MIMIC-Ext-SynNotes — 用 LLM 改写 MIMIC-III/IV 生成的十亿词级合成临床笔记语料

INFOBOX — MIMIC-Ext-SynNotes 一屏速览

维度	内容
本质	用 LLM 把 MIMIC-III/IV 全部真实临床笔记改写成的合成笔记语料（非新采集、非标注增强；是"扩增样本"）
团队	CSIRO（Jinghui Liu、Anthony Nguyen）+ 美国国立医学图书馆 NLM/NIH（Sarvesh Soni）
平台	PhysioNet（MIT LCP 维护）；发布 2026-10-05，Version 1.0
DOI	v1.0：10.13026/f6se-e243；latest：10.13026/y0x0-6880
配套论文	BioNLP 2026（第 25 届生物医学语言处理研讨会）p.353–71，doi 10.18653/v1/2026.bionlp-1.28
规模	8 个合成语料，合计 13.7B 词，约 MIMIC 自由文本的 10 倍
源笔记	MIMIC-III v1.4 + MIMIC-IV-Note v2.2，去重后 4.64M 条唯一笔记（~1.4B 词）
模型	5 个开源 LLM：Llama-3.1-8B / Mistral-7B / Qwen-2.5-7B（笔记+分片）+ Gemma-2-9B / Mixtral-8x7B（仅分片）
核心结论	保留核心临床信息与粗粒度任务效用；损失细粒度细节；分片改写缓解细节丢失但增幻觉
错误模式	遗漏（主导）＞语境误读＞时间混淆/测量错误＞幻觉＞伪造标识符
许可	PhysioNet Credentialed Health Data License/DUA 1.5.0（凭证制+CITI 培训）
库内互链	MIMIC-IV-Note（上游笔记源）、MIMIC-III、MIMIC-IV、synthetic-mimic-iii-health-gym（姊妹合成条目）

MIMIC-Ext-SynNotes 是"把真实病历交给大模型重写一遍"的规模化实验：它不做新采集，也不做人工标注，而是把 MIMIC-III 与 MIMIC-IV-Note 里所有临床笔记（去重后 464 万条、约 14 亿词）喂给五个开源权重的大语言模型，让它们逐条改写，最后产出八个合成语料、合计 137 亿词——相当于把 MIMIC 的自由文本扩增了约十倍。这套语料面向的是临床语言模型的预训练与领域适配：当真实临床文本因隐私与合规而稀缺时，用合成的等效文本补量。但它同时是一份关于"合成即失真"的诚实报告：配套论文发现合成笔记保住了核心临床信息、保住了粗粒度任务的预测能力，却丢掉了细粒度细节（如 ICD 编码）；把长笔记切成小块改写能挽回细节，代价是幻觉上升。读懂这份"得与失"的对照，才是使用它的前提。

导语读法三则：

1. 只想下语料跑预训练：直奔 §6——注意这是凭证制数据（CITI 培训+DUA），且抓取时点存在区域访问限制，先确认自己的资质与网络位置。
2. 关心"合成数据能不能用"：直奔 §4 与 §8——粗/细粒度效用对照、五种错误模式、分片权衡，是全文最值钱的部分。
3. 在意伦理与风险：直奔 §8.4 与 §10——幻觉、伪造标识符、隐私误读是这份语料的三个高危误用点。

§0 导读：这个数据集解决什么问题

临床语言模型有个先天的燃料危机。通用领域的大模型可以吞下数万亿词的网页文本，而临床领域最大、最常用的公开语料 MIMIC，即便把自由文本全算上也只有约 14 亿词——小了两三个数量级。更麻烦的是，临床文本受隐私法规与机构伦理的双重限制，不可能像网页那样随意采集和共享；MIMIC 本身还是"凭证制"数据集，研究者要签数据使用协议、完成培训才能拿到。燃料少、加水难，这就是临床 NLP 的起点困境。

LLM 时代的合成数据思路提供了一个出路：既然大模型已经"见过"大量语言，能否让它们把有限但真实、合规的临床文本改写出更多样本来？MIMIC-Ext-SynNotes 把这条路走到极致——不是凭空生成，而是以真实笔记为锚做改写（rephrasing），让模型在保留临床语义的前提下换一种说法，从而在合规边界内把语料规模放大十倍。它的设计动机直接承自通用领域"改写网页以提升数据效率"的研究（如 Rephrasing the Web、Nemotron-CC），作者把同一套配方搬到了医疗场景。

但"改写"不是无损管道。MIMIC-Ext-SynNotes 最有价值的贡献，恰恰是它没有只发布语料就完事，而是配了一篇系统评估论文，从内在相似度、下游临床 NLP 任务、公平性、LLM 事实核查、人工错误分析五个角度，把"合成临床笔记到底丢掉了什么、编造了什么"讲清楚。结论一句话：它换来了规模与可及性，代价是细粒度真相与事实保真度。使用者必须在这笔交易的两端之间做选择——这也是本条目反复强调"得与失"的原因。

§0 读法三则：

1. 这个条目是"数据集 + 评估论文"的强绑定：语料的规模数字看官方页，语料的质量结论看 BioNLP 2026 论文，两者不可分割引用。
2. 全文出现的所有"13.7B 词/4.64M 笔记/10 倍"等硬数字，均出自 PhysioNet 官方页；论文页给出的是结论性描述与错误分类，定量指标需回原文（见 §9 遗留疑点）。
3. 检索时注意区分"mimic-ext-"前缀的三兄弟：mimic-ext-synnotes（本条目，笔记文本）、mimic-ext-cxr-qba（图像问答，rid 926）、mimic-cxr-ext-*——同名前缀但对象完全不同（坑 1）。

§1 数据集速览：十问十答

Q1：MIMIC-Ext-SynNotes 到底是什么？
一份合成的临床笔记语料：把 MIMIC-III v1.4 与 MIMIC-IV-Note v2.2 里每条真实临床笔记，用开源大语言模型改写一遍，产出可供临床语言模型预训练使用的文本。它不是新病人数据，而是既有 MIMIC 文本的"LLM 改写版扩增"。

Q2："Ext"是什么缩写？
Ext = Extension，即 MIMIC 的"扩展"项目，延续 MIMIC-CXR、MIMIC-ED 等命名惯例。MIMIC-Ext-SynNotes 意为"MIMIC 扩展系列中的合成笔记（Synthetic Notes）"——注意它不是官方原生 MIMIC 的一部分，而是第三方向 PhysioNet 提交的衍生资源。

Q3：规模到底多大？
8 个合成语料，合计 13.7B（137 亿）词，约为 MIMIC 自由文本（~1.4B 词）的十倍。源笔记是去重后的 4.64M 条唯一笔记（约 1.4B 词）；合成时又删除了约 93K 条精确重复笔记。

Q4：用了哪些模型？
主生成用三个 7–9B 的开源指令微调模型——Llama-3.1-8B-Instruct、Mistral-7B-Instruct-v0.3、Qwen-2.5-7B-Instruct，各做"整篇笔记级"和"分片级"两种改写；另外用 Gemma-2-9B-it 和 Mixtral-8x7B-Instruct-v0.1 只做分片级。全部模型原样使用，零微调。

Q5："笔记级"和"分片级"有什么不同？
笔记级是把一条完整笔记整篇交给模型改写；分片级先把笔记按句子边界切成约 150 词的块（平均每篇 2.3 块），再逐块独立改写、块间无上下文。分片级保留了更多临床细节，却因为看不到相邻块而更容易编造。

Q6：合成笔记质量如何？
核心临床信息与粗粒度任务（如整体预测）的效用保住了；但细粒度细节会丢，尤其在 ICD 编码这类任务上。错误以内容遗漏为绝对主导，其次是临床语境误读、时间混淆与测量错误、幻觉、以及把去标识占位符编造成假标识符。

Q7：这东西能替代真实临床数据吗？
不能。官方明确：它不是隐私保护替代品——文本派生自真实 MIMIC，仍受 DUA 约束；也不是临床真相来源，未经校验不得用于临床决策支持或任何面向患者的系统。

Q8：能用来做什么？
官方定位是"任务无关的大规模文本"，用于：临床语言模型的继续预训练与领域适配、合成数据/改写方法研究、LLM 生成临床文本的语料级分析、监督式临床 NLP 的数据增强。论文还验证了用合成笔记增强训练能提升 ICD 编码，罕见编码增益最大。

Q9：怎么拿数据？
走 PhysioNet 凭证制：完成 CITI “Data or Specimens Only Research” 培训、签署 PhysioNet Credentialed Health Data Use Agreement 1.5.0、通过凭证审核，才能访问。抓取时点本环境还显示区域访问限制（Data Not Available）。

Q10：为什么它对 AI-Ready 主题重要？
它是库里规模最大的 LLM 合成临床文本样本，也是"合成数据真实性"这一议题最完整的实证案例：规模、生成方法、效用与失真、伦理风险四件套齐全，是研究"AI 生成医疗数据可信度"绕不开的锚点。

§2 数据构成与规格

2.1 八个合成语料的全景

MIMIC-Ext-SynNotes v1.0 的发布体是一个 data/ 目录下的 8 个 UTF-8 CSV 文件，按"哪个模型 × 哪一粒度"组织：三个主模型（Llama、Mistral、Qwen）各出笔记级与分片级两份，两个辅助模型（Gemma、Mixtral）只出分片级。3 + 5 = 8，全部为未压缩大小。

文件名	大小	行数	一行是	词数	平均词/行
data/synthetic-notes-by-Llama.csv	8.6 GB	~4.64M	一条笔记	1.21B	260
data/synthetic-notes-by-Mistral.csv	9.3 GB	~4.64M	一条笔记	1.34B	289
data/synthetic-notes-by-Qwen.csv	8.0 GB	~4.29M	一条笔记	1.13B	263
data/synthetic-chunks-by-Llama.csv	16.3 GB	~10.88M	一个分片	2.24B	206
data/synthetic-chunks-by-Mistral.csv	12.6 GB	~10.88M	一个分片	1.74B	160
data/synthetic-chunks-by-Qwen.csv	10.2 GB	~9.67M	一个分片	1.41B	146
data/synthetic-chunks-by-Gemma.csv	17.8 GB	~10.87M	一个分片	2.40B	221
data/synthetic-chunks-by-Mixtral.csv	11.4 GB	~10.87M	一个分片	1.62B	149

