基于Neuman Systems Model的人工智能数字教育用于接受放疗的乳腺癌患者

数据集获取

源站：https://clinicaltrials.gov/study/NCT07649902

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：乳腺癌、放射性皮炎。本临床试验的目的是评估基于Neuman系统模型开发的人工智能支持的数字化教育项目对接受放疗的乳腺癌女性放射性皮炎严重程度和生活质量的影响。该干预措施基于Neuman系统模型开发，该模型作为研究的理论框架。教育内容根据该模型的原则进行构建，旨在增强患者的弹性防线、支持抵抗资源、促进对放疗相关压力源的适应，并通过一级、二级和三级预防策略促进系统稳定。本研究旨在回答以下问题：* 基于Neuman系统模型的人工智能支持数字化教育项目是否能有效降低放疗引起的放射性皮炎严重程度？* 基于Neuman系统模型的人工智能支持数字化教育项目是否能有效改善接受乳腺癌放疗女性的生活质量？

被分配到干预组的参与者将获得基于Neuman系统模型开发的AI支持数字教育项目，而分配到对照组的参与者将接受标准护理。将评估两组在放射性皮炎严重程度和生活质量结局方面的差异。参与者在开始放疗前将填写患者信息表，以收集社会人口学和临床特征。放射性皮炎严重程度将使用放射治疗肿瘤学组（RTOG）急性放射性皮炎量表进行评估，生活质量将使用欧洲癌症研究与治疗组织生活质量问卷核心30（EORTC QLQ-C30）及乳腺癌特异性模块（EORTC QLQ-BR23）进行评估。在这些评估之后，参与者将

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。