MultiSCRIPT-Cycle 1：多发性硬化个性化医疗——嵌入SMSC的实用性平台试验

数据集获取

源站：https://clinicaltrials.gov/study/NCT06095271

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：多发性硬化，复发缓解型。多发性硬化（MS）的病程高度异质，症状、严重程度和治疗反应差异很大。绝大多数MS患者接受疾病修饰治疗（DMTs）。DMTs通过削弱免疫系统，可显著减少甚至几乎抑制复发和磁共振成像（MRI）新病灶的出现，但随着治疗时间延长和免疫抑制强度增加，可能引起机会性感染等副作用。迫切需要一种更个性化的MS治疗策略，即尽可能少治疗患者，但根据需要在恰当的时间给予足够的治疗。若无关于治疗反应和疾病活动的详细信息，则无法制定此类量身定制的策略。sNfL水平在神经轴索损伤后释放入血，已被证明与未来MS疾病活动、残疾恶化、MRI活动及治疗反应相关。

因此，sNfL可能有助于为患者量身定制治疗调整（例如升级或降级治疗），以确保疾病稳定、减少不良事件并提高生活质量。尽管sNfL越来越多地被用作治疗反应的标志物，但其在常规诊疗中的应用尚未广泛确立。SMSC是一项观察性研究，覆盖瑞士8家领先的多发性硬化症中心，纳入超过1600名多发性硬化症参与者，中位随访时间超过5.7年。MultiSCRIPT项目旨在利用这一真实世界数据基础设施，系统评估多发性硬化症患者诊疗创新所带来的患者相关获益。MultiSCRIPT超越了一项单一试验，旨在成为一个可持续的学习系统，在该系统中，来自 successive 实用性随机试验（即学习周期）的累积数据能够持续生成新的假设，探讨如何进一步个性化治疗和护理策略，以便在正确的时间对患者进行尽可能少但尽可能必要的治疗。通过b

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。