信息速览
INFOBOX — TCM-SD 一屏速览
维度 内容 本质 首个公开的大规模中医辨证（syndrome differentiation）基准——把「望闻问切后判断属哪种证」变成 148 类文本分类 团队 北京理工大学计算机学院（黄河燕团队）+ 徐州市中医院；通讯 Mucheng Ren 论文 CCL 2022（第 21 届全国计算语言学会议），pp. 908–920；arXiv:2203.10839（v1 2022-03-21） 规模 54,152 条真实门诊病历、148 种证型；原始逾 65,000 条、548 类 划分 8:1:1（训练/验证/测试） 标签归一 548 →（合并 + 剪枝）→ 244 →（过滤 <10 样本）→ 148 配套模型 ZY-BERT：4 亿+ token 中医语料、24 层、WWM 预训练 最强结果 Test 集 ZY-BERT Acc 82.19% / Macro-F1 51.01% 关键落差 RoBERTa 的 Acc 82.26% 略高于 ZY-BERT，但 Macro-F1 低 3.46 个百分点——长尾才是难点 获取 GitHub Borororo/ZY-BERT（train/dev + test.json）+ 阿里云天池 dataId=139034（train/dev，9.59 MB）许可 CC BY-NC-SA 4.0 + 天池附加「仅学术研究」条款；论文正文未声明 库内互链 tcmeval-sdt(1053)、tcmssd(1054)、tcm-tongue(1052)、tcmbank(1124)、mtcmb(1108)、cmedqa2(825)
TCM-SD 做的事情，用一句话说：把中医门诊病历上那句「证属脾肾阳虚」背后的判断过程，拆成一个机器可以做、可以复现、可以打分的分类题。给定一段由现病史、主诉和四诊描述组成的自然语言文字，模型要从 148 种证型中选出唯一正确的那一种。54,152 条记录全部来自真实门诊，不是教材例题，也不是合成文本——这正是它在 2022 年出现时被称为「第一个公开大规模辨证基准」的分量所在。
与库内同域条目相比，它的坐标很清晰：tcmeval-sdt（rid 1053）问的是「模型能不能像中医师那样一步步推理」，而 TCM-SD 问的是「模型能不能判对」——前者是思维过程的切片，后者是整个诊断结果的粗粒度标签。两者恰好构成「过程」与「结果」的两极。
导语读法三则：
- 只想下数据跑 baseline：直奔 §6 获取与许可——GitHub 拿 train/dev 与 test.json 最快，天池只给 train/dev。
- 想搞清楚 148 类是怎么来的：看 §3 与 §4 的归一化链条，548→244→148 是这份数据集最容易被误读的部分。
- 想判断它是否适合你的课题：先看 §9 局限（长尾、单中心、非商用许可）与 §11 DAIMS 评分，再决定要不要用它做主线基准。
§0 导读：这个数据集解决什么问题
0.1 一句话问题陈述
中医辨证（syndrome differentiation, SD）：医生通过望、闻、问、切四诊收集患者信息，判断其当前属于哪一种「证」（zheng, 证型/证候），再依据证型选方用药。同一疾病可有不同证型，不同疾病也可有同一证型——这正是中医「同病异治、异病同治」的理论基础。
TCM-SD 把这个过程形式化为：
输入 = 一段自由文本病历（现病史 + 主诉 + 四诊描述）
输出 = 148 种证型中的 1 种
0.2 它填的是哪一块空白
在 2022 年之前，中文医疗 NLP 的公开数据集集中在现代医学：电子病历命名实体识别、医学问答、医学考试题、影像报告生成等。中医方向的数据资源要么是规模过小（几百到几千条），要么是私有不可得。作者在论文中用一句很直白的判断概括了现状：「existing datasets are not of sufficient quality nor quantity to support the further development of data-driven AI technology in TCM」。
TCM-SD 的填补方式有三层：
- 量：54,152 条，比同期中医 NLP 数据集高出一到两个数量级；
- 质：真实门诊记录而非教材改写，保留了口语化、省略、术语不一致等真实噪声；
- 配：同时放出领域预训练语料与 ZY-BERT 权重，使后来者不必从零预训练。
0.3 与「影像/队列大数据集」的根本区别
TCM-SD 不是影像数据集，也不是队列随访数据集。它的每一条记录都是一个短文本 + 单标签样本，体量在几十到几百字的量级，没有时间序列、没有影像、没有结构化检验值。它的数据形态更接近文本分类基准（如 AG News、THUCNews），而非临床数据库。理解这一点，才能理解为什么它的评估指标是 Accuracy 与 Macro-F1，而不是 AUC 或生存分析指标。
0.4 这篇条目怎么读
- §1 十问十答：五分鐘建立全景；
- §2 数据构成与规格：字段、划分、规模；
- §3 机构与团队：谁做的、为什么可信；
- §4 证型归一化：548→244→148 的完整逻辑；
- §5 任务设计与 ZY-BERT：模型侧的做法；
- §6 获取与许可：怎么拿到、能做什么；
- §7 评估结果：11 个模型的完整分数表；
- §8 生态与互链：与库内条目的关系；
- §9 局限与争议：使用前必须知道的事；
- §10 方法学启示：从这份数据里能学到什么；
- §11 DAIMS 成熟度评估：五维评分；
- §12 FAQ、§13 术语与事实清单、§14 来源核验。
§1 数据集速览：十问十答
问 1：TCM-SD 是什么？
一个公开的中医辨证文本分类基准，含 54,152 条真实门诊病历、148 种证型，附带领域预训练模型 ZY-BERT。
问 2：谁做的？
北京理工大学计算机学院黄河燕教授团队（Mucheng Ren、Heyan Huang、Yuxiang Zhou、Qianwen Cao、Yang Gao）与徐州市中医院 Yuan Bu。
问 3：什么时候发布？
arXiv v1 于 2022 年 3 月 21 日提交，v2 于 2022 年 8 月 3 日修订；正式发表于 2022 年 10 月的 CCL 2022（第 21 届全国计算语言学会议），收录于会议论文集第 908–920 页。
问 4：数据从哪来？
徐州市中医院的真实门诊病历。天池页致谢明确写「感谢徐州市中医院提供的数据支撑」，并感谢卜渊主任、周永兰博士等医疗从业者的专业咨询。论文本身未披露具体采集时间窗。
问 5：有多大？
54,152 条样本、148 个类别。原始记录逾 65,000 条、原始证型 548 类。
问 6：怎么划分？
按 8:1:1 分为训练集、验证集（dev）、测试集。论文只给比例与总数，未给分项绝对值。
问 7：任务是什么？
主任务是 148 类文本分类。另有补充实验把任务改写为抽取式机器阅读理解（MRC），用证型名称作为答案 span。
问 8：有没有配套模型？
有。ZY-BERT（ZhongYi-BERT），用逾 4 亿 token 中医语料预训练，24 层 Transformer，采用全词掩码（whole word masking, WWM）。
问 9：能下载吗？
能。GitHub 仓库 Borororo/ZY-BERT 提供 train/dev 压缩包、带答案与不带答案的 test.json、代码包；阿里云天池 dataId=139034 提供 train/dev（9.59 MB）。
问 10：能商用吗？
不能。许可为 CC BY-NC-SA 4.0，天池页另附条款「该数据仅能用做学术研究用途，禁止用于商业等其他任何非学术研究的行为」。
1.1 硬数字一览表
| 指标 | 数值 | 口径 |
|---|---|---|
| 原始病历数 | 逾 65,000 | 论文原文 |
| 最终样本数 | 54,152 | 摘要 / 天池页 / Anthology 一致 |
| 原始证型类数 | 548 | 归一化前 |
| 合并后类数 | 244 | Merging + Pruning 后 |
| 最终类数 | 148 | 过滤 <10 样本类后 |
| 划分比例 | 8:1:1 | train/dev/test |
| 外部知识证型数 | 1,027 | 爬自 www.dayi.org.cn |
| 预训练语料 | 逾 4 亿 token（0.4B） | Table 2 |
| 模型层数 | 24 | Table 2 |
| 最高 Test Acc | 82.19% | ZY-BERT |
| 最高 Test Macro-F1 | 51.01% | ZY-BERT |
| 数据包大小 | 9.59 MB | 天池 TCM_SD_train_dev.zip |
| 下载计数 | 2,495 | 天池页 2026-10-17 抓取时点 |
1.2 关键版本与时间点
| 时间 | 事件 |
|---|---|
| 2021-12-02 | GitHub 仓库首次提交（含代码与样例数据） |
| 2022-03-21 | arXiv v1 提交 |
| 2022-08-03 | arXiv v2 修订 |
| 2022-10-13 | 阿里云天池数据集页发布 |
| 2022-10-14 ~ 16 | CCL 2022 于南昌举行，论文宣读 |
| 2023-05-15 | 天池与 GitHub 同步上传 TCM_SD_train_dev.zip |
| 2023-07-10 | GitHub 补传 test_no_answer.json |
| 2023-07-24 | GitHub 补传 test.json（带答案） |
