Fitzpatrick Jeremy 皮肤致敏数据集

数据集获取

源站：https://doi.org/10.23719/1427471

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

据估计，过敏性接触性皮炎（ACD）约占所有职业病的10-15%。历史上，用于表征物质皮肤致敏潜力的预测性测试主要基于动物模型，如局部淋巴结试验（LLNA）和豚鼠最大值试验（GPMT）。近年来，欧盟法规为开发非动物替代方法提供了强有力的激励。在开发和评估非动物测试方法方面已取得重大进展。人们致力于开发和评估用于皮肤致敏的计算机模拟模型的效用，包括局部和全局（定量）构效关系（(Q)SAR）以及专家系统。在本研究中，我们选择了三种不同类型的专家系统：VEGA（基于统计）、Derek Nexus（基于知识）、TIMES-SS（混合型），并使用两个大型物质数据集评估了它们的性能，这些物质已在动物模型中评估了其皮肤致敏潜力。

我们认为，如果一个模型在预测皮肤致敏潜力方面至少能达到LLNA和GPMT相互预测结果时的平衡准确率，即根据数据集不同介于79%至86%之间，则该模型可视为成功。我们发现，所评估的专家系统在全球预测中均未能达到如此高的平衡准确率，其平衡准确率介于56%至65%之间。然而，对于TIMES-SS适用领域内的物质，两个数据集的平衡准确率分别为79%和82%，与动物数据相符。所评估的专家系统可根据本研究收集的额外数据进行扩展。错误的预测为如何改进这些专家系统中现有的警报提供了新的见解。这些数据集也为开发新模型提供了令人兴奋的机会。

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。