AI在BCC组织病理学诊断中的应用

数据集获取

源站：https://clinicaltrials.gov/study/NCT07786376

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：基底细胞癌。背景：基底细胞癌（BCC）是全球最常见的皮肤癌，也是非黑色素瘤皮肤癌（NMSC）的主要类型，全球发病率不断上升。组织病理学仍是诊断的金标准；然而，人工分析劳动强度大、耗时长，并且在全球委员会认证皮肤病理学家短缺的情况下，面临着越来越大的压力。数字病理学和全切片成像（WSI），结合先进的AI模型（如视觉变换器和大型语言模型，例如HistoGPT），为自动化并简化皮肤病理诊断提供了变革性的解决方案。研究目的：本研究旨在评估AI算法HistoGPT在基底细胞癌组织病理学诊断中的诊断性能和处理效率，并与认证皮肤病理学家进行比较。方法：这项回顾性、盲法、比较研究将使用2010年至2019年间从Al-Hussein皮肤病理科病理档案中获取的存档H&E染色玻璃切片进行。

符合纳入标准的切片将使用Leica Aperio GT450扫描仪以40倍放大率数字化为高分辨率全切片图像（WSIs）。数字化后的WSIs将通过HistoGPT云平台进行处理和分析，以自动生成诊断报告和分类。AI生成的结果将与由认证皮肤病理学家小组在Hussein Hasb El-Nabi教授监督下建立的参考标准诊断进行系统性比较。将评估诊断准确性、一致性和周转时间。统计分析数据将使用SPSS（26.0版）或R编程进行分析。分类变量将使用适当的统计检验进行比较，$p$值< 0.05将被视为具有统计学显著性。

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。