dataset-anon-2026/dataset-anon-2026

该数据集是一个用于放射学报告质量评估的衍生评估资源，基于五个开源放射学报告生成数据集（包括AMOS-MM、CT-RATE、CTRG-Brain-263K、MIMIC-CXR和RadEvalX）构建。通过应用统一的报告到问答（QA）流程，为每个源数据集生成了数据集特定的知识树、结构化报告（包括诊断和发现部分）、初始QA集和质量控制的QA集。核心思想是：通过从参考放射学报告中提取临床基础问题，来评估生成的放射学报告的质量；如果生成的报告包含相同的临床相关信息，则应能正确回答这些问题。生成的QA准确率和相关指标可作为报告生成任务的事实质量信号。该流程设计为可扩展，适用于不同成像模态（如CT、X光）、解剖区域（如腹部、大脑）和语言（英语和中文）。数据集总计包含6,957份原始报告，876,950个QA对（经过过滤后为666,689个），以及结构化的诊断和发现报告。它旨在支持放射学报告质量评估研究、医学报告生成的事实性评估、结构化报告提取研究、基于知识的放射学问答，以及多模态医学AI基准测试，特别是跨模态、跨解剖区域和跨语言的评估研究。

This repository contains derived evaluation resources for radiology report quality assessment. The dataset is built from five open-source radiology report generation datasets. For each source dataset, we apply the same report-to-QA pipeline and release the resulting dataset-specific knowledge trees, structured reports, initial QA sets, and quality-controlled QA sets. The core idea is to evaluate a generated radiology report by asking clinically grounded questions derived from the corresponding reference report. If the generated report contains the same clinically relevant information, it should answer these questions correctly. The resulting QA accuracy and related metrics can be used as a factual quality signal for report generation. The pipeline is designed to be extensible across modalities, anatomical regions, and languages.