疾病实体识别与归一化合成提及语料

这是一份由机器写出来的疾病提及语料：美国阿拉巴马大学伯明翰分校（UAB）的两位作者用微调过的 LLaMa-2 13B Chat，围绕统一医学语言系统（UMLS）疾病语义组中的概念逐条生成文本，最终留下 128,945 条提及、覆盖 47,654 个概念唯一标识符（CUI），以单个 CSV 文件放在 PhysioNet，版本 1.0.0，2025 年 2 月 3 日发布，许可为 ODC-By 1.0。

它要解决的是训练数据的三重短缺。真实临床文本受隐私与使用协议约束，人工标注既贵又慢，而疾病词汇呈极端长尾——少数常见病占据绝大多数提及，大量稀有疾病在训练集里一条都不够。作者的做法是把「找病名」和「把病名对上编码」这两件事的样本从语言模型里批量造出来，让每个 UMLS 概念都能分到几条带 CUI 的文本，从而在不触碰病人记录的前提下补足长尾。

使用这套数据前应先接受一个前提：它是合成品，不是真病历。它适合做训练数据扩充、做长尾概念的补充样本、或作为归一化模型向量空间的填充材料；不适合直接当作临床语言的真实分布样本来做误差分析或系统评估。第一步建议先统计自己要覆盖的概念在 47,654 个 CUI 里的命中率，命中不了的概念不必期待这份语料能补上。

§1 它是什么：一份「不碰病人记录」的疾病提及语料

1.1 定义与边界

这份语料的正式名称是 Synthetic Mention Corpora for Disease Entity Recognition and Normalization，PhysioNet 项目页标题即用此全名，作者在代码仓库里把它简写为 synth-der-den（DER 与 DEN 的缩写拼接）。它服务的两个任务在命名实体识别领域各有明确所指：

• 疾病实体识别（Disease Entity Recognition，DER）：在文本中找出疾病的文字片段，即确定边界与位置；
• 疾病实体归一化（Disease Entity Normalization，DEN）：把找出来的片段映射到受控词表中的唯一编码，这里是 UMLS 的 CUI。

两者的关系是一前一后。识别错位，归一化必然连带出错；识别正确而归一化选错概念，下游按编码做的统计同样失真。这份语料同时提供这两层信息——文本里既有被标记出来的疾病片段，也有该片段应当归属的 CUI。

需要先说清它不是什么。它不是真实病历的脱敏副本，也不是在真实病历上做的人工标注结果，更不是对 UMLS 词表的重新整理。它是「用 UMLS 概念列表驱动一个语言模型造句，再用规则把句中的病名和概念编号配回去」的产物。这一点决定了后面所有关于质量、偏置与适用边界的讨论。

1.2 三条上游来路

这份数据有三条上游，缺一条都造不出来，理解这三条来路比记住规模数字更重要。

第一条是概念来源：UMLS 的疾病语义组（Disorders Semantic Group）。UMLS 是美国国立医学图书馆维护的跨词表元体系，把上百个来源词表的概念用 CUI 归并到同一套编号下；疾病语义组是其中与疾病、症状、损伤相关的一批概念。作者统计该组共有 53,432 个 CUI 可作为生成目标。

第二条是语体来源：SemEval 2015 Task 14 语料。这是当年一场语义评测任务发布的临床文本，内容取自 MIMIC-II 数据库的去标识出院小结与影像报告，疾病片段已人工标注并归一化到 UMLS。作者只用它来构造微调样本，同时也把它当作下游评测集之一。

第三条是生成器：LLaMa-2 13B Chat。选型理由是开源与成本，作者在论文中明确说这是基于「开源架构与成本」的决定，并在讨论里承认曾先试过较小的 T5 家族模型，但增益不显著。

三条来路的组合方式，就是下一节要展开的合成流水线。

1.3 版本与标识

• 版本：1.0.0，官方页标注发布日期 2025 年 2 月 3 日，且当前只列出这一个版本。
• 版本 DOI：10.13026/p5pn-ty93；页面同时给出另一枚 latest DOI 10.13026/e0kj-js78，两枚不同，latest 指向何版本官方未说明。
• 资源编号：RRID:SCR_007345（PhysioNet 平台自身的编号，非本数据集专属）。
• 派生关系：官方页明示本数据集 derived from MIMIC-II Clinical Database v2.6.0。
• 配套代码：GitHub 仓库 KuleenS/synth-der-den，含数据准备、微调、生成、后处理与下游评测脚本，并提供 Dockerfile 与一条处理流水线脚本。

§2 数据构成：文件里究竟有什么

2.1 一个文件、两列

文件只有一个：SYNTHETIC_MENTIONS.csv。官方描述为逗号分隔，两列：

列名	内容	可靠性
cui	该条提及所对应疾病的 UMLS 概念唯一标识符	官方明示；由生成时的提示词决定，属设计值而非识别结果
matched_output	合成提及全文，疾病名称被 <1CUI> 与 </1CUI> 两个标记包裹	官方明示；标记本身是「任意选定的分隔符」，不具备语义

两列的设计意图很清楚：cui 是答案，matched_output 是题目加答案。使用者只要按标记切分就能同时拿到片段与标签，不需要额外做一次标注。也正因为答案在生成时就被写进文本，这份数据的标签质量与生成质量是同一件事——句子错，标签跟着错，不存在独立的校验环节。

2.2 规模硬数字

官方 Descriptive Statistics 一节给出的是一组分布描述，而不是单一计数，这里逐条列出并标注可靠性：

指标	数值	可靠性
行数	128,945	官方明示，精确值
摘要口径提及数	约 128,000	官方摘要与 Methods 的舍入表述
覆盖 CUI 数	47,654	官方明示（统计节与 Methods 两处一致）
候选 CUI 总数	53,432	官方 Methods 明示
每 CUI 保留条数范围	1 至 7	官方明示
每 CUI 保留条数中位数 / 均值	3 / 2.7	官方明示
每条字符长度范围	273 至 3,355	官方明示
字符长度中位数 / 均值	750 / 745	官方明示
生成阶段每 CUI 尝试版本数	5	官方 Methods 明示
文件数	1	官方 Data Description 明示

