JoelMba/PARHAF_gen_CASM2_guidelines_v5

---
dataset_info:
features:
- name: id
dtype: string
- name: tokens
list: string
- name: ner_tags
list:
class_label:
names:
'0': B-Disorders
'1': I-Disorders
'2': O
- name: ner_tag_labels
list: string
splits:
- name: validation
num_bytes: 12747022
num_examples: 4719
- name: train
num_bytes: 36986978
num_examples: 13603
download_size: 5157438
dataset_size: 49734000
configs:
- config_name: default
data_files:
- split: validation
path: data/validation-*
- split: train
path: data/train-*
---

This dataset is designed for Named Entity Recognition (NER) tasks, specifically focused on disorder entity recognition. It includes features such as id, tokens, ner_tags, and ner_tag_labels, where ner_tags follow the BIO tagging scheme with labels B-Disorders (beginning of disorder entity), I-Disorders (inside of disorder entity), and O (non-disorder entity). The dataset is split into training and validation sets, with 13,603 examples in the training set and 4,719 examples in the validation set, totaling approximately 49.7 MB in size. The data is organized as text sequences and is suitable for information extraction and medical text analysis in natural language processing.

搜集汇总

数据集介绍

构建方式

PARHAF_gen_CASM2_guidelines_v5数据集是一个针对生物医学文本中疾病实体识别任务而精心构建的命名实体识别（NER）语料库。该数据集源自对大规模生物医学文献的系统性抽取与标注，遵循CASM2（Complex Annotation Schema for Medical Mentions v2）标注指南。在构建过程中，原始文本首先经过分词处理，生成以tokens字段存储的词汇序列；随后，由领域专家依据统一的标注规范，为每个词汇赋予对应的命名实体标签，其中重点关注Disorders类别，并采用B-Disorders（实体起始）、I-Disorders（实体内部）及O（非实体）三种标签进行细粒度标记。最终，所有标注结果被整理为结构化的JSON格式，共包含约1.8万个样本，并按比例划分为训练集和验证集，以支持实体识别模型的训练与评估。

使用方法

使用该数据集时，研究者可直接利用HuggingFace Datasets库进行加载，通过指定config_name为'default'即可访问训练与验证拆分。每个样本包含'id'、'tokens'、'ner_tags'和'ner_tag_labels'四个字段，其中'ner_tags'为整数类型的标签索引，需映射至类别名称方可解释。典型应用流程包括：使用分词器将tokens转换为模型输入格式，将ner_tags转换为序列标注任务所需的损失函数目标，并采用条件随机场（CRF）或交叉熵损失进行模型训练。推荐在训练后使用验证集评估模型在疾病实体识别上的精确率、召回率与F1分数。数据集也可与预训练语言模型（如BioBERT、PubMedBERT）结合，进一步提升在生物医学文本上的实体识别性能。

背景与挑战

背景概述

PARHAF_gen_CASM2_guidelines_v5数据集是一项针对医疗文本中疾病实体识别任务构建的标注资源，聚焦于从临床叙述中抽取与疾病相关的实体及其边界。该数据集由相关研究机构基于PARHAF框架开发，创建时间可追溯至近期，核心研究问题在于提升命名实体识别（NER）模型在中文医疗文本上的泛化能力与准确性。数据集以B-Disorders、I-Disorders和O三类标签体系对疾病实体进行标注，共包含约1.8万个样本，训练集与验证集合理划分，为医疗信息抽取领域提供了标准化的基准数据。其发布对推动中文临床自然语言处理、电子病历结构化以及智能辅助诊断系统的发展具有重要影响。

当前挑战

该数据集面临的挑战首先体现在领域问题的复杂性：中文医疗文本中疾病实体表达多样，包括缩写、异名及嵌套结构，使得模型难以准确识别实体边界和类别。此外，数据集构建过程中面临标注一致性的困难，由于医疗术语的专业性，标注者间容易产生分歧，需要细化的标注准则和严格的质控流程。同时，数据来源可能存在样本不平衡问题，罕见疾病实体样本稀疏，导致模型泛化能力受限。如何处理多义词在不同上下文中的歧义，以及提升模型对跨领域、跨医院文本的适应性，也是当前亟待解决的关键挑战。

常用场景

经典使用场景

在生物医学自然语言处理领域，实体识别是信息抽取的基石。PARHAF_gen_CASM2_guidelines_v5数据集专注于从医学文本中识别疾病相关实体，其标注体系包含“疾病”与“非疾病”两类标签，适用于序列标注任务。研究人员常利用该数据集训练和评估基于Transformer的模型（如BioBERT、PubMedBERT）在疾病命名实体识别上的表现，尤其是在电子健康记录、临床报告和医学文献等非结构化文本中精准定位疾病术语。该数据集的层次化标注结构还可用于研究嵌套实体或长距离依赖关系，为构建更鲁棒的医学知识图谱提供数据支撑。

解决学术问题

该数据集有效解决了生物医学文本中疾病实体标注不一致和覆盖范围有限的问题。通过提供大规模、高质量的人工标注语料，它推动了从规则驱动到数据驱动的疾病识别范式转变。学术界利用此数据集比较不同模型在罕见病表述、多义术语消歧等方面的性能，揭示了传统词典匹配方法的局限性。其意义在于为临床决策支持系统的底层文本理解模块提供了标准化基准，促进了跨机构、跨语料库的模型泛化能力研究，最终降低了医学信息提取中的人工审核成本。

实际应用

在实际医疗场景中，该数据集可赋能智能病历摘要系统，自动从医生笔记中抽取疾病诊断关键词，辅助生成结构化病历。它也能应用于药物警戒领域，通过实时监测患者叙述或临床试验报告中新出现的疾病指征，加速不良反应信号的捕捉。此外，在公共卫生监测中，基于该数据集训练的模型可从社交媒体或健康论坛的文本里识别区域性疾病暴发初期迹象，助力流行病学预警。这类应用在资源有限的基层医疗环境中尤其具有普惠价值。

数据集最近研究

最新研究方向

在自然语言处理与生物医学文本挖掘的交叉领域，PARHAF_gen_CASM2_guidelines_v5数据集聚焦于精神健康疾患的命名实体识别，尤其是对障碍类疾病术语的精细化标注。该数据集以BIO标注体系区分障碍实体边界，为构建临床文本中疾病名抽取的专用语料库提供了高质性资源。前沿研究方向正朝向与大型语言模型结合，通过少样本学习或参数高效微调，提升模型在精神医学文献与电子健康记录中的实体识别鲁棒性，并推动AI辅助诊断系统在专病领域的效能评估。这一数据资源的公开，呼应了全球对心理健康议题日益增长的关注，特别在疫情后时代，精神障碍的早期识别与数字化管理已成为公共卫生领域的热点，该数据集为规范化术语提取与跨机构知识迁移奠定了重要基础。