MedSynth — 万对合成医患对话-SOAP 病历数据集

INFOBOX — MedSynth 一屏速览

维度	内容
本质	全合成医患对话 + SOAP 病历配对数据集（对话与病历均由 LLM 生成，非真人扮演）
团队	Dalhousie University + Vector Institute（通讯 Ahmad Rezaie Mianroodi）；合著含 Cedars-Sinai、Chapman、Shahrood
论文	arXiv:2508.01401v2（v1 2025-08-02 / v2 2026-06-15）；PDF 标注 CC BY 4.0
规模	10,035 对对话-病历，2,001 个 ICD-10 码，每码约 5 对
格式	单 CSV，四列：ICD10 / ICD10_desc / Note（SOAP）/ Dialogue
平均长度	对话 932 tok / 55 句；病历 621 tok / 23 句（Table 3 口径）
生成骨干	GPT-4o + CoT + role-playing + Few-Shot ICL（n=3，约 1800 tok/例）
流水线	病历四代理（Scenario Provider/Judge/Note Writer/Polisher）+ 对话二代理（Generator/Polisher）
病种来源	IQVIA PharMetrics Plus 理赔库（2006-2021 25% 抽样，8 亿条，54,985 个 ICD-10 码）
核心卖点	SOAP 结构 + 理赔分布引导 + 规模；对比 NoteChat 陪审团偏好率 95%（仅合成数据训练）
获取	HuggingFace Ahmad0067/MedSynth 公开直链（gated=false）；代码 GitHub ahmadrezarm/MedSynth
许可	论文 CC BY 4.0；HF 卡片未声明 license（双口径，见坑 4）
生态	2026 年 SMM4H-HeaRD 第 4 任务（Dial2Note）官方基准
库内互链	aci-bench(810)、primock57(811)、mtsamples(350)、mimic-iv-note(47)、ehr-reasoncon(1007)

MedSynth 回答的是一个很具体的问题：当你既没有真实病历、又请不起医生来演病人时，能不能让大模型自己"编"出一整套医患对话和病历，编得足够像真的，以致于拿它训练出来的模型在真实基准上能打？ 作者的做法是先用 8 亿条美国医保理赔记录算出"医生最常看什么病"，再让 GPT-4o 扮演六个角色，从病种描述出发造病历、再从病历倒推对话，最后把 10,035 对产物打包成一个 326 MB 的 CSV 放上 HuggingFace。它的价值不在于"医疗质量"——作者自己反复强调它不是医疗信息源——而在于它把"合成病历数据"这条路走通了一遍，并给出了可复现的成本账（$0.45/对）。

导语读法三则：

1. 只想下数据跑通：直奔 §6 获取与许可——一个 HF 直链、一个 CSV、四列，load_dataset 两行代码即可。
2. 关心它靠不靠谱：直奔 §4 与 §5——评估协议是"三模型陪审团 + 人工 40 例校验"，结论有亮点也有水分（60% vs 50%）。
3. 要拿它参加比赛：直奔 §7.5 SMM4H-HeaRD 2026 任务——训练/开发 85:15、测试集另行新生成，评分指标与 LLM 评委维度都已公开。

§0 导读：这个数据集解决什么问题

0.1 临床文档负担：一个被反复量化的痛点

论文开篇引用的数字是：医生每天花在写病历上的时间为 52 至 102 分钟（Hripcsak 等，2011）。这个区间跨度很大，但它传递的信号很明确——文档工作已经占据了门诊时段中相当可观的一块，并且是职业倦怠（burnout）的主要驱动之一。AI 抄写员（AI scribe，业内也称 ambient clinical intelligence）正是冲着这块时间去的：把诊室里的对话录下来，自动生成结构化的就诊记录。

这类系统要能训练，必须要有"对话 + 对应病历"的配对数据。而这恰恰是医疗 NLP 里最难拿的一类数据：

• 真实数据被隐私法拦住。美国 HIPAA、欧盟 GDPR 都对可识别健康信息设了硬门槛，医院内部数据不能直接外流。
• 去标识化并不等于可用。即便做了去标识，真实对话仍带机构方言、特定科室习惯和患者可推断信息（如罕见病 + 年龄 + 地域的组合）。
• 现有公开集规模偏小或结构不合规。论文 Table 1 列出的一批公开集里，ACI-Bench 只有 207 对，PriMock57 只有 57 对；NoteChat 虽有 207k 对，但它的"病历"其实是 PMC 病例报告的患者摘要（patient summary），不是标准 SOAP 结构。

0.2 MedSynth 的三层回答

作者给出的回答分三层，这也是理解整个条目的骨架：

第一层：用真实世界的疾病分布决定"造什么病"。 多数合成数据集是"拍脑袋选题"——研究者凭兴趣或凭手头案例挑几十个病种。MedSynth 反过来做：拿 IQVIA PharMetrics Plus 这个美国商业医保理赔库，统计出最高频的 ICD-10 码，取前 2,000 个作为生成目标。这意味着数据集的病种分布在源头就锚定在真实门诊的疾病谱上，而不是研究者的偏好谱上。

第二层：用一个多代理流水线把"病种描述"变成"病历 + 对话"。 生成顺序是先病历、后对话（note-first），而不是先造对话再写摘要。理由是：判断一份病历"好不好"比判断一段对话"像不像"要容易得多，先把质量标准锚在病历上，再让对话去覆盖病历的信息，质量就更容易控。六个代理分工明确：四个管病历（场景生成、场景审核、病历撰写、病历润色），两个管对话（对话生成、对话润色）。

第三层：用外部基准做"外在效度"检验。 合成数据好不好，不能只看自己像不像自己。作者的检验方式是：拿 MedSynth 去微调 Llama-3-8B-Instruct，然后到 ACI-Bench 测试集上跑，让三个不同家族的 LLM 组成陪审团（jury）比较输出优劣。核心假设是：如果 MedSynth 的分布足够贴近真实门诊，那么在它上面微调的模型应该在 ACI-Bench 上有好表现。

0.3 它在"合成病历数据"谱系中的坐标

把 MedSynth 放到 Table 1 的对照里看，它的独特之处一目了然：

数据集	来源方式	规模	病历结构	公开
3M Health	对话→病历	1,342	仅 HPI	否
Abridge	对话→病历	6,862	非标准	否
Augmedix	真实门诊	500	非标准	否
EMR.AI	真实门诊	9,875	表单填写	否
Nuance	真实门诊	802k	非标准	否
MTS-Dialogue	病历片段→对话	1,701	片段级	是
PriMock57	真人角色扮演	57	SOAP	是
ACI-Bench	真人角色扮演	207	SOAP	是
NoteChat	LLM 扮演 + PMC 摘要	207k	患者摘要	是
MedSynth	LLM 双向生成	10,035	SOAP	是

一句话定位：在"公开 + SOAP 结构 + 万级规模"这三个条件的交集里，截至论文写作时 MedSynth 是唯一一个。ACI-Bench 结构对但只有 207 对；NoteChat 规模大但结构不对；真实数据规模大但都不公开。

0.4 这个条目的读法

本条目按"是什么 → 怎么做 → 有多好 → 怎么拿 → 怎么用"的顺序组织，并在 §5 与 §10 分别设置了"数字的水分在哪"与"八个已踩过的坑"两节。因为 MedSynth 是一个方法论色彩重于数据价值的项目——它的流水线设计与评估协议，对任何想做合成医疗数据的人都有参考价值；而它作为"数据"本身的可用性，则受限于合成数据的天花板（§8 详述）。

提醒：本条目中所有统计数字均标注了出处（论文表格编号 / 附录编号 / HF API 字段）。凡论文内部存在两套口径的，一律在正文标注并在坑点节存照，不做静默取一。

§1 数据集速览：十二问十二答

Q1：MedSynth 到底是什么？
一个全合成的医患对话-病历配对数据集。每一行是：一个 ICD-10 码、该码的英文描述、一份 SOAP 格式的临床病历、一段由这份病历反向生成的医患对话。全部内容由 GPT-4o 在一条多代理流水线上生成，没有任何真实患者数据。

Q2：规模到底多大？
论文 Table 3 的准确数字是 10,035 对，覆盖 2,001 个 ICD-10 码。摘要里写的"over 10,000"与"over 2000"是保守表述，取整口径。设计目标是"最常见 2,000 个码 × 每码 5 对"，实际落地的码数比设计多 1 个（2,001），但总条数比 2000×5=10,000 多 35 对——中间这 35 对的来源论文未解释（见坑 2）。

Q3：为什么是 5 对/码，而不是按真实发病率加权？
因为加权会让常见病（高血压、常规体检、2 型糖尿病）淹没数据集。作者选择等量抽样（uniform sampling）——每个码 5 对——以保证罕见一点的病也有足够样本，模型不会只学会"高血压 + 感冒"两种剧本。这是合成数据集里一个经典的权衡：分布保真 vs 病种覆盖，作者明确选了后者（§4.2 详述）。

Q4：对话是怎么来的？真人演的？
不是。对话是从病历倒推生成的。先生成病历，再让 Dialogue Generator 把病历"演"成一段医患对话，最后 Dialogue Polisher 加一些社交闲聊（social chatter）并把关"病历里的信息有没有全说进对话里"。这与 ACI-Bench、PriMock57 的真人角色扮演路线完全不同。

Q5：为什么要"先病历后对话"？
作者给的逻辑是：病历的"质量"相对容易定义（有 SOAP 结构、有必填要素、可以对照医学常识），对话的"质量"很难定义（像不像真的？话多话少？）。所以先把质量锚定在容易判断的一端，再生成另一端去覆盖它，比反过来更可控。

Q6：病种是怎么选的？
从 IQVIA PharMetrics Plus（美国商业医保理赔库）的 2006-2021 年 25% 随机样本（超过 30 亿条理赔）里统计 ICD-10 频次。去掉 ICD-9 遗留与重复码后剩 8 亿条记录、54,985 个唯一 ICD-10 码，取频次最高的 2,000 个作为生成池。

Q7：质量怎么保证？
三道关：① 场景层——Scenario Judge 用 13 个变量检查，要求新场景与同码已通过场景至少有 4 个变量不同，同时判定医学准确性与合理性；② 病历层——Note Writer 用 One-Shot ICL 参照 ACI-Bench 训练集样例撰写，Note Polisher 校验信息分节是否正确；③ 对话层——Dialogue Polisher 核对病历信息是否全部落进对话，以降低幻觉（hallucination）。

Q8：效果如何？
在 ACI-Bench 测试集上，用 MedSynth 训练的 Llama-3-8B 输出的胜率：仅合成数据对比（MedSynth vs NoteChat）达 95.0%；加入 ACI 训练集后对比为 60.0%；对照 PriMock57 则为 90.0%（仅合成）与 57.5%（加 ACI）。Note-2-Dial 方向对应为 87.5% / 55.0% / 97.5% / 57.5%。

Q9：这些数字可信吗？
部分可信。亮点是"陪审团 + 人工双重验证"的设计（人工 3 人评 40 例，ICC=0.75，逐票 54.2% 利 MedSynth），但注意人工的多数票结果是 50%-50% 平局，只有逐票统计才略微偏向 MedSynth。论文正文把两者描述为"一致"，严格说这是弱一致（坑 6）。

Q10：怎么拿？
HuggingFace 公开直链：Ahmad0067/MedSynth，一个 CSV 文件，gated=false，无需登录审批。代码在 GitHub ahmadrezarm/MedSynth。

Q11：能商用吗？
论文 PDF 页脚标 License: CC BY 4.0（署名即可商用），但 HF 数据集卡片的 metadata 里没有 license 字段。这种"论文有、卡片无"的状态在合规审查里会被卡住，建议商用前书面确认（坑 4）。

Q12：它和 SMM4H 2026 什么关系？
2026 年的 SMM4H-HeaRD 研讨会第 4 项共享任务（“Generation of Realistic Structured Medical Notes from Dialogues”）直接以 MedSynth 为语料：85% 作训练、15% 作开发，测试集另用新生成的对话。这是该数据集第一次被第三方作为官方基准使用。

