带参与者人数标注的随机对照临床试验数据集

数据集获取

源站：https://doi.org/10.5061/dryad.g1jwstr0b

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。

数据集大小约 40.1 MB。

数据说明

背景：从随机对照试验（RCTs）中提取样本量仍然是开发更好的搜索功能或自动化系统评价的一个挑战。目前大多数方法依赖于摘要中明确提到的样本量。数据收集：从七种主要期刊（英国医学杂志、美国医学会杂志、美国医学会肿瘤学杂志、临床肿瘤学杂志、柳叶刀、柳叶刀肿瘤学、新英格兰医学杂志）中随机抽取了2010年至2022年间发表的996项随机对照试验（RCTs）样本，并进行了标注。为此，从PubMed获取摘要作为txt文件，并使用正则表达式（即匹配文本中特定模式的表达式）进行解析。对于每项试验，通过查看摘要来获取随机分组的人数，如果从摘要中无法确定该数字，则进一步查看全文。此外，在每篇摘要中标记了六个不同的实体，无论信息是以文字还是数字形式呈现。

如果明确说明了被随机分配的人数（例如使用了“随机”“随机分配”等词），则标记为“RANDOMIZED_TOTAL”。如果给出了被分析的人数，则标记为“ANALYSIS_TOTAL”。如果给出了完成试验或完成某一随访期的人数，则标记为“COMPLETION_TOTAL”。如果给出了参与试验的人数但未作更具体说明，则标记为“GENERAL_TOTAL”。如果给出了被分配到试验某一组的人数，则标记为“ARM”。最后，如果在说明有多少患者发生事件的背景下给出了被分配到某一组的患者人数，则标记为“ARM_EVENT”。如果摘要不包含上述实体，则将稿件添加到数据集中，但不添加任何标签。数据属性：每项试验为一行

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。