<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hellolifei1985的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hellolifei1985</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hellolifei1985]]></copyright><item><title><![CDATA[莫扎特 35 岁猝死背后的“心脏瓣膜病”，现在能用 AI 数据集做什么？]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/163834702</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/163834702</guid><author>hellolifei1985</author><pubDate>Tue, 18 Aug 2026 00:06:32 +0800</pubDate><description><![CDATA[文章摘要（148字） 心脏瓣膜病AI研究面临数据分散的挑战。本文梳理了公开数据集资源，涵盖从临床表格到前沿组学数据：1）经典表格数据集（如UCI心脏病数据）适合风险评估模型开发；2）超声心动图数据集（如TEE二尖瓣几何数据）支持三维形态分析；3）术后随访数据助力预后预测；4）基因组与单细胞数据揭示分子机制。这些多模态数据为瓣膜病智能诊断、手术决策和机制研究提供了重要基础，特别适合寻求差异化研究方向的研究者。]]></description><category></category></item><item><title><![CDATA[乳腺癌 AI 数据集实战盘点：2026 年仍在更新的 6 类公开数据]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/163834600</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/163834600</guid><author>hellolifei1985</author><pubDate>Mon, 17 Aug 2026 23:52:49 +0800</pubDate><description><![CDATA[乳腺癌AI研究公开数据集指南：覆盖从入门到前沿的6类资源 本文系统梳理了乳腺癌AI研究的公开数据集资源，将其划分为6大类并给出选型建议： 经典表格数据（威斯康星诊断数据集）- 最适合新手的30维特征分类任务 病理图像（BCSS分割/BreakHis分类）- 需关注染色归一化和多尺度处理 钼靶影像（MIAS/RSNA-BSD1K）- 建议结合patch采样解决小ROI问题 多模态数据（BCI免疫组化）- 适合H&E到IHC预测等跨模态任务 基因组数据（TCGA-BRCA）- 需生信基础，适合生存分析和分子分型]]></description><category></category></item><item><title><![CDATA[eICU数据集实战教程：从申请下载到ICU死亡预测模型训练（PyTorch完整代码）]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/163268308</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/163268308</guid><author>hellolifei1985</author><pubDate>Tue, 28 Jul 2026 11:43:05 +0800</pubDate><description><![CDATA[eICU-CRD 是美国最大的多中心重症监护公开数据集，覆盖 208 家医院 20 万 ICU 住院。千方医数集-数据百科提供从 CSV 加载到跨医院泛化验证的完整 AI 就绪指南，含可运行 PyTorch/XGBoost 代码、8 大常见坑点详解和 DAIMS 质量评估]]></description><category></category></item><item><title><![CDATA[当AI诊断遇到罕见癌种：男性乳腺癌数据集全盘点（含17TB病理图像+基因谱）]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/162705477</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/162705477</guid><author>hellolifei1985</author><pubDate>Wed, 08 Jul 2026 20:39:20 +0800</pubDate><description><![CDATA[本文介绍了一个专注于男性乳腺癌数据集的医疗AI资源平台Qianfanghub（千方医数集）。作者以自身经历为例，指出传统乳腺癌AI模型因缺乏男性病例数据而导致准确率骤降，揭示了医疗AI中的性别数据偏差问题。文章详细列出了平台收录的31个男性乳腺癌相关数据集，涵盖诊断分类、医学影像、基因组学和流行病学四大类，包括经典威斯康星乳腺癌数据集、BreakHis病理图像、TCGA-BRCA多模态数据等。这些数据集支持跨模态研究、小样本学习和临床系统对接，为解决男性乳腺癌这一"边缘疾病"的AI建模提供了集中化数据支持。]]></description><category></category></item><item><title><![CDATA[告别数据荒：万字长文梳理直肠癌公开数据集，含TCGA/GEO/影像多模态资源]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/162642046</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/162642046</guid><author>hellolifei1985</author><pubDate>Mon, 06 Jul 2026 20:57:42 +0800</pubDate><description><![CDATA[本文整理了直肠癌研究领域最全面的公开数据集清单，涵盖临床流行病学数据和基因组学数据两大类。临床数据包括标准化发病率、医疗费用关联分析、复发特征等结构化数据，适用于生存分析和风险评估模型构建。基因组数据重点推荐TCGA-READ多模态数据集和MSK-IMPACT靶向测序数据，以及GEO系列表达谱数据，可用于分子分型和预后研究。所有数据集均来自权威平台，并附有预处理注意事项和使用建议，为直肠癌研究提供了宝贵的数据资源库。该清单将持续更新，帮助研究者高效获取高质量数据。]]></description><category></category></item><item><title><![CDATA[医疗AI实战：如何利用免疫与内分泌系统疾病数据集训练高精度预测模型？]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/161970792</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/161970792</guid><author>hellolifei1985</author><pubDate>Sun, 14 Jun 2026 08:44:06 +0800</pubDate><description><![CDATA[本文探讨了在多模态医疗大模型时代构建内分泌与免疫系统疾病预测模型的关键技术。