SLAKE
SLAKE es un conjunto de datos médicos diseñado para la respuesta visual de preguntas (VQA) aplicada a las imágenes médicas, que permite a los modelos de IA aprender a responder preguntas sobre imágenes clínicas.
14.028 imágenes anotadas, archivos JSON y Parquet, aproximadamente 4,2 MB
CC-BY 4.0
Descripción
SLAKE es un conjunto de datos con etiquetas semánticas diseñado para la respuesta visual de preguntas en imágenes médicas. Contiene más de 14 000 imágenes de muestra anotadas con preguntas y respuestas específicas de una variedad de modalidades médicas.
¿Para qué sirve este conjunto de datos?
- Entrene modelos capaces de responder preguntas sobre imágenes médicas
- Mejora de los sistemas de apoyo al diagnóstico mediante el análisis de imágenes clínicas
- Evaluar la comprensión visual de los modelos de IA en un contexto médico especializado
¿Se puede enriquecer o mejorar?
Sí, este conjunto de datos puede complementarse con otras modalidades de diagnóstico por imágenes o enriquecerse con anotaciones adicionales, como segmentaciones, etiquetas clínicas más precisas o datos de pacientes anónimos. La integración de metadatos temporales también puede fortalecer los casos de uso.
🔎 En resumen
🧠 Recomendado para
- Investigadores de IA médica
- Desarrolladores de sistemas de soporte de diagnóstico
- Equipos de VQA
🔧 Herramientas compatibles
- PyTorch
- TensorFlow
- MONAI
- Detectron2
- Frameworks MedVQA
💡 Consejo
Para mejorar el rendimiento, combine SLAKE con conjuntos de datos anotados multimodales y técnicas de transferencia de aprendizaje.
Preguntas frecuentes
¿SLAKE es adecuado para uso no médico?
No, este conjunto de datos está especializado en imágenes médicas y no es adecuado para casos generales no relacionados con la salud.
¿Se puede usar SLAKE para entrenar modelos de segmentación de imágenes?
No directamente, ya que el conjunto de datos se dirige al VQA, pero las anotaciones adicionales pueden permitir la segmentación.
¿Es un conjunto de datos grande?
Sí, con más de 14 000 ejemplos, ofrece suficiente volumen para una formación significativa.




