DRIAMS：抗微生物药物耐药信息与 MALDI-TOF 质谱数据库

数据集获取

源站：https://doi.org/10.5061/dryad.bzkh1899q

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 144.84 GB。

数据说明

早期给予有效的抗微生物治疗对于感染结局和预防治疗耐药至关重要。抗微生物耐药性检测有助于选择最佳抗生素治疗方案，但当前基于培养的技术最多需要72小时才能得出结果。我们开发了一种新型机器学习方法，可直接从临床样本的MALDI-TOF质谱图谱中预测抗微生物耐药性。我们在一个新建立的公开可用数据库中训练了校准分类器，该数据库包含来自临床最相关分离株的质谱图谱，并关联了抗微生物药物敏感性表型。该数据集整合了来自四家医疗机构的超过300,000份质谱图谱和超过750,000个抗微生物耐药表型。针对一组临床重要病原体（包括金黄色葡萄球菌、大肠埃希菌和肺炎克雷伯菌）的验证分别得到0.80、0.74和0.74的AUROC值，证明利用机器学习大幅加速抗微生物耐药性判定并改变临床管理的潜力。

此外，一项回顾性临床案例研究发现，采用这种方法本能在88%（8/9）的病例中带来临床治疗的有益变化。因此，基于MALDI-TOF质谱的机器学习可能成为优化治疗和抗生素管理的重要新工具。

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。