医生会问什么 — DiSCQ 出院小结提问集

在出院小结的既往史里读到「前列腺癌、良性前列腺增生、甲状腺功能减退、非霍奇金淋巴瘤放疗后」这一串，一位准备接手这位患者的医生在纸上写下两个问题：「什么时候确诊的？做过什么干预（放疗、手术）？」和「维持用药是什么？」。这两句话不是从模板里填出来的，也不是先圈出答案再倒推出的问句——它们短、不完整、标点随意，却正是交接班时真实会冒出来的疑问。过去十几年里，电子病历问答数据集几乎全走另一条路：先有答案，再造问题。emrQA 一类资源把医生问句模板化、再用临床实体填槽，结果是问句里绝大多数含有与答案重合的关键词；有后续研究发现，只取其中极小一部分样本就足以训练一个模型。换句话说，这类数据集测的是检索能力，不是提问能力。

DiSCQ（Discharge Summary Clinical Questions，出院小结临床提问集）是这条路上的反例。Eric Lehman 与合作者找来 10 名从高年级医学生到执业医师的医学专家，请他们以「接收医生」的身份逐行阅读 114 份 MIMIC-III 出院小结，写下 2029 个问题，每个问题都配一段触发它的原文以及这段原文的字符起止位置。它的稀缺性是用代价换来的：只有两千余条、要同时拿到 PhysioNet 与 n2c2 两份授权才能把偏移落回文本、官方自己报告触发句标注的一致性只有 κ=0.08、并且明确拒绝公开生成模型的权重。它不是更大的库，是一面更诚实的镜子——照出的是「医生真正想知道什么」，而不是「模型能从文本里抠出什么」。DiSCQ 出院小结提问集的一屏速览如下。

维度	内容
全名	Learning to Ask Like a Physician: a Discharge Summary Clinical Questions (DiSCQ) Dataset
发布方	PhysioNet（MIT 计算生理学实验室维护）；数据由 MIT 牵头、多国医学机构协作构建
首作者	Eric Lehman（MIT），论文共 18 位作者
首次发布	2022 年 7 月 28 日，版本 1.0
版本现状	仅 1.0 一个版本，至今未出新版
问题数	2029 条（官方表述为 2,000+）
触发句数	1,000+ 条（论文给出 1.86 ± 1.56 个问题/触发句）
文档数	114 份出院小结（官方表述为 100+）
标注者	10 名医学专家，资历从高年级医学生到执业医师
原始来源	MIMIC-III Clinical Database v1.4；文本取 n2c2（i2b2）2010 关系抽取语料的替代 PHI 版本
文件格式	3 个 CSV：问题主表、人工评测表、i2b2 到 MIMIC 的映射表
标注粒度	问题级 + 触发句字符偏移级；另有四维度人工质量判定与答案充分性三档
许可	PhysioNet Credentialed Health Data License 1.5.0（凭证访问，需 CITI 培训与 DUA）
DOI	10.13026/7v8e-h745（v1.0）
配套论文	Learning to Ask Like a Physician，ClinicalNLP 2022，页 74–86
典型用途	临床问题生成、触发句检测、信息需求分析、无监督答案检索评测

§1 它要解决的具体麻烦

1.1 临床问答数据集的「人造」困境

临床问答看上去是一个简单任务：给一段病历，问一个问题，返回答案。难点从来不在「答」，而在「问什么」。医生翻电子病历是为了补齐决策所需的信息，D’Alessandro 等人早在 2004 年就发现，即使受过检索训练的医生，回答一个临床问题平均也要花 8.3 分钟。自动化问答若想帮上忙，前提是模型知道该问什么。

公开数据集在这个前提上长期缺位。模板法的做法是先收集医生问句，抽象成模板，再拿临床实体填槽：结构像医生的话，医学相关性却不稳定。Yue 等人在 2020 年的分析给出了两个刺眼的数字——只抽取 emrQA 的 5% 就足以训练模型，而 emrQA 某个子集里 96% 的问题含有与答案重合的关键词。后续工作进一步发现，机器生成的问题里 85%、号称由医生撰写的问题里 75%，都含有与选定答案完全相同的关键短语。这说明所谓「医生写的问题」，多半也是先圈定答案片段再倒推问句。

倒推带来的后果是严重的：一个问题如果必然能在给定段落里找到答案，那么数据集衡量的就不是临床判断力，而是字符串匹配能力。真实交接班完全不是这样——医生读到「患者血压 148 到 162/45 到 54」，想问的是「他平时的血压是多少」，而这句话在出院小结里根本没有。DiSCQ 的出发点正是这一条：允许提出文档里答不上来的问题。

环节	模板法数据集	DiSCQ
问题从哪来	先有模板，填临床实体	医学专家边读边写，无模板
答案是否先定	是，问题由答案倒推	否，允许不可回答的问题
问题形态	结构完整、语法规范	大量不完整句、口语化、含缩写
与原文的关联	通常只给段落	每个问题配触发原文与字符偏移
评测风险	可被字符串匹配刷高	无法靠关键词重合取巧

1.2 三条常见的错误期待

第一条，期待它是「有标准答案的问答基准」。官方给标注者的指示里明确写着：鼓励提出任何类型的问题，不管它能不能从电子病历里答出来。作者甚至把这当成特性而非缺陷——不可回答的问题可以当硬负样本，用来训练和校准问答系统。想拿它跑准确率的人，第一步就会卡住。

第二条，期待「下了三个 CSV 就能用」。discq_questions_final.csv 里的 start_index / end_index 是字符偏移，指向的不是 MIMIC-III 原文，而是 n2c2（i2b2）2010 关系抽取挑战赛发布的 txt 文件。没有那份语料，偏移只是两个无意义的整数。

第三条，期待「标注一致性高」。官方与论文都给出了触发句层面的一致性：约一半的出院小结由两名专家各自标注，Cohen’s κ 只有 0.08。这不是标注偷懒，是任务本身的性质——同一信息在临床文本里有多种表达，不同的触发句也能引出同一个问题。论文举的例子很直白：一个专家划「血压 148 到 162/45 到 54」，另一个划「高血压」，两人问的都是「患者平时的血压范围」。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
研究「医生会问什么」的信息需求类型	2029 条真人问题 + 触发句分类框架	够，且这是它的核心用途
训练临床问题生成模型	问题 + 触发句 + 上下文，可监督	够做小样本微调，不足以预训练
训练触发句检测器	字符级偏移作为监督信号	勉强，官方基线 F1 只有 0.190
评测自动指标与人工判断的相关性	400 条模型生成问题的人工四维度打分	够，论文已给出结论：几乎不相关
做抽取式问答的准确率基准	无	不够，问题不保证可答
做答案检索的召回评测	每条问题配建议答案与充分性三档	可做，但充分性由人工粗判
跨机构、跨语种泛化验证	无	不够，单一机构、英文
患者级纵向分析	映射表给出 subject_id / hadm_id	可做，但文档只有 114 份
大规模预训练语料	无	不够，全库只有两千余条

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
你在做临床问题生成，苦于生成结果无法评价	提供四维度人工评测指引（可理解、非平凡、与触发相关、医学有意义）与现成打分表	直接套用这四条做人工评测，别再用 ROUGE 定生死
你在做大模型临床评测，担心题目都是「考试题」	提供非考试场景的真实信息需求	把它当「医生视角」的一路题源，与考试型基准互补
你想证明自动指标与人工判断脱节	论文已算出 ROUGE-L、METEOR、BERTScore 与人工分的相关系数	引用论文 Table 5 与相关系数的结论，不必重跑
你要建触发句检测任务	提供字符级偏移与两条官方基线（ScispaCy、ClinicalBERT）	先接受 0.19 的天花板，再考虑是否换任务定义
你要做答案充分性研究	sufficient_answer 字段分 Fully / Partial / No 三档	三档口径见 §2.6，注意它是人工粗判
你要把问句对齐回 MIMIC-III	i2b2_to_mimic_map.csv 给出 subject_id、hadm_id、chartdate	先按 / 取文件名末段再 join（§5.6）

