基于血液的AI风险评估用于早期肺癌检测的目标初级卫生保健

数据集获取

源站：https://clinicaltrials.gov/study/NCT07552584

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：肺癌（诊断）。肺癌导致的癌症相关死亡人数最多。丹麦每年约有5000人被诊断为肺癌，与一般人群相比，慢性阻塞性肺疾病（COPD）患者的风险更高。低剂量计算机断层扫描（LDCT）筛查可以降低肺癌死亡率，但患者依从性和LDCT容量是相当大的挑战。通常应用于LDCT筛查项目的选择标准以年龄和烟草消费为中心，导致大量个体符合筛查条件。一种更个性化的方法可以减少肺癌筛查项目所需的资源。吸烟是发展肺癌的最大单一风险因素，但其损害效应可能因人而异。发现AHRR基因的甲基化水平与发展肺癌的风险有关。人工智能（AI）是风险评估的另一种有前景的方法，丹麦研究人员基于临床数据和标准血液检测开发的机器学习模型可用于预测肺癌风险。

本项目旨在探讨在基层医疗中接受治疗和随访的COPD患者中，基于血液样本和人工智能进行肺癌风险分层的可行性。南丹麦大区Vejle普通区域的全科医生将招募1000名COPD患者。同意参与的患者将在在线REDCap数据库中填写基本临床数据，随后由全科诊所的医疗专业人员进行血液样本采集。样本将被运送至Vejle的Lillebaelt医院实验室进行分析。Vejle的Lillebaelt医院的一个合作团队将执行风险分层，包括分析DNA甲基化和运行人工智能算法。评分显示肺癌风险增加的患者将

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。