基于数字认知与血液生物标志物的抗淀粉样蛋白治疗资格筛查

数据集获取

源站：https://clinicaltrials.gov/study/NCT07041450

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、阿尔茨海默病、痴呆。本研究将评估一种基于阿尔茨海默病（AD）临床和生物学分期的诊断筛查解决方案（“研究”）。临床分期将使用MoCA Test Inc.（“MoCA Cognition”）的数字工具进行筛查。生物学分期将使用血液生物标志物（“BBM”）进行筛查。基于本研究的结果，我们将建立高效且公平的诊断分诊标准。本研究将产生一种算法，可协助将患者分配至快速诊断路径，以确定其是否有资格接受疾病修饰疗法（“DMT”）的AD治疗。主要目的：开发并评估一种基于血液生物标志物和认知数字测量的诊断筛查解决方案，该方案可缩短有资格接受疾病修饰疗法AD治疗的患者的治疗等待时间。主要终点：转诊至记忆门诊MoCA Clinic Inc.（“MoCA Clinic”）的患者的详细队列描述。

包括：(1) 人口学特征；(2) 通过MoCA评分和XpressO应用程序以数字版MoCA测量的认知筛查评分；(3) 包括PrecivityAD2和MTBR在内的生物标志物水平；(4) 由神经科医生判定的DMT候选者比例；(5) 患者不符合AD治疗条件的原因及频率；(6) 筛查后所需诊断性随访检查（MRI、PET/CSF）的数量；(7) 用于未来与快速通道路径进行比较的基线转诊时间；以及(8) 直至诊断的时间。次要终点：基于主要终点，我们将评估诊断筛查解决方案的潜在获益。这包括估计在当前诊断工作流程中可能错过治疗窗口的患者数量。探索性终点：(1) 验证自我施测的数字版MoCA测试（“MoCA Solo”）与纸质MoCA测试相比的效果，(2) E

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。