1.5 一句话判断

它不适合当「更大的训练集」，而适合当「更真的尺子」：量出模型生成的问题离医生真正想问的东西还有多远，而这个距离恰好是自动指标看不见的。

1.6 不适合谁：四条边界

不适合拿来做抽取式问答的准确率排行。 标注者被鼓励提任何问题，官方明确不保证可答。用准确率排行榜的口径套它，等于把「提出好问题」的能力排除在评测之外。

不适合拿来当触发句检测的主战场。 官方自己的 ClinicalBERT 基线 F1 只有 0.190，ScispaCy 只有 0.056。这说明任务定义本身有歧义（不同专家划不同的跨度），而不是模型不够大。

不适合拿来预训练生成模型。 两千余条、114 份文档，量级上只够微调与评测。更关键的是官方在伦理声明里明确表示不公开生成模型的权重，并援引 Carlini 等人的研究提醒在敏感数据上训练生成模型的风险。

不适合做跨机构或跨语言的结论。 全部文本来自 MIMIC-III，即单一医疗中心的英文出院小结；标注者集中在少数几家机构。论文没有声明任何跨机构效度。

§2 数据构成与规格

2.1 三个文件，三件事

官方「Data Description」一节的原话是「We release 3 files」，分别是 discq_questions_final.csv、human_eval_q.csv、i2b2_to_mimic_map.csv。三个文件各管一件事，缺任何一个都跑不通完整链路：

文件	管的事	粒度	没有它会怎样
discq_questions_final.csv	医学专家写下的问题与触发原文	一行一个问题	没有监督信号
human_eval_q.csv	对问题质量的人工判定	一行一条待评问题（含模型生成）	无法复现人工评测，也无法比较模型与真人
i2b2_to_mimic_map.csv	n2c2 文件名到 MIMIC-III 的映射	一行一份文档	无法把问句对齐回患者与住院

三者都是 CSV，官方在「Usage Notes」里说得很直白：浏览用 Excel 或 Google Sheets 就够了，真要干活推荐 Python。

2.2 字段字典：问题主表

discq_questions_final.csv 是全库的主表。官方逐字段说明如下：

字段	官方说明	取值形态	含义	使用注意
id	问题与触发句所在的文本文件（n2c2）	文件名	定位到哪份出院小结	需与 n2c2 语料的 txt 文件名对齐
name	写下这个问题的标注者	标注者名	可用于按人分组	官方未说明是否匿名
question	提出的问题	自由文本	监督目标	大量不完整句，别用语法规则过滤
reasoning	触发该问题的原文片段	自由文本	即 trigger	官方要求标注者取最小跨度
start_index	reasoning 的字符起始下标	整数	定位触发句	相对 n2c2 txt，不是 MIMIC 原表
end_index	reasoning 的字符结束下标	整数	定位触发句	同上

六个字段里最容易出错的是 reasoning 与 question 的关系：前者不是解释，不是理由，而是触发句本身——医生读到这一段才想到这个问题。命名叫 reasoning 是历史上的习惯，语义上应理解为 trigger。

2.3 字段字典：人工评测表

human_eval_q.csv 的字段最多，也最容易被误读，因为它把真人问题与模型生成的问题混在同一张表里。

字段	官方说明	取值形态	含义	使用注意
id	问题来自哪个文本文件	文件名	定位文档	同主表
model	生成这个问题的模型	Gold 或模型名	Gold 指真人医生问题	训练时若要只用真人，按此列筛
trigger	该问题对应的触发句	自由文本	触发原文	与 question 成对
ch_trigger_start	触发句字符起始下标	整数	定位	与主表下标体系一致
ch_trigger_end	触发句字符结束下标	整数	定位	同上
question	待评判的问题	自由文本	评测对象	可能来自模型
answer	建议答案	自由文本	供评判充分性	取自该患者的任一 MIMIC-III 笔记，或 n2c2 出院小结
done	该行是否已完成评判	布尔	进度标记	未完成行的判定列可能为空
understandable	问题是否可理解	布尔	四维度之一	官方给了明确定义（§2.6）
nontrivial	问题相对触发句所在句子是否非平凡	布尔	四维度之二	不可理解的行不再判此项
relevant_to_trigger	问题是否与触发句相关	布尔	四维度之三	同上
medically_significant	问题是否具有医学意义	布尔	四维度之四	同上
sufficient_answer	建议答案的充分程度	Fully / Partial / No	三档	官方原文写作 Fully、Partial、No
user	哪位用户评判了这一行	用户名	评判者	每条问题由两名专家独立打分

这张表的设计有一处值得学习：评判是盲评。官方明确说，评判者知道自己会看到人类与机器生成的问题，但不知道某一行来自哪一方，也不知道两者比例。这个设计让 model 列的比较有了可信度。

2.4 字段字典：映射表与主键关系

i2b2_to_mimic_map.csv 解决的是「这份 n2c2 文件对应 MIMIC-III 里的哪一次住院」。

字段	官方说明	含义	使用注意
file	哪个 n2c2 文件对应哪份 MIMIC 出院小结	源文件路径	按 / 切分取最后一段；官方注明部分文件在 reformatted_txt_files.zip 里
row_num	出院小结的行号	MIMIC-III NOTEEVENTS 行号	与官方表述一致，未注明是否 ROW_ID
subject_id	患者编号	MIMIC-III 患者主键	患者级分组的正确键
hadm_id	住院编号	MIMIC-III 住院主键	住院级分组的正确键
chartdate	出院小结的日期	记录日期	可做时间对齐
source	该出院小结来自 n2c2 的哪一类别	来源类别标注	官方未枚举取值

主键链条因此是三层：n2c2 文件名 → subject_id / hadm_id → MIMIC-III 全库。这条链的意义在于，DiSCQ 本身只有文本与偏移，患者维度的一切都要过这张表才能拿到。需要提醒的是，官方在字段说明里对 row_num 只写了「row number of the discharge summary」，没有写明它等同于 MIMIC-III 的哪个标识符，跨表 join 时应先抽样核对。

2.5 与同类资源的字段差异

对比项	DiSCQ	emrQA	CliniQG4QA
文章（出院小结）数	114	2,425	36
问题数	2,029	455,837	1,287
每篇问题数	17.8	187	35.8
文章长度（token）	1,481	3,828	2,644
问题长度（token）	4.4	7.8	8.7
问题二元组唯一比例	59%	0%	24%
是否由医生生成	是	否	否
是否标注动机（触发句）	是	否	否

这张表来自论文 Table 1，是理解 DiSCQ 定位最快的一张。三列里 DiSCQ 只在两行占优：问题二元组唯一比例 59%，以及「由医生生成」。规模、长度、数量全面落后——这不是缺点陈述，而是它的设计取向决定的：要真人问题，就只能小。

反过来读这张表也有价值。emrQA 的 45 万条问题、每篇 187 条，是靠模板填槽堆出来的，代价是二元组唯一比例为 0（论文写作 0%）：也就是说，几乎不存在别人没问过的新问法。CliniQG4QA 用模型加人在环生成，唯一比例 24%，问题长度 8.7 token，比 DiSCQ 的 4.4 长一倍——越长的问句越像完整句子，也越像模型而不是医生。

2.6 标签体系的含义

DiSCQ 的「标签」不在分类列里，而在三层结构上：触发句类型、所问信息类型、质量判定四维 + 答案充分性三档。

论文对前两层各随机抽样 100 条，由一位作者（医师）归类，给出了类别框架：

层级	类别集合（论文 Figure 3 / Figure 4 给出）	说明
触发句含有的信息类型	Demographics、Problem、Sign/Symptom、Assessment、Test Results、Procedure、Medication、Medical Services、Other	描述「哪一段原文引发了疑问」
问题所问的信息类型	Treatment、Assessment、Sign/Symptom、Vitals、Problem、Test Results、Indication、Etiology、Medical Services、Other	描述「医生想知道什么」

