MultiMed

מה זה

המאגר מיועד לזיהוי דיבור אוטומטי בתחום הרפואי ומכיל הקלטות קוליות בחמש שפות: וייטנאמית, אנגלית, גרמנית, צרפתית ומנדרינית. לפי כותבי המאמר, מדובר באוסף שמכסה תנאי הקלטה שונים, מבטאים מרובים ותפקידי דוברים שונים במפגש הרפואי. החומרים עצמם מאורגנים בתיקיות נפרדות לכל שפה, ובתוכן חלוקה מובנית לקובצי אימון, בדיקה והערכה.

הכרטיס לא מפרט מה בדיוק מקור ההקלטות, באילו מוסדות או פלטפורמות הן נאספו, ואיזה סינון או ניקוי בוצעו בפועל לפני החלוקה. אין פירוט על משך השעות הכולל של כל שפה, ולכן כדי להבין את עומק הכיסוי המדויק תצטרכו לבדוק את המאמר המלא שפורסם סביב הפרויקט.

מתאים ל

• אימון מודלי Whisper רפואיים

  כוונון עדין של מודלי שמיעה על מונחים קליניים באנגלית, צרפתית או גרמנית.

• הערכת ביצועי תמלול רב־לשוני

  בדיקת איכות של מודלי ASR קיימים מול מבטאים ודיבור רפואי בחמש שפות שונות.

• פיתוח כלי עזר לרופאים

  בניית רכיבי קליטה קולית לצורך סיכום שיחות ומפגשים במרפאות בינלאומיות.

איפה זה נופל

החיסרון המרכזי כאן הוא היעדר מוחלט של עברית, כך שהוא לא יעזור למוצרים שמיועדים לשוק המקומי אלא אם אתם מפתחים למערכות בינלאומיות. בנוסף, התיעוד אינו מפרט את אופי ההקלטות, האם מדובר בדיאלוגים ספונטניים בין רופא למטופל או בהקראה של טקסטים רפואיים מוכנים. קיימת גם שונות ברורה בכמות החומר בין השפות, כפי שרואים במספר הקבצים השונה, ולכן הביצועים שתקבלו בין אנגלית לווייטנאמית עשויים להיות רחוקים זה מזה. לא ברור אם הנתונים עברו הסרת פרטים מזהים לפי תקני פרטיות רפואיים, וזה דורש בדיקה מעמיקה לפני שמכניסים אותם לתהליך פיתוח.

איך טוענים

הגישה לקבצים פתוחה לכולם ללא צורך בהרשמה מיוחדת או אישור גישה מראש. המאגר מורכב מ־24 קובצי Parquet המחולקים לפי שפות, למשל תיקיות ייעודיות לאנגלית ולסינית, ובתוכן פיצול לקבצים עבור train, test ו־eval. באנגלית ישנם שישה קובצי אימון ושני קובצי בדיקה, כך שמומלץ לבצע טעינה ישירה של השפה הרצויה במקום למשוך את כל המאגר בבת אחת. טוענים אותו כרגיל דרך ספריית datasets באמצעות מזהה המאגר leduckhai/MultiMed, כאשר הנתונים כוללים את רכיבי האודיו והתמלול המקביל. גודל הנפח הכולל בדיסק אינו מצוין בכרטיס, לכן כדאי לוודא שיש מקום פנוי מספק לעיבוד קובצי קול דחוסים.

from datasets import load_dataset

ds = load_dataset("leduckhai/MultiMed")

הרישיון

הרישיון המדווח הוא MIT, מה שנותן חופש פעולה כמעט מלא. מותר להשתמש בנתונים למטרות מחקריות וגם למוצרים מסחריים, לבצע התאמות, ולאמן מודלים בלי לחשוף את הקוד שלכם או לחלוק אותו תחת אותו רישיון. התנאי היחיד הוא שמירת הודעת זכויות היוצרים והרישיון המקורי בתוכנה או בהפצה שלכם.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא ב־Hugging Face ↗