Eye Gaze Data for Chest X-rays

该数据集包含用于AI工具开发的胸部X光片的眼动追踪和报告口述数据，用于创建和验证AI模型。

This dataset comprises eye-tracking and report dictation data of chest X-rays, utilized for the development and validation of AI models in the creation of AI tools.

原始信息汇总

数据集概述

数据集名称

• 名称: Eye Gaze Data for Chest X-rays
• 版本: 1.0.0

数据集描述

• 目的: 用于AI工具开发的胸部X光数据集的创建和验证，结合眼动追踪和报告口述。
• 内容: 包含眼动追踪数据和报告口述数据，用于支持AI模型的开发和验证。

数据集来源

• 作者: Karargyris, Alexandros 等
• 发布平台: Physionet
• DOI: https://doi.org/10.13026/qfdz-zr67
• URL: https://physionet.org/content/egd-cxr/1.0.0/
• 发布年份: 2020

数据集使用

• 引用方式: 使用提供的bibTex引用数据集和相关论文。
• 下载方式: 需要签署用户协议后，通过命令行使用wget下载数据集。

数据集处理

• 处理代码: 位于Data Processing folder，包含数据后处理代码，如眼动坐标映射至图像坐标，音频文件的语音转文字等。
• 实验代码: 位于Experiments，包含用于论文中描述的机器学习实验的代码。

许可证

• 许可证类型: Apache 2.0
• 许可证链接: https://opensource.org/licenses/Apache-2.0

搜集汇总

数据集介绍

构建方式

该数据集通过结合眼动追踪技术和胸部X光片报告的语音转录，构建了一个用于AI工具开发的胸部X光片数据集。研究团队首先收集了MIMIC-CXR数据集中的胸部X光片图像，并利用眼动追踪设备记录了放射科医生在诊断过程中的视线轨迹。同时，通过语音转录技术，将医生的报告内容转化为文本数据。这些数据经过后处理，包括将眼动坐标映射到图像坐标，以及对音频文件进行语音识别，最终形成了包含眼动数据和报告文本的完整数据集。

特点

该数据集的显著特点在于其多模态数据的融合，不仅包含了传统的胸部X光片图像，还集成了放射科医生的眼动轨迹和语音报告文本。这种多模态数据的结合为AI工具的开发提供了丰富的信息源，有助于更准确地模拟和学习放射科医生的诊断过程。此外，数据集的构建过程中采用了严格的数据处理和验证方法，确保了数据的质量和可靠性。

使用方法

用户可以通过签署用户协议并下载MIMIC-CXR数据集和眼动数据集来获取该数据集。下载后，用户可以使用提供的代码进行数据处理和实验复现。数据处理部分包括将眼动坐标映射到图像坐标，以及对音频文件进行语音识别。实验部分则提供了机器学习实验的代码，用户可以根据需要进行模型训练和验证。通过这些步骤，用户可以充分利用该数据集进行AI工具的开发和研究。

背景与挑战

背景概述

眼动追踪技术在医学影像分析中的应用日益广泛，尤其是在胸部X光片的解读中，其潜力尤为显著。Eye Gaze Data for Chest X-rays数据集由Karargyris等人于2020年创建，旨在通过结合眼动追踪和报告口述数据，推动人工智能工具在医学影像分析中的发展。该数据集的核心研究问题是如何有效整合眼动数据与胸部X光片，以提升AI系统对医学影像的解读能力。该数据集的发布不仅为医学影像分析领域提供了新的研究资源，还为AI工具的开发和验证提供了坚实的基础。

当前挑战

该数据集在构建过程中面临多项挑战。首先，如何准确地将眼动追踪数据与胸部X光片图像坐标进行映射，确保数据的精确性和一致性，是一个技术难题。其次，数据集的构建需要处理大量的眼动和语音数据，如何高效地进行数据处理和整合，以确保数据的质量和可用性，也是一大挑战。此外，数据集的验证过程需要确保其能够真实反映临床环境中的影像解读过程，这对数据集的可靠性和实用性提出了更高的要求。

常用场景

经典使用场景

在医学影像分析领域，Eye Gaze Data for Chest X-rays数据集的经典使用场景主要集中在通过眼动追踪技术来辅助放射科医生进行胸部X光片的诊断。该数据集记录了医生在查看胸部X光片时的眼动轨迹，结合语音报告的转录，能够帮助研究人员开发和优化人工智能辅助诊断工具。通过分析医生的注视点和注视时间，AI系统可以学习到专家的诊断模式，从而提高诊断的准确性和效率。

衍生相关工作

基于Eye Gaze Data for Chest X-rays数据集，许多相关研究工作得以展开。例如，研究人员开发了基于眼动追踪的深度学习模型，用于预测放射科医生的诊断决策；还有研究探讨了如何将眼动数据与语音报告结合，构建更全面的诊断辅助系统。此外，该数据集还激发了跨学科的研究兴趣，如心理学和认知科学领域，探讨医生在诊断过程中的认知行为模式。

数据集最近研究

最新研究方向

在医学影像分析领域，眼动追踪技术与胸部X光片的结合为人工智能工具的开发提供了新的研究方向。该数据集通过整合眼动数据与胸部X光片，旨在探索如何利用眼动追踪技术辅助AI系统更准确地识别和诊断疾病。这一研究不仅推动了医学影像分析的智能化进程，还为临床诊断提供了更为精准的辅助工具。通过分析专家在解读X光片时的眼动模式，研究者能够训练AI模型模拟人类专家的诊断过程，从而提高诊断的准确性和效率。这一领域的研究对于提升医疗AI系统的实用性和可靠性具有重要意义，尤其是在应对复杂病例和提高诊断一致性方面。