比较AI预测模型与影像评估诊断宫颈癌淋巴结转移的前瞻性队列研究

Name: 比较AI预测模型与影像评估诊断宫颈癌淋巴结转移的前瞻性队列研究
Creator: Obstetrics & Gynecology Hospital of Fudan University

该数据集来自 clinicaltrials.gov 的一项前瞻性队列研究，聚焦宫颈癌患者盆腔淋巴结转移的诊断。研究比较人工智能多模态融合预测模型与传统影像医师评估在术前诊断盆腔淋巴结转移准确性上的差异

Obstetrics & Gynecology Hospital of Fudan University

clinicaltrials

医学影像预测Uterine Cervical Neoplasms

A Prospective Cohort Study Comparing AI Prediction Model With Imaging Assessment to Diagnose Lymph Node Metastasis in Cervical Cancer

基本信息

模态

医学影像

任务类型

预测

创建/更新时间

2026-10-20

资源简介

比较AI预测模型与影像评估诊断宫颈癌淋巴结转移的前瞻性队列研究

该数据集对应一项在 clinicaltrials.gov 注册的前瞻性队列研究，英文名称为“A Prospective Cohort Study Comparing AI Prediction Model With Imaging Assessment to Diagnose Lymph Node Metastasis in Cervical Cancer”，本站将其归类于肿瘤 / 宫颈癌方向，主题标签为子宫颈肿瘤（Uterine Cervical Neoplasms）。研究的核心目标是评估人工智能多模态融合预测模型在诊断宫颈癌盆腔淋巴结转移方面是否有效，重点回答该模型能否提高宫颈癌盆腔淋巴结转移术前诊断的准确性。研究者将人工智能多模态融合预测模型与传统影像医师评估进行对比，以观察预测模型是否能给出更准确的淋巴结转移判定。研究纳入病理确诊为宫颈癌的受试者，在其接受盆腔 MRI 检查后，分别由预测模型与影像医师依据检查结果判定盆腔淋巴结转移状态。

【数据集背景】

宫颈癌患者的盆腔淋巴结转移状态是术前诊断中的关键问题。该研究以子宫颈肿瘤患者为对象，采用前瞻性队列设计，旨在检验人工智能多模态融合预测模型在术前诊断盆腔淋巴结转移中的表现，并与传统影像医师评估这一既有路径进行对照。研究试图回答的问题是：人工智能多模态融合预测模型能否提升宫颈癌盆腔淋巴结转移术前诊断的准确性。这一背景决定了数据集围绕影像评估与模型预测两条判定路径展开。

【数据内容】

源站描述显示，研究的主要比较对象是人工智能多模态融合预测模型与传统影像医师评估两种判定方式。受试者在病理确诊宫颈癌后接受盆腔 MRI，检查结果分别用于预测模型和影像医师判定盆腔淋巴结转移状态。源站描述在此处中断，未完整给出后续随访与结局判定细节。除上述内容外，数据集的具体字段、样本量、变量类型与结局指标等，源站未提供。

【采集与来源】

该数据集来源于 clinicaltrials.gov 注册的一项前瞻性队列研究。研究对象的纳入前提是经病理学确诊为宫颈癌，随后接受盆腔 MRI 检查。影像结果被分别交由人工智能多模态融合预测模型与影像医师进行评估，以判定盆腔淋巴结转移状态。源站描述未完整呈现采集时间窗、随访安排及数据记录方式，相关细节源站未提供。

【适用场景】

基于研究设计，该数据集适用于宫颈癌盆腔淋巴结转移术前诊断方法学的比较研究，尤其是人工智能多模态融合预测模型与影像医师评估之间的准确性对照。其潜在用途包括了解模型判定与医师判定在同一组受试者中的差异，以及围绕术前无创诊断路径开展方法学讨论。需要说明的是，具体适用条件与外部验证范围源站未提供。

【使用方法】

源站描述仅说明受试者接受盆腔 MRI 后，结果分别用于预测模型判定与影像医师判定。关于数据访问方式、数据结构、变量定义、统计分析方法及模型输入输出规范，源站未提供。

【质量与限制】

该研究为前瞻性队列设计，以病理确诊宫颈癌并接受盆腔 MRI 的受试者为对象，比较模型预测与影像医师评估两种判定方式。源站描述未给出样本量、准确性指标、统计效能、偏倚控制措施及研究完成状态等信息，相关质量评估依据源站未提供。使用时应注意到源站描述本身不完整，不宜据此推断研究结论。

【引用与许可】

该数据集来自 clinicaltrials.gov 注册研究，英文名称为“A Prospective Cohort Study Comparing AI Prediction Model With Imaging Assessment to Diagnose Lymph Node Metastasis in Cervical Cancer”。具体的引用格式、数据许可条款与使用限制，源站未提供。

原始链接

https://clinicaltrials.gov/study/NCT06541288

访问原始数据

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付，我们提供全链路闭环服务，让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持？联系我们获取定制方案。

帮我联系

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

源站：https://clinicaltrials.gov/study/NCT06541288

标准获取流程：

访问源站链接，注册/登录账号；
进入数据集详情页，按页面指引申请权限或直接下载；
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：宫颈肿瘤。本前瞻性队列研究旨在了解人工智能多模态融合预测模型在诊断宫颈癌盆腔淋巴结转移方面是否有效。其旨在回答的主要问题是：人工智能多模态融合预测模型能否提高宫颈癌盆腔淋巴结转移术前诊断的准确性？研究人员将人工智能多模态融合预测模型与传统的影像医师评估进行比较，以观察该预测模型是否能得出更准确的淋巴结转移判定。参与者在经病理学确诊宫颈癌后将接受盆腔MRI检查，其结果将分别由预测模型和影像医师用于判定盆腔淋巴结转移状态。手术淋巴结清扫后的后续病理结果将作为金标准，用于确定两种术前淋巴结诊断方式的准确性。

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