§2 数据构成与规格

2.1 文件形态：一个 CSV，四列

项	规格
仓库	HuggingFace Ahmad0067/MedSynth
文件	MedSynth_huggingface_final.csv（另有 .gitattributes、README.md）
体积	usedStorage 342,468,450 字节 ≈ 326.6 MiB
列数	4
列名	ICD10、ICD10_desc、Note、Dialogue
主键	无显式 id 列（行序即索引）
切分	无官方 train/test 切分（论文自行划分；SMM4H 用 85/15）
创建时间	2025-07-12
最后修改	2025-11-07
门禁	gated=false、private=false
下载量	222 次（抓取时点）
点赞	6（抓取时点）

体积换算值得单独说一句：326.6 MiB 对应 10,035 行，平均每行约 34 KB。这个数字与论文给出的平均长度（对话 932 tok + 病历 621 tok ≈ 1,553 tok）在量级上吻合——英文文本 1 token 约 4 字节，1,553 tok 约 6 KB 纯文本，加上 JSON/CSV 转义、说话人标记与 ICD 描述，34 KB 是合理量级。

2.2 四列的含义与可用性

ICD10——ICD-10 诊断码字符串，如 I10（原发性高血压）、E11.9（2 型糖尿病无并发症）。这是数据集的唯一结构化标签，也是唯一能直接用于分层统计与分类任务的字段。

ICD10_desc——该码的英文官方描述，全大写形式（如 ESSENTIAL (PRIMARY) HYPERTENSION）。注意这来自 IQVIA 库的描述字段口径，与 WHO ICD-10 官方措辞可能有细微差异。

Note——SOAP 格式的病历正文。含 Subjective / Objective / Assessment / Plan 四个分段，用 markdown 风格的分节标记（附录 I 的样例可见 **1. Subjective:**、**Chief Complaint (CC):** 等层级）。平均 621 token / 23 句。

Dialogue——多轮医患对话。格式为说话人交替的轮次序列（doctor / patient），平均 932 token / 55 句。注意：Table 1 记的是 1,070 tok / 47 turns，Table 3 记的是 932 tok / 55 sentences——两个口径的"turn"与"sentence"不是同一单位，但 token 数也不一致，属于论文内部漂移（坑 3）。

2.3 规模与长度的官方统计表

指标	值	出处
数据点数	10,035	Table 3
唯一 ICD-10 码	2,001	Table 3
对话平均长度（token，不含说话人标记）	932	Table 3
对话平均长度（句）	55	Table 3
病历平均长度（token）	621	Table 3
病历平均长度（句）	23	Table 3
对话长度（另一口径）	1,070 tok / 47 turns	Table 1
病历长度（另一口径）	621 tok / 23 sent	Table 1

对比 ACI-Bench（对话 1,302 tok / 55 turns，病历 490 tok / 37 sent）可以看出 MedSynth 的一个结构特征：对话比 ACI-Bench 短一些，但病历更长（621 vs 490 token）。这符合"病历优先生成"的设计预期——病历是被精心构造的主体，对话只是它的"表演"。

2.4 病种分布：从理赔库到生成池

IQVIA 病种分布极度偏斜，这是理解 MedSynth 抽样策略的前提：

理赔量级	ICD-10 码数量	说明
> 1000 万	4	极高频（如原发性高血压、常规成人查体）
100 万 - 1000 万	112	高频
10 万 - 100 万	1,032	中频
1 万 - 10 万	3,922	低频
1 千 - 1 万	8,942	很低频
< 1 千	40,973	长尾（占比 74.6%）

前 20 个高频码（Table 15）里，没有一个是某种癌症或罕见病，全是高血压、体检、免疫接种、2 型糖尿病、终末期肾病、高脂血症、腰痛、睡眠呼吸暂停、甲减、乳腺筛查、妇科检查、尿路感染、长期用药、颈痛、冠心病、胸痛、GERD、急性肾衰这类"门诊常客"。

这张表直接解释了 MedSynth 的定位：它是一套基层/全科门诊（primary care）风格的合成语料，不是专科病历库。作者在讨论节也明说了这一点——“虽然聚焦基层，但也包含其他专科的疾病”。

2.5 覆盖边界的三个数字

• 2,001 / 54,985 ≈ 3.6%：数据集只覆盖了 IQVIA 库中约 3.6% 的 ICD-10 码。
• 40,973 个码（74.6%）理赔量低于 1,000：这些长尾码一个都没进生成池。
• 258 个角色：Scenario Provider 在全库中共选出 258 个不同的医生角色，其中 Family Medicine Physician 出现超过 1,000 次，500-1,000 次的有 4 个，100-500 次的有 18 个，低于 10 次的有 203 个。

第三个数字很有信息量：203 个角色（78.7%）出现不到 10 次。这意味着角色覆盖是"长尾极长"的形态——既有大量全科医生，也有零星出现的专科角色。对做"角色条件生成"研究的团队，这是一个天然的稀疏角色样本库；对做通用模型的团队，这些稀疏角色基本等价于噪声。

§3 生成流水线：六个代理如何协作

3.1 总体架构：note-first 的两段式

整条流水线分两个阶段，先后关系不可颠倒：

ICD-10 码 + 描述
      │
      ▼
┌─────────────────────────── 阶段一：病历生成 ───────────────────────────┐
│  Scenario Provider  →  Scenario Judge  →  Note Writer  →  Note Polisher │
│   （选角色+造场景）    （13 变量查重+医学审核）  （One-Shot 写 SOAP）  （分节校对） │
│         ▲                    │                                          │
│         └──── 驳回+反馈 ◄─────┘                                          │
└──────────────────────────────────┬──────────────────────────────────────┘
                                   │ 已通过审核的 SOAP 病历
                                   ▼
┌─────────────────────────── 阶段二：对话生成 ───────────────────────────┐
│        Dialogue Generator（Few-Shot n=3 倒推对话）                       │
│                          │                                              │
│                          ▼                                              │
│        Dialogue Polisher（加社交闲聊 + 事实核对降幻觉）                    │
└──────────────────────────────────┬──────────────────────────────────────┘
                                   ▼
                       (ICD10, ICD10_desc, Note, Dialogue)

论文对这个顺序的解释值得抄录：“This is due to the fact that it is relatively easier to define ‘quality’ in medical notes compared to dialogues, and then we can generate dialogues based on medical notes.”——先做容易定义质量的那一半，是整条流水线的设计哲学。

3.2 阶段一：病历生成四代理

3.2.1 Scenario Provider Agent（场景提供者）

输入是 ICD-10 码的描述文本，输出是一个"场景"（scenario）。它做两件事：

1. 选角色。根据疾病选一个合适的医生身份——论文举的例子很直观：如果疾病涉及骨折，Scenario Provider 会选骨科医生（Orthopedist）。全库最终产生 258 个不同角色。
2. 造场景。依据 13 个指定变量（variables）生成一个符合该疾病描述与角色的场景。同时，每次生成都会从 ACI-Bench 训练集抽样一份病历作为参照。

这 13 个变量的具体清单论文放在附录（Appendix F 的提示词中），正文只提数量。从"质量因子调查"补入的两项（Physical Exams、Investigations/Tests）推断，这 13 个变量应涵盖主诉、现病史、体格检查、检查检验、既往史等要素。

3.2.2 Scenario Judge Agent（场景审核者）

这是整条流水线里最关键的质量闸门，它执行三项检查：

检查项	判据	目的
变量比较（Compare variables）	与同一 ICD-10 码下已通过的场景相比，13 个变量中至少 4 个不同	保证同码 5 对之间有足够多样性
医学准确性（Medical Accuracy）	症状、检查、诊断、治疗与该码描述相符且逻辑自洽	防止"病名对不上表现"
合理性（Plausibility）	场景在真实医疗情境下可能发生	防止荒诞设定

“至少 4 个变量不同"这个阈值是经验取的——论文原话是"empirically determined as providing the balance between computational complexity and variety of the notes”。阈值太高会导致反复驳回、成本飙升；太低则 5 对之间会高度雷同。

驳回时 Judge 会给出文字反馈（textual suggestions），指出场景的哪部分需要改，Provider 据此重写。这个循环持续到预选数量的场景全部通过（附录 K 给了一例 DECISION: NoGo 的反馈样例）。

3.2.3 Note Writer Agent（病历撰写者）

拿到"已通过的场景 + 医生角色"后，按 SOAP 结构写病历。这里用 One-Shot ICL——每次生成都从 ACI-Bench 训练集抽一份样例病历塞进提示词，让输出在格式上"照着学"。选择 One-Shot 而非 Few-Shot 的理由是病历本身较长（一份约 621 token），样例多了提示词会膨胀。

3.2.4 Note Polisher Agent（病历润色者）

职责单一但关键：确保信息被分到正确的 SOAP 段里。合成病历最常见的错误不是"写错医学知识"，而是"把该放 Assessment 的放进了 Subjective"——这种错误会直接破坏下游模型学到的结构对应关系。Polisher 就是专门修这个的。

3.3 阶段二：对话生成双代理

3.3.1 Dialogue Generator（对话生成者）

输入一份病历，输出一段医患对话。用 Few-Shot ICL，n=3——从 ACI-Bench 训练集抽 3 个完整对话-病历对作为范例。作者解释了为什么 3 而不是更多：每个样例约 1,800 token，3 个就是 5,400 token，再往上加会撞上下文成本的天花板（“we opt to use the maximum number of examples possible, while also considering computation costs”）。

3.3.2 Dialogue Polisher（对话润色者）

两项任务：

1. 加社交闲聊（social chatter）——诊室对话不是纯粹的信息交换，有寒暄、有安抚、有复述确认。这些"废话"是真实感的重要来源。
2. 事实核对——逐条检查病历里的信息是否都出现在对话里。这一条的目的是降幻觉：如果对话比病历"多说"了检查结果或用药，那训练出来的模型就会学着编。

注意这里的控制方向：MedSynth 的幻觉控制是单向的（病历→对话的覆盖度检查），对"对话本身是否医学合理"没有独立审查环节。这是它与 ACI-Bench（真人扮演，行为天然合理）的结构性差异。

3.4 提示词工程：CoT + 角色扮演 + ICL 三件套

技术	用法	论文出处
Chain-of-Thought（CoT）	让模型在中间推理步骤上展开，提升复杂生成任务的稳定性	§3.4
Role-playing	作为 CoT 的触发器——“你是一位资深医师，正在做研究”	§3.4，附录 F 首句
Few-Shot ICL	对话生成 n=3	§3.4.2
One-Shot ICL	病历撰写	§3.4.1
Zero-Shot ICL	无样例可用时改用自然语言任务描述	§3.4

附录 F 的第一条提示词原文即是角色扮演起手式：

Assume you are a very experienced physician and you are conducting research.
The research project is to generate synthetic medical notes from doctor-patient conversations.
Your job is to provide a scenario ...

