人工智能辅助阴道镜检查工具的研发与评估

数据集获取

源站：https://clinicaltrials.gov/study/NCT06208319

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：宫颈癌、高级别鳞状上皮内病变（HSIL）、低级别鳞状上皮内病变（LSIL）、宫颈柱状上皮异位。由于宫颈癌筛查建议的变化导致阴道镜检查数量增加，研究者想了解计算机工具辅助的益处。已有多个团队开发了辅助阴道镜判读的算法，但这些研究是在不具备法国执业医师阴道镜专业知识的国家进行的，且据我们所知，尚无算法证明其有效性，各项结果并不一致。因此，研究者希望基于被认为属于专家的执业医师所处理的临床病例，开发一种辅助阴道镜的算法，然后评估其有效性。研究者手动收集2022年9月1日至2023年12月31日期间在La Pitié-Salpêtrière由专家医生进行阴道镜检查的成年患者数据，这些患者的阴道镜检查照片（未染色、醋酸后及Lugol碘后）可获取且可用，并且临床背景已知。

如果进行了活检，则组织学结果被视为金标准。若非如此（阴道镜检查正常且结果满意），研究者默认组织学为正常。研究者排除了所有照片质量差或无法获取的患者。在计算机科学专业学生的协助下开发该算法，旨在回答以下两个问题：* 推测的组织学结果 * 必要时靶向活检的定位 算法评估：将算法应用于新病例，然后将获得的结果与专家临床医生给出的答复（由2名阴道镜医师阅片）进行比较。目的是突出该算法的非劣效性。

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

目录组织与标注格式以源站说明和下载后实际文件为准。