sarus-tech/medical_few_diseases

该数据集包含与医疗相关的信息，主要特征包括疾病、药物、症状、用药指导、答案和问题。数据集被分割为训练集，包含2496个示例，总字节数为2415416。数据集的下载大小为780271字节。This dataset contains medical-related information, with main features including Disease, Drug, symptoms, posology, answer, and question. The dataset is split into a training set containing 2496 examples, with a total byte size of 2415416. The download size of the dataset is 780271 bytes.

搜集汇总

数据集介绍

构建方式

在医学自然语言处理领域，高质量的数据集是构建智能诊断系统的基石。sarus-tech/medical_few_diseases数据集聚焦于少数疾病的医疗问答场景，通过精心设计的结构化字段构建而成。该数据集包含六个核心特征：Disease（疾病名称）、Drug（药物名称）、symptoms（症状序列）、posology（用药剂量）、answer（回答）和question（问题）。数据以JSON格式存储，训练集包含2496个样本，总大小约2.4MB，确保了数据的紧凑性与实用性。构建过程注重领域知识的准确性，每条记录均整合了疾病、症状与药物之间的逻辑关联，为少样本学习场景提供了可靠的基础。

特点

该数据集的核心特点在于其精简而聚焦的设计理念。仅包含训练集，无验证与测试集划分，适用于少样本学习或迁移学习任务。每条样本均包含明确的疾病标签与对应的药物信息，症状以序列形式呈现，支持对多症状组合的建模。数据集的规模虽小，但每个字段均经过严格定义，从问题到答案的映射关系清晰，便于模型学习医疗问答中的因果逻辑。此外，用药剂量字段的存在为临床决策支持系统提供了关键细节，使数据集在医疗领域具有独特的应用价值。

使用方法

使用该数据集时，可直接通过HuggingFace的datasets库加载默认配置。加载后，数据以字典形式呈现，其中'symptoms'字段为字符串列表，其余字段为字符串。用户可基于'question'和'answer'字段构建问答对，用于训练生成式模型或检索式系统。由于数据集仅包含训练集，建议结合其他医疗数据集进行交叉验证，或采用自监督方法利用其结构化字段。在模型训练中，可将'Disease'和'Drug'作为条件标签，以增强输出的领域相关性，同时利用'posology'字段优化用药建议的准确性。

背景与挑战

背景概述

在医疗人工智能领域，高质量标注数据集的匮乏长期制约着智能诊疗系统的发展，尤其是针对罕见病或少数病种的精准诊断与用药推荐。由sarus-tech团队于近期构建并公开的medical_few_diseases数据集，聚焦于少数疾病的症状、药物及用法用量信息，旨在为少样本学习与知识图谱构建提供结构化语料。该数据集包含2496条训练样本，每条数据涵盖疾病名称、症状序列、药物名称、用法用量及问答对，其设计初衷是弥补主流医疗数据集在罕见病覆盖上的不足，推动模型在低资源场景下的推理能力。作为面向特定疾病谱系的开源资源，该数据集有望促进临床决策支持系统在专科领域的落地，并为多模态医疗文本生成研究奠定基础。

当前挑战

当前该数据集面临的核心挑战涵盖领域问题与构建过程两个层面。在领域问题方面，其仅涵盖少数疾病类型，导致模型在泛化至更广泛疾病谱系时存在显著偏差，难以直接应用于全科诊疗场景；同时，症状与药物的关联模式高度依赖标注质量，稀疏的样本量易使模型过拟合于个别模式，削弱少样本学习方法的鲁棒性。在构建过程中，数据来源的规范性尚待明确，症状序列的标准化编码与药物学名的对齐工作未充分公开，可能引入实体歧义；此外，问答对的生成逻辑缺乏领域专家审核，潜在的知识错误或遗漏将影响下游任务的可靠性。这些挑战要求后续研究在数据增强、跨疾病迁移学习及专家验证机制上取得突破。

常用场景

经典使用场景

在医学自然语言处理领域，sarus-tech/medical_few_diseases数据集聚焦于少数疾病的症状、药物与剂量关联信息，为构建小样本下的疾病问答与药物推荐系统提供了精炼的语料资源。该数据集最经典的使用场景是训练基于少量标注样本的医学对话模型，通过其结构化的症状-药物-剂量三元组，研究者能够高效地开发面向特定疾病（如常见慢性病或罕见病）的智能问诊原型，尤其适合资源受限场景下的快速模型迭代与验证。

实际应用

在实际应用中，该数据集可支撑初级医疗辅助系统的快速搭建，例如基于症状输入自动推荐常见药物及其标准剂量的轻量级决策工具。此外，它还能赋能药物说明书知识库的自动构建，通过解析疾病-药物-症状的隐含关联，辅助临床医生在诊断过程中快速检索相关用药方案，尤其适用于基层医疗机构的数字化升级与远程问诊场景中的智能预检分诊。

衍生相关工作

该数据集衍生了一系列融合医学本体与预训练语言模型的经典工作，如基于对比学习的症状-药物对齐模型、结合知识图谱增强的少样本问答系统，以及面向药物剂量安全性的逻辑校验框架。这些工作不仅验证了数据集在迁移学习中的泛化能力，还催生了针对医学领域小样本场景的专用评测协议，进一步催化了如Medical-LoRA等参数高效微调方法在临床决策支持系统中的落地探索。