评估AI在Mohs手术术后问题中的表现补充表1

包含8位Mohs外科医生对3个AI模型在术后问题回答中缺陷的补充表格数据。

Mendeley Data
浏览 16
表格皮肤癌AI模型评估
Evaluating AI in Mohs Surgery Post-Operative Questions Supplemental Table 1

基本信息

模态
表格
大小
0.004624043 GB
创建/更新时间
2026-10-08
版本
v2

资源简介

评估AI在Mohs手术术后问题中的表现补充表1

【一句话概览】

该补充表1汇总了按AI模型划分的、由评审者标记的缺陷。八位Mohs外科医生审阅了36条回答(12个问题×3个模型),并按预设类别标记缺陷;每条回答可被标记多个缺陷。LLaMA 4的遗漏和模糊指导数量最多。表中展示了各模型与各类别的总计数。文件数为1,合计大小4.6 MB。源站标题为《Evaluating AI in Mohs Surgery Post-Operative Questions Supplemental Table 1》(来源 Mendeley Data)。

【数据集背景】

本数据集源站标题为《Evaluating AI in Mohs Surgery Post-Operative Questions Supplemental Table 1》。源站首次发布:2025-12-09。

【数据内容】

源站原始描述:Supplementary Table 1. Summary of reviewer-flagged deficiencies by AI model. Eight Mohs surgeons reviewed 36 responses (12 questions × 3 models) and flagged deficiencies using pre-specified categories. Multiple deficiencies could be flagged per response. LLaMA 4 accounted for the highest number of omissions and ambiguous guidance. Total counts per model and category are shown

中文译文(机器翻译,仅供快速理解,请以原文为准):补充表1. 按AI模型汇总的评审员标记缺陷。8名莫氏手术外科医生审阅了36份回答(12个问题 × 3个模型),并使用预先指定的类别标记缺陷。每份回答可标记多项缺陷。LLaMA 4的遗漏和模糊指导数量最多。表中显示了每个模型和类别的总计数。

【数据结构与技术规格】

文件数 1 个,合计 4.62 MB。数据集 DOI:10.17632/kxwzmgx62v.2。

【适用方向】

结构化表格数据可直接用于统计建模、特征工程与队列分析。

【获取与许可】

源站页面:https://data.mendeley.com/datasets/kxwzmgx62v

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

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

源站:https://data.mendeley.com/datasets/kxwzmgx62v

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 部分平台提供 SDK,例如:
    • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
    • ModelScope: pip install modelscope 后 modelscope download
    • 天池: 登录后页面提供直链下载
      以源站「数据下载/使用文档」页面为准。

数据加载示例(表格/文本类)

import pandas as pd, glob, os

files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))

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。

获取专属数据定制方案