DystoniaNet深度学习平台诊断孤立性肌张力障碍的临床验证

数据集获取

源站：https://clinicaltrials.gov/study/NCT05317390

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：肌张力障碍、药物诱发性肌张力障碍、帕金森病、特发性震颤、运动障碍、肌阵挛、抽动障碍、斜颈。孤立性肌张力障碍是一种病理生理机制不明的运动障碍，可引起不自主的肌肉收缩，导致异常的、通常呈模式化的扭转运动和姿势。肌张力障碍临床管理中的一项重大挑战在于缺乏生物标志物及相关的“金标准”诊断检测。目前，肌张力障碍的诊断依赖于对其症状的临床评估，这导致临床医生之间的一致性较低，且诊断不准确率较高。据估计，仅5%的患者在症状出现时获得准确诊断，平均诊断延迟长达10.1年。本研究将开展回顾性和前瞻性研究，以临床验证DystoniaNet的性能，这是一个基于生物标志物的深度学习平台，用于诊断孤立性肌张力障碍。

回顾性研究将在临床上验证DystoniaNet算法在患者与健康受试者之间（规范性测试）以及肌张力障碍患者与其他神经性和非神经性疾病患者之间（鉴别性测试）的诊断性能。前瞻性随机研究将验证DystoniaNet算法在实际临床环境中对肌张力障碍进行准确、客观和快速诊断的性能。这项研究有望推动DystoniaNet算法用于肌张力障碍诊断进入临床使用，以提高肌张力障碍诊断的准确性。肌张力障碍的早期发现和诊断将使其能够早期治疗并改善预后，对医疗保健和患者的生活质量产生总体积极影响。

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。