利用人工智能帮助医生识别不同皮肤状况并改善患者护理

数据集获取

源站：https://clinicaltrials.gov/study/NCT07428954

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

疾病类型：皮炎、黑色素瘤（皮肤癌）、脱发、荨麻疹、环状肉芽肿、脂溢性角化病、疱疹、癣。本详细描述概述了在初级保健和皮肤科中，对Legit Health Plus医疗器械用于皮肤病理学研究时所采用的临床方法学、技术框架及数据完整性协议。研究设计与技术方法学本研究为前瞻性观察性、横断面自身对照研究。采用多阅片者多病例（MRMC）框架，评估计算机辅助诊断（CAD）对临床医生表现的影响。*自身对照框架：每位医疗专业人员（HCP）作为自身的对照，先在无设备辅助下进行诊断，随后在同一组图像上借助设备支持进行诊断。*评估工作流程：参与者通过安全的网络平台查看29个临床病例。

对于每个病例，医生根据图像和病史提供初步诊断，随后在审阅AI推荐的前5个国际疾病分类（ICD）类别及置信水平后，给出最终诊断。* 临床实用性评估：本研究包含一份特定问卷，旨在评估数据的实用性、咨询时间的减少以及对远程临床决策的信心。* 病理多样性：数据集涵盖了13种不同的皮肤状况，从痤疮和皮炎等常见疾病到黑色素瘤和基底细胞癌等恶性条件。质量保证与数据管理 为确保调查的科学严谨性，实施了以下质量和监控协议：* 数据验证与检查：通过基于验证规则的计算机过滤器进行验证过程，自动识别缺失值或不一致之处。还采用了手动编辑和探索性统计技术来辅助错误检测。* 监控计划：调查由指定的临床监查员进行监控，

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。