影像技术在NAFLD患者脂肪性肝炎和纤维化诊断中的准确性
该数据集来自clinicaltrials.gov,聚焦非酒精性脂肪性肝病(NAFLD)患者中脂肪性肝炎与肝纤维化的影像学诊断准确性

基本信息
资源简介
影像技术在NAFLD患者脂肪性肝炎和纤维化诊断中的准确性
该数据集来自clinicaltrials.gov,聚焦非酒精性脂肪性肝病(NAFLD)患者中脂肪性肝炎与肝纤维化的影像学诊断准确性。源站描述指出NAFLD全球患病率约25%,预计2030年达33.5%,非酒精性脂肪性肝炎(NASH)可进展为纤维化、肝硬化、肝衰竭和肝细胞癌。肝活检是评估金标准,但存在侵入性、并发症风险、采样误差及观察者间和观察者内变异等缺陷。数据可用于评估影像技术对NASH和纤维化的诊断价值(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:非酒精性脂肪性肝病、非酒精性脂肪性肝炎、肝纤维化。非酒精性脂肪性肝病(NAFLD)的估计全球总体患病率约为25%,预计2030年为33.5%。虽然无炎症和肝细胞损伤证据的单纯性脂肪变性(非酒精性脂肪肝)通常是良性疾病,但非酒精性脂肪性肝炎(NASH)可进展为纤维化、肝硬化、肝衰竭和肝细胞癌。由于只有组织学分析才能准确评估NAFLD模式,肝活检是评估的金标准,对于有较高风险患有脂肪性肝炎和/或纤维化的患者应考虑进行。其主要缺点是其侵入性、并发症风险、采样误差以及观察者间和观察者内变异性。目前,尚无获批的NASH疗法。然而
【主题与分类】
主题标签:Non-Alcoholic Fatty Liver Disease、Steatohepatitis, Nonalcoholic、Liver Fibroses。本站分类:肿瘤/肝癌。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT04785937
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/NCT04785937
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。
- OpenDataLab:
数据说明
条件:非酒精性脂肪性肝病、非酒精性脂肪性肝炎、肝纤维化。非酒精性脂肪性肝病(NAFLD)的全球总体患病率估计约为25%,预计到2030年将达到33.5%。虽然无炎症和肝细胞损伤证据的单纯性脂肪变性(非酒精性脂肪肝)通常是一种良性疾病,但非酒精性脂肪性肝炎(NASH)可进展为纤维化、肝硬化、肝衰竭和肝细胞癌。由于只有组织学分析才能准确评估NAFLD模式,肝活检是评估的金标准,对于有较高风险患有脂肪性肝炎和/或纤维化的患者应考虑进行肝活检。其主要缺点包括侵入性、并发症风险、采样误差以及观察者间和观察者内变异性。目前,尚无获批的NASH疗法。然而,几种药物正处于2期和3期试验中,预计1-2年内会有结果。如果医学治疗成为可能,将建议对高风险患者进行脂肪性肝炎和纤维化的筛查。
缺乏用于识别可能从治疗干预中获益患者的无创工具,是一个核心问题。如果肝活检能够被避免,或仅保留用于数量更为有限的未确定或高风险患者,那么NASH筛查和治疗的获益-危害平衡将发生重大变化。一些影像学方法,主要是超声(US)或磁共振(MR)技术,在纤维化和NASH诊断中已显示出有前景的潜力。本研究的目标是评估无创影像技术(包括US和MR方法)在以肝活检作为参考标准的情况下,对NAFLD患者或NAFLD高风险患者诊断NASH和纤维化的诊断准确性。在这项非劣效性研究中,连续纳入有临床指征接受肝活检评估NAFLD的患者。他们均接受肝脏超声(US)检查,包括剪切波弹性成像(SWE)并测量肝脏硬度,以及US-脂肪肝i
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。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




