评估ChatGPT在皮肤病学委员会风格考试中的表现：基于文本和图像问题的准确性元分析
评估ChatGPT在皮肤病学委员会考试中文本与图像问题准确性的元分析补充图表数据集。
基本信息
资源简介
评估ChatGPT在皮肤病学委员会风格考试中的表现：基于文本和图像问题的准确性元分析
【一句话概览】
本数据集是 Mendeley Data 公开的影像数据集，收录 4 个文件、合计 266.91 KB，可用于医学图像分割、检测与分类模型的训练与评测。
【数据集背景】
本数据集源站标题为《Evaluating the Performance of ChatGPT on Dermatology Board-Style Exams: A Meta-Analysis of Text-Based and Image-Based Question Accuracy》。源站首次发布：2025-02-06。
【数据内容】
源站原始描述：1. Supplemental Figure I: A PRISMA diagram illustrating the study selection process. This diagram shows how articles were retrieved from PubMed and SCOPUS databases, with the search terms related to ChatGPT, dermatology, and exam-style questions. 2. Supplemental Figure II: This figure presents the total accuracy for each GPT model (ChatGPT-3, ChatGPT-3.5, and ChatGPT-4) across all the questions tested. It highlights the number of studies reporting performance for each model and provides 95% con…
中文译文（机器翻译，仅供快速理解，请以原文为准）：1. 补充图I：展示研究筛选过程的PRISMA流程图。该图展示了如何从PubMed和SCOPUS数据库中检索文章，检索词涉及ChatGPT、皮肤病学和考试风格问题。2. 补充图II：该图展示了每个GPT模型（ChatGPT-3、ChatGPT-3.5和ChatGPT-4）在所有测试问题上的总准确率。它突出了报告每个模型性能的研究数量，并提供了95%置信区间。3. 补充图III：该图根据美国皮肤病学委员会（ABD）标准，按特定皮肤病学类别细分了每个GPT模型的性能，包括皮肤病理学、普通皮肤病学、儿童皮肤病学、科学研究以及外科皮肤病学。它还提供了每个类别的95%置信区间。4. 补充图IV：该图比较了每个GPT模型在视觉问题与文本问题上的性能。由于GPT-3和GPT-3.5缺乏视觉识别能力，因此该比较主要聚焦于ChatGPT-4在解读视觉问题方面的性能。该图还提供了每个性能类别的95%置信区间。
【数据结构与技术规格】
文件数 4 个，合计 266.91 KB。数据集 DOI：10.17632/y4wx9hgbx5.1。
【适用方向】
影像类数据可用于医学图像分析模型（检测、分割、分类）的训练与评测，也可用于标注质量与成像参数相关性的研究。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/y4wx9hgbx5
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/y4wx9hgbx5
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
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。
