结合人工智能与人类专家经验提高皮肤镜黑色素瘤诊断准确性：两阶段回顾性阅片研究-补充材料
100张皮肤镜图像，64名医生在有无CNN辅助下的诊断结果，用于研究AI辅助黑色素瘤诊断的准确性。
基本信息
资源简介
结合人工智能与人类专家经验提高皮肤镜黑色素瘤诊断准确性：两阶段回顾性阅片研究-补充材料
【一句话概览】
本数据集是 Mendeley Data 公开的影像数据集，收录 2 个文件、合计 3.13 MB，可用于医学图像分割、检测与分类模型的训练与评测。
【数据集背景】
本数据集源站标题为《Combining artificial intelligence and human expertise for more accurate dermoscopic melanoma diagnosis: A two-session retrospective reader study - Supplementary Material》。源站首次发布：2024-02-05。
【数据内容】
源站原始描述：In our two-session retrospective reader study, 64 physicians, including 33 dermatologists, 11 dermatology residents, and 20 general practitioners, evaluated a deliberately challenging test set of 100 dermoscopic images comprising 50 melanomas and 50 nevi. In session 1, participants provided diagnoses and management decisions based solely on images. In session 2, conducted 4+ months later, participants evaluated the same images in different sequence, this time with assistance of a CNN-assigned tr…
中文译文（机器翻译，仅供快速理解，请以原文为准）：在我们的两阶段回顾性阅片者研究中，64名医生（包括33名皮肤科医生、11名皮肤科住院医师和20名全科医生）评估了一个刻意设置的高难度测试集，该测试集包含100张皮肤镜图像，其中50张为黑色素瘤，50张为痣。在第1阶段，参与者仅根据图像提供诊断和管理决策。第2阶段在4个多月后进行，参与者以不同顺序评估相同图像，这次借助CNN分配的交通灯系统。补充图1展示了第1阶段（无
【数据结构与技术规格】
文件数 2 个，合计 3.13 MB。数据集 DOI：10.17632/3cmknchc2g.1。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/3cmknchc2g
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://data.mendeley.com/datasets/3cmknchc2g
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。
