لمحة عامة عن البيانات
| المساهم | الوصف |
|---|---|
| اسم البيانات | مجموعة بيانات لغة التدريب في المجال الطبي |
| المجموع | 100 مليون + بطاقة طبية من فئة NLP |
| 子数据集数 | 66 مجموعة من مجموعات البيانات الفرعية |
| NLP Task Types | السؤال: تصنيف الكيان: استخراج النصوص: توليد النص. |
| معايير التفتيش النوعية | شخص مزدوج مسمى بإسم واحد + تصريح من الخبراء (بما في ذلك القرار) + كابا كوهين = 0.80 |
| المصدر | الدراسة الذاتية/الاستخلاص (الدليل السريري، والآداب الدورية، وحوار المرضى، والأسئلة والإجابات على الإنترنت، وما إلى ذلك) |
| حالات الاستخدام | نموذج التقييم النموذجي للتعديلات على الترددات العالية جدا |
| نموذج الإمداد | 硬盘 · 云盘 · API · 数据基础设施 |
نظام البعد الميداني
| الفئة | الميدان | الوصف |
|---|---|---|
| 语料标识 | الهوية اللغوية: اسم مجموعة البيانات: نوع المهمة. | المعلومات فقط عن تحديد الهوية والبيانات الفوقية |
| 语料内容 | المحتوى الأصلي (التحسس) ترجمة النص | النص المصدري لإلغاء الوعي |
| 标注信息 | نوع البطاقات التعريفية: النتائج: المؤشر ID = حالة مراجعة الحسابات | التصديق الطبي المهني واستعراض الجودة |
| 模型适配 | ● مرحلة التدريب الموصى بها | معلومات متطابقة لمرحلة التقييم على الترددات العالية جداً/الترددات العالية جداً |
| 质检 | تقييم الرابطة الدولية للمحاسبين القانونيين. | تحديد مؤشرات التقييم النوعية وإمكانية التعقب |
توزيع نصوص المهام الرئيسية في إطار البرنامج الوطني
| NLP Task Types | مجموعة بيانات فرعية نموذجية | 语料规模 |
|---|---|---|
| تصنيف النصوص/النقصان | المبادئ التوجيهية الطبية وتوافق آراء الخبراء، الحالات الطبية | 15 ملايين + |
| 对话理解 | أسئلة وأجوبة عن المرضى على الإنترنت، ووكالة الصحة العامة الطبية، والحوارات المتعددة المرضى، والتوليد والتوليد/الطوارئ/الأطفال/الأطباء/العلم النفساني/الطب الصيني، والإجابات | 3000万+ |
| 实体抽取 | مجموعة بيانات تحديد هوية الكيانات الطبية | 800万+ |
| سلسلة التفكير/الجيل | وضع نماذج لمجموعات بيانات سلسلة التفكير، ومكتبة لمحو الأمية الطبية، والسؤال الطبي، ومجموعات البيانات المتعلقة بالتوجيهات المنطقية | 12 مليون + |
| المعيار المرجعي للتقييم | أسئلة/محاكاة طبية، ومشاورات صحية، وإسداء المشورة في مجال المخدرات، وأسئلة متخصصة، وإجابات | 25 ملايين + |
| 临床决策 | مشاورات سريرية، تشخيص مساعد - تقدم، تشخيص للتشخيص، توصيات للعلاج، تحليل طبي، إلخ. | 1800万+ |
脱敏 JSON 样例
{
"corpus_id": "NLP_NER_2024Q3_0004217",
"task_type": "named_entity_recognition",
"text": "患者男,52岁,因胸痛伴呼吸困难急诊入院,既往高血压史5年。",
"annotations": [
{"entity_type":"symptom","text":"胸痛","start":10,"end":12},
{"entity_type":"symptom","text":"呼吸困难","start":13,"end":17},
{"entity_type":"disease","text":"高血压","start":25,"end":28},
{"entity_type":"duration","text":"5年","start":28,"end":30}
],
"annotator_id": "ANNO_CLIN_0037",
"review_status": "approved",
"kappa_score": 0.94
}{
"corpus_id": "NLP_DIALOG_2024Q3_0009152",
"task_type": "multi_turn_dialogue",
"dialogue": [
{"role":"patient","content":"医生,最近两边膝盖上下楼特别疼,坐久了站起来也疼。"},
{"role":"doctor","content":"这种情况持续多久了?有没有红肿或者发热的感觉?"},
{"role":"patient","content":"大概两个月了。没有红肿,就是用力的时候会痛。"},
{"role":"doctor","content":"初步考虑膝关节退行性病变,建议先做膝关节X光片检查。"}
],
"annotation": {
"chief_complaint":"双膝关节疼痛2月",
"suggested_diagnosis":"膝关节退行性病变",
"recommended_exam":"膝关节X光片",
"department":"骨科"
},
"review_status": "approved"
}{
"corpus_id": "NLP_COT_2024Q3_0003472",
"task_type": "chain_of_thought",
"question": "45岁男性,血压160/100mmHg,BMI 28.5,空腹血糖6.8mmol/L,如何处理?",
"reasoning_steps": [
"Step1: 诊断-血压160/100mmHg已达2级高血压标准",
"Step2: 识别危险因素-BMI 28.5(肥胖)+ 空腹血糖6.8(空腹血糖受损)=代谢综合征",
"Step3: 靶器官评估-需查眼底、尿微量白蛋白、心电图、颈动脉超声",
"Step4: 治疗-生活方式干预(低盐低脂+运动减重)+ ACEI/ARB类降压药+监测血糖"
],
"final_answer": "诊断为2级高血压伴代谢综合征,建议生活方式干预联合ACEI/ARB类降压药,3个月内复查OGTT。",
"reference_source": "《中国高血压防治指南2023》",
"review_status": "approved"
