Technoculture/synthetic-clinical-notes-embedded

Synthetic Clinical Notes数据集是基于starmpcc/Asclepius-Synthetic-Clinical-Notes的后续处理版本，转换为Alpaca格式（包含instruction、input和output），并使用BAAI/bge-small-en-v1.5模型为输入和输出列添加了嵌入。数据集的原始数据来源于PubMed Central (PMC)和MIMIC 3，处理细节包括使用BAAI/bge-small-en-v1.5模型生成嵌入。数据集的多样性通过GPT-4进行评估，每个样本都给出了多样性的评分和解释。

原始信息汇总

Synthetic Clinical Notes 数据集概述

基本信息

• 语言: 英语
• 许可证: MIT
• 数据集大小: 100K<n<1M
• 任务类别: 问答、摘要
• 名称: Synthetic Clinical Notes
• 标签: starmpcc/Asclepius-Synthetic-Clinical-Notes, BAAI/bge-small-en-v1.5, medical

数据集结构

• 特征:
  • output: 字符串
  • task: 字符串
  • instruction: 字符串
  • input: 字符串
  • input_embedding: 浮点数序列
  • output_embedding: 浮点数序列
• 分割:
  • train: 158114个样本, 1199998956字节
• 下载大小: 967764780字节
• 数据集大小: 1199998956字节

配置

• 配置名称: default
• 数据文件:
  • train: data/train-*

数据详情

• 样本数量: 158k
• 令牌数量: 648m
• 原始数据来源: PubMed Central (PMC) 和 MIMIC 3
• 处理细节:
  • 原始数据集: starmpcc/Asclepius-Synthetic-Clinical-Notes
  • 论文: https://arxiv.org/pdf/2309.00237.pdf
  • 嵌入模型: BAAI/bge-small-en-v1.5

数据多样性

• 示例输出:
  • 137083: 患者严重生物瓣膜二尖瓣狭窄和严重三尖瓣反流的指代表达
  • 113558: 患者乙状结肠穿孔的指代解析
  • 97204: 生物制剂治疗患者纹身表现复发
  • 53669: 患者呼吸状态的指代解析
  • 39865: Stickler综合征的命名实体识别
  • 85187: 患者脊柱转移性Leydig细胞瘤的诊断和治疗
  • 99107: 患者心脏主动脉瓣和心室间隔的问题
  • 65981: 10岁女性患者的非移位舟状骨骨折诊断
  • 68814: 医院病程部分缩写的扩展形式
  • 16059: 患者流感B的诊断和治疗

数据血统

• Technoculture/Synthetic-Clinical-Notes ↳ starmpcc/Asclepius-Synthetic-Clinical-Notes ↳ zhengyun21/PMC-Patients 代码 ↳ PubMed Central (PMC)