消防员肺癌筛查CT数据集
该数据集来自clinicaltrials.gov，为单组前瞻性干预研究及社区参与式项目，由University of California, San Francisco与加州消防员社区紧密合作开展
基本信息
资源简介
消防员肺癌筛查CT数据集
该数据集来自clinicaltrials.gov，为单组前瞻性干预研究及社区参与式项目，由University of California, San Francisco与加州消防员社区紧密合作开展。数据围绕消防员胸部CT筛查，覆盖烟雾吸入、污染及职业暴露相关肺部疾病与肺癌。研究旨在确定肺癌及其他癌症和癌症风险因素的患病率，识别胸部CT可检测的影像与非影像预测因子，并评估偶发发现及癌症发展风险因素，可用于肺癌筛查、职业暴露风险评估与预测建模（来源 clinicaltrials.gov）。
【数据内容】
源站描述（机器翻译，仅供参考）：条件：烟雾吸入、暴露、吸入、污染暴露、职业暴露、肺部疾病、肺癌、间质性肺病、职业暴露。这是一项单组前瞻性干预研究及社区参与式项目，由University of California, San Francisco牵头，并与加利福尼亚州消防员社区紧密合作。主要目标：I. 确定胸部计算机断层扫描（CT）可检测的肺癌、其他癌症及癌症风险因素的患病率（目标1）。II. 识别胸部CT可检测的肺癌及其他癌症的影像学和非影像学预测因子。次要目标：I. 确定胸部CT偶发发现的患病率（目标1）。II. 确定消防员癌症发展的风险因素（目标2）。探索性目标：I. 长期随访以确定……
【主题与分类】
主题标签：Smoke Inhalation、Exposure, Inhalation、Exposure to Pollution、Exposure Occupational、Lung Diseases、Lung Cancer、Lung Diseases, Interstitial、Occupational Exposure、Occupational Lung Disease、Interstitial Lung Disease。本站分类：肿瘤/肺癌。
【获取与许可】
源站页面：https://clinicaltrials.gov/study/NCT06836414
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/NCT06836414
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：烟雾吸入、暴露、吸入、污染暴露、职业暴露、肺部疾病、肺癌、肺部疾病、间质性、职业暴露。这是一项单组前瞻性干预研究，也是一个以社区为基础的参与性项目，由加利福尼亚大学旧金山分校牵头，并与加利福尼亚州的消防员群体密切合作。主要目的：I. 确定胸部计算机断层扫描（CT）可检测到的肺癌、其他癌症及癌症危险因素的患病率（目标1）。II. 确定胸部CT可检测到的肺癌和其他癌症的影像学和非影像学预测因素。次要目的：I. 确定胸部CT偶发发现的患病率（目标1）。II. 确定消防员癌症发生的危险因素（目标2）。探索性目的：I. 长期随访以确定消防员中肺癌和其他癌症的发病率。II. 建立消防员癌症影像登记库。概要：将对纳入的参与者进行单次低剂量胸部CT检查，并收集全面的人口学、临床和职业数据。
参与者将在1-2个月时接受随访，随访时间至少1年，最长可达10年，以收集任何随访影像学和活检结果（如适用）。
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。
