登录后查看消息通知
遇见数据集
云上华佗数字健康(浙江自贸区)有限公司

云上华佗数字健康(浙江自贸区)有限公司

企业

云上华佗数字健康(浙江自贸区)有限公司成立于2020年,属软件和信息技术服务业,主营第三类医疗器械经营。面向医疗影像、人工智能诊断、医学影像等领域提供数据服务,开放甲状腺超声影像AI诊断分析数据(医疗影像、人工智能诊断)、腹部超声影像AI诊断分析数据(医学影像、人工智能诊断)、盆底超声影像AI诊断分析数据(医学影像分析、人工智能辅助诊断),支撑诊疗分析与医疗质控。

医疗影像人工智能诊断医学影像软件信息服务高新技术企业
成立于 2020 年浙江省564344169@qq.com

数据概览

19
数据集总量
336
总浏览量
0
关注人数
2026-09-24
最近更新
分类统计

相关机构

  • 脉
    脉得智能科技(无锡)有限公司
    拥有数据集:56个
    企业
  • 上
    上海联影医疗科技股份有限公司
    拥有数据集:32个
    企业
  • 北
    北京百度网讯科技有限公司
    拥有数据集:23个
    企业
  • 爱
    爱尔眼科医院集团股份有限公司
    拥有数据集:12个
    企业
  • 中
    中世国传(北京)科技有限公司
    拥有数据集:8个
    企业

数据集列表

颈动脉超声影像AI诊断分析数据
颈动脉超声AI诊断
心脑血管风险预测
本数据面向颈动脉超声筛查中的双侧管腔狭窄综合评估场景,基于受检者左右两侧颈动脉管腔狭窄率,形成双侧狭窄率之和、较重侧狭窄率、双侧狭窄不对称度、全血管狭窄负荷及影像狭窄分级指数,并进一步反映其相对于同年龄分组基准水平的量化偏离关系对于医疗机构、体检中心、神经科筛查平台及颈动脉超声筛查服务机构而言,可基于优先复查、常规随访、稳定观察等分级结果,对受检者进行差异化分层管理,将狭窄负荷显著偏高、较重侧狭窄程度突出或双侧不对称明显的受检者优先纳入复查、随访或进一步专科评估流程,从而提升高风险个体识别效率和筛查资源配置效率;对于医学 AI 企业和算法研究机构而言,该数据提供双侧总体负荷、较重侧程度、双侧不对称度及全血管狭窄负荷等多维量化指标,可用于分析双侧狭窄不对称特征对颈动脉风险预警的独立贡献,支持颈动脉超声 AI 诊断模型、脑血管风险预测模型和辅助分诊模型的训练、验证与迭代优化,增强模型的可解释性和临床适配性;对于科研机构而言,数据按整十岁年龄分组建立全血管狭窄负荷基准及波动幅度,可用于研究不同年龄段颈动脉狭窄程度的分布规律、正常参考区间、风险偏离特征及危险阈值变化趋势。
浙江省数据知识产权登记平台2026-09-23 更新00
心脏瓣膜反流负荷与肺动脉压力预警数据
心脏瓣膜病变评估
肺动脉高压预警
本数据聚焦于心脏超声影像 AI 诊断场景中的瓣膜病变负荷与肺动脉压异常联合评估,数据的价值在于将原始心脏超声 AI 诊断分析结果中的非结构化或半结构化描述,转化为可量化、可比较、可解释的心脏瓣膜负荷预警数据产品,为瓣膜功能异常识别、肺动脉压异常提示、复查优先级排序和专科分诊决策提供数据依据。对于数据持有企业而言,该数据能够显著提升原始心脏超声 AI 诊断数据的标准化、产品化和资产化能力,支撑医疗健康数据产品开发、数据资产评估、登记入表、授权运营及合规流通;对于医疗机构、体检中心和心血管筛查服务机构而言,可基于瓣膜负荷预警等级,对受检者进行轻度负荷、中度负荷和重度负荷分层管理,将重度负荷或肺动脉压负荷较高的受检者优先纳入心内科、瓣膜专科或进一步复查评估通道,提高心脏超声筛查后的风险识别效率和医疗资源配置效率;对于心脏超声 AI 企业和医疗信息化服务商而言,该数据提供了四瓣膜病变程度、受累瓣膜数量、最重瓣膜评分及肺动脉压负荷等多维量化指标,可用于优化 AI 辅助诊断建议、构建瓣膜病变负荷模型、验证 AI 系统对瓣膜异常和肺动脉压异常的识别能力,并支持模型迭代和临床适配。