肺气肿与FLNA突变（E-FLNA）
该数据集来自clinicaltrials.gov，聚焦肺气肿与FLNA突变之间的关联。研究为前瞻性、单中心、横断面设计，纳入携带FLNA突变的患者，对其进行呼吸科临床检查、呼吸功能测试和胸部扫描，主要终点是描述FLNA突变患者中肺气肿的发生频率，次要目标包括描述肺气肿特征及肺功能异常，最终目的是确认
基本信息
资源简介
肺气肿与FLNA突变（E-FLNA）
E-FLNA（Emphysema and FLNA Mutation）是一个登记于clinicaltrials.gov、聚焦肺气肿与FLNA突变关联的研究数据集，在本站归入呼吸系统疾病/其他类别，主题标签为Emphysema。该研究为前瞻性、单中心、横断面设计，纳入携带FLNA突变的患者，对其开展呼吸科临床检查、呼吸功能测试和胸部扫描，主要终点为描述FLNA突变患者中肺气肿的发生频率，次要目标为描述这些患者肺气肿的特征及肺功能异常，最终目的是确认不明原因肺气肿与FLNA突变之间的关联。
【数据集背景】
该数据集所对应的研究基于一个尚待验证的假设：一些零散的科学数据支持，原本无法解释的肺气肿可能与FLNA突变相关。为检验这一关联，研究采用前瞻性、单中心、横断面设计，以携带FLNA突变的患者为研究对象，系统观察其肺部状况。研究的最终目标是确认不明原因肺气肿与FLNA突变之间的关联，从而为这一临床问题提供更明确的证据基础。
【数据内容】
数据集围绕携带FLNA突变患者的肺气肿评估展开。研究纳入接受研究安排的FLNA突变患者，对其采集呼吸科临床检查、呼吸功能测试和胸部扫描三方面的信息。主要终点是描述FLNA突变患者中肺气肿的发生频率；其他目标包括描述这些患者肺气肿的特征，以及描述其肺功能异常。数据的具体字段构成、变量类型与样本量，源站未提供。
【采集与来源】
数据来源于clinicaltrials.gov登记的研究。采集方式为前瞻性、单中心、横断面设计：携带FLNA突变并同意参与研究的患者接受呼吸科医生的临床检查、呼吸功能测试和胸部扫描。研究的地点、时间范围、招募规模及具体采集流程，源站未提供。
【适用场景】
该数据集适用于呼吸系统疾病领域，尤其是肺气肿与遗传因素关联方向的研究与分析。可用于了解FLNA突变携带者中肺气肿的发生频率、肺气肿的临床与影像特征以及肺功能异常表现，也可为探讨不明原因肺气肿与FLNA突变关联的后续研究提供参考。其他具体应用场景，源站未提供。
【使用方法】
源站未提供该数据集的具体使用方式、访问条件与操作说明。
【质量与限制】
该研究为单中心、横断面设计，其设计与样本范围可能影响结论的外推；数据的具体质量评估指标、缺失情况与偏倚控制措施，源站未提供。
【引用与许可】
源站未提供该数据集的引用格式与许可条款。
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/NCT05550844
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
条件：肺气肿。一些稀疏的科学数据支持这一假说，即不明原因的肺气肿可能与FLNA突变相关。这项前瞻性、单中心、横断面研究旨在描述携带FLNA突变的患者中肺气肿的发生频率。接受研究的FLNA突变患者将受益于呼吸科医生的临床检查、呼吸功能测试和胸部扫描。主要终点是描述携带FLNA突变患者中肺气肿的发生频率。其他目标是描述这些患者中肺气肿的特征，并描述其肺功能异常。最终目标是确认不明原因肺气肿与FLNA突变之间的关联。
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。