}{
"corpus_id": "NLP_EVAL_2024Q3_0012895",
"task_type": "text_generation_eval",
"prompt": "请为一位2型糖尿病患者制定个性化饮食方案。",
"reference_answer": "建议采用低GI饮食,每日总热量1800-2000kcal,碳水化合物50-55%...",
"eval_scores": {
"medical_accuracy":4.5, "completeness":4.2, "practicality":4.8, "safety":5.0
},
"eval_rubric": "5分制,医疗准确性>=4.0为合格",
"reviewer_id": "REVIEW_ENDO_0005",
"review_status": "approved"
}{
"corpus_id": "NLP_GEN_2024Q3_0005628",
"task_type": "clinical_text_generation",
"input": {"symptoms":["发热","咳嗽"],"duration":"3天","temperature":"38.5"},
"target_output": "主诉:发热、咳嗽3天。现病史:患者3天前无明显诱因出现发热,最高体温38.5,伴干咳...",
"quality_metrics": {"bleu_score":0.72,"rouge_l":0.81,"clinical_approval":true},
"review_status": "approved"
}مواصفات الشروح
شروح مستقلة من قِبَل اثنين من المشروحين
ويفرد كل نص أخصائيان طبيان لتجنب آثار الانحرافات الفردية
一致性检验
"كابا كوهين" 0.80 لخط الأساس المؤهل، أقل من الحد الأدنى
استعراض الخبراء
تطهير مستوى الخبراء السريريين (بما في ذلك القرار) واستعراض العينات الدورية بلغة المكتبة
تحديد الهوية
التشغيل الآلي الكامل للمعدات + التحسيس اليدوي المزدوج، بما يتسق مع أنظمة حماية المعلومات الشخصية
السيناريوهات التطبيقية
نموذج كبير للرعاية الطبية
نص الحوار الرفيع المستوى وبيانات سلسلة الفكر التي تدعم توجه النماذج المتوسطة العامة إلى الميدان الرأسي الصحي
خط الأساس للتقييم النموذجي الكبير
توفر اختبارات التقييم الموحدة، مثل الفحوص الطبية، والأسئلة والأجوبة المتخصصة، مقارنات كمية للآثار النموذجية القابلة للتكرار
نظام دعم القرارات السريرية
التدريب الموصى به على نموذج برنامج مراجعة الحسابات/التشخيص التابع للمؤسسة الإنمائية للجنوب الأفريقي
توليد المعونة في الحالات الذكية
تنظيم حوار للتدريب على إنتاج السجلات الطبية لتحسين كفاءة الكتابة السريرية
إرشادات بشأن وصف الأدوية واستخدامها
نموذج للتثبت من صحة التدريب على المخدرات من أجل الاستخدام الرشيد على أساس التفاعل بين المخدرات ولغات تدريس المخدرات
الإحالة الذكية/الاستعراض السابق
نموذج للمواءمة وجمع الأعراض في قسم التدريب اللغوي للحوار المتعدد الأطراف بشأن المرضى
القيمة التجارية
الطراز الطبي الكبير المعجل هبط
وأدت عملية تعديل العملية برمتها من جمع المواد النصية إلى النموذج إلى خفض دورة تطوير النموذج الرأسي الطبي الكبير بأكثر من 60 في المائة.
مؤشرات طبية عالية الجودة
ويقلل عدد الهلوسات النموذجية الكبيرة من انتشار البطاقات المستقلة ذات السمة المزدوجة للشخص + تصاريح الخبراء + الفحص الدوري للكتلة الثلاثية، كابايو = 0.80.
الاستخدام التجاري في الامتثال
وتُلغى اللغة الكاملة من الوعي وتمتثل لقانون حماية المعلومات الشخصية، وهو قانون أمن البيانات الذي يأذن بالتسويق.
التركيبات المرنة والمصممة حسب الطلب
(66) مجموعة بيانات فرعية يتم اختيارها على أساس الحاجة لدعم الجمعات المرنة حسب نوع المهمة في البرنامج الوطني للتحرير، القسم، مرحلة التدريب.
المشاكل المشتركة
كيف تختلف لغة NLP عن النص الطبي العادي؟
وتُسمَّى لغة البرنامج الوطني بشكل منهجي، وتُنظَّم كل بيانات مع علامات مادية، وأدوار حوارية، وسلاسل فكرية، وسجلات، وما إلى ذلك، ويمكن استخدامها مباشرة في التدريب النموذجي على الترددات المتوسطة والترددات العالية جداً دون تجهيزات ثانوية.
كيف يمكن ضمان الدقة الطبية؟
وقد أدخل استخدام نظام مراقبة ثلاثي الأبعاد، يتسم بشكل مستقل بالاتساق (Kappa ⁇ =0.80) + الذي فحصه الخبراء السريريون، وأخذ عينات منتظمة في اللغة لضمان استقرار الجودة على المدى الطويل.
ما هي أشكال التدريب النموذجية التي تحظى بالدعم؟
:: دعم أشكال الترددات المتوسطة والصغيرة الحجم الرئيسية مثل الشكل المتوافق للبيانات ذات التردد العالي جداً في نظام LLAMA-Factory، وChtML، و ShareGPT، و OpenAI.
الحصول على فهرس كامل للمواد الطبية للغة غير المشروعين
100 مليون + نشير إلى النص 12 بعثة كبيرة من بعثات NLP 66 مجموعة بيانات فرعية، يرجى الاتصال بخبراء البيانات للحصول على قائمة مفصلة بالمجموعة الفرعية والعروض التجارية.