预测性遗传风险评估试验

数据集获取

源站：https://clinicaltrials.gov/study/NCT00782366

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

疾病：结肠癌、肺癌、心房颤动、2型糖尿病、肥胖症、乳腺癌、格雷夫斯病、骨关节炎。个性化医疗的前景在梅奥诊所引发了激烈辩论，并引起了全世界的关注。争议点之一在于为健康患者提供个体遗传风险评估，尤其是预测糖尿病、癌症或心脏病等常见疾病风险的信息。在科学辩论持续进行的同时，商业公司目前正采用“直接面向消费者”（DTC）的方式向公众提供个人基因检测。目前，提供此类服务的私营公司数量正在增长（例如23 and me、deCode genetics等）。尽管许多专业人士希望遗传风险信息在不久的将来能证明其价值，但对于患者及其医生将如何解读和看待这种预测性风险评估，人们知之甚少。由于大众媒体对预测性基因检测给予了极大关注，人们预计患者很快就会要求将这种检测作为标准临床实践的一部分。

然而，目前尚无有效的监管监督来指导临床医生和政策制定者如何将预测性基因检测的结果纳入常规临床实践。事实上，尚无适当的临床试验完成对该类检测影响的评估。确实，近期《新英格兰医学杂志》的一篇评论建议，所有此类检测均应在临床试验的背景下进行。如何在新技术的早期开发阶段保护人类受试者，是转化研究中的一个经典难题。为此，我们在梅奥诊所开展了一项“原理验证”临床试验，旨在研究患者及其医生如何理解并利用预测性遗传风险评估。该临床试验的一个关键目标是了解个体患者及其医生如何感知和应对很大程度上不确定的遗传风险信息。我们的初步研究旨在解答

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。