两份数字相除得 89.2%，官方未给百分比，此值为推算；换言之，约一成疾病概念在生成或过滤环节被整批淘汰，一条不剩。

2.3 两个「五」和「两条七」的关系

初读容易困惑的地方在于：生成阶段说每个概念生成五个版本，统计表里却写每个概念平均保留 2.7 条、中位数 3 条。两个数说的是不同环节。

五个版本是生成尝试。作者让模型对同一概念重复生成五次，目的是提高拿到格式正确、且确实用 <1CUI> 包住目标片段的概率。生成之后有两道筛子：第一道是标记回收，用 Python regex 包的模糊匹配（该包在正则之上支持编辑距离）在生成文本里回找提示词中的那个病名，编辑距离预算设为 4 个字符，找不到就整条丢弃；第二道是按 CUI 去重，同一概念下重复的提法不再重复计入。

于是 5 变成 2.7，再经去重后中位数为 3、上限为 7。上限 7 说明即使尝试了五次，也出现了某些概念留下超过五条的情况——这与「5 次生成、每次文本可能包含多个可回收片段」的实现细节相容，但官方未解释为何可达 7 条，属于未披露项。

2.4 文本长度的含义

长度区间与中位数放在一起说明一件事：文本不是单句。作者在构造微调样本时，把包含疾病片段的句子连同它前面两句、后面两句一并作为输出，让模型学会在更长的上下文里生成，因此生成物也呈段落量级。

以官方样例为例，一条被标记为铍病（Beryllium Disease）的记录长这样：

Discharge date: [**2013-08-24**] date of birth: [**1947-12-28**] sex: m service: cardiothoracic
allergies: patient recorded as having no known allergies to drugs
attending:[**attending info 212**] chief complaint: chest pain
major surgical or invasive procedure: <1CUI>beryllium dis </1CUI>history of present illness:
mr. [**lastname 707**] is a 65-year-old male who presented to the [**hospital1 199**]
[**doctor first name 3**] with chest pain. he is a former worker at a beryllium plant
and was exposed to beryllium.

这段文本透露出三个信息，对判断数据质量很有用。

第一，模型学到了 MIMIC 的去标识占位格式，包括 [**2013-08-24**] 这样的日期掩码、[**lastname 707**] 这样的人名掩码，以及 hospital1、doctor first name 3 这样的实体编号。这些字段在真实病历里是脱敏系统的输出，模型把它们当作语体特征复现了出来。

第二，病名片段被标记截断成 beryllium dis，而不是完整的 beryllium disease。这说明标记回收环节虽然接受了这条（编辑距离在预算内），但边界并不总是干净的。官方未解释截断的具体成因，属于未披露项。

第三，整段文本虽然形式上是出院小结的表头加现病史，但内容自洽度有限：表头写主诉胸痛，现病史却直接讲铍暴露，两者之间缺少真实的临床衔接。这正是官方局限清单里「疾病片段周边语境可能不真实」所指的现象。

2.5 与三个下游语料的对照

论文用三个语料评测，它们与本数据集的关系各不相同：

语料	领域	归一化目标	与本语料的关系
SemEval 2015 Task 14	临床（出院小结、影像报告）	UMLS CUI	同源：既是微调语料的出处，也是评测集
BC5CDR	生物医学文献（PubMed）	MeSH，评测时映射到 UMLS	跨领域：评测论文摘要体裁
NCBI Disease	生物医学文献（PubMed 摘要）	MeSH 或 OMIM，评测时映射到 UMLS	跨领域：评测摘要体裁

这种安排是刻意的：合成语料在临床体裁上生成，却要在文献体裁上评测，等于给自己设了一道分布偏移的考题。后面第四节关于「合成代价」的讨论，就建立在这一点上。

§3 怎么合成的：从一句标注到十万条生成

3.1 合成不是一件事，而是四种做法

讨论「合成数据」时，不同团队的做法差异极大，混为一谈会导致误读。常见的有四类：

做法	机制	典型产物
替换式	在真实句子里挖空实体位，换成其他实体或同义词	换掉病名后的「半真实」句子
模板式	用固定句式加变量槽拼出文本	格式整齐、语体单一的句子
词表组合式	从词表抽取名称与同义词，组合成短语或短句	短语级片段，缺少上下文
生成式	用语言模型在给定条件下整段生成文本	段落级文本，语体接近真实

本数据集属于第四类：生成式。官方 Methods 与论文都明确写的是「用微调后的 LLaMa-2 13B Chat 生成」，不是模板填充，也不是在真实句子里替换实体。这一点很关键——它意味着文本的语体、上下文、乃至错误形态，都由模型从训练语料中学到的分布决定，而不是由人工句式规则控制。

需要补充的是，它也不是零样本提示生成。模型先在 SemEval 语料上做了监督微调，学到了「临床文本长什么样、病名该出现在哪里、该用哪种标记包住」的模式，然后再对 UMLS 概念列表逐个生成。所以更准确的说法是：微调后的生成式合成。

3.2 第一步：构造指令—输出对

微调数据来自 SemEval 2015 Task 14 的每个疾病片段。作者为每个片段造一条指令和一条输出。

指令侧用两个模板，按该概念在 UMLS 里有没有定义二选一。有定义时，模板大致是：假扮医生，为一位病人写一份提到某病况的临床记录，可以明说，也可以用同义词或缩写；该病况在 UMLS 里的其他名称一并列出；附上 UMLS 给出的定义；在病名前后各放置 <1CUI> 标记。没有定义时，去掉定义一句，其余相同。

输出侧取包含该疾病片段的句子，再加它前面两句和后面两句。

这样一条样本的意义是：模型看到的是「概念名 + 别名列表 + 定义（可选）」这种结构化条件，要学的是「用临床语体写出提到这个概念的一段文字，并且用标记圈住病名」。学习目标不是复述，而是把结构化知识与自然语言表达绑定起来。

3.3 第二步：量化低秩微调

微调方式官方给得很具体：交叉熵损失，量化低秩适配（Quantized Low Rank Adaptation，Q-LoRA），4 比特精度，2 个 epoch，学习率 2e-5，适配器秩（rank）64。

这些超参的组合指向一种务实的工程取舍：4 比特量化让 130 亿参数的模型能在单卡或少量卡上训练，低秩适配器只训练一小部分附加参数，2 个 epoch 与 2e-5 学习率是常见的短周期微调配置。作者在致谢里提到使用 UAB 研究计算中心的高性能计算设施、GPU 计算由英伟达 GPU 资助计划支持，与这一配置相称。

