多模态人工智能系统在前列腺癌诊断与预后分析中的应用

数据集获取

源站：https://clinicaltrials.gov/study/NCT06589154

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：健康人群、良性前列腺增生、前列腺癌。前列腺癌是全球男性癌症发病的主要原因之一。当前诊断路径高度依赖PSA水平，在4-10 ng/mL的“灰区”尤为棘手，因其无法可靠区分良性疾病与癌症，导致大量不必要的活检及对惰性疾病的过度治疗。尽管cfDNA分析和mpMRI等先进无创方法各自展现出前景，但作为独立工具使用时均存在固有局限。cfDNA检测可因肿瘤分数低而缺乏敏感性，mpMRI判读则易受变异性影响且准确性欠佳。本研究假设，将这些互补数据模式协同融合——即整合来自cfDNA的系统性分子信息与来自mpMRI的局部解剖和功能数据——可克服上述局限。为验证这一假设，我们开发了一种多模态模型，即一个端到端深度学习框架。

本研究旨在在大型多中心人群中严格开发并验证BEAM模型，包括一个回顾性发现队列和两个前瞻性验证队列。最终目标是建立一种强大的非侵入性工具，能够准确检测前列腺癌，并且关键的是，根据临床显著疾病的风险对患者进行分层，从而实现患者管理的个性化。

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。