Mengqi97/chinese-medical-dataset

解决的问题

本仓库提供了一个全面的开源中文医疗数据集集合与整理。它解决了医疗数据分散的问题，通过整合各类NLP任务（如医疗问答、实体识别、术语标准化、知识图谱构建）的资源，使研究人员更容易找到高质量的数据用于训练医疗AI。

如何工作

该项目作为一个经过筛选的目录，按主要任务对各种医疗数据集进行分类。它为每个数据集提供详细摘要，包括：

• 任务类型：如分类、医疗问答、实体识别或关系抽取。
• 数据量：训练、验证和测试样本的数量。
• 下载链接：直接链接到Hugging Face、GitHub或云盘等来源。
• 数据示例：以JSON或表格形式展示实际的问题、答案和标签结构的片段。

适用人群

• AI研究人员：正在开发大语言模型（LLM）或医疗领域专用模型的人。
• 机器学习工程师：正在构建医疗聊天机器人、智能诊断系统或医疗信息抽取工具的人。
• 数据科学家：需要结构化中文医疗文本用于训练或评估医疗AI模型的专业人士。

亮点

• 多样化的任务覆盖：包含医疗问答（如Huatuo-26M）、实体识别（如Yidu-S4K）和术语标准化（如Yidu-N7K）的数据集。
• 超大规模：包含超过2600万条高质量医疗问答对的Huatuo-26M数据集。
• 基准集成：包含用于评估中文医疗信息处理的CBLUE基准。
• 专业领域覆盖：涵盖中医、糖尿病研究、自闭症谱系障碍（AsdKB）等特定领域。