针对这类数据集多变量耦合、高缺失率和样本不均衡的特点，提出采用KNN插补和SMOTE过采样等医学逻辑驱动的预处理方法。推荐使用LightGBM等可解释模型结合SHAP归因分析，并分享了一个高质量开源数据集资源。文章为医疗AI研究提供了从数据清洗到模型构建的完整解决方案，特别适合处理桥本甲状腺炎等涉及免疫机制的代谢性疾病数据。]]></description><category></category></item><item><title><![CDATA[医疗 AI 与多模态大模型：28 个肿瘤/癌症开源数据集深度盘点与工程化选型指南]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/161869869</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/161869869</guid><author>hellolifei1985</author><pubDate>Wed, 10 Jun 2026 20:47:06 +0800</pubDate><description><![CDATA[在多模态大模型（Multimodal Foundation Models）技术向医疗垂直领域加速渗透的当下，无论是进行肿瘤影像的自动分割、病理切片的微环境分析，还是端到端的临床决策支持系统（CDSS）开发，算法架构师和科研人员面临的最大工程瓶颈往往不是模型架构的设计，而是。由于医学数据的隐私性、长尾效应以及强烈的“烟囱式”科室断层，全球的公开医疗数据集往往零散地分布在各类学术论文附录、不同高校的实验室主页或各类历史竞赛平台中。]]></description><category></category></item><item><title><![CDATA[开源福利！200+ 临床级疾病数据集精选列表，医疗 AI 终于有标准的 ICD 资源库了]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/161568517</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/161568517</guid><author>hellolifei1985</author><pubDate>Sun, 31 May 2026 16:03:06 +0800</pubDate><description><![CDATA[盘点硬核组织打造的 awesome-disease-datasets 仓库，一站式解锁 200+ 覆盖多中心随访、单细胞、CAR-T 真实世界研究 的专病队列数据集链接。彻底终结医疗 AI 开发者在学术论文、GitHub 乱堆中大海捞针的“找数据地狱”。]]></description><category></category></item><item><title><![CDATA[2024最全-人员搜索数据集-持续更新]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143491954</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143491954</guid><author>hellolifei1985</author><pubDate>Mon, 04 Nov 2024 19:28:37 +0800</pubDate><description><![CDATA[为了应对这一挑战，研究人员们正在利用人工智能和大数据技术，努力提升人员搜索的智能化和精准度。这些技术的应用，不仅有望解决当前的搜索瓶颈，还为行业带来了巨大的商业价值。想象一下，如果你需要快速找到某个人，无论是为了紧急情况还是日常管理，传统的搜索方法可能已经跟不上节奏了。数据量的大幅增长和信息的多样化，让传统的搜索方式显得力不从心，不仅效率低下，还可能影响到决策的准确性和及时性。总的来说，人员搜索数据集的开发和应用，对于提升搜索效率、优化决策过程具有重要意义。]]></description><category></category></item><item><title><![CDATA[2024最全-人类活动识别（HAR）数据集整理-持续更新]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143491884</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143491884</guid><author>hellolifei1985</author><pubDate>Mon, 04 Nov 2024 19:21:48 +0800</pubDate><description><![CDATA[随着可穿戴设备和物联网的普及，如何从这些设备收集的大量数据中准确识别出人们的各种活动，成了一个不小的挑战。比如说，如果你在跑步时，你的智能设备能准确识别出你在做什么，并据此调整音乐播放列表，那体验是不是会更好？这些成果不仅为学术研究提供了新的方向，也为实际应用打下了坚实的基础。无论是健康监测、运动分析，还是智能家居和老年护理，HAR技术都能提供精准的数据支持，推动这些领域的创新和发展。想象一下，你的智能手表不仅能告诉你走了多少步，还能分析你的运动模式，甚至预测你的健康状况，这背后就是HAR技术的功劳。]]></description><category></category></item><item><title><![CDATA[2024最全-皮肤病变分类图像数据集-持续更新]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143434855</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143434855</guid><author>hellolifei1985</author><pubDate>Fri, 01 Nov 2024 16:22:05 +0800</pubDate><description><![CDATA[在现代医学中，皮肤病变分类一直是个大难题。医生们靠经验和专业知识来诊断，但这过程既耗时又容易出错。想象一下，如果医生能更快、更准确地判断皮肤问题，那对患者来说该有多好！幸运的是，随着科技的进步，特别是深度学习和大数据分析的兴起，皮肤病变分类的研究有了新的突破。现在，通过大量的皮肤病变图像数据，研究人员可以训练出更智能的分类模型。这些模型不仅能帮助医生快速诊断，还能大大减少误诊的可能性，让患者得到更好的治疗。说到商业价值，皮肤病变分类技术的进步也为不少企业带来了新的机会。]]></description><category></category></item><item><title><![CDATA[2024最全-无监督目标分割数据集-持续整理]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143434102</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143434102</guid><author>hellolifei1985</author><pubDate>Fri, 01 Nov 2024 16:00:38 +0800</pubDate><description><![CDATA[随着深度学习的飞速进步，虽然监督学习在目标识别和分割方面取得了不少成就，但依赖大量标注数据的高成本和复杂性，让无监督方法逐渐走到了台前。