论文对这两层的每类占比给了图示，本文按数字纪律不复述逐类比例，只保留两处结构性结论：一是 Sign/Symptom 类问题里 83%、Problem 类问题里 80% 来自同类型的触发句，说明多数疑问是「就地深挖」；二是 Treatment 类问题里 62%、Test Results 类问题里 56% 的触发句属于 Problem 类，说明治疗与检查的疑问多半由诊断触发。

第三层是人工评测的四维度，官方给了逐条定义：

维度	官方定义	判否的后果
understandable	熟悉医学语言的人能否理解问题表达的信息需求，即使它不是完整句子或有拼写语法错误	判否则后续三项不再评判
nontrivial	问题相对其触发句所在的句子是否不可回答	平凡问题不得分
relevant_to_trigger	触发句或含触发句的句子是否与问题相关	不相关不得分
medically_significant	答案是否有助于后续治疗或理解当前病情，或在该情境下由医学人员提出是否合理	无意义不得分

Satisfies All 是论文使用的汇总口径：四项全满足才算一条高质量问题。答案充分性则分 Fully（建议答案能回答问题）、Partial（相关或部分回答）、No（完全无关）三档。

§3 它是谁的数据

3.1 贡献者与机构

官方页面把创建者署为 Eric Lehman（MIT），论文则给出完整 18 人作者名单与机构标注：

机构	角色归属
MIT	第一作者及多位合作者
MIT-IBM Watson AI Lab	论文致谢中的资助与赞助方
University of Massachusetts Lowell	合作作者
UERM Memorial Medical Center	合作作者（医学机构）
University of the Philippines	合作作者（多位标注者所属）
ASMPH	合作作者
Northeastern University	合作作者
IBM Research	合作作者
Fidelity Investments	合作作者
Beth Israel Deaconess Medical Center	合作作者（临床机构）

名单里一个值得注意的结构：中间一大段姓名（Legaspi、Sy、Pile、Alberto、Ragasa、Puyat、Taliño、Alberto、Alfonso）集中在菲律宾的医学机构，与论文「10 名医学专家」的描述对应。也就是说，标注工作由菲律宾方面的医学专家完成，美国方面负责研究设计与建模。这是一个真实存在的分工，也意味着标注者的临床训练背景与美国本土医师不完全相同——论文把它写成「资历从高年级医学生到执业医师」，没有进一步分层。

官方页面「Conflicts of Interest」写的是「This research was supported by Oracle and MIT-IBM Watson AI lab」，而论文致谢只写 MIT-IBM Watson AI Lab。两处不一致，本文并列记录，不作取舍。

3.2 时间线

时间	事件	出处
2022 年 6 月	预印本上线（arXiv 2206.02696）	项目 GitHub 首页
2022 年 7 月 14 日	论文在 ClinicalNLP 2022（西雅图）正式发表，页 74–86	ACL Anthology
2022 年 7 月 28 日	数据集在 PhysioNet 上线，版本 1.0	官方页面
2022 年至今	版本列表仍只有 1.0	官方页面 Versions 区块

论文与数据发布相隔两周，属于「先发论文、再放数据」的常规节奏。版本列表至今只有一条，说明它没有修订过——这既可能是稳定，也可能意味着没有后续维护，判断依据只有一条：官方没有给出任何变更记录。

3.3 采集场景：模拟一次交接班

设计的核心是把出院小结当成「上一位医生留给你的交代」。官方与论文都给出了完整的任务描述：

标注者被要求以接收医生的身份审阅出院小结，逐行阅读，记录两件事——（1）任何对患者后续照护可能重要的问题；（2）触发这个问题的原文片段。允许回头补问；允许跳读；也允许一份小结一个问题都不提。

三条约束值得单独摘出来，因为它们直接决定了数据的形态：

第一，最小跨度原则。只要求标注者把触发句取到「最小的一段文字」，不规定取多长。论文的统计结果是触发句长度 5.0 ± 14.1 个 token——均值远小于标准差，说明跨度差异极大，从几个词到一长句都有。

第二，不规定问法。官方原话是鼓励「以任何觉得合适的方式提问」，结果是大量非正式查询，包括不完整句与语法错误。这与模板法数据集的规范问句形成鲜明对比，也是它最容易被误判为「质量差」的地方。

第三，不限制可答性。鼓励提出任何类型的问题，不管能否从电子病历中回答。这条最反直觉，也最有价值：它让数据集包含了真实的信息缺口。

另外还有一条负向筛选：论文脚注写明，涉及新生儿或已故患者的记录被丢弃。

3.4 数据来源的三个层次

理解 DiSCQ 要先分清三层，很多误读都来自把三层混为一谈：

层次	是什么	是否随 DiSCQ 一起发放
第一层：MIMIC-III v1.4 出院小结	原始临床文本，贝斯以色列女执事医疗中心的去标识自由文本	否，需另行申请 PhysioNet 凭证
第二层：n2c2（i2b2）2010 关系抽取语料	与 MIMIC-III 重叠的出院小结，PHI 已被替代值填槽，发布为 txt 文件	否，需另行向 n2c2 申请
第三层：DiSCQ 标注	问题、触发句、字符偏移、质量判定、映射表	是，三个 CSV

论文在 Methods 里解释了为什么用第二层而不是第一层：为了便于阅读。替代 PHI（如虚构的姓名、日期）让文本读起来更顺，也降低了再标识风险。代价是：偏移只对第二层有效，拿第一层原文去切会得到错位的片段。

这个三层结构也解释了它的获取门槛——要完整用上 DiSCQ，需要两份授权：PhysioNet 的凭证访问（CITI 培训 + DUA 1.5.0）用于拿三个 CSV，n2c2 的数据使用协议用于拿第二层 txt。项目 README 的写法很直白：「You will still need to get n2c2/i2b2 access to the discharge summaries.」

§4 它最独特的东西

4.1 稀缺性：问题与触发句配对

临床 NLP 里，「有人问过的问题」并不稀缺，「带着触发句的问题」才稀缺。绝大多数问答数据集给的是（问题，答案）二元组，DiSCQ 给的是（问题，触发原文，偏移）三元组，并且这个三元组是同一个人边读边写出来的。

这带来一个别处做不到的研究角度：从文本片段预测疑问。不是「给定段落回答问题」，而是「读到这一段，医生会起什么疑心」。触发句检测这个任务之所以成立，全靠这一层配对。官方自己的基线很弱（F1 0.190），但任务本身是新的——弱基线在此处不是减分项，而是说明还有空间。

第二个稀缺点是问句的自然形态。论文用三个比例刻画它：46% 的问题本身自足、46% 需要触发句才能理解、8% 需要触发句所在的整个句子。也就是说，超过一半的问题脱离上下文就看不懂。这与考试型数据集的完整题干完全相反，也更接近真实场景——交班时医生是在读一份文档的语境里提问的。

第三个稀缺点是问题的多样性。论文报告 59% 的问题二元组是唯一的，即某个二元词组只出现在一条问题里。这个数字放在模板法数据集旁边（0%）对比强烈。它意味着模型不能靠记住几十种问法取胜。

4.2 差异化证据：只有 22% 能对上模板

论文做了一个诚实的健全性检验：随机抽 100 条问题，看有多少能直接对上 emrQA 的模板。结果是 22%，而这 22 条里有 17 条落在 |problem|? 与 |test|? 两个模板上。

这个数字的含义是：DiSCQ 里近八成的问题，用当时最大的临床问答模板库都覆盖不到。它不是 emrQA 的扩充，而是补上了 emrQA 覆盖不到的那一块。

另一组对照更有意思。论文请一位医师判断，若真要回答这些问题，他会去哪里找答案：3% 需要外部资源，20% 查结构化数据，21% 结构化与非结构化都要查，56% 只能靠非结构化文本。而 emrQA 与 CliniQG4QA 里，所有问题都能用非结构化数据回答——因为它们本来就是照着非结构化段落造的。真实的信息需求有一半要跨出文本之外，这正是 DiSCQ 与它们的根本差别。

论文还追查了答案检索的失败：在模型找回的答案里，44% 来自生成问题的那份出院小结的其余部分，另外 56% 来自护理记录、放射与心电图报告、以及既往出院小结。也就是说，回答一个医生的问题，往往要翻这位患者别的笔记——这与「在一段落内找答案」的抽取式设定完全不同。

4.3 具体案例：一句既往史引出两个问题

论文 Figure 1 给了一个可以直接感受的例子。出院小结的既往史段落写着：

His past medical history is significant for prostate cancer, benign prostatic hypertrophy, hypothyroidism, status post radiation for non Hodgkin’s lymphoma, chronic painless hematuria, degenerative joint disease and history of a murmur.