| 2023-12-11 | README 更新 |
注意最后一个时间点：带有答案的测试集直到论文发表约一年后才出现在 GitHub 上。这意味着 2022 年论文发表时，第三方无法完整复现论文中的 test 集指标。这一细节在 §9 中详细讨论。
§2 数据构成与规格
2.1 一条记录的完整形态
论文将每条样本定义为一段自由文本，其内容覆盖四类信息：
| 组成 | 英文术语 | 论文中的角色 |
|---|---|---|
| 主诉 | chief complaint | 简短概括，论文称其「通常过短，不足以单独支撑分类」 |
| 现病史 | medical history | 论文称其为「关键信息」，提供细粒度的时间与症状演变 |
| 四诊信息 | four diagnostics | 望闻问切的文字转述，散落在描述中 |
| 证型标签 | syndrome label | 148 类之一，由临床医生给定 |
论文的消融实验（§7.4）直接量化了这两部分的价值差异：只用主诉时，RoBERTa 在 test 集上 Acc 仅 72.91%、Macro-F1 仅 30.78%；只用现病历时，Acc 升至 81.83%、Macro-F1 升至 45.19%；两者合并后 Acc 82.26%、Macro-F1 47.55%。论文由此提出「coarse-to-fine」（由粗到细）的解释框架——主诉给粗略方向，现病史补细节。
2.2 数据字段的公开程度
需要特别说明：TCM-SD 并未随论文发布正式的字段字典（data dictionary）。论文用散文描述数据由「主诉、现病史、四诊信息」组成，但 GitHub 与天池的发布物中，样本以 JSON 形式给出，字段名与论文叙述并非一一对应。检索者在下载后需要自行查看 JSON 键名。
因此本条目不对字段名做臆测。凡涉及具体键名的描述，一律以「发布包内 JSON 结构为准，未经官方文档确认」的方式表述。
2.3 规模与划分
- 总样本 54,152 条
- 划分比例 8:1:1
- 论文原文：「the processed dataset with 148 syndrome categories and 54,152 samples was divided into a training set, a development (Dev) set, and a test set with a ratio of 8:1:1」
按比例粗略估算，Dev 与 Test 各约占总量的十分之一（约五千余条），Train 约占十分之八。但 54,152 并非 10 的整数倍，实际分项取决于代码中的取整方式。论文未给出三个子集的绝对值，本条目亦不代为推算具体数字——检索者如需精确分项，应以发布包内的实际文件计数为准。
2.3.1 为什么「绝对值缺失」是重要缺陷
在基准数据集的可复现性评估中，训练/验证/测试的分项规模属于最基本的元数据。缺失它会导致两个实际问题：
- 无法核对：第三方下载数据后，若文件条数与论文不符，无法判断是版本差异还是下载错误；
- 无法比较：后续研究若在 TCM-SD 上报告新模型的结果，无法确认是否使用了同一划分。
这一点在 §9「局限」中被列为可复现性缺陷之一。
2.4 证型的分布特征：长尾
论文明确指出证型分布「inevitably unbalanced」，稀有证型与常见证型的样本数差距显著，形成长尾分布（long-tail distribution）。这一特征在 Figure 3 中以图形呈现，但论文正文未给出任何类别的具体样本数，也未给出最大类与最小类的数值。
长尾带来的直接后果，体现在全部模型的评估结果上：
| 模型 | Test Acc | Test Macro-F1 | 落差 |
|---|---|---|---|
| DT | 59.10% | 21.67% | 37.43 |
| SVM | 78.53% | 36.37% | 42.16 |
| CNN | 78.58% | 32.83% | 45.75 |
| BERT | 80.17% | 35.45% | 44.72 |
| RoBERTa | 82.26% | 47.55% | 34.71 |
| ZY-BERT | 82.19% | 51.01% | 31.18 |
准确率与 Macro-F1 之间普遍存在三十到四十五个百分点的落差，说明模型在常见证型上表现尚可，在稀有证型上几乎失效。这是 TCM-SD 区别于一般文本分类基准的核心难点，也是它被称为「探测」（probing）而非单纯「分类」基准的原因。
2.5 外部知识语料
除 54,152 条标注样本外，作者还构建了一份证型知识语料：通过爬取大医网（www.dayi.org.cn）上全部中医证型条目，覆盖 1,027 种证型，每种证型配一段结构化描述文本。
这份语料的作用是支撑 MRC 实验（§5.3）：把证型描述作为「上下文」，让模型判断病历中描述的病人是否属于该证型。1,027 远多于数据集的 148 类，说明这份语料是按更完整的证型体系采集的，而非仅为已标注类别服务。
2.6 预训练语料
ZY-BERT 的预训练语料规模为逾 4 亿 token（0.4B），来源包括：
- 中医相关书籍
- 网站文章
- 中国知网（CNKI）学术论文
论文 Table 2 给出的对比很直观：
| 模型 | 领域 | 语料规模 |
|---|---|---|
| TCM-BERT | 中医（网页爬取） | 0.02B |
| BERT | 通用 | 3.3B |
| RoBERTa-wwm | 通用 | 5.4B |
| MacBERT | 通用 | 5.4B |
| BioBERT | 英文医学 | 4.5B |
| ClinicalBERT | 英文临床 | 0.5B |
| PubMedBERT | 英文医学 | 3.1B |
| ZY-BERT | 中医 | 0.4B |
ZY-BERT 的语料比此前的 TCM-BERT 大二十倍以上，但仍显著小于通用模型——这是一个重要的定位：它走的是「小而专」路线，而非「大而全」。
必须注意的口径冲突：GitHub README 明确写道，当前发布的预训练语料版本已移除 CNKI 学术论文与期刊部分（原文：「the current released version does not contains academic papers and journals from CNKI for some reasons」）。也就是说，公开可得的那份语料与论文描述并不完全一致。这一点在 §9.4 中展开。
2.7 规格小结
| 维度 | 规格 |
|---|---|
| 模态 | 纯文本 |
| 语言 | 简体中文（含少量古字/生僻字，论文提及 out-of-vocabulary 问题） |
| 样本粒度 | 单条门诊病历 → 单一证型标签 |
| 类别数 | 148 |
| 样本数 | 54,152 |
| 标签来源 | 临床医生诊断（徐州市中医院） |
| 是否含个人标识 | 论文声明已脱敏，不含姓名、年龄、电话等；是否含其他准标识符未说明 |
| 发布格式 | ZIP（train/dev）+ JSON（test） |
| 文件体积 | 9.59 MB（train/dev 包） |
§3 机构、团队与谱系
3.1 构建机构
| 机构 | 角色 | 具体贡献 |
|---|---|---|
| 北京理工大学计算机学院 | 主导方 | 数据清洗、证型归一化、ZY-BERT 预训练、实验设计 |
| 徐州市中医院 | 数据方 | 提供真实门诊病历、临床专家参与证型核校与咨询 |
天池页面的致谢段落给出了比论文更具体的致谢对象：
「感谢徐州市中医院提供的数据支撑。感谢卜渊主任、周永兰博士等医疗从业者的专业咨询。」
值得注意的是，Yuan Bu 本人即为徐州市中医院的作者，联系邮箱为 buyuantcm@gmail.com——这解释了数据方与作者方的直接对接路径，也说明临床上「谁在标注」有迹可循。
3.2 作者团队
| 作者 | 单位 | 角色推断 |
|---|---|---|
| Mucheng Ren | 北京理工大学 | 一作，通讯（renm@bit.edu.cn）；GitHub 仓库主 |
| Heyan Huang | 北京理工大学 | 资深作者，黄河燕教授（中文信息处理领域知名学者） |
| Yuxiang Zhou | 北京理工大学 | 合作者 |
| Qianwen Cao | 北京理工大学 | 合作者 |
| Yuan Bu | 徐州市中医院 | 临床方；README 联系邮箱之一 |
| Yang Gao | 北京理工大学 | 合作者 |
3.3 谱系位置：从 TCM-BERT 到 ZY-BERT
TCM-SD 在技术谱系上有一条清晰的参照线：TCM-BERT。
TCM-BERT 是此前的中医领域预训练模型，其语料仅 0.02B token（网页爬取），预训练任务为字符掩码（char masking）+ 下一句预测（NSP）。ZY-BERT 的两点改进是：
- 语料扩大二十倍以上（0.02B → 0.4B）；
- 预训练任务改为全词掩码（WWM），去掉 NSP。
为什么 WWM 对中医特别重要？论文的解释逻辑是：中医术语（如「阳虚」「气滞血瘀」）是多字组成的语义单元，若按字符掩码，模型会把「阳虚」拆成「阳」「虚」分别预测，学到的是字的分布而非术语的语义。WWM 以词为单位整体遮盖，迫使模型学习术语级别的表示。
这一改进在结果上体现得非常直接：Test Macro-F1 从 TCM-BERT 的 41.58% 提升到 ZY-BERT 的 51.01%，提升 9.43 个百分点。
3.4 领域坐标
把 TCM-SD 放到中医 AI 数据资源的版图上：