(一)原始数据来源于申请人依法运营管理的心脏超声影像AI诊断平台。(二)处理规则:筛查月份=由筛查日期提取年月;受检者年龄=原用户年龄。二尖瓣评估、三尖瓣评估、主动脉瓣评估、肺动脉瓣评估分别取自原始字段二尖瓣、三尖瓣、主动脉瓣、肺动脉压瓣,并按严重度赋分得到二尖瓣病变程度评分、三尖瓣病变程度评分、主动脉瓣病变程度评分、肺动脉瓣病变程度评分;赋分规则为:无异常、无反流=0,微量、轻微、少量=1,轻度=2,轻-中度=2.5,中度=3,中-重度=3.5,重度=4,含钙化、狭窄、流速增快、瓣叶欠清等异常但无明确程度词者=2,其余明确表示瓣膜正常或功能良好的表述,如“开放关闭尚可”“开放好”“开放可”“未见异常”“未提及异常”等=0。四瓣膜累计评分=二尖瓣病变程度评分+三尖瓣病变程度评分+主动脉瓣病变程度评分+肺动脉瓣病变程度评分;最重瓣膜评分=max(二尖瓣病变程度评分,三尖瓣病变程度评分,主动脉瓣病变程度评分,肺动脉瓣病变程度评分);受累瓣膜数量=上述四个瓣膜病变程度评分中大于0的个数。肺动脉收缩压评估取自肺动脉收缩压(PASP)文本;肺动脉收缩压是否实测:含数值者记“实测”,否则记“缺测填补”;实测肺动脉收缩压=实测时取该数值,缺测时记“缺测”。人群肺动脉压累计=sum(实测肺动脉收缩压为数值的记录);人群肺动脉压实测人数=n;人群基准肺动脉压=人群肺动脉压累计/人群肺动脉压实测人数,结果四舍五入保留两位小数,本数据集为29779/939≈31.71。肺动脉收缩压=实测肺动脉收缩压,缺测者以人群基准肺动脉压填补;肺动脉压超限值=肺动脉收缩压-30;肺动脉压负荷指数=肺动脉压超限值/30*100。瓣膜负荷预警指数记为W,W=四瓣膜累计评分/4+肺动脉压负荷指数/50。瓣膜负荷预警等级记为L,若W>=1.5,则L=重度负荷(建议瓣膜专科);若0.5<=W<1.5,则L=中度负荷(建议定期复查);若W<0.5,则L=轻度负荷(瓣膜功能良好)。
浙江省数据知识产权登记平台2026-08-14 更新60
心脏超声影像AI诊断分析数据
心脏超声左心功能评估
左心结构异常风险分层
本数据聚焦于心脏超声筛查场景中的左心结构与功能综合评估,基于受检者左室射血分数、左室舒张末期内径及室壁厚度三项关键心脏超声指标,形成射血分数标准化偏离度、左室扩大指数、室壁增厚指数及左心异常指数,并进一步反映其相对于同年龄分组基准水平的量化偏离关系。该数据的核心价值在于为左心功能异常早期预警、心脏结构异常识别、专科评估转诊和随访复查优先级排序提供数据依据。对于数据持有企业而言,该数据能够提升原始心脏超声筛查数据的产品化、资产化和授权运营能力,支撑心血管健康数据产品开发、数据资产评估、登记入表、挂牌流通及合规数据交易;对于医疗机构、体检中心、心脏筛查平台及心脏超声服务机构而言,可基于左心异常指数及高风险建议专科评估、中风险建议随访复查、低风险结构功能基本正常等风险等级,对受检者进行差异化分层管理,将左室射血功能明显偏离、左室扩大或室壁增厚风险较高的受检者优先纳入心内科专科评估、复查随访或进一步检查流程,从而提升心脏筛查的早期发现能力和医疗资源配置效率;对于心脏超声 AI 企业和算法研究机构而言,该数据提供射血分数偏离、左室扩大、室壁增厚等多维量化指标,可用于分析不同左心结构与功能指标。