几个读数要点：

1. 笔记级行数整齐、分片级行数参差。笔记级 Llama/Mistral 都是 ~4.64M 行（等于去重后的唯一笔记数），而 Qwen 只有 ~4.29M——差了约 35 万条，原因见 2.4 节的"质量过滤"。分片级同理，Qwen 明显偏低。
2. 分片级词数远大于笔记级，但总量分布不均。单看词数，6 个分片语料（含 Qwen 的 1.41B）合计约 9.4B，3 个笔记语料合计约 3.7B，加起来约 13.1B——官方口径写的是 13.7B（见 §9 词数双口径存照）。
3. 评估主结果只覆盖 6 个语料。配套论文的主分析聚焦 Llama/Mistral/Qwen 六个语料（约 9.1B 词），Gemma 与 Mixtral 作为补充，结论"差异不显著"。

2.2 列结构与字段语义

笔记级文件含 4 列；分片级文件在此基础上多一列 chunk_id（插在 text 之前，共 5 列）：

列名	出现于	含义
source	全部	来源数据库标识，取值 mimic_iii_1.4 或 mimic_iv_2.2
note_id	全部	原始笔记标识——MIMIC-III 中为 ROW_ID，MIMIC-IV 中为 note_id；同一笔记的分片共享该值
category	全部	MIMIC 笔记类别，如 Discharge summary（出院小结）、Nursing（护理记录）、Radiology（影像报告）等
chunk_id	仅分片级	该分片在原笔记内的零基位置（0,1,2…）
text	全部	LLM 生成的合成文本（这是语料的主体）

唯一性约束是使用时的关键：笔记级文件里 (source, note_id) 唯一；分片级文件里 (source, note_id, chunk_id) 唯一。官方在数据描述里特别提醒：由于逐行过滤，一条笔记可能出现在某个语料却不在另一个语料里，合并多个语料时必须用 (source, note_id) 做 join，而不能假设各文件行序对齐。

此外目录内附 deduplicated_note_ids.csv，列出合成前被删除的 约 93K 条精确重复笔记，含 source 与 note_id 两列，供溯源映射。

2.3 源笔记的构成与预处理

源材料仅来自两个 MIMIC 库：MIMIC-III Clinical Database v1.4 与 MIMIC-IV-Note v2.2。官方一段毫不含糊的声明值得逐字记住——“No external clinical text sources were used in any rephrasing workflow”：没有其他医院语料、没有公开笔记集合、没有网络抓取的医学文本、没有临床医生撰写的文本。每一条发布记录都与一条源笔记或源分片一一对应，并记录其来源库与原笔记标识；生成时没有向模型注入任何源文本之外的内容。

去重后剩下 4.64M 条唯一笔记（约 1.4B 词）。预处理只有一步：把 MIMIC-III 的去标识占位符替换成下划线 ___，以对齐 MIMIC-IV 的占位符写法；除此之外没有任何归一化、分节或内容删除。这一步很小，但影响深远——它统一了占位符的形态，也间接造成了 §8.4 要讲的"伪造标识符"问题（模型看到 ___ 会忍不住填个像样的东西进去）。

2.4 质量过滤与"语料不对齐"的由来

发布前施加了两个行级过滤，二者都不修改被保留行的文本：

1. 删除空生成或失败生成；
2. 删除非英文输出——用 fastText 语言识别打分判定。

这两道过滤造成了各语料行数不同，Qwen 最明显（笔记级少了约 35 万行）。官方特别强调：过滤是逐行的，因此"一条笔记在一个语料里、不在另一个语料里"完全正常。除这两项外，没有基于长度、重复度或与源文本相似度的任何其他过滤——也就是说，语料里保留了长句、啰嗦句、甚至与源文高度雷同的段落。

2.5 规模数量级参照

把 13.7B 词放到坐标里看：MIMIC 自身的自由文本约 1.4B 词，MIMIC-Ext-SynNotes 把它放大约 10 倍；作为对照，通用领域的 FineWeb、Nemotron-CC 等预训练语料是万亿词量级，所以这份语料即便扩增十倍，距离"通用大模型的燃料"仍差两三个数量级。它的定位不是"够大"，而是"在医疗这个合规受限的领域里，把可用的公开文本尽可能做大"。

§3 生成流程：从真实笔记到合成语料

3.1 五步流水线总览

① 源笔记收集        ② 预处理              ③ 改写生成                ④ 分片流水线             ⑤ 行级过滤
MIMIC-III v1.4   →  仅替换占位符 ___  →  5 个开源 LLM 改写     →  句边界切 ~150 词块   →  删空/失败/非英文
MIMIC-IV-Note v2.2   （无其他归一化）      （note 级 + chunk 级）    （块间无上下文）          （不改文本）
去重后 4.64M 笔记                          零微调、原样使用                                  按行过滤→行数参差
（~1.4B 词）                                H100 + vLLM, FP8                                  产出 8 个 CSV

3.2 模型选择：为什么是开源权重

主生成用三个 7–9B 参数的开源指令微调模型：Llama-3.1-8B-Instruct、Mistral-7B-Instruct-v0.3、Qwen-2.5-7B-Instruct，三者都做笔记级与分片级。另加 Gemma-2-9B-it 与 Mixtral-8x7B-Instruct-v0.1 两个模型只做分片级。所有模型的上下文长度在 32K–128K tokens 之间，足以容纳 MIMIC 笔记长度。

三个设计约束值得注意：

1. 原样使用、零微调——“All models were used exactly as published, with no fine-tuning or adaptation of any kind. No weights were updated and no MIMIC data was used to train or adapt any model.” 这既保证了可复现性，也回避了"用 MIMIC 训模型"的合规灰区。
2. 改写（grounded）而非空想（knowledge bank）——作者明确采用"以真实笔记为锚的改写"而非"让 LLM 凭记忆生成"，理由是该策略在网页数据上被证明有效（引 Nemotron-CC/Rephrasing the Web）。这决定了语料与源笔记的语义血缘关系。
3. 推理栈——FP8 量化服务（Qwen-2.5-7B 例外，用官方 GPTQ Int8 版），在 NVIDIA H100 GPU + vLLM 上跑。vLLM 的 PagedAttention 是支撑千万级笔记批处理吞吐的关键工程选型。

3.3 提示词与解码参数

提示词在所有模型、所有笔记、所有粒度上完全一致，由两部分构成：

• 系统提示（匹配各模型 chat template）：You are a medical artificial intelligence assistant. The assistant gives truthful, detailed, and professional answers to the requests.
• 改写指令（沿用先前工作的有效配方）：For the following paragraph give me a diverse paraphrase of the same in high-quality English language as in clinical notes written by medical professionals:

不使用 few-shot 示例、任务标签或检索上下文——保持提示极简，是为了让语料"任务无关"，可复用于任意下游。

解码参数统一为 temperature 0.75、top-p 0.9。笔记级改写时按词数分箱控制最大新生成 token 数：

源笔记词数分箱	最大新 token 数
(0, 500]	1,000
(500, 1000]	2,000
(1000, 2000]	4,000
(2000, 4000]	8,000
> 4000	10,000
分片级（chunk）	512

除这些参数外没有施加任何约束或护栏（no constraints or guardrails）。这一"无为"设定是双刃剑：它让文本自然流畅，也放开了幻觉与伪造标识符的空间——相关风险在 §8.4 详述。

3.4 分片策略：为什么切、怎么切

切分的动机很明确：LLM 在输入变长时会遗漏细节（作者引先前工作的实证）。长笔记整篇改写容易"写着写着忘了前半段"，于是团队改为分片改写。分片规则精密：

1. 在原始笔记上做句子检测；从笔记开头贪心地累积句子，直到加入下一句会超过约 150 词的目标，就在此起新块；
2. 切分只在句子边界进行；若单句本身超过 150 词，则作为超长块整体输出，不切分；
3. 各块严格非重叠——没有滑动窗口、没有上下文携带；任何句子/token/字符只出现在一个块里；一篇笔记的所有块构成一个有序划分；
4. 每个块独立改写，块与块之间无任何跨块上下文。

分片平均产出 2.3 块/笔记。第 4 条是理解全文权衡的钥匙：因为改写时看不到邻居块，模型可能对"块内提到但上下文在别块"的信息自行脑补——这正是分片"挽细节却增幻觉"的机理（§8.3）。

3.5 数据血缘与可溯源设计

语料与源笔记之间保留了双向可溯源的钩子：每行的 source + note_id（+ 分片级的 chunk_id）都指向唯一的源笔记/源分片，因此任何人都能把合成文本原路对回 MIMIC 原文核验事实——官方在"已知局限"里正是这样建议的：“Where facts are needed, the original MIMIC note is linkable through source and note_id in each table.” 被删除的 93K 重复笔记也单列成表，保证"删除"这一步同样透明可查。

2.6 上游源库背景：两个 MIMIC 笔记源

理解这份语料，必须先认识它的两个"燃料库"——源笔记来自两个口径不同的 MIMIC 数据库，语料的 source 列正对应它们。

MIMIC-III Clinical Database v1.4（2016 首发，v1.4 为常用版本）：来自波士顿 Beth Israel Deaconess Medical Center（BIDMC）的重症监护数据，覆盖约 4 万名 ICU 住院患者的去标识记录，含结构化的生命体征/检验/用药，也含自由文本的护理记录、放射报告、出院小结等。它的笔记标识用 ROW_ID。

MIMIC-IV-Note v2.2（MIMIC-IV 的文本衍生库）：面向 MIMIC-IV（新版、更大、跨 ICU 与急诊）的去标识自由文本，主要为出院小结（discharge summaries）与放射报告（radiology reports），覆盖约 33 万住院。它的笔记标识用 note_id。

两库的差异直接进入了这份合成语料：

维度	MIMIC-III v1.4	MIMIC-IV-Note v2.2
出处	BIDMC 单一中心 ICU 时代数据	MIMIC-IV 时代，范围更广
笔记标识	ROW_ID	note_id
去标识占位符（原始）	系统各自的占位形式	以下划线为主
在语料中的取值	mimic_iii_1.4	mimic_iv_2.2