| 资源类型 | 代表 | 与 TCM-SD 的关系 |
|---|---|---|
| 证型标准化数据库 | TCMSSD（rid 1054） | 提供 624 种证型标准化定义，TCM-SD 的归一化用了国标 GB/T 15657-1995 而非 TCMSSD |
| 辨证推理评测 | TCMEval-SDT（rid 1053） | 评测「思考过程」，TCM-SD 评测「判断结果」 |
| 中医知识库 | TCMBank（rid 1124）、TCM-CHM（rid 1116） | 提供药物-靶点-疾病关联，TCM-SD 只涉及文本 |
| 多模态中医 | MTCMB（rid 1108） | 含舌象图像等，TCM-SD 纯文本 |
| 舌诊 | TCM-Tongue（rid 1052） | 望诊客观化，TCM-SD 的望诊仅为文字转述 |
可以看出，TCM-SD 处在「纯文本 + 结果级判断」这一格子里，是这条谱系上最早、也最基础的一环。
3.5 为何值得作为基准
三个理由：
- 真实数据——不是教材例题，而是门诊记录，含口语化表达与信息缺失；
- 规模足够——5 万余条足以训练中等规模的深度模型，也足以暴露长尾问题；
- 基础任务——辨证是中医诊疗的枢纽环节，上游连着四诊信息提取，下游连着处方推荐，做对这个任务才有后续。
§4 证型归一化：548 → 244 → 148
这是 TCM-SD 方法论上最值得细读的部分。中医证型命名的混乱程度，远超一般人的想象：同一证型可能有多个名称，一种证型还可能分级（上位/下位），不同医院、不同教材的写法各不相同。若不归一化，148 类分类会变成 548 类的稀疏灾难。
论文给出了两阶段归一化流程。
4.1 第一阶段：Merging（合并）
合并处理的是「同义不同名」。论文区分了两种情形：
情形一：同一证型有多个名称，且都出现在数据集中。
论文举例：「风热证」与「风热外袭证」实为同一证型，应合并为一个统一名称。判断依据是国家标准 GB/T 15657-1995（《中医病证分类与代码》）。
情形二：证型名称不存在标准形式。
由招募的专家依据具体病历进行辨证，将无效证型并入最近的标准证型。论文举例：「脾肾阳衰证」并入「脾肾阳虚证」。
情形二揭示了这份数据的一个隐藏成本：它需要临床专家逐条判断，而不是简单做字符串匹配。
4.2 第二阶段：Pruning（剪枝）
剪枝处理的是「模糊或非标准命名」，有两条标准：
标准 A（模糊不可分）：专家因特征模糊而无法区分的非标准命名证型，直接剪除。
标准 B（层级上位）：证型名称存在层级关系时，剪除上位（较粗）证型，保留最基础级别（最具体、最能决定治疗）的证型。
论文的例子非常清楚：
- 「风寒证」是上位证型；
- 其临床表现可以是「风寒束表证」或「风寒袭肺证」；
- 二者的症状与治法不同；
- 因此剪除「风寒证」本身，保留两个下位证型。
这个决策的临床逻辑是：治疗跟着最具体的证型走。如果保留「风寒证」，模型即使答对也无法指导用药——因为「风寒束表」与「风寒袭肺」的治法不同。
4.3 数字链条
| 阶段 | 类别数 | 样本数 | 操作 |
|---|---|---|---|
| 原始 | 548 | 逾 65,000 | — |
| 合并 + 剪枝后 | 244 | 未单独披露 | Merging + Pruning |
| 低频过滤后 | 148 | 54,152 | 删除样本数少于 10 的类别 |
第三阶段的阈值是明确的：「we further filtered out syndrome categories containing fewer than 10 samples」。
这条链条解释了一个常被误解的问题：54,152 并不是 65,000 的全部。差额来自被剔除的证型类别——某类若只有 5 条样本，这 5 条会随类别一起被删掉。
4.4 归一化的代价
任何归一化都是信息损失。TCM-SD 的代价至少有三层：
- 粒度过粗的类别被删：标准 B 剪掉了上位证型，但上位证型有时是临床上真实使用的粗标签，删除它们等于否认这些诊断的存在；
- 稀有证型被整体剔除：少于 10 条的类别全部删除，而这些恰恰是最需要 AI 辅助的疑难/罕见证型；
- 归一化标准的时间性：GB/T 15657-1995 是 1995 年的国标，其后中医证型体系有修订（如 2020 年前后的团体标准），TCM-SD 采用的是旧版标准。
第 3 点需要谨慎表述：论文明确写了依据 GB/T 15657-1995，但未讨论该标准是否仍是最新版本，也未说明与后续标准的映射关系。本条目据实记录，不作延伸推断。
4.5 与 TCMSSD 的对照
库内 TCMSSD 数据库（rid 1054）同样以「证候标准化」为核心，收录 624 种标准化证候。两者思路不同：
| 维度 | TCM-SD | TCMSSD |
|---|---|---|
| 标准化对象 | 数据集标签（为分类服务） | 证候知识体系（为查询与关联服务） |
| 标准化依据 | GB/T 15657-1995 + 专家病历辨证 | 文献 + 公共数据库整合 |
| 输出 | 148 类分类标签 | 624 个证候节点及关联网络 |
| 目标 | 让模型能学到 | 让研究者能查 |
两者不冲突，反而互补：如果一个团队想把 TCM-SD 的 148 类映射到更完整的证候体系，TCMSSD 的 624 个节点是一个自然的候选参照系。不过这种映射目前没有公开的对照表，需要自行完成。
§5 任务设计与 ZY-BERT
5.1 两套任务形式
TCM-SD 论文实际上提出了两种任务表述，二者共享同一份数据，但输入输出结构不同：
| 任务 | 输入 | 输出 | 类别空间 |
|---|---|---|---|
| 分类（Classification） | 病历文本 | 148 类之一的标签 | 固定 148 类 |
| 抽取式阅读理解（MRC） | 病历文本 + 候选证型（+ 知识） | 从上下文中抽取证型 span | 由提供的候选决定 |
分类任务是主线，MRC 是补充实验。为什么要做 MRC？论文给出的理由是语言模型的输入长度限制：148 个证型的知识无法全部塞进一个 BERT 类模型。于是把任务改写为「从给定候选里挑」，绕开长度瓶颈。
5.2 分类任务的设计细节
分类任务把病历文本送入 BERT 类编码器，取 [CLS] 表示接分类头，输出 148 维 logits。这是一个标准的单句分类范式。
论文的消融实验（Table 6）考察了输入构成的三种组合：
| 输入 | 模型 | Dev Acc | Dev Macro-F1 | Test Acc | Test Macro-F1 |
|---|---|---|---|---|---|
| 仅主诉 | BERT | 70.56% | 23.15% | 71.58% | 24.08% |
| 仅主诉 | RoBERTa | 71.36% | 28.55% | 72.91% | 30.78% |
| 仅现病史 | BERT | 79.40% | 33.50% | 79.62% | 35.57% |
| 仅现病史 | RoBERTa | 79.80% | 41.40% | 81.83% | 45.19% |
| 主诉 + 现病史 | BERT | 79.44% | 34.18% | 80.17% | 35.45% |
| 主诉 + 现病史 | RoBERTa | 80.81% | 43.18% | 82.26% | 47.55% |
读表要点：
- 现病史的价值远高于主诉：RoBERTa 在 test 集上，仅现病史的 Macro-F1（45.19%）比仅主诉（30.78%）高 14.41 个百分点；
- 拼接并非简单相加：主诉 + 现病史（47.55%）比仅现病史（45.19%）只高 2.36 个百分点，说明主诉提供的是补充性、方向性的信息；
- BERT 与 RoBERTa 的差距集中在 Macro-F1：Acc 相差不到 2 个百分点，Macro-F1 相差 12 个百分点——说明更强的预训练主要帮助了稀有类。
5.3 MRC 任务的三种设置
| 设置 | 名称 | 上下文构成 | 候选数 |
|---|---|---|---|
| ① | Medical History + All Syndromes | 现病史 + 全部证型名 | 148 |
| ② | Medical History + Five Syndromes | 现病史 + 5 个证型（1 正 + 4 随机） | 5 |
| ③ | Medical History + Five Syndromes + Knowledge | 设置 ② + 5 个证型各自的知识文本 | 5 + 知识 |
设置 ② 与 ③ 的差异是是否附带外部知识。设置 ① 与 ② 的差异是候选规模。
5.4 MRC 结果与那个刺眼的 3.94%
Test 集 MRC 结果（EM / Macro-F1）：
| 设置 | BERT | RoBERTa |
|---|---|---|
| ① MH + All | 78.20% / 45.60% | 80.42% / 47.57% |
| ② MH + Five | 95.83% / 82.33% | 95.86% / 84.42% |
| ③ MH + Five + Know. | 96.06% / 85.15% | 96.26% / 85.88% |
表面上看，设置 ③ 的 Macro-F1 达到 85.88%，远高于分类任务的 51.01%。但这个高分有大量水分：
- 从设置 ① 到 ②，Macro-F1 从 47.57% 跳到 84.42%，提升近三十七个百分点——这一跳完全来自候选从 148 个缩减到 5 个，即人工把搜索空间砍掉了 97%；