3.5 质量因子的来源：一场两人的专家调查

流水线要"生成好病历"，前提是知道"好病历由什么构成"。作者的做法很轻量：找了 2 位专业人员做问卷。

项	内容
参与者	1 位全科医师（general physician）+ 1 位生物统计师（13 年以上 EHR 与医疗数据经验）
变量池	26 个候选变量
打分方式	每个变量 0-10 分（0 = 最不重要，10 = 最重要）
选取规则	取平均分最高的 10 个；第 10 名出现并列，故实际取 11 个
人工补充	与医学专家讨论后追加 2 个：Physical Exams、Investigations/Tests
评分者间一致性	ICC(2,k) = 0.56——按 Koo & Li (2016) 标准属"中等"（moderate）

这个环节有两个可讨论之处（§8 会展开）：样本量只有 2 人，ICC 0.56 说明两人对"哪些变量重要"的分歧不小；同时变量清单的最终版本是"打分 + 讨论追加"的混合产物，不是纯粹的数据驱动结果。

3.6 成本账：$0.45/对是怎么算出来的

附录 C 的成本拆解清楚到可以直接复算：

项	金额
初期流水线调试实验	≈ $300
跑完整流水线生成 MedSynth	≈ $4,500
评估阶段 API 费用	≈ $200
合计	≈ $5,000
折合每对	$0.45

作者同时指出：流水线已就绪、API 价格已下降，未来扩产会显著更便宜。这句话对想"自己造一套"的团队是重要信号——复用流水线的边际成本远低于从零搭建。

3.7 流水线的可迁移性判断

把这条流水线抽象出来，它的骨架是：

1. 选一个真实分布来源（这里是理赔库）→ 决定造什么；
2. 选一个可判定的质量锚（这里是 SOAP 病历）→ 决定先造哪一半；
3. 用"生成-审核-重写"循环保证多样性（13 变量、4 差异阈值）；
4. 用 ICL 把格式约束注入（One-Shot / Few-Shot）；
5. 用"反向生成 + 覆盖度核对"保证配对一致性。

这五步不依赖医疗领域，换到法律文书、保险理赔说明、客服记录都能套。作者在贡献列表里也明确说了"extensible to other domains"（可扩展到其他领域）。

§4 与同类数据集的结构性对照

4.1 三种合成路线

医疗对话-病历数据的生成路线可以分成三类，MedSynth 属于第三类：

路线	代表	做法	优势	代价
真实采集	Nuance、Abridge、3M	真实诊室录音 → 转写 → 医生写病历	行为真实	不公开、隐私重
真人扮演	ACI-Bench、PriMock57	医生与演员按剧本演，事后写病历	行为真实且可公开	规模小（207 / 57）
LLM 全合成	MedSynth、NoteChat	LLM 生成病历 → 反向生成对话	规模大、成本低、无隐私	行为不真实、幻觉风险

三者不是替代关系。ACI-Bench 至今仍是"评测基准"（MedSynth 自己就拿它当测试集），因为它的真实性有保障；MedSynth 的定位是"训练材料"，因为它的规模和覆盖是前两者给不了的。

4.2 与 NoteChat 的关键差异：病历质量

NoteChat 有 207k 对，规模是 MedSynth 的 20 倍，但它的病历来自 PMC-Patient——那是病例报告里的患者摘要，不是临床工作流中产生的 SOAP 记录。这个差异带来的后果在论文附录 I 中被具象化了。

附录 I 给了一个三栏对照：Ground Truth Note、仅用 NoteChat 训练的模型输出、用 MedSynth 训练的模型输出。同一个输入对话（72 岁男性，类风湿关节炎复查，右膝肿胀）：

• Ground Truth：标准 SOAP，Assessment 下面用项目符号列出四条问题（RA 管理、高风险用药、右膝疼痛、下肢凹陷性水肿），Plan 逐条对应。
• 仅 NoteChat 训练：输出成了一段连续叙事散文，以"Tyler Nelson, a 70-year-old male with a date of birth of 3/6/1949, social security number 385-729-…"开头——完全丢失了 SOAP 结构，而且把源数据里的个人信息（出生日期、SSN 片段）原样吐了出来。
• MedSynth 训练：输出保留了 **1. Subjective:**、**Chief Complaint (CC):**、**History of Present Illness (HPI):** 这类完整的分节标题。

这个例子同时说明两件事：一是结构来自训练数据的结构（NoteChat 学不会 SOAP，因为它没见过 SOAP）；二是合成数据的"干净"是相对的——NoteChat 把 PMC 摘要里的敏感信息带进了模型输出，这类风险在纯生成数据里天然较低。

4.3 与 ACI-Bench 的关系：训练料 vs 评测尺

MedSynth 与 ACI-Bench 是"共生"关系，三重耦合：

1. ACI-Bench 是 MedSynth 的格式模板。Scenario Provider 每次抽样一份 ACI 病历作参照，Note Writer 用 One-Shot、Dialogue Generator 用 Few-Shot（n=3），样例全部来自 ACI-Bench 训练集。
2. ACI-Bench 是 MedSynth 的评测场。所有主实验都在 ACI-Bench 测试集上做。
3. ACI-Bench 训练集是"对照组的一半"。实验中反复出现的 +AT（Aci_Train）就是它。

这带来一个必须警惕的方法论问题（§5.6 展开）：用 ACI 的样例去引导生成，再到 ACI 上评测，存在"趋同"风险——模型的优异表现有一部分可能来自"学得像 ACI"，而不是"学得像真实临床"。

4.4 与 PriMock57 的关系：小样本对照

PriMock57 只有 57 对，但它是真人演练 + 医生写 SOAP，质量口径最硬。论文用它做了两组辅助对照：MS+AT vs PM+AT（124 样本训练集）与 MS Only vs PM Only（57 样本）。结果分别是 57.5% 与 90.0%（Dial-2-Note）。这个 90% 值得注意：在纯合成 vs 纯真人小样本的极端对比里，评审更偏向合成数据——这与"真人数据一定更好"的直觉相反，原因大概率是 PriMock57 的 57 对太少，微调后模型泛化差。

§5 评估协议与结果：数字的水分在哪

5.1 实验设置

项	配置	出处
硬件	单张 A40 GPU（Slurm 集群）	§4 / 附录 C
微调模型	Llama-3-8B-Instruct（主）；Mistral-7b-instruct-v0.1（复现）	§4.2 / 附录 B
量化	4-bit	§4
训练轮数	Llama：4 epoch；Mistral：1 epoch	附录 B
测试集	ACI-Bench test	§4.2
主指标	LLM 陪审团偏好率（Jury Preference Rate）	§4.2.1
辅指标	ROUGE / BLEU / METEOR（附录 A，Table 9-12）	附录 A

所有开源模型实验都在单张 A40 上完成、统一 4-bit 量化——这意味着结果的可比性受"量化误差"约束，但因为是同一硬件同一量化下做的相对比较，结论方向可信。

5.2 评测指标：为什么弃用 BLEU/ROUGE 作主指标

论文引用了两项既有研究说明传统指标的失效：BLEU/ROUGE 与人类判断的相关性差（Zhang 等 2019；Krishna 等 2021）。因此主指标改用 LLM-as-a-judge，传统指标退居附录作旁证。

评审团（jury）的构成是关键设计：

评审	家族	角色
GPT-4o	OpenAI	与被评模型同族（潜在自偏好）
Prometheus	开源，专为细粒度评估训练	评估专精
Qwen2.5-32B-Instruct	阿里，与上述两族不同	第三方视角

三族混合 + 多数投票（majority voting）的依据是 Verga 等（2024）的结论：多样化模型组成的陪审团优于单一评委，且能降低同源偏好（intra-model bias）。注意 GPT-4o 同时是数据生成骨干又是评审之一——这是一个方法论上需要标注的潜在偏差源。

5.3 评分细则（rubric）

Dial-2-Note 任务（7 项）：

1. 幻觉（Hallucination）
2. 关键遗漏（Critical Omissions）
3. 专业语气（Professional Tone）
4. 笔记与句子的逻辑结构（Logical Structure of the Note and Sentences）
5. SOAP 格式遵循度（Adherence to the SOAP Format）
6. 段落相关性（Section Relevance）

注：论文正文写"seven aspects"但实际列出 6 项，疑为排版遗漏（原文列举为 Hallucination, Critical Omissions, Professional Tone, Logical Structure of the Note and Sentences, Adherence to the SOAP Format, Section Relevance）。存照于此，不擅自补第 7 项。

Note-2-Dial 任务（5 项）：

1. 完整性（Completeness）
2. 准确性（Accuracy）
3. 自然流畅度（Naturalness and Flow）
4. 医学术语使用（Use of Medical Terminology）
5. 证据支撑（Evidence-Based Support）

评审时给评委三样东西：参考病历、两个模型各自的输出、rubric，要求判断哪个更好，然后多数投票。

5.4 Dial-2-Note 主结果

对比	训练样本量	陪审团偏好率（利 MedSynth）
MS+AT vs NC+AT	10,102	60.0%
MS Only vs NC Only	10,035	95.0%
MS+AT vs AT Only	10,102	52.5%
MS+AT vs PM+AT	124	57.5%
MS Only vs PM Only	57	90.0%

（MS = MedSynth；AT = Aci_Train；NC = NoteChat；PM = PriMock57）

怎么读这五个数：

• 95.0% 是最响亮的数字，也是最容易被误读的数字。它比较的是"只用 MedSynth 训练"vs"只用 NoteChat 训练"，而 NoteChat 的病历根本不是 SOAP，输是结构性的、必然的。这个数字说明的是"SOAP 结构比患者摘要更适合学 SOAP 任务"——正确但不惊奇。
• 60.0% 才是有意义的数字。两边都加了同样的 ACI 训练集，差异只剩 MedSynth vs NoteChat 的增量贡献。60:40 是一个明确但不压倒性的优势。
• 52.5% 是"几乎打平"。MS+AT vs 纯 AT，说明 MedSynth 加入 ACI 训练集只带来 2.5 个百分点的边际收益。这个数字作者没有回避，也没有过度渲染，处理得体。
• 57.5%（124 样本） 与 90.0%（57 样本） 的剧烈反差，主因是 PriMock57 样本太少（57 对全是训练集），微调效果本身就不稳。

5.5 Note-2-Dial 主结果

对比	训练样本量	陪审团偏好率（利 MedSynth）
MS+AT vs NC+AT	10,102	55.0%
MS Only vs NC Only	10,035	87.5%
MS+AT vs AT Only	10,102	80.0%
MS+AT vs PM+AT	124	57.5%
MS Only vs PM Only	57	97.5%

反方向任务整体更强，尤其 MS+AT vs AT Only 达到 80.0%——这是全文最扎实的一个数字。原因作者给了推测：MedSynth 用了 Few-Shot ICL 生成对话，而 NoteChat 用了多代理但没用 Few-Shot，前者产出的对话质量更高（“This could be associated with the effectiveness of Few-Shot ICL”）。

这是一个有意义的反向结论：MedSynth 的对话质量（而非病历质量）可能是它相对 NoteChat 的真正优势所在——因为 NoteChat 的病历是现成的真实摘要，质量不差，差在对话。

5.6 人工验证：60% 之外的真相

这是全文最需要细读的一节。

评估方式	MS+AT	NC+AT	说明
LLM 陪审团	60.0%	40.0%	陪审团多数票
人工多数票（per-sample）	50.0%	50.0%	20 : 20 打平
人工逐票（individual votes）	54.2%	45.8%	65 / 120 票

设置：3 位医学专业人员、40 个样本、ICC(2,k) = 0.75（良好的一致性）。

论文的表述是：“This aligns with the LLM jury’s 60% preference, suggesting both humans and LLMs prefer MedSynth-trained models.”