需要强调，这些数字是「怎么训练生成器」的参数，与下游使用者无关；复现者若只想用数据而非重造数据，不需要碰这一层。

3.4 第三步：逐概念批量生成

微调完成后，作者对 UMLS 疾病语义组中的每个概念各生成五个版本。生成目的是双重的：提高拿到格式正确（标记成对、病名确实被包住）样本的概率，以及增加措辞的多样性。

这里的「五个版本」不是五次独立采样后全收，而是作为尝试次数。回收与过滤在下一步完成。

3.5 第四步：标签回收与过滤

生成文本里的 <1CUI> 标记只是标记，不是标签本身。要拿到「这段文字里的哪个概念」，还需要把标记内的片段与提示词里的概念对上。

作者的做法是用 Python regex 包的模糊匹配在生成文本里搜索提示词中使用的那个疾病提及。这个包在普通正则之上加入了编辑距离能力，因此允许生成文本与原始提及之间有少量字符差异。编辑距离预算设为 4。

凡是找不到匹配的整条丢弃。经过这一步，候选概念中约九成仍有至少一条留存，其余零留存。

过滤后的保留情况并不均匀：有的概念一条不剩，有的只剩一条，有的多达七条。这一分布本身就是一个信号——概念在模型中的「可表达性」不均等，常见病与结构清晰的病名列更容易被稳定生成，生僻概念则更容易在回收环节失败。

3.6 第五步：论文层面的「自动二次标注」

论文还描述了一个在此之上的处理，需要与数据集本身区分开。

作者先用原始训练集训练一个基线 BioBERT，再用这个基线模型去标注合成文本，把模糊匹配片段之外的其他疾病提及也标出来，称为 Labelled 版本。这样，合成文本中即使出现提示词之外的其他疾病名，也能被利用。

这个 Labelled 版本是论文实验的一部分，用来说明「自动二次标注」能否带来额外收益。数据集本体（PhysioNet 上的那个 CSV）官方只描述了两列 cui 与 matched_output，没有提到 Labelled 列。想复现论文实验的下游处理，需要自己跑一遍：先训基线，再标注。这一点在第六节会作为引用陷阱再次提及。

3.7 流水线与可复现性

GitHub 仓库把上述过程拆成了脚本：数据准备、训练、生成、后处理、下游评测四段，配置集中在 config.toml，另有一条 shell 流水线脚本和 Docker 镜像定义。

复现的前提有两个外部依赖：SemEval 2015 Task 14 语料需按官方页面步骤申请获取，UMLS 需按 NCBI 手册在本地部署并配置账号。也就是说，数据集本身是开放的，生成流水线不是。这一区分对评估「开放获取」实际意味着什么很重要：拿到 CSV 是零门槛，重造一份同样的 CSV 不是。

3.8 与其它合成路线的对照

在同一批以「临床文本短缺」为出发点的合成工作中，本数据集的定位是「围绕词表概念、生成带标签的段落」。对照来看：

• 走「改写已有真实笔记」路线的，产出保留真实临床细节，但受原始笔记分布与访问权限约束；
• 走「规则式患者模拟」路线的，产出结构化字段与事件序列，语体真实度弱但对时间线可控；
• 走「生成式对话或病历」路线的，产出语体接近真实，但标签需要另做标注。

本数据集选择了「生成式 + 生成时即嵌入标签」的组合，好处是标签与文本天然对齐、无需二次标注成本；代价是标签的正确性无法独立于生成质量而成立。这个权衡是理解后续所有质量问题的钥匙。

§4 合成的代价：三个必须直面的问题

4.1 第一个代价：分布偏移

合成数据最根本的问题不是「像不像」，而是「偏在哪」。作者自己在官方页列出了四条局限，其中「质量低于真实病历」与「疾病片段周边语境可能不真实」两条，指向的都是分布偏移。

偏移至少有三层。

第一层是语体偏移。模型在 SemEval 语料上微调，而 SemEval 的体裁是出院小结与影像报告。生成物继承了这个体裁的骨架——表头字段、现病史、主诉，但如果把这份语料直接用于处理门诊记录、护理记录、会诊意见，语体就对不上。论文里 BC5CDR 与 NCBI 两个文献体裁语料上的识别增益明显弱于临床体裁的 SemEval，作者把原因归为「域偏移」，即合成语料生于临床、却要在文献上生效。

第二层是「干净度」偏移。真实病历里有大量非规范写法：拼写错误、缩写歧义、句子中断、模板化复制粘贴、跨段指代。合成文本往往比真实文本更规整——句子完整、术语前后一致、病名出现的位置更「标准」。在规整文本上训练的模型，遇到真实病历的噪声时会有掉点风险。论文没有直接测这一点，但官方局限清单的第一条「幻觉」与第二条「质量低于真实病历」合起来仍指向同一方向。

第三层是概念覆盖偏移。约一成概念在过滤后零保留，而这些概念恰恰可能是最生僻、最需要在长尾上补数据的部分。合成数据的本意是补长尾，结果却在长尾的最末端留下了缺口——这是一个值得下游使用者注意的结构性问题：容易生成的概念得到了补充，最难生成的概念仍然缺失。

4.2 第二个代价：伪相关

伪相关指的是：模型学到的不是「这个病名对应这个编码」的语义关联，而是合成器自身的某种表面规律。

在生成式合成里，伪相关的来源至少有三种。

其一是标记规律。所有病名都被 <1CUI> 与 </1CUI> 包裹，这种标记在真实文本里绝不存在。若下游直接把带标记的文本当输入，模型很可能学会「看到 <1CUI> 就知道这是实体」——回到真实文本就失效。合理用法是剥离标记后再训练，但剥离方式不当（例如残留空格、破坏分词边界）同样会引入虚假信号。官方样例中 beryllium dis 末尾的空格，就是这类边界噪声的实例。

其二是句式规律。模型对同一概念生成五条，这五条在措辞与句式上往往同源，容易共享同一套模板化表达。若训练时按行均匀采样，实际上等于对某些表达方式重复加权，模型学到的是「这个病名通常出现在这种句式里」，而不是「这个病名指这个实体」。

其三是定义文本的泄漏。指令里包含了 UMLS 定义与别名列表，模型在生成时有把定义原样搬进文本的可能。这种文本表面流畅、信息正确，但如果下游用它来做「疾病描述理解」类任务，得到的是对定义的复述，而非真实病历中的表达方式。

