分化型甲状腺癌的Bethesda分类与风险分层

数据集获取

源站：https://clinicaltrials.gov/study/NCT07858097

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：分化型甲状腺癌、甲状腺乳头状癌、甲状腺滤泡状癌。分化型甲状腺癌（DTC）占甲状腺癌的大多数，通常预后良好。DTC的发病率在全球范围内有所增加，这主要归因于高分辨率超声对甲状腺结节检测能力的提高以及细针穿刺细胞学检查（FNAC）的广泛应用。Bethesda甲状腺细胞病理学报告系统将甲状腺细胞学分为六个诊断类别，每个类别都与特定的恶性风险及推荐的临床管理相关联。虽然Bethesda分类对于预测恶性可能性很有用，但其与术后预后和风险分层的关系仍不太明确。甲状腺切除术后，患者根据美国甲状腺协会（ATA）风险分层系统被分为低、中、高风险类别。了解术前Bethesda分类与术后ATA风险分层之间的关联，可能有助于改善早期预后评估，并帮助优化治疗和随访策略。

这项观察性研究将探讨在组织病理学确诊的分化型甲状腺癌患者中，术前Bethesda分类与术后ATA风险分层之间的关系。

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。