(一)原始数据来源于申请人依法运营管理心脏超声影像AI诊断系统。(二)处理规则:筛查月份=由筛查日期提取年月;受检者年龄=原用户年龄;年龄分组=受检者年龄按整十归档,如55岁归入“50岁组”,作为人群基准分组键。射血分数原始值、左室内径原始值、室壁厚度原始值分别取自左室射血分数(LVEF)、左室舒张末期内径(LVD)、室壁厚度(IVS/LVPW);左室射血分数=射血分数原始值中的数值;左室舒张末期内径=左室内径原始值文本中的数值,单位mm;室间隔厚度、左室后壁厚度=室壁厚度原始值文本中的前、后两个数值,单位mm。平均室壁厚度=(室间隔厚度+左室后壁厚度)/2。分组累计射血分数=sum(左室射血分数);分组受检人数=n;分组基准射血分数=分组累计射血分数/分组受检人数;射血分数离均差=左室射血分数-分组基准射血分数;射血分数离均差平方=(射血分数离均差)^2;分组射血离差平方和=sum(射血分数离均差平方);分组射血波动幅度=sqrt(分组射血离差平方和/分组受检人数);射血分数标准化偏离度=射血分数离均差/分组射血波动幅度。左室内径超限值=左室舒张末期内径-55;左室扩大指数=左室内径超限值/55*100;室壁增厚超限值=平均室壁厚度-11;室壁增厚指数=室壁增厚超限值/11*100。左心异常指数记为H,H=(-射血分数标准化偏离度)+左室扩大指数/20+室壁增厚指数/20。左心异常风险等级记为G,若H>=-0.5,则G=高风险(建议专科评估);若-2.0<=H<-0.5,则G=中风险(建议随访复查);若H<-2.0,则G=低风险(结构功能基本正常)。
浙江省数据知识产权登记平台2026-08-14 更新30
颈动脉斑块易损性风险评估数据
斑块易损性评估
卒中风险预警
本数据面向颈动脉超声筛查中的斑块易损性综合评估场景,基于颈动脉斑块的回声特征、形态特征、纤维帽完整性及管腔狭窄程度等关键指标,形成回声易损评分、形态易损评分、纤维帽风险评分、狭窄程度评分及斑块易损性指数,并进一步反映其相对于同血管类型基准水平的偏离程度。该数据的核心价值在于将颈动脉超声筛查中的斑块影像特征转化为结构化、标准化、可量化的易损风险评估数据产品,为斑块稳定性判断、卒中风险预警、临床分诊管理和数据资产化提供支撑。对于数据持有企业而言,该数据能够提升原始颈动脉超声筛查数据的产品化、资产化和授权运营能力,支撑数据资产评估、登记入表、挂牌流通及合规数据交易;对于医疗机构、体检中心、神经科筛查平台及颈动脉超声早筛服务机构而言,可基于高危斑块、中危斑块、低危斑块等风险分级,对受检者进行差异化分层管理,将高危斑块人群优先纳入随访复查、神经内科、神经外科或血管外科进一步评估通道,从而提升高危个体识别效率,辅助降低脑卒中相关风险;对于医学 AI 企业和算法研究机构而言,该数据提供多维原子评分及斑块形态学综合评分,可用于分析不同影像特征维度对斑块易损性预测的贡献权重。(一)原始数据来源于申请人依法运营或授权管理的颈动脉超声影像AI诊断平台,。原始字段包括用户ID、用户姓名、用户年龄、筛查日期、诊断(左侧)、诊断(右侧)、狭窄率(左侧)、狭窄率(右侧)、形态、回声、纤维帽厚度、血管、AI辅助诊断意见等;用户ID、用户姓名已在加工结果中剔除,且不包含手机号、身份证号等直接识别个人或交易主体的信息。(二)处理规则:检查日期=由筛查日期取日期;患者年龄=由用户年龄加工;累及血管=由血管加工;斑块形态特征=由形态加工;斑块回声特征=由回声加工;纤维帽完整性=由纤维帽厚度加工,原值为空者记为“未描述”;剔除狭窄率(左侧)或狭窄率(右侧)无法解析为数值的记录。