赛题名称：基于超声数据的多病种疾病预测挑战赛 赛题类型：计算机视觉、图像分类 赛题任务：提供的超声样本构建模型，对数据集进行处理和分类
报名链接：https://challenge.xfyun.cn/topic/info?type=disease-prediction-challenge&option=ssgy&ch=dw24_AtTCK9
赛事背景
当代医学诊断实践中，超声成像技术凭借其非侵入性、无放射性、成本效益高及实时性等显著特点，已广泛成为各类医疗场景中不可或缺的诊断工具。该技术通过发射高频声波并捕捉其回波信号，构建出人体内部结构的精确图像/视频，从而为临床医生提供了关于器官、组织和血管系统的详尽信息。
本次赛事旨在激励全球AI领域研究者开发能够自动处理和分析超声数据，并准确预测患者可能患有的多种疾病的算法和方法。此类技术不仅能提升诊断的准确性和效率，降低误诊或漏诊的风险，而且对优化医疗资源配置、提高诊疗效率、降低医疗成本具有潜在的重大影响。
赛事任务
为研究利用超声数据进行多病种的疾病预测算法，本次大赛提供了数据集训练样本，参赛者需根据提供的超声样本构建模型，对数据集进行处理。
评审规则
1.数据说明
本次大赛实行一轮赛制，所用数据集图像格式为npy。
| 数据类别 | 文件夹名 | 数据格式 | 解释 |
|---|---|---|---|
| 基本数据 | test | npy | 测试集 |
| 基本数据 | train | npy | 训练集 |
2.评估指标
本模型依据提交的结果文件，采用macro F1-score进行评价。
3.评测及排行
1）比赛均提供下载数据，选手在本地进行算法调试，在比赛页面提交结果。
2）每支团队每天最多提交5次。
3）排行按照得分从高到低排序，排行榜将选择团队的历史最优成绩进行排名。
Baseline思路
赛题可以视为一个典型的图像分类的赛题，并且数据集类型的为矩阵输入。
数据集读取
train_path = glob.glob('./train/*/*.npy')
np.random.shuffle(train_path)
labels = ['Anomalies', 'Cyst', 'Inflammation', 'Tumor', 'Vascular']
train_label = [labels.index(x.split('/')[-2]) for x in train_path]
模型搭建
class XunFeiNet(nn.Module):
def __init__(self):
super(XunFeiNet, self).__init__()
model = models.resnet18(True)
model.avgpool = nn.AdaptiveAvgPool2d(1)
model.fc = nn.Linear(512, 5)
self.resnet = model
def forward(self, img):
out = self.resnet(img)
return out
完整代码见：
https://github.com/datawhalechina/competition-baseline/tree/master/competition/%E7%A7%91%E5%A4%A7%E8%AE%AF%E9%A3%9EAI%E5%BC%80%E5%8F%91%E8%80%85%E5%A4%A7%E8%B5%9B2024
# 学习大模型 & 讨论Kaggle #
每天大模型、算法竞赛、干货资讯
