Taylor658/Endoscopic_Ultrasound

该数据集包含1000个示例，每个示例包含文本和标签信息。标签涉及多个与内窥镜超声检查相关的医学类别，如胰腺、胆管、食管癌等。数据集是通过distilabel工具生成的，并且可以通过提供的pipeline.yaml文件进行复现。数据集的结构为JSON格式，包含文本和标签列表。

This dataset contains 1000 examples, each with text and label information. The labels cover multiple medical categories related to endoscopic ultrasound, such as pancreas, bile duct, esophageal cancer, etc. The dataset is generated using the distilabel tool and can be reproduced using the provided pipeline.yaml file. The dataset structure is in JSON format, containing text and a list of labels.

搜集汇总

数据集介绍

构建方式

该数据集基于内镜超声领域的临床文本数据构建而成，通过整合真实临床病例中的描述性记录，涵盖了从下消化道到胰腺、胆管、食管及胃部等多种病变类型。数据集包含1000条训练样本，每条样本由文本描述与对应的多标签序列组成，标签体系覆盖了正常发现、异常发现及15种具体病理类别，如胰腺癌、胃癌、十二指肠溃疡等。其构建过程采用了合成与强化学习反馈（RLAIF）技术，借助distilabel工具链实现可复现的数据生成流程，并提供了pipeline.yaml配置文件供用户直接调用。

使用方法

数据集可通过HuggingFace的datasets库直接加载，支持默认配置下的单次调用。用户只需执行load_dataset函数即可获取训练数据，每条样本以字典形式返回，包含文本字段与整数编码的标签列表。标签名称映射已在数据集信息中预定义，便于后续解码。建议用户将数据用于多标签文本分类任务的模型训练与验证，可结合预训练语言模型进行微调。同时，distilabel提供的pipeline配置文件允许研究者复现数据生成过程，实现定制化的数据扩展与增强。

背景与挑战

背景概述

内镜超声（Endoscopic Ultrasound, EUS）作为一种融合内镜与超声技术的微创诊断手段，在消化道及毗邻脏器病变的评估中扮演着关键角色。由Taylor658团队于近期构建的Endoscopic_Ultrasound数据集，旨在为EUS影像报告的自然语言处理提供标准化资源。该数据集汇集了涵盖下消化道、十二指肠溃疡、胰腺、胆管、食管癌、淋巴结转移、胰腺囊肿、正常发现、胰腺癌、胃间质瘤、异常发现、胃癌、食管憩室、胃溃疡及上消化道等15类标签的合成文本报告，共计1000条训练样本。其核心研究问题聚焦于利用合成数据与强化学习技术（如distilabel与RLAIF）提升医疗文本分类的鲁棒性，为EUS报告的自动化解析与辅助诊断奠定基础。该数据集的发布推动了医学影像文本分析领域的数据驱动研究，尤其为低资源场景下的多标签分类任务提供了可复现的基准。

当前挑战

当前数据集面临多重挑战。在领域问题层面，EUS报告的多标签分类需应对病变部位与病理类型的复杂关联性，例如同一病例可能同时涉及胰腺囊肿与淋巴结转移，传统单标签模型难以捕捉此类共现模式。构建过程中，合成数据虽规避了隐私泄露风险，但通过pipeline.yaml生成的文本可能缺乏真实临床报告的语境多样性，如对罕见病变（如食管憩室）的描述模式可能过于单一。此外，标签分布存在天然不均衡，正常发现与胰腺癌样本占比较高，而十二指肠溃疡与食管癌样本相对稀缺，这可能导致模型对低频类别的泛化能力不足。数据规模仅千级，尚未覆盖EUS操作中的设备型号差异或影像质量波动，限制了模型在真实临床环境中的迁移鲁棒性。

常用场景

经典使用场景

在消化内镜与人工智能交叉领域，Taylor658/Endoscopic_Ultrasound数据集为超声内镜（EUS）图像的多标签分类任务提供了标准化基准。其核心应用场景涵盖胰腺癌、胆管病变及胃肠间质瘤等15类解剖结构或病理状态的自动识别，尤其适用于构建基于自然语言描述的EUS报告特征提取模型。研究者通过该数据集可训练模型从非结构化文本中解析关键诊断线索，例如胰腺头部低回声晕环、胰管节段性扩张等影像学征象，进而实现多病灶的协同诊断。该数据集的高标签密度与临床相关性，使其成为验证弱监督学习及多标签文本分类算法在消化疾病筛查中有效性的理想测试床。

解决学术问题

该数据集系统性地回应了超声内镜文本报告自动解析中的两大核心难题：多标签共现关系建模与罕见病类别识别。传统方法常忽略EUS报告中同时存在的原发肿瘤、淋巴结转移及继发囊肿等复合征象，而该数据集通过15类标签的交叉标注，为研究标签间的共现依赖结构（如胰腺癌与肝十二指肠韧带淋巴结转移的强关联性）提供了数据基础。此外，食管憩室、十二指肠溃疡等低频类别的纳入，推动了面向医学长尾分布的鲁棒分类算法发展。其意义在于突破了既往数据集仅关注单一病变的局限，为构建全消化道多模态智能诊断系统奠定了文本分析维度的基石。

实际应用

在临床决策支持系统中，该数据集可赋能EUS报告实时结构化解析工具，自动提取胰腺囊肿的囊壁厚度、胆管扩张程度等量化指标，辅助内镜医师快速定位关键病理特征。例如，通过识别“胰尾部高回声”与“胰管节段性扩张”的组合模式，系统可提示自身免疫性胰腺炎与胰腺癌的鉴别诊断方向。在消化内镜培训领域，该数据集支持构建虚拟病例库，通过合成不同解剖部位的典型与非典型EUS描述，实现诊疗思维训练的场景化模拟。此外，其标签体系可直接对接住院病历的ICD编码系统，推动EUS报告从自由文本向结构化电子病历的自动化转换。

数据集最近研究

最新研究方向

随着人工智能在医学影像分析中的迅猛发展，内镜超声（EUS）数据集正成为消化系统疾病智能诊断的前沿热点。Taylor658/Endoscopic_Ultrasound数据集聚焦于胰腺癌、食管癌、胃癌及淋巴结转移等关键病变的文本描述与多标签分类，其合成数据生成策略与RLAIF（基于人类反馈的强化学习）技术相结合，为构建高精度、可解释的临床辅助决策系统提供了新范式。该数据集不仅涵盖下消化道、十二指肠溃疡及胆管异常等常见病种，还纳入胰腺囊肿与胃肠道间质瘤等复杂病变，体现了从异常发现到正常对照的完整谱系。当前，基于此类结构化文本数据的研究正推动内镜超声领域从经验判读向数据驱动的精准分层迈进，尤其在胰腺癌早期筛查与淋巴结转移风险评估中展现出重要临床转化潜力，对提升消化内镜诊疗的标准化与智能化水平具有深远意义。