为什么预处理只有"统一占位符"这一步？ 因为两库的去标识占位符写法不一致（MIMIC-III 与 MIMIC-IV 用了不同的脱敏记号）。作者把 MIMIC-III 的占位符统一替换为下划线 ___ 以对齐 MIMIC-IV，使两库文本在"脱敏位长什么样"上一致，便于模型与下游统一处理。这一小步统一了形态，也让"模型把 ___ 填成假内容"成为一个跨两库共性的问题（§8.4）。

2.7 笔记类别（category）的临床含义

语料的 category 列直接沿用 MIMIC 的笔记类别标签，常见取值如：

category 示例	临床含义	改写风险提示
Discharge summary	出院小结：住院经过、诊断、用药、随访	信息密度最高、长度最长——遗漏风险最大
Nursing	护理记录：逐班次观察、处置	短文多、简写多——时间/测量误读高发
Radiology	放射影像报告：所见与印象	结构化程度高——细节丢失对判读影响大
其他（如 Echo、ECG、Consult 等）	各类专项报告	视长度与简写程度而风险不同

类别列的价值在于：它让使用者能按笔记类型分层评估合成质量——例如，出院小结因长而遗漏多、护理记录因简写多而时间错多。任何"合成笔记质量如何"的结论，都应说明覆盖了哪些类别，否则容易以偏概全。

2.8 一行数据长什么样（示意）

以笔记级文件的一行为例，其字段结构如下（text 为示意，非真实数据）：

source,note_id,category,text
mimic_iii_1.4,1234567,Discharge summary,"The patient was a ___ year old ___ who presented with ..."

分片级文件在其上多一列 chunk_id（插在 text 前）：

source,note_id,category,chunk_id,text
mimic_iii_1.4,1234567,Discharge summary,0,"The patient was a ___ year old ..."
mimic_iii_1.4,1234567,Discharge summary,1,"On examination, the patient was ..."

注意 text 里出现的具体数字、称谓都可能是 LLM 伪影（§8.4），唯一可靠的锚点是 source+note_id（+chunk_id）。

2.9 规模数字的推算与自洽性

把 §2.1 的表格当作"官方对账表"来看，几处内部关系可以自洽：

• 笔记级行数：Llama/Mistral 各 ~4.64M = 去重后唯一笔记数（4.64M）。说明这两个模型几乎未因过滤丢行。
• Qwen 笔记级行数：~4.29M，比 4.64M 少约 35 万行（≈7.5%）——被删的应是失败的或非英文的生成。
• 分片级行数：~10.87M–10.88M ≈ 4.64M × 2.34，与"平均 2.3 块/笔记"一致；Qwen 的 ~9.67M ≈ 4.29M × 2.25，也大致吻合其较低的笔记基数。
• 词数：分片级单块更短（平均 146–221 词）但块数多，故分片级总词数（约 9.4B）远大于笔记级（约 3.7B）。

这些推算不改变 §2.1 的官方数字，但为"行数为何参差"提供了量级解释（详细口径差见 §9.1 存照 1）。

§4 评估发现：合成笔记的得与失

配套论文（BioNLP 2026）的核心价值，是给"合成临床笔记能不能用"提供了目前最系统的证据。它的评估分五个维度——内在相似度（intrinsic）、下游任务效用（extrinsic）、公平性（fairness）、LLM 事实核查（fact-checking）、人工错误分析（human error analysis）。本节把五条线索的结论摊开。

4.1 总体结论：粗粒度保住、细粒度丢失

论文的一句话总结是：“synthetic notes preserve core clinical information and predictive utility for coarse-grained tasks despite substantial linguistic changes, but lose fine-grained details”——合成笔记在经历显著的语言学变化之后，仍保留了核心临床信息与粗粒度任务的预测效用，但丢失了细粒度细节（论文点名 ICD 编码这类任务）。

这句话里藏着两个坐标轴，理解它们是读懂全篇的关键：

维度	效应	含义
语言学层面	大幅改写	用词、句式、可读性、词法语义分布都明显不同于源笔记（可被检测出来）
临床语义层面	核心信息保住	主要的诊断、处置、关键事实大体在位
粗粒度任务	效用保留	如"这篇笔记是否属于某大类"级别的预测仍可用
细粒度任务	效用受损	如精确的 ICD 编码、需要逐字逐值判断的任务丢分

4.2 分片 vs 整篇：一个明确的权衡

论文最重要的操作性发现是：细粒度细节的丢失，可以被"分片改写"大幅缓解（“substantially mitigated by rephrasing notes by chunks rather than by the whole note”）。原因直观——整篇改写时模型要一次性重述长文本，越往后越容易压缩、概括、遗漏；切成小块各自改写，每块的细节都有更聚焦的处理。

但代价随之而来：“at the cost of reduced factual precision under incomplete context”——在上下文不完整的前提下，事实精度下降。块与块之间的信息割裂，让模型在缺少邻居上下文时倾向于编造而不是留白。这构成了整份语料最核心的一对张力：

             细节保留          事实精度
整篇改写      低                高（上下文完整）
分片改写      高                低（上下文割裂）
             ↑ 论文推荐折中取舍 ↓

官方在"已知局限"里把这对张力讲得更直白：“Chunking therefore tends to trade retention of clinical detail against factual precision.”——分片是在"留住临床细节"和"保住事实精度"之间做交易，没有一个全赢的选项。

4.3 五种合成错误的解剖

人工错误分析识别出改写过程中反复出现的错误，按主导性排序：

错误模式	表现	与长度的关系	与分片的关系
1. 内容遗漏（omission）	源笔记里的信息没被写出来	随笔记变长而加剧	分片可大幅缓解
2. 临床语境误读（misinterpretation）	一个事实被改动了确定性、否定或主体	—	—
3. 时间混淆与测量错误	时间线错乱、数值脱离语境被误读	源于临床简写	—
4. 幻觉临床细节（hallucination）	凭空生成源文没有的临床细节	—	分片反而增加（grounding 上下文在相邻块）
5. 伪造标识符（fabricated identifiers）	把 ___ 占位符填成看似真实的日期/姓名/电话	—	—

几个关键点：

1. 遗漏是绝对主导的失效模式，且与笔记长度正相关——笔记越长，丢的东西越多。这直接解释了为什么分片（把长文本变短块）能救细节。
2. 幻觉与遗漏方向相反：整篇改写主要是"漏"，分片改写主要是"编"。分片时一块里提到的信息，其 grounding 上下文可能落在相邻块里，模型看不到就只能补——补出来的就是幻觉。
3. 语境误读是第二大类：同一个事实被改了确定性（“可能"变"确诊”）、改了否定（“无"变"有”）或改了主体（“患者"变"家属”）——这类错误对临床语义的破坏可能比遗漏更隐蔽危险。
4. 时间/测量错误来自临床文书的简写习惯（如 2/2 表示"2 天前起病"），模型脱离数值语境容易理解错。
5. 伪造标识符是去标识场景的特殊产物：MIMIC 用 ___ 表示脱敏，模型"看不惯"空白，于是造出像模像样的日期、姓名、电话——详见 §8.4。

4.4 数据增强：罕见编码的最大受益者

论文最后一个积极结论：尽管这些合成笔记是任务无关（task-agnostic）生成的（提示词里没有任何任务标签），它们能有效增强特定任务的监督训练——把合成笔记加进真实训练数据后，ICD 编码性能提升，且罕见编码（rare codes）增益最大。

这个结论对临床 NLP 有实际意义：ICD 编码的痛点是长尾——常见编码数据充足，罕见编码样本稀少、模型学不好。合成笔记恰好能在不触碰真实患者数据合规边界的前提下为长尾提供额外的语言样本，从而缓解长尾。论文的姊妹篇（同作者、同批 BioNLP 2026）进一步研究"多版本 ICD 训练"，与本结论互为呼应。

4.5 语料之间不可互换

一个容易被忽视的警告：各合成语料之间不可互换。官方原文：“the corpora are also not interchangeable, as each LLM leaves a distinct stylistic and semantic signature.”——每个 LLM 都留下了独特的风格与语义签名。这意味着：

• 用 Llama 语料训练的模型未必适配 Mistral 语料的分布；
• 跨语料合并时，模型风格的差异会作为一种分布偏移进入训练；
• 做对照实验时，"哪个模型改写的"本身就是一个必须报告的自变量。

配套论文的"公平性评估"维度，正是用来检查不同模型改写是否引入了对某些群体/主题的系统性偏差——这也是合成数据比真实数据多出来的一类风险。

§5 用途、场景与定位

5.1 官方钦定的四类用途

官方"Intended Uses"写明这是大规模、任务无关的文本，面向四类用途：

1. 临床语言模型的继续预训练与领域适配——把通用 LLM 往临床领域拉；
2. 合成数据生成与改写方法研究——把语料本身当作研究对象；
3. LLM 生成临床文本的语料级分析——研究大模型如何"理解"和"复述"医学；
4. 监督式临床 NLP 的数据增强——给下游任务加训练样本（论文验证了对 ICD 编码有效）。

还有一类官方特别点出的配对研究价值：因为每条合成笔记都与一条人类写的源笔记成对存在，这份语料天然支持"大模型在规模上如何保留与扭曲临床信息"的配对研究——这是单纯的真实语料或单纯的生成语料都做不到的。

5.2 谁适合用

使用者	用它的理由
临床语言模型预训练团队	合规边界内最大规模的公开临床文本扩增
合成数据方法研究者	有配对源文，可量化"改写损失"
医疗大模型评测者	可测模型对合成文本的鲁棒性/偏差
ICD 编码等长尾任务开发者	论文验证合成笔记可增强训练、罕见编码增益最大
医疗 AI 伦理研究者	“伪造标识符”"幻觉"是活教材（§8.4）

5.3 谁不适合用

使用者	为什么不适合
需要临床真相的应用	官方明令：不是临床真相来源，未经校验不得用于决策支持
需要精确数值/事实的任务	细粒度细节与测量值在改写中会丢、会错（§4.3）
想要隐私保护替代品的人	派生自真实 MIMIC，仍受 DUA 约束，不构成去标识替代
面向患者的任何系统	官方禁止；伪造标识符可能导致误导
需要现成即插即用的团队	凭证制+区域限制，获取有门槛（§6）

