CT Air-trapping 用于早期识别嗜酸性哮喘患者中 Benralizumab 应答者
该数据集来自 clinicaltrials.gov,聚焦嗜酸性哮喘患者,旨在通过胸部定量 CT(QTCT)中的 air-trapping 等影像变量,早期识别对 Benralizumab 治疗产生应答的患者

基本信息
资源简介
CT Air-trapping 用于早期识别嗜酸性哮喘患者中 Benralizumab 应答者
该数据集来自 clinicaltrials.gov,聚焦嗜酸性哮喘患者,旨在通过胸部定量 CT(QTCT)中的 air-trapping 等影像变量,早期识别对 Benralizumab 治疗产生应答的患者。数据覆盖临床改善分类(如无应答者与强应答者)、合并用药、症状学、生活质量问卷、急性发作率及其他不良事件、肺功能参数、差异血细胞计数、血清 CCSP 水平、其他 QTCT 变量及鼻窦黏膜厚度等。可用于探索基线或早期影像变量对治疗应答的预测价值,包括敏感度/特异度估计及预后变量研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:哮喘。次要、探索性目标包括: 描述临床改善分类亚组(例如无应答者与强应答者)在以下方面的特征:目标合并用药使用、症状学、生活质量(问卷)、急性发作率(及其他不良事件)和肺功能参数、差异血细胞计数、血清 club cell secretory protein(CCSP)水平、其他定量胸部计算机断层扫描(QTCT)变量、鼻窦黏膜厚度。 进行探索性、预后价值研究(包括但不限于源自 24 周内发生变化的预后变量,以及基线和 24 周时的聚类或因子挖掘)。这些探索性研究将包括(但不一定限于)估计基线/早期影像变量(或其组合)的敏感度/特异度,以预测
【主题与分类】
主题标签:Asthma。本站分类:呼吸系统疾病/哮喘。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03976310
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
源站:https://clinicaltrials.gov/study/NCT03976310
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 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。
- OpenDataLab:
数据说明
疾病:哮喘。次要、探索性目标包括:* 描述临床改善类别亚组(例如无应答者与强应答者)在以下方面的特征:目标伴随用药使用情况、症状学、生活质量(问卷)、急性发作率(及其他不良事件)和肺功能参数、白细胞分类计数、血清克拉拉细胞分泌蛋白(CCSP)水平、其他定量胸部计算机断层扫描(QTCT)变量、窦黏膜厚度。* 进行探索性、预后价值研究(包括但不限于源自24周内发生变化的预后变量,以及基线和24周时的聚类或因子挖掘)。这些探索性研究将包括(但不一定限于)估计基线/早期影像变量(或其组合)预测临床应答变量的敏感性/特异性。* 描述预后类别(例如
预测的非应答者与预测的应答者)在以下方面是否存在差异:临床改善、目标合并用药使用情况、症状学、生活质量(问卷)、急性加重率(及其他不良事件)和肺功能参数、差异血细胞计数、血清CCSP水平、其他QTCT变量、窦黏膜厚度。* 建立与本研究相关的集中化图像库。* 验证在SCANN’AIR研究(NCT03102749)中发现的平均肺密度(上肺与下肺、吸气相与呼气相)、-850 HU分割的分形维数与临床变量之间关系的可重复性。* 探索支气管同伦曲线(连续两次支气管测量的同伦性作为支气管分级的函数)与疾病严重程度/进展之间的关联。* 在整个研究过程中监测患者安全。
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。