严格的读法是：

1. 人工的样本级多数票是平局。这是最接近"实际使用中你会选哪一个"的口径。
2. 人工的逐票统计才略微偏向（54.2%，即 65/120，二项检验下并不显著）。
3. 陪审团的 60% 与人工逐票的 54.2% 之间有 5.8 个百分点的差距。方向一致，幅度不一致。
4. “aligned”（一致）的措辞在统计上偏宽松。更准确的说法是"方向一致但强度较弱"。

这个例子很好地展示了 LLM-as-a-judge 的一个已知倾向：评审 LLM 可能比人类更偏好结构化、格式规范的输出——而 MedSynth 训练出的模型正是最擅长格式规范的。这一点在 §5.7 的消融里也能看到影子。

5.7 消融：流水线每个零件值多少钱

消融设置：固定同一批 ICD-10 码，每种配置生成 246 个样本，训练集为 314（含 ACI 训练集）。四种配置：

配置	含义
AllGPT	全部代理用 GPT-4o（正式版）
NoJudge	去掉 Scenario Judge Agent
LammaJudgeGPT	只用 Llama-3.3-70B 当 Judge，其余 GPT-4o
AllLamma	全部换 Llama-3.3-70B-Instruct
AllQwen	全部换 Qwen2.5-32B-Instruct

Dial-2-Note 消融结果：

对比	偏好率
NoJudge+AT vs AllGPT+AT	57.5%（AllGPT 胜）
NoJudge+AT vs LammaJudgeGPT+AT	52.5%（NoJudge 胜）
AllLamma+AT vs PM+AT	52.5%（AllLamma 胜）
AllQwen+AT vs PM+AT	52.5%（PM 胜）
AllLamma+AT vs NC+AT	55.0%（NC 胜）
AllQwen+AT vs NC+AT	60.0%（NC 胜）

Note-2-Dial 消融结果：

对比	偏好率
NoJudge+AT vs AllGPT+AT	55.0%（NoJudge 胜）
NoJudge+AT vs LammaJudgeGPT+AT	55.0%（LammaJudgeGPT 胜）
AllLamma+AT vs PM+AT	60.0%（PM 胜）
AllQwen+AT vs PM+AT	55.0%（AllQwen 胜）
AllLamma+AT vs NC+AT	67.5%（NC 胜）
AllQwen+AT vs NC+AT	57.5%（NC 胜）

三条可以确定的结论：

1. Judge 有用，但只在 Dial-2-Note 上明确有用（57.5%）。换到 Note-2-Dial，去掉 Judge 反而赢（55.0%）——说明 Judge 主要保护的是"病历质量"，对"对话质量"帮助有限。
2. Judge 的骨干模型很敏感。Llama 当 Judge 反而不如没有 Judge（52.5%），说明一个不够强的审核者会引入错误驳回、损害多样性。
3. GPT-4o 骨干不可替代。全部换成 Llama 或 Qwen 后，不仅打不过 PriMock，还打不过 NoteChat（55.0% / 60.0% 都是 NC 胜）。作者的解释是 NoteChat 本身就是 GPT 家族生成的多代理产物，同族对标时 GPT-4o 的优势才显现。

第三条是一个对复现者非常重要的现实：这套流水线的效果高度绑定 GPT-4o。想用开源模型复刻出一份等价的 MedSynth，目前证据不支持。

5.8 Mistral 复现：换模型是否还成立

任务	对比	Mistral-7B-v0.1 偏好率
Dial-2-Note	MS+AT vs NC+AT	65%
Dial-2-Note	MS Only vs NC Only	95%
Note-2-Dial	MS+AT vs NC+AT	72.5%
Note-2-Dial	MS Only vs NC Only	90%

Mistral 上的结论与 Llama-3 方向完全一致，且幅度更大（65% vs 60%，72.5% vs 55%）。这提高了"MedSynth 的价值不是 Llama 特有"的可信度。注意 Mistral 只训了 1 epoch（Llama 是 4 epoch），因此不能直接横向比较两个模型的绝对水平。

5.9 传统指标旁证

附录 A（Table 9-12）给出 ROUGE、BLEU、METEOR 的完整结果，论文称其"与陪审团观察方向一致"。本条目未逐格转录这些数值（表格结构为"数据集 × 样本量"的二维展开，共 4 张表、每表数百格），使用时应直接查原文附录 A。这与论文的主指标选择逻辑一致：传统指标只作旁证，不参与结论。

5.10 结果解读的五条守则

1. 看增量不看绝对值：95% 是结构性胜利，60% 才是真实增益。
2. 看人工不看陪审团：人工多数票打平，是这篇文章里最诚实的一个数字。
3. 看方向不看幅度：Mistral 与 Llama 方向一致，说明结论稳健；但幅度差 5-17 个百分点，说明幅度不可迁移。
4. 看消融看天花板：换成开源骨干后打不过 NoteChat，说明这套方法的上限由骨干模型决定。
5. 看基准的来源：所有评测都在 ACI-Bench 上，而 ACI-Bench 同时是生成时的 ICL 样例来源——存在训练-评测同源风险（§4.3）。

§6 获取与许可：一个直链、一个 CSV

6.1 入口清单

资产	入口	门禁	许可
数据集	HuggingFace Ahmad0067/MedSynth	gated=false，无需登录	卡片未声明（论文 CC BY 4.0）
代码	GitHub ahmadrezarm/MedSynth	公开仓库	仓库未单独标注（随论文）
论文	arXiv:2508.01401（v2）	开放获取	CC BY 4.0（PDF 页脚）
微调模型	论文称已发布（Fine-tuned Llama-3 / Mistral）	见 GitHub 说明	同数据

6.2 最小可用路径

# 方式一：datasets 库（推荐）
from datasets import load_dataset

ds = load_dataset("Ahmad0067/MedSynth", split="train")
print(ds.column_names)      # ['ICD10', 'ICD10_desc', 'Note', 'Dialogue']
print(ds[0]["ICD10"])       # 例如 'I10'

# 方式二：纯 pandas（单 CSV，无需 datasets 库）
import pandas as pd
df = pd.read_csv("MedSynth_huggingface_final.csv")
print(df.shape)             # (10035, 4)

国内网络环境下若 HF 主站不可达，可换镜像域名（如 hf-mirror.com）或设置 HF_ENDPOINT 环境变量。由于该数据集只有一个 CSV，也可以直接从镜像下载该文件后用 pandas 读取，绕开 datasets 库的联网逻辑。

6.3 license 的双口径问题

这是本条目在合规上最需要标注的一点：

来源	声明
论文 PDF 页脚	License: CC BY 4.0
HF 数据集卡片 metadata（cardData）	无 license 字段（tags 只有 medical / dialogue / summarization / synthetic / SOAP）
HF 仓库根目录	未见独立 LICENSE 文件（siblings 仅 .gitattributes、CSV、README）
GitHub 仓库	页面未突出标注许可证

实践建议：

• 学术研究、论文复现、课程作业：按 CC BY 4.0 使用并署名，风险极低。
• 商业产品、需要再分发数据本体：建议向通讯作者（ahmad.rm@dal.ca）书面确认，或要求仓库补一个 LICENSE 文件。
• 无论哪种场景，都应遵守卡片的使用限制（下一节）。

6.4 使用限制原文（卡片声明）

HF 卡片在 “Uses” 与 “Bias, Risks, and Limitations” 两节中反复声明了三条红线：

1. 不得作为可靠的医学信息来源（“MedSynth should not be used as a reliable source of medical information”）；
2. 仅用于改进模型在医疗对话转病历摘要任务上的性能；
3. 超出范围的使用（Out-of-Scope Use）——明确写了"不得作为医学信息源"。

论文 §7 的表述更严格：“MedSynth should not be considered a source of reliable medical information but rather a tool for model development.”

这三条不是免责套话，而是对数据本质的准确描述：生成过程没有任何医学专家逐条审校，流水线保证的是"结构合规 + 场景合理"，不是"医学正确"。

6.5 AI-Ready 评估

用库内的 AI-Ready 检查单过一遍：

维度	判断	说明
机器可读元数据	良好	HF 卡片含 features/用途/限制/citation；论文附录详尽（成本、超参、提示词全公开）
公开直链	优秀	gated=false，单 CSV，无审批无登录
许可明确性	偏弱	论文 CC BY 4.0 但卡片缺字段、仓库无 LICENSE 文件
可复现性	良好	代码开源、提示词全公开、成本账可复算；但强依赖 GPT-4o 复现门槛高
文档自洽	中等	存在多处数字双口径（坑 2、坑 3）、作者列表版本差异（坑 1）
数据本体可用性	优秀	4 列、单文件、无缺失嵌套，read_csv 即得 DataFrame

综合评级：中上（6.7/10）——获取门槛在库内属最低一档，短板集中在许可声明与文档一致性，不在数据本身。

6.6 与库内可获取性光谱的对照

档位	库内参照	本条目
注册墙（最严）	需注册+审批（如部分 PhysioNet 受限集）	—
请求制	需邮件申请（如 PANDA-PLUS 掩码）	—
平台托管	Zenodo / Figshare 型	—
公开直链	HF / GitHub 直链型	本条目
门禁全无	单文件即可下载	本条目（326 MiB 单 CSV）

MedSynth 在可获取性上是"最优档"：不需要账号、不需要填表、不需要等邮件，数据本体就是一个 CSV。对需要快速搭基线的团队，这个属性比任何学术亮点都更有说服力。

§7 生态与影响

7.1 作者团队：一个跨机构的组合

机构	作者	角色
Dalhousie University（加拿大）	Ahmad Rezaie Mianroodi、Frank Rudzicz	一作/通讯 + 资深
Vector Institute（加拿大）	Ahmad Rezaie Mianroodi、Frank Rudzicz	附属
Shahrood University of Technology（伊朗）	Amirali Rezaie	合著
Chapman University（美国）	Niko Grisel Todorov、Cyril Rakovski	合著（统计）
Cedars-Sinai Medical Center（美国）	Nadine A. Friedrich、Maria P. Mogollon、Alexander Hernandez-Tirado、Guillermo Lopez Garcia	合著（临床）

这个组合的结构很典型：NLP/ML 团队主导方法，统计学者把关评估，临床机构提供医学视角。Cedars-Sinai 的四位作者在 v1 中未出现、在 v2 中加入——这解释了为什么 v2 的方法学描述比 v1 更强调临床合理性。

Frank Rudzicz 是加拿大医疗 NLP 领域的资深研究者（Dalhousie / Vector / 多伦多大学背景），也是 MLOps/MLHOps 方向的重要作者（论文 §7 引用了他的 MLHOps 工作）。

7.2 版本演化：v1 → v2 变了什么

维度	v1（2025-08-02）	v2（2026-06-15）
作者数	5（HF BibTeX 口径）	9
临床合著	无	Cedars-Sinai 4 人
Mistral 实验	未见（附录 B 疑为新增）	有（Table 13/14）
成本分析	未见（附录 C 疑为新增）	有（$5,000 / $0.45 每对）
角色分布	未见（附录 H 疑为新增）	有（258 角色 / Table 16-17）
体量	146 KB 源码	154 KB 源码
摘要措辞	“markedly enhances”	“substantially enhances”

这个演化路径说明作者对稿件的定位在收紧：从"我们做了个大数据集"变成"我们做了个大数据集，并且算清了成本、验了模型可替换性、量化了角色分布"。对使用者的直接好处是 v2 的附录信息量显著大于 v1。

7.3 SMM4H-HeaRD 2026：第一次被第三方基准化

2026 年的 #SMM4H-HeaRD（Social Media Mining for Health / Health Real-World Data）研讨会第 4 项共享任务直接以 MedSynth 为语料：

项	内容
任务名	Generation of Realistic Structured Medical Notes from Dialogues
子任务	Dial2Note（给定对话生成 SOAP 病历）
数据切分	训练 85%；开发 15%；测试另行新生成（只放对话，参考答案保密）
主指标	BLEU、ROUGE-1、ROUGE-2、ROUGE-L、METEOR、MedCon 的均值
二阶段	前 5 名进入 LLM-as-a-judge 复评
三阶段	前 3 名由医学专家评审定最终名次
评委维度	幻觉、关键遗漏、专业语气、逻辑结构、SOAP 格式遵循、段落相关性
提交格式	JSON，每 id 一条 note_pred
联系人	Ahmad Rezaie Mianroodi（Dalhousie / Vector）

三点值得注意：

1. 任务方把主指标换回了 BLEU/ROUGE 一族，与论文"传统指标不可靠"的立场相反。原因大概率是参赛规模：几百支队伍不可能都跑 LLM 陪审团。LLM 评审被放到了第二、三阶段作为精排。
2. 测试集是新生成的，不是从 10,035 里切出来的一部分——这是对"数据泄漏"的一种防御设计，但也意味着测试集的分布可能与训练集有偏移（新生成的批次可能受当时的提示词版本影响）。
3. 任务用 85/15 切分，而论文本身没有给官方切分。这意味着不同论文之间若各自随机切分，结果不可直接比较——引用时要说清切分方式。