5.4 定位坐标：在合成临床文本谱系里的位置

MIMIC-Ext-SynNotes 在"合成临床数据"谱系里的位置，可以用两个轴定位：规模与保真度报告完整度。

• 规模轴：它是目前公开渠道里词数最大的 LLM 合成临床笔记语料（13.7B 词，十个语料级规模）。
• 保真度轴：它罕见的自带系统评估论文，把"丢什么、编什么、对什么任务有效"全盘托出——这在合成数据发布里是少数派做法，多数学者只发数据不发评估。

与库内最贴近的姊妹条目 synthetic-mimic-iii-health-gym（rid 597） 相比：后者是"合成 ICU 环境/健康仿真"取向（用于强化学习式临床决策训练），MIMIC-Ext-SynNotes 则是"合成文本"取向（用于语言模型预训练）——同为"MIMIC 合成数据"，但一条走环境、一条走语言，不可混为一谈。与 mimic-ext-cxr-qba（rid 926） 更需区分：后者是胸片（CXR）的问答评测，属影像域，只是共用"mimic-ext-"前缀。

5.5 与通用合成数据方法的血缘

MIMIC-Ext-SynNotes 的方法论并非原创——它把通用领域"用 LLM 改写数据以提升训练效率"的配方移植到医疗。官方参考文献清晰标出了这条血缘链：

前序工作	贡献	与本数据集的关系
“Textbooks Are All You Need”（2023）	LLM 生成教科书级预训练语料	合成数据可行性的早期示范
FineWeb（2024）	网页语料的过滤与"提纯"	"过滤提升规模质量"的思路源头
Rephrasing the Web（ACL 2024）	改写网页以提升数据/算力效率	直接配方来源——改写而非通用生成
Nemotron-CC（ACL 2025）	把 Common Crawl 改写为精炼预训练集	大规模改写工程的范例
“Do We Still Need Clinical Language Models?”（2023）	质疑临床专用模型的必要性	医疗领域适配的动机
用合成临床笔记的公开可分享临床 LLM（ACL 2024）	用合成笔记构建可分享临床 LLM	医疗合成笔记的先例

一句话：这套语料是"改写配方 × 医疗合规约束"的产物——把网页改写的方法，搬到只能在脱敏、受控、机构内基础设施上处理的数据上。

5.6 与"用 LLM 凭空生成临床文本"的区别

合成临床文本有两条技术路线，容易混淆：

路线	做法	本数据集	风险画像
改写（rephrasing / grounded）	以真实笔记为锚，逐条改写	✅ 采用此路线	主要风险是漏与改（细节丢失、语境误读）
凭空生成（knowledge-bank）	让 LLM 凭记忆直接写临床文本	❌ 未采用	主要风险是全幻觉（整篇不可溯源）

官方明确选择改写路线，理由是"grounding generation in real notes rather than relying on the LLM as a knowledge bank"。这条选择决定了语料的可溯源底线——每条合成笔记都能回源，而不是无从对证的凭空空想。对使用者而言，这意味着事实核查是可能的（回源），这是凭空生成语料做不到的。

5.7 AI-Ready 光谱上的位置

放到本站"AI-Ready 数据集"的评估框架里，MIMIC-Ext-SynNotes 呈现一种独特组合：

• 规模极强：13.7B 词，同类里最大；
• 文档极强：方法/局限/伦理自曝，且自带评估论文；
• 可获取性极弱：凭证制 + CITI + DUA + 区域限制四重门槛；
• 可信度条件极强：明文"不是真相源、不是隐私替代、细节可能全错"。

也就是说，它是一份"高价值 + 高门槛 + 高风险提示"的数据集——适合有合规能力的研究机构，不适合需要即取即用或需要事实保真的场景。这种"规模与文档拉高、可获取性与可信度拉低"的画像，在库内合成数据条目里是典型且鲜明的。

§6 获取与许可：一道凭证制的门

6.1 访问门槛：三重合规

MIMIC-Ext-SynNotes 走的是 PhysioNet 最严格的访问档位。官方"Access"面板写得很清楚：“Only credentialed users who sign the DUA can access the files.”——只有签署数据使用协议（DUA）的凭证用户才能访问。要跨过这道门，需要同时满足三个条件：

环节	具体要求
许可（License）	PhysioNet Credentialed Health Data License 1.5.0
数据使用协议（DUA）	PhysioNet Credentialed Health Data Use Agreement 1.5.0
必修培训	CITI “Data or Specimens Only Research” 课程

这与上游 MIMIC 系列的访问门槛完全一致——因为语料派生自 MIMIC，它继承了 MIMIC 的全部合规约束，访问控制只是把同一道门又设了一遍。

6.2 版本链与 DOI

项	值
当前版本	1.0（Version 面板）／发布日志写 v1.0.0／页面标题后缀含 v1.0
发布日期	2026-10-05
DOI（v1.0）	10.13026/f6se-e243
DOI（latest）	10.13026/y0x0-6880
RRID	SCR_007345（PhysioNet 平台标识）
血缘（Parent Projects）	MIMIC-III Clinical Database v1.4；MIMIC-IV-Note v2.2

版本号三种写法并存（v1.0 / 1.0 / v1.0.0）是坑 4 的素材；引用时建议以 DOI（10.13026/f6se-e243）为锚，避开版本字符串歧义。

6.3 引用规范：必须引用三层

使用这份语料时，官方要求同时引用三样东西：

1. 数据集本体（PhysioNet）：
   Liu, J., Soni, S., & Nguyen, A. (2026). MIMIC-Ext-SynNotes: Large-Scale Synthetic Clinical Notes via Rephrasing MIMIC-III/IV with LLMs (version 1.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/f6se-e243
2. 配套论文：
   Liu J, Soni S, Nguyen A. Systematic evaluation of the quality of synthetic clinical notes rephrased by LLMs at million-note scale. In: Proceedings of the 25th Workshop on Biomedical Language Processing (BioNLP). 2026. p. 353–71.（doi 10.18653/v1/2026.bionlp-1.28）
3. 上游数据库（Parent Projects 一并引用）：MIMIC-III v1.4 与 MIMIC-IV-Note v2.2 各自的引用。

6.4 区域限制：一个现实障碍

抓取时点（2026-10-09）官方页在 Files 区显示：“Data Not Available — Data is not available in your region due to legal or policy restrictions.” 这是 PhysioNet 依据访问者所在区域施加的法律/政策限制，不是数据集本身不可用。对使用者的含义：即便具备凭证资格，也要确认自己所在网络位置能通过 PhysioNet 的区域策略；受阻时无法直接下载校验文件结构，只能依据官方文档表格（本条目 §2.1 的规模数字即转述自官方页，见 §9 遗留疑点）。

§7 版本、生态与检索

7.1 版本时间线

日期	事件
2024	前作：Liu & Nguyen, “Rephrasing electronic health records for pretraining clinical language models”（ALTA 2024）——改写配方的早期验证
2026-07-03/04	BioNLP@ACL 2026（San Diego）宣读配套评估论文，p.353–71
2026-10-05	PhysioNet 发布 MIMIC-Ext-SynNotes v1.0（8 语料、13.7B 词）

发布日志明确：v1.0.0 是首次公开发布；官方并声明"未来版本将考虑更多过滤与更先进的生成方法"（“Future releases … will consider additional filters as well as more advanced generation methodologies”）——即当前语料只做了失败生成与非英文两道过滤，是数据治理的起点而非终点。使用者在引用时应标注版本，并留意后续版本可能改变过滤口径。

7.2 生态位置与互链点

MIMIC-Ext-SynNotes 坐落于"MIMIC 家族 × 合成数据"的交叉点，库内可互链条目（含 rid）：

库内条目	rid	关系
mimic-iv-note	47	直接上游——笔记源 v2.2 对应条目
mimic-iii	106	直接上游——笔记源 v1.4 对应条目
mimic-iv-clinical-database	4	上游 MIMIC-IV 主库
mimiciv / mimiciii	592 / 590	MIMIC-IV/III 入口条目
synthetic-mimic-iii-health-gym	597	姊妹——同为 MIMIC 合成数据（环境取向）
mimic-ext-cxr-qba	926	辨析——同前缀，图像域
mimic-iv-ext-pe	618	同批并行，MIMIC-IV 扩展（PE 方向）
mimic-iv-ext-ecg-glucose	同批	MIMIC-IV 扩展（ECG/葡萄糖方向）
mit-critical-datathon-2023	979	同批并行

辨析要点：别把三个"合成/扩展"概念混起来——

• mimic-ext-synnotes（本条目）：LLM 改写的文本；
• synthetic-mimic-iii-health-gym（597）：合成仿真环境；
• mimic-ext-cxr-qba（926）：图像问答，仅前缀相同。

7.3 检索路径建议

• 精确词：“MIMIC-Ext-SynNotes”（连字符全写）+ “synthetic clinical notes”；勿用 “mimic-ext” 单独检索（会混入 CXR-QBA 等）。
• 要数据：PhysioNet 内容页 → 确认凭证资格（CITI+DUA）→ 注意区域策略。
• 要质量结论：BioNLP 2026 论文（aclanthology.org/2026.bionlp-1.28）——粗/细粒度、五种错误、分片权衡都在这里。
• 要引用：三源齐全（数据集 DOI + 论文 + 上游 MIMIC）。

§8 伦理、风险与正确使用

本节是使用本数据集前最该读的部分。 MIMIC-Ext-SynNotes 的全部内容都是"大模型编出来的临床文本"，其伦理与风险画像与真实临床数据本质不同。

8.1 不是隐私保护替代品

一个常见误解需要第一时间戳破：合成 ≠ 匿名。官方在"已知局限"开宗明义：

“This is not a privacy-preserving substitute for real clinical notes: the text is derived from real MIMIC notes and remains subject to credentialed access and the data use agreement.”

