远程皮肤镜与人工智能的实施

数据集获取

源站：https://clinicaltrials.gov/study/NCT05033678

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：皮肤癌。研究目的：1. 远程皮肤镜检查是否与皮肤癌患者的常规护理同样安全？2. 远程皮肤镜检查应如何执行，由谁执行？2. 远程皮肤镜检查如何影响当前皮肤疾病的护理和组织？3. 深度学习人工智能作为皮肤科医生的诊断支持，能否提高诊断准确性？4. 人工智能应如何融入护理路径，以实现评估者与人工智能之间的最佳互动？材料与方法：1. 研究设置 可招募因疑似皮肤病变而预约皮肤检查的患者，招募地点包括皮肤科诊所和参与研究的初级保健诊所，或在患者就诊初级保健诊所后通过数字化方式招募。2. 数据采集 患者数据和图像将使用Dermicus®应用程序收集。参与研究的初级保健医生和皮肤科医生还将填写一份关于其对患者评估的问卷。额外信息将从医疗记录（即组织病理学诊断）和国家登记处收集。问卷将使用REDCap®录入数字数据库。4. 统计分析 4.1.

在第一部分中，将分析在引入远程皮肤镜之前以及使用远程皮肤镜的第一年和第二年期间，向皮肤科医生发送的会诊数量以及进行病理分析的数量。将呈现描述性统计数据，并使用t检验和配对t检验来检验不同时间段之间的差异。此外，还将考察远程皮肤学的其他方面，例如采用双读者而非单读者评估对诊断准确性的影响，以及初级保健医生在使用远程皮肤镜而非传统转诊至皮肤科医生评估皮肤病变时进行全身皮肤检查的倾向性。4.2. 第二部分也有若干子研究，重点关注引入执行不同……的人工智能时对诊断准确性和临床管理的影响。

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。