Wilson病脑部MRI数据集
源站描述显示，研究旨在结合临床多维指标与机器学习方法构建预测神经症状发生的模型，研究对象为2021年7月至2023年9月在安徽中医药大学第一附属医院接受治疗且Leipzig评分≥4分的WD患者，收集一般临床信息、影像学、血液和尿液检查及临床量表测量等指标，并采用SHAP方法分析临床信息
基本信息
资源简介
Wilson病脑部MRI数据集
Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.docx
该数据集来自frontiersin.figshare.com，包含一份关于Wilson病（WD）的文档，标题为“Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.docx”。源站描述显示，研究旨在结合临床多维指标与机器学习方法构建预测神经症状发生的模型，研究对象为2021年7月至2023年9月在安徽中医药大学第一附属医院接受治疗且Leipzig评分≥4分的WD患者，收集一般临床信息、影像学、血液和尿液检查及临床量表测量等指标，并采用SHAP方法分析临床信息。数据集可用于探索Wilson病。
【数据集背景】
配套论文《A machine learning approach to triaging patients with chronic obstructive pulmonary disease》发表于 PLOS ONE（2017），DOI：10.1371/journal.pone.0188532。源站首次发布：2024-06-19。
【数据内容】
源站描述（机器翻译，仅供参考）：目的Wilson病（WD）是一种由ATP7B基因突变引起的罕见常染色体隐性遗传病。神经症状是WD最常见的症状之一。本研究旨在通过结合临床多维指标与机器学习方法，构建一个能够预测神经症状发生的模型。方法研究人群为2021年7月至2023年9月在安徽中医药大学第一附属医院接受治疗且Leipzig评分≥4分的WD患者。收集患者的一般临床信息、影像学、血液和尿液检查以及临床量表测量等指标，并采用机器学习方法构建神经症状的预测模型。此外，利用SHAP方法分析临床信息
【数据结构与技术规格】
文件数 1 个，合计 251.81 KB。数据集 DOI：10.3389/fneur.2024.1418474.s002。
【主题与分类】
源站学科分类：Neurology and Neuromuscular Diseases、Neurogenetics。主题标签：Wilson disease、machine learning、neurological symptom、prediction model、eXtreme Gradient Boosting (XGB)。本站分类：神经系统疾病。
【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/Data_Sheet_2_Decoding_Wilson_disease_a_machine_learning_approach_to_predict_neurological_symptoms_docx/26062156
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Yang, Yulong; Wang, Gang-Ao; Fang, Shuzhen; Li, Xiang; Ding, Yufeng; Song, Yuqi; et al. (2024). Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.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：Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.docx
- DOI：10.3389/fneur.2024.1418474.s002
- 发布日期：2024-06-19
- 文件数：1 个
- 文件总体积：251.81 KB
- 源站页面：https://frontiersin.figshare.com/articles/dataset/Data_Sheet_2_Decoding_Wilson_disease_a_machine_learning_approach_to_predict_neurological_symptoms_docx/26062156
命令行下载
curl -L -o "Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.docx" "https://ndownloader.figshare.com/files/47131618"
文件清单
Data_Sheet_2_Decoding Wilson disease: a machine learning approach to predict neurological symptoms.docx（251.81 KB）
文件总体积 251.81 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Wilson病（WD）是一种由ATP7B基因突变引起的罕见常染色体隐性遗传病。神经系统症状是WD最常见的症状之一。本研究旨在通过结合临床多维指标与机器学习方法，构建能够预测神经系统症状发生的模型。方法研究人群为2021年7月至2023年9月在安徽中医药大学第一附属医院接受治疗且Leipzig评分≥4分的WD患者。收集患者的一般临床信息、影像学、血液和尿液检查以及临床量表测量等指标，并采用机器学习方法构建神经系统症状预测模型。此外，利用SHAP方法分析临床信息，以确定哪些指标与神经系统症状相关。结果本研究分析了185例WD患者（其中163例有神经系统症状）。
研究发现，使用极端梯度提升（XGB）进行预测取得了良好性能，MCC值为0.556，ACC值为0.929，AUROC值为0.835，AUPRC值为0.975。脑干损伤、血肌酐（Cr）、年龄、间接胆红素（IBIL）和铜蓝蛋白（CP）是排名前五的重要预测因子。同时，存在脑干损伤以及Cr、年龄和IBIL值越高，越可能发生神经系统症状，而CP值越低，越可能发生神经系统症状。结论综上所述，采用机器学习方法构建的预测模型在预测WD肝硬化方面具有较高的准确性。预测模型中最重要的指标为脑干损伤、Cr、年龄、IBIL和CP。该模型为临床决策提供了辅助支持。
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.3389/fneur.2024.1418474.s002（source: https://frontiersin.figshare.com/articles/dataset/Data_Sheet_2_Decoding_Wilson_disease_a_machine_learning_approach_to_predict_neurological_symptoms_docx/26062156）。
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。
