利用人工智能分析血小板与癌症的关系

数据集获取

源站：https://doi.org/10.17632/jwm9sr25vn

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 702.7 KB。

数据说明

总结：血小板计数与癌症预后模型性能分析准确率：测试数据上为85%。精确率：检测晚期癌症阶段为87%。召回率：晚期癌症阶段为81%。混淆矩阵：正确分类：180个样本中正确分类159个。假阴性：12例晚期病例被误分类为早期（对高风险患者至关重要）。可视化洞察按癌症阶段划分的血小板计数：1/2期：计数接近正常范围（150-400 × 10³/µL）。3/4期：计数升高，表明晚期阶段存在血小板增多症。混淆矩阵热图：71个真阴性（早期阶段正确识别）。88个真阳性（晚期阶段正确识别）。9个假阳性，12个假阴性。预测与实际的晚期阶段比率：预测晚期阶段比率：45%。实际晚期阶段比率：43%。预后分析血小板计数：与晚期阶段强烈相关，尤其是当 >300 × 10³/µL时。癌症类型：白血病显示出血小板变异高于结肠癌。模型效用：为晚期阶段提供稳健的早期检测，以帮助及时干预。

建议 临床使用：将血小板计数作为高风险病例的支持性生物标志物。使用该模型进行进一步的诊断转诊。未来改进：纳入更多生物标志物（例如CRP、D-二聚体）。用真实世界数据验证预测。个性化医疗：研究人口统计学变量（年龄、性别）与血小板计数的交互作用。结论 血小板计数可可靠指示晚期癌症阶段。机器学习模型可有效预测预后并支持个性化诊断。进一步优化和验证可提高准确性并促进临床采用。Platelet_Count Age Gender Cancer_Type Cancer_Stage Advanced_Stage Predicted_Advanced_Stage 0 314.835708 45 0 2 4 1 0 1 253.086785 53 0 3 1 0 0 2 322.384427 78 1 1 4 1 0 3 346.151493 75 0 2 2 0 0 4 268.292331 78 1 0 3 1 0 Platelet_Count Age Gender Cancer_Type Cancer_Sta

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。