Mã nguồn mở (Open Source)
Toàn bộ dữ liệu đã ẩn danh và mã nguồn quy trình xử lý (pipeline) được phát hành công khai dưới giấy phép Apache 2.0. Bất kỳ ai cũng có thể sử dụng, nghiên cứu và phát triển.
VMAD (Vietnamese Medical AI Dataset) là dự án mã nguồn mở phi lợi nhuận do Panda Lab xây dựng, hướng tới việc giải quyết bài toán thiếu hụt bộ dữ liệu y tế tiếng Việt chuẩn hóa cho các mô hình AI tại Việt Nam.
Phát triển AI trong y tế đòi hỏi nguồn dữ liệu sạch, phong phú và tuyệt đối an toàn về mặt riêng tư. VMAD thu thập dữ liệu từ các nguồn mở y tế, tự động loại bỏ thông tin định danh cá nhân (PHI), đánh giá điểm chất lượng và công khai toàn bộ mã nguồn cùng bộ dữ liệu để cộng đồng kết nối và mở rộng.
Toàn bộ dữ liệu đã ẩn danh và mã nguồn quy trình xử lý (pipeline) được phát hành công khai dưới giấy phép Apache 2.0. Bất kỳ ai cũng có thể sử dụng, nghiên cứu và phát triển.
Tuân thủ nghiêm ngặt các quy định bảo mật dữ liệu y tế tương đương HIPAA/GDPR. Tích hợp Microsoft Presidio kết hợp bộ nhận dạng chuyên biệt cho tiếng Việt để che giấu 100% PHI.
Được thiết kế dành riêng cho cộng đồng nghiên cứu AI y tế, sinh viên, y bác sĩ và các startup công nghệ tại Việt Nam cùng chung tay xây dựng trí tuệ nhân tạo y tế.
Tập trung thu thập văn bản lâm sàng, báo cáo ca bệnh và tài liệu chuyên môn tiếng Việt thay vì dịch máy từ tiếng Anh, đảm bảo tính tự nhiên và chính xác trong thuật ngữ y khoa.
Phát hiện và thay thế 5 thực thể PHI chính: Tên người (PERSON), Số CCCD/CMND (ID_CARD), Ngày sinh (DOB), Số điện thoại (PHONE) và Địa chỉ (ADDRESS).
Xuất dữ liệu chuẩn JSONL & Parquet cùng các định dạng Fine-tuning phổ biến như Alpaca (instruction/input/output) và ShareGPT (system/conversations) cho PhoBERT, VinBigData và Qwen.
Mọi crawler, script làm sạch và đánh giá chất lượng đều nằm trong repository Python (src/). Tiến trình Daemon chạy ngầm giúp thu thập và cập nhật tập dữ liệu liên tục.
Mã nguồn và tập dữ liệu VMAD được phân phối theo giấy phép Apache 2.0. Bạn có quyền tự do truy cập, chỉnh sửa, tích hợp và phân phối (thương mại hoặc phi thương mại), miễn là giữ nguyên thông tin bản quyền và trích dẫn Panda Lab.