合成文本派生自真实 MIMIC 笔记，因此：

• 它不能被当作"去标识化替代物"自由共享；
• 它仍然受凭证访问与 DUA 的约束；
• 用合成语料"绕过"真实数据合规限制的想法是错误且违规的。

8.2 不是临床真相来源

官方第二条禁令同样明确：“It is not a source of clinical truth”，且未经校验不得用于——

1. 临床决策支持（clinical decision support）；
2. 推导患者事实（deriving facts about patients）；
3. 任何面向患者的系统（any patient-facing system）。

换言之，语料的效用在"训练语言模型"和"研究文本规律"，不在"代表真实临床事实"。把它当作事实库去查询"某病人怎样"“某药剂量多少”，是根本性的误用。

8.3 幻觉与失真的机理

§4.3 已列出五种错误模式，这里补一层机理：改写的失真不是随机的，而是结构性的。

• 遗漏随长度加剧 → 长笔记整篇改写必丢细节 → 催生了分片方案；
• 分片增幻觉 → 块间上下文割裂 → 模型"填空" → 编造；
• 语境误读 → 改写时对确定性/否定/主体的细微改动 → 临床语义被静默篡改；
• 时间/测量错误 → 临床简写脱离语境被误读。

官方因此给出使用建议：“Users should assume that any specific detail may be unsupported by the source note”——任何具体细节都可能没有源文支撑。需要事实时，唯一可靠路径是回源：用语料的 source+note_id 链回原始 MIMIC 笔记核对。

8.4 伪造标识符：去标识后的"假象"

这是最能说明"合成数据特殊性"的一节。MIMIC 已脱敏，所有受保护健康信息在源文里都是占位符 ___。但官方发现：LLM 频繁把这些占位符重写成看似合理的表面形式。因此发布文本里可能含有看起来真实的日期、时间、年龄、类电话号码、姓名或残留占位符。

关键在于官方的定性与推论，值得逐字理解：

“Every such string is an LLM-generated artifact: invented during generation, not present in or derived from MIMIC, and corresponding to no real patient, clinician, institution, date, or identifier.”

即：每一个这样的字符串都是 LLM 生成的伪影——生成时凭空造出来的，不在 MIMIC 中、不派生自 MIMIC、不对应任何真实的人/机构/日期/标识。为什么不可能泄露真实信息？因为模型只收到了脱敏后的输入，“no identifying information was ever available for them to reproduce”——没有任何可识别的信息可供模型复现，所以这些伪影不可能用于重新识别任何患者或医生，与任何真实姓名、日期、数字的相似纯属巧合。

正确处置：官方要求把这些字符串当作噪声，屏蔽或丢弃，而不是当作信号（“treated as noise and masked or discarded rather than used as signal”）。在训练或评测中不加处理地使用，等于把幻觉当特征喂给模型。

8.5 治理环境与合规声明

官方"Ethics"节交代了合规链条：

• 源数据的收集与库的建立，已由 **Beth Israel Deaconess Medical Center（BIDMC）的机构审查委员会（IRB）**审查，豁免知情同意并批准共享（承 MIMIC-III/IV 原始声明）；
• 本数据集仅派生自 MIMIC-III v1.4 与 MIMIC-IV-Note v2.2，任何环节都未使用其他患者数据或临床文本；
• 所有 LLM 推理与数据生成在符合 MIMIC DUA 的安全环境中完成——使用本地开源权重模型、部署在机构可控基础设施上，笔记文本从未传输给任何第三方或商业 LLM API；
• 配套研究在小样本上使用了闭源模型做事实核查，此举遵循 PhysioNet 关于在 MIMIC 数据上负责任使用 LLM 的指引。
• 作者声明无利益冲突。

这套"本地开源模型 + 机构内基础设施 + 不外传"的做法，本身是"如何在合规前提下用 LLM 处理敏感医疗数据"的一个可借鉴样板。

8.6 正确使用的三条底线

综合以上，使用 MIMIC-Ext-SynNotes 应守住三条底线：

1. 合规底线：走凭证制（CITI+DUA），不把合成语料当合规捷径。
2. 真相底线：不用于决策支持/患者事实/面向患者系统；任何事实性需求回源核对。
3. 伪影底线：把姓名/日期/电话类字符串当噪声屏蔽；报告结果时注明"合成数据、含已知失真"。

8.7 场景化红线：五类任务能不能用

把 §8 的原则落到具体任务上：

任务	能否用本语料	说明
临床 LLM 继续预训练	✅ 可以	官方钦定用途，注意标注合成属性
合成数据方法研究	✅ 可以	配对源文是独特资源
ICD 编码增强训练	✅ 可以（作为补充）	罕见编码增益最大；不可只依赖合成
精确抽取/数值问答	⚠️ 慎用	细粒度细节会丢会错，需回源校验
临床决策支持/患者系统	❌ 禁止	官方明令，非临床真相源
患者事实推导/重识别尝试	❌ 禁止	伪影无真实信息，且违规

8.8 对下游模型开发者的三条操作建议

1. 过滤伪影：训练前对文本做正则/分类清洗，屏蔽姓名、日期、电话类字符串，或至少标记为不可信；
2. 配对核验：凡涉及事实的下游任务，用 source+note_id 回 MIMIC 原文做抽样核验，估计失真率；
3. 分层报告：报告结果时说明用了哪个模型语料、笔记级还是分片级、是否过滤——这三项都会影响可比性。

8.9 残余风险清单

即便遵守以上建议，仍存在残余风险：

• 隐性语境误读（确定性/否定/主体的细微改动）难以用简单过滤发现，可能静默进入训练；
• 分布漂移（合成 vs 真实的可测量差异）可能让模型在真实临床文本上表现下降；
• 模型签名（各 LLM 独特风格）可能被下游模型学成"某种源语的伪特征"；
• 时间/测量错误在缺乏结构化校验时难以自动发现。

这些残余风险是"合成数据永远无法完全等价于真实数据"的体现——也是这份语料把局限写得如此坦白的原因。

§9 存照、遗留疑点与检索路径

9.1 双口径与原始文档缺陷存照

条目写作遵循"一切以实核为准，出入处存照"的原则。以下是逐条记录：

存照 1 — 词数口径差（13.7B vs 13.09B）：官方页正文与摘要均写 13.7B words；但把页内八个文件的 Words 列直接相加为 1.21+1.34+1.13+2.24+1.74+1.41+2.40+1.62 = 13.09B，相差约 0.6B。可能来源：官方汇总时采用了不同的计数口径（如含被过滤行、或分片级按源笔记词数而非合成分片词数统计）。本条目正文以官方 13.7B 为准，并在此存照；自动化抽取建议同时保留两个数。

存照 2 — 版本号三种写法：页面标题后缀 “v1.0”、Version 面板 “1.0”、发布日志 “MIMIC-Ext-SynNotes v1.0.0” 三种并存。引用建议锚定 DOI（10.13026/f6se-e243）。

存照 3 — “Current Version 6 / All Versions 6” 是浏览量非版本数：PhysioNet 页面这两个数字是浏览计数（views），不能误读为"有 6 个版本"。当前实际只有 1.0 一个版本。

存照 4 — 行数不对齐是设计而非缺陷：笔记级 Llama/Mistral ~4.64M vs Qwen ~4.29M；分片级 Gemma/Mixtral ~10.87M vs Llama/Mistral ~10.88M vs Qwen ~9.67M。原因是逐行过滤（失败生成+非英文）删除了不同数量的行，官方明确要求合并时 join (source, note_id)，不可按行序对齐。

存照 5 — 评估覆盖范围的限定：论文主结果只分析 Llama/Mistral/Qwen 六个语料（9.1B 词）；Gemma 与 Mixtral 仅作"补充发现"（未显示显著差异）。引用评估结论时勿默认"8 个语料都经过同等评估"。

9.2 遗留疑点

1. 区域限制导致无法一手核验文件：抓取时点本环境显示 “Data is not available in your region”，无法下载 ZIP 实测 CSV 结构、行数与字节大小；§2.1 表格的所有规模数字均转述自官方页文档，未做文件级一手核验。
2. 论文定量指标未取得全文：官方页仅给结论性描述（如"粗粒度保住、细粒度丢失"“分片缓解细节但降事实精度”）；具体的相似度分数、ICD F1 提升幅度、事实核查准确率等数值未在本轮取得，需回 ACL Anthology PDF（2026.bionlp-1.28）补全。
3. 请求制/凭证流程的细节：CITI 培训与 DUA 的具体签署步骤沿用 MIMIC 系列惯例，本轮未逐一实抓官方流程页。
4. 词数差的精确来源未从官方渠道确认（见存照 1），属待核。

9.3 检索路径建议（补充 §7.3）

• 检索词组合：“MIMIC-Ext-SynNotes”（精确）+ “synthetic”；排除 “mimic-ext-cxr-qba”。
• 目标为规模/许可：PhysioNet 官方页（权威一手）。
• 目标为质量/失真证据：BioNLP 2026 论文（aclanthology.org/2026.bionlp-1.28）。
• 目标为上游手续：MIMIC-III v1.4 / MIMIC-IV-Note v2.2 的凭证流程页（同门）。

§10 避坑清单：八个已踩过的坑

坑 1：“mimic-ext-” 前缀三兄弟不可混用。mimic-ext-synnotes（本条目，文本）、mimic-ext-cxr-qba（rid 926，图像问答）、mimic-cxr-ext-*（图像扩展）共用前缀但对象完全不同。检索时用全名 “MIMIC-Ext-SynNotes”，勿用 “mimic-ext” 泛搜。

坑 2：合成 ≠ 匿名，别把它当隐私保护替代品。语料派生自真实 MIMIC，仍受 DUA 与凭证访问约束。想用合成语料"绕过"真实数据合规是违规误用（§8.1）。

坑 3：词数双口径（13.7B vs 13.09B）。官方 13.7B；分文件相加以 13.09B 计。引用以官方为准并注明（§9.1 存照 1）。

坑 4：版本号 v1.0 / 1.0 / v1.0.0 三种写法。且 “Current Version 6” 是浏览量不是版本数。引用锚定 DOI（§9.1 存照 2/3）。

坑 5：各语料行不对齐，合并须 join。逐行过滤导致同一笔记可能不在所有语料中；必须用 (source, note_id)（分片级加 chunk_id）join，绝不可按行序对齐（§2.4、§9.1 存照 4）。