7.4 在"医疗对话-病历"数据集景观中的位置

维度	MedSynth 的位置
规模	公开集里 SOAP 结构的最大者（10,035）；全口径则远小于 NoteChat（207k）与 Nuance（802k，不公开）
病种覆盖	2,001 个 ICD-10 码，公开集里最广
真实性	最低一档（全合成）
结构规范	最高一档（SOAP + 分节标题）
成本透明度	最高（$0.45/对可复算）
许可清晰度	中等（论文清晰、卡片缺失）

一句话：它是"规模 × 结构 × 可获取性"三个维度的乘积最大者，代价是真实性最弱。

7.5 后续影响与引用场景

截至抓取时点（2026-10-17），MedSynth 的可观测影响集中在三处：

• HF 下载 222 次、点赞 6 次——属于"已发布但尚未进入大规模使用"的阶段，与 NoteChat（207k 对，广泛用于对话生成研究）相比声量仍小。
• SMM4H 2026 基准化——这是最重要的信号，说明社区认可它作为"评测资源"的定位，而不只是"训练资源"。
• 合成数据方法学的引用价值——论文的六代理流水线、13 变量多样性检查、成本账，是可被独立引用的方法论贡献。

对本库读者的实际意义：如果你的任务是中文医疗对话→病历，MedSynth 只能提供英文方法论参考，不能直接迁移数据；如果你的任务是英文 AI scribe 原型，它是一个零门槛的起步语料（但绝不能上生产，见 §8）。

7.6 与库内条目的关系

• ACI-Bench（rid 810）：本条目最重要的上游。既是训练样例来源，又是评测基准，还是对照组的一半。读 MedSynth 必须同时读 ACI-Bench，否则无法理解所有 +AT 实验的含义。
• PriMock57（rid 811）：小样本真人对照。理解"57 对真人数据打不过 10,035 对合成数据"这一反直觉结论，需要看 PriMock57 的规模约束。
• MTSamples（rid 350）：医学转录文本语料的经典样本，与本条目共享"把口语转成书面记录"的问题意识，但 MTSamples 是真人转录、无对话配对。
• MIMIC-IV-Note（rid 47）：真实临床自由文本的金标准参照。任何"合成数据够不够真"的判断，最终都要拿 MIMIC-IV-Note 这类真实文本做对照。
• EHR-ReasonCon（rid 1007）：临床笔记与结构化表的一致性核验——与本条目的"对话-病历一致性"问题同源，但方向是核验而非生成。
• ArchEHR-QA（rid 1000）：病历证据落地问答，与本条目共享"病历的哪些信息能被引用"的底层问题。
• QiZhenGPT（rid 826）：中文医疗指令数据，是"中文场景能否复刻 MedSynth 路线"的直接参照系。
• Health Gym（rid 597）：合成 ICU 生理数据，同属"合成临床数据"家族，但模态与任务完全不同（时序信号 vs 文本对话）。
• EHRSHOT（rid 11）：EHR 基础模型少样本评测，与本条目共享"数据规模与评测效度"的方法论关切。

§8 合成数据的边界：能做什么、不能做什么

8.1 合成数据的三重失真

MedSynth 论文 §7 列出了四条限制，把它抽象一层，可以归为三重失真：

失真一：行为失真（behavioral）

真实诊室对话里存在大量"不完美"：医生说错话再纠正、患者被打断、两个人同时开口、方言与口音、背景噪声、家属插话、沉默与犹豫。这些在 MedSynth 里都没有——Dialogue Polisher 加的是"礼貌的社交闲聊"，不是"混乱的临床现场"。论文自己承认：“may not fully capture the complexities of real-world clinical dialogues between humans.”

后果：在 MedSynth 上训练的模型，在真实录音上的鲁棒性未经检验。如果直接接 ASR 输出（含错字、断句错误）当输入，性能折损可能远超论文数字暗示的水平。

失真二：知识失真（knowledge）

生成过程没有医学专家逐条审校。流水线里的"医学准确性检查"是由 Scenario Judge（一个 LLM）做的——LLM 判 LLM 的医学正确性，存在同源盲区。论文的表述很克制：“does not guarantee the medical correctness of the generated text.”

后果：数据里可能存在系统性错误（例如某种药的禁忌症写反、某个检验指标的参考范围错）。这类错误不会均匀分布——高频病种可能因为训练语料丰富而较准，长尾病种则风险更高。

失真三：分布失真（distributional）

数据集只覆盖 2,001 个 ICD-10 码（占 IQVIA 库 3.6%），且等量抽样（每码 5 对）人为抹平了真实发病率。这意味着：

• 你无法从 MedSynth 里学到"高血压病人的样本应该占 15% 还是 3%";
• 但你也不会因为加权而被常见病淹没。

这是一个刻意的取舍，不是缺陷。使用时要知道：MedSynth 的分布不是真实分布，是"病种覆盖优先"的分布。

8.2 三个"能"与三个"不能"

能做	不能做
训练对话→病历的结构生成能力（SOAP 分节）	作为医学事实来源（作者明令禁止）
做原型验证：验证 pipeline 端到端能否跑通	做临床决策支持系统训练
做格式迁移研究：学习从段落式摘要迁移到 SOAP	声称模型的医疗安全性已被验证
做数据增强：与真实数据混合训练（论文的 +AT 设定）	替代真实数据做泛化性结论
做多语言迁移的方法论模板	直接翻译成中文当中文数据用（术语映射未验证）

8.3 一个具体的失效场景推演

假设你要做一个"门诊录音 → SOAP 病历"的产品原型：

1. 用 MedSynth 微调 Llama-3-8B —— 模型学会了 SOAP 格式，输出很干净。✓
2. 接上真实录音的 ASR 输出 —— ASR 有错字、有断句、有说话人混淆（医生和患者的声音分不清）。MedSynth 里没有这种输入。✗
3. 模型在真实录音上开始编造没被提到的检查结果 —— 因为训练数据里"病历总是信息完整的"，模型没学过"信息缺失时该怎么写"。✗
4. 医生用这个输出做参考 —— 如果模型编了一个不存在的化验值，后果不可接受。✗✗

这个推演不是危言耸听，而是合成数据的标准风险模式：训练分布里的"完美"会在部署时变成"编造"。论文的 +AT 设定（加入真实 ACI 训练集）就是在缓解这个问题的第一步——这也是 60% 这个数字比 95% 更重要的原因。

8.4 合成数据在什么条件下是划算的

把成本账摊开看：

方案	每对成本	规模上限	真实性	适合阶段
真人角色扮演（ACI-Bench 式）	高（医生工时 + 演员 + 转写）	数百对	高	基准建设
真实采集（需机构合作）	极高（合规 + 去标识）	可达百万	最高	生产训练
LLM 全合成（MedSynth 式）	$0.45	无上限	低	原型 + 增强
不开源商业库	需采购	数百万	高	生产训练

合成数据的划算区间很明确：在还没有真实数据、又需要快速验证 pipeline 可行性的阶段。一旦进入生产，真实数据是必须的（哪怕只是小规模高质量的真实集，用于混合训练与校准）。

§9 使用手册：从下载到上线的六步

9.1 第一步：先看数据长什么样

import pandas as pd
df = pd.read_csv("MedSynth_huggingface_final.csv")

# 基本体检
print(df.shape)                      # (10035, 4)
print(df.isna().sum())               # 各列缺失值
print(df["ICD10"].nunique())         # 应为 2001
print(df.groupby("ICD10").size().value_counts())   # 每码条数分布

# 长度分布（粗估 token：英文约 4 字节/token）
df["note_chars"] = df["Note"].str.len()
df["dial_chars"] = df["Dialogue"].str.len()
print(df[["note_chars", "dial_chars"]].describe())

要检查的三件事：

1. ICD10 的唯一值是否真是 2,001（若你拿到的是不同版本，可能不同）；
2. 每码条数是否接近 5（分布应集中在 5 附近，长尾说明生成阶段有失败重试）；
3. 是否有空 Note / 空 Dialogue（生成失败但未过滤）。

9.2 第二步：做一次人眼抽检

随机抽 20 条，逐条看三件事：

• Note 的 SOAP 四段是否齐全，有没有把 Assessment 的内容写进 Subjective；
• Dialogue 是否覆盖了 Note 的关键要素（尤其是用药、检查结果）；
• ICD10 与内容是否匹配（别出现"2 型糖尿病"的码配一段"腰痛"的病历）。

这一步不能省。任何自动化指标都无法替代人眼判断"这段对话像不像真的"。

9.3 第三步：决定切分策略

MedSynth 没有官方切分。你有三种选择：

策略	做法	适用
随机行切分	8:1:1 随机打乱	纯流水线验证
按 ICD-10 码切分	80% 的码训练，20% 的码测试	测"未见病种"泛化
跟 SMM4H 2026	85/15，测试集另行生成	参赛、需与他人可比

推荐按 ICD-10 码切分：因为同一码的 5 对是由同一批提示词、相近场景生成的，随机切分会导致"训练集里见过这个病的 4 对，测试集考第 5 对"——分数虚高。

9.4 第四步：与真实数据混合

论文的核心经验：纯合成训练的模型能赢 NoteChat，但赢不过"合成 + 真实"的组合（MS+AT vs AT Only 只有 52.5%，说明增益有限但为正）。

实操建议的混合比：

• 起步：合成 : 真实 = 10 : 1（用少量真实数据锚定分布）；
• 进阶：逐步提高真实比例，观察验证集是否还在涨；
• 红线：不要把合成数据当唯一来源做生产模型。

9.5 第五步：评估不能只看 BLEU

如果只报 BLEU/ROUGE，你会得到"看起来很好"的数字（因为 MedSynth 的输出风格高度一致，与参考文本的 n-gram 重合度高）。必须加上：

• 结构合规率：输出里 SOAP 四段是否齐全（用规则检查即可）；
• 幻觉率：人工或 LLM 抽取"输出中出现但输入对话中不存在的临床事实"；
• 关键遗漏率：输入对话里出现但输出漏掉的关键信息。

论文用的陪审团 rubric（§5.3）可以直接借用。

9.6 第六步：上线前的红线检查

检查项	判据
是否声明为"仅供参考"	产品 UI 必须有明确提示
是否有医生复核环节	生成的病历必须经人工确认才可入库
是否记录数据来源	训练数据版本、混合比例、切分方式必须留档
是否做过真实数据测试	至少在一个真实对话集上跑过，报告折损率

这四条不是 MedSynth 特有的，而是任何 AI scribe 产品的通用要求——但因为 MedSynth 是纯合成数据，第一条与第四条对它尤其关键。

§10 避坑清单：八个已踩过的坑

坑 1：作者列表有两个版本，引用会踩坑。
HF 数据集卡片的 BibTeX 只列 5 位作者（Mianroodi、Rezaie、Todorov、Rakovski、Rudzicz），而 arXiv v2 有 9 位（多出 Cedars-Sinai 的 Friedrich、Mogollon、Hernandez-Tirado、Lopez Garcia）。若按 HF 卡片的 BibTeX 引用，会漏掉四位临床合著者。以 arXiv v2 的作者列表为准，或直接引用 arXiv 的 BibTeX。

坑 2："2000 还是 2001"与"10,000 还是 10,035"的口径混乱。
摘要在写"over 2000 codes / over 10,000 pairs"，§3.2 写"选前 2000 个码、每码 5 对"，Table 3 写"2,001 codes / 10,035 pairs"，HF 卡片写"2000 ICD-10 codes, five data points per code, 超过 10,000 条"。四个口径并存，且 2001×5 = 10,005 ≠ 10,035，差 30 条无解释。写论文时统一用 **2,001 / 10,035（Table 3 口径）**并注明多出的部分论文未说明。

坑 3：对话长度的两套数字。
Table 1 记 MedSynth 对话为 1,070 tok / 47 turns，Table 3 记 932 tok / 55 sentences。token 数不一致（1,070 vs 932），单位也不一致（turns vs sentences）。引用长度时指定表号，不要说"平均 1,000 token 左右"。

