科研项目

项目概要

• 发布规模最大的中文医疗问答数据集，该数据集由2650万个问答对组成，将现有的医疗问答数据集规模扩大了2个数量级；
• 对中国生物医学问答数据集的许多现有工作进行了基准测试，并为性能最佳的模型提供开放API；
• 建立在线排行榜来更好地比较现有工作。

项目挑战

• 海量数据的收集和清理需要大量时间和繁琐工作；
• 现存工作大多数针对英文，进行基准测试需要重新复现、训练、评估；
• 在该数据集上预训练大模型，并和通用模型进行对比需要大量算力和时间。

项目意义

• 医疗问答对作为一种富含医疗知识的数据形式，规模不断扩大的同时，缺少针对性的知识挖掘工作。本项目在构建数据集之后进行基准测试，并开源在数据集上预训练的语言模型，一方面可以为中文医疗下游任务提供强大的基线，另一方面也可以促进更多的工作聚焦医疗问答对上的数据挖掘
• 查询搜索引擎或在线问诊是现在大多数人就医前的选择。对于一般症状，因其有很大的相似性经常导致重复回答；而对于有潜在风险的症状，存在有错诊漏诊的可能。构建大型中文医疗问答数据集，可以促进实现自动医疗问答平台的构建，提高效率和准确程度。
• 本项目虽然为特定领域的问答对数据集，但是其千万级别的规模甚至超过了所有通用领域数据集的规模。所以该数据集也可作为检索领域的评估数据集，对评估相关工作提供参考。

数据集构建

数据爬取

• 千问健康：

文章类数据： 299943篇专家文章；

问答类数据：32708349条问题权威问答，32708342条医生回答；

• 中文维基：

疾病：17323条；

药物：3996条；

• 知识图谱：

CPubMed-KG：534842种疾病、184253类药物、142415种症状以及各类诊疗技术在内总计约172万个实体；  

涵盖药物治疗、实验室检查等    40余种关系，结构化知识三元    组总量达到438万；

39健康网：包括15项信息，其中3.7万实体，21万实体关系； 寻医问药网：8类实体，11类实体关系，8个属性类型

数据处理和构建

千问数据：千问问答、千问文章分别进行数据清洗，数据去重；

中文维基：

• 在维基页面中，挑选出医疗相关数据；
• 对数据进行结构化解析，获得标题以及对应的内容；
• 对标题进行统计分析，筛选出频率超过5的标题，并且人工进行筛选；
• 通过模板和子标题构建问题，标题对应的内容为答案；

知识图谱：

• 对3个来源的知识图谱数据进行清洗、合并图谱实体关系，并去重；
• 根据实体、关系名称和模板构建问题和答案。

数据集概览

数据集组成

数据集文本格式

0000030024    舌中分化鳞癌是什么病    你好！不知道是不是最终手术病理切片出来的结果！一种癌症癌症的分期，分化程度越高，其恶性程度越低，癌症的分期是看肿瘤本身大小和转移的情况来分的。建议你到口腔医院去看，可以先放疗，待瘤体缩小、稍硬化一点，再做手术，效果会好些。,一般再医学上规定，存活5年以上就是痊愈！

0000030025    输卵管通水后40天没有来月经正常吗月经推迟40天 输卵管通水是可以在月经干净后3天，去医院的妇产科做的检查的，是可以判断和治疗输卵管通畅性的情况的。

0000030026    最近经常排尿时尿道有烧痛感、尿频尿急，有时还尿失禁，全身疲乏，去医院检查是膀胱炎。请问膀胱炎能治好吗？    膀胱炎是可以治愈的。针对膀胱炎的治疗，在临床上，多选用抗生素类药物进行治疗，抗生素类药物虽然起效迅速，但对人体的毒副作用较大，且容易产生耐药性。针对这种情况，患者可以采用保守的中药治疗。

基准测试

• 预训练语言模型

• 检索增强

合作伙伴          

鼎富智能科技有限公司

研究成员与团队          

PI：王本友教授、万翔教授        

工程师：李健铨、刘小康、相博、张志一        

博士生：王熙栋