- 从设置 ② 到 ③，Macro-F1 从 84.42% 升到 85.88%，仅提升 1.46 个百分点——这才是「知识」的真实增益。
更关键的是论文自己的诚实披露：设置 ③ 里的「知识检索」并非模型自己完成，而是研究者用 TF-IDF 基于病历从 1,027 种证型知识库中检索，而检索精度 P@5 仅 3.94%。
3.94% 意味着：检索出来的五条知识里，平均不到 0.2 条是相关的。
论文对此的结论是一句极简的判断：
「knowledge is essential, but finding it is difficult.」
这句话值得反复读。它承认了两件事：中医辨证确实需要外部知识（否则无法解释「为什么同是头痛，有人是肝阳上亢，有人是气血亏虚」），但如何把正确的知识送到模型面前，本身就是一个未解的检索问题。
5.5 ZY-BERT 的模型配置
| 配置项 | 数值 |
|---|---|
| 层数 | 24 |
| 隐藏维度 | 1024 |
| 每层注意力头数 | 16 |
| 预训练步数 | 300K |
| 最大学习率 | 5e-5 |
| Batch size | 256 |
| 掩码策略 | Whole Word Masking（WWM） |
| 下一句预测（NSP） | 去掉 |
| 语料规模 | 逾 4 亿 token |
这套配置对应的是一个「BERT-Large 级别的中文领域模型」，而非大模型。它的定位是领域适配的基线，不是要挑战通用大模型的能力上限。
5.6 三条错误分析线索
论文对错误样本做了归类，发现三类主要错误：
| 错误类型 | 描述 | 例子性质 |
|---|---|---|
| 复杂推理 | 需要时间、数值、空间、否定关系推理 | 「服药后症状缓解但三日后复发」 |
| 知识不完整 | 模型不理解中医特有概念 | 「阴阳」「虚实」 |
| 未登录词 | 罕见繁体字或生僻字 | 古字、异体字 |
这三类错误对应三个不同的改进方向：推理能力、知识注入、分词与词表扩充。它们也解释了为什么单纯的预训练在 Macro-F1 上卡在 51%——模型缺的不是语言能力，而是中医的「常识」与「推理链」。
5.7 任务设计的边界
TCM-SD 只定义了「从病历到证型的映射」，没有定义：
- 证型的依据（为什么是这个证型，而非相邻证型）；
- 治法的推导（证型确定后该用什么方）；
- 处方的匹配（方与药的剂量与加减）。
这三点是 TCMEval-SDT 与后续工作试图补足的方向。TCM-SD 的定位始终是：先解决「判对」，再谈「讲清楚」。
§6 获取与许可
6.1 三条获取通道
| 通道 | 地址 | 内容 | 门槛 |
|---|---|---|---|
| GitHub | https://github.com/Borororo/ZY-BERT |
train/dev 压缩包、test.json（带答案）、test_no_answer.json、代码包、样例数据 | 无需登录 |
| 阿里云天池 | https://tianchi.aliyun.com/dataset/dataDetail?dataId=139034 |
TCM_SD_train_dev.zip（9.59 MB） | 需登录 |
| 预训练语料 | GitHub README 给出的 Dropbox 链接 | ZY-BERT 预训练语料（RAR） | 无需登录 |
| 模型权重 | GitHub README 给出的 Google Drive 链接 | ZY-BERT 权重 | 需能访问 Google Drive |
注：Dropbox 与 Google Drive 均为作者在 README 中直接给出的外链，非官方托管平台。这类链接存在失效风险，且不受 CC 协议的平台级约束（CC 协议仍在，但平台可能随时删除文件）。建议下载后本地留档。
6.2 仓库文件清单
GitHub 仓库根目录可见的文件（含提交时间）：
| 文件 | 提交时间 | 用途 |
|---|---|---|
LICENSE |
2021-12-02 | 许可证 |
README.md |
2023-12-11（更新） | 说明文档 |
TCM Code.zip |
2021-12-02 | 辨证任务代码 |
TCM Data Sample.zip |
2021-12-02 | 数据抽样样例 |
TCM_SD_train_dev.zip |
2023-05-15 | 训练集 + 验证集 |
test.json |
2023-07-24 | 测试集（含答案） |
test_no_answer.json |
2023-07-10 | 测试集（不含答案） |
这份清单本身讲了一个故事：2021 年 12 月仓库初建时，只有代码与样例数据；真正的训练数据直到 2023 年 5 月才上传；带答案的测试集直到 2023 年 7 月才补齐。从论文发表（2022 年 10 月）到数据完整可用，中间隔了约九个月。
6.3 许可条款
许可：CC BY-NC-SA 4.0（署名—非商业性使用—相同方式共享 4.0 国际）
两条独立声明一致指向该许可：
- 天池页「协议」段：「该数据集遵循协议：CC BY-NC-SA 4.0」
- GitHub README：「The dataset is licensed by CC BY-NC-SA 4.0」
天池页另附一条超出 CC 协议本身的附加限制：
「此外，我们对数据集进行了脱敏处理，所有数据不会包含病人的个人信息，该数据仅能用做学术研究用途，禁止用于商业等其他任何非学术研究的行为。」
这条附加限制的效力大于 CC 协议：CC BY-NC-SA 4.0 本身允许非商业的复制、分发与改编（需署名、需相同方式共享），但天池条款把范围进一步收窄到「学术研究用途」。
论文正文未声明许可——arXiv v2 全文检索不到 license 相关表述。因此许可的唯一权威来源是天池页与 GitHub README。
6.4 许可使用的实际含义
| 场景 | 是否允许 | 依据 |
|---|---|---|
| 学术论文中训练/评测模型 | 允许 | 学术研究用途 |
| 公开发表基于该数据训练的模型权重 | 需谨慎 | 模型权重是否构成「衍生作品」有争议；若视为衍生，须以相同方式共享 |
| 企业内部产品研发 | 不允许 | 非商业条款 + 天池附加条款 |
| 把数据二次分发到其他平台 | 需署名 + 相同方式共享 | CC BY-NC-SA 的 SA 条款 |
| 在论文中引用数据统计 | 允许 | 合理使用 + 学术用途 |
| 用数据做商业 API 的评测基准 | 不允许 | 明确禁止商业用途 |
「模型权重是否构成衍生作品」这一条在开源许可实践中长期存在争议。CC 4.0 系列协议对「改编作品」（Adapted Material）的定义偏宽，若模型训练被视为改编，则权重也须遵守 NC-SA。这是使用 TCM-SD 时应当咨询法务的边界问题，本条目不下结论。
6.5 伦理声明
论文 Acknowledgements 中的伦理表述可归纳为四点：
- 数据仅为患者常规诊疗数据，不含姓名、年龄、电话号码等个人信息；
- 研究未干扰正常医疗流程，未给医务人员增加额外负担，未在患者身上进行任何实验；
- 所有数据已脱敏（desensitized）；
- 因此本文不涉及伦理问题，豁免个体患者知情同意（「waives the requirement of individual patient consent」）。
未披露的内容：伦理审查委员会（IRB）名称与批号、脱敏的具体方法（如是否做了实体替换、是否删除日期与地名）、患者是否被告知数据可能被用于研究。
这四点声明在 2022 年的中文 NLP 论文中属常见写法，但按今天的医学数据伦理标准（如需 IRB 批号、需数据使用协议 DUA），仍有可改进空间。
6.6 与库内条目获取门槛对照
| 条目 | 许可 | 获取门槛 | 商用 |
|---|---|---|---|
| TCM-SD | CC BY-NC-SA 4.0 + 学术限定 | GitHub 直下 / 天池登录 | 禁止 |
| TCMEval-SDT（1053） | CC-BY 4.0 | figshare 直链 | 允许（署名） |
| TCMSSD（1054） | 论文 CC BY-NC-ND | 官网/NGDC | 受限 |
| PubMedQA（49） | 各子集不一 | 多平台 | 视子集 |
TCM-SD 的许可在库内 TCM 条目中属于限制较严的一档：既禁商用，又要求相同方式共享，还叠加了「仅学术」的附加条款。
§7 评估结果与基准
7.1 评测协议
论文的评测协议相对简单：在 test 集上计算 Accuracy、Macro-F1、Macro-Recall、Macro-Precision 四项指标。四个指标采用的是「先按类计算、再取平均」的宏平均（macro-averaging），这一点很关键——它使每个证型无论样本多少都占相同权重，因此能放大稀有证型的表现差异。
ZY-BERT 的结果标注了 † 号，表示统计显著性检验的 p 值小于 0.01。
7.2 Dev 集完整结果表
| 模型 | Accuracy | Macro-F1 | Macro-R | Macro-P |
|---|---|---|---|---|
| DT（决策树） | 59.42% | 20.68% | 21.33% | 21.52% |
| SVM（支持向量机） | 77.63% | 32.13% | 29.56% | 43.10% |
| BiLSTM | 69.30% | 17.53% | 15.08% | 14.76% |
| BiGRU | 73.57% | 19.53% | 20.12% | 21.81% |