坑 4：license 在论文里有、在 HF 卡片里没有。
论文 PDF 页脚标 License: CC BY 4.0，但 HF 的 cardData 里没有 license 键，仓库里也没有 LICENSE 文件。合规审查时这是硬伤。学术使用按 CC BY 4.0；商用前书面确认。

坑 5：95% 不是"比 NoteChat 好 95%"。
95.0% 是仅用 MedSynth 训练 vs 仅用 NoteChat 训练的陪审团偏好率，而 NoteChat 的病历是患者摘要、不是 SOAP——这个比较里对手先天不适合任务。真正有信息量的数字是 60.0%（加 ACI 训练集后）与 52.5%（对比纯 ACI 训练集）。任何引用 95% 的场合都必须同时给出 60% 与 52.5%。

坑 6：人工验证的"一致"是弱一致。
论文说人工结果"aligns with"陪审团的 60%，但人工的样本级多数票是 50%-50% 平局，只有逐票统计（54.2%，65/120）才略微偏向 MedSynth。三个医学专业人员、40 个样本、ICC=0.75。引用时应写"人工逐票略偏向（54.2%），样本级多数票打平"，而不是"人工验证支持 60% 的结论"。

坑 7：推理链与分数不可跨论文直接比较。
MedSynth 的实验设置是 Llama-3-8B-Instruct + 4-bit 量化 + 4 epoch + ACI-Bench test。任何其他论文若用全精度、不同 epoch 数或不同切分，数字都不可直接对比。更麻烦的是 MedSynth 没有官方切分，而 SMM4H 2026 用 85/15——两者结果也不可比。

坑 8：生成骨干换掉之后结论不成立。
消融显示，把 GPT-4o 全部换成 Llama-3.3-70B 或 Qwen2.5-32B 后，生成的 MedSynth 训练出的模型打不过 NoteChat（Dial-2-Note 方向 55.0% / 60.0% 都是 NC 胜）。也就是说，"MedSynth 这条路线有效"这个结论，目前只在 GPT-4o 骨干下被验证过。想用开源模型复刻一份同等质量的合成数据，需要重新做完整的消融验证，不能假定结论可迁移。

10.1 坑点的共同结构：三类声明不齐

把八个坑按性质归类，会发现它们其实只来自三类问题：

类型	涉及坑点	共同特征	规避动作
元数据不同步	坑 1、坑 4	平台卡片与论文/代码仓库各自维护一份元数据，更新时只改了一处	以论文 v2 为准，平台字段仅作参考
版本内数字漂移	坑 2、坑 3	摘要、正文、表格、附录在稿件迭代中未统一	引用必标表号/节号，不复述模糊量词
结果表述宽松	坑 5、坑 6、坑 7、坑 8	效果数字被剥离上下文单独传播	引用时恢复完整实验设置与对照组

第三类最危险，因为它们不影响使用，只影响认知——你会带着一个被放大的期待去做工程决策，然后在真实数据上发现落差。对这类坑，唯一的解法是读表不读摘要（§5.10 已给方法）。

10.2 一条给数据集作者的通用建议

MedSynth 的八个坑里，有六个可以在写作阶段几行字解决：

1. 摘要里不要用 “over 2000”，直接写 “2,001”；
2. 表格里所有长度指标统一单位（全用 token + sentence）；
3. HF 卡片补一个 license 字段；
4. BibTeX 与论文作者列表对齐；
5. 效果数字旁标注对照组与样本量（如 “60.0%（vs NoteChat+AT, n=10,102）”）；
6. 说明 2,001×5 与 10,035 的差额来源。

这六条不是 MedSynth 独有的问题，而是合成数据集类论文的通病。本条目把它们记录下来，既是为了准确转引，也是给后来者一份可对照的自查表。

10.3 如果只能记住三个坑

• 95% 不等于"好 95%"（坑 5）——它是对手用错格式导致的；
• 人工是打平的（坑 6）——逐票 54.2%，多数票 50%；
• 换骨干就失效（坑 8）——GPT-4o 是这套方法的前提，不是可选配件。

§11 总结

11.1 三句话总结

1. MedSynth 是目前公开可得、结构最规范、病种覆盖最广的全合成医患对话-SOAP 病历数据集：10,035 对、2,001 个 ICD-10 码、单 CSV 直链、$0.45/对成本。
2. 它的核心贡献不是数据本身，而是一套可复用的合成流水线：以理赔分布定病种、以病历为质量锚、六代理分工、13 变量查重、反向生成对话以保证配对一致。
3. 它的评估结果方向可信、幅度需打折：对比 NoteChat 的 60% 与 52.5% 是真实增益，95% 是结构性胜利，人工验证只是弱一致（逐票 54.2%）。

11.2 适合谁

• AI scribe 原型开发者：需要一个零门槛、结构规范的起步语料，先跑通 pipeline 再找真实数据。
• 合成数据方法研究者：六代理架构、13 变量多样性检查、成本账、消融设计都是可抄的模板。
• 医疗 LLM 指令微调工程师：需要一个带"输入-输出配对"的英文临床文本任务集。
• 共享任务参赛者：SMM4H-HeaRD 2026 第 4 任务的官方语料，绕不开。
• 数据集工程研究者：它是"许可双口径 + 文档内部漂移"的活教材（§10）。

11.3 不适合谁

• 需要医学正确性保证的项目：作者明令禁止把它当医学信息源。
• 中文医疗 NLP 项目：数据全英文、病种是美国理赔库口径、术语体系不可直接迁移。
• 需要长尾罕见病覆盖的研究：只覆盖 3.6% 的 ICD-10 码，长尾 74.6% 的码一个都没有。
• 需要真实对话噪声的鲁棒性研究：合成对话没有抢话、口音、ASR 错误。
• 要证明"合成数据可以替代真实数据"的研究：论文自己也没证明这一点（MS+AT vs AT Only 仅 52.5%）。

11.4 30 秒决策卡

你的情况	行动
想立刻跑通一个对话→病历 demo	HF 直链下 CSV，read_csv 后按 §9.1 体检，半天可出结果
要参加 SMM4H 2026 第 4 任务	按官方 85/15 切分，主指标是 BLEU/ROUGE 族，注意测试集另行生成
要做生产级 AI scribe	只用它做预训练/冷启动，必须混入真实数据并做真实录音测试
想复刻一套中文版	可借流水线骨架（§3.7），但骨干、术语、病种分布都要重建，且需重做消融
要引用它的效果数字	引 60.0%（+AT）与 52.5%（vs AT Only），附 95.0% 时说明其结构性质
关心许可	按论文 CC BY 4.0 使用；商用前书面确认（HF 卡片无 license 字段）

FAQ（高频问答 30 问）

A. 基础认知

Q1：MedSynth 是真实数据吗？
不是。全部由 GPT-4o 生成，包括病历和对话。没有任何真实患者数据，也没有真人参与扮演。

Q2：名字怎么读、怎么拼？
MedSynth = Medical + Synthetic。注意不是 “MedSyn” 或 “Med-Synth”，官方 slug 一律连写。

Q3：谁做的、什么时候发的？
Dalhousie University + Vector Institute 主导（一作/通讯 Ahmad Rezaie Mianroodi），合著来自 Shahrood University of Technology、Chapman University、Cedars-Sinai Medical Center。arXiv v1 于 2025-08-02 发布，v2 于 2026-06-15 修订。

Q4：发表在期刊上了吗？
截至 2026-10-17 抓取时点，未检索到正式期刊版本，以 arXiv 为准。若后续有期刊版，注意卷期与 arXiv 版本的差异。

Q5：它和"医疗大模型"是什么关系？
它是训练材料，不是模型。论文另外发布了在 MedSynth 上微调的 Llama-3-8B 与 Mistral-7B 检查点，但那属于附带产物。

Q6：为什么叫"Realistic"？
作者的主张是：通过"理赔分布引导病种 + 13 变量查重 + 社交闲聊 + 事实核对"四道设计，让合成数据在分布与语感上尽量贴近真实门诊。这个"真实感"是设计目标，不是经过临床验证的结论。

B. 数据与获取

Q7：在哪里下载？
HuggingFace Ahmad0067/MedSynth，gated=false，无需登录。国内可用 hf-mirror.com 镜像或设置 HF_ENDPOINT。

Q8：有多大？
单个 CSV 约 326.6 MiB（usedStorage 342,468,450 字节），10,035 行 4 列。

Q9：有官方切分吗？
没有。论文未提供 train/val/test 划分。SMM4H 2026 用 85/15，测试集另行生成。

Q10：能商用吗？
论文标 CC BY 4.0（允许商用），但 HF 卡片无 license 字段。建议商用前书面确认，并遵守"不得作为医学信息来源"的限制。

Q11：中文版有吗？
没有官方中文版。数据全英文，ICD-10 用的是美国理赔库口径的描述字段。中文迁移需要重建术语映射与病种分布。

Q12：有微调模型下载吗？
论文称已发布微调模型，具体仓库地址见 GitHub ahmadrezarm/MedSynth 的 README。注意论文主实验用的是 Llama-3-8B-Instruct 与 Mistral-7b-instruct-v0.1。

C. 生成与规模

Q13：为什么是 10,035 而不是 10,000？
设计是 2,000 码 × 5 对 = 10,000。实际落了 2,001 个码、10,035 对。多出 1 个码与 35 对的具体来源论文未说明（坑 2）。

Q14：为什么每个病只生成 5 对？
5 是经验值：既能保证病种覆盖，又能把单码成本压在 $2.25 左右（5 × $0.45）。阈值 4 变量的多样性检查也是按"5 对里要够不一样"来校准的。

Q15：258 个角色怎么来的？
Scenario Provider 根据 ICD-10 描述自由选择医生身份，全库收敛出 258 个不同角色。其中 203 个出现不到 10 次，Family Medicine Physician 出现超过 1,000 次。

Q16：13 个变量具体是什么？
论文正文未列全，放在附录 F 的提示词里。已知其中包含 Physical Exams 与 Investigations/Tests（这两项是质量因子调查后人工追加的）。

Q17：生成花了多少钱、多久？
总 API 成本约 $5,000（调试 $300 + 生成 $4,500 + 评估 $200），折合 $0.45/对。耗时论文未报告。

Q18：能用开源模型复刻吗？
消融证据不支持：全部换成 Llama-3.3-70B 或 Qwen2.5-32B 后，生成的数据训练出的模型打不过 NoteChat（坑 8）。若要复刻，需要重新做完整消融。

D. 评估与结果

Q19：95% 是什么意思？
"仅用 MedSynth 训练"vs"仅用 NoteChat 训练"两个模型在 ACI-Bench 上的陪审团偏好率。因为 NoteChat 的病历不是 SOAP，这个比较里对手先天吃亏（坑 5）。

Q20：那 60% 呢？
“MedSynth + ACI 训练集"vs"NoteChat + ACI 训练集”。两边都加了同样的真实数据，差异只剩合成数据的增量。这是最有信息量的数字。

Q21：52.5% 说明什么？
“MedSynth + ACI"vs"纯 ACI”。说明在已有真实数据的情况下，加 MedSynth 只带来 2.5 个百分点的边际收益——合成数据是锦上添花，不是雪中送炭。

Q22：陪审团是谁？
GPT-4o、Prometheus、Qwen2.5-32B-Instruct 三个不同家族的模型，多数投票。注意 GPT-4o 同时是数据生成骨干，存在潜在自偏好。

Q23：人工怎么验证的？
3 位医学专业人员评 40 个样本，ICC(2,k)=0.75。样本级多数票 50%-50 平局，逐票 54.2%（65/120）略偏 MedSynth。

Q24：有没有传统指标？
有，ROUGE/BLEU/METEOR 在附录 A（Table 9-12），论文称与陪审团方向一致，但未作主指标。SMM4H 2026 任务反而以它们为主指标。

Q25：消融最重要的发现是什么？
两条：① Scenario Judge 在 Dial-2-Note 上有用（57.5%），在 Note-2-Dial 上没用；② 骨干模型换成开源后全面退步，说明效果强绑定 GPT-4o。

