特发性震颤基因-疾病关联数据集
本数据集来自 frontiersin.figshare.com，为特发性震颤（ET）基因-疾病关联相关表格文件，配套论文研究结合结构 MRI 皮层与皮层下形态学数据及 blink-reflex recovery cycle（BRrc）值，采用 XGBoost 与 Random Forest 等决策树
基本信息
资源简介
特发性震颤基因-疾病关联数据集
Table_2_Combined cortical thickness and blink reflex recovery cycle to differentiate essential tremor with and without resting tremor.DOCX
本数据集来自 frontiersin.figshare.com，为特发性震颤（ET）基因-疾病关联相关表格文件，配套论文研究结合结构 MRI 皮层与皮层下形态学数据及 blink-reflex recovery cycle（BRrc）值，采用 XGBoost 与 Random Forest 等决策树机器学习模型区分伴静止性震颤的特发性震颤（rET）与经典 ET。数据覆盖 47 例 ET、43 例 rET 患者及 45 名健康对照的 3 T-MRI 与 BRrc 检查结果，可用于神经影像与电生理特征融合的震颤分型建模研究（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
配套论文《How common is the most common adult movement disorder? Update on the worldwide prevalence of essential tremor》发表于 Movement Disorders（2010），DOI：10.1002/mds.22838。源站首次发布：2024-03-22。
【数据内容】
源站描述（机器翻译，仅供参考）：目的：探讨结构 MRI 皮层与皮层下形态学数据结合 blink-reflex recovery cycle（BRrc）值，利用机器学习（ML）模型区分伴静止性震颤的特发性震颤（rET）与经典 ET 的性能。方法：我们纳入 47 例 ET、43 例 rET 患者和 45 名健康对照（HC）。所有参与者均在不同刺激间隔（ISIs，100–300 毫秒）下接受脑 3 T-MRI 和 BRrc 检查。MRI 数据（皮层厚度、体积、表面积、粗糙度、平均曲率和皮层下体积）使用 Freesurfer 在 T1 加权图像上提取。我们采用两种基于决策树的 ML 分类算法（eXtreme Gradient Boosting [XGBoost] 和 Random Forest），结合 MRI 数据与 BRrc 值来区分 rET 与 ET 患者。结果：仅基于 MRI 特征的 ML 模型达到可接
【数据结构与技术规格】
文件数 1 个，合计 14.74 KB。数据集 DOI：10.3389/fneur.2024.1372262.s002。
【主题与分类】
源站学科分类：Neurology and Neuromuscular Diseases、Neurogenetics。主题标签：essential tremor、essential tremor plus、rest tremor、machine learning、blink reflex、cortical thickness。本站分类：神经系统疾病/特发性震颤。
【适用方向】
源站学科分类标注为 Neurology and Neuromuscular Diseases、Neurogenetics。
【获取与许可】
源站页面：https://frontiersin.figshare.com/articles/dataset/Table_2_Combined_cortical_thickness_and_blink_reflex_recovery_cycle_to_differentiate_essential_tremor_with_and_without_resting_tremor_DOCX/25459846
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Calomino, Camilla; Quattrone, Andrea; Bianco, Maria Giovanna; Nisticò, Rita; Buonocore, Jolanda; Crasà, Marianna; et al. (2024). Table_2_Combined cortical thickness and blink reflex recovery cycle to differentiate essential tremor with and without resting tremor.DOCX. Frontiers. Dataset
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（Figshare）
- 源站标题：Table_2_Combined cortical thickness and blink reflex recovery cycle to differentiate essential tremor with and without resting tremor.DOCX
- DOI：10.3389/fneur.2024.1372262.s002
- 发布日期：2024-03-22
- 文件数：1 个
- 文件总体积：14.74 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Table_2_Combined_cortical_thickness_and_blink_reflex_recovery_cycle_to_differentiate_essential_tremor_with_and_without_resting_tremor_DOCX/25459846
命令行下载
curl -L -o "Table_2_Combined cortical thickness and blink reflex recovery cycle to differentiate essential tremor with and without resting tremor.DOCX" "https://ndownloader.figshare.com/files/45206527"
文件清单
Table_2_Combined cortical thickness and blink reflex recovery cycle to differentiate essential tremor with and without resting tremor.DOCX（14.74 KB）
文件总体积 14.74 KB（源站 API 实测）。
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。
数据说明
目的：探讨结构MRI皮层及皮层下形态学数据联合瞬目反射恢复周期（BRrc）值，应用机器学习（ML）模型区分特发性震颤伴静止性震颤（rET）与经典型特发性震颤（ET）的性能。方法：纳入47例ET患者、43例rET患者和45名健康对照（HC）。所有参与者均接受脑3 T-MRI检查及不同刺激间隔（ISI，100–300毫秒）下的BRrc检查。采用Freesurfer在T1加权图像上提取MRI数据（皮层厚度、体积、表面积、粗糙度、平均曲率和皮层下体积）。我们采用两种基于决策树的ML分类算法（极端梯度提升[XGBoost]和随机森林），结合MRI数据与BRrc值区分rET与ET患者。结果：仅基于MRI特征的ML模型在区分rET与ET患者及与HC时达到可接受的性能（AUC：0.85–0.86）。基于BRrc数据的ML模型获得相似性能（rET vs. ET的AUC：0.81–0.82，rET vs. HC的AUC：0.88–0.89）。
结合影像学数据（皮层厚度、表面、粗糙度和平均曲率）与BRrc值的机器学习模型在区分rET与ET患者方面表现出最高的分类性能，AUC达到0.94±0.05。两种机器学习算法均证实，将BRrc数据加入影像学特征后，分类性能得到提升。结论本研究强调了将BRrc这种简单的电生理评估与MRI皮层形态学特征相结合，对于准确区分rET与ET患者的实用性，为更好地对这些ET综合征进行分类铺平了道路。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fneur.2024.1372262.s002（source: https://frontiersin.figshare.com/articles/dataset/Table_2_Combined_cortical_thickness_and_blink_reflex_recovery_cycle_to_differentiate_essential_tremor_with_and_without_resting_tremor_DOCX/25459846）。
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。
