这是 CBLUE@Tianchi 中医疗对话数据集 IMCS21 的仓库，本仓库包含：
- 背景介绍
- CBLUE 评测任务介绍
- 基线模型代码
- 数据集介绍
- 多级数据注释
- 数据格式
随着"互联网+医疗"的迅速发展，在线问诊平台逐渐兴起，在线问诊是指医生通过对话和患者进行病情的交流、 疾病的诊断并且提供相关的医疗建议。在政策和疫情的影响之下，在线问诊需求增长迅速。然而医生资源是稀缺的，由此促使了自动化医疗问诊的发展，以人机对话来辅助问诊过程。为了促进智能医疗咨询系统（Intelligent Medical Consultation System, IMCS），我们构建了 IMCS21 数据集，该数据集收集了真实的在线医患对话，并进行了多层次（Multi-Level）的人工标注，包含命名实体、对话意图、症状标签、医疗报告等，我们将该数据集接入 CBLUE 评测平台，希望可以共同促进智能医疗、医学语言理解等领域的发展。
IMCS21 目前在 CBLUE 评测平台上接入了三个任务，分别为：命名实体识别、症状识别和医疗报告生成。
| 任务编号 | 任务名称 | 简称 | 任务描述 | 链接 |
|---|---|---|---|---|
| 任务一 | 命名实体识别 | IMCS-NER | 从医患对话文本中识别出五类重要的医疗相关实体。 | https://github.com/lemuria-wchen/imcs21-cblue/tree/main/task1 |
| 任务二 | 症状识别 | IMCS-SR | 根据医患对话文本，识别出病人具有的症状信息（包含归一化标签和类别标签）。 | https://github.com/lemuria-wchen/imcs21-cblue/tree/main/task2 |
| 任务三 | 医疗报告生成 | IMCS-MRG | 依据病人自述和医患对话，输出具有规定格式的医疗报告。 | https://github.com/lemuria-wchen/imcs21-cblue/tree/main/task3 |
IMCS21 包含 3,052 组细粒度标注的医患对话案例样本，覆盖 6 种儿科疾病，详细统计数据如下表所示。
| 统计指标 | Statistical Metrics | Value |
|---|---|---|
| 总疾病数 | # of Diseases | 6 |
| 总对话数 | # of Total Dialogs | 3,052 |
| 总句子数 | # of Total Sentences | 123,762 |
| 平均每个对话包含的句子数 | # of Avg. Sentences / Per Dialog | 40.55 |
| 平均每个对话包含的字符数 | # of Avg. Words / Per Dialog | 531.18 |
| 平均每个对话包含的字符数（包含患者自我报告） | # of Avg. Words / Per Dialog (Contains Self-Report) | 589.04 |
| 疾病名称 | 样本数 |
|---|---|
| 小儿支气管炎 | 543 |
| 小儿发热 | 542 |
| 小儿腹泻 | 534 |
| 上呼吸道感染 | 486 |
| 小儿消化不良 | 475 |
| 小儿感冒 | 472 |
医疗命名实体广泛存在于医患对话中，它们是理解对话意图的关键因素，也是构建智能医疗对话系统的基础任务。
IMCS21 中标注了对话中医疗相关的命名实体，共包含 5 类命名实体，标注方式采用 BIO 三位 字符级标注 ，其中 B-X 代表实体 X 的开头，I-X 代表实体的结尾，O 代表不属于任何类型，命名实体的预定义类别定义如下。
| 实体类别 | Entity Category | 类别详情 |
|---|---|---|
| 症状 | Symptom | 病人因患病而表现出来的异常状况，如 发热、呼吸困难、鼻塞 等。 |
| 药品名 | Drug | 具体的药物名称，如 妈咪爱、蒙脱石散、蒲地蓝 等。 |
| 药物类别 | Drug_Category | 根据药物功能进行划分的药物种类，如 消炎药、感冒药、益生菌 等。 |
| 检查 | Medical_Examination | 医学检验，如 血常规、x光片、CRP分析 等。 |
| 操作 | Operation | 相关的医疗操作，如 输液、雾化、接种疫苗 等。 |
IMCS21 中标注了医患对话行为，共包含 16 类对话意图，标注方式采用 句子级 标注，对话意图的预定义类别定义如下。
| 对话意图类别 | Dialogue Intent Category | Dominant |
|---|---|---|
| 提问-症状 | Request-Symptom | 医生 |
| 告知-症状 | Inform-Symptom | 病人 |
| 提问-病因 | Request-Etiology | 医生 |
| 告知-病因 | Inform-Etiology | 病人 |
| 提问-基本信息 | Request-Basic_Information | 医生 |
| 告知-基本信息 | Inform-Basic_Information | 病人 |
| 提问-已有检查和治疗 | Request-Existing_Examination_and_Treatment | 医生 |