E. 使用与落地

Q26：怎么快速验证数据质量？
抽 20 条人眼看三件事：SOAP 四段是否齐全、对话是否覆盖病历关键要素、ICD 码与内容是否匹配（§9.2）。

Q27：切分应该怎么做？
推荐按 ICD-10 码切分（80/20），而不是随机行切分——同一码的 5 对高度相似，随机切分会导致分数虚高（§9.3）。

Q28：能直接微调中文模型吗？
技术上可以，但数据是英文，中文模型会出现"英文结构 + 中文语感"的错配。更合理的做法是先翻译并对术语做人工校订，再造中文病种分布。

Q29：合成数据与真实数据怎么混？
起步 10:1（合成:真实），逐步提高真实比例，观察验证集。红线是不要把合成数据当唯一来源做生产模型（§9.4）。

Q30：最容易犯的错误是什么？
把 95% 当成"比 NoteChat 好 95%"来引用，或者把整份数据当医学知识库用。这两条在 §10 坑 5 与坑 4 里都有详细说明。

事实清单（硬事实 36 条）

#	事实	出处
1	数据点数 10,035	Table 3
2	唯一 ICD-10 码 2,001	Table 3
3	设计目标：最常见 2,000 码 × 5 对	§3.2
4	IQVIA 抽样：2006-2021 年 25% 随机样本	§3.1
5	IQVIA 原始理赔 > 30 亿条	§3.1
6	过滤 ICD-9 后 8 亿条、54,985 个唯一 ICD-10 码	§3.1
7	覆盖率为 2,001/54,985 ≈ 3.6%	本条目计算
8	理赔 < 1,000 的码有 40,973 个	Table 2
9	对话平均 932 tok / 55 句	Table 3
10	病历平均 621 tok / 23 句	Table 3
11	另一口径：对话 1,070 tok / 47 turns	Table 1
12	生成骨干 GPT-4o	§3.4
13	病历生成用 Four Agent（Provider/Judge/Writer/Polisher）	§3.4.1
14	对话生成用 Two Agent（Generator/Polisher）	§3.4.2
15	Judge 要求 13 变量中至少 4 个不同	§3.4.1
16	Note Writer 用 One-Shot ICL	§3.4.1
17	Dialogue Generator 用 Few-Shot ICL，n=3	§3.4.2
18	每个 ICL 样例约 1,800 token	§3.4
19	质量因子调查：2 人、26 变量、取前 11 + 补 2	§3.3
20	调查 ICC(2,k) = 0.56（中等）	附录 J
21	全库 258 个 unique roles	附录 H
22	角色分布：>1000 次 1 个；<10 次 203 个	Table 16
23	总成本约 $5,000；$0.45/对	附录 C
24	Dial-2-Note MS+AT vs NC+AT = 60.0%（10,102 样本）	Table 4
25	Dial-2-Note MS Only vs NC Only = 95.0%（10,035）	Table 4
26	Dial-2-Note MS+AT vs AT Only = 52.5%（10,102）	Table 4
27	Note-2-Dial MS+AT vs NC+AT = 55.0%	Table 5
28	Note-2-Dial MS+AT vs AT Only = 80.0%	Table 5
29	人工：3 人、40 样本、ICC 0.75	§4.3
30	人工多数票 50%-50；逐票 54.2%（65/120）	Table 6
31	Mistral-7B：Dial 65%/95%，Note-2-Dial 72.5%/90%	Table 13/14
32	陪审团三家：GPT-4o、Prometheus、Qwen2.5-32B-Instruct	§4.2.1
33	微调模型 Llama-3-8B-Instruct，4-bit，单 A40，4 epoch	§4 / 附录 B
34	HF 仓库创建 2025-07-12，最后修改 2025-11-07	HF API
35	HF 文件：单 CSV + .gitattributes + README	HF API
36	论文 PDF 标注 License: CC BY 4.0	arXiv PDF 页脚

术语表（32 条）

术语	中文	含义
MedSynth	—	本条目数据集名，Medical + Synthetic 的合成词
Dial-2-Note	对话转病历	给定医患对话，生成对应的结构化临床病历
Note-2-Dial	病历转对话	给定病历，生成一段覆盖其全部信息的医患对话
SOAP	SOAP 病历	Subjective（主观）/ Objective（客观）/ Assessment（评估）/ Plan（计划）四段式病历结构
Subjective	主观资料	患者自述的症状、病史、主诉
Objective	客观资料	医生观察与检查所得：生命体征、体格检查、检验结果
Assessment	评估	医生对病情的判断，含诊断与鉴别诊断
Plan	计划	治疗方案、随访安排
HPI	现病史	History of Present Illness，本次患病的发生发展过程
CC	主诉	Chief Complaint
ICD-10	国际疾病分类第十版	WHO 制定的疾病与健康相关问题分类体系，本数据集的唯一结构标签
IQVIA PharMetrics Plus	美国理赔数据库	商业医保理赔数据，用于统计病种频次
claim	理赔记录	医保报销的一条记录，每条通常带一个诊断码
primary care	基层医疗 / 全科	首诊、常见病、慢病管理为主的医疗场景
AI scribe	AI 抄写员	自动把诊室对话转成病历的工具，也称 ambient clinical intelligence
documentation burden	文档负担	医生用于写病历的时间与认知成本
burnout	职业倦怠	长期工作压力导致的情绪耗竭，论文引为文档负担的下游后果
synthetic data	合成数据	由模型生成、不来自真实个体的数据
scenario	场景	流水线中间产物：一位医生在某情境下接诊某患者的设定
Scenario Provider	场景提供者	病历生成流水线的第 1 个代理，选角色、造场景
Scenario Judge	场景审核者	第 2 个代理，做变量查重、医学准确性、合理性三项检查
Note Writer	病历撰写者	第 3 个代理，按 SOAP 写病历
Note Polisher	病历润色者	第 4 个代理，校正信息分节
Dialogue Generator	对话生成者	对话生成流水线的第 1 个代理，从病历倒推对话
Dialogue Polisher	对话润色者	第 2 个代理，加社交闲聊、核对信息覆盖
social chatter	社交闲聊	对话中的寒暄、安抚、复述等非信息性内容
CoT	思维链	Chain-of-Thought，让模型展开中间推理步骤的提示技术
ICL	上下文学习	In-Context Learning，不改参数、靠提示中的示例提升表现
Few-Shot	少样本	ICL 的一种，给多个示例（本论文 n=3）
One-Shot	单样本	ICL 的一种，给一个示例
Zero-Shot	零样本	ICL 的一种，只给任务描述不给示例
hallucination	幻觉	模型生成输入中不存在的事实
LLM-as-a-judge	LLM 评判	用大模型作为评审打分或选优的评估范式
jury	陪审团	多个不同家族 LLM 组成、多数投票的评审机制
preference rate	偏好率	评审在一对输出中选中某一方的比例
rubric	评分细则	评审依据的维度清单
ICC	组内相关系数	Intraclass Correlation Coefficient，衡量评分者间一致性
MedCon	医学概念一致性指标	ACI-Bench 提出的基于 UMLS 概念的评估指标，SMM4H 2026 采用
BLEU / ROUGE / METEOR	文本重合度指标	基于 n-gram 重合的传统生成评估指标
ASR	自动语音识别	Automatic Speech Recognition
MLOps / MLHOps	机器学习运维	模型从研发到临床部署的工程与治理实践
NoteChat	—	207k 对合成对话-患者摘要数据集，主要对照组
ACI-Bench	—	207 对真人角色扮演的对话-病历基准，训练样例源与评测集
PriMock57	—	57 对真人演练的基层问诊语料，辅助对照组
MTS-Dialogue	—	由病历片段生成的 1,701 对对话-片段数据集
PMC-Patient	—	PMC 病例报告中的患者摘要集合，NoteChat 的病历来源
SMM4H-HeaRD	—	Social Media Mining for Health / Health Real-World Data 研讨会

附录

附录 A：条目信息速查卡

项	值
条目名	MedSynth
url_name	medsynth
类型	合成数据集 + 生成方法论文 + 微调模型（三合一）
论文	arXiv:2508.01401v2（2026-06-15）
团队	Dalhousie / Vector Institute（一作 Ahmad Rezaie Mianroodi）
规模	10,035 对 / 2,001 个 ICD-10 码
文件	单 CSV，4 列，约 326.6 MiB
许可	论文 CC BY 4.0；HF 卡片未声明
获取	HF Ahmad0067/MedSynth（gated=false）
代码	GitHub ahmadrezarm/MedSynth
正式基准	SMM4H-HeaRD 2026 第 4 任务（Dial2Note）
抓取时点	2026-10-17
库内互链	aci-bench(810)/primock57(811)/mtsamples(350)/mimic-iv-note(47)/ehr-reasoncon(1007)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	arXiv + HF + GitHub + SMM4H 任务页四处可见；但数据集尚无期刊版本，"MedSynth"一词在文献中另有同名项目，检索需加限定词
A 可获取性	9	HF 公开直链、gated=false、单 CSV、无需登录；扣分项为无 LICENSE 文件
I 可互操作	8	标准 CSV + 4 个语义清晰字段；无 JSONL/Parquet 官方版本，但 CSV 转换成本极低
M 元数据质量	7	论文附录极详尽（提示词、超参、成本、角色分布全公开）；扣分项为表内数字漂移（坑 2/3）与作者列表版本差异（坑 1）
S 可持续性	6	依托 HF 与 GitHub 平台，稳定性良好；但无机构主页、无版本 tag、无 license 文件，长期治理弱
综合评级	7.4/10（良）	可获取性与互操作性是库内第一梯队；元数据与治理扣分集中在"声明不齐"而非"内容不足"

附录 C：逐项证据链自证

关键数字	来源	位置
10,035 对 / 2,001 码	论文 Table 3	arXiv HTML §4.1
932 tok / 55 句（对话）	论文 Table 3	arXiv HTML §4.1
621 tok / 23 句（病历）	论文 Table 3	arXiv HTML §4.1
1,070 tok / 47 turns	论文 Table 1	arXiv HTML §2
8 亿条 / 54,985 码	论文 §3.1	arXiv HTML §3.1
理赔量级分布	论文 Table 2	arXiv HTML §3.2
13 变量 / 4 差异阈值	论文 §3.4.1	arXiv HTML §3.4.1
258 个角色	论文附录 H	arXiv HTML Appendix H
$5,000 / $0.45	论文附录 C	arXiv HTML Appendix C
60.0% / 95.0% / 52.5%	论文 Table 4	arXiv HTML §4.2.2
55.0% / 87.5% / 80.0%	论文 Table 5	arXiv HTML §4.2.3
50%-50 / 54.2%	论文 Table 6	arXiv HTML §4.3
65% / 95% / 72.5% / 90%	论文 Table 13/14	arXiv HTML Appendix B
57.5% / 55.0%（Judge 消融）	论文 Table 7/8	arXiv HTML §5.1/5.2
单 CSV / 326.6 MiB	HF API siblings 与 usedStorage	hf-mirror API 2026-10-17
gated=false / downloads 222	HF API	hf-mirror API 2026-10-17
CC BY 4.0	论文 PDF 页脚	arXiv PDF 第 1 页
85/15 切分 / 指标	SMM4H-HeaRD 2026 任务页	healthlanguageprocessing.org

附录 D：数据获取决策树

你的目标是什么？
├─ 跑通 pipeline / 做 demo
│   └─ 直接下 HF 单 CSV → pandas 读取 → 抽检 20 条（§9.2）
├─ 训练生产级 AI scribe
│   ├─ 有真实数据 → 合成:真实 ≈ 10:1 起步，逐步提高真实比例
│   └─ 无真实数据 → 先谈机构合作；合成数据只作冷启动
├─ 参加 SMM4H 2026 第 4 任务
│   └─ 按官方 85/15 切分，主指标 BLEU/ROUGE 族 + MedCon
├─ 复刻一条合成流水线（非英文场景）
│   ├─ 骨干：GPT-4o（换开源需重做消融，坑 8）
│   ├─ 质量锚：选一个结构明确的目标格式
│   └─ 病种池：用本地真实就诊分布
└─ 写综述 / 引用效果数字
    └─ 引 60.0% 与 52.5%，95.0% 须附结构性说明（坑 5）

