整理：python遇见NLP

在Github上搜索整理了一波关于医疗NLP的数据集：

1

• 中文评测数据集
  • 1. Yidu-S4K：医渡云结构化4K数据集
  • 2.瑞金医院糖尿病数据集
  • 3.Yidu-N7K：医渡云标准化7K数据集
  • 4.中文医学问答数据集
  • 5.平安医疗科技疾病问答迁移学习比赛
  • 6.天池新冠肺炎问句匹配比赛
  • 7.中文医患问答对话数据
  • 8.中文医学问答数据
  • 9.CHIP2020各项评测已开放
  • 10.医学数据挖掘与算法评测大赛
• 中文医学知识图谱
  • CMeKG
• 英文数据集
  • PubMedQA: A Dataset for Biomedical Research Question Answering
• 中文医疗领域语料
  • 医学教材 培训考试
  • 哈工大《大词林》开放75万核心实体词及相关概念、关系列表（包含中药/医院/生物 类别）
• 医学embedding
  • 开源英文医学embedding

链接：https://github.com/lrs1353281004/Chinese_medical_NLP

2

医疗行业专业词汇语料

链接：https://github.com/xtea/chinese_medical_words

3

中文医学NLP公开资源整理：术语集/语料库/词向量/预训练模型/知识图谱/命名实体识别/QA/信息抽取/etc

术语集/语料库

• medical-news 中文医学新闻爬虫
• medical-books 中文LaTex开源医学书籍
• THUOCL 清华大学thunlp组医学词汇
• ICD-10-CN ICD-10中文对应
• OMAHA七巧板医学术语集样例数据
• 中文糖尿病标注数据集 包含实体标注和关系标注

词向量/预训练模型

• ChineseEHRBert 中文电子病历预训练Bert；用Bert测试命名实体识别，问答模型，关系提取任务

分词

• PKUSEG PKUSEG分词工具，模型支持选择医学

知识图谱 / 关系提取

• cMeKG Chinese Medical Knowledge Graph
• 瑞金医院人工智能辅助构建知识图谱大赛 糖尿病相关的学术论文以及糖尿病临床指南的实体标注和抽取实体关系任务
• OMAHA知识图谱（药品适应症） 开放医疗与健康联盟（Open Medical and Healthcare Alliance，OMAHA）构建的药品与药品适应证的知识图谱数据
• 医疗知识图谱数据 医疗知识图谱数据（ownthink）
• 病人事件图谱数据集 病人事件图谱是一种新的基于RDF的医疗观察性数据表示模型，可以清晰地表示临床检查、诊断、治疗等多种事件类型以及事件的时序关系。使用三家上海三甲医院的电子病历数据，构建了包括3个专科、173395个医疗事件、501335个事件时序关系以及与5313个知识库概念链接的医疗数据集。
• 中文症状库 这是一个包含症状实体和症状相关三元组的数据集。中文症状库的数据来自8个主流的健康咨询网站、3个中文百科网站和电子病历。它还包含了中文症状与UMLS中概念的链接结果。
• 中医医案知识图谱 从医案中抽取临床知识构建知识图谱，帮助用户了解中医特色疗法，以及疾病（如“慢性胃炎”）的临床表现、相关疗法、相关养生保健方法等
• herbnet 面向中药研究，根据中药领域模型的特点，构建了一个包括中医疾病，方剂，中药， 中药化学成分，药理作用，中药实验，化学实验方法在内的中药本体。进而，基于本体实现了一系列数据库的集成，从而构建了一个中药知识图谱。
• CHIP2020 中文医学文本实体关系抽取

命名实体识别

• CCKS2017 面向中文电子病历的医疗实体识别及属性抽取数据集
• CCKS2018 面向中文电子病历的医疗实体识别及属性抽取数据集
• CCKS2019 数据下载 面向中文电子病历的医疗实体识别及属性抽取数据集
• CHIP2020 中文医学文本命名实体识别
• CHIP2020 中药说明书实体识别

