使用机器学习评估卵巢囊肿

数据集获取

源站：https://clinicaltrials.gov/study/NCT05342298

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：卵巢囊肿。卵巢囊肿是临床实践中最常见的妇科疾病之一。大约20%的女性一生中可能至少经历过一次卵巢囊肿。然而，在绝经前女性中，显著卵巢囊肿的发生率为8%。事实上，许多卵巢囊肿是在因其他指征进行盆腔影像学检查时偶然发现的。有趣的是，在绝经后女性中，卵巢囊肿的患病率可能高达14-18%，其中许多可能是持续存在的(2)。尽管大多数卵巢囊肿是良性的，但仅凭一次超声检查结果无法做出明确诊断。单纯性囊肿通常为良性。复杂性和实性囊肿仍可能为良性。然而，此类囊肿中恶性的可能性更为常见。通过组织病理学进行明确诊断需要手术切除囊肿/卵巢。由于该病常见且大多为良性，除非合理怀疑恶性或囊肿有症状，否则不考虑手术。因此，大多数卵巢囊肿采取期待治疗。期待治疗的目的是确定囊肿的变化。随访可能持续一年以上。

然而，国际公认的指南之间建议并不一致，且考虑了不同的囊肿大小截断值以及不同的随访频率和持续时间（5, 6）。同样，这些指南采用了不同的系统，基于超声和生化指标对卵巢囊肿女性进行分诊。本项目旨在利用机器学习算法创建一个可应用于卵巢囊肿女性的预测模型。该模型旨在确定癌症概率及管理方案，包括手术、长期或短期随访。将对检索到的记录进行资格审核。若患者已月经初潮、有记录的随访至少1年（自初次就诊起，除非接受手术治疗），并且pr

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。