| CNN | 77.56% | 31.79% | 30.39% | 37.99% |
| BERT | 79.44% | 34.18% | 34.12% | 38.00% |
| distilBERT | 79.09% | 36.07% | 36.62% | 38.13% |
| ALBERT | 79.62% | 37.88% | 37.65% | 41.94% |
| RoBERTa | 80.81% | 43.18% | 42.55% | 47.68% |
| TCM-BERT | 79.48% | 37.84% | 37.60% | 42.00% |
| ZY-BERT | 81.43%† | 49.47%† | 48.89%† | 54.08%† |
7.3 Test 集完整结果表
| 模型 | Accuracy | Macro-F1 | Macro-R | Macro-P |
|---|---|---|---|---|
| DT | 59.10% | 21.67% | 22.38% | 22.20% |
| SVM | 78.53% | 36.37% | 32.98% | 49.35% |
| BiLSTM | 69.65% | 15.15% | 15.65% | 17.08% |
| BiGRU | 74.43% | 20.93% | 21.90% | 23.76% |
| CNN | 78.58% | 32.83% | 31.29% | 39.19% |
| BERT | 80.17% | 35.45% | 34.99% | 42.00% |
| distilBERT | 80.46% | 40.24% | 39.99% | 45.84% |
| ALBERT | 80.51% | 40.50% | 39.57% | 46.54% |
| RoBERTa | 82.26% | 47.55% | 45.72% | 54.15% |
| TCM-BERT | 80.55% | 41.58% | 40.91% | 48.47% |
| ZY-BERT | 82.19%† | 51.01%† | 49.42%† | 57.70%† |
7.4 三个必须读懂的细节
细节一：ZY-BERT 的 Accuracy 并不是最高的。
Test 集上 RoBERTa 的 Acc 为 82.26%，ZY-BERT 为 82.19%——RoBERTa 高出 0.07 个百分点。但论文表格把 ZY-BERT 加粗为最优，依据是 Macro-F1（51.01% vs 47.55%，高 3.46 个百分点）。
这不是论文造假，而是评测目标的体现：在长尾分布下，Accuracy 会被常见类主导，Macro-F1 才反映模型对全部 148 类的真实覆盖能力。检索者若只看 Acc 栏，会误以为 ZY-BERT 全面胜出。本条目在此明确标注，以免误读。
细节二：BiLSTM 与 BiGRU 表现异常差。
两个循环神经网络在 test 集的 Macro-F1 分别只有 15.15% 与 20.93%，低于 SVM 的 36.37%。这有两个可能解释：
- 中医病历文本较长，RNN 难以捕捉长距离依赖；
- 论文未报告这两类模型的超参调优细节，可能未调到最优。
论文未对此给出解释，本条目只能记录这一现象，不代为归因。
细节三：TCM-BERT 反而弱于 RoBERTa。
领域预训练的 TCM-BERT（Macro-F1 41.58%）明显不如通用域的 RoBERTa（47.55%）。这与「领域模型一定更好」的直觉相反。可能的解释是 TCM-BERT 语料太少（0.02B）且预训练任务较旧（char masking + NSP）。这一反例恰恰是 ZY-BERT 存在的理由：领域预训练要有效，语料规模与预训练任务缺一不可。
7.5 提升幅度的精确计算
| 对比 | Test Macro-F1 差值 | 论文表述 |
|---|---|---|
| ZY-BERT vs RoBERTa | 51.01 − 47.55 = +3.46 | 「over 4%」 |
| ZY-BERT vs TCM-BERT | 51.01 − 41.58 = +9.43 | 「over 10%」 |
| ZY-BERT vs BERT | 51.01 − 35.45 = +15.56 | 未表述 |
这里出现了一个口径差异：论文摘要与正文称「超过 4%」「超过 10%」，而按表格计算的绝对差值分别是 3.46 与 9.43，均不足 4 与 10。
两种可能的解释：
- 相对提升：51.01/47.55 = 1.0728，即相对提升 7.28%；51.01/41.58 = 1.2268，即相对提升 22.68%。这两个数都超过 4% 与 10%，但也都远超「over 4%」的字面含义。
- Dev 集口径：Dev 集上 ZY-BERT 49.47% vs RoBERTa 43.18%，差 6.29；vs TCM-BERT 37.84%，差 11.63。这与「over 4%」「over 10%」大致吻合。
更可能的解释是第 2 种：作者在摘要阶段依据的是 dev 集或早期实验的差值，定稿时表格更新了但摘要表述未同步。本条目按原文引述「over 4% / over 10%」，同时以表格实算值为准，并在此存照。
7.6 与后续研究的可比性
由于 TCM-SD 的测试集直到 2023 年 7 月才公开，2022 年至 2023 年间发表的相关工作在 TCM-SD 上的结果很可能使用了自行划分，与论文表格不可直接比较。
若要与论文结果对比，推荐做法：
- 使用 GitHub 上的
test.json（2023-07-24 版本）； - 以 Macro-F1 为主要指标；
- 同时报告 Accuracy 与 Macro-F1，避免只报高的一项。
7.7 基准的「天花板」在哪
51.01% 的 Macro-F1 距离实用还有相当距离。假设一个模型在 148 类上的 Macro-F1 达到 70%，意味着对稀有证型也具备较高识别力——这在临床上才有辅助价值。目前公开的最强单模型（ZY-BERT）仅到 51%，说明TCM-SD 仍是一个远未饱和的基准。
§8 生态、影响与库内互链
8.1 学术影响
TCM-SD 是中医 NLP 方向的奠基性数据集之一，被后续大量中医辨证、中医大模型、临床文本分类研究引用。北京理工大学成果库页面显示 Scopus 引用 9 次（抓取时点，仅统计 Scopus 收录，实际引用应更高）。
它的影响主要体现在三个层面：
- 确立了任务范式：把中医辨证定义为文本分类，成为后续工作的默认起点；
- 提供了对照基准：ZY-BERT 的 51.01% Macro-F1 成为后续模型要超越的门槛；
- 暴露了核心难点：长尾分布与知识注入问题，成为后续研究的主要攻关方向。
8.2 谁会用 TCM-SD
| 使用者 | 典型用途 |
|---|---|
| 中文医疗 NLP 研究者 | 做领域预训练、长尾分类、知识注入的实验床 |
| 中医信息化团队 | 构建辅助辨证系统时的基线数据 |
| 医学大模型评测方 | 作为中医能力的测评维度之一 |
| 数据集方法论研究者 | 研究标签归一化、类不平衡处理 |
8.3 库内互链条目
| 条目 | rid | 关系类型 | 具体说明 |
|---|---|---|---|
| tcmeval-sdt | 1053 | 强互补 | 同为中医辨证评测，TCM-SD 评「结果」，TCMEval-SDT 评「推理过程」 |
| tcmssd | 1054 | 方法互参 | 中医证候标准化数据库，624 证候；TCM-SD 归一化可与之对照 |
| tcm-tongue | 1052 | 模态互补 | 舌诊影像，补足 TCM-SD 缺失的望诊客观化信息 |
| tcmbank | 1124 | 生态相邻 | 中药-靶点-疾病知识图谱，可用于 TCM-SD 后续的处方推荐环节 |
| mtcmb | 1108 | 生态相邻 | 多模态中医基准，含影像与文本 |
| nb-tcm-chm | 1116 | 生态相邻 | 中医知识资源 |
| cmedqa2 | 825 | 谱系相关 | 中文医学问答，同属中文医疗 NLP 数据集谱系 |
| cmb-cmexam | 180 | 谱系相关 | 中文医学考试基准，可对照中医知识测评 |
| medqa | 50 | 谱系相关 | 英文医学考试基准，跨语言对照 |
| pubmedqa | 49 | 谱系相关 | 生物医学文献问答基准 |
| huatuo-26m | 823 | 谱系相关 | 中文医学预训练语料，可与 ZY-BERT 语料对比规模 |
8.4 外链生态
| 资源 | 性质 |
|---|---|
| arXiv:2203.10839 | 预印本 |
| ACL Anthology 2022.ccl-1.80 | 正式论文集 |
| GitHub Borororo/ZY-BERT | 代码与数据 |
| 阿里云天池 dataId=139034 | 国内镜像托管 |
| 大医网 www.dayi.org.cn | 证型知识语料来源 |
| CNKI | 预训练语料来源（现发布版已移除） |
| 北京理工大学成果库 | 机构成果页面 |
8.5 与 TCMEval-SDT 的三维对照
这两个库内条目经常被混淆，这里做一个清晰对照：
| 维度 | TCM-SD | TCMEval-SDT |
|---|---|---|
| 规模 | 54,152 条 | 300 例 |
| 类别 | 148 种证型 | 病机/证候十选项 |
| 任务 | 分类 | 四步推理 + 多选 |
| 评测目标 | 判断结果对不对 | 推理过程像不像 |