论文测到的结果与伪相关假说并不矛盾：归一化任务在「训练集与测试集都未覆盖的概念」（Ablation 设置）上增益归零，而在「加入测试集概念」（Ideal）与「全部加入」（Naive）上有增益。作者据此判断归一化的收益主要来自「向量空间被更多样本填满」，而不是来自「模型学会了新的语义」。这个解释本身就是在说：增益的机制更像是覆盖度的提升，而非能力的提升。

4.3 第三个代价：掉点

「在合成上训出来的模型在真实数据上掉点」，需要区分两种情形，论文对两种情形都有可引用的数字。

情形一：总体指标上升，但未覆盖概念上下降。 以识别任务为例，NCBI 语料的总体 F1 从 0.8310 升到 0.8548（加入全部合成数据的 Naive 策略），但同一策略下的未覆盖概念（OOD）F1 从 0.7622 降到 0.7539。也就是说，总量上看是提升，但在「最需要补的那部分」上是退步的。BC5CDR 的未覆盖概念 F1 从 0.6200 降到 0.6168，同样是小幅下降。

情形二：测试集概念被专门喂进去时才涨。 识别任务的 Ideal 策略（只加入测试集中出现的概念）在三个语料上的总体 F1 都低于基线：SemEval 0.7957 降到 0.7933，BC5CDR 0.7888 降到 0.7979，NCBI 0.8310 降到 0.8213。这说明「针对性补充测试概念」这种看起来最聪明的做法，在识别任务上反而没有效果——增益来自别的地方。

归一化任务的情形则相反，且更值得注意。三个语料上，未覆盖概念的 top-1 准确率基线全部为 0.0000，加入合成数据后升到 0.2199 至 0.5500。这个从零到正的结果有明确的机制解释：编码型归一化模型在训练时没见过的概念，其向量根本不在候选池里，因此不可能被选中；加入覆盖该概念的合成样本后，该概念的向量被引入，才有被选中的可能。这既是合成数据价值最确凿的证据，也提醒使用者：增益的性质是「补齐可达性」，不是「提升分辨力」。

把三种情形放在一起，可以得出一个对使用者的直接含义：合成数据的收益高度依赖任务类型与增量策略，不能假设「加了就涨」。 识别任务上，增益在 1 到 2 个百分点，且集中在已经出现过的概念；归一化任务上，增益在 3 到 9 个百分点，主要来自新概念的引入。若把这两类结论互换使用，就会得到错误预期。

4.4 官方自陈的局限与本文的补充

官方页的局限清单只有四条，文字极简：幻觉；质量低于真实病历；疾病片段周边语境可能不真实；并非所有 CUI 都被覆盖。作者随后加了一句结论性说明：这些局限使其质量低于金标准版本的病历，且「可能影响未在其工作中测试过的其他模型」。

这句话的分量值得单独指出。它等于承认：论文中报告的增益，是在论文自己设定的评测条件（三个语料、四种策略、四个模型）下得到的，换一个模型或换一个语料，结论不保证成立。这不是谦辞，而是对适用范围的技术性限定。

在此之上，本文补充三条官方未展开、但使用者会遇到的问题：

• 体裁单一：微调语料只有出院小结与影像报告两类，生成物继承这一限制，跨体裁使用时需要重新评估；
• 标记不承载语义：<1CUI> 是「任意选定的分隔符」，不同行的标记完全相同，不携带概念信息，剥离与否需谨慎；
• 覆盖率并非随机缺失：零保留的概念更可能是表达困难的概念，缺失结构性地落在长尾末端。

这三点合并起来，构成了对「合成数据可以无差别替代真实数据」这一说法的反驳。它替代的是成本与可及性，不是分布真实度。

§5 怎么拿到：开放但不等于随便分发

5.1 访问政策原文与解读

PhysioNet 项目页在 Access 一栏给出一句话：「任何人只要遵守指定许可的条款即可访问文件。」项目类别标注为 Database Open Access，许可为 Open Data Commons Attribution License v1.0。

这句话包含两个要点。第一，访问门槛是零——没有受训认证、没有数据使用协议、没有申请审批的表述。这与同站 MIMIC 系列的 MIMIC-III、MIMIC-IV 形成对比：后两者要求在 PhysioNet 完成 CITI 培训并签署数据使用协议，本数据集没有这些要求。第二，义务是署名——ODC-By 1.0 是署名型许可，使用时需保留归属。

5.2 抓取时点遇到的区域提示

访问官方页时，文件区显示的不是文件列表，而是「Data Not Available — Data is not available in your region due to legal or policy restrictions」。这属于按区域拦截，不是授权门槛。

这个提示容易被误读成两种意思：一是「需要申请」，二是「数据已下架」。两种都不准确。正确的理解是：页面本身声明了开放访问政策，但访问者的网络位置触发了区域策略，文件不可见。同一数据在其它区域是否可直接下载，未经独立验证；引用时不宜把区域提示写成访问限制。

5.3 许可的边界：数据集开放，上游未必

ODC-By 1.0 覆盖的是这份合成产物。但它不能覆盖上游的两份材料，二者各自有独立的授权路径：

材料	用途	授权路径
SemEval 2015 Task 14 语料	微调生成器、部分评测	按官方数据页步骤申请获取
UMLS 词表	提供概念、别名与定义	需 NLM 许可账号，本地部署

因此存在一个常见的误判：看到数据集是 ODC-By，就认为可以自由地「重跑流水线再分发结果」。实际上，不做生成只做使用，只需遵守 ODC-By；要重跑生成，必须先合法取得两份上游。这两件事的门槛差得很远。

还有一层需要说明的伦理背景：虽然产物是合成的，但生成器的微调语料源自 MIMIC-II 的去标识病历。官方 Ethics 段说明，MIMIC-II 经贝斯以色列女执事医疗中心与麻省理工学院的机构审查委员会批准，因不干预临床且全部受保护健康信息已去标识而豁免个体知情同意；同时说明训练与生成过程在隔离环境中完成，项目全程仅作者可访问集群与数据。这段说明回答的是「合成产物的隐私风险从何而来、如何被控制」，而不是「谁能用这份数据」。

5.4 使用前的合规动作清单

1. 确认使用目的落在 ODC-By 允许范围内（署名即可用，无用途限制条款）；
2. 在使用方文档中保留来源、版本与 DOI，并保留 ODC-By 的署名要求；
3. 若计划重跑生成流程，先分别取得 SemEval 语料与 UMLS 的合法访问权；
4. 若下游系统将输出给临床人员查看，需评估合成文本被误认为真实病历的风险，并在界面或文档中标注数据来源为合成；
5. 若用于发表，引用时区分「引用数据集」与「引用论文」两种格式。

5.5 引用格式

数据集引用（按官方页 APA 示例）：Sasse, K., & Osborne, J. D. (2025). Synthetic Mention Corpora for Disease Entity Recognition and Normalization (version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/p5pn-ty93

论文引用：Sasse K, Vadlakonda S, Kennedy RE, Osborne JD. Disease Entity Recognition and Normalization is Improved with Large Language Model Derived Synthetic Normalized Mentions. arXiv:2410.07951.

