人工智能理解脑震荡：脑震荡患者平衡与前庭诊断数据的回顾性聚类分析

Name: 人工智能理解脑震荡：脑震荡患者平衡与前庭诊断数据的回顾性聚类分析
Creator: 千方医数集科研发现管道
License: CC BY 4.0

该数据集来自 Swiss Concussion Center 的平衡与前庭诊断数据库，包含 96 名疑似运动相关脑震荡或脑震荡后综合征患者的客观诊断数据，男性占 81.3%，年龄中位数（IQR）为 25.0[10.8]，诊断测试与脑震荡事件间隔 52[140] 天

google_dataset

2023-05-30 更新

文本分类SOT-2balance problemsRetrospective cluster analysisMethods Diagnostic dataDVAconcussion patients ObjectivesvsSwiss Concussion CenterIQRPCASOM

Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients

基本信息

模态

文本

大小

0.00667683 GB

任务类型

分类

许可

CC BY 4.0

创建/更新时间

2023-05-30

版本

资源简介

人工智能理解脑震荡：脑震荡患者平衡与前庭诊断数据的回顾性聚类分析

Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients

该数据集来自 Swiss Concussion Center 的平衡与前庭诊断数据库，包含 96 名疑似运动相关脑震荡或脑震荡后综合征患者的客观诊断数据，男性占 81.3%，年龄中位数（IQR）为 25.0[10.8]，诊断测试与脑震荡事件间隔 52[140] 天。研究采用自下而上的机器学习方法，以 Calinski-Harabasz 准则估计聚类数，并使用自组织映射（SOM）与 k-means 进行聚类比较，旨在不依赖既有诊断的情况下揭示患者表型差异。数据可用于无监督聚类、表型分型及脑震荡客观诊断指标研究（来源 figshare，CC BY 4.0 许可）。

【数据集背景】

配套论文《Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients》发表于 PLOS ONE（2019），DOI：10.1371/journal.pone.0214525。源站首次发布：2019-04-02。

【数据内容】

源站描述（机器翻译，仅供参考）：目标我们提出一种自下而上的机器学习方法，用于脑震荡患者的客观前庭与平衡诊断数据，以深入了解患者表型差异，且独立于现有诊断（无监督学习）。方法从 Swiss Concussion Center 数据库中提取一组经过验证的平衡与前庭评估的诊断数据。使用 Calinski-Harabasz 准则估计患者数据库内所需的聚类数。使用复杂（自组织映射，SOM）和标准（k-means）聚类工具，并对形成的聚类进行比较。结果共纳入 96 名预期患有运动相关脑震荡或脑震荡后综合征的患者（81.3% 为男性，年龄（中位数 [IQR]）：25.0[10.8]；诊断测试与脑震荡事件之间相隔 52[140] 天）。Th

【数据结构与技术规格】

文件数 4 个，合计 6.68 MB。数据集 DOI：10.1371/journal.pone.0214525。

【主题与分类】

源站学科分类：Medicine、Cell Biology、Biotechnology、Science Policy。主题标签：SOT、-2、balance problems、Retrospective cluster analysis、Methods Diagnostic data、DVA、concussion patients Objectives、vs、Swiss Concussion Center、IQR。本站分类：损伤、中毒及外因。

【适用方向】

源站学科分类标注为 Medicine、Cell Biology、Biotechnology、Science Policy。

【获取与许可】

源站页面：https://plos.figshare.com/articles/dataset/Artificial_intelligence_for_understanding_concussion_Retrospective_cluster_analysis_on_the_balance_and_vestibular_diagnostic_data_of_concussion_patients/7939997

使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。

规范引用：Visscher, Rosa M. S.; Feddermann-Demont, Nina; Romano, Fausto; Straumann, Dominik; Bertolini, Giovanni (2019). Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients. PLOS ONE. Dataset

【使用注意】

· 源站最后修改于 2023-05-30，引用时请注意版本时效。

原始链接

https://plos.figshare.com/articles/dataset/Artificial_intelligence_for_understanding_concussion_Retrospective_cluster_analysis_on_the_balance_and_vestibular_diagnostic_data_of_concussion_patients/7939997

访问原始数据

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付，我们提供全链路闭环服务，让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持？联系我们获取定制方案。

帮我联系

下载信息

注册下载

需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。

暂未开放

公开下载

无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。

免登录

有偿下载

公开数据集受托下载与技术交付服务。

提供高速下载与技术交付服务（收技术服务费，非数据销售）

暂未开放

当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。

使用方式

数据集获取（Figshare）

源站标题：Artificial intelligence for understanding concussion: Retrospective cluster analysis on the balance and vestibular diagnostic data of concussion patients
DOI：10.1371/journal.pone.0214525
发布日期：2019-04-02
文件数：4 个
文件总体积：6.68 MB
源站页面：https://plos.figshare.com/articles/dataset/Artificial_intelligence_for_understanding_concussion_Retrospective_cluster_analysis_on_the_balance_and_vestibular_diagnostic_data_of_concussion_patients/7939997

命令行下载

curl -L -o "pone.0214525.s001.docx" "https://ndownloader.figshare.com/files/14775641"
curl -L -o "pone.0214525.s002.docx" "https://ndownloader.figshare.com/files/14775647"
curl -L -o "pone.0214525.s003.tif" "https://ndownloader.figshare.com/files/14775650"
curl -L -o "pone.0214525.s004.tif" "https://ndownloader.figshare.com/files/14775653"

文件清单

pone.0214525.s001.docx（23.34 KB）
pone.0214525.s002.docx（25.62 KB）
pone.0214525.s003.tif（453.54 KB）
pone.0214525.s004.tif（6.17 MB）

文件总体积 6.68 MB（源站 API 实测）。

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。

数据说明

目的
我们提出一种自下而上的机器学习方法，用于脑震荡患者的客观前庭与平衡诊断数据，以深入揭示患者表型之间的差异，而不依赖于现有诊断（无监督学习）。方法
从瑞士脑震荡中心的数据库中提取了一组经过验证的平衡与前庭评估的诊断数据。使用Calinski-Harabasz准则估计患者数据库中所需的聚类数量。使用了复杂（自组织映射，SOM）和标准（k均值）聚类工具，并对形成的聚类进行了比较。结果
共纳入96名患者（81.3%为男性，年龄（中位数[IQR]）：25.0[10.8]），这些患者被预期患有运动相关脑震荡或脑震荡后综合征（诊断测试与脑震荡事件之间相隔52[140]天）。聚类评估表明应将数据分为两组。只有SOM给出了稳定的聚类结果，将患者分为第1组（n = 38）和第2组（n = 58）。

在慢相最大速度的热量总结评分上发现了显著的大差异，其中第1组比第2组低30.7%（27.6[18.2] vs. 51.0[31.0]）。第1组在感觉组织测试综合评分上也显著较低（69.0[22.3] vs. 79.0[10.5]），而在视力（-0.03[0.33] vs. -0.14[0.12]）和动态视力（0.38[0.84] vs. 0.20[0.20]）测试中得分较高。热量测试、SOT和DVA的重要性得到了PCA结果的支持。第1组报告头痛、视力模糊和平衡问题的频率倾向于高于第2组（差异>10%）。结论
SOM将数据分为一组具有明显前庭障碍和另一组无明显前庭或平衡问题的组，表明人工智能可能有助于改进诊断过程。