| 发表 | CCL 2022（会议） | Scientific Data 2025（期刊） |
| 许可 | CC BY-NC-SA 4.0 | CC-BY 4.0 |
| 数据来源 | 徐州市中医院单一医院 | 互联网 + 古籍 + 医院 三源 |
规模与许可差异巨大：TCM-SD 靠「量大真实」，TCMEval-SDT 靠「精细标注」。两者定位不重叠，做中医辨证研究时应当两个都了解：先看 TCM-SD 能否判对，再看 TCMEval-SDT 能否讲清推理。
§9 局限、争议与使用注意事项
9.1 长尾问题：结构性而非可调参数
148 类中绝大多数是稀有类，这是数据本身的属性，不是模型能通过调参解决的。三组证据：
- 所有模型的 Acc 与 Macro-F1 落差在 31–46 个百分点之间；
- 就算是 ZY-BERT，Macro-F1 也只有 51.01%，意味着「一半类别的识别效果接近随机」；
- 论文的 MRC 实验里，把候选缩到 5 个后 Macro-F1 跳到 84%，反证了「类别太多、每类样本太少」是主要瓶颈。
实践建议：若用 TCM-SD 训练实用系统，应当考虑先粗分类（按脏腑/病性等上位维度）再细分，而不是直接做 148 类平铺分类。
9.2 单中心偏倚
所有记录来自徐州市中医院。这意味着：
- 地域偏倚：徐州地处江苏北部，属淮海经济区，患者的体质、饮食习惯、就诊偏好与南方、西北、东北人群可能不同；
- 医院偏倚：单一医院的用药风格与辨证习惯会影响证型分布；
- 无跨机构验证：论文未报告任何跨医院、跨地域的泛化实验。
对于做「中医知识」研究的团队，这可能影响有限（证型理论是普适的）；但对于做「临床辅助」产品的团队，这是一个需要警惕的盲区——模型可能学到的不是「中医辨证规律」，而是「徐州某医院医生的处方习惯」。
9.3 可复现性缺陷
| 缺陷 | 具体表现 | 影响 |
|---|---|---|
| 分项规模未公开 | 只给 8:1:1 与总数 | 无法核对下载数据的完整性 |
| 类别分布未列表 | 仅 Figure 3 图形 | 无法做按类分析或分层抽样 |
| 采集时间未公开 | 论文未提 | 无法判断数据时效性 |
| 采集流程未公开 | 未说明如何从 65,000 筛选到 54,152 | 无法复现筛选逻辑 |
| Test 集延迟公开 | 2023-07 才上传 test.json | 2022–2023 年间的后续研究可能使用了不同划分 |
| 平均长度未公开 | 论文无相关统计 | 无法预估计算成本 |
这六项加起来，使得 TCM-SD 的可复现性处于中等偏下水平——数据能下载，但论文中的每一项统计都无法从公开材料核对。
9.4 预训练语料的口径冲突
论文说语料包含 CNKI 学术论文；GitHub README 说现发布版已移除 CNKI 部分。这造成两个问题：
- ZY-BERT 权重无法被完整复现：即使拿到现发布的语料，也无法训练出与论文相同的模型；
- 语料规模可能缩水：现发布的语料是 4 亿 token 的哪一部分，README 未说明。
这属于「作者坦诚披露」的正面案例，但也意味着用现发布数据复现论文结果存在天然障碍。
9.5 许可与商业使用的灰色地带
虽然 CC BY-NC-SA 4.0 的表述很明确，但实际使用中仍有几处模糊：
- 「非商业」的边界：高校与研究机构的科研项目、企业研究院的公开研究、非营利基金支持的评测，是否算「非商业」？CC 官方对 NC 的解释是「不以商业优势或金钱报酬为主要目的」，但具体判定依情境；
- 模型权重的性质：训练出的模型是否构成「改编作品」，决定权重是否需遵守 NC-SA；
- 天池附加条款：天池页说的「禁止用于商业等其他任何非学术研究的行为」比 CC 更严格，但这条附加条款是否具有法律效力，取决于它是否构成有效的附加许可条件。
建议：任何超出「学术论文发表」的用途，都应当先联系作者确认（renm@bit.edu.cn / rdoctmc@gmail.com）。
9.6 伦理与隐私边界
论文的伦理声明称数据已脱敏、不含个人信息。但需注意：
- 未说明脱敏方法：是否删除了地名、职业、日期等准标识符，论文未交代；
- 中医病历的特殊性：中医病历常含体质描述、生活习惯、情志状态，这些本身具有较强的个人识别性；
- 无 IRB 批号：论文称「不涉及伦理问题」而豁免审查，但按现行规范，即使是回顾性数据，通常也需伦理委员会备案；
- 未说明患者是否知情：豁免知情同意的理由是「常规诊疗数据」，但患者是否知道自己的病历可能被公开，无法从公开材料判断。
这些是 2022 年中文 NLP 论文的普遍状况，并非 TCM-SD 独有，但使用者应当知情。
9.7 标签质量的未知性
论文称证型由临床医生给定，但未报告标注一致性（如两名医生对同一病历的 Kappa 值）。中医辨证本身存在流派差异，同一病历在不同医生眼中可能是不同证型——这是一个公认的临床现实，TCM-SD 未量化它。
后果：模型 51% 的 Macro-F1 里，有多少是「模型错」，有多少是「标签本身有争议」，无法区分。若标注一致性只有 0.6，那模型的上限也就被锁定了。
9.8 与「大模型时代」的张力
TCM-SD 发表于 2022 年，评测对象是 BERT 级别的模型（最大约 3 亿参数）。2023 年之后，参数量百亿级的大模型在中文医疗任务上表现显著提升，但 TCM-SD 论文未提供任何大模型的基线。
这意味着：
- 用 TCM-SD 评测今天的 LLM，缺乏可对标的官方基线；
- 若自行评测，需说明提示词、few-shot 设置、解码策略，否则结果不可比。
这是所有 2022 年前后发布的基准面临的共同问题：基准没有老，但参照系老了。
§10 方法学启示与延伸
10.1 三条可迁移的方法学经验
经验一：标签归一化是中医 NLP 的第一道坎。
548 → 244 → 148 这条链条说明，中医数据的最大障碍不是模型不够强，而是标签体系本身不统一。任何做中医 AI 的团队，第一步都应当是建立自己的证型映射表，而不是直接拿原始标签训练。
经验二：领域预训练要「够大」才有效。
TCM-BERT（0.02B）弱于 RoBERTa（5.4B 通用语料），ZY-BERT（0.4B）强于 RoBERTa。这条曲线上有一个临界点：领域语料规模必须达到通用语料的一个可观比例，领域预训练才能兑现优势。0.02B 太少，0.4B 够用。
经验三：知识注入的瓶颈在检索，不在模型。
MRC 实验里，模型本身的能力是够的（EM 96%），但 TF-IDF 检索的 P@5 只有 3.94%。这说明给中医模型喂知识，难的不是「怎么喂」，而是「喂什么」。后续做 RAG（检索增强生成）的团队，应当把主要精力放在中医知识的检索质量上，而非模型微调。
10.2 三条可延伸的研究方向
| 方向 | 具体问题 | 可参考的库内资源 |
|---|---|---|
| 长尾分类 | 如何在 148 类高度不平衡下提升 Macro-F1 | TCM-SD 本体 |
| 事实级知识注入 | 如何用高质量证型知识提升辨证准确率 | TCMSSD（624 证候）、TCMBank |
| 推理链建模 | 如何让模型不仅判对，还能讲清依据 | TCMEval-SDT（四步推理链） |
10.3 给不同读者的使用建议
给学生/初学者：
- 从 GitHub 下载 train/dev 与 test.json，先用 RoBERTa 跑一遍，复现 47.55% 的 Macro-F1；
- 再跑 ZY-BERT（若权重可获取），对比 51.01%；
- 重点观察长尾类的混淆矩阵，这比总分更有信息量。
给做中医大模型评测的团队：
- 把 TCM-SD 作为「中医基础能力」的一个维度，而非唯一维度；
- 评测时须同时报告 Acc 与 Macro-F1，并说明是否使用 few-shot；
- 建议附带一个「按证型分层的准确率表」，暴露模型在稀有证型上的短板。
给做临床辅助产品的团队：
- 先评估单中心偏倚对你们场景的影响；
- 考虑先在你们的真实数据上微调，再用 TCM-SD 做对照；
- 注意许可限制：商用需另行授权。
10.4 与 TCMEval-SDT 的联合使用范式
一个实用的组合是：
- 用 TCM-SD 训练/评测「判断能力」——模型能否从病历文本判对证型；
- 用 TCMEval-SDT 评测「推理能力」——模型能否说清为什么是这个证型；
- 两者对比——若 A 模型在 TCM-SD 上高、在 TCMEval-SDT 上低，说明它「会猜不会讲」；反之则可能是「讲得头头是道但判不对」。
这个组合能揭示单一基准看不到的能力结构问题。
§11 DAIMS 数据成熟度评估
DAIMS（Data and AI Maturity / 数据成熟度）是一个五维评估框架，用于判断数据集从「原始文本」到「AI-Ready」的成熟程度。以下按五维对 TCM-SD 打分（1–5 分，5 分为最高）。
| 维度 | 评分 | 依据 |
|---|---|---|
| 可得性（Availability） | ★★★★☆ 4 | GitHub 公开直下，天池需登录；双通道降低单点失效风险；但依赖 Dropbox/Google Drive 外链的部分不稳定 |
| 可用性（Usability） | ★★★☆☆ 3 | 数据格式为 JSON/ZIP，可直接加载；但缺字段字典，需自行解析键名；无官方 dataloader |
| 完整性（Completeness） | ★★★☆☆ 3 | 主体数据齐备（train/dev/test）；但类别分项、采集时间、平均长度、标注一致性均缺失 |
| 准确性（Accuracy） | ★★★★☆ 4 | 真实门诊病历 + 临床医生标注；但未报告标注一致性，标签质量无法量化 |
