时空因果机器学习框架量化社区层面PM2.5对哮喘的影响

数据集获取

源站：https://doi.org/10.5281/zenodo.19710649

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。

数据集大小约 13.5 MB。

数据说明

该代码库包含运行 Run_Main_Raw.py 所需的已清理项目文件，以及工作流程所使用的相关公共输入数据集。论文描述：一种用于量化社区层面 PM2.5 对哮喘影响的时空因果机器学习框架。Jing Li¹，Xuantong Wang²，Hong Wei Chu³。美国科罗拉多州丹佛市丹佛大学地理与环境系；jing.li145@du.edu。美国德克萨斯州拉伯克市德克萨斯理工大学地球科学系；xuanwang@ttu.edu。美国科罗拉多州丹佛市 National Jewish Health；chuhw@njhealth.org。通讯作者：Jing Li（jing.li145@du.edu）。关键要点：开发了一种时空跨图 CEVAE 模型，用于估计 PM2.5 降低条件下的反事实哮喘结果。识别出 PM2.5 对哮喘的异质性因果效应，这些效应超出了传统基于回归的分析。生成了因果地图，揭示 PM2.5 降低可在哪些地区带来最大健康收益，有助于指导公平的空气质量政策。

项目描述 本项目开发了一个时空因果机器学习框架，用于量化细颗粒物（PM2.5）在县级层面对哮喘结局的影响。利用科罗拉多州（2011–2019年）的月度住院和急诊科数据，该模型整合了空间和时间动态，以捕捉污染暴露在不同地区及随时间变化的差异。与侧重于相关性的传统统计方法不同，该框架应用因果推断来估计反事实情景，例如在PM2.5水平降低的情况下哮喘住院情况将如何变化。结果揭示了显著的空间异质性，其中最大的健康收益出现在面临环境和社会压力因素叠加的社区。通过识别污染减排将产生最大影响的地区，这项工作提供了一种可扩展、数据驱动的工具，为有针对性和公平的空气质量与公共卫生干预提供依据。

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。