坑 6：伪造标识符是幻觉，不是真信息。文本里的日期/姓名/电话全是 LLM 伪影，与真实人/机构无关，应作噪声屏蔽；不加处理地当特征用会污染模型（§8.4）。

坑 7：分片不是"更强"，而是"另一头权衡"。分片挽细节但增幻觉；整篇保事实但漏细节。不存在"分片一定更好"，须按任务取舍（§4.2）。

坑 8：评估只覆盖 6 个语料。论文主结果限 Llama/Mistral/Qwen（9.1B 词），Gemma/Mixtral 仅补充。勿把主结论外推到全部 8 语料（§9.1 存照 5）。

§11 总结

11.1 三句话总结

1. MIMIC-Ext-SynNotes 用五个开源 LLM 把 MIMIC-III/IV 的全部 464 万条笔记改写成八个合成语料、合计 137 亿词（约原文本十倍），是公开渠道里规模最大的 LLM 合成临床笔记语料。
2. 它自带系统评估：粗粒度效用保住、细粒度细节丢失（ICD 编码等）；分片改写能救细节却增幻觉——细节保留与事实精度是一对硬权衡。
3. 它不是隐私替代品、不是临床真相来源；去标识占位符被 LLM 编成的假标识符应作噪声屏蔽，使用时须守合规、真相、伪影三条底线。

11.2 适合谁 / 不适合谁

• 适合：临床语言模型预训练与领域适配团队、合成数据方法研究者、ICD 长尾任务开发者、医疗 AI 伦理与幻觉研究者。
• 不适合：需要临床真相/精确数值/隐私保护替代者、面向患者的系统、需要即插即用无门槛数据的团队。

11.3 30 秒决策卡

你的情况	行动
做临床 LLM 预训练加料	走凭证制获取，报告时注明"合成数据、v1.0"
关心合成数据可信度	读 §4 + BioNLP 2026 论文原文
做 ICD 长尾	用合成笔记增强训练（罕见编码增益最大）
需要精确事实	不要用合成文本——回源 MIMIC 原文核对
引用本数据集	三源齐全：数据集 DOI + 论文 + 上游 MIMIC

FAQ（高频问答）

Q1：MIMIC-Ext-SynNotes 是官方 MIMIC 吗？
不是。它是第三方（CSIRO + NLM）提交到 PhysioNet 的衍生合成资源，非官方原生 MIMIC 组件；但血缘上完全依赖 MIMIC-III v1.4 与 MIMIC-IV-Note v2.2。

Q2：它和真的 MIMIC 笔记什么关系？
一一对应的改写关系。每条合成笔记都可经 source+note_id 链回唯一源笔记；语料未使用任何外部临床文本。

Q3：为什么叫 “SynNotes”？
Synthetic Notes 的缩写，直译"合成笔记"——即由 LLM 改写/生成、非人类撰写的临床笔记文本。

Q4：为什么用五个模型而不是一个？
用多个模型可观察"不同 LLM 改写带来不同失真"；三主模型做笔记+分片两级对照，两辅助模型做分片补充，兼顾广度与成本。

Q5：零微调为什么重要？
因为它保证了语料是"现成模型的原生能力产物"，可复现、无 MIMIC 训练污染，也回避了"用 MIMIC 训模型"的合规问题。

Q6：13.7B 词是什么概念？
约十倍于 MIMIC 自由文本（~1.4B 词）；但比通用领域万亿词级预训练语料仍小三四个数量级——它解决的是医疗领域"可及文本太少"，不是"语料不够大"。

Q7：合成笔记会泄露真实患者信息吗？
不会。模型只收到脱敏输入，无任何可识别信息可复现；文本里的日期/姓名/电话都是生成伪影，与真实个体无关（§8.4）。

Q8：能拿它训练临床决策模型吗？
不能直接用于临床决策支持/患者事实/面向患者系统。它是训练语言模型的语料，不是临床真相源。

Q9：分片和整篇该选哪个？
看任务：要细节（细粒度/长尾）倾向分片，要事实精度倾向整篇；论文的结论是两者各有所长，无绝对优解（§4.2）。

Q10：为什么访问这么难？
因为它派生自 MIMIC，继承了 MIMIC 的凭证制合规约束（CITI 培训+DUA），另加可能的区域限制。这是敏感医疗数据的必然代价，不是设计缺陷。

附录 A：关键词与别名对照

名称/别名	说明
MIMIC-Ext-SynNotes	官方全名（PhysioNet）
mimic-ext-synnotes	官方 slug（库内 url_name）
SynNotes	常见简称
MIMIC Synthetic Notes	描述性别名
MIMIC-III v1.4 / MIMIC-IV-Note v2.2	上游源库，非本数据集

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性（Discoverability）	8	PhysioNet 平台索引完善，DOI/RRID/主题标签齐全；但名称与 MIMIC 家族易混（坑 1）
A 可获取性（Accessibility）	4	凭证制 + CITI 培训 + DUA三重门槛，另有区域访问限制——最大失分项
I 可互操作（Interoperability）	7	UTF-8 CSV、字段清晰、可 join 溯源；无官方加载脚本/HF 直链，需自行解析大文件
M 元数据质量（Metadata）	8	官方页方法/规模/局限/伦理文档完备且诚实；词数口径差（存照 1）与版本号多写法（存照 2）微降
S 可持续性（Sustainability）	7	PhysioNet（MIT LCP）长期维护、有 DOI 与资助；依赖 MIMIC 合规体系稳定
综合评级	6.8/10（中上）	文档与方法学质量高、独特规模价值大；可获取性被凭证制+区域限制显著拖低

附录 C：逐项证据链自证

关键数字	来源	位置
8 语料 / 13.7B 词 / ~10 倍	PhysioNet 官方页（Abstract + Data Description）	physionet.org/content/mimic-ext-synnotes/
4.64M 唯一笔记（~1.4B 词）	官方页 Methods	同上
~93K 去重笔记	官方页 Data Description	同上
5 个 LLM（Llama/Mistral/Qwen/Gemma/Mixtral）	官方页 Methods（Models）	同上
temperature 0.75 / top-p 0.9	官方页 Methods（Decoding parameters）	同上
~150 词分片 / 2.3 块每篇	官方页 Methods（Chunk segmentation）	同上
逐文件大小/行数/词数	官方页 Data Description 表格	同上
许可 1.5.0 + DUA + CITI	官方页 Access 面板	同上
DOI 10.13026/f6se-e243	官方页 DOI 区	同上
粗粒度保住/细粒度丢失	BioNLP 2026 论文摘要	aclanthology.org/2026.bionlp-1.28
分片缓解细节/降事实精度	官方页 Usage Notes + 论文	同上
五种错误模式	官方页 Known Limitations + 论文	同上
伪造标识符为伪影	官方页 Data Description（Synthetic Artifacts）	同上
论文卷页 353–71	PhysioNet 引用说明 + dblp	同上
区域限制	官方页 Files 区（抓取时点）	同上

附录 D：数据获取决策树

想用这份语料？
├── 是否具备合规资格（CITI 培训 + DUA 签署）？
│   ├── 否 → 先走 PhysioNet 凭证流程，勿找镜像/二次分发（违规）
│   └── 是 → 检查所在区域是否被策略限制（可能 Data Not Available）
├── 用途是什么？
│   ├── 临床 LLM 预训练/领域适配 → 全局语料可用，报告注明"合成 v1.0"
│   ├── ICD 等监督任务增强 → 优先笔记级；罕见编码增益最大
│   ├── 研究改写失真 → 用配对源文（source+note_id）做对照分析
│   └── 需要临床事实/患者信息 → 【停止】回源 MIMIC 原文核对
└── 使用中务必：
    ├── 屏蔽/丢弃姓名-日期-电话类伪影
    ├── 合并语料用 (source, note_id) join
    └── 引用三源（数据集 + 论文 + 上游 MIMIC）

附录 E：五模型与八语料对照表

模型	参数量	笔记级	分片级	语料词数（分片级）
Llama-3.1-8B-Instruct	8B	✅	✅	2.24B
Mistral-7B-Instruct-v0.3	7B	✅	✅	1.74B
Qwen-2.5-7B-Instruct	7B	✅	✅	1.41B
Gemma-2-9B-it	9B	❌	✅	2.40B
Mixtral-8x7B-Instruct-v0.1	8×7B	❌	✅	1.62B

附录 F：错误模式速查卡

错误模式	一句话识别	缓解思路
内容遗漏	“源文有、合成没有”	分片改写（但仍可能漏）
语境误读	确定性/否定/主体被改	事实核查、回源比对
时间/测量错误	时间或数值对不上	结构化核对原始值
幻觉细节	“合成有、源文没有”	分片反而加剧，需过滤
伪造标识符	出现具体日期/姓名/电话	一律屏蔽为噪声

附录 G：抓取与核验记录

项	值
抓取时点	2026-10-09
一手来源	PhysioNet 官方页（HTTP 200，curl 实抓 58,865 字节 HTML）
佐证来源	BioNLP 2026 论文摘要（WebSearch 命中 ACL Anthology + dblp）
RRID	SCR_007345
库内查重	url_name ILIKE '%mimic-ext%' 仅命中 mimic-ext-cxr-qba(926)；无同名条目
库内互链	mimic-iv-note(47)/mimic-iii(106)/mimic-iv-clinical-database(4)/synthetic-mimic-iii-health-gym(597)

§12 深度专题：合成临床笔记的三重张力

本节把全文散见的讨论收拢成三个"张力"（tension）主题，帮助研究者在更高层次理解这份语料的设计哲学与内在矛盾。

12.1 张力一：规模 vs 保真

第一个张力是最直白的：规模越大、保真越难。

• 规模诉求推动"把全部笔记都改写"“用整篇改写以省成本”；
• 保真诉求却要求"越短越好"“逐句核对”“回源”。

MIMIC-Ext-SynNotes 站在规模一侧（全量改写、千万级），但它同时提供了保真的工具（配对源文、source+note_id 可溯）与保真的诚实交代（细粒度会丢、分片会编）。也就是说，它没有假装"规模与保真可以两全"，而是把两者的边界画清楚，让使用者自己权衡。这种"公布边界"的做法，比单纯发布一份大语料更有科学价值。