| 治理与合规（Governance） | ★★★☆☆ 3 | 有明确许可（CC BY-NC-SA 4.0）、有脱敏声明；但无 IRB 批号、无 DUA（数据使用协议）、许可含超 CC 条款 |
综合评分：3.4 / 5
11.1 五维解读
可得性 4 分的理由：TCM-SD 在「数据能不能拿到」这件事上做得比多数中医数据集好——两个平台、三条路径（train/dev、test、语料）。扣分项是外部网盘依赖，以及天池需要登录。
可用性仅 3 分的原因：这是最容易被忽视的一环。一个「可下载」的数据集不等于「可用」——没有字段字典，使用者要花时间逆向 JSON 结构；没有官方 dataloader，训练前要自己写预处理。这两项成本在实际项目中往往占去几天时间。
完整性 3 分的核心问题：见 §9.3 的六项缺失清单。这是 TCM-SD 最明显的短板。
准确性 4 分的依据：真实数据是它的最大资产。扣分项是标注一致性未知——这在中医领域尤其重要，因为辨证分歧是真实存在的。
治理 3 分的权衡：许可清晰是加分项，但缺乏 DUA、IRB 批号、以及「天池条款 > CC 协议」的法律模糊性，让它无法达到最高档。
11.2 与库内条目的成熟度对照
| 条目 | 可得性 | 可用性 | 完整性 | 准确性 | 治理 | 综合 |
|---|---|---|---|---|---|---|
| TCM-SD | 4 | 3 | 3 | 4 | 3 | 3.4 |
| TCMEval-SDT（1053） | 5 | 4 | 4 | 4 | 4 | 4.2 |
| TCMSSD（1054） | 4 | 3 | 4 | 3 | 3 | 3.4 |
TCM-SD 与 TCMSSD 综合分相近，但短板位置不同：TCM-SD 缺「文档」，TCMSSD 缺「可计算性」。
11.3 提升路径
若要让 TCM-SD 达到 4.0 分以上，最有效的三个动作是：
- 补字段字典（提升可用性 3→4）：一页表说明每个 JSON 键的含义与取值；
- 补类别分布表（提升完整性 3→4）：148 类各自的样本数；
- 补标注一致性统计（提升准确性 4→5）：哪怕只有一个子集的 Kappa 值。
这三项都是低成本、高收益的改进——不需要重新采集数据，只需整理已有信息。
§12 常见问答（FAQ）
Q1：TCM-SD 和 TCMEval-SDT 是同一个东西的不同版本吗？
不是。TCM-SD 是 2022 年发表在 CCL 会议上的 54,152 条辨证分类数据集（北京理工大学 + 徐州市中医院）；TCMEval-SDT 是 2025 年发表在 Scientific Data 上的 300 例辨证推理评测数据集（中国中医科学院）。两者数据来源、任务形式、许可均不同。
Q2：54,152 和「逾 65,000」是什么关系？
65,000 是原始收集的全部病历数；54,152 是经过证型归一化（548→244）并删除样本少于 10 条的类别后，保留的样本数。两者差额来自被剔除的证型类别及其全部样本。
Q3：为什么类别数从 548 变成 148，是不是作者删了太多？
删除分三步：同义合并（548→244）、剪除模糊与上位证型（包含在 244 的统计里）、过滤低频类（244→148）。每一步都有明确规则，不是随意删减。但需承认，低频类被整体删除，对罕见证型研究不利。
Q4：论文说「first public」，为什么测试集到 2023 年才公开？
这无法从公开材料完全解释。可以确认的事实是：GitHub 仓库 2021-12 初建时只有代码与样例；训练数据 2023-05 上传；带答案的测试集 2023-07 上传。2022 年论文发表时，第三方能否获得完整数据存疑。
Q5：ZY-BERT 的 Accuracy 比 RoBERTa 低，为什么说是 SOTA？
论文以 Macro-F1 为最优判据（51.01% vs 47.55%）。这在长尾分布下是合理的选择，但读者应当注意 Acc 栏 RoBERTa 确实略高（82.26% vs 82.19%）。
Q6：能不能把 TCM-SD 用在大模型微调上？
可以（学术用途），但需注意：① 许可禁止商用；② 数据格式为长文本 + 单标签，需要自行构造指令微调样本；③ 54,152 条对百亿参数模型偏少，建议结合其他中医语料。
Q7：MRC 任务的 85.88% 是不是意味着辨证问题已经解决？
不是。85.88% 是「5 选 1」条件下的 Macro-F1，候选由人工给定。真实场景下没有候选列表，必须从 148 类中自主判断，对应的是 51.01%。而且知识检索 P@5 仅 3.94%。
Q8：数据里的证型名称是标准名称吗？
经 GB/T 15657-1995 与专家辨证归一化，但与最新版证型标准（如后续的团体标准）的对应关系论文未说明。若要与 TCMSSD 的 624 证候对照，需自行建立映射。
Q9：能不能直接用天池下载的数据复现论文结果？
天池只提供 train/dev 包（9.59 MB），不含 test 集。要复现 test 指标，需从 GitHub 下载 test.json。此外，ZY-BERT 权重与预训练语料依赖外部网盘，能否获取不确定。
Q10：这份数据里有没有患者的隐私信息？
论文与天池均声明已脱敏，不含姓名、年龄、电话等。但未说明脱敏方法，也未提供 IRB 批号。使用者应自行做二次检查（如检索地名、职业词）。
§13 事实清单与术语表
13.1 核心事实清单
| 编号 | 事实 | 来源 |
|---|---|---|
| F1 | 数据集全名为 TCM-SD: A Benchmark for Probing Syndrome Differentiation via Natural Language Processing | arXiv / ACL Anthology |
| F2 | arXiv 编号 2203.10839，v1 2022-03-21，v2 2022-08-03 | arXiv 页面 |
| F3 | 发表于 CCL 2022，pp. 908–920，Anthology ID 2022.ccl-1.80 | ACL Anthology |
| F4 | 作者 6 人：Mucheng Ren, Heyan Huang, Yuxiang Zhou, Qianwen Cao, Yuan Bu, Yang Gao | arXiv |
| F5 | 单位为北京理工大学计算机学院 + 徐州市中医院 | 论文署名 |
| F6 | 数据量 54,152 条，148 种证型 | 摘要 |
| F7 | 原始记录逾 65,000 条，原始证型 548 类 | 正文 |
| F8 | 合并后 244 类，过滤 <10 样本后 148 类 | 正文 |
| F9 | 划分比例 8:1:1 | 正文 |
| F10 | 外部知识语料 1,027 种证型，爬自大医网 | 正文 |
| F11 | ZY-BERT 语料逾 4 亿 token | Table 2 |
| F12 | ZY-BERT Test Acc 82.19%，Macro-F1 51.01% | Table 4 |
| F13 | RoBERTa Test Acc 82.26%，Macro-F1 47.55% | Table 4 |
| F14 | TCM-BERT Test Acc 80.55%，Macro-F1 41.58% | Table 4 |
| F15 | TF-IDF 知识检索 P@5 = 3.94% | 正文 |
| F16 | 许可 CC BY-NC-SA 4.0 | 天池页 / GitHub README |
| F17 | 天池附加条款：仅学术研究用途 | 天池页 |
| F18 | 论文正文未声明许可 | arXiv 全文 |
| F19 | GitHub 仓库 Borororo/ZY-BERT，首次提交 2021-12-02 | GitHub |
| F20 | test.json（带答案）2023-07-24 上传 | GitHub |
| F21 | 现发布预训练语料已移除 CNKI 部分 | GitHub README |
| F22 | 基金：国家自然科学基金 U21B2009 | 论文致谢 |
| F23 | 天池页致谢徐州市中医院提供数据支撑，卜渊主任、周永兰博士咨询 | 天池页 |
| F24 | 天池下载计数 2,495（2026-10-17 抓取） | 天池页 |
13.2 未公开（论文与平台均无）项
| 项目 | 状态 |
|---|---|
| 患者个体数、性别年龄分布 | 未公开 |
| 采集时间窗 | 未公开 |
| train/dev/test 分项绝对值 | 未公开 |
| 148 类各自样本数、最大/最小类 | 未公开 |
| 病历平均字符长度 | 未公开 |
| 标注一致性（Kappa 等） | 未公开 |
| IRB 批号、伦理审查机构 | 未公开 |
| 脱敏具体方法 | 未公开 |
| 数据字段字典 | 未公开 |
| 具体医院科室、医生人数 | 未公开 |
13.3 术语表
| 术语 | 英文 | 释义 |
|---|---|---|
| 中医 | Traditional Chinese Medicine (TCM) | 中国传统医学体系 |
| 辨证 | syndrome differentiation (SD) | 依据四诊信息判定证型的诊断过程 |
| 证 / 证型 / 证候 | syndrome (zheng) | 疾病在某一阶段的病理概括，是中医治疗的单位 |
| 四诊 | four diagnostic methods | 望、闻、问、切 |
| 主诉 | chief complaint | 患者就诊时的主要症状陈述 |
| 现病史 | medical history | 疾病发生发展过程的详细描述 |