两者的作者列表不同（数据集两人、论文四人），这是登记口径差异，不是笔误。引用数据集时按官方示例写两人即可。

§6 质量与已知问题

6.1 假设—支持—反对：三个待判问题

假设	支持证据	反对证据	结论强度
合成语料可替代真实临床语料用于训练	归一化任务未覆盖概念 top-1 从 0 升至 0.22–0.55；官方称可避免真实数据的隐私泄露风险	官方自列幻觉与质量低于真实病历；作者称其可能影响未测试过的模型	B（两条独立证据线，指向部分替代）
合成语料的增益来自语义能力提升	识别与归一化总体指标普遍上涨	理想策略（只加测试集概念）在识别任务上反而低于基线；消融策略在归一化任务上增益归零	C（单一来源，且作者自己给出相反解释）
体裁差异会削弱跨域效果	临床体裁 SemEval 上识别增益最大；文献体裁 BC5CDR 与 NCBI 上未覆盖概念无显著改善	文献体裁的总体识别 F1 仍有 2 至 3 个百分点的提升	B（作者明确归因于域偏移）

三条结论的强度都不高，原因在于所有数字都来自同一篇论文、同一套实验。没有第二支团队在独立条件下复现过这些数字，这是评估时应保留的余地。

6.2 标签质量的两个具体来源

标签由流水线自动产生，质量取决于两个环节。

第一个环节是标记回收。模糊匹配的编辑距离预算为 4，意味着生成文本中的片段与原始提及之间最多允许 4 个字符的差异。这个预算对短病名偏宽松、对长病名偏严格。官方样例中被截断成 beryllium dis 的片段说明，即使通过筛选，边界也未必完整——少了 ease 四个字符，刚好在预算边缘。

第二个环节是去重。同一概念下的重复提法被剔除，但「重复」的判定标准官方未披露。若判定过宽，会保留近乎相同的表述，削弱多样性；若判定过严，会把本应保留的不同表达删掉。这一参数对下游的多样性影响很大，但不在公开文档中。

6.3 覆盖率的结构性缺口

候选概念与其最终覆盖数之间的缺口约 5,778 个。官方只给出这一差值，没有说明这些概念为何失败。

可以合理推断的方向有两个：一是概念本身在 UMLS 中的名称或定义不足以支撑生成，二是生成文本未能通过标记回收。无论哪种，结果都是：这些概念在数据集中完全没有样本。

对下游的含义很直接：如果使用者关心的是某个具体稀有疾病，应当先检查该疾病的 CUI 是否在 47,654 个之列，而不是默认「十万条数据应该覆盖到了」。

6.4 与真实临床语料的差异清单

维度	真实临床语料	本合成语料
文本来源	病历系统导出、去标识	语言模型生成
标注方式	人工标注 + 一致性检验	生成时嵌入标记 + 规则回收
标注一致性指标	通常报告 Kappa 或一致率	未报告
非规范写法	拼写错误、缩写、断句大量存在	相对规整，但可能出现无意义幻觉
患者层面的真实关联	同一患者多次就诊可串联	无，每条文本独立生成
隐私风险	依赖去标识质量	无直接隐私风险，但有上游泄漏的间接风险
更新维护	随病历系统演进	依赖模型与词表版本，重生成才能更新

这张表最值得注意的是「标注一致性指标：未报告」一行。人工标注语料通常会报告标注者间一致性，合成语料没有标注者，因而也没有这一指标。使用者若习惯用一致性数字判断语料可靠性，在这里会找不到锚点，只能退回到「生成质量」这一更模糊的判断。

6.5 论文表格中的数值异常

论文的三张归一化结果表（SemEval、BC5CDR、NCBI）中，NCBI 表的 KrissBERT 四格数值与 SemEval 表完全相同：基线 top-1 均为 0.7604、Naive 均为 0.7903、未覆盖概念基线均为 0.0000、Naive 均为 0.2199。此外，三张表中的 QuickUMLS 与 SciSpacy 文本基线取值也出现跨表重复。

这种完全相同的概率在独立实验中极低，更可能的原因是表格排版时复用了上一张表的内容，或预印本渲染环节出现错误。问题在于，无法从公开材料判断究竟是哪一种。引用这三张表的数字时，稳妥做法是只引用有独立佐证的部分，例如 SemEval 与 BC5CDR 的 SapBERT 行，或明确指出「NCBI 表数值与 SemEval 表完全相同，疑为表格复用」。

这一条不影响数据集本身，但影响对论文结论强度的判断——如果 NCBI 的数字不可靠，那么「三个语料上均有一致提升」这一表述就少了三分之一的支撑。

§7 能做什么：任务清单与最小可执行路径

7.1 官方列出的三类用途

官方 Usage Notes 给出三类用途，表述简短：

1. 训练更好的疾病识别模型（临床与生物医学文本）；
2. 训练更好的疾病归一化模型（临床与生物医学文本）；
3. 在一个新数据集上评测识别与归一化模型。

第三类常被忽略。由于合成语料与真实语料在分布上不同，用它做评测得到的是「模型在合成分布上的表现」，这个数字本身不能替代真实评测，但可以作为压力测试或鲁棒性对照——例如观察模型在面对规整文本与面对真实噪声文本时的差距。

7.2 四种增量策略的选择

论文实验定义了四种把合成数据加入训练的方式，这四种方式对使用者最有直接指导价值：

策略	加入什么	适用场景	论文中的表现
全部加入（Naive）	全部合成数据	默认起点，不假设已知测试集分布	归一化上稳定有效；识别上有 1 至 2 点提升
只加测试概念（Ideal）	只加与测试集概念重合的部分	已知目标概念集时的上限估计	识别任务上低于基线；归一化上有效但弱于全部加入
只加训练集没有的（Supplemental）	概念不在训练集的部分	希望补长尾且不引入重复	识别上与基线持平或略高
去掉测试概念的（Ablation）	排除测试集概念后的部分	检验增益是否只是测试概念泄漏	识别上表现最好；归一化上增益归零

