DermaVLM PMC临床视觉问答原始数据集

资源简介

DermaVLM PMC临床视觉问答原始数据集

DermaVLM/pmc_clinical_VQA_raw 是托管在 Hugging Face 平台上的一个皮肤与结缔组织疾病相关临床视觉问答数据集，同时包含图像与文本两种模态。该数据集共由 112 个 Parquet 文件组成，整体规模介于 10 万至 100 万条之间，发布时间为 2025 年 6 月 18 日。其文件以分片形式组织，例如 data/train-00000-of-00112.parquet 至 data/train-00007-of-00112.parquet 等，便于分批下载与处理。数据集面向临床视觉问答任务，可用于围绕皮肤及结缔组织疾病开展图像与文本联合建模的研究与实验。

【数据集背景】

该数据集属于皮肤与结缔组织疾病领域，本站分类归入“皮肤与结缔组织疾病 / 其他”。其命名中的 DermaVLM 指向皮肤相关的视觉语言模型方向，pmc_clinical_VQA_raw 则表明其与临床视觉问答相关，且为原始版本。源站描述指出，该数据集存在一个格式化版本，可在 Hugging Face 上找到，地址为 DermaVLM/PMC-Clinical-VQA。这表明当前数据集可能是未经格式化的原始数据，供需要自行处理字段与编码的使用者使用。

【数据内容】

数据集包含图像与文本两种模态，主题标签中明确标注了 modality:image 与 modality:text。数据以 Parquet 列式存储格式提供，共 112 个文件，文件样例包括 data/train-00000-of-00112.parquet、data/train-00001-of-00112.parquet、data/train-00002-of-00112.parquet、data/train-00003-of-00112.parquet、data/train-00004-of-00112.parquet、data/train-00005-of-00112.parquet、data/train-00006-of-00112.parquet、data/train-00007-of-00112.parquet 等。规模标签显示其记录数在 10 万至 100 万之间。除图像与文本外，具体字段名称、标签体系、问答对结构等细节，源站未提供。

【采集与来源】

该数据集来源于 Hugging Face 平台，来源站为 huggingface.co。其原始数据与 PubMed Central 相关，从名称中的 pmc 可以推断其与 PMC 文献资源存在关联，但具体的采集流程、筛选标准、纳入排除条件、标注方式与人员信息，源站未提供。发布时间为 2025 年 6 月 18 日。区域标签为 region:us。

【适用场景】

该数据集适用于皮肤与结缔组织疾病领域的临床视觉问答研究，可支持图像与文本联合建模、多模态理解与生成等任务。由于其同时包含图像与文本模态，可用于训练或评估视觉语言模型在临床问答场景下的表现。此外，Parquet 列式存储格式便于使用大数据处理工具进行读取与分析。具体的基准任务、评价指标与实验设置，源站未提供。

【使用方法】

使用时可先下载数据文件，共 112 个，例如 data/train-00000-of-00112.parquet、data/train-00001-of-00112.parquet、data/train-00002-of-00112.parquet、data/train-00003-of-00112.parquet 等，合计 50.50 GB。读取时按 Parquet 列式存储格式处理。建议先在小样本上核对字段与编码，确认无误后再批量接入。主题标签中提及了 datasets、dask、mlcroissant、polars 等库，表明可使用这些工具进行加载与处理。具体的加载代码、字段映射与预处理步骤，源站未提供。

【质量与限制】

该数据集为原始版本，源站描述中特别指出存在一个格式化版本，说明当前版本可能需要使用者自行完成格式化与字段核对工作。数据规模在 10 万至 100 万条之间，文件总量为 50.50 GB，对存储与计算资源有一定要求。关于数据质量、标注一致性、图像分辨率、文本语言、隐私与伦理审查等信息，源站未提供。使用时建议先在小样本上核对字段与编码，以降低批量处理风险。

【引用与许可】

该数据集托管于 Hugging Face，源站描述中提供了格式化版本的链接 DermaVLM/PMC-Clinical-VQA。关于该数据集的引用格式、作者信息、许可协议与使用条款，源站未提供。使用者在下载与使用前应自行查阅源站页面以确认相关要求。