附录 E：SOAP 四段与数据字段的对应

SOAP 段	内容	在 Note 字段中的典型标记
S	主诉、现病史、既往史、用药史、社会史	**1. Subjective:**、**Chief Complaint (CC):**、**History of Present Illness (HPI):**
O	生命体征、体格检查、实验室与影像结果	**2. Objective:**、**Vital Signs:**、**Physical Examination:**
A	诊断、鉴别诊断、问题列表	**3. Assessment:**
P	治疗、用药调整、检查安排、随访、患者教育	**4. Plan:**

注意：合成病历的标记格式由 Note Writer 与 Note Polisher 共同决定，并非全库严格统一。解析时应做容错（大小写、编号、加粗符号），不要假定固定字符串。

附录 F：按角色的阅读路径

角色	建议路径
临床 NLP 研究生	§0 → §3 → §5 → 附录 C（先懂流水线再看数字来源）
产品经理 / 创业者	§0.1 → §8 → §9 → §11.4（先懂边界再谈落地）
数据合规 / 法务	§6.3 → §6.4 → 坑 4（只看许可与限制）
共享任务参赛者	§5.3 → 附录 D → §7.3（评分细则与切分规则）
合成数据方法研究者	§3 全节 → §5.7 消融 → §3.7 可迁移性
医学专家审阅	§2.5 → §8.1 → 附录 E（看病种覆盖与结构定义）

附录 G：合成数据质量自检清单（供复用）

编号	检查项	判据	责任方
G1	结构合规	目标格式的所有分段均出现	自动化规则
G2	标签一致	内容与标签（如 ICD 码）匹配	LLM 初筛 + 人工抽检
G3	信息覆盖	配对两端的要素一一对应	自动化对齐检查
G4	幻觉率	输出中不存在输入未提及的事实	LLM 抽取 + 人工复核
G5	多样性	同标签下的样本变量差异足够	变量差阈值（如 4/13）
G6	敏感信息	无真实姓名、日期、证件号	规则扫描
G7	分布合理性	标签分布覆盖目标场景	统计对照
G8	语感自然度	人工盲评不觉得"像机器写的"	人工评分

这八项与 MedSynth 流水线的对应关系：G1↔Note Polisher；G2↔Scenario Judge；G3↔Dialogue Polisher；G5↔13 变量检查；G6↔全合成天然满足；G4/G8 论文未设独立环节（这正是 §8.1 指出的两个薄弱点）。

附录 H：论文内部数字对照表（存照）

项	口径 A	口径 B	处理
ICD-10 码数	摘要 “over 2000”；§3.2 “top 2000”	Table 3 “2001”；HF 卡片 “2000”	正文用 2,001（Table 3）
数据对数	摘要 “over 10,000”	Table 3 “10,035”	正文用 10,035
对话长度	Table 1 “1070 tok / 47 turns”	Table 3 “932 tok / 55 sentences”	双列并存，引用标表号（坑 3）
病历长度	Table 1 “621 tok / 23 sent”	Table 3 “621 tok / 23 sentences”	一致
作者数	HF BibTeX 5 人	arXiv v2 9 人	用 v2（坑 1）
license	论文 CC BY 4.0	HF 卡片无字段	用论文口径 + 风险提示（坑 4）
Dial-2-Note 评分项	正文称 “seven aspects”	实际列出 6 项	存照，不擅自补
2001×5 与 10,035 的差	计算 10,005	Table 3 10,035	差 30 条，论文未解释（遗留疑点）

附录 I：与库内条目的关系声明

本条目与库内 aci-bench（rid 810）不构成重复收录，理由如下：

1. 数据本体不同：ACI-Bench 是 207 对真人角色扮演数据，MedSynth 是 10,035 对 LLM 全合成数据，无任何交集样本。
2. 关系为上下游：MedSynth 用 ACI-Bench 训练集作 ICL 样例与评测集，属于"以 ACI-Bench 为锚"的衍生项目。
3. 收录价值独立：ACI-Bench 条目覆盖"基准建设"与"共享任务历史"，本条目覆盖"合成数据生产方法学"与"SMM4H 2026 基准化"，两者互补。

与 priMock57（rid 811）的关系同理：PriMock57 是真人演练小样本，MedSynth 是合成大样本，两者在论文中互为对照组而非同一实体。

附录 J：建议互链点（供主会话回填）

目标条目	rid	建议链接位置	说明
aci-bench	810	§4.3 / §7.6	训练样例源 + 评测基准，最强关联
primock57	811	§4.4 / §7.6	辅助对照组
mtsamples	350	§7.6	医学转录语料同域
mimic-iv-note	47	§7.6 / §8	真实临床文本金标准
ehr-reasoncon	1007	§7.6	笔记一致性核验
archehr-qa-bionlp-task-2025	1000	§7.6	病历证据落地
qizheng-gpt	826	§7.6	中文医疗指令数据对照
synthetic-mimic-iii-health-gym	597	§7.6	合成临床数据同族
ehrshot	11	§7.6	EHR 基础模型评测方法论

说明：本表仅为写作阶段的互链建议，rid 以 2026-10-17 库内 status=1 AND del_sign=0 实查为准。发布阶段由主会话统一决定是否写入 relatedLink（纯 URL），本条目正文不写死链接。

附录 K：成本复算表

项	论文数值	复算	备注
调试	$300	—	修改流水线的初期实验
生成	$4,500	4,500 / 10,035 = $0.448/对	与论文 $0.45 一致
评估	$200	—	API 调用
合计	$5,000	5,000 / 10,035 = $0.498/对	论文的 $0.45 是只用生成费折算
单码成本	—	5 × 0.448 = $2.24/码	按 5 对/码计

注意论文的"$0.45 per dialogue-note pair"只把生成费摊进去，未含调试与评估。若按总支出摊，实际单价接近 $0.50。

附录 L：Mistral 与 Llama 结果并列对照

任务	对比	Llama-3-8B	Mistral-7B
Dial-2-Note	MS+AT vs NC+AT	60.0%	65%
Dial-2-Note	MS Only vs NC Only	95.0%	95%
Note-2-Dial	MS+AT vs NC+AT	55.0%	72.5%
Note-2-Dial	MS Only vs NC Only	87.5%	90%

两点观察：① 方向完全一致，说明结论不依赖单一微调模型；② Mistral 在 Note-2-Dial 上的优势更大（72.5% vs 55.0%），可能与小模型更依赖训练数据的结构一致性有关——但论文未做此分析，属推断。

附录 M：快捷引用（引用格式）

@misc{mianroodi2025medsynth,
  title  = {MedSynth: Realistic, Synthetic Medical Dialogue-Note Pairs},
  author = {Mianroodi, Ahmad Rezaie and Rezaie, Amirali and Todorov, Niko Grisel
            and Friedrich, Nadine A. and Mogollon, Maria P. and
            Hernandez-Tirado, Alexander and Garcia, Guillermo Lopez and
            Rakovski, Cyril and Rudzicz, Frank},
  year   = {2025},
  eprint = {2508.01401},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url    = {https://arxiv.org/abs/2508.01401}
}

注意：HF 卡片自带的 BibTeX 只含 5 位作者（缺 Cedars-Sinai 四位），上式为按 arXiv v2 补全的版本。若期刊要求与平台卡片一致，可与编辑说明差异来源。

附录 N：三阶段评估协议的实现骨架

SMM4H-HeaRD 2026 的评估是"自动指标 → LLM 评委 → 医学专家"三段漏斗，下图为可复用的实现骨架（伪代码，仅示意流程，不含具体 API 调用）：

# 阶段一：自动指标（全员参与，决定前 5 名）
def stage1(preds, refs):
    scores = {}
    for cid, pred in preds.items():
        scores[cid] = {
            "bleu":    bleu(pred, refs[cid]),
            "rouge1":  rouge(pred, refs[cid], n=1),
            "rouge2":  rouge(pred, refs[cid], n=2),
            "rougeL":  rouge(pred, refs[cid], "L"),
            "meteor":  meteor(pred, refs[cid]),
            "medcon":  concept_f1(pred, refs[cid]),   # 基于 UMLS 概念
        }
    # 六项取算术平均作为主排序分
    return sorted(scores, key=lambda c: mean(scores[c].values()), reverse=True)

# 阶段二：LLM 评委复评（前 5 名，两两比较）
RUBRIC = ["hallucination", "critical_omissions", "professional_tone",
          "logical_structure", "soap_adherence", "section_relevance"]

def stage2(top5, refs):
    wins = {c: 0 for c in top5}
    for a, b in pairs(top5):
        votes = [judge(a, b, refs, RUBRIC) for judge in (GPT4O, PROMETHEUS, QWEN)]
        winner = majority(votes)
        wins[winner] += 1
    return ranking(wins)

# 阶段三：医学专家终审（前 3 名）
def stage3(top3, refs):
    return expert_panel(top3, refs, dimensions=RUBRIC, n_experts=3)

三点实现提示：

1. MedCon 依赖 UMLS 概念抽取，需要先做实体识别与概念归一（CUI 映射），这一步的成本往往超过其他五个指标之和；
2. 阶段二的两两比较应随机交换 A/B 位置，否则评委可能因位置偏好产生系统性偏差；
3. 阶段三的专家人数建议 ≥3 并报告 ICC，MedSynth 原文用 3 人评 40 例得到 ICC 0.75，可作为样本量与一致性关系的参考。

附录 O：中文迁移的可行性速评

若要把 MedSynth 的做法搬到中文场景，需要逐项重建的要素如下：

要素	原版做法	中文移植要点	难度
病种分布源	IQVIA 美国理赔库	需本地医保结算数据或医院门诊诊断统计	高（数据获取）
疾病编码	ICD-10（美国临床修订版）	需转 ICD-10 国临版或医保版，码表映射不一一对应	高
质量锚	SOAP 病历	国内门诊病历格式与 SOAP 有差异（主诉/现病史/查体/处理意见分段）	中
生成骨干	GPT-4o	可用国产强模型，但需重做整套消融（坑 8 已证骨干敏感）	高
ICL 样例	ACI-Bench 英文样例	需一份高质量中文对话-病历对作样例（否则格式锚缺失）	中
评测基准	ACI-Bench	中文暂无同类"真人扮演 + SOAP"公开基准	很高
医学术语	英文 UMLS	中文可用 ICD 术语库 + SNOMED CT 中文映射	中

结论：方法可借、数据不可直接迁。最大瓶颈不在生成技术，而在"评测基准"——中文目前缺少一份像 ACI-Bench 那样有真人扮演、有同行评审背书的小规模基准，没有它就无法验证合成数据的有效性。

附录 P：一句话结论的三种长度

• 十字版：全合成、万对、SOAP、直链。
• 三十字版：GPT-4o 六代理生成的 10,035 对对话-SOAP 病历，覆盖 2,001 个 ICD-10 码，HF 零门槛直链，但真实性未验证。
• 百字版：MedSynth 用 IQVIA 理赔分布锚定病种池，以 SOAP 病历为质量锚反向生成对话，产出 10,035 对全合成语料并公开；对比 NoteChat 的 60% 陪审团偏好率是真实增益，但人工验证仅弱一致，且效果强绑定 GPT-4o 骨干，宜作原型语料而非生产数据。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• clicr — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 医学问答
• aci-bench — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• disc-med-sft — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 医学问答
• mimic-ext-synnotes — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• tcmeval-sdt — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• archehr-qa-bionlp-task-2025 — 共享标签：医疗NLP / 电子健康记录 / 医学问答与基准 / 医学问答
• mednli — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• medcalc-bench — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 医学问答
• er-reason — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• tcm-sd — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。