两位标注者在这一段上划出不同的触发句，写出不同的问题：

触发句（trigger）	问题	观察
prostate cancer, benign prostatic hypertrophy	Date of diagnosis? Any interventions done (RT, surgery)?	一个触发句带两个子问题，问的是时间与干预
hypothyroidism	Maintenance medications?	两个词，问的是一个名词性短语

这两个例子把 DiSCQ 的几个特性一次说清了。

第一，问题极短。论文统计问题平均长度 4.4 个 token，这两个例子都在范围内。它们不是句子，是速记。

第二，问的是文档里没有的东西。出院小结写了「有前列腺癌」，没写什么时候确诊、做过什么治疗；写了「甲状腺功能减退」，没写吃什么药、吃多少。这些问题指向的是文档的缺口，而不是文档的内容。

第三，一个触发句可以带多个问题。论文给出 41% 的样本存在这种情况（按官方定义，即一个触发句对应多条以问号分隔的问题），平均每个触发句对应 1.86 ± 1.56 条问题。

第四，语法不规整。「Maintenance medications?」不是句子；「Any interventions done (RT, surgery)?」省略了助动词与主语。用教科书语法过滤数据，会把这类最有价值的问题滤掉。

4.4 标注粒度：字符偏移与最小跨度

DiSCQ 的标注粒度是字符级，不是 token 级也不是句子级。这个选择有实际后果。

字符级偏移的好处是与分词无关，start_index / end_index 可以直接切字符串，不需要复现当时的分词器。坏处是它对文本版本极其敏感——第二层 n2c2 文本把 PHI 替换成了替代值，替代值的长度与原值不同，因此偏移只对 n2c2 的 txt 文件有效，对 MIMIC-III 原文无效。这是它最硬的边界条件。

「最小跨度」原则同样有两面。好处是触发句精确，噪声小；坏处是标注者之间的跨度选择差异极大。论文的统计印证了这一点：触发句长度 5.0 ± 14.1 token，标准差是均值的近三倍。这种离散度直接压低了一致性指标，也让触发句检测成为一个天然的弱监督任务。

从信息需求的角度看，论文还报告了触发句在文档中的来源：多数触发句来自「现病史」（History of Present Illness）占 39%，以及「住院经过」（Hospital Course）占 13%。这两个段落是出院小结的叙事主体，写的是入院前的病史与住院期间的处置，疑问自然集中在这里。

4.5 边界条件：什么情况下它不再适用

条件	是否适用	判断依据
研究医生的信息需求类型	适用，主力	2029 条真人问题配触发句分类框架
微调临床问题生成模型	适用	量级足够微调，不足以预训练
预训练生成式模型	不适用	只有两千余条；官方因隐私考虑不发布权重
抽取式问答准确率排行	不适用	官方不保证问题可答
触发句检测的主基准	谨慎	官方基线 F1 0.190，任务本身一致性低
跨机构泛化验证	不适用	单一来源（MIMIC-III），单一语种
无 n2c2 授权时的完整使用	不适用	字符偏移指向 n2c2 txt，缺之则无法定位
患者级纵向研究	可做但薄	映射表给 subject_id / hadm_id，但只有 114 份文档
儿科或新生儿场景	不适用	论文脚注明示剔除新生儿记录

这张表里最该记住的是第五行和第七行。第五行提醒：把 DiSCQ 当触发句检测基准的人，会先撞上 0.19 的基线，而这个数字反映的是标注者之间的分歧，不是模型能力。第七行提醒：只有 PhysioNet 凭证是不够的，缺了 n2c2 语料，三个 CSV 的价值折损大半。

§5 怎么拿到

5.1 目录结构与下载面

官方文件目录是扁平的，根目录下只有三个 CSV，没有子目录、没有按患者或段落分卷。由于本项目属凭证访问，未登录或所在区域受限时，文件区块会显示「Data Not Available」，这是预期行为，不代表数据缺失。

路径	内容	备注
/files/discq/1.0/discq_questions_final.csv	2029 条问题与触发句	主表
/files/discq/1.0/human_eval_q.csv	人工质量判定	含真人（Gold）与模型生成问题
/files/discq/1.0/i2b2_to_mimic_map.csv	文件名到 MIMIC-III 的映射	患者与住院主键的来源

官方没有提供整库压缩包，也没有提供 n2c2 侧的 txt（那是另一家的授权范围）。三个 CSV 的总量很小，一次可下完——这与动辄数百兆的影像或波形库相比是一个实际优势，但别忘了它还依赖一份外部语料。

5.2 凭证与前置条件

前置项	要求	出处
PhysioNet 账号	需登录并通过凭证审核	官方 Access Policy：Only credentialed users who sign the DUA can access the files
伦理培训	CITI「Data or Specimens Only Research」课程	官方 Required training
数据使用协议	PhysioNet Credentialed Health Data Use Agreement 1.5.0	官方 Data Use Agreement
许可	PhysioNet Credentialed Health Data License 1.5.0	官方 License
上游数据库	引用并遵守 MIMIC-III v1.4 的使用条件	官方 Parent Projects
外部语料	n2c2（i2b2）2010 关系抽取挑战赛的 txt 文件	官方 Usage Notes；项目 README

README 给出的具体路径是：下载 2010 Relations Challenge 的 Training Data: Concept assertion relation training data 与 Test Data: Test data，把 concept_assertion_relation_training_data/beth/txt 与 test_data 里的 .txt 合并到同一个目录（README 里叫 data/relations_txt）。这一步是官方指定的配套动作，不是可选的便利操作。

5.3 读取方式

官方建议用 Python 处理，浏览用表格软件即可。最小读取流程：

import pandas as pd

#-- 三个 CSV 都在同一目录；凭证用户从 /files/discq/1.0/ 下载
q = pd.read_csv('discq_questions_final.csv')
e = pd.read_csv('human_eval_q.csv')
m = pd.read_csv('i2b2_to_mimic_map.csv')

print(q.shape, e.shape, m.shape)
print(q.columns.tolist())

把偏移落回原文（需 n2c2 txt）：

import os

TXT_DIR = 'data/relations_txt'

def trigger_text(row):
    #-- file 字段可能带路径，按 "/" 取最后一段
    fname = str(row['id']).split('/')[-1]
    path = os.path.join(TXT_DIR, fname)
    if not os.path.exists(path):
        return None
    with open(path, encoding='utf-8', errors='replace') as f:
        text = f.read()
    s, t = int(row['start_index']), int(row['end_index'])
    return text[s:t]

q['trigger_back'] = q.apply(trigger_text, axis=1)

第二段代码里有一个必须自己做的校验：切出来的 trigger_back 应该与 reasoning 一致或高度接近。如果不一致，说明文件名或文本版本没对上，此时不要继续下游分析。

5.4 转成可训练的表

官方没有给官方切分，论文用的是文档级 70% / 10% / 20% 划分。文档级是关键——同一份出院小结的所有问题必须落在同一侧，否则触发句上下文会泄漏。

import pandas as pd
import numpy as np

q = pd.read_csv('discq_questions_final.csv')
m = pd.read_csv('i2b2_to_mimic_map.csv')