| 告知-已有检查和治疗 | Inform-Existing_Examination_and_Treatment | 病人 |
| 提问-用药建议 | Request-Drug_Recommendation | 病人 |
| 告知-用药建议 | Inform-Drug_Recommendation | 医生 |
| 提问-就医建议 | Request-Medical_Advice | 病人 |
| 告知-就医建议 | Inform-Medical_Advice | 医生 |
| 提问-注意事项 | Request-Precautions | 病人 |
| 告知-注意事项 | Inform-Precautions | 医生 |
| 诊断 | Diagnose | 医生 |
| 其他 | Other | 医生 / 病人 |
症状是医患对话中主要讨论的话题之一，病人的症状信息也是对话策略和疾病诊断的关键特征。使用 BIO 标签可以找出症状实体所在的位置，然而在实际应用中，还存在两个问题：1) 症状实体未归一化，相同的症状可能有多种表达方式，如 发烧、热、发热 都表示 发热 这一症状；2) 症状与患者的关系未知，显然病人并非一定患有所有出现在对话中的症状。
IMCS21 对症状实体进行了进一步的 实体级 标注，我们标注了每个症状实体的 归一化标签 和 类别标签，这两种标签的详情如下。
| 症状标签 | Symptom Labels | Details |
|---|---|---|
| 归一化标签 | symptom_norm | 从 BIO 标签中提取的 1,900 多个症状中标准化得到 331 个标准化症状名称。 |
| 类别标签 | symptom_type | "0" 代表确定病人没有患有该症状，"1" 代表确定病人患有该症状，"2" 代表无法根据上下文确定病人是否患有该症状。 |
医疗报告是医生对病人健康状况的总结，是医疗诊断过程的重要环节。
IMCS21 标注了医疗报告。标注方式采用 对话级标注，标注者阅读完整医患对话，并按照规定格式为患者填写对应的医疗报告，每个对话均包含 2 份医疗报告作为参考。医疗报告的预定义格式如下。
| 字段 | Fields | Details |
|---|---|---|
| 主诉 | Chief Complaint | 病人自诉（Self-report）的总结。 |
| 现病史 | Present Disease | 对话中病人涉及到的现病史的总结。 |
| 辅助检查 | Auxiliary | 对话中病人涉及过的医疗检查的总结。 |
| 即往史 | Past History | 对话中医生对病人的过去病史的总结。 |
| 诊断 | Diagnosis | 对话中医生对病人的诊断结果的总结。 |
| 建议 | Suggestions | 对话中医生对病人的建议的总结。 |
文件名为为 train.json，共 2,440 条样本，其格式如下。
{
"example_id1":{ # 样本id
"diagnosis": # 患者疾病类别
"self-report": # 自诉，病人对自己病情的陈述及对医生的提问
"dialogue":[ # 对话内容
{
"sentence_id": # 对话轮次的序号
"speaker": # 医生或者患者
"sentence": # 当前对话文本内容
"dialogue_act": # 话语行为
"BIO_label": # BIO实体标签（以“空格”连接）
"symptom_norm": # 归一化的症状（与BIO中的症状出现的顺序对应）
"symptom_type": # 症状类别（与BIO中的症状出现的顺序对应）
},
{
"sentence_id":
"speaker":
"sentence":
"dialogue_act":
"BIO_label":
"symptom_norm":
"symptom_type":
},
...
]
"report": # 医疗报告 [report1, report2]
"implicit_info":{
"Symptom": # 整组对话的症状标签，字典格式，键为症状的归一化标签，值为症状的类别标签
}
"explicit_info":{
"Symptom": # 患者自我报告中的症状，列表格式，值为症状的归一化标签
}
}
"example_id2":{
...
}
...
}
文件名为为 test_input.json，共 612 条样本，其格式如下。
{
"example_id1":{ # 样本id
"self-report": # 自诉，病人对自己病情的陈述及对医生的提问
"dialogue":[ # 对话内容
{
"sentence_id": # 对话轮次的序号
"speaker": # 医生或者患者
"sentence": # 当前对话文本内容
},
{
"sentence_id":
"speaker":
"sentence":
},
...
]
}
"example_id2":{
...
}
...
}
文件名为为 split.csv，建议的训练集与验证集划分，本仓库基线代码依赖该文件，其格式如下。
example_id, split
10712402, train
10872941, train
10035395, dev
...
10115809, test
10729578, test
...
文件名为为 symptom_norm.csv，归一化后的症状词典，本仓库基线代码依赖该文件，其格式如下。
norm
咳嗽
发热
感冒
...