通用医学人工智能/切片对话
该仓库提供SlideChat全切片病理图像理解的训练与评估数据集，含指令跟随训练数据及VQA/Caption评估基准。引言 本仓库提供了用于训练和评估 SlideChat 的数据集资源，SlideChat 是一个用于全切片病理图像理解的多模态大语言模型
基本信息
资源简介
通用医学人工智能/切片对话
General-Medical-AI/SlideChat
该仓库提供SlideChat全切片病理图像理解的训练与评估数据集，含指令跟随训练数据及VQA/Caption评估基准。训练数据分两阶段：切片级caption和切片级VQA指令数据；SlideBench含TCGA、CPTAC、Histai的caption/report拆分及TCGA、BCNB、CPTAC、Histai的闭集VQA拆分。共550个文件（来源 Hugging Face）。
【数据集背景】
源站首次发布：2024-11-07。
【数据内容】
源站描述（机器翻译，仅供参考）：## 引言 本仓库提供了用于训练和评估 SlideChat 的数据集资源，SlideChat 是一个用于全切片病理图像理解的多模态大语言模型。该数据集包含指令遵循训练数据，以及跨多个病理队列和任务的 VQA/描述评估基准。 内容 1. 训练指令数据 SlideInstruct_train_stage1_caption.json：用于第 1 阶段训练的切片级描述指令数据。 SlideInstruct_train_stage2_vqa.json：用于第 2 阶段训练的切片级 VQA 指令数据。 2. 评估基准（SlideBench） SlideBench-Caption-.csv：TCGA、CPTAC 和 Histai 队列的描述/报告评估划分。 SlideBench-VQA-.csv：TCGA、BCNB、CPTAC 和 Histai 队列的封闭式 VQA 评估划分。
【数据结构与技术规格】
文件数 550 个，合计 267.51 GB。
【主题与分类】
本站分类：肿瘤/癌症（总论）。
【获取与许可】
源站页面：https://huggingface.co/datasets/General-Medical-AI/SlideChat
【使用注意】
· 源站最后修改于 2026-09-05，引用时请注意版本时效。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取与加载（Hugging Face datasets）
# 前置依赖: pip install datasets
from datasets import load_dataset
ds = load_dataset("General-Medical-AI/SlideChat")
print(ds) # 查看 splits 与字段结构
# 国内网络可先设镜像: import os; os.environ["HF_ENDPOINT"]="https://hf-mirror.com"
git lfs install && git clone https://hf-mirror.com/datasets/General-Medical-AI/SlideChat
数据集大小约 302.58 GB。
仓库文件结构
.gitattributesREADME.mdSlideBench-Caption-CPTAC.csvSlideBench-Caption-Histai.csvSlideBench-Caption-TCGA.csvSlideBench-VQA-BCNB.csvSlideBench-VQA-CPTAC.csvSlideBench-VQA-Histai.csvSlideBench-VQA-TCGA.csvSlideInstruct_train_stage1_caption.jsonSlideInstruct_train_stage2_vqa.jsonSlideInstruction++.jsonSlideInstruction+.json
数据集卡片摘录（源站说明）
Introduction
This repository provides the dataset resources used for training and evaluating SlideChat, a multimodal large language model for whole-slide pathology image understanding.
The dataset includes both instruction-following training data and VQA/Caption evaluation benchmarks across multiple pathology cohorts and tasks.
Contents
- Training Instruction Data
SlideInstruct_train_stage1_caption.json: Slide-level caption instruction data used for Stage-1 training.
SlideInstruct_train_stage2_vqa.json: Slide-level VQA instruction data used for Stage-2 training.
- Evaluation Benchmarks (SlideBench)
SlideBench-Caption-*.csv: Caption/Report evaluation splits for TCGA, CPTAC and Histai cohorts.
SlideBench-VQA-*.csv: Closed VQA evaluation splits for TCGA, BCNB, CPTAC, and Histai cohorts.
数据加载示例（图像类）
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