最重侧狭窄率=max(狭窄率(左侧),狭窄率(右侧))*100。回声易损评分按斑块回声特征赋值:低回声、无回声、管腔内充填低回声=4,混合回声=3,等回声=2,高回声=1,强回声=0。形态易损评分按斑块形态特征赋值:不规则、梭形囊状、串珠样、薄片状突起、内膜片=4,偏心性、局部增厚=3,椭圆形团块、窦部球形扩张、管腔扭曲、管腔细=2,管壁稍厚、管壁弥漫性均匀增厚=1,规则=0。纤维帽风险评分按纤维帽完整性赋值:极薄=4,薄=3,中等=2,完整=1,厚=0,未描述=1。狭窄程度评分按最重侧狭窄率分档:最重侧狭窄率>=70为4,>=50为3,>=30为2,>=15为1,其余为0。斑块形态学评分=回声易损评分+形态易损评分+纤维帽风险评分。斑块易损性指数记为V,V=斑块形态学评分/12*70+狭窄程度评分/4*30。同血管易损累计=sum(斑块易损性指数);同血管样本数=n;同血管平均易损=同血管易损累计/同血管样本数;易损相对差=斑块易损性指数-同血管平均易损。斑块易损风险分级记为G,若V>=50,则G=高危斑块;若30<=V<50,则G=中危斑块;若V<30,则G=低危斑块。
浙江省数据知识产权登记平台2026-08-08 更新60
乳腺动态光学成像早筛风险分级数据
乳腺癌早筛风险分级
动态光学成像
本数据聚焦于乳腺动态光学成像早筛场景,围绕受检者单侧乳腺的位置特征、空间形态、血氧曲线变化趋势、双侧对称性以及脱氧血红蛋白显影程度等五类原始光学指标,形成与综合早筛风险之间的量化映射关系。该数据不仅能够为数据持有方开展早筛风险识别、服务运营管理、产品能力提升和数据资产化管理提供支撑。此外,1、对医疗机构和早筛服务机构具有辅助分诊价值。在合规授权使用的前提下,医疗机构或早筛平台可利用该数据对受检者进行风险分层,将有限的随访、复查和健康干预资源优先配置给高风险人群,提高早筛资源利用效率。该数据能够作为早筛场景下的辅助决策依据,帮助机构提升分诊效率、优化服务流程,并增强乳腺健康管理的针对性。 2、对科研机构具有年龄队列分析和模型验证价值。由于数据已经按照不同年龄队列建立基准和偏离度体系,授权科研机构可据此开展跨年龄段早筛规律研究、光学指标与风险关系分析、模型有效性验证及人群差异研究。该数据有助于提高研究样本的结构化程度和可比性,为乳腺早筛技术研究提供有价值的数据支撑。 3、 对设备厂商和医疗信息化服务商具有质量监测价值。为系统维护、设备校准和算法升级提供依据。
浙江省数据知识产权登记平台2026-08-03 更新70
乳腺动态光学成像早筛风险分级数据
乳腺动态光学成像早筛
风险分级
本数据聚焦于乳腺动态光学成像早筛场景,围绕受检者单侧乳腺的位置特征、空间形态、血氧曲线变化趋势、双侧对称性以及脱氧血红蛋白显影程度等五类原始光学指标,形成与综合早筛风险之间的量化映射关系。该数据不仅能够为数据持有方开展早筛风险识别、服务运营管理、产品能力提升和数据资产化管理提供支撑。此外,1、对医疗机构和早筛服务机构具有辅助分诊价值。在合规授权使用的前提下,医疗机构或早筛平台可利用该数据对受检者进行风险分层,将有限的随访、复查和健康干预资源优先配置给高风险人群,提高早筛资源利用效率。该数据能够作为早筛场景下的辅助决策依据,帮助机构提升分诊效率、优化服务流程,并增强乳腺健康管理的针对性。 2、对科研机构具有年龄队列分析和模型验证价值。