dreamxjei/aptos-mini

这是一个用于糖尿病视网膜病变（DR）诊断的数据集，包含图像和对应的诊断标签。图像特征为图像类型，诊断标签分为5个类别：0表示无DR，1表示轻度，2表示中度，3表示重度，4表示增殖性DR。每个示例还有一个唯一的id_code作为标识符。数据集分为训练集和验证集，训练集包含1326个示例，验证集包含332个示例，总大小约为99.25 MB。This is a dataset for diabetic retinopathy (DR) diagnosis, containing images and corresponding diagnostic labels. The image feature is of image type, and the diagnosis labels are categorized into 5 classes: 0 for No DR, 1 for Mild, 2 for Moderate, 3 for Severe, and 4 for Proliferative DR. Each example also includes a unique id_code as an identifier. The dataset is split into training and validation sets, with the training set containing 1326 examples and the validation set containing 332 examples, totaling approximately 99.25 MB in size.

搜集汇总

数据集介绍

构建方式

aptos-mini数据集源自APTOS 2019眼底图像分析竞赛，旨在为糖尿病视网膜病变（DR）的智能诊断提供基准数据。该数据集精心筛选了900张眼底图像，其中训练集包含720张，验证集180张，确保样本均衡性与代表性。每张图像均被标注为五个严重等级：无DR、轻度、中度、重度和增殖性DR，由专业眼科医师基于国际分级标准进行标注。图像以原始格式存储，并辅以唯一标识码，便于追溯与复现研究。

特点

aptos-mini数据集的显著特点在于其精简而高质的设计。作为完整APTOS数据集的一个子集，它在保持疾病分级覆盖完整性的同时，大幅降低了数据量，使研究者能够快速开展实验验证。五级分类标签细粒度明确，支持从二分类到多分类的多样化任务需求。验证集与训练集的比例设定为1:4，既保证了模型训练的数据量，又提供了可靠的评估基础，尤其适合用于迁移学习或小样本学习的初步探索。

使用方法

使用aptos-mini数据集时，可通过HuggingFace Datasets库便捷加载。下载完成后，数据以标准的图像-标签对形式组织，用户可直接调用train和validation两个子集进行模型训练与评估。图像数据需根据模型要求进行预处理，如统一尺寸、归一化等。标签为整数编码的类别变量，支持直接用于分类损失函数计算。建议将图像增强技术（如随机旋转、翻转）应用于训练集以提升泛化能力，并利用验证集监控过拟合。

背景与挑战

背景概述

糖尿病视网膜病变（Diabetic Retinopathy, DR）是全球范围内导致视力丧失的主要原因之一，其早期筛查与诊断对于延缓疾病进展、降低致盲风险至关重要。aptos-mini数据集源自亚洲糖尿病视网膜病变筛查（APTOS）2019年竞赛，由一群致力于眼科人工智能的研究人员与医疗机构共同创建，旨在推动基于深度学习的DR自动分级技术的研究。该数据集包含900张经过专业标注的眼底图像，按照国际公认的DR严重程度分为五级：无DR、轻度、中度、重度和增殖性DR。作为APTOS完整数据集的精简版本，aptos-mini在保留核心诊断信息的同时，兼顾了计算资源有限的研发场景，为计算机视觉与医学影像分析领域提供了宝贵的基准资源。其发布促进了DR筛查模型在真实世界中的可解释性与公平性研究，尤其在资源匮乏地区展现了巨大应用潜力。

当前挑战

aptos-mini数据集所解决的领域核心挑战在于，糖尿病视网膜病变的早期症状细微，人工分级耗时长且高度依赖经验丰富的眼科医生，深度学习模型虽可提升效率，却常受限于样本不均衡与跨域泛化能力不足。该数据集构建过程中的挑战主要体现在：高质量的眼底图像获取极为困难，需在确保隐私合规的前提下从不同医疗机构收集，且专业标注成本高昂；图像质量参差不齐，包括光照差异、模糊和伪影等，增加了模型训练中的鲁棒性要求；此外，公开数据量相对有限（仅900张图像），如何在小样本场景下避免过拟合、提升诊断准确率亦是关键难题。

常用场景

经典使用场景

在眼科医学影像分析领域，眼底彩照是筛查与诊断糖尿病视网膜病变不可或缺的工具。aptos-mini数据集作为APTOS 2019竞赛数据的精简版本，包含了720张训练图像与180张验证图像，每张图像均被标注为无DR、轻度、中度、重度或增殖性DR等五个类别。这一数据集最经典的使用场景在于构建与验证基于深度学习的DR分级模型，尤其是面向资源受限环境下的快速筛查，为后续自动化诊断系统提供稳定的基准测试平台。

衍生相关工作

aptos-mini及其完整版数据集催生了一系列经典学术工作，包括EfficientNet-B5、ResNeXt等主干网络在DR分级任务上的对比研究，以及利用注意力机制或多尺度特征融合增强病变区域定位的方法。更值得关注的是，基于这些数据的工作还延伸至半监督学习与跨数据集泛化能力分析，如利用伪标签技术进行自训练和借助域对齐策略来弥合不同拍摄设备间的分布偏移，极大地推动了医学图像分析领域的发展。

数据集最近研究

最新研究方向

在糖尿病视网膜病变（DR）的自动化筛查领域，aptos-mini数据集作为APtOS 2019竞赛的轻量化版本，正被广泛用于深度学习模型的快速原型验证与迁移学习研究。随着全球糖尿病患者数量攀升，眼底图像智能分级成为缓解医疗资源不均的关键技术。该数据集以五级分类标准（从无DR到增殖性DR）覆盖了病变全谱系，特别聚焦于模型在有限标注样本下的泛化能力，近期研究常结合对抗训练、自监督学习或跨域适应策略来提升对早期病变（如Mild等级）的辨识敏感度。其小样本特性也推动了联邦学习与模型压缩技术在移动端部署场景的探索，为构建高效、低延迟的实时远程诊断系统奠定了数据基础。