多模态生物标志物与轻度认知障碍向痴呆进展的前瞻性队列研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07876570

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：轻度认知障碍（MCI）。这项前瞻性、纵向观察性队列研究将刻画跨越认知连续体的多维生物标志物谱。其主要目标是开发用于疾病分类以及预测从轻度认知障碍（MCI）向痴呆进展的综合方法。该研究将纳入600名参与者，分为三个队列：约200名认知未受损参与者、200名轻度认知障碍参与者和200名痴呆参与者。轻度认知障碍和痴呆队列可包括阿尔茨海默病相关和非阿尔茨海默病相关的临床亚型，对这些亚型不设固定入组配额。不分配任何治疗干预。基线评估将包括人口学和临床特征描述、全面神经心理学测试以及血液采集。参与者还将接受多模态神经影像检查。血液分析将评估已确立的和探索性的生物标志物。已确立的检测指标将包括淀粉样蛋白β 42和磷酸化tau 217。

这些生物标志物将采用化学发光酶免疫分析、电化学发光免疫分析、免疫沉淀-质谱分析和单分子阵列平台进行评估。探索性分析将考察蛋白质生物标志物、microRNA表达谱和脂质代谢组学标志物。载脂蛋白E基因型也将被确定。血液采集、神经心理测试和神经影像学检查将在12个月时重复进行。横断面分析将比较各研究组之间的生物标志物谱。纵向分析将描述认知、循环生物标志物和神经影像学指标的变化特征。血液生物标志物、神经影像学指标和临床表型之间的关联将采用预先设定的统计方法进行检验。随后将使用多变量统计和机器学习方法来识别临床信息的有意义组合

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。