由于数据已经按照不同年龄队列建立基准和偏离度体系,授权科研机构可据此开展跨年龄段早筛规律研究、光学指标与风险关系分析、模型有效性验证及人群差异研究。该数据有助于提高研究样本的结构化程度和可比性,为乳腺早筛技术研究提供有价值的数据支撑。 3、 对设备厂商和医疗信息化服务商具有质量监测价值。为系统维护、设备校准和算法升级提供依据。本场景原始数据来源于乳腺动态光学成像早筛系统导出的单次筛查记录,基础字段加工为:检查月份=年月(原始筛查日期),受检者编号=用户ID,受检者年龄=取整(原始用户年龄),受检侧别∈{左侧,右侧};病灶距乳头距离d_i=整数毫米(该侧位置特征中“感兴趣点距乳头点”的数值)。各异常分按如下规则加工:空间形态异常分S_i=不稳定分+不聚焦分+峰状分,其中每项出现计1分,否则计0分,S_i取值0至3;时间曲线异常分T_i按该侧时间特征赋值,缓慢下降=0,快速下降=1,波动形=2,上升趋势=3;双侧对比异常分C_i按该侧对比特征赋值,相像=0,似像似不像=1,不相像=2;脱氧血红蛋白强度分H_i按该侧乳腺脱氧血红蛋白(DeoxyHb)显影程度赋值,略显=1,可疑=2,明显=3。凡d_i、S_i、T_i、C_i、H_i任一缺失的单侧记录均予以剔除。年龄队列g按受检者年龄划分:年龄<40为“40岁以下”,40≤年龄≤49为“40-49岁”,50≤年龄≤59为“50-59岁”,年龄≥60为“60岁及以上”,并按年龄队列、受检者编号、受检侧别升序排列。记单侧记录为i,其所属年龄队列为g,单侧原始风险分R_i=S_i+T_i+C_i+H_i;队列风险累计A_g=ΣR_i(i∈g),队列样本数N_g=count(i)(i∈g),队列基准风险分B_g=A_g/N_g;风险离均差D_i=R_i-B_g,风险离均差平方Q_i=D_i²,队列离差平方和V_g=ΣQ_i(i∈g),队列风险波动幅度σ_g=sqrt(V_g/N_g),标准化风险偏离度Z_i=D_i/σ_g。队列最近距离d_min_g=min(d_i)(i∈g),队列最远距离d_max_g=max(d_i)(i∈g),病灶贴近度P_i=((d_max_g-d_i)/(d_max_g-d_min_g))×100,病灶距乳头越近P_i越高;强度归一项I_i=H_i-2,将1至3分归一到-1至+1量级;贴近度归一项L_i=(P_i-50)/50,以贴近度50为中点归一到-1至+1量级。单侧光学风险指数ORI_i=Z_i+I_i+L_i,即由标准化风险偏离度、强度归一项、贴近度归一项三项相加得到。最终按单侧风险分级划分:ORI_i≥1.25为高风险,0.15≤ORI_i<1.25为中风险,ORI_i<0.15为低风险。
浙江省数据知识产权登记平台2026-08-15 更新50
乳腺超声受检者恶性风险量化分级数据
乳腺超声早筛风险分级
乳腺健康数据产品化
本数据面向乳腺超声早筛场景,以双侧乳腺结节的位置方位、形态特征、回声特征、钙化状态及 TI-RADS 分级等多维特征为基础,形成受检者个体恶性风险指数、风险分级及相对于不同年龄队列基准的量化偏离结果,能够将传统检查信息转化为结构化、标准化、可解释的高价值医疗健康数据产品。对于数据持有企业而言,该数据可提升原始筛查数据的产品化、资产化和合规流通能力,支撑数据资产评估、登记入表、授权运营及数据交易;对于医疗机构、体检中心和早筛服务企业而言,可用于高、中、低风险人群分层管理和分诊排序,帮助优先配置随访、复查和穿刺活检等资源,提高早筛效率和服务质量;对于医学 AI 企业和算法研发机构而言,其多维原子评分和年龄队列基准可用于风险预测模型、辅助诊断模型和分诊模型的训练、验证与优化,增强模型解释性和临床适配性;对于保险、健康管理及企业客户服务机构而言,可用于重点人群识别、差异化健康管理方案设计和乳腺健康风险干预。