SINAI/SCOVACLIS

SCOVACLIS数据集包含一系列西班牙语的医学术语，这些术语根据生物医学子领域（临床专业）进行分类和加权。数据来源于MEDLINE的西班牙语标题和摘要。该数据集的主要目的是通过自然语言处理技术从临床文本中提取信息，特别是在特定临床专业领域内减少词汇歧义。SCOVACLIS数据集包含一系列西班牙语的医学术语，这些术语根据生物医学子领域（临床专业）进行分类和加权。数据来源于MEDLINE的西班牙语标题和摘要。该数据集的主要目的是通过自然语言处理技术从临床文本中提取信息，特别是在特定临床专业领域内减少词汇歧义。

原始信息汇总

数据集概述

数据集名称: SCOVACLIS

语言: 西班牙语 (es)

标签: 医学

配置:

• 默认配置:
  • 数据文件路径:
    • terminology/Allergy and immunology.csv
    • terminology/Anesthesiology.csv
    • terminology/Bariatric medicine.csv
    • terminology/Cardiology.csv
    • terminology/Community psychiatry.csv
    • terminology/Dermatology.csv
    • terminology/Endocrinology.csv
    • terminology/Epidemiology.csv
    • terminology/Family practice.csv
    • terminology/Forensic medicine.csv
    • terminology/Gastroenterology.csv
    • terminology/General practice.csv
    • terminology/General surgery.csv
    • terminology/Genetics medical.csv
    • terminology/Geriatrics.csv
    • terminology/Gynecology.csv
    • terminology/Hematology.csv
    • terminology/Immunochemistry.csv
    • terminology/Infectious disease medicine.csv
    • terminology/Internal medicine.csv
    • terminology/Medical oncology.csv
    • terminology/Military medicine.csv
    • terminology/Neonatology.csv
    • terminology/Nephrology.csv
    • terminology/Neurology.csv
    • terminology/Neurosurgery.csv
    • terminology/Nuclear medicine.csv
    • terminology/Obstetrics.csv
    • terminology/Ophthalmology.csv
    • terminology/Orthopedics.csv
    • terminology/Otolaryngology.csv
    • terminology/Palliative medicine.csv
    • terminology/Pathology.csv
    • terminology/Pediatrics.csv
    • terminology/Perinatology.csv
    • terminology/Physical and rehabilitation medicine.csv
    • terminology/Preventive medicine.csv
    • terminology/Psychiatry.csv
    • terminology/Pulmonary medicine.csv
    • terminology/Radiology.csv
    • terminology/Rehabilitation.csv
    • terminology/Reproductive medicine.csv
    • terminology/Rheumatology.csv
    • terminology/Specialties surgical.csv
    • terminology/Sports medicine.csv
    • terminology/Surgery plastic.csv
    • terminology/Thoracic surgery.csv
    • terminology/Traumatology.csv
    • terminology/Tropical medicine.csv
    • terminology/Urology.csv
    • terminology/Venereology.csv

数据集描述:

• 该数据集包含一系列西班牙语医学术语，这些术语根据生物医学子领域（临床专业）进行分类和加权，使用MEDLINE的西班牙语标题和摘要作为知识来源。

许可证: Apache-2.0 License

引用信息:

@article{lopez2021collecting, title={Collecting specialty-related medical terms: Development and evaluation of a resource for Spanish}, author={L{o}pez-{U}beda, Pilar and Pomares-Quimbaya, Alexandra and D{\i}az-Galiano, Manuel Carlos and Schulz, Stefan}, journal={BMC Medical Informatics and Decision Making}, volume={21}, number={1}, pages={145}, year={2021}, publisher={Springer} }

搜集汇总

数据集介绍

构建方式

在生物医学自然语言处理领域，受控词表是临床文本信息抽取的基石。SINAI/SCOVACLIS数据集应运而生，旨在构建一个面向西班牙语、按临床专科分类的医学词汇资源。其构建过程以MEDLINE数据库中的西班牙语标题与摘要为知识源，通过系统化的术语提取与加权策略，将医学词汇精准归入过敏与免疫学、心脏病学、皮肤病学等五十余个生物医学子领域。每个子领域对应一个独立的CSV文件，数据按专科拆分存储，确保了领域特异性与词汇的精确映射。

特点

该数据集的核心特点在于其专科细粒度分类与领域特异性权重分配。不同于通用医学词表（如UMLS或SNOMED-CT）存在的词汇歧义问题，SCOVACLIS通过限定临床专科语境，显著降低了术语的多义性。每个专科词表均经过加权处理，反映术语在该专科中的相关性强度，从而提升信息检索与分类任务的准确性。此外，数据集覆盖范围广泛，从麻醉学到热带医学，几乎囊括了主要临床专科，为西班牙语医学文本处理提供了高度专业化的词汇基础。