无监督目标分割的目标是从没有标注的图像或视频中自动找出并分割出我们感兴趣的目标。现在，无监督目标分割的研究主要集中在如何利用图像的内在结构和特征，通过聚类、自监督学习等手段来实现目标的有效分割。最近，像谷歌、Facebook AI Research、MIT这样的大机构在无监督目标分割领域都有了不小的突破。可以预见，无监督目标分割技术在未来智能系统中的地位将越来越重要。]]></description><category></category></item><item><title><![CDATA[2024最全-视频重建数据集-持续更新]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143428891</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143428891</guid><author>hellolifei1985</author><pubDate>Fri, 01 Nov 2024 12:31:02 +0800</pubDate><description><![CDATA[视频重建，这个听起来有点高大上的名词，其实就是通过各种算法和技术手段，让视频看起来更清晰、更流畅，甚至还能修复那些因为各种原因受损的视频。这种技术的应用前景非常广阔，从视频监控、医疗影像到虚拟现实和增强现实，视频重建技术正在逐渐渗透到各个高附加值领域，成为推动产业升级的重要力量。然而，随着视频内容的爆炸性增长，如何处理和提升这些视频的质量，成为了一个亟待解决的问题。各大研究机构，比如麻省理工学院、斯坦福大学，还有国内的清华大学、北京大学等，都在积极探索视频重建的前沿技术，并取得了不少令人瞩目的成果。]]></description><category></category></item><item><title><![CDATA[2024 最全-6D姿态估计数据集-持续收集]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143428672</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143428672</guid><author>hellolifei1985</author><pubDate>Fri, 01 Nov 2024 12:10:48 +0800</pubDate><description><![CDATA[在机器人和计算机视觉的世界里，六维姿态估计正变得越来越重要。本文尝试寻找相关的数据集，希望能帮助到有需要的同学]]></description><category></category></item><item><title><![CDATA[体育运动数据集-人体动作数据集-运动捕获数据集-爆肝整理/持续更新]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143380244</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143380244</guid><author>hellolifei1985</author><pubDate>Thu, 31 Oct 2024 08:47:32 +0800</pubDate><description><![CDATA[奥运会结束不久，体育运动相关的数据集受到热捧。 这些运动相关的数据集在体育直播的预判，游戏建模，运动员训练，直到体育医学都有一些参考价值。这次笔者专门以人体运动为话题，总结一部分数据集，希望给有需要的同学一些帮助。]]></description><category></category></item><item><title><![CDATA[2024-心理健康数据集-经典数据集-持续整理]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/143379933</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/143379933</guid><author>hellolifei1985</author><pubDate>Thu, 31 Oct 2024 08:37:56 +0800</pubDate><description><![CDATA[同时，心理健康教育在商业领域也展现出巨大的潜力，各种心理健康应用和服务的兴起，预示着这一领域未来有着广阔的市场前景。随着生活节奏的加快和社会压力的增加，越来越多的人开始感受到心理健康带来的挑战。这不仅影响了我们个人的生活质量，也给社会经济和公共健康带来了不小的负担。通过大数据分析和人工智能技术，他们开发出了一系列创新的心理健康教育工具和平台，旨在提高公众的心理健康素养和自我管理能力。接下来，让我们一起来看看这些数据集都有哪些内容，它们将为我们深入理解心理健康教育的复杂性和多样性提供重要的数据支撑。]]></description><category></category></item><item><title><![CDATA[生物领域豪华阵容发布数据集-Plinder 蛋白质配体相互作用领域数据集]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/140550010</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/140550010</guid><author>hellolifei1985</author><pubDate>Fri, 19 Jul 2024 15:29:23 +0800</pubDate><description><![CDATA[Plinder（proteinligandinteractionsdataset andevaluationresource）首字母合成，全称为蛋白质配体相互作用数据集与评估资源，是一个用于训练和评估蛋白质-配体对接算法的数据集和资源。]]></description><category></category></item><item><title><![CDATA[Amazon Science 团队计划于VLDB 2024 (August 26-30 2024) 发布 redset 数据集]]></title><link>https://blog.youkuaiyun.com/hellolifei1985/article/details/140520594</link><guid>https://blog.youkuaiyun.com/hellolifei1985/article/details/140520594</guid><author>hellolifei1985</author><pubDate>Thu, 18 Jul 2024 13:46:59 +0800</pubDate><description><![CDATA[Redset是一个数据集，包含了三个月的AWS Redshift fleet 中选定实例样本上运行的用户查询元数据。]]></description><category></category></item></channel></rss>