有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
ADNI (Alzheimer's Disease Neuroimaging Initiative)|阿尔茨海默病数据集|神经影像学数据集
收藏adni.loni.usc.edu2024-10-30 收录
下载链接：
http://adni.loni.usc.edu/
下载链接
链接失效反馈资源简介：
ADNI数据集包含多种类型的数据，包括MRI、PET、认知测试、遗传数据和临床评估等，旨在研究阿尔茨海默病的早期诊断和进展。
提供机构：
adni.loni.usc.edu
AI搜集汇总
数据集介绍
构建方式
ADNI数据集的构建基于对阿尔茨海默病（Alzheimer's Disease, AD）及其前驱症状的长期神经影像学研究。该数据集汇集了来自多个研究中心的多模态数据，包括结构磁共振成像（MRI）、功能磁共振成像（fMRI）、正电子发射断层扫描（PET）以及生物标志物数据。研究参与者被分为健康对照组、轻度认知障碍（MCI）患者和AD患者，通过定期随访和数据采集，构建了一个纵向的、多维度的数据集，旨在揭示AD的病理机制和早期诊断标志。
使用方法
ADNI数据集的使用方法广泛，涵盖了从基础研究到临床应用的多个领域。研究人员可以通过访问ADNI官方网站获取数据，并根据研究需求选择合适的模态和时间点进行分析。常见的应用包括开发和验证AD的生物标志物、构建疾病预测模型以及探索治疗干预的效果。数据集还支持跨学科合作，促进神经科学、影像学和生物信息学等多领域的融合研究。使用时需遵循数据共享协议，确保数据的合理使用和隐私保护。
背景与挑战
背景概述
ADNI（Alzheimer's Disease Neuroimaging Initiative）数据集是由美国国立卫生研究院（NIH）资助，于2004年启动的一项大型多中心研究项目。该项目旨在通过整合神经影像学、遗传学和临床数据，深入研究阿尔茨海默病（AD）的早期诊断和进展机制。主要研究人员包括Michael W. Weiner博士和Ronald C. Petersen博士等，他们来自加州大学旧金山分校和梅奥诊所等知名机构。ADNI数据集的核心研究问题是如何利用多模态数据提高AD的早期检测和预测准确性，其成果对神经科学和临床医学领域产生了深远影响，推动了AD诊断和治疗技术的进步。
当前挑战
ADNI数据集在构建和应用过程中面临多项挑战。首先，数据的多模态特性要求研究者具备跨学科的知识和技能，以有效整合和分析来自不同来源的数据。其次，数据的异质性和不一致性增加了数据预处理的复杂性，尤其是在图像数据的校准和标准化方面。此外，ADNI数据集的长期追踪特性带来了数据管理和存储的挑战，确保数据的安全性和可访问性至关重要。最后，尽管ADNI数据集在AD研究中具有重要地位，但其样本量和多样性仍需进一步扩展，以提高模型的泛化能力和临床应用的广泛性。
发展历史
创建时间与更新
ADNI数据集创建于2004年，旨在通过多模态神经影像学数据研究阿尔茨海默病的早期诊断和进展。自创建以来，ADNI经历了多次更新，最近一次主要更新发生在2019年，引入了更多样本和先进的数据分析技术。
重要里程碑
ADNI的重要里程碑包括2009年发布的ADNI-1，这是首个大规模的多模态神经影像学数据集，为阿尔茨海默病的研究提供了宝贵的资源。2012年，ADNI-GO和ADNI-2的发布进一步扩展了数据集的规模和多样性，涵盖了从健康老年人到轻度认知障碍患者的广泛群体。2016年，ADNI-3的推出标志着数据集在技术上的重大进步，包括更高分辨率的影像数据和更复杂的分析方法。
当前发展情况
当前，ADNI数据集已成为全球阿尔茨海默病研究的重要基石，为科学家提供了丰富的多模态数据，包括MRI、PET和生物标志物等。这些数据不仅推动了阿尔茨海默病的早期诊断和治疗研究，还促进了跨学科的合作，如神经科学、生物统计学和计算机科学的融合。ADNI的持续更新和扩展确保了其在阿尔茨海默病研究领域的领先地位，并为未来的精准医学提供了坚实的基础。
发展历程
- ADNI项目正式启动，旨在通过多模态神经影像学、生物标志物和临床评估来研究阿尔茨海默病的早期诊断和监测。
- ADNI发布了其首个数据集，包含来自200名参与者的MRI和PET影像数据，以及相关的临床和生物标志物数据。
- ADNI扩展了其研究范围，增加了更多的参与者，并开始收集更多的生物标志物数据，如脑脊液和血液样本。
- ADNI发布了第二阶段的数据集，增加了更多的影像学和生物标志物数据，并开始探索早期阿尔茨海默病的生物学特征。
- ADNI-2阶段启动，进一步扩大了研究规模，增加了更多的参与者，并引入了新的影像学技术，如FDG-PET和AV-45 PET。
- ADNI-3阶段启动，继续扩展研究范围，增加了更多的生物标志物和影像学数据，并开始探索阿尔茨海默病的预防策略。
- ADNI发布了其最新的数据集，包含了来自多个阶段的整合数据，为阿尔茨海默病的早期诊断和治疗提供了丰富的资源。
常用场景
经典使用场景
在神经科学领域，ADNI数据集被广泛用于阿尔茨海默病（AD）的早期诊断和进展预测。通过收集和分析多模态的神经影像数据，如MRI和PET图像，研究者能够识别出AD患者与健康对照组之间的细微差异。这些数据为开发和验证新的诊断工具和算法提供了宝贵的资源，特别是在识别轻度认知障碍（MCI）向AD转化的早期阶段。
解决学术问题
ADNI数据集在解决阿尔茨海默病研究中的多个关键问题上发挥了重要作用。首先，它帮助科学家们理解了AD的病理生理学机制，特别是在神经退行性变和脑萎缩的早期阶段。其次，通过提供大规模的纵向数据，ADNI促进了预测模型的发展，这些模型能够提前数年识别出AD的风险。此外，该数据集还推动了多模态数据融合技术的研究，以提高诊断的准确性和可靠性。
实际应用
ADNI数据集的实际应用场景涵盖了临床诊断、药物开发和公共卫生策略制定等多个方面。在临床实践中，基于ADNI数据开发的诊断工具和算法已经被用于辅助医生进行早期AD的筛查和诊断。在药物研发领域，ADNI的数据为新药的临床试验提供了重要的基线数据和评估标准。此外，公共卫生部门利用ADNI的研究成果来制定预防和干预策略，以应对全球范围内日益增长的AD负担。
数据集最近研究
最新研究方向
在神经影像学领域，ADNI数据集的最新研究方向主要集中在通过多模态数据融合来提高阿尔茨海默病（AD）的早期诊断准确性。研究者们利用ADNI提供的丰富数据，包括MRI、PET和生物标志物等，探索如何更有效地整合这些信息以识别AD的早期生物标志物。此外，随着深度学习技术的快速发展，基于ADNI数据集的神经网络模型被广泛应用于AD的分类和预测任务，显著提升了诊断的精确度和敏感性。这些研究不仅推动了AD早期诊断技术的发展，也为个性化治疗策略的制定提供了科学依据。
相关研究论文
- 1The Alzheimer's Disease Neuroimaging Initiative (ADNI): MRI MethodsUniversity of California, San Diego · 2006年
