bigbio/quaero

QUAERO法语医学语料库最初是作为命名实体识别和归一化的资源开发的，后来被改进为创建法语生物医学文本的归一化实体黄金标准集，并用于CLEF eHealth评估实验室。该数据集包括MEDLINE标题和EMEA文档的手动注释，注释过程由统一医学语言系统（UMLS）的概念指导。数据集分为训练数据、开发数据和测试数据，分别以BioC格式提供。训练数据包括833个MEDLINE标题和3个EMEA文档，开发数据包括832个MEDLINE标题和3个EMEA文档，测试数据包括833个MEDLINE标题和4个EMEA文档。

The QUAERO French medical corpus was originally developed as a resource for named entity recognition and normalization, then refined to create a gold standard set of normalized entities for French biomedical texts, and has been employed in the CLEF eHealth Evaluation Lab. This dataset comprises manually annotated MEDLINE titles and EMEA documents, with its annotation process guided by concepts from the Unified Medical Language System (UMLS). The corpus is split into training, development, and test sets, all provided in BioC format. Specifically, the training set includes 833 MEDLINE titles and 3 EMEA documents, the development set contains 832 MEDLINE titles and 3 EMEA documents, and the test set consists of 833 MEDLINE titles and 4 EMEA documents.

原始信息汇总

数据集概述

基本信息

• 名称: QUAERO French Medical Corpus
• 语言: 法语
• 许可证: GFDL_1p3
• 多语言性: 单语种
• 任务: 命名实体识别 (NER), 命名实体消歧 (NED)

数据集内容

• 训练数据:
  • MEDLINE_train_bioc文件: 包含833篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_train_bioc文件: 包含3篇EMEA文档，分割为11个子文档，以BioC格式标注了规范化实体。
• 开发数据:
  • MEDLINE_dev_bioc文件: 包含832篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_dev_bioc文件: 包含3篇EMEA文档，分割为12个子文档，以BioC格式标注了规范化实体。
• 测试数据:
  • MEDLINE_test_bioc文件夹: 包含833篇MEDLINE标题，以BioC格式标注了规范化实体。
  • EMEA_test_bioc文件夹: 包含4篇EMEA文档，分割为15个子文档，以BioC格式标注了规范化实体。

数据集特点

• 标注标准: 根据UMLS的十个语义组进行标注，包括解剖学、化学和药物、设备、疾病、地理区域、生物、物体、现象、生理学、程序。
• 标注方法: 全面标注，支持嵌套实体和多重映射到UMLS概念。

数据集版本

• 当前版本: BioC格式，通过Brat2BioC工具从原始BRAT格式自动转换。
• 原始版本: BRAT格式，可从官网单独获取。

联系方式

• 问题咨询: [e-mail]