#-- 映射表给的是 file -> subject_id / hadm_id；先统一文件名口径
m['fname'] = m['file'].astype(str).str.split('/').str[-1]
q['fname'] = q['id'].astype(str).str.split('/').str[-1]

df = q.merge(m[['fname', 'subject_id', 'hadm_id', 'chartdate']],
             on='fname', how='left')

#-- 文档级划分：按文件名哈希分组，保证同一文档不分到两侧
docs = df['fname'].drop_duplicates().to_numpy()
rng = np.random.default_rng(0)
rng.shuffle(docs)
n = len(docs)
train, val, test = np.split(docs, [int(n * 0.7), int(n * 0.8)])

df['split'] = np.select(
    [df['fname'].isin(train), df['fname'].isin(val)],
    ['train', 'val'], default='test')
print(df['split'].value_counts())

一个触发句带多个问题的情况要显式处理。官方在论文里说得很清楚：41% 的样本存在多条以问号分隔的问题，因此训练与评测要在两种口径下分别跑——拆分口径（按 ? 切开，每条独立成例，便于与既有工作对比）与合并口径（保留原样，更贴近医生真实的连问行为）。选哪种必须写进方法节，因为两种口径的样本数不同，指标不可比。

5.5 标注映射：把人工判定变成可用标签

human_eval_q.csv 的四维度与答案充分性三档，可以直接转成过滤条件或训练目标：

import pandas as pd

e = pd.read_csv('human_eval_q.csv')
dims = ['understandable', 'nontrivial',
        'relevant_to_trigger', 'medically_significant']

#-- 未完成评判的行先剔除；四维度转布尔
e = e[e['done'] == True].copy()
for d in dims:
    e[d] = e[d].astype(str).str.lower().isin(['true', '1', 'yes', 'y'])

#-- 论文口径：四项全满足记为高质量问题
e['satisfies_all'] = e[dims].all(axis=1)

#-- 真人问题与模型生成问题的对照
print(e.groupby('model')['satisfies_all'].mean())

#-- 答案充分性三档
print(e['sufficient_answer'].value_counts(dropna=False))

这段代码的最后两行正好对应论文 Table 5 与 Table 6 的口径：前者按 model 分组看四项全满足的比例，后者看答案充分性的三档。需要注意，官方说明里写明「若问题不可理解，则不评判非平凡、相关性、医学意义」，因此这些列存在结构性空缺，直接 mean() 会低估——论文也在表注里说明了这一点。

5.6 五个最容易出错的地方

位置	错误写法	后果	正确做法
定位触发句	拿 MIMIC-III 原文切 start_index / end_index	偏移错位，切出无关片段	只对 n2c2 的 txt 切；切完与 reasoning 核对
文件名对齐	直接用 file 或 id 做 join	带路径与不带路径对不上	统一按 / 取末段
问题去重	按 trigger 去重当唯一键	丢掉 41% 的多问题样本	以（文件名, 触发偏移, 问题序号）为键
训练数据	把 human_eval_q.csv 全表当真人语料	混入模型生成问题，指标虚高	先按 model == 'Gold' 筛
指标选择	用 ROUGE-L 或 BERTScore 挑模型	与人工判断几乎不相关	用四维度人工评测，或至少报告相关系数

第五行的依据来自论文：作者算了人工评分与自动指标的 Spearman 相关系数，ROUGE-L 为 −0.09，METEOR 为 −0.04，BERTScore 为 −0.04，均极低且不显著。这不是「指标不够好」，而是这些指标压根不是为这四类判据设计的。

§6 与库内条目的关系

6.1 关系图谱

DiSCQ 在临床文本类资源里的位置，可以用「问题由谁产生 × 是否配触发句」两个轴摆出来。下表列出库内主题相近的已发布资源，并给出与 DiSCQ 的判定：

库内资源	与 DiSCQ 的关系	判定依据	是否撞库
emrQA（rid 139）	同为临床问答，底层语料同源（n2c2/i2b2）	由 UIUC、IBM Research、MIT-IBM Watson AI Lab 构建，问题来自模板填槽；DiSCQ 由 Lehman 等 2022 年构建，问题来自 10 名医学专家手写	否，独立发布
MIMIC-III（rid 106）	DiSCQ 的上游父项目	官方 Parent Projects 明列 MIMIC-III Clinical Database v1.4	否，上下游关系
MIMIC-IV-Note（rid 47）	同为去标识自由文本语料，非 DiSCQ 来源	DiSCQ 基于 MIMIC-III v1.4，不是 MIMIC-IV-Note	否
出院小结模板集（rid 1301）	同为出院小结衍生标注，主题相近	1301 是姓名去标识模板，产出 PHI 标注；DiSCQ 产出问题与触发句，字段体系完全不同	否，独立发布
DrugEHRQA（rid 1300）	同用 n2c2 出院小结，问答方向	1300 面向结构化与自由文本双模态用药问答；DiSCQ 面向信息需求与问题生成	否，独立发布
MeDiSumQA（rid 1315）	同为出院小结问答	1315 是面向患者的摘要问答，源自 MIMIC-IV-Note，由德国团队构建	否，独立发布
EHRNoteQA（rid 1256）	同以出院小结为底座做问答评测	1256 是五选一大模型评测基准，源自 MIMIC-IV-Note；DiSCQ 是开放式提问集，源自 MIMIC-III	否，独立发布
ArchEHR-QA（rid 1000）	同为电子病历问答共享任务产物	1000 是 2025 年 BioNLP 共享任务，证据落地型问答；DiSCQ 是 2022 年发布、非挑战赛产物	否，独立发布
ann-pt-summ（rid 1497）	同为出院小结人工标注	1497 标注幻觉，DiSCQ 标注提问	否，独立发布
MedDec（rid 1296）	同为 MIMIC-III 出院小结标注	1296 按 DICTUM 十类决策体系标片段；DiSCQ 标问题与触发句	否，独立发布

判定的通用标准只有一条：同一团队、同一批数据、同一 DOI 或版本页才算同一份发布。DiSCQ 的 DOI 是 10.13026/7v8e-h745，团队是 Lehman 等人，版本页是 /content/discq/1.0/，与上表任何一条都不重合，因此均不构成撞库。

6.2 检索路径

你要找的东西	检索词	会落到哪里
模板法临床问答的对照	emrQA、emrKBQA、模板填槽	§1.1 的对照表、§6.1 第一行
上游数据库	MIMIC-III、mimiciii、v1.4	§3.4 的来源层次、§6.1 第二行
出院小结标注的其他口径	discharge summary、出院小结、DICTUM	§6.1 后四行
问题生成与评测方法	QG、question generation、T0、BART	§7.4 的基线表
触发句概念	trigger、reasoning、字符偏移	§2.2 字段字典、§4.4
人工评测指引	understandable、nontrivial、medically_significant	§2.6 的定义表
外部语料	n2c2、i2b2、2010 relations	§3.4、§5.2

6.3 与其他资源的分工判据

任务	主粮仓该用什么	DiSCQ 的位置	原因
临床问答的规模化训练	大模板库（emrQA 一类）	只在评测出现	两千余条不够训练
问题生成模型的微调	大模板库 + DiSCQ 混合	微调主力之一	真人问法可校正模板腔
信息需求类型研究	无可替代	主力	只有它同时给问题与触发句分类
触发句检测	自建基线	唯一现成资源	别的库不给偏移
大模型临床能力评测	考试型基准 + 笔记型基准	补一路「医生视角」	问题非考试式、多不可答
自动指标可信度研究	需人工平行语料	现成	已附四维度人工打分
抽取式问答排行	抽取式基准	不适用	不保证可答

