基于生物标志物的阿尔茨海默病队列研究（BASIC）
该数据集来自 clinicaltrials.gov 的 BASIC 研究，采用前瞻性队列设计，通过招募 AD 生物标志物阳性的阿尔茨海默病患者构建单中心队列
基本信息
资源简介
基于生物标志物的阿尔茨海默病队列研究（BASIC）
BASIC（Biomarker-based Alzheimer's Disease Cohort Study）是一项以生物标志物为核心的阿尔茨海默病队列研究，来源于 clinicaltrials.gov 注册信息，在本站归入神经系统疾病 / 阿尔茨海默病分类。该研究采用前瞻性队列设计，通过招募阿尔茨海默病（AD）生物标志物阳性的患者，构建单中心研究队列。其核心思路是先汇聚生物标志物阳性的 AD 患者资源，为后续 AD 相关临床研究储备合适的受试人群；在此基础上，进一步分析中国老年人群中 AD 相关生物标志物与临床表现之间的关联，识别影响 AD 进展的潜在危险因素，并据此构建基于生物标志物的 AD 进展速度风险预警模型，以支持对疾病的早期识别和精准防控。该数据集的主题标签为 Alzheimer Disease，整体定位是服务于阿尔茨海默病生物标志物研究与临床转化的一座患者队列资源。
【数据集背景】
阿尔茨海默病是一种常见的神经系统退行性疾病，生物标志物在其早期识别、进展评估和临床研究受试者筛选中具有重要价值。BASIC 研究正是在这一背景下提出的：研究以 AD 生物标志物阳性为入组核心条件，试图建立一个稳定、可复用的患者队列。研究者的首要目标是建立生物标志物阳性的 AD 患者队列，从而为未来 AD 相关临床试验预留合适的患者资源；其次是在该队列基础上，探讨中国老年人群中 AD 相关生物标志物与临床表现之间的关联，并识别可能影响 AD 进展的危险因素；第三是依据所识别的进展危险因素，构建基于生物标志物的 AD 进展速度风险预警模型，以实现对疾病的早期识别与精准防控。
【数据内容】
该数据集围绕 AD 生物标志物阳性患者队列展开，内容涉及 AD 相关生物标志物、患者的临床表现，以及影响 AD 进展的潜在危险因素，并在此基础上形成 AD 进展速度的风险预警模型。数据所覆盖的具体变量、字段结构、样本量、随访时长与生物标志物种类等细节，源站未提供。
【采集与来源】
数据来源于 clinicaltrials.gov 注册的 BASIC 研究。该研究采用前瞻性队列设计，通过招募 AD 生物标志物阳性的阿尔茨海默病患者，构建单中心队列。研究对象的招募范围、采集时间窗、生物标志物检测方法及随访频次等信息，源站未提供。
【适用场景】
该数据集适用于阿尔茨海默病生物标志物相关的临床研究场景，包括为 AD 相关临床试验筛选和储备生物标志物阳性的患者资源、分析生物标志物与临床表现之间的关联、识别影响 AD 进展的危险因素，以及支持 AD 进展速度风险预警模型的构建与早期识别、精准防控研究。其他具体应用方向源站未提供。
【使用方法】
源站未提供。
【质量与限制】
该研究为单中心队列设计，其样本来源与覆盖范围受单中心设置影响；其余关于数据完整性、随访依从性、缺失情况与偏倚控制等方面的信息，源站未提供。
【引用与许可】
源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://clinicaltrials.gov/study/NCT07109999
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据说明
条件：阿尔茨海默病。本研究采用前瞻性队列设计，通过招募阿尔茨海默病（AD）生物标志物阳性的患者，构建单中心队列。首先，研究者旨在建立一个生物标志物阳性的AD患者队列，从而为未来的AD相关临床试验储备合适的患者资源。其次，基于所建立的队列，研究者将探讨中国老年人群中AD相关生物标志物与临床表现之间的关联，并识别影响AD进展的潜在危险因素。第三，根据所识别的AD进展危险因素，研究者将构建基于生物标志物的AD进展速率风险预警模型，以实现对AD进展风险的早期识别和精准防控。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
