多模态AI诊断上消化道间叶源性肿瘤的多中心观察性研究数据集

数据集获取

源站：https://clinicaltrials.gov/study/NCT07078136

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

条件：黏膜下肿瘤、胃肠道间质瘤（GIST）、平滑肌瘤、神经鞘瘤。这是一项多中心、观察性研究，旨在评估多模态人工智能（AI）模型在上消化道黏膜下上皮病变（SELs）分类及胃胃肠道间质瘤（gGISTs）风险分层中的诊断性能。该研究将回顾性图像数据用于训练和验证，并结合前瞻性招募的病例进行测试。将按照严格的图像质量控制标准收集内镜超声（EUS）图像、白光内镜（WLE）图像及相关临床数据。多模态AI模型采用多分支融合策略整合这些输入。将利用来自多个中心的前瞻性招募患者数据开展交叉验证试验，比较内镜医师在有和无AI辅助下对病变分类和风险分层的诊断与预测性能。根据现有文献，尚无多模态AI模型报告过对SELs分类或胃gGISTs风险分层的诊断性能。

假设多模态AI模型对上消化道SELs分类的诊断准确率为95%，对gGIST风险分层的诊断准确率为95%。相比之下，内镜医师鉴别GIST与非GIST的诊断准确率约为73.3%-75%，对gGISTs风险分层的准确率约为72.4%-78.9%。GISTs约占所有病变的67%-68%。采用双侧置信区间，α=0.05、β=0.2，并考虑20%的潜在脱落率，前瞻性SEL分类所需的最小样本量为65例，风险分层所需gGIST病例为88例。由于风险分层任务需要更大的样本量，且GISTs是两项任务的共同目标，最终计划样本量为130例上消化道SELs患者，满足所有主要终点的统计学要求。研究团队将筛选

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。