这张表想说的只有一件事：DiSCQ 负责的是「提问」这一半，而不是「作答」那一半。需要回答准确率的人，它给不了；需要知道该问什么的人，它几乎是唯一选择。

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

先纠正一个几乎必然会出现的误判：看到 κ=0.08 就断定标注质量差。这个数字算的是触发句层面的一致性，不是问题质量的一致性，也不是标注者是否认真。官方与论文都解释了低值的原因——临床文本存在信息冗余，不同跨度可以表达同一信息；临床推理不是线性的，不同触发句可以引出同一个问题。论文甚至举了具体例子：一个划「血压 148 到 162/45 到 54」，一个划「高血压」，两人问的是同一件事。

论文还明确说，他们没有测问题层面的一致性，理由是这本质上主观，而问题之所以存在正是源于医学专家之间的分歧。换句话说，分歧是这项研究的对象，不是它的缺陷。

这个校正会改变后面五维评分的读法：一致性低不等于不可用，但它确实划出了触发句检测任务的上限。

7.1 五维评分

按临床文本数据集的常用维度打分，每项 1–5 分，分数针对「作为临床问题生成与信息需求研究数据」这一用途：

维度	分数	理由
数据规模	2	2029 条问题、114 份文档，微调够、预训练不够
标注质量	4	真人手写、触发句精确、盲评设计严谨；但触发句一致性 κ=0.08
任务适配	5	唯一同时给问题、触发句与字符偏移的临床资源
文档完整	4	字段逐条解释、用法提示、伦理声明、引用格式齐全
可获取性	2	双重授权（PhysioNet + n2c2），缺一不可，且有区域限制

五项合计 17 分（满分 25）。拖后腿的是规模与可获取性，这两项恰好是它设计取向的直接代价：要真人问题，规模必然小；要对齐回原文，必然要多一层授权。

7.2 标注的两层与它们各自的可靠性

第一层是问题与触发句本身，由 10 名医学专家边读边写。可靠性高：官方与论文给出了完整的任务说明、最小跨度原则、以及逐字段的数据字典。风险点在于标注者资历跨度大（高年级医学生到执业医师），论文没有分层报告，因此无法判断不同资历的问法是否有系统差异。

第二层是触发句的一致性。约一半的出院小结由两名专家各自标注，Cohen’s κ 为 0.08。这是官方自己给出的数字，不是外部评价。它意味着：任何把触发句当金标准的下游任务，天花板都很低。

第三层是质量评判。每个问题由两名专家独立打分，论文报告的评分一致性为 κ=0.46（问题质量）与 κ=0.47（答案充分性），属于中等。官方也写了限制条件：因时间所限，评判者之间没有讨论环节；但做了两条控制——评判者不会拿到自己此前看过的问题，且评判是盲评。

层级	一致性	含义	下游建议
问题文本	未测量（论文明示）	分歧本身是研究对象	直接用，别做一致性过滤
触发句跨度	κ=0.08	一致性极低	触发句检测不要追求高精度
质量四维度	κ=0.46	中等	报告评分时标注双人独立
答案充分性	κ=0.47	中等	三档判为粗粒度，勿当精确标签

7.3 可枚举的偏差

偏差	表现	影响
单一机构	全部文本来自 MIMIC-III（贝斯以色列女执事医疗中心）	文书风格、收治结构单一
单一语种	英文	中文场景无直接可迁移性
标注者地域集中	医学专家主要来自菲律宾的医学机构	训练背景与美国本土医师不完全相同
文档筛选	剔除新生儿与已故患者的记录	儿科与临终场景覆盖不到
触发句一致性	κ=0.08	触发句类任务上限低
问题形态	大量不完整句与语法错误	用语法规则清洗会误删核心样本
可答性缺失	鼓励提不可回答的问题	不能做准确率排行
文本版本绑定	偏移只对 n2c2 替代 PHI 版本有效	换文本即失效
无后续版本	版本列表只有 1.0	错误与遗漏没有修订记录
未公开权重	官方不发布生成模型权重	无法直接复用官方基线模型

7.4 外部验证：官方基线给出的读数

论文在 DiSCQ 上训练了三条基线，其数值是判断「这个数据能撑起多强的任务」的直接证据。所有数字来自论文 Table 2、Table 5、Table 6。

触发句检测（token 级，测试集）：

模型	Precision	Recall	F1
ScispaCy（临床实体当触发句）	0.033	0.186	0.056
ClinicalBERT（微调）	0.196	0.184	0.190

问题生成的人工评测（每模型 400 条，一半用真人触发句、一半用预测触发句；两名医学专家独立打分）：

来源	触发句	可理解	非平凡	与触发相关	医学有意义	四项全满足
Gold（真人）	真人	93.8%	86.0%	83.3%	82.3%	80.5%
BART	真人	81.5%	59.8%	52.3%	54.8%	47.8%
T0-11B	真人	85.8%	72.3%	68.0%	66.5%	62.5%
BART	预测	78.3%	57.3%	49.3%	49.8%	41.8%
T0-11B	预测	76.8%	49.0%	45.0%	44.5%	41.0%

答案充分性（建议答案部分回答 / 完全回答的比例）：

来源	触发句	部分回答	完全回答
Gold	真人	15.0%	7.50%
BART	真人	13.75%	7.75%
T0-11B	真人	11.5%	6.00%
BART	预测	14.5%	6.25%
T0-11B	预测	9.75%	3.25%

三张表合起来能读出四条结论。第一，真人的四项全满足率是 80.5%，最好的模型是 62.5%，差距 18 个百分点——这个差距就是「像医生一样提问」这件事当时的完成度。第二，换掉真人触发句之后，两个模型都从 47.8% / 62.5% 掉到 41.8% / 41.0%，说明触发句质量是瓶颈，且 T0 在预测触发句下产生大量平凡问题。第三，答案完全回答的比例最高只有 7.75%，说明「答得上」比「问得对」难得多。第四，自动指标全部失效：ROUGE-L、METEOR、BERTScore 与人工分的相关系数分别为 −0.09、−0.04、−0.04。

论文还做了一个反向核查：在 50 条被判为「建议答案无效」的真人问题里，人工复查发现 36% 其实在电子病历里有答案。也就是说，一部分失败是检索模型的失败，不是问题本身无解。

7.5 它为何仍能持续

它没有更新、没有后续版本、规模两千余条，却没有被替代，原因只有一个：真人提问这件事没法批量造。模板法可以造出 45 万条，但二元组唯一比例是 0；模型生成可以造出更多，但越长越像模型而不像医生。要拿到「医生读到这一段会起什么疑心」的配对数据，只能请医生一份一份读。

只要临床问答的评测还停在「问得对不对」而非「答得准不准」这一侧，DiSCQ 的位置就还在。反过来，一旦有更大规模的真人提问语料出现，它就会被挤到「历史基线」的位置——这是它唯一真实的替代风险。

§8 生态位与历史

8.1 沿革

DiSCQ 出现在临床 NLP 的一个转折点上。2022 年前后，社区已经意识到模板法数据集的天花板：Yue 等人在 2020 年给出 emrQA 的深度分析，指出只取 5% 就够训练、96% 的问题含答案关键词；Kell 等人在 2021 年则从实践角度提出，生物医学问答系统要进临床还差什么。DiSCQ 是对这两条批评的直接回应——不追求规模，追求真实性。

它的发布路径也很典型：先 arXiv 预印本（2206.02696），再在 ClinicalNLP 2022 正式发表（7 月 14 日），两周后在 PhysioNet 落数据（7 月 28 日）。这种「论文 + 数据 + 代码」三件套是当时临床 NLP 的通行做法，代码仓库至今挂在 GitHub。

8.2 与挑战赛的关系

这里有一个必须说清的区分：DiSCQ 不是挑战赛产物，但与挑战赛语料同源。

官方页面没有把任何挑战赛列为 Parent Projects，只列了 MIMIC-III v1.4。它的文本来自 n2c2（前身 i2b2）2010 年关系抽取挑战赛发布的出院小结——项目 README 明确要求下载 2010 Relations Challenge 的训练与测试数据。也就是说，它借用了挑战赛的语料，却没有参加挑战赛，也没有继承挑战赛的评测口径。

