General-Medical-AI/GMAI-Reasoning10K

GMAI-Reasoning10K是一个高质量的医疗图像推理数据集，包含10,000个经过精心挑选的样本。数据来源于95个可靠的医学数据集，如Kaggle、GrandChallenge和Open-Release，涵盖了包括X射线、CT和MRI在内的12种成像模式。数据预处理采用了SAMed-20M的标准方法，对3D数据（CT/MRI）提取了个别切片，并将像素值标准化到0-255范围内；对视频数据以每秒2帧的速度提取关键帧。从每个数据集中提取了关键元数据，包括背景信息、成像模式和标签，并使用GPT构建了信息性提示，生成带有单个正确答案的多选问题。通过严格的质量控制和淘汰抽样策略，排除了不符合预设标准的样本（如相关的注释或正确的标签），确保了最终数据集的高质量和可靠性。

GMAI-Reasoning10K is a high-quality medical image reasoning dataset containing 10,000 carefully selected samples. The data was collected from 95 medical datasets from reliable sources such as Kaggle, GrandChallenge, and Open-Release, covering 12 imaging modalities including X-ray, CT, and MRI. Data preprocessing followed the standardization methods from SAMed-20M: 3D data (CT/MRI) had individual slices extracted with pixel values normalized to the 0-255 range, while video data had key frames extracted at a rate of 2 frames per second. Key metadata was extracted from each dataset, including background information, imaging modality, and labels, and GPT was used to construct informative prompts that generate multiple-choice questions with a single correct answer. Strict quality control and reject sampling strategies were employed to eliminate samples that did not meet predefined standards (such as relevant annotations or correct labels), ensuring the high quality and reliability of the final dataset.

搜集汇总

数据集介绍

构建方式

GMAI-Reasoning10K数据集从Kaggle、GrandChallenge和Open-Release等可靠来源的95个医学数据集中精心筛选，覆盖X射线、CT、MRI等12种成像模态。数据预处理遵循SAMed-20M的标准化方法：对CT/MRI等3D数据提取单个切片并将像素值归一化至0-255范围，视频数据则以每秒2帧的速率提取关键帧。随后，从每个数据集中提取关键元数据（包括背景信息、成像模态和标签），利用GPT构建包含单一正确答案的多选题提示。通过严格的质量控制和拒绝采样策略，剔除不符合预定义标准（如相关标注或正确标签）的样本，确保最终数据集的高质量和可靠性。

特点

该数据集包含10,000个高质量医学图像推理样本，每个样本以图像-对话对形式存储，对话包含推理过程。数据集提供两种配置：reasoning_mcq_rl配置用于强化学习，包含直接答案的选择题；reasoning_mcq_sft配置用于监督微调，包含逐步推理过程和最终答案。数据涵盖多种医学图像类型，且每个样本均经过严格质量控制，确保标注准确性和推理逻辑的严谨性。这种双配置设计使得数据集可同时支持直接答案预测和链式推理学习，适用于不同训练范式。

使用方法

数据集以JSONL格式存储，每条记录包含图像文件路径和对话列表。使用时可基于HuggingFace的datasets库加载，通过指定配置名称（如'reasoning_mcq_rl'或'reasoning_mcq_sft'）选择相应子集。RL配置中，模型需从选项中选择正确答案；SFT配置中，模型需先生成<think>标签内的推理过程，再输出<answer>标签内的最终答案。用户可根据任务需求（如直接回答或链式推理）选择合适的配置，并将图像与对应对话结合进行多模态模型训练或评估。

背景与挑战

背景概述

在医学影像分析领域，视觉语言模型（VLM）的推理能力正成为推动智能诊断发展的关键。2025年，由Yanzhou Su、Tianbin Li等研究人员联合多家机构构建的GMAI-Reasoning10K数据集应运而生，旨在为多模态医学推理提供高质量的基准资源。该数据集从Kaggle、GrandChallenge等95个可靠来源精选了10,000个样本，覆盖X射线、CT、MRI等12种影像模态，并采用标准化预处理流程确保数据一致性。其核心研究问题聚焦于如何通过结构化问答形式，结合思维链（CoT）与强化学习（RL）策略，提升模型在复杂医学场景下的逻辑推理与决策能力。GMAI-Reasoning10K不仅为GMAI-VL-R1模型提供了训练支撑，更推动了医学视觉推理从简单分类向多步骤、可解释性分析的范式转变，对医学人工智能领域产生了深远影响。

当前挑战

GMAI-Reasoning10K面临的核心挑战源于医学影像推理的固有复杂性。首先，在领域问题层面，医学诊断需要模型不仅识别影像异常，还需理解病理机制与临床关联，例如区分骨质疏松与健康骨骼时需精确分析骨小梁纹理的细微差异，这对模型的视觉感知与知识迁移能力提出极高要求。其次，在数据集构建过程中，挑战尤为突出：从95个异构数据源整合多模态影像时，需应对不同设备、协议导致的图像质量差异；利用GPT生成多选题时，需通过严格的质量控制与拒绝采样策略过滤错误标注，确保推理链条的医学准确性；此外，针对3D影像（如CT/MRI）的切片提取及视频关键帧采样，需平衡信息完整性与计算效率，避免因预处理不当引入噪声。这些挑战共同制约着数据集在真实临床场景中的泛化性能与可靠性。

常用场景

经典使用场景

GMAI-Reasoning10K作为医学视觉推理领域的标志性数据集，其经典应用场景聚焦于多模态大型语言模型的训练与评估。该数据集精心整合了涵盖X射线、CT、MRI等12种成像模态的95个可靠医学数据源，通过标准化预处理和GPT辅助的智能提示构建，生成了10,000个高质量的多项选择题样本。研究者可借助其强化学习（RL）与监督微调（SFT）两种配置，分别训练模型在直接作答和逐步推理两种范式下的医学图像问答能力，从而系统性地提升模型对复杂医学影像的认知与推理水平。

解决学术问题

在学术研究中，该数据集有效破解了医学多模态推理领域长期面临的标注数据稀缺与推理过程缺失的双重困境。传统医学视觉问答数据集往往仅提供答案标签，缺乏对诊断逻辑链的显式建模，而GMAI-Reasoning10K通过引入链式思维（CoT）推理注释，使模型能够学习从影像特征到临床结论的逐步推导过程。这为探究大语言模型在医学领域中的可解释性推理、跨模态对齐以及强化学习优化策略提供了关键基准，显著推动了医学人工智能从简单分类向深度推理的范式转变。

衍生相关工作

该数据集的发布催生了一系列开创性研究工作，其中最引人注目的是GMAI-VL-R1框架，其创新性地将强化学习引入医学多模态推理，验证了基于奖励信号的策略优化能有效提升模型在复杂医学问答任务中的准确性与鲁棒性。后续研究进一步探索了基于该数据集的跨模态知识蒸馏、少样本推理泛化以及医学大模型的安全对齐等方向，形成了以‘推理增强’为核心的医学AI研究新范式，为构建可信赖的临床智能系统奠定了方法论基础。