入个性化乳腺筛查项目：一项卫生技术评估”）旨在评估将AI整合到有组织的乳腺癌筛查项目中的情况，并生成关于临床性能、组织影响、经济可持续性和实施方面的证据。本次ClinicalTrials.gov注册涉及基于常规收集的筛查数据和回顾性目标试验模拟的观察性临床评价。最初提出的前瞻性随机组成部分不属于当前研究设计的一部分。核心临床问题是，是否可以利用常规可获得的AI信息来构建一条更具选择性的乳腺X线摄影复核路径，即仅在符合预定义AI标准的检查中才引入额外的一名放射科医生。本研究不会前瞻性地改变筛查参与者所接受的照护，而是将重建

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。