PlanTL-GOB-ES/cantemist-ner

CANTEMIST数据集是一个包含1301份西班牙语肿瘤临床病例报告的手动分类集合。数据集主要用于命名实体识别（NER）任务，特别是针对肿瘤形态的提及进行标注，并将其映射到受控术语。数据集分为训练集、开发集和测试集，分别包含501、500和300份文档。数据集的标注由临床专家完成，遵循Cantemist指南，并映射到eCIE-O代码。数据集的结构包括四个列的文件，分别表示词形或标点符号、原始BRAT文件名、跨度和IOB标签。数据集的创建目的是为了与类似语言的数据集兼容，并遵循现有的整理指南。数据集的使用有助于开发西班牙语的医学语言模型。

原始信息汇总

数据集概述

数据集名称： CANTEMIST

描述： 手动分类的西班牙语肿瘤临床病例报告集合，包含1301份病例报告，其中肿瘤形态学提及由临床专家手动标注并映射到受控术语。每个肿瘤形态学提及都链接到eCIE-O代码（西班牙语ICD-O的等效代码）。

语言： 西班牙语（es）

任务： 命名实体识别（NER）

数据集结构：

• 训练集： 501份文档
• 开发集： 500份文档
• 测试集： 300份文档

数据格式： 原始数据集以Brat格式分发。

数据字段：

• 1st column: 单词形式或标点符号
• 2nd column: 原始BRAT文件名
• 3rd column: 跨度
• 4th column: IOB标签

许可证： CC BY 4.0

数据集创建：

• 注释过程： 由临床专家根据Cantemist指南手动注释，该指南包含在西班牙语肿瘤临床病例中注释形态学肿瘤的规则，以及将这些注释映射到eCIE-O。
• 注释者： 临床专家

社会影响： 该语料库有助于开发西班牙语的医学语言模型。

版权信息： 由西班牙国家数字化和人工智能秘书处（SEDIA）版权所有（2022）。