12.2 张力二：可及性 vs 合规

第二个张力关乎"能不能拿到"：

• 合成数据的动机之一是绕过真实临床数据的可及性瓶颈；
• 但这份合成数据派生自真实数据，于是继承了同一套合规约束（凭证制、DUA、区域限制）。

于是出现一个略带悖论的局面：为了获得"更容易共享的临床文本"，却造出了"同样难获取的合成文本"。官方对此毫不回避，反而在"已知局限"第一条就写明"这不是隐私保护替代品"。理解这一点，才能明白为什么这份语料的可获取性得分很低（附录 B 给 4/10）——不是平台不好，而是合规约束的必然。

真正被"扩大可及"的，不是数据的获取权，而是在已有 DUA 覆盖下可用的文本量——对已获 MIMIC 访问权的研究者，这份语料把可训练文本放大了十倍。

12.3 张力三：语言真实 vs 事实真实

第三个张力最微妙：语言像不像与事实对不对是两件事。

层面	LLM 的强项	隐患
语言真实（像临床笔记）	强——措辞风格高度拟真	越像越难被检测为合成
事实真实（临床内容对）	弱——会漏、会改、会编	隐蔽失真可能静默污染训练

MIMIC-Ext-SynNotes 的价值恰恰在于把这层区分显性化：它用"粗粒度保住/细粒度丢失"证明语言真实不蕴含事实真实；用"分片增幻觉"证明提高细节保留可能牺牲事实精度；用"伪造标识符"证明模型在语言层面"填空"会制造事实层面的假象。

对临床 AI 的意义：一个在合成语料上表现良好的模型，未必在真实临床文本上同样可靠——语言分布的接近可能掩盖事实层面的偏差。这也是为什么论文要把"事实核查"和"人工错误分析"列为独立评估维度，而不是只看语言相似度。

12.4 三重张力的统一视角

把三个张力合起来看，MIMIC-Ext-SynNotes 其实在回答一个更大的问题：

当真实医疗数据因隐私而稀缺时，"用 AI 造数据"能走多远？

它的答案是分层的：

1. 能造、且能造很大——13.7B 词，十倍扩增，工程可行（张力一）；
2. 但造出来的仍受原数据约束——合并非免合规，可及性未根本改变（张力二）；
3. 且造出来的"像"不等于"对"——语言真实与事实真实必须分开评估（张力三）。

这三条既是这份语料的自画像，也可以当成任何"医疗合成数据"项目的通用检查清单。

12.5 对"合成数据真实性"议题的贡献

回到本条目开头点出的伦理/风险主线——LLM 生成数据的真实性、幻觉风险、隐私保护价值。MIMIC-Ext-SynNotes 对这三个子议题都有具体贡献：

子议题	本数据集的回答
真实性（authenticity）	语言真实强、事实真实弱；两者必须分开度量；粗/细粒度效应不同
幻觉（hallucination）	五种错误模式；分片增幻觉；伪造标识符是去标识场景特有幻觉
隐私保护价值（privacy value）	不构成隐私保护替代——派生自真实数据仍受 DUA；伪影无真实信息但也非法外传

特别值得记住的是它对隐私议题的"双向澄清"：一方面打破了"合成即匿名可自由共享"的误解（不能替代，仍受约束）；另一方面又澄清了"文本里出现真名/真日期会不会泄露"的担忧（纯属生成伪影，无法重识别）。这一正一反，正是这份语料在隐私讨论中最有分量的两点。

12.6 展望：这类语料的演进方向

官方已预告未来版本将"考虑更多过滤与更先进的生成方法"。结合领域趋势，可以预见几个方向：

1. 更强的过滤——近重复检测、长度过滤、困惑度/质量分类器过滤、蕴含式事实核查（官方已点名这些"web-corpus 式"手段）；
2. 事实性增强——用检索/约束解码减少幻觉；
3. 任务条件化——从"任务无关"走向"按任务定制"的合成；
4. 合规增强——更细粒度的访问与审计机制。

MIMIC-Ext-SynNotes v1.0 是这条演进曲线的起点快照：它诚实地展示了"第一代大规模 LLM 合成临床笔记"的能力与代价，也为后续版本立好了对照组。

12.7 给三类读者的行动清单

给不同读者的最后一页建议：

• 预训练工程师：可将其作为合规范围内的文本扩增，但训练前务必做伪影过滤与质量分层，并记录使用的模型与粒度。
• 评估研究者：它提供了"语言-事实"分离的天然实验台——用配对源文可直接量化改写保真度，是全库少见的可控样本。
• 伦理与政策研究者：它把"合成数据是否等同匿名""幻觉如何进入临床流水线"两个问题落到可观测的实证上，是讨论监管边界时的好案例。

三者的共同前提是同一条：读懂它自曝的局限，再用它。

FAQ（续）：进阶问答

Q11：为什么不用闭源大模型（如 GPT-4）生成？
因为合规。所有生成用本地开源权重模型 + 机构内基础设施，笔记文本从未传出到任何第三方/商业 API。闭源模型只在小样本事实核查中使用，且遵循 PhysioNet 指引。

Q12：为什么选 7–9B 而不是更大的模型？
成本与吞吐。要在千万级笔记上推理，参数越大量越贵；7–9B 在上下文 32K–128K 下足以处理 MIMIC 笔记长度，且开源、可本地部署、可复现。作者也未微调，保持"原样能力"。

Q13：vLLM 在这里起什么作用？
vLLM 的 PagedAttention 让大批量推理更省显存、更高吞吐——这是能处理 464 万条笔记 × 多模型多粒度的工程前提。选它是规模可行性的一部分。

Q14：为什么 temperature 0.75 / top-p 0.9？
这是"改写任务"的常用采样设定：既要一定多样性（避免逐字复制源文），又要保持连贯（避免乱写）。采样温度偏高也是伪造标识符等伪影出现的原因之一。

Q15：分片的 150 词目标是怎么定的？
作者希望每块足够小以保住细节、又足够大以保留语境，150 词是经验折中。且切分只在句边界，超长句整块保留——不切分以保证语义完整。

Q16：为什么平均只有 2.3 块/笔记？
因为目标 150 词/块，而多数 MIMIC 笔记（如护理记录、部分放射报告）不长；短笔记只切出 1–2 块，长笔记（出院小结）才切更多，平均下来约 2.3。

Q17：语料里的数字能信吗？
不能直接信。测量值可能被误读、时间可能被弄错、占位符可能被填成假数字。官方建议：需要事实时回源核对。

Q18：合成笔记和我用 ChatGPT 摘要出来的笔记有何不同？
本质相似（都是 LLM 改写），但本语料有系统化特征：固定提示词、固定解码参数、跨五模型两粒度、且全量配对源文可溯源。它是"可研究的合成"，不是"随手生成的合成"。

Q19：这份语料会不会加剧医疗 AI 的偏差？
有可能。各模型有独特签名（§4.8），若不检查就混用，可能引入模型特有的偏差。官方因此把公平性评估列为五维度之一，使用者应报告数据来源。

Q20：能把它和真实 MIMIC 混合训练吗？
可以，且论文正是这么做的（增强训练对 ICD 有效）。但要注意：混合比例、过滤策略、模型来源都需记录，否则无法复现。

Q21：为什么说它是"AI-Ready"？
因为它有明确的字段结构、可溯源的 key、清晰的许可与访问路径——"数据就绪"程度高；但它的"AI-Ready"是面向训练 AI 的语料就绪，不是"可直接用于临床"的就绪。

Q22：库内已有 MIMIC-IV-Note，为何还要这个条目？
两者不同：MIMIC-IV-Note 是真实去标识笔记（本体），MIMIC-Ext-SynNotes 是合成扩增（衍生）。它们是"源"与"改写"的关系，检索互补、互链。

Q23：它和 synthetic-mimic-iii-health-gym 有何区别？
后者是合成环境（用于仿真/强化学习决策训练），本条目是合成文本（用于语言模型预训练）。同为"合成 MIMIC"，载体不同。

Q24：如果区域限制挡住了，还有什么办法？
不建议找镜像或二次分发（可能违规）。正确做法是：确认凭证资格后，通过合规渠道（PhysioNet 支持的访问方式/联系维护方）解决区域问题；本文档的规模数字可作为规划参考。

附录 H：提示词原文（复现用）

[system]
You are a medical artificial intelligence assistant. The assistant gives
truthful, detailed, and professional answers to the requests.

[user]
For the following paragraph give me a diverse paraphrase of the same in
high-quality English language as in clinical notes written by medical
professionals:
<SOURCE NOTE OR CHUNK>

说明：系统提示按各模型 chat template 注入；用户提示中 <SOURCE NOTE OR CHUNK> 为整篇笔记或一个分片。所有模型/笔记/粒度使用同一提示，无 few-shot、无任务标签、无检索上下文。

附录 I：解码与切分参数速查

参数	值
temperature	0.75
top-p	0.9
上下文长度	32K–128K tokens（因模型而异）
分片目标长度	~150 词
分片最大新 token	512
笔记级最大新 token	1,000 / 2,000 / 4,000 / 8,000 / 10,000（按词数分箱）
切分边界	仅句边界；超长句不切
分片重叠	无（严格非重叠，有序划分）
分片平均块数	2.3 / 笔记
服务	vLLM，FP8（Qwen 用 GPTQ Int8），NVIDIA H100
微调	无

附录 J：五模型基本信息

模型	机构/系列	参数量	量化	粒度
Llama-3.1-8B-Instruct	Meta Llama 3.1	8B	FP8	笔记+分片
Mistral-7B-Instruct-v0.3	Mistral AI	7B	FP8	笔记+分片
Qwen-2.5-7B-Instruct	阿里通义千问	7B	GPTQ Int8（官方版）	笔记+分片
Gemma-2-9B-it	Google Gemma 2	9B	FP8	仅分片
Mixtral-8x7B-Instruct-v0.1	Mistral AI（MoE）	8×7B	FP8	仅分片

附录 K：库内 MIMIC 家族辨析表

库内条目	rid	类型	与本条目关系
mimic-iv-note	47	真实笔记	直接上游（v2.2 源）
mimic-iii	106	真实临床库	直接上游（v1.4 源）
mimic-iv-clinical-database	4	真实临床库	上游 MIMIC-IV 主库
synthetic-mimic-iii-health-gym	597	合成环境	姊妹（环境取向）
mimic-ext-cxr-qba	926	影像问答	辨析（同前缀异域）
mimic-iv-ext-pe	618	MIMIC-IV 扩展	同批并行
mimic-cxr-jpg	617	影像	无关（影像域）
mimic-iv-waveform	65	生理信号	无关（波形域）

