基于人工智能的帕金森病风险评估（AI-PRA）研究

数据集获取

源站：https://clinicaltrials.gov/study/NCT07706829

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

条件：帕金森病（PD）、快速眼动睡眠行为障碍（iRBD）、神经源性直立性低血压、嗅觉减退。背景：日常电子设备可能在帕金森病（PD）临床诊断前数年检测到细微的运动和非运动异常，为早期发现提供了机会。研究目的与影响：本研究旨在验证一种基于人工智能的模型，该模型根据人口统计学、临床、遗传和数字生物标志物数据（智能手表和手机应用程序）提供个体化的PD风险。早期诊断将有助于及时采取干预措施以管理症状，并为参与者进行早期临床试验的风险分层。方法：将招募60名有PD风险的人（经多导睡眠图确诊的快速眼动睡眠行为障碍；或神经源性直立性低血压；或嗅觉测试客观嗅觉减退）。参与者将完成研究评估，以使用当前研究临床标准和人工智能模型提供PD风险估计。

研究评估将包括：* 现场访视（基线和6个月），以完成经过验证的问卷和神经系统检查（包括认知和运动评估）。* 脑多巴胺（DAT）扫描（仅基线）。* 用于PD多基因风险评分的血液检测（仅基线）和血浆尿酸检测（仅男性，在基线和6个月时）。* 智能手表和手机应用程序：与参与者智能手机相连的智能手表将通过研究手机应用程序提供数字生物标志物和通过问卷获得的额外临床信息。基于人工智能的模型（AI-PROGNOSIS模型）将把这些数字数据与人口统计学、临床和遗传信息相结合，以提供个体化的PD风险评估。将提供来自当前研究诊断标准和人工智能模型的风险估计的准确性指标，以异常多巴胺DAT扫描的存在作为PD诊断的地面真实标准。

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。