这张表里最反直觉的一行是识别任务的 Ideal 策略：只加入测试集里出现的概念，反而低于基线。合理的解释是，识别任务学的是「什么样的字串是疾病」，靠的是表达方式的多样性；仅仅把某个病名的更多提法塞进训练集，并不增加模型对「什么是疾病片段」的判断能力，反而可能因为合成文本的规整度拉偏分布。

而 Ablation 在识别任务上表现最好，说明识别任务的增益主要来自「已有概念的更多提法」，不是来自「新概念的引入」。这与归一化任务的结论正好相反。

7.3 最小可执行示例

下面的片段演示从 CSV 读取、剥离标记、构造以 CUI 为标签的样本。代码只用标准库，不依赖特定框架。

import csv, re

TAG = re.compile(r"<1CUI>(.*?)</1CUI>", re.S)

def load(path):
    with open(path, newline="", encoding="utf-8") as f:
        for row in csv.DictReader(f):
            cui = row["cui"].strip()
            text = row["matched_output"]
            m = TAG.search(text)
            if not m or not cui:
                continue          # 标记缺失的行直接跳过
            span = m.group(1)
            clean = TAG.sub(span, text)   # 剥离标记但保留字面文本
            yield {"cui": cui, "span": span, "span_start": clean.find(span), "text": clean}

// 统计覆盖情况：先确认目标概念是否在覆盖概念集之内
def coverage(rows, target_cuis):
    seen = {r["cui"] for r in rows}
    hit = target_cuis & seen
    return len(hit), len(target_cuis), len(hit) / max(len(target_cuis), 1)

三点使用提示：

• 剥离标记时用 TAG.sub(span, text)，而不是直接删掉标签。直接删除会留下标记之间的空格与截断片段，破坏分词边界；
• span_start 用剥离后的文本计算，不要用原始文本的位置，否则偏移会因标签长度而错位；
• 先做覆盖率检查再决定是否使用，避免在目标概念上白花训练时间。

7.4 归一化任务的使用要点

若用于归一化，需注意本语料的标签空间是 UMLS CUI，而许多公开评测集的标签是 MeSH 或 OMIM。论文在 BC5CDR 与 NCBI 上的做法是先把这些编码映射到 UMLS 再比较。使用者在混用不同来源数据时，必须先统一编码体系，否则同一疾病在不同词表下会被当作不同类别。

编码型归一化模型（如以对比学习预训练的编码器）适配合成数据的方式相对直接：把所有提及过一遍模型得到向量，推理时取最近邻。这类模型对「概念是否在候选池中」极为敏感——未覆盖概念在基线下的 top-1 准确率是零，原因不是模型分辨力差，而是候选池里根本没有该概念的向量。

7.5 不推荐的用法

• 直接把带 <1CUI> 标记的原始文本交给模型训练；
• 用合成语料的困惑度或流畅度作为「临床文本质量」的代理指标；
• 把合成语料上的评测分数当作系统上线前的验证依据；
• 用合成语料做流行病学统计或疾病频率推断——每条文本的生成次数反映的是概念在词表中的可表达性，不是人群中疾病的发生率。

最后一条尤其要强调：这份数据里某疾病出现多少条，取决于该概念能否被模型顺利生成，与实际患病人数没有任何关系。任何按条数做的频率推断都是无效的。

§8 常见误读与引用陷阱

常见说法	实际口径	证据位置
「13 万条真实疾病提及」	全部由语言模型生成，非真实文本；128,945 是行数	官方 Abstract 与 Descriptive Statistics
「12.8 万与 12.9 万矛盾，文档有错」	两个数都有出处，128,000 是摘要的舍入，128,945 是精确行数	官方 Abstract 与 Descriptive Statistics
「每个概念都有五条」	五条是生成尝试数；保留后每概念 1 至 7 条，中位 3、均值 2.7	官方 Methods 与 Descriptive Statistics
「覆盖了全部 UMLS 疾病概念」	覆盖 47,654 个，候选 53,432 个，缺口约一成	官方 Methods
「标签由人工标注」	非人工：生成时嵌入标记，再由编辑距离 ≤4 的模糊匹配回收	官方 Methods
「需要在 PhysioNet 完成培训并签协议」	官方访问政策为公开，无培训与协议要求；与 MIMIC 系列不同	官方 Access 栏
「下载页提示不可用，说明数据需申请」	提示为区域政策拦截，不是授权门槛	官方 Files 栏原文
「许可证是 CC BY」	是 Open Data Commons Attribution License v1.0，同为署名型但非 CC 系列	官方 License 栏
「在三个语料上归一化一致提升 20 至 55 点」	NCBI 表数值与 SemEval 表完全相同，疑为表格复用，该结论少三分之一支撑	论文 Table 5 与 Table 7
「文件里含 Labelled 版本」	官方只描述两列；Labelled 版是论文中自行用基线模型标注的中间产物	官方 Data Description 与论文方法
「同一概念的五条是五次独立采样」	五次是尝试，回收与去重后合并，重复提法被剔除	官方 Methods
「可以直接替代真实病历做误差分析」	官方自列幻觉与质量低于真实病历两项局限	官方 Limitations

8.2 五个技术陷阱

陷阱一：标记不是标签，是「答案位置」。 <1CUI> 与 </1CUI> 在所有行里完全相同，不携带概念信息。它们的唯一作用是标出片段边界，概念由 cui 列承担。把标记当作特殊 token 喂给模型，等于引入一个真实文本中不存在的强信号。

陷阱二：边界截断不会被标记出来。 官方样例中 beryllium dis 少了词尾。数据里没有任何字段提示「该条边界可能不完整」。若下游对边界精度敏感（例如做实体对齐），需要自行做后处理校验，例如检查片段是否为完整词语。

陷阱三：cui 列存的是提示词里的概念，不是模型实际写出来的概念。 若模型在生成时把病名写成了另一个疾病的别名，而该别名在编辑距离 4 以内，这条仍会被保留，标签却是原概念。这种情况发生的频率官方未统计，属于未量化风险。