附录 L：引用与元数据速查卡

项	值
官方名	MIMIC-Ext-SynNotes: Large-Scale Synthetic Clinical Notes via Rephrasing MIMIC-III/IV with LLMs
slug	mimic-ext-synnotes
版本	1.0（发布 2026-10-05）
DOI	10.13026/f6se-e243
RRID	SCR_007345
配套论文 DOI	10.18653/v1/2026.bionlp-1.28
许可	PhysioNet Credentialed Health Data License 1.5.0
DUA	PhysioNet Credentialed Health Data Use Agreement 1.5.0
培训	CITI “Data or Specimens Only Research”
平台	PhysioNet（MIT LCP 维护）
规模	8 语料 / 13.7B 词 / 4.64M 源笔记
官方页	https://physionet.org/content/mimic-ext-synnotes/

附录 M：本条目维护提示

• 触发更新：v1.0 之后的版本发布（官方已预告将加过滤与新方法）、区域限制变化、论文定量指标补全。
• 数据变更监控：留意 PhysioNet 页面 Version 面板与 DOI 更新。
• 核验补全清单：① 下载并实测 8 个 CSV 的行数/大小（解区域限制后）；② 从 ACL Anthology PDF 补定量评估数值；③ 确认凭证/DUA 具体流程页。

附录 N：合成语料 vs 真实 MIMIC 对照速查

维度	真实 MIMIC 笔记	MIMIC-Ext-SynNotes
撰写者	临床医生/护士/技师	五个开源 LLM
是否真实患者记录	是（去标识）	否（合成，派生自真实）
受保护健康信息	___ 占位符	___ 或被 LLM 填成的伪影
事实可靠性	临床真相（原始记录）	不可靠，细节可能丢/改/编
是否可用于临床决策	受限（需合规+专业判断）	禁止
规模	~1.4B 词	13.7B 词（约十倍）
可溯源	原始记录本身	经 source+note_id 回源
访问	凭证制	凭证制（同门）
语言多样性	真实临床语体	更"标准/流畅"，带模型签名

附录 O：错误示例的抽象模式

（示意性模式，非真实数据；帮助识别合成失真）

模式 1 遗漏
  源: 患者有高血压、糖尿病、房颤三种既往病史
  合成: 患者有高血压、糖尿病
  → 少了房颤（细粒度丢失）

模式 2 语境误读（否定反转）
  源: 未见明显肺栓塞征象
  合成: 可见肺栓塞征象
  → 否定被抹掉（危险！）

模式 3 时间混淆
  源: 症状 3 天前开始（简写 3/7）
  合成: 症状 3 周前开始
  → 简写被误读

模式 4 幻觉细节
  源: 予抗生素治疗
  合成: 予万古霉素 1g q12h 治疗
  → 具体药名剂量是编的

模式 5 伪造标识符
  源: 患者 ___，___ 岁，于 ___ 入院
  合成: 患者 John Smith，67 岁，于 2019-03-12 入院
  → John Smith / 日期皆为伪影

附录 P：质量过滤与使用前处理建议清单

步骤	建议做法	目的
1. 伪影屏蔽	正则/分类器识别姓名-日期-电话类 token	去除伪造标识符噪声
2. 近重复检测	检测与源文/彼此的近重复	提升多样性、剔除退化解
3. 语言过滤	保留英文（官方已做，使用者可复核）	一致性
4. 长度过滤	剔除异常长/短生成	控质量
5. 困惑度/质量分类器	web-corpus 式质量打分	通用提纯
6. 蕴含式事实核查	NLI 检查合成对源文的蕴含	抑制幻觉
7. 分层统计	按 category/模型/粒度分组统计	发现结构性偏差

官方"Known Limitations"节明确点名上述第 2、4、5、6 类是适合本语料的补充过滤手段，并区分了使用强度：预训练可用宽松过滤；任何需要事实内容的用途都应收紧校验。

附录 Q：术语表

术语	英文	释义
改写	rephrasing	以源文为锚的 LLM 重述，本数据集的核心生成方式
分片	chunk	按句边界切出的约 150 词文本块
笔记级	note-level	以整篇笔记为单位改写
分片级	chunk-level	以单个分片为单位独立改写
占位符	placeholder	MIMIC 去标识用的 ___
伪影	artifact	LLM 生成的、非源自数据的表面字符串（如假日期）
幻觉	hallucination	生成源文没有的临床细节
遗漏	omission	源文有而合成没有的信息
粗/细粒度任务	coarse/fine-grained	整体预测 vs 需精确信息的任务
凭证制	credentialed access	需培训+DUA 的访问模式
模型签名	model signature	各 LLM 独有的风格/语义特征

附录 R：一页式速记（可打印）

MIMIC-Ext-SynNotes v1.0 速记
─────────────────────────────
WHO   CSIRO + NLM/NIH（Liu, Soni, Nguyen）
WHAT  LLM 改写 MIMIC-III/IV 全部笔记 → 合成临床笔记语料
SCALE 8 语料 / 13.7B 词 / 4.64M 源笔记（约十年前文本）
HOW   5 开源 LLM（Llama/Mistral/Qwen/Gemma/Mixtral）
      零微调 · temp0.75/top-p0.9 · 分片~150词 · H100+vLLM
GOOD  粗粒度效用保留 · 罕见编码增强增益最大
BAD   细粒度细节丢失 · 分片增幻觉 · 伪造标识符
WHY   语言真实 ≠ 事实真实
GET   凭证制（CITI+DUA）· 区域限制 · DOI 10.13026/f6se-e243
DON'T 用于临床决策/患者系统/事实推导；勿当隐私替代
CITE  数据集 + BioNLP2026论文 + 上游 MIMIC
─────────────────────────────

附录 S：常见误用模式与纠正

误用	为什么错	正确做法
把合成文本当患者事实查询	非临床真相源，细节会错	回源 MIMIC 核对
用合成语料规避 DUA	派生自真实数据仍受 DUA	走合规获取
直接用未过滤文本训练	伪影与幻觉进入训练	先做伪影/事实过滤
按行序合并多语料	行数不均、非对齐	join (source, note_id)
声称"经过隐私保护"	官方明确否认替代性	如实标注"派生自 MIMIC"
外推论文主结论到全部语料	主结果只覆盖 6 语料	限定语料范围表述

附录 T：条目自检清单（写作侧）

检查项	状态
frontmatter YAML 可解析	✅
title 含站点后缀	✅
title/subtitle/data_source ≤255	✅
description ≤170	✅
category_tags ⊆ 受控词表且 2-6 个	✅
无英文直引号入双引号串	✅
坑点 ≥5 则	✅（8 则）
含 DAIMS 表	✅（附录 B）
章节 §0-§11 齐全	✅
行数 1200-1900	见 check_md
双口径存照	✅（§9.1 五条）
伦理/风险专章	✅（§8、§12）

附录 U：参考来源与出处清单

来源	用途	链接
PhysioNet 内容页	规模/方法/许可/伦理（一手）	physionet.org/content/mimic-ext-synnotes/
BioNLP 2026 论文摘要页	评估结论	aclanthology.org/2026.bionlp-1.28
ACL Anthology 卷页	论文定位	aclanthology.org/volumes/2026.bionlp-1/
dblp（Jinghui Liu）	论文卷页 353-371 佐证	dblp.org
MIMIC-III 论文（Sci Data 2016）	上游源库背景	doi.org/10.1038/sdata.2016.35
MIMIC-IV 论文（Sci Data 2023）	上游源库背景	doi.org/10.1038/s41597-022-01899-x
PhysioNet 平台论文（Nature Health 2026）	平台引用	doi.org/10.1038/s44360-026-00096-z
Rephrasing the Web（ACL 2024）	方法血缘	aclanthology.org/2024.acl-long.757
Nemotron-CC（ACL 2025）	方法血缘	doi.org/10.18653/v1/2025.acl-long.123
本库 DB 查重（qf_psql.sh）	slug 唯一性	ai_ready_dataset 表

附录 V：版本与变更日志（本条目）

日期	事件
2026-10-09	条目首版创建；实抓 PhysioNet 官方页；落 FACTS.md；成稿 5+ 分片拼接
待定	v1.0 之后版本发布时补注；定量指标补全

附录 W：BibTeX（引用用）

@misc{mimic_ext_synnotes_2026,
  author    = {Liu, Jinghui and Soni, Sarvesh and Nguyen, Anthony},
  title     = {{MIMIC-Ext-SynNotes: Large-Scale Synthetic Clinical Notes via
               Rephrasing MIMIC-III/IV with LLMs}},
  year      = {2026},
  month     = oct,
  note      = {Version 1.0},
  doi       = {10.13026/f6se-e243},
  publisher = {PhysioNet},
  url       = {https://doi.org/10.13026/f6se-e243}
}

@inproceedings{liu2026systematic,
  author    = {Liu, Jinghui and Soni, Sarvesh and Nguyen, Anthony},
  title     = {Systematic Evaluation of the Quality of Synthetic Clinical Notes
               Rephrased by {LLM}s at Million-Note Scale},
  booktitle = {Proceedings of the 25th Workshop on Biomedical Language Processing (BioNLP)},
  year      = {2026},
  pages     = {353--371},
  doi       = {10.18653/v1/2026.bionlp-1.28}
}

附录 X：一句话带走

MIMIC-Ext-SynNotes 证明了"AI 能造出十倍于 MIMIC 的临床文本"，也证明了"造出来的像，未必对"——它是一份把得与失同时摆在台面上的合成数据样本。

---

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：

• ehr-reasoncon — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 重症监护 / 医学问答与基准
• 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
• 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
• medsynth — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 医学问答与基准
• generated-codes-low-resource — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 重症监护
• echo-note2num — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 重症监护
• annotation-opioid-use-notes — 共享标签：医疗NLP / 临床文本 / 电子健康记录 / 重症监护
• 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
• 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。