宫颈癌风险因素高保真合成数据集

数据集获取

源站：https://doi.org/10.6084/m9.figshare.32934074.v1

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。

数据集大小约 185.6 KB。

数据说明

用于宫颈癌风险因素的高保真合成数据集 该数据集包含CD_22临床数据集的最优高保真合成版本，该数据集源自宫颈癌（风险因素）数据集（UCI机器学习库），采集于委内瑞拉的加拉加斯大学医院。原始数据包含36个特征，涵盖人口统计学/生殖因素（年龄、性伴侣数量、妊娠次数）、生活方式/避孕习惯（吸烟、激素避孕药、宫内节育器使用）以及病史（特定性传播疾病，包括HPV/HIV和其他筛查检测）。目标变量为Biopsy，即宫颈癌诊断的金标准检测。生成与筛选方法：合成数据采用配套研究论文《Methodology for generating high fidelity synthetic data to improve mortality prediction for patients in intensive care units》中详述的严谨4阶段方法生成。

在初步的类别平衡阶段（其中SMOTE RSB* Adapted + Domain Rules被选为最优技术）之后，使用10种不同方法执行了大规模合成生成过程。最终数据集通过TabDSFidelity指数选出，这是一种旨在平衡统计保真度与预测效用的新型指标。该数据集对应于SMOTE RSB Refined算法结合Domain Rules，在所有纯合成候选数据集中取得了最高的TabDSFidelity得分（7.883），展现出对原始数据统计特性和预测模式的优越保留能力。评估是针对原始参考数据集进行的，以确保最高保真度。文件详情：格式：CSV（逗号分隔值）记录数量：9,424个合成实例属性数量：36（包括目标变量）目标变量：Biopsy（1 = 阳性结果 - 癌症/病变，0 = 阴性结果 - 健康）阳性类别比例：数据集经过平衡以缓解

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。