神经母细胞瘤转移检测风险模型

数据集获取

源站：https://clinicaltrials.gov/study/NCT06703944

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：神经母细胞瘤（NB）、预后、骨髓转移、骨转移。1. 数据集处理。在本研究中，模型包括训练集、验证集和测试集。在模型构建过程中，研究者对内部队列的训练进行处理，将入组参与者按8：2的比例随机分配到训练集和验证集。研究者将外部队列的入组参与者作为测试集，独立评估模型性能，然后选择最佳模型以供未来使用。上海交通大学医学院附属新华医院伦理委员会批准了本研究（XHEC-C-2024-023-2）。2. 图像采集。在AI模型中，研究者使用入组参与者的骨髓涂片进行细胞学评估和图像采集。在细胞分类和转移检测过程中，由经验丰富的病理学家完成骨髓涂片分析，骨髓中的转移性NB细胞簇通常表现为聚集的圆形非典型细胞，具有高核质比。

研究人员以40倍放大率扫描染色的骨髓涂片，用于数字全切片成像（WSI）。研究人员将WSI分割成512×512像素的小块，并应用Vahadane方法对小块的色彩进行归一化。3. 深度学习训练。在骨髓细胞学图像的特征提取中，该过程包括两个层级的预测：小块级预测和WSI级预测。对于小块级预测，研究人员对所有小块进行标签预测及其相应概率。研究人员在深度学习过程中应用如下模型：识别的神经网络（CNN）-resnet50和视觉Transformer（ViT）。模型中的参数配置如下：优化器-SGD，损失函数-softmax交叉熵，批大小为64。对于WSI级预测，研究人员使用多实例学习（MIL）算法将分散的小块级特征聚合为WSI级特征

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。