GonzaloValdenebro/MedicalQuestionAnsweringDataset

MedQuAD数据集包含47,457个医学问答对，涵盖了37种问题类型，如治疗、诊断、副作用等，涉及疾病、药物和其他医学实体。数据集来源于12个NIH网站，包括癌症、老年健康、生长激素和受体等多个医学领域。此外，数据集还提供了额外的XML注释，支持多种信息检索和自然语言处理任务。数据集被分为80%的训练集和20%的测试集，每个主题分别处理后合并为一个文件。

---许可证：MIT许可证---

---关于数据集---

本数据集从MedQuAD仓库采集后转换为CSV格式文件，包含以下多个类别：
1. 癌症
2. 老年健康
3. 生长激素及其受体
4. 心、肺与血液系统疾病
5. 遗传与罕见病
6. 疾病防控
7. 神经系统疾病与脑卒中
8. 糖尿病与罕见病
9. 其他

本数据集源自https://github.com/abachaa/MedQuAD.git仓库，如需获取更多信息请参考该仓库。为便于您理解本数据集，我已附上其README文件内容。

本数据集针对每个主题分别以80%训练集、20%测试集的比例划分，最终合并为单个文件。

---MedQuAD：医疗问答数据集---

MedQuAD包含从12个美国国立卫生研究院（National Institutes of Health, NIH）旗下网站（如cancer.gov、niddk.nih.gov、GARD、MedlinePlus健康主题专区）采集的47457条医疗问答对。该数据集涵盖与疾病、药物及检测等其他医疗实体相关的37类问答类型（如治疗方案、诊断方法、不良反应）。

其XML文件中包含额外标注信息，可用于多种信息检索（Information Retrieval, IR）与自然语言处理（Natural Language Processing, NLP）任务，例如问答类型、问答焦点、同义词、统一医学语言系统（Unified Medical Language System, UMLS）概念唯一标识符（Concept Unique Identifier, CUI）以及语义类型（Semantic Type）。

在4个MedlinePlus相关数据集中，研究人员额外标注了问答焦点的类别（疾病、药物或其他）；其余所有数据集均围绕疾病展开。

下文引用的论文详细阐述了该数据集的采集过程、构建方法，以及其在医疗问答系统中的应用与评测方式。

注意：为遵守MedlinePlus的版权要求（https://medlineplus.gov/copyright.html），研究人员移除了3个子集的回答内容：(1) A.D.A.M.医疗百科全书，(2) MedlinePlus药物信息，(3) MedlinePlus草药与补充剂信息。其余所有信息（包括相关URL）均予以保留，方便您自行抓取完整回答。如有任何疑问，请联系原作者。

---问答测试集---

该数据集采用了TREC-2017 LiveQA医疗任务的测试问题，相关资源可参考：https://github.com/abachaa/LiveQA_MedicalTask_TREC2017/tree/master/TestDataset。

如研究人员在BMC期刊发表的论文中所述，他们已针对信息检索（IR）与问答（Question Answering, QA）系统从MedQuAD数据集中检索得到的回答进行了人工标注。他们沿用了LiveQA赛道的评分标准：1分（错误）、2分（相关）、3分（不完整）、4分（优秀）。qrels文件格式为：Question_ID judgment Answer_ID。

本问答测试集包含2479条标注回答，可用于评测信息检索（IR）与问答（QA）系统在LiveQA-Med测试问题上的表现，相关资源下载地址：https://github.com/abachaa/MedQuAD/blob/master/QA-TestSet-LiveQA-Med-Qrels-2479-Answers.zip。

---参考文献---

若您使用MedQuAD数据集或该2479条标注回答集合，请引用以下论文："A Question-Entailment Approach to Question Answering"，作者：Asma Ben Abacha、Dina Demner-Fushman，发表于《BMC Bioinformatics》，2019年。

以下为正式引用格式：
@ARTICLE{BenAbacha-BMC-2019,
author = {Asma {Ben Abacha} and Dina Demner{-}Fushman},
title = {A Question-Entailment Approach to Question Answering},
journal = {{BMC} Bioinform.},
volume = {20},
number = {1},
pages = {511:1--511:23},
year = {2019},
url = {https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-019-3119-4}
}

---许可协议---

MedQuAD数据集采用知识共享署名4.0国际许可协议（CC BY）进行发布，许可协议链接：https://creativecommons.org/licenses/by/4.0/

原始信息汇总

数据集概述

数据集来源

• 该数据集源自MedQuAD仓库，并已转换为CSV格式。

数据集内容

• 包含多个医学相关类别，如：
  1. 癌症
  2. 老年人健康
  3. 生长激素及其受体
  4. 心脏、肺和血液
  5. 遗传与罕见疾病
  6. 疾病控制与预防
  7. 神经障碍与中风
  8. 糖尿病与罕见疾病
  9. 其他

数据集结构

• 数据集被分为80%的训练集和20%的测试集，每个主题单独处理后合并为一个文件。

MedQuAD详情

• MedQuAD包含47,457个医学问答对，源自12个NIH网站，覆盖37种问题类型，如治疗、诊断、副作用等，涉及疾病、药物和其他医学实体。
• 提供XML文件中的额外注释，包括问题类型、焦点、同义词、UMLS概念唯一标识符(CUI)和语义类型。
• 问题焦点分类为疾病、药物或其他。

版权与使用限制

• 为尊重MedlinePlus版权，已从三个子集中移除答案。

QA测试集

• 包含2,479个已评分的答案，用于评估IR和QA系统在LiveQA-Med测试问题上的表现。

引用信息

• 使用该数据集时，应引用论文："A Question-Entailment Approach to Question Answering"，作者Asma Ben Abacha和Dina Demner-Fushman，发表于BMC Bioinformatics, 2019。

许可证

• 数据集发布于Creative Commons Attribution 4.0 International Licence (CC BY)。