IPF与COPD的深度学习诊断与风险分层

数据集获取

源站：https://clinicaltrials.gov/study/NCT05318599

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：肺；间质性肺病伴纤维化；慢性阻塞性肺疾病；人工智能。目的：开发并确定人工智能（深度学习）算法在识别成人人群中IPF、NSIP和COPD的声学及肺部超声特征方面的预测能力，并将其与年龄匹配、从不吸烟、肺功能正常的对照受试者区分开来。方法：一项单中心、前瞻性、基于人群的病例对照研究，将在IPF、NSIP和COPD受试者中开展。自2022年8月起，将在一家每年约7000例专科门诊量的瑞士呼吸科门诊招募共计120例年龄≥18岁、符合IPF、NSIP或COPD国际标准的连续患者，以及40例年龄匹配的对照者。入组时，将收集人口学和临床数据。此外，将使用数字听诊器记录肺部听诊，并进行肺部超声检查。

一种深度学习算法（DeepBreath），采用多种深度学习网络并结合聚合策略，将在这些音频记录和肺部图像上进行训练，以实现对诊断类别（即阳性与阴性）和风险分层类别（轻度至重度）的自动化预测。次要结局将是测量所分析的肺音与IPF、NSIP和COPD诊断的临床、功能和影像学特征之间的关联。患者的生活质量将使用标准化的专用King’s Brief间质性肺病问卷（K-BILD）和COPD评估测试（CAT）问卷进行测量。预期结果：本研究旨在探索多种即时检验在ILD和COPD的检测与鉴别诊断中的协同价值，并评估严重程度，以更好地指导成人的照护管理。

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。