临床影像申请与指征一致性风险数据集

数据集获取与加载（Hugging Face datasets）

# 前置依赖: pip install datasets
from datasets import load_dataset

ds = load_dataset("ClarusC64/clinical-imaging-request-indication-coherence-risk-v0.1")
print(ds)  # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"

git lfs install && git clone https://hf-mirror.com/datasets/ClarusC64/clinical-imaging-request-indication-coherence-risk-v0.1

数据集大小约 12.3 KB。

仓库文件结构

• .gitattributes
• README.md
• scorer.py

数据说明

本仓库的用途：该数据集用于测试模型能否检测影像检查申请与记录的临床指征之间的耦合失效。它衡量所申请的影像检查与明确指征之间的一致性，该指征需包含支持该申请的明确临床问题。它可预测低价值影像、放射科积压压力、偶然发现级联、以及结果未被处理时的诊疗延迟。你将其用于临床AI开单安全性评估、放射科需求管理……完整描述见数据集页面：https://huggingface.co/datasets/ClarusC64/clinical-imaging-request-indication-coherence-risk-v0.1。

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。

完整数据卡：huggingface.co/datasets/ClarusC64/clinical-imaging-request-indication-coherence-risk-v0.1