QA

• CCIR2019 CCIR 2019 基于电子病历的数据查询类问答
• cMedQA 中文医学QA数据集
• cMedQA2 中文医学QA数据集
• CMID 中文医学QA意图理解数据集
• KGQA 基于医药知识图谱的智能问答系统
• chatbot-base-on-Knowledge-Graph 使用深度学习方法解析问题 知识图谱存储 查询知识点 基于医疗垂直领域的对话系统
• 中文医疗对话数据集 Chinese medical dialogue data 中文医疗对话数据集
• webMedQA webMedQA
• MedDialog The MedDialog dataset contains conversations (in Chinese) between doctors and patients. It has 1.1 million dialogues and 4 million utterances.
• CHIP2020 中医文献问题生成

术语标准化

• CHIP2019 临床术语标准化任务:医渡云标准化7K数据集
• CHIP2020 临床术语标准化任务

相似句对判断

• “公益AI之星”挑战赛-新冠疫情相似句对判定大赛 比赛整理近万条真实语境下疫情相关的肺炎、支原体肺炎、支气管炎、上呼吸道感染、肺结核、哮喘、胸膜炎、肺气肿、感冒、咳血等患者提问句对，要求选手通过自然语言处理技术识别相似的患者问题。

其他

• CHIP2018 针对中文的真实患者健康咨询语料，进行问句意图匹配
• CHIP2019 平安医疗科技疾病问答迁移学习比赛

链接：https://github.com/GanjinZero/awesome_Chinese_medical_NLP

4

Data_数据中有6个文件夹分别是:

<Andriatria_男科> 94596个问答对 <IM_内科> 220606个问答对 <OAGD_妇产科> 183751个问答对 <Oncology_肿瘤科> 75553个问答对 <Pediatric_儿科> 101602个问答对 <Surgical_外科> 115991个问答对 总计 792099个问答对

每个文件夹下有一个csv文件，其中的数据格式为:

链接：https://github.com/Toyhom/Chinese-medical-dialogue-data

5

This dataset is used for Chinese medical QA intent understanding task.

Dataset format:

All the data is stored in a JSON file. There are 5 fields in the file. An example as follows:

{
 "originalText": "间质性肺炎的症状?",
 "entities": [{"label_type": "疾病和诊断", "start_pos": 0, "end_pos": 5}],
 "seg_result": ["间质性肺炎", "的", "症状", "?"],
 "label_4class": ["病症"],
 "label_36class": ["临床表现"]
}

链接：https://github.com/liutongyang/CMID

6

This is the dataset for Chinese community medical question answering. The dataset is in version 1.0 and is available for non-commercial research. We will update and expand the database from time to time. In order to protect the privacy, the data is anonymized and no personal information is included.

链接：https://github.com/zhangsheng93/cMedQA

7

COVID19 Language Resources: Datasets

链接：https://github.com/lwgkzl/Covid19-NLP

8

Datasets

• BioCreative V chemical-disease relation (CDR) corpus (in short, BC5CDR corpus) (13, 14, 16, 34): It consists of 1,500 PubMed articles with 4,409 annotated chemicals, 5,818 diseases, and 3,116 chemical-disease interactions. The relation task data is publicly available through BioCreative V at https://biocreative.bioinformatics.udel.edu/resources/corpora/biocreative-v-cdr-corpus/.
• Traditional Chinese medicine (TCM) literature corpus (in short, TCM corpus) (32): The abstracts of all 106,150 papers published in the 114 most popular Chinese TCM journals between 2011 to 2016 are collected. 3024 herbs, 4957 formulae, 1126 syndromes, and 1650 diseases are found. 5 types of relations are annotated. The entire dataset is available online at http://arnetminer.org/TCMRelExtr.
• The 2012 informatics for integrating biology and the bedside (i2b2) project temporal relations challenge corpus (in short, i2b2 temporal corpus) (29, 30): It contains 310 de-identified discharge summaries of more than 178,000 tokens, with annotations of clinically significant events, temporal expressions and temporal relations in clinical narratives. On average, each discharge summary in the corpus contains 86.6 events, 12.4 temporal expressions, and 176 raw temporal relations. In this corpus, 8 kinds of temporal relations between events and temporal expressions are defined: BEFORE, AFTER, SIMULTANEOUS, OVERLAP, BEGUN_BY, ENDED_BY, DURING, BEFORE_OVERLAP. The entire annotations are available at http://i2b2.org/NLP/DataSets.

链接：https://github.com/chentao1999/MedicalRelationExtraction