IEETA/SPACCC-Spanish-NER

本项目使用的合并数据集结合了四个不同的注释数据集，这些数据集均基于西班牙临床病例语料库（SPACCC），该语料库是来自西班牙医学出版物的临床病例报告的汇编。合并数据集共包含16,504个句子，涵盖1,000个临床病例。数据集的主要目标是识别临床叙述中的各种医学实体，包括症状、医疗程序、疾病、蛋白质和化学物质。数据集的注释已标准化为SNOMED CT，确保跨数据集的一致性。数据集分为训练集和测试集，用于医学实体识别和标准化任务的模型训练和评估。

原始信息汇总

数据集概述

数据集基本信息

• 许可证: CC-BY-4.0
• 特征:
  • filename: 字符串类型
  • ann_id: 整数类型
  • label: 字符串类型
  • start_span: 整数类型
  • end_span: 整数类型
  • text: 字符串类型
• 分割:
  • 训练集: 33757个样本，3225477字节
  • 测试集: 11239个样本，1072603字节
• 下载大小: 6341899字节
• 数据集大小: 4298080字节

数据集描述

• 来源: 合并了四个不同的标注数据集，基于西班牙临床案例语料库(SPACCC)。
• 内容: 包含16,504个句子，涉及1,000个临床案例，专注于识别症状、医疗程序、疾病、蛋白质和化学物质等医疗实体。
• 使用场景: 用于训练和评估西班牙语临床文本中的医疗实体识别和规范化模型。

数据集组成

• SympTEMIST: 12,193个标注，专注于症状、体征和发现。
• MedProcNER: 14,683个标注，专注于医疗程序识别。
• DisTEMIST: 10,663个标注，专注于疾病识别。
• PharmaCoNER: 7,624个标注，专注于化学物质和蛋白质识别。

数据集统计

• 训练集和测试集统计:
  • SympTEMIST: 训练集9,091个，测试集3,102个
  • MedProcNER: 训练集11,065个，测试集3,618个
  • DisTEMIST: 训练集8,065个，测试集2,598个
  • PharmaCoNER: 训练集4,665个，测试集1,959个
• 总标注数: 训练集32,886个，测试集11,277个，总计45,163个

数据集使用

• 用途: 用于训练和评估模型，识别和规范化西班牙临床文本中的医疗实体。
• 参考文献: 提供了多篇相关研究和论文的引用。