Presentamos un conjunto de datos etiquetados a gran escala y de alta resolución de radiografías de tórax para la ex-ploración automatizada de imágenes médicas junto con sus informes asociados. Este conjunto de datos incluye más de 160.000 imágenes de 67.000 pacientes que fueron interpretadas e informadas por radiólogos en el Hospital San Juan (España) desde 2009 hasta 2017, cubriendo seis vistas de posición diferentes e información adicional sobre la adquisición de la imagen y la demografía del paciente.
Los informes se etiquetaron con 174 hallazgos radiográficos diferentes, 19 diagnósticos diferenciales y 104 localizaciones anatómicas organizadas como una taxonomía jerárquica asignada a la terminología estándar del Sistema de Lenguaje Médico Unificado (UMLS). Un 27% de los informes fueron anotados manualmente por médicos entrenados y el conjunto restante fue etiquetado utilizando un método supervisado basado en una red neuronal recurrente con mecanismos de atención.Las etiquetas generadas fueron validadas, alcanzando una puntuación de 0,93 Micro-F1 utilizando un conjunto de pruebas independiente.
Hasta donde sabemos, ésta es la primera base de datos pública de radiografías de tórax anotada con el mayor número de etiquetas diferentes adecuadas para el entrenamiento supervisado sobre radiografías, y la primera en español que contiene informes radiográficos.