使用方法

使用SCOVACLIS数据集时，可通过Hugging Face的datasets库加载，并指定目标专科的配置名称（如'Cardiology'）以获取相应子集。加载后，每条记录包含西班牙语医学术语及其权重值，可直接用于文本分类、术语识别或临床文档的专科归类任务。研究人员亦可结合Apache-2.0许可协议，将词表集成至自然语言处理管道中，用于增强实体识别模型在特定专科上的表现，或作为监督学习中的特征工程资源。

背景与挑战

背景概述

在自然语言处理与医学信息学交叉领域中，受控词汇表是临床文本信息抽取的核心基础资源。标准医学语言资源如UMLS元叙词表或SNOMED-CT虽被广泛采用，却常受限于术语的词汇歧义问题，同一术语在不同临床场景下可能指向截然不同的概念。然而，当文本限定于特定临床专科时，此类歧义性显著降低。基于这一洞察，由Pilar López-Úbeda、Alexandra Pomares-Quimbaya、Manuel Carlos Díaz-Galiano与Stefan Schulz等研究者于2021年创建了SCOVACLIS数据集。该研究团队以西班牙语MEDLINE的标题与摘要为知识源，系统性地构建了一个按生物医学子领域（临床专科）分类并赋予权重的医学术语词典。该数据集不仅填补了西班牙语临床专科术语资源的空白，更为后续基于专科信息的文本分类、术语消歧及临床决策支持研究奠定了重要基石，显著推动了非英语医学语言资源的建设进程。

当前挑战

SCOVACLIS数据集所应对的核心挑战源自临床文本处理中的术语歧义难题。在跨专科的通用医学文本中，同一词汇可能承载多种专科含义，导致信息抽取精度低下；而将文本按临床专科归类后，术语的语义空间得以收窄，歧义性大幅消解。构建过程中面临的挑战则更为复杂：首先，需从海量西班牙语MEDLINE文献中高效提取与专科相关的术语，并确保其覆盖50余个细分专科领域；其次，术语权重的赋予需兼顾频率与专科特异性，避免通用高频词干扰专科术语的权重排序；此外，多源术语的整合与标准化亦构成显著工程障碍，需在保持术语原意的前提下实现跨专科的一致性表达。这些挑战的克服，使得该资源能够为西班牙语临床自然语言处理提供高保真度的专科术语支持。

常用场景

经典使用场景

在医学自然语言处理领域，SCOVACLIS数据集的核心应用场景聚焦于临床文本的专科归属分类任务。该资源囊括了涵盖过敏与免疫学、心脏病学、神经病学等逾五十个临床专科的西班牙语医学术语，并依据术语与特定专科的关联强度赋予权重。研究者可借助这一词汇库，将非结构化临床记录、电子病历或医学文献自动映射至相应专科，从而提升信息检索与文本挖掘的精准度。这一场景的经典性在于其直接回应了临床文本中术语歧义性的挑战——同一医学术语在不同专科语境下可能承载迥异含义，而SCOVACLIS通过专科加权机制有效消解了这种歧义。

衍生相关工作

基于SCOVACLIS的专科词汇权重体系，衍生出多项经典工作：López-Úbeda等人（2021）在BMC Medical Informatics and Decision Making发表的原始论文中，展示了利用该词汇集训练线性分类器在MEDLINE摘要专科分类任务上超越通用词表的性能。后续研究者进一步将其与深度学习模型（如BiLSTM-CRF）结合，用于西班牙语临床实体识别中的专科消歧。此外，该数据集被纳入西班牙语医疗语言模型（如Clinical-BERT-Spanish）的预训练语料增强模块，通过专科加权掩码策略提升下游任务的领域适配性。这些工作共同验证了专科先验知识在临床NLP中的核心价值。

数据集最近研究

最新研究方向

在生物医学自然语言处理领域，临床文本的专科归属自动分类与术语消歧成为前沿热点。SCOVACLIS数据集应运而生，通过系统收集西班牙语MEDLINE文献中涵盖50余个临床专科的医学术语，并赋予其专科权重，为解决跨专科术语多义性问题提供了关键资源。当前研究聚焦于利用该数据集构建专科感知的文本分类与信息抽取模型，以提升电子病历、临床笔记等非结构化文本的语义解析精度。这一方向与精准医疗、临床决策支持系统的智能化进程紧密相连，为多语言临床语料库建设及低资源语言的医学知识工程树立了范式，对推动西班牙语世界的健康信息学发展具有深远意义。