VQA-RAD : Questions-Réponses Médicales sur Imagerie
Jeu de données de VQA médical contenant des questions-réponses générées par des cliniciens sur des images issues de radiologie, destiné à entraîner des modèles IA.
Description
Le dataset VQA-RAD est un corpus d’images radiologiques associées à 2 244 paires de questions-réponses générées manuellement par des cliniciens. Il combine des questions ouvertes et des questions binaires "oui/non", fournissant une base solide pour l’entraînement et l’évaluation de modèles d’IA en Visual Question Answering (VQA) dans le domaine médical. Les images proviennent de la base libre MedPix.
À quoi sert ce dataset ?
- Former des modèles VQA spécialisés en médecine
- Tester la compréhension d’images médicales par des IA
- Contribuer à la recherche en diagnostic assisté par IA
Peut-on l’enrichir ou l’améliorer ?
Oui, ce dataset peut être enrichi avec d’autres modalités d’imagerie (scanner, IRM), ou étendu avec des questions générées automatiquement. Une amélioration possible serait la catégorisation des questions par niveau de difficulté ou spécialité médicale. Il est également possible d’y associer des justifications ou des rapports cliniques pour renforcer l’apprentissage contextuel.
🔎 En résumé
🧠 Recommandé pour
- Chercheurs en IA médicale
- Équipes VQA
- Projets d’assistants en radiologie
🔧 Outils compatibles
- PyTorch
- Hugging Face Transformers
- MONAI
- Detectron2
💡 Astuce
Utilisez une séparation stricte train/test en raison de la présence de doublons signalés dans le jeu de données.
Questions fréquemment posées
Ce dataset est-il annoté par des professionnels de santé ?
Oui, toutes les questions-réponses ont été générées manuellement par une équipe de cliniciens, assurant une haute qualité sémantique.
Convient-il à l'entraînement de modèles de question-réponse générale ?
Non, ce dataset est spécialisé pour l’imagerie médicale. Pour un usage général, privilégiez des datasets comme VQA v2 ou GQA.
Peut-on combiner ce dataset avec d’autres sources médicales ?
Oui, il peut être fusionné avec d'autres datasets d'imagerie pour créer un corpus plus large ou multilingue, avec attention aux formats.