陷阱四：旧版本 DOI 与最新版本 DOI 不同。 页面同时给出 10.13026/p5pn-ty93（v1.0.0）与 10.13026/e0kj-js78（latest）。当前版本列表只有 1.0.0，两枚 DOI 却不等。引用时应写明确版本 DOI，避免读者顺着 latest DOI 找到不同内容。

陷阱五：字符长度不是 token 长度。 官方统计的 273 至 3,355 是字符数。临床术语中缩写与长复合词多，字符数与 token 数的比例在不同分词器上差异明显。按字符数规划批次大小时，容易低估显存或高估吞吐。

8.3 检索时的常见混淆

以「synthetic disease mentions」为关键词检索，会同时命中若干不同工作：有的做疾病名生成用于数据扩充，有的做合成对话用于问答训练，有的做结构化患者模拟。这几类工作的产物形态、授权条件与评测方式都不同，把它们的数字放在一起比较没有意义。

同理，本数据集与作者所在机构发布的其它合成语料（例如同一批作者围绕临床笔记的其它工作）不是同一份数据的版本关系，不能互相替代引用。

§9 在生态中的位置

9.1 词表与标注语料的上游

这份语料站在两条既有基础设施之上。

一条是词表层。统一医学语言系统（UMLS）把上百个来源词表的概念归并到 CUI 体系，疾病语义组是其中与疾病、症状相关的部分。本语料的全部标签都来自这一体系，因此它的标签空间与 UMLS 的版本直接绑定——UMLS 更新后，某些概念的 CUI 或归属可能变化，导致旧语料与新词表不完全对齐。

另一条是标注语料层。SemEval 2015 Task 14 提供了带疾病片段标注的临床文本，是本语料微调的唯一数据来源；NCBI Disease 语料与 BC5CDR 提供了文献体裁的疾病标注，用于评测。这三者构成了一条从「人工标注的少量真实语料」到「自动生成的大量合成语料」的链条。

9.2 同类合成路线的四种形态

以「绕过真实临床文本的获取成本」为共同目标，当前可见的合成路线大致分为四类，本数据集属于其中的第三类：

形态	代表做法	产物	与本数据集的关系
规则式患者模拟	按临床流程规则生成事件序列	结构化字段与时间线	互补：结构化 vs 文本
生成对抗网络	从真实分布学习生成数值或序列	结构化或信号级数据	互补：非文本
预训练模型改写/生成文本	在真实语料上微调后改写或新生成	段落级文本	同类：本数据集属此类
对话式生成	生成医患对话	交互文本	邻域：任务不同

第三类的共同特点是依赖一个已训练的语言模型作为生成器，产物是自然语言，标签要么在生成时嵌入、要么事后标注。本数据集选择的是「生成时嵌入」，这条路线的优点是标签与文本天然对齐，缺点是无法独立校验。

9.3 库内的相邻条目

在千方医数集的条目网络中，与这份语料关系最近的有以下几类，建议作为延伸阅读或对照：

• 词表与编码体系：UMLS 条目提供 CUI 体系的完整说明，本语料的全部标签都挂在这一体系上；不熟悉 CUI 的读者应先读该条，否则 cui 列的含义难以把握。
• 疾病标注金标准：NCBI Disease 语料是与本语料同任务的、由人工标注的小规模金标准，规模在千级提及，可作为「真实标注」的对照参照系。
• 文献体裁疾病标注：BC5CDR 提供 PubMed 文献中的化学与疾病标注，是论文的三个评测集之一，也是理解跨体裁评测的重要参照。
• 全实体链接语料：MedMentions 覆盖 UMLS 全部实体类型而非仅疾病，规模远大于它，可用于比较「疾病专用」与「全域」两种语料设计。
• 规则式合成病历：Synthea 以规则模拟患者群体并导出结构化病历，与它的生成式文本路线形成方法对照。
• GAN 合成结构化数据：Health Gym 提供基于真实重症数据的合成版本，属非文本类合成，可与非文本任务对照。
• 真实病历改写与合成笔记：MIMIC-Ext-SynNotes、MedSynth、SimSUM 三条都在做「用语言模型产出临床文本」，但其任务目标（改写、对话、表格抽取）与它的实体标注目标不同，对照阅读可看清同一技术在不同任务下的取舍。

9.4 中性定位

在方法谱系上，本数据集的位置可以这样描述：它把「词表驱动」与「生成式语言模型」两个要素结合，用于解决实体识别与归一化训练数据的长尾问题；它的价值集中在归一化任务的新概念覆盖上，在识别任务上的边际收益较小；它的主要风险来自生成器本身的偏置与体裁单一，而非隐私问题。

它不构成对真实标注语料的替代，也不足以单独支撑一个临床系统的训练。更合适的定位是：在已有真实语料的基础上，用于补充长尾概念的样本来源。

§10 总结

10.1 适用与不适用

适合：

• 训练或微调疾病归一化模型，特别是在候选概念池需要扩充的情况下；
• 为长尾疾病概念补充训练提法，缓解训练集中「罕见病一条都没有」的问题；
• 作为识别与归一化流水线的压力测试集，观察模型在规整合成文本上的表现；
• 研究合成数据的增益来源，其四种增量策略的设计可直接复用；
• 在不便接触真实病历的环境下，做方法原型验证。

不适合：

• 替代真实临床语料做系统的误差分析或部署前验证；
• 做疾病频率、共病模式等流行病学推断；
• 直接作为临床语言风格或书写规范的参考；
• 需要完整边界标注的实体对齐任务（存在截断风险）；
• 面向门诊、护理、会诊等非出院小结与影像报告体裁的任务。

10.2 三句话概括

这份语料用微调后的大语言模型围绕 UMLS 疾病概念生成了近十三万条带编码的提及，把「找病名」与「对编码」两件事的训练样本从受限的真实病历转移到了可自由生成的空间。

它的实际价值不对称：归一化任务上，未覆盖概念从零提升到可被检索，增益明确；识别任务上，增益仅一到两个百分点，且在未覆盖概念上不成立。

它的代价也明确：生成器自身的偏置会被学走，体裁单一带来分布偏移，标签由规则回收而非人工校验，官方自己把它定性为「质量低于金标准病历」。

附录 A 关键数字速查

项	值
行数	128,945
覆盖 CUI	47,654
候选 CUI	53,432
每 CUI 条数（中位 / 均值）	3 / 2.7
每 CUI 条数（范围）	1 至 7
字符长度（中位 / 均值）	750 / 745
字符长度（范围）	273 至 3,355
生成阶段每概念尝试数	5
模糊匹配编辑距离预算	4
微调装备	Q-LoRA，4 比特，2 epoch，学习率 2e-5，rank 64
文件数	1（CSV，两列）