- 2Alzheimer's Disease Neuroimaging Initiative (ADNI): A Review of the First Ten YearsUniversity of Southern California · 2017年
- 3The Alzheimer's Disease Neuroimaging Initiative: A Review of the First Ten YearsUniversity of Southern California · 2017年
- 4The Alzheimer's Disease Neuroimaging Initiative: A Review of the First Ten YearsUniversity of Southern California · 2017年
- 5The Alzheimer's Disease Neuroimaging Initiative: A Review of the First Ten YearsUniversity of Southern California · 2017年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域地面气象要素驱动数据集 v2.0（1951-2024）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 74 年（1951~2024 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 74 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。
国家青藏高原科学数据中心 收录
MeSH
MeSH（医学主题词表）是一个用于索引和检索生物医学文献的标准化词汇表。它包含了大量的医学术语和概念，用于描述医学文献中的主题和内容。MeSH数据集包括主题词、副主题词、树状结构、历史记录等信息，广泛应用于医学文献的分类和检索。
www.nlm.nih.gov 收录
lmarena-ai/arena-hard-auto-v0.1
--- license: apache-2.0 dataset_info: features: - name: question_id dtype: string - name: category dtype: string - name: cluster dtype: string - name: turns list: - name: content dtype: string splits: - name: train num_bytes: 251691 num_examples: 500 download_size: 154022 dataset_size: 251691 configs: - config_name: default data_files: - split: train path: data/train-* --- ## Arena-Hard-Auto **Arena-Hard-Auto-v0.1** ([See Paper](https://arxiv.org/abs/2406.11939)) is an automatic evaluation tool for instruction-tuned LLMs. It contains 500 challenging user queries sourced from Chatbot Arena. We prompt GPT-4-Turbo as judge to compare the models' responses against a baseline model (default: GPT-4-0314). Notably, Arena-Hard-Auto has the highest *correlation* and *separability* to Chatbot Arena among popular open-ended LLM benchmarks ([See Paper](https://arxiv.org/abs/2406.11939)). If you are curious to see how well your model might perform on Chatbot Arena, we recommend trying Arena-Hard-Auto. Please checkout our GitHub repo on how to evaluate models using Arena-Hard-Auto and more information about the benchmark. If you find this dataset useful, feel free to cite us! ``` @article{li2024crowdsourced, title={From Crowdsourced Data to High-Quality Benchmarks: Arena-Hard and BenchBuilder Pipeline}, author={Li, Tianle and Chiang, Wei-Lin and Frick, Evan and Dunlap, Lisa and Wu, Tianhao and Zhu, Banghua and Gonzalez, Joseph E and Stoica, Ion}, journal={arXiv preprint arXiv:2406.11939}, year={2024} } ```
hugging_face 收录
danaroth/icvl
ICVL是一个高光谱图像数据集，由Specim PS Kappa DX4高光谱相机和旋转平台进行空间扫描采集。数据集目前包含200张图像，并且会逐步增加。图像的空间分辨率为1392×1300，覆盖519个光谱波段（400-1000nm，间隔约1.25nm）。数据集提供了ENVI格式的原始数据和MAT格式的下采样数据（31个光谱通道，400-700nm，间隔10nm）。原始数据集仅包含干净的图像，用于高光谱图像去噪的测试数据来自另一篇论文。
hugging_face 收录
Global Burden of Disease (GBD)
全球疾病负担数据库（Global Burden of Disease，GBD）是一个全球性的健康数据平台，旨在提供详尽的健康数据资源，涵盖调查、人口普查、生命统计等多方面信息，为全球健康研究提供重要支持。该数据库可通过其官方网站访问，为非商业用户免费提供数据下载、共享、修改及二次开发等服务，但需遵循 IHME 免费非商业用户协议，商业用途需咨询 IHME 条款和条件。GBD 2021 数据及所有 IHME 数据均在此平台提供，是健康数据研究者的重要资源。
ghdx.healthdata.org 收录