Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
PadChest-GR: Un conjunto de datos bilingüe de rayos tórax X para la generación de informes de radiología basados en la tierra
Created by
Haebom
Autor
Daniel C. Castro, Aurelia Bustos, Shruthi Bannur, Stephanie L. Hyland, Kenza Bouzid, Maria Teodora Wetscherek, Maria Dolores S anchez-Valverde, Lara Jaques-P erez, Lourdes P erez-Rodr iguez, Kenji Takeda, José María Salinas, Javier Alvarez-Valle, Joaquín Galant Herrero, Antonio Pertusa
Describir
PadChest-GR es el primer conjunto de datos anotados manualmente, diseñado para entrenar modelos de generación de informes radiológicos basados en la evidencia (GRRG) para imágenes de la línea X torácica. Contiene 4555 estudios de la línea X torácica (3099 anormales y 1456 normales) y proporciona listas de oraciones que describen hallazgos individuales, tanto positivos como negativos, tanto en inglés como en español. Se incluyen un total de 7037 oraciones de hallazgos positivos y 3422 oraciones de hallazgos negativos, y cada oración de hallazgo positivo está asociada con hasta dos conjuntos independientes de cuadros delimitadores etiquetados por diferentes lectores, junto con etiquetas categóricas para el tipo de hallazgo, la ubicación y la progresión. Este conjunto de datos proporciona un recurso valioso para desarrollar y evaluar modelos GRRG que comprenden e interpretan imágenes radiológicas y texto generado.
Takeaways, Limitations
•
Takeaways:
◦
Proporcionar el primer conjunto de datos anotados manualmente para entrenar modelos de generación de informes de radiología basados en evidencia (GRRG) para imágenes de rayos X torácicos.
◦
Soporte bilingüe en inglés y español.
◦
Proporciona anotaciones completas e información de ubicación precisa para hallazgos positivos y negativos.
◦
Proporciona recursos útiles para desarrollar y evaluar modelos GRRG.
•
Limitations:
◦
El conjunto de datos puede ser relativamente pequeño (4.555 estudios).