(一)原始数据来源于乳腺超声影像AI诊断分析系统导出的单次筛查记录。(二)处理规则:检查月份=由筛查日期提取年月;受检者编号=由用户ID脱敏加工生成;受检者年龄=用户年龄取整;年龄队列按受检者年龄划分为40岁以下、40-49岁、50-59岁、60岁及以上,数据按“年龄队列、受检者编号”升序排列。形态风险分=max(左乳形态分,右乳形态分),卵圆形、椭圆形、圆形=0分,扁平形=1分,不规则形、分叶状、边界不清=2分;回声风险分=max(左乳回声分,右乳回声分),高回声=0分,等回声=1分,低回声、回声不均=2分;方位风险分=max(左乳方位分,右乳方位分),1、2、3、9、10、11点方向=1分,其余钟点方向及乳头区=0分;若结节是否钙化=是,则钙化风险分=2,若结节是否钙化=否,则钙化风险分=0;TIRADS风险分按结节TI-RADS分级赋值:无=0分,3类=1分,4类、4A类=2分,4B类=3分,4C类=4分,5类=5分。双乳无结节或单侧无结节时,对应侧位置、形态、回声特征分计0分并纳入分析。受检者原始恶性风险分=形态风险分+回声风险分+方位风险分+钙化风险分+TIRADS风险分。队列恶性风险累计=sum(受检者原始恶性风险分);队列受检人数=n;队列基准恶性风险分=队列恶性风险累计/队列受检人数;恶性风险离均差=受检者原始恶性风险分-队列基准恶性风险分;恶性风险离均差平方=(恶性风险离均差)^2;队列离差平方和=sum(恶性风险离均差平方);队列恶性风险波动幅度=sqrt(队列离差平方和/队列受检人数);标准化恶性风险偏离度=恶性风险离均差/队列恶性风险波动幅度。队列最低TIRADS分=min(TIRADS风险分);队列最高TIRADS分=max(TIRADS风险分);TIRADS饱和度=[(TIRADS风险分-队列最低TIRADS分)/(队列最高TIRADS分-队列最低TIRADS分)]*100;钙化归一项=钙化风险分-1;TIRADS饱和度归一项=(TIRADS饱和度-50)/50。受检者恶性风险指数记为R,R=标准化恶性风险偏离度+钙化归一项+TIRADS饱和度归一项。受检者恶性风险分级记为G,若R>=-0.74,则G=高风险;若-2.0<=R<-0.74,则G=中风险;若R<-2.0,则G=低风险。
浙江省数据知识产权登记平台2026-08-14 更新40
乳腺动态光学成像双侧指标数据不对称预警数据
乳腺动态光学成像早筛
双侧不对称性评估
本数据适用于乳腺动态光学成像早筛场景中的双侧对称性评估,重点反映同一受检者左、右两侧乳腺在病灶定位深度、空间形态紊乱度、血氧曲线变化及脱氧血红蛋白显影强度等维度上的差异情况,并通过年龄队列标准化处理形成双侧不对称指数及分级结果。该数据可用于识别双侧乳腺光学表现差异较大的受检者,辅助判断其是否需要优先复查、持续随访或进一步核查,从而补充单侧风险评估中对左右差异关注不足的问题。数据按40岁以下、40-49岁、50-59岁、60岁及以上四个年龄队列分别建立差异基准和波动幅度,使不同年龄段受检者的双侧偏离程度具有可比性,可用于观察不同年龄阶段乳腺光学表现的对称性差异。数据同时保留定位深度差、形态紊乱差、血氧曲线差、显影强度差等原子差值字段,以及综合归一化后的双侧不对称指数,可用于分析各类差异指标对双侧不对称结果的影响,支持早筛结果解释、风险分层、辅助分诊和差异化随访管理。