jacekduszenko/rare-medical-terms

---
license: cc0-1.0
task_categories:
- audio-classification
- text-classification
language:
- en
- multilingual
tags:
- medical
- drug-names
- rare-words
- keyword-spotting
- audio-text-embedding
size_categories:
- 100K<n<1M
---

# Rare Medical Terms Dataset

A curated collection of **626,251 speakable medical/pharmaceutical/chemical terms** for training audio-text embedding models (e.g., CLAP-style keyword spotting).

## Sources

| Source | Terms | License |
|---|---|---|
| [DrugBank Vocabulary](https://go.drugbank.com/releases/latest#open-data) | ~33K | CC0 |
| [ChEBI](https://www.ebi.ac.uk/chebi/) | ~180K | Free/Open |
| [MeSH Descriptors](https://www.nlm.nih.gov/mesh/) | ~150K | Public Domain |
| [MeSH Supplementary Records](https://www.nlm.nih.gov/mesh/) | ~260K | Public Domain |

## Filtering

Raw terms were filtered to keep only "speakable" entries:
- No chemical formulas (brackets, equals signs, etc.)
- No numeric characters
- Length between 3-50 characters
- At least 90% alphabetic characters

## Format

JSONL with fields:
- `id`: integer index
- `term`: the medical/pharmaceutical term

## Use Case

Designed for fine-tuning audio-text contrastive models (Whisper encoder + text encoder with SigLIP loss) to detect rare medical terms in long audio via embedding similarity.

许可证：CC0 1.0
任务类别：
- 音频分类（audio-classification）
- 文本分类（text-classification）
语言：
- 英语
- 多语言
标签：
- 医疗
- 药品名称
- 生僻词汇
- 关键词识别（keyword-spotting）
- 音频-文本嵌入（audio-text-embedding）
规模区间：100K<n<1M

# 罕见医疗术语数据集

本数据集为精选得到的626251个可发音的医疗、药学与化学术语集合，用于训练音频-文本嵌入模型（例如类CLAP关键词识别模型）。

## 数据来源

| 数据来源 | 术语数量 | 许可证 |
|---|---|---|
| [DrugBank词汇表（DrugBank Vocabulary）](https://go.drugbank.com/releases/latest#open-data) | 约3.3万 | CC0 |
| [ChEBI数据库（ChEBI）](https://www.ebi.ac.uk/chebi/) | 约18万 | 免费开源 |
| [医学主题词描述符（MeSH Descriptors）](https://www.nlm.nih.gov/mesh/) | 约15万 | 公共领域 |
| [医学主题词补充记录（MeSH Supplementary Records）](https://www.nlm.nih.gov/mesh/) | 约26万 | 公共领域 |

## 筛选规则

原始术语经过筛选，仅保留"可发音"条目：
- 不含化学公式（如括号、等号等符号）
- 不含数字字符
- 字符长度介于3至50之间
- 字母占比不低于90%

## 数据格式

采用JSONL格式，包含以下字段：
- `id`：整数索引
- `term`：医疗/药学/化学术语

## 应用场景

本数据集旨在用于微调音频-文本对比学习模型（Whisper编码器+采用SigLIP损失的文本编码器），以通过嵌入相似度在长音频中检测罕见医疗术语。