利用人工智能优化皮肤病临床工作流程

数据集获取

源站：https://clinicaltrials.gov/study/NCT06263413

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

疾病：痤疮、寻常痤疮、雄激素性脱发、色素性病变、色素性皮肤病变。基于图像的人工智能（AI）在提高医学领域视觉诊断准确性方面展现出巨大潜力。在COVID-19大流行期间，面对面医疗服务获取受限推动了医疗护理模式的转变，加速了远程医疗的应用。在此背景下，利用AI进行分诊和决策支持对于专业人员管理工作量、提升工作效率可能至关重要。在皮肤科中，色素性病变、痤疮和脱发是三个反复出现的病理类别，在皮肤科中心需求量很大。这些患者的分诊、临床评估及其随访均需要面对面资源以及专科医生和工作人员的投入。使用AI等工具可以帮助这些专业人员减少这些流程并优化工作量。图像识别与解读以及人工智能的进步推动了包括皮肤状况在内的各种病理诊断的创新。

计算机辅助诊断（CAD）系统及其他基于算法的技术已证明，其分类病变图像的能力可与专业医生相媲美。本研究将评估由AI LABS GROUP S.L.开发的Legit.Health工具，该工具利用人工智能优化临床流程及皮肤病患者护理过程。该工具旨在自动优先处理紧急程度较高的患者，为其分配就诊类型（皮肤科或美容科），提高辅助人员的诊断能力及恶性色素性病变的检出率，并提供病情的视觉记录（照片），供外部专家后续审查。因此，本研究的主要目标是验证基于人工智能的Legit.Health工具能够提高临床流程和患者护理过程的效率，减少每位患者的护理时间和成本。

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。