(一)加工前的数据说明:本场景原始数据来源于乳腺动态光学成像早筛系统导出的单次筛查记录。 (二)处理规则:检查月份=年月(原始筛查日期),受检者编号=脱敏处理(用户ID),受检者年龄=取整(原始用户年龄)。记受检者记录为i,所属年龄队列为g。左、右乳病灶定位深度dL_i、dR_i=对应侧位置特征中“感兴趣点距乳头点”的整数毫米值;左、右乳形态紊乱度ML_i、MR_i=不稳定分+不聚焦分+峰状分,其中各项出现计1分,否则0分,取值0至3;左、右乳血氧曲线分级TL_i、TR_i:缓慢下降=0,快速下降=1,波动形=2,上升趋势=3;左、右乳血红蛋白显影分HL_i、HR_i:略显=1,可疑=2,明显=3。若dL_i、dR_i、ML_i、MR_i、TL_i、TR_i、HL_i、HR_i任一缺失,则剔除该记录。年龄队列g:年龄<40为“40岁以下”,40-49为“40-49岁”,50-59为“50-59岁”,≥60为“60岁及以上”,并按年龄队列、受检者编号升序排列。定位深度差DD_i=|dL_i-dR_i|,形态紊乱差DM_i=|ML_i-MR_i|,血氧曲线差DT_i=|TL_i-TR_i|,显影强度差DH_i=|HL_i-HR_i|,双侧原始差值分R_i=DM_i+DT_i+DH_i。队列差值累计A_g=ΣR_i(i∈g),队列受检人数N_g=count(i)(i∈g),队列基准差值分B_g=A_g/N_g,差值离均差E_i=R_i-B_g,差值离均差平方Q_i=E_i²,队列离差平方和V_g=ΣQ_i(i∈g),队列差值波动幅度σ_g=sqrt(V_g/N_g),标准化差值偏离度Z_i=E_i/σ_g。队列最小深度差DD_min_g=min(DD_i)(i∈g),队列最大深度差DD_max_g=max(DD_i)(i∈g),深度差饱和度P_i=((DD_i-DD_min_g)/(DD_max_g-DD_min_g))×100,深度差归一项L_i=(P_i-50)/50,双侧不对称指数AI_i=Z_i+L_i。双侧不对称分级:AI_i≥0.0为“显著不对称”,-1.4≤AI_i<0.0为“轻度不对称”,AI_i<-1.4为“基本对称”。
浙江省数据知识产权登记平台2026-08-11 更新70
乳腺超声影像AI智能诊断置信度核验数据
医疗AI诊断质控
超声图像分析
本数据面向乳腺超声影像 AI 诊断系统质量核验场景,基于同一受检者的三路 AI 输出结果,包括诊断倾向、影像分级和量化评分,构建经年龄队列标准化后的 AI 诊断置信度指数与置信度分级,能够量化反映 AI 系统输出结果之间的方向一致性、信号离散程度和综合可信水平。该数据的核心价值在于将 AI 诊断系统的单次输出结果转化为可监测、可比较、可复核的质量评价数据产品,为数据持有企业沉淀可资产化、可授权运营的医疗 AI 质量数据资源提供基础;对于医疗机构和早筛质量管理机构而言,可用于快速识别高置信、待复核和低置信样本,辅助判断哪些受检者需要进入人工复核流程,从而降低漏诊、误判和 AI 输出不稳定带来的风险,提升人机协同诊断效率;对于 AI 诊断系统供应商和医疗信息化服务商而言,该数据可用于持续监测不同月份、不同年龄队列下三路 AI 信号离散度及置信度等级分布,及时发现模型漂移、版本性能波动或特定人群诊断稳定性下降等问题,支撑模型迭代、系统质控和产品可信度提升。(一)原始数据来源于乳腺超声影像AI诊断分析系统导出的单次筛查记录。本数据用于评估同一受检者三路AI输出,即智能诊断、结节TI-RADS分级、AI评分之间的一致性与可信程度。