基于机器学习的ABPA复发预测与临床效用

数据集获取

源站：https://clinicaltrials.gov/study/NCT07714863

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：ABPA、变应性支气管肺曲霉病、变应性支气管肺曲霉病（ABPA）、急性加重、机器学习。本多中心双向队列研究旨在开发并外部验证一种机器学习模型，用于预测变应性支气管肺曲霉病（ABPA）稳定期患者1年内急性加重的风险，并进一步评估该模型在风险分层和临床决策中的实用价值。所有根据ISHAM 2024标准诊断为ABPA的患者，将根据其1年内是否发生急性加重，被分配至急性加重组或非加重组。入组参与者将被随机分为训练集和内部验证集。在特征选择阶段，综合应用单因素分析、共线性诊断、九种机器学习算法得出的特征重要性排序以及专家共识，最终开发出12个独立的机器学习模型。

采用受试者工作特征（ROC）曲线及其曲线下面积（AUC）、灵敏度、特异度、F1分数、校准曲线和决策曲线分析来评估模型性能。此外，外部验证进一步增强了模型的可信度。为了提高临床可解释性，采用SHAP方法量化每个特征的贡献，并构建交互式列线图以促进临床应用。所有参与者将被随访12个月，在此期间将定期进行临床和实验室评估。

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。