本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在2018年举行的一个众包挑战中被使用的数据集。

Feb, 2019

开源在线平台 EXACT（EXpert Algorithm Collaboration Tool）通过适应不同应用的灵活插件系统及版本控制系统，成功地应用于医学全幅图像分析、跨领域图像注释、深度学习等多样化的标注任务。

Apr, 2020

本研究旨在构建一个基于电子健康记录的与概念相关性有关的新基准，并评估现有数据集的优缺点，进而利用最先进的嵌入方法对新数据集进行测试，以此来应对与健康护理相关的人工智能应用中存在的相关性模型的挑战。

Oct, 2020

本研究提出了一种新型的框架，将模板检索和句子生成相结合，以处理普通和罕见异常情况，同时确保检测到的医学术语之间的语义一致性，该方法在两个医学报告基准测试上取得了明显的优势。

Jan, 2021

介绍新的数据集和任务，旨在促进医疗视频的理解与自然语言问题的视觉回答，并以这两项任务为重心，提供跨模态（医疗语言和医学视频）的理解挑战。这些任务和数据集有助于推动支持公众和医务人员受益的下游应用程序的发展，并已通过医学信息学专家的验证和修正。

Jan, 2022

发布了一个大规模的带注释 MeSH 索引语料库，其中包含 1342667 篇文献；我们训练了一个综合文档特征和其关联标签的端到端模型，并报道了新的基线。

Apr, 2022

MOSaiC 3.6.2 是一个基于Web的协作平台，用于医学视频的标注和评估，旨在促进基于视频的评估和加速外科数据科学项目。

Dec, 2023

通过应用共现损失并使用图像级别标签，以便快速且高效地检测手术工具，我们提出了一种在大规模图像数据集上实现手术工具检测的方法，并在Endovis2018数据集上的实验证明了其有效性。

Jan, 2024

通过视频进行手术场景感知对于推动机器人手术、远程手术和AI辅助手术至关重要，特别是在眼科领域。然而，缺乏多样化且注释丰富的视频数据集妨碍了智能系统在手术工作流分析方面的发展。为了填补这一空白，我们引入了OphNet，一个大规模的，由专家注释的眼科手术工作流理解视频基准。OphNet具有包含2,278个手术视频的多样化收藏，涵盖了66种白内障、青光眼和角膜手术，对102个独特的手术阶段和150个细粒度操作进行了详细注释。此外，OphNet提供了每个手术、阶段和操作的顺序和层次注释，可以全面理解和提高可解释性。此外，OphNet提供了时间定位注释，有助于手术工作流中的时间定位和预测任务。OphNet的手术视频总共约有205小时，比现有最大的手术工作流分析基准大约20倍。我们的数据集和代码已经在https://github.com/minghu0830/OphNet-benchmark上开放获取。

Jun, 2024

该研究介绍了一种通过自动索引和语义增强来提高临床CT图像系列的可发现性、可访问性、可互操作性和可重用性的方法，使用HL7 FHIR资源对元数据进行标准化，以提供医学影像数据的易发现性并促进互操作性，为医疗人工智能应用的大规模集成和索引提供了基础。

Jun, 2024