(二)处理规则:检查月份=由筛查日期提取年月;受检者编号=由用户ID脱敏加工生成;受检者年龄=用户年龄取整;年龄队列按受检者年龄划分为40岁以下、40-49岁、50-59岁、60岁及以上,数据按“年龄队列、受检者编号”升序排列。AI诊断倾向分按智能诊断赋值:优=0分,偏良=1分,偏恶=2分;影像分级风险分按结节TI-RADS分级赋值:无=0分,3类=1分,4类、4A类=2分,4B类=3分,4C类=4分,5类=5分;AI量化评分取自AI评分字段数值,若AI评分为“-”或空白,则AI量化评分=0.00;是否量化评分在AI评分为有效数值时=1,为“-”或空白时=0;凡智能诊断或结节TI-RADS分级缺失的记录予以剔除。倾向累计=sum(AI诊断倾向分);倾向计数=n;倾向均值=倾向累计/倾向计数;倾向离均差=AI诊断倾向分-倾向均值;倾向离均差平方=(倾向离均差)^2;倾向离差平方和=sum(倾向离均差平方);倾向波动幅度=sqrt(倾向离差平方和/倾向计数);倾向标准分=倾向离均差/倾向波动幅度。影像累计、影像计数、影像均值、影像离均差、影像离均差平方、影像离差平方和、影像波动幅度、影像标准分按同法由影像分级风险分计算;评分累计、评分计数、评分均值、评分离均差、评分离均差平方、评分离差平方和、评分波动幅度、评分标准分按同法由AI量化评分计算。三信号最大标准分=max(倾向标准分,影像标准分,评分标准分);三信号最小标准分=min(倾向标准分,影像标准分,评分标准分);信号离散度=三信号最大标准分-三信号最小标准分;三信号标准分之和=倾向标准分+影像标准分+评分标准分;综合风险强度=三信号标准分之和/3;离散度归一项=信号离散度/2;量化加分项=是否量化评分-0.5。AI诊断置信度指数记为C,C=综合风险强度-离散度归一项+量化加分项。AI诊断置信度分级记为L,若C>=0.7,则L=高置信;若-1.5<=C<0.7,则L=待复核;若C<-1.5,则L=低置信。
浙江省数据知识产权登记平台2026-08-08 更新60
乳腺超声受检者恶性风险量化分级数据
乳腺超声早筛
恶性风险量化分级
本数据面向乳腺超声早筛场景,以双侧乳腺结节的位置方位、形态特征、回声特征、钙化状态及 TI-RADS 分级等多维特征为基础,形成受检者个体恶性风险指数、风险分级及相对于不同年龄队列基准的量化偏离结果,能够将传统检查信息转化为结构化、标准化、可解释的高价值医疗健康数据产品。对于数据持有企业而言,该数据可提升原始筛查数据的产品化、资产化和合规流通能力,支撑数据资产评估、登记入表、授权运营及数据交易;对于医疗机构、体检中心和早筛服务企业而言,可用于高、中、低风险人群分层管理和分诊排序,帮助优先配置随访、复查和穿刺活检等资源,提高早筛效率和服务质量;对于医学 AI 企业和算法研发机构而言,其多维原子评分和年龄队列基准可用于风险预测模型、辅助诊断模型和分诊模型的训练、验证与优化,增强模型解释性和临床适配性;对于保险、健康管理及企业客户服务机构而言,可用于重点人群识别、差异化健康管理方案设计和乳腺健康风险干预。
浙江省数据知识产权登记平台2026-07-31 更新80
关于我们
遇见数据集——让每个数据集都被发现,让每一次遇见都有价值。
数发科官网www.sfktec.com
联系我们
selectdataset@iotsh.com.cn
商业合作
数据驱动未来,携手共赢发展
© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
热门搜索