人工智能在新生儿唇腭裂中的临床应用

数据集获取

源站：https://clinicaltrials.gov/study/NCT06970158

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：先天性畸形，唇腭裂。本观察性研究探讨使用自动化、人工智能（AI）驱动的设计工作流程进行被动板治疗对单侧唇腭裂婴儿术前裂隙大小的影响。唇腭裂是最常见的先天性颅面畸形之一，诸如被动板之类的早期术前干预旨在缩小裂隙大小、支持喂养并促进更好的手术结果。然而，此类干预的可及性往往受到对专业人员的需求、复杂的工作流程以及对口内印模的依赖的限制。近期的技术进步使得数字工作流程和AI能够整合到术前唇腭裂护理中。特别是，已开发出一条使用口内扫描和AI辅助建模来设计个性化被动板的流水线。这些板通过3D打印制造，不需要侵入性印模，也不需要大量实验室工作，使其在低或中等资源环境中可能更安全且更易推广。

本研究专门评估此类AI设计的被动板与不进行任何术前正畸治疗的标准护理相比的临床有效性。婴儿从印度两个中心（金奈和海得拉巴）招募，这两个中心在被动板使用方面的临床实践存在差异。由于这是一项非随机观察性研究，分组依据各中心的当地标准护理。主要目标是评估接受AI设计被动板治疗的婴儿从出生到初次手术时（通常约4月龄）腭裂宽度的减少百分比。次要目标是比较接受被动板与未接受被动板的婴儿在手术时的腭裂宽度，以了解该干预措施相对解剖学结局的洞见。所有参与婴儿将在基线时接受标准化的口内扫描（在

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。