这个区分有实际影响。挑战赛数据集的标签是「概念、断言、关系」三元组，DiSCQ 的标签是「问题、触发句、质量判定」；两者在同一批文本上做了完全不同的事。把它们混为一谈，会导致评价标准用错。

8.3 生态位

角色	主粮仓	对照尺
典型用法	大规模训练、预训练	微调、人工评测、方法学对照
需要的前提	数据量大、标签统一	来源真实、判定可信
代表资源	emrQA 一类大模板库	DiSCQ
失败模式	过拟合模板腔、指标虚高	样本少、结论不稳

DiSCQ 坐在右边这一列。它不是拿来堆数据的，是拿来对照的：拿它检验模型生成的问题是否真的像医生，拿它检验自动指标是否可信，拿它刻画临床信息需求的类型。

8.4 谁在用，用来做什么

从论文的引用链与官方页面看，使用者集中在三类：做临床问题生成的研究组（拿它当微调与人工评测的语料）、做问答评测方法的研究组（拿它论证自动指标不可信）、做临床信息学教学的团队（拿它讲「医生的信息需求长什么样」）。

第三类最少被提及，却可能是它最稳的用途。2029 条真人问题配上触发句，是一份可以直接搬进课堂的材料：让学生看同一段既往史，先猜医生会问什么，再看真实的医生问了什么。这个用法不需要任何模型，也不需要 n2c2 授权之外的东西。

§9 使用指引

9.1 三种角色的路径

角色	第一天	第一周	注意事项
临床 NLP 研究者	读官方 Data Description，跑通 §5.3 的读取	按文档级划分建微调基线，跑拆分与合并两种口径	别用 ROUGE 挑模型（§5.6）
大模型评测工程师	用 model == 'Gold' 筛出真人问题	建立医生视角的题集，与考试型基准并列报告	问题不可答，不能算准确率
临床信息学教师	取 §4.3 的例子做课堂演示	按触发句类型组织若干组对照材料	问句语法不规整，别在课堂上「修正」它

9.2 一条最短的可用流程

#-- 1. 凭证登录后取三个 CSV（区域受限时会返回 Forbidden，属预期）
wget --no-parent --recursive --level=1 --accept=csv \
     --directory-prefix=discq \
     https://physionet.org/files/discq/1.0/

#-- 2. 另向 n2c2 申请 2010 Relations Challenge 的 txt，合并到同一目录
#--    concept_assertion_relation_training_data/beth/txt 与 test_data
ls data/relations_txt | head

#-- 3. 用官方代码仓库复现基线
git clone https://github.com/elehman16/discq
cd discq && pip install -r requirements.txt

import pandas as pd

#-- 4. 只看真人问题：model 列等于 Gold 的才是医学专家写的
e = pd.read_csv('human_eval_q.csv')
gold = e[e['model'] == 'Gold']
print(gold.shape)
print(gold[['trigger', 'question', 'sufficient_answer']].head())

上面 bash 段的第一步在部分区域会直接返回 Forbidden，这不是命令写错了，是凭证与区域的双重限制。遇到这种情况时，正确做法是走 PhysioNet 的凭证申请流程，而不是换镜像站。

9.3 引用方式

官方页面给出了三段必须并列的引用：

引用对象	内容
数据集	Lehman, E. (2022). Learning to Ask Like a Physician: a Discharge Summary Clinical Questions (DiSCQ) Dataset (version 1.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/7v8e-h745
原始论文	Lehman, E. 等 18 人（2022）. Learning to Ask Like a Physician. Proceedings of the 4th Clinical Natural Language Processing Workshop, 页 74–86, 西雅图. ACL. https://aclanthology.org/2022.clinicalnlp-1.8/
平台	Pollard, T. 等（2026）. PhysioNet as a global platform for biomedical research. Nature Health. https://doi.org/10.1038/s44360-026-00096-z

官方页面的「Please cite them when using this project」还要求同时引用父项目 MIMIC-III Clinical Database v1.4。写论文时另外建议注明：使用的版本号（1.0）、问题口径是拆分还是合并、以及划分方式是否为文档级。

§10 AI 使用声明

项目	声明
文本生成	本文由 AI 辅助撰写，编辑把关结构与事实
数字来源	规模、结构、边界三类数字来自 PhysioNet 官方页面与配套论文（ClinicalNLP 2022）
文件核验	官方文件目录因凭证与区域限制返回 Forbidden，三个 CSV 未逐行下载核对
不一致说明	官方页面称资助方含 Oracle 与 MIT-IBM Watson AI Lab，论文致谢只写 MIT-IBM Watson AI Lab，两处并列记录未作取舍
论文信息	已读取 ACL Anthology 全文 PDF，Table 1/2/5/6 与 Figure 1/3/4 的数值均取自全文
未核验内容	三个 CSV 的实际行数与文件体积；row_num 是否等同 MIMIC-III 的 ROW_ID；source 字段的取值集合；name 与 user 字段的具体取值；触发句与问题各类型的逐类占比（论文 Figure 3/4 图示，本文按数字纪律未复述）
图像	无配图；封面为生成式提示词，不含真实病历内容
免责	本文不构成临床建议；数据使用须遵守 PhysioNet 凭证访问许可 1.5.0 与 DUA

常见误读（避坑清单）

说法	实际	证据
「它是问答数据集，所以每个问题都有答案」	官方鼓励提任何问题，不管能否从电子病历回答	官方 Methods：鼓励所有类型的问题，不论可否基于 EHR 回答
「2000+ 问题对应 2000+ 个不同的触发句」	平均 1.86 ± 1.56 个问题/触发句，41% 样本一个触发句多个问题	论文 Dataset Statistics 与 Handling multiple questions
「下载三个 CSV 就能跑」	字符偏移指向 n2c2（i2b2）2010 语料的 txt，需另行申请	官方字段说明；项目 README
「它基于 MIMIC-III 原文」	用的是 n2c2 版本，PHI 已被替代值填槽	官方 Methods：为便于阅读改用 n2c2 版本
「标注一致性高，可以当金标准」	触发句层面 Cohen’s κ 为 0.08	论文 Dataset Statistics
「它是开放数据，随便下」	凭证访问，需 CITI 培训、签署 DUA 1.5.0，且有区域限制	官方 Access Policy 与 License
「问题写得不规范，质量不行」	官方鼓励随意提问，不完整句是设计结果	官方 Methods；论文举出具体例子
「模型权重也一起公开了」	官方明确不发布生成模型权重	官方 Ethics 一节
「触发句标注能直接训出一个好检测器」	官方 ClinicalBERT 基线 F1 仅 0.190	论文 Table 2
「它和挑战赛是一回事」	语料同源但非挑战赛产物，官方 Parent Projects 只列 MIMIC-III	官方页面 Parent Projects；README 指定的下载项
「它有 100 份出院小结」	论文 Table 1 给出 114 篇	论文 Table 1：Total Articles 114

FAQ

Q1：DiSCQ 到底有多少条问题、多少条触发句、多少份出院小结？

论文 Table 1 给出的是 114 篇文章、2029 条问题，平均每篇 17.8 条；官方页面与摘要用的是「2,000+ 问题」「100+ 出院小结」的概数表述，两者不冲突，前者精确、后者保守。触发句的数量官方写作 1,000+，结合论文给出的「每触发句 1.86 ± 1.56 条问题」可以推知它明显少于问题数——同一个触发句常常带出多个问题。需要提醒的是，这三个数字分别出自论文表格与官方摘要，引用时最好注明来源：写论文用 114 与 2029 更稳，写简介用 100+ 与 2,000+ 更符合官方口径。

Q2：为什么用了 DiSCQ 还得去申请 n2c2 的语料？

因为 start_index 与 end_index 是字符偏移，指向的不是 MIMIC-III 原文，而是 n2c2（前身 i2b2）2010 年关系抽取挑战赛发布的 txt 文件。官方选这一版文本的理由写在 Methods 里：n2c2 版本的 PHI 已用替代值填槽，读起来更顺，也降低再标识风险。代价是偏移只对这一版有效——拿 MIMIC-III 原文去切，替代值与原值长度不同，切出来的片段必然错位。项目 README 把这一步写成了硬要求，并指明了具体要下载哪两个数据包。

