OLIVES

眼睛的临床诊断是通过多种数据方式进行的，包括标量临床标签，矢量化生物标志物，二维眼底图像和三维光学相干断层扫描 (OCT) 扫描。虽然临床标签，眼底图像和OCT扫描是仪器测量，但矢量化的生物标志物是其他测量的解释属性。临床医生使用所有这些数据模式来诊断和治疗眼部疾病，如糖尿病视网膜病变 (DR) 或糖尿病性黄斑水肿 (DME)。要在眼科医学领域中使用机器学习算法，就需要研究这些相关数据模式之间的关系和相互作用。现有数据集的局限性在于 :( $ i $) 他们将问题视为疾病预测而不评估生物标志物，并且 ($ ii $) 他们不考虑治疗期间所有四种数据模式之间的明确关系。在本文中，我们介绍了用于研究视觉眼语义 (OLIVES) 数据集的眼科标签，该标签解决了上述限制。这是第一个OCT和眼底数据集，其中包括临床标签，生物标志物标签和来自相关临床试验的时间序列患者治疗信息。该数据集由眼底图像组成，每个眼底图像均带有OCT扫描和生物标志物，以及临床标签和DR或DME的疾病诊断。总的来说，每只眼睛的平均数据在至少两年的时间内平均治疗了几周和注射。OLIVES数据集在机器学习研究的其他领域 (包括自我监督学习) 中具有优势，因为它提供了基于医学的替代增强方案。