附录 B 缩写表

缩写	全称	中文
DER	Disease Entity Recognition	疾病实体识别
DEN	Disease Entity Normalization	疾病实体归一化
NER	Named Entity Recognition	命名实体识别
EN	Entity Normalization	实体归一化
CUI	Concept Unique Identifier	概念唯一标识符
UMLS	Unified Medical Language System	统一医学语言系统
OOD	Out of Distribution	分布外
Q-LoRA	Quantized Low Rank Adaptation	量化低秩适配
BC5CDR	BioCreative 5 Chemical-Disease Relation	第五届 BioCreative 化学-疾病关系语料
ODC-By	Open Data Commons Attribution License	开放数据公共署名许可

附录 C 使用前检查清单

1. 目标疾病的 CUI 是否在 47,654 个覆盖概念之内；
2. 目标语料的体裁是否与出院小结、影像报告相近；
3. 是否已剥离 <1CUI> 标记，且剥离方式未破坏分词边界；
4. 归一化目标编码体系是否已统一到 UMLS；
5. 是否设计了不含合成数据的基线对照；
6. 是否检查了片段边界是否存在截断；
7. 是否在文档中标注了数据来源为合成；
8. 引用时是否写明了版本 DOI 而非 latest DOI。

附录 D 未覆盖内容

• 各类幻觉的具体类型分布与发生率：官方未统计；
• 模糊匹配的误标率：官方未报告；
• 按疾病类别（肿瘤、感染、遗传等）的覆盖分布：官方未提供；
• 生成文本与真实病历在词汇、句长、句法层面的定量对比：论文未做；
• 在识别与归一化之外的其它任务（如关系抽取、实体链接到非 UMLS 词表）上的表现：未评测；
• 12.9 万条数据的总体字节尺寸：官方 Files 区不可见，未能取得。

附录 E 检索模板

• 找原始项目页：physionet synthetic-mention-corpora
• 找方法论文："synthetic normalized mentions" arxiv
• 找配套代码：synth-der-den github
• 找同类合成语料：synthetic clinical notes LLM disease NER
• 找词表背景：UMLS disorders semantic group CUI

附录 F DAIMS 评估

维度	评级	说明
可获得性（Data Accessibility）	高	公开访问政策、ODC-By 许可、单一文件；障碍在区域策略而非授权
可互操作性（Interoperability）	中	标签为标准 UMLS CUI，可跨词表映射；但文本体裁单一、标记需自行剥离
可复用性（Reusability）	中	格式简单、加载零成本；但缺一致性指标、缺幻觉统计、缺类别分布，复用时需自行评估
数据质量（Data Quality）	低至中	官方自陈四类局限；标签由规则回收，边界存在截断；论文表格数值存在复用疑点
可维护性（Maintainability）	中	有配套代码与 Docker 镜像；数据本体仅一个版本，更新依赖重新生成

DAIMS 的评级依据是「使用者能否在不追加大量工作的前提下判断数据是否适用」。可获得性最强，质量维度最弱，这与前文的判断一致：这份数据的开放成本低，但使用前的验证成本不低。

编辑说明

核验时间：2026-10-18。核验方式：PhysioNet 项目页 v1.0.0 正文逐段对照（Abstract、Background、Methods、Data Description、Descriptive Statistics、Usage Notes、Limitations、Ethics、Acknowledgements）；论文 arXiv:2410.07951v1 全文（方法、Table 3 至 Table 7、讨论、结论、可用性声明）；GitHub 仓库 README 与目录结构；库内条目通过只读查询取得 rid。

双口径存照（正文已按实核结果处理，此处留底）：

1. 行数 128,945 与摘要「约 128,000」并存，前者为精确值；
2. 生成五次与平均保留 2.7 条并存，前者为尝试数、后者为过滤后保留数；
3. PhysioNet 登记作者两人、论文作者四人，引用时按用途分别取用；
4. 官方页同时给出 v1.0.0 DOI 与 latest DOI，两枚不相同，latest 指向何版本未说明；
5. 论文 Table 7 的 KrissBERT 四格与 Table 5 完全相同，Table 6 与 Table 7 的 QuickUMLS、SciSpacy 取值亦重复，判断为表格复用或渲染错误，未能从公开材料进一步确认。

遗留疑点：

• 官方 Files 区因区域策略不可见，SYNTHETIC_MENTIONS.csv 的实际文件大小与校验值未能取得；
• Labelled 版本是否随数据集一并发布，无法从公开描述确认；
• 模糊匹配的去重规则、beryllium dis 类截断的具体成因，官方均未披露；
• 约 5,778 个未覆盖概念的具体清单与失败原因未披露；
• 论文未在正式期刊发表，arXiv 页未见卷期信息。

版本日志：v1.0（2026-10-18）首版，对应数据集 1.0.0。

下次复核重点：官方是否发布新版本或修订 latest DOI 指向；Files 区是否在其它区域可直接访问；论文是否正式发表并修订表格数值。

---

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：

• craft — 共享标签：医疗NLP / 命名实体识别 / 生物医学文献 / 评测基准 / 知识图谱
• medlexsp — 共享标签：医疗NLP / 命名实体识别 / 临床文本 / 生物医学文献 / 知识图谱
• pubtator-central — 共享标签：医疗NLP / 命名实体识别 / 生物医学文献 / 评测基准 / 知识图谱
• distemist — 共享标签：医疗NLP / 命名实体识别 / 临床文本 / 知识图谱
• umls — 共享标签：医疗NLP / 命名实体识别 / 临床文本 / 知识图谱
• maccrobat — 共享标签：医疗NLP / 命名实体识别 / 临床文本 / 生物医学文献
• real-mednlp — 共享标签：医疗NLP / 命名实体识别 / 临床文本 / 评测基准
• cats-58 — 共享标签：命名实体识别 / 临床文本 / 评测基准 / 知识图谱
• medmentions — 共享标签：医疗NLP / 命名实体识别 / 生物医学文献 / 知识图谱
• biored — 共享标签：医疗NLP / 命名实体识别 / 生物医学文献 / 知识图谱

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。