Q3：触发句标注一致性只有 κ=0.08，这数据还能用吗？

能用，但要看用在哪。这个数值算的是「两个专家是否划出同一段原文」，不是「问题写得好不好」。官方解释得很清楚：临床文本信息冗余，不同跨度能表达同一信息；临床推理不是线性的，不同触发句能引出同一个问题。论文举的实例是，一个专家划「血压 148 到 162/45 到 54」，另一个划「高血压」，问的是同一件事。所以正确的读法是：问题层面可信，触发句层面不要把金标准当绝对——用它训检测器，先接受 0.19 的 F1 上限；用它做信息需求研究，完全不受影响。

Q4：它能用来评测答案检索吗？

能，但要改口径。human_eval_q.csv 里每行都配了 answer 建议答案与 sufficient_answer 三档（Fully / Partial / No），可以当检索质量的粗粒度标签。论文给的答案充分性表里，真人在真人触发句下也只有 15.0% 部分回答、7.50% 完全回答——这个数字低得刺眼，但它同时说明两件事：问题确实难答，以及一部分失败是检索模型不够好。论文复核了 50 条被判无效的真人问题，发现其中 36% 在电子病历里其实有答案。所以用它做检索评测时，报告要分成「问题无解」与「模型没找到」两类，否则会把模型的失败算成数据集的缺陷。

Q5：许可上有哪些必须注意的？

它是凭证访问数据，不是开放数据。官方页面写明三件事：访问策略是「只有签署 DUA 的凭证用户才能访问文件」；许可为 PhysioNet Credentialed Health Data License 1.5.0；所需培训为 CITI 的「Data or Specimens Only Research」课程。此外两处容易漏掉：一是官方要求同时引用父项目 MIMIC-III Clinical Database v1.4；二是官方在伦理声明里明确不发布生成模型的权重，并援引 Carlini 等人的研究提醒后来者注意在敏感数据上训练生成模型的隐私风险。做二次分发或微调后公开权重的团队，需要特别注意这一条。

术语表

术语	解释
DiSCQ	Discharge Summary Clinical Questions，出院小结临床提问集
触发句（trigger）	让医生产生疑问的那段原文；数据里字段名写作 reasoning
字符偏移	触发句在源文本中的起止字符下标，非词下标
交接班（handoff）	患者照护责任在不同医务人员之间转移的环节
出院小结	患者出院时由主管医师书写的病情与处置总结
填槽（slot filling）	用具体实体填入模板空槽以生成句子的方法
问题生成（QG）	给定文本自动生成问题的任务
非平凡（nontrivial）	问题不能由触发句所在的句子直接回答
充分性三档	建议答案 Fully / Partial / No 的三级判定
盲评	评判者不知道被评对象来自人类还是机器
Cohen’s κ	两位标注者一致性指标，校正偶然一致后的值
文档级划分	同一文档的所有样本只进训练或只进测试
MIMIC-III	MIT 计算生理学实验室发布的重症监护公开数据库
n2c2（i2b2）	由哈佛 DBMI 托管的临床自然语言处理评测与语料平台
替代 PHI	用虚构值替换真实个人健康信息后的文本
CITI	科研伦理与合规在线培训课程体系
DUA	Data Use Agreement，数据使用协议
ClinicalBERT	在临床文本上继续预训练的 BERT 模型
ScispaCy	面向科学文本的 spaCy 模型包
BART / T0	论文使用的两个生成模型基线，分别为 406M 与 11B 参数
ROUGE-L / METEOR / BERTScore	常用的自动文本生成评价指标
Spearman 相关系数	两组排序之间的单调相关度量

附录 A：核心数字核对表

项	值	出处
问题数	2029（官方表述 2,000+）	论文 Table 1；官方 Abstract
出院小结数	114（官方表述 100+）	论文 Table 1；官方 Abstract
触发句数	1,000+	论文贡献列表
每篇问题数	17.8	论文 Table 1
每触发句问题数	1.86 ± 1.56	论文 Dataset Statistics
文档长度	1,481 token	论文 Table 1
问题长度	4.4 token	论文 Table 1
触发句长度	5.0 ± 14.1 token	论文 Dataset Statistics
唯一问题二元组比例	59%	论文 Table 1
医学专家人数	10	论文 Section 3.2；官方 Methods
多问题样本占比	41%	论文 Handling multiple questions
触发句一致性	Cohen’s κ = 0.08	论文 Dataset Statistics
质量评分一致性	κ = 0.46（问题）、κ = 0.47（答案充分性）	论文 Human Evaluation
触发句来自现病史 / 住院经过	39% / 13%	论文 Dataset Statistics
触发句检测基线 F1	ClinicalBERT 0.190；ScispaCy 0.056	论文 Table 2
真人问题四项全满足率	80.5%	论文 Table 5
T0-11B 在真人触发句下四项全满足率	62.5%	论文 Table 5
答案完全回答比例（T0，真人触发句）	6.00%	论文 Table 6
自动指标与人工分相关系数	ROUGE-L −0.09；METEOR −0.04；BERTScore −0.04	论文 Section 8
可映射到 emrQA 模板的问题比例	22%（100 条抽样）	论文 Dataset Statistics
需外部资源 / 结构化数据回答的比例	3% / 20%	论文 Dataset Statistics
发布文件数	3 个 CSV	官方 Data Description
版本号与日期	1.0，2022 年 7 月 28 日	官方 Versions 区块
DOI（v1.0）	10.13026/7v8e-h745	官方 Discovery 区块
许可	PhysioNet Credentialed Health Data License 1.5.0	官方 Access 区块
论文出处	ClinicalNLP 2022，页 74–86，DOI 10.18653/v1/2022.clinicalnlp-1.8	ACL Anthology

相关数据集导航

资源	与 DiSCQ 的关系	链接
emrQA	模板法临床问答对照	https://www.qianfanghub.com/ai-ready-dataset/emrqa/139
MIMIC-III	DiSCQ 的上游父项目	https://www.qianfanghub.com/ai-ready-dataset/mimic-iii/106
MIMIC-IV-Note	同为去标识临床自由文本	https://www.qianfanghub.com/ai-ready-dataset/mimic-iv-note/47
出院小结模板集	同为出院小结衍生标注	https://www.qianfanghub.com/ai-ready-dataset/discharge-summary-templates/1301
DrugEHRQA	同用 n2c2 出院小结做问答	https://www.qianfanghub.com/ai-ready-dataset/drugehrqa/1300
MeDiSumQA	面向患者的出院摘要问答	https://www.qianfanghub.com/ai-ready-dataset/medisumqa/1315
EHRNoteQA	基于出院小结的大模型评测基准	https://www.qianfanghub.com/ai-ready-dataset/ehr-notes-qa-llms/1256
ArchEHR-QA	电子病历证据落地型问答	https://www.qianfanghub.com/ai-ready-dataset/archehr-qa-bionlp-task-2025/1000
ann-pt-summ	出院医嘱幻觉标注	https://www.qianfanghub.com/ai-ready-dataset/ann-pt-summ/1497
MedDec	出院小结医疗决策标注	https://www.qianfanghub.com/ai-ready-dataset/meddec/1296
MIMIC-III 表型标注集	出院小结表型标签	https://www.qianfanghub.com/ai-ready-dataset/phenotype-annotations-mimic/594

导航说明：上表所列均为独立发布的资源，与 DiSCQ 不属同一份发布（判定标准为团队、批次数据、DOI 与版本页是否同一）。需要大规模训练语料请走 emrQA 一类资源，需要真人提问与触发句请回到 DiSCQ，需要上游原文请走 MIMIC-III 及其父项目链路。