| 辨证论治 | treatment based on syndrome differentiation | 依证型选方用药的诊疗原则 |
| 同病异治 | same disease, different treatments | 同一疾病不同证型用不同治法 |
| 异病同治 | different diseases, same treatment | 不同疾病同一证型用相同治法 |
| 长尾分布 | long-tail distribution | 少数类样本极多、多数类样本极少的分布形态 |
| 全词掩码 | whole word masking (WWM) | 以词为单位整体遮盖的预训练策略 |
| 宏平均 F1 | Macro-F1 | 按类计算 F1 再平均，各类等权 |
| 机器阅读理解 | machine reading comprehension (MRC) | 从给定上下文中抽取答案的任务 |
| 领域预训练 | domain-specific pre-training | 在特定领域语料上继续预训练语言模型 |
| 检索精度 | P@5 | 前 5 条检索结果中相关结果的比例 |
§14 附录：来源与核验记录
14.1 一手来源列表
| 编号 | 来源 | URL | 用途 |
|---|---|---|---|
| S1 | arXiv 摘要页 | https://arxiv.org/abs/2203.10839 | 标题、作者、版本时间、DOI、学科分类 |
| S2 | arXiv 全文 HTML | https://arxiv.org/html/2203.10839v2 | 全部数字：规模、归一化、Table 2/4/5/6、伦理声明、P@5 |
| S3 | ACL Anthology | https://aclanthology.org/2022.ccl-1.80 | 会议、页码、Anthology ID、引用格式 |
| S4 | GitHub Borororo/ZY-BERT | https://github.com/Borororo/ZY-BERT | 文件清单、提交时间、许可、语料口径、联系邮箱 |
| S5 | 阿里云天池数据集页 | https://tianchi.aliyun.com/dataset/dataDetail?dataId=139034 | 中文名、发布日、许可、附加条款、致谢、下载计数 |
| S6 | 北京理工大学成果库 | https://pure.bit.edu.cn/en/publications/tcm-sd-a-benchmark-for-probing-syndrome-differentiation-via-natur | 会议时间地点、Scopus 引用数、作者单位 |
14.2 核验方法
- 三源互证：54,152 / 148 两个核心数字在 S1（摘要）、S2（正文）、S5（天池页面）三处一致；
- 许可互证：S4 与 S5 均写 CC BY-NC-SA 4.0，S2 无条件 → 记为「双口径」；
- 时间线互证：S1（arXiv v1/v2 日期）、S3（CCL 2022 会议期）、S4（各文件提交日）、S5（天池发布日）交叉核对；
- 未公开项：凡 S2 全文检索无结果者，一律标「未公开」，不做推算；
- 推算值标注：唯一涉及推算的是 8:1:1 的绝对数，已在正文明确标注为推算，未写入硬数字表。
14.3 双口径冲突存照
| 编号 | 冲突点 | 口径 A | 口径 B | 本文处理 |
|---|---|---|---|---|
| C1 | arXiv 编号 | 任务头称「2304.08317 一带」 | 实为 2203.10839 | 以 2203.10839 为准，任务头编号有误 |
| C2 | 名称 | 标题用 benchmark | 摘要正文 v2 用 dataset | 以标题 benchmark 为准，正文注明差异 |
| C3 | 提升幅度 | 摘要称 over 4% / over 10% | 表格实算 +3.46 / +9.43 | 原文引述 + 实算存照 |
| C4 | 许可 | 论文正文无声明 | 天池/GitHub 为 CC BY-NC-SA 4.0 | 以平台声明为准 |
| C5 | 语料内容 | 论文称含 CNKI 论文 | README 称现发布版已移除 CNKI | 两者并存存照 |
| C6 | 联系邮箱 | renm@bit.edu.cn（论文/天池） | renm@nuist.edu.cn（GitHub） | 两处并列，nuist 任职变更未核实 |
| C7 | 测试集可得性 | 论文称 first public | test.json 2023-07 才上传 | 以提交记录为准，存疑点写明 |
14.4 遗留疑点（未核项）
| 编号 | 疑点 | 影响 | 建议核实方式 |
|---|---|---|---|
| U1 | 2022 年论文发表时 test 集是否公开 | 影响历史复现性判断 | 查 Wayback Machine 2022 年快照 |
| U2 | renm@nuist.edu.cn 对应任职变更 | 影响作者机构描述 | 查 Ren Mucheng 最新主页 |
| U3 | 148 类清单 | 影响临床可用性 | 解析 GitHub 数据包 |
| U4 | 56 差额（65,000 → 54,152 的类别剔除）具体分布 | 影响数据完整性判断 | 论文未提供，无法核实 |
| U5 | ZY-BERT 权重当前是否仍可下载 | 影响复现 | 实测 Google Drive 链接 |
| U6 | 预训练语料 Dropbox 链接有效性 | 影响复现 | 实测链接 |
| U7 | 天池下载计数随时间变化 | 仅作热度参考 | 需注明抓取时点（已注明 2026-10-17） |
| U8 | 标注一致性从未披露 | 影响对 51% 分数的解读 | 论文未提供，无法核实 |
14.5 与任务头 brief 的差异说明
任务头 brief 提供了以下信息，经核验后的处理：
| brief 说法 | 核验结果 | 处理 |
|---|---|---|
| 「第一个中医辨证论治的大规模公开基准」 | 论文自述「first public large-scale benchmark for SD」 | 采信，正文中标注为「作者自述」 |
| 「54,152 条真实临床记录、148 种证型」 | 三源一致 | 采信 |
| 「来自 arXiv 论文（2304.08317 一带）」 | arXiv 实为 2203.10839 | 更正 |
| 「配套有 TCM-SD 数据集与 TCM-Syndrome 分类体系」 | 论文未提「TCM-Syndrome 分类体系」这一名称；实际配套为证型知识语料（1,027 种，来自大医网）与 148 类标签体系 | 按实核结果改写：称「证型标签体系」与「证型知识语料」，不臆造「TCM-Syndrome」专名 |
| 「数据实际是否公开、许可是什么（很可能是仅研究用）」 | 数据公开（GitHub + 天池）；许可 CC BY-NC-SA 4.0 + 天池附加仅学术条款 | 采信并细化 |
14.6 引文格式
@inproceedings{mucheng-etal-2022-tcm,
title = "{TCM}-{SD}: A Benchmark for Probing Syndrome Differentiation via Natural Language Processing",
author = "Ren, Mucheng and Huang, Heyan and Zhou, Yuxiang and Cao, Qianwen and Bu, Yuan and Gao, Yang",
booktitle = "Proceedings of the 21st Chinese National Conference on Computational Linguistics",
month = oct, year = "2022", address = "Nanchang, China",
publisher = "Chinese Information Processing Society of China",
url = "https://aclanthology.org/2022.ccl-1.80", pages = "908--920"
}
本条目依据 arXiv:2203.10839 v2 全文、ACL Anthology 2022.ccl-1.80、GitHub Borororo/ZY-BERT 仓库页面、阿里云天池 dataId=139034 页面与北京理工大学成果库页面撰写，抓取时点 2026-10-17。所有数字均来自上述一手来源，未公开项已逐条标注。
§6.5 使用坑点清单（坑 1 – 坑 10）
以下十条均为本条目在核验过程中实际遇到的问题，或据一手来源可推知的使用陷阱。每条都给出「现象 → 原因 → 处置」。
坑 1：把 arXiv 编号记成 2304.08317
现象：在网络笔记、二手综述里，TCM-SD 的 arXiv 编号常被误写为 2304.08317（2023 年 4 月的编号段）。
原因：TCM-SD 的实际编号是 2203.10839，提交于 2022 年 3 月。2023 年 4 月的 2304 段属于另外一批论文，与 TCM-SD 无关。二手材料在转录时把「2023 年看到」与「论文编号」混在了一起。
处置：一律以 https://arxiv.org/abs/2203.10839 为准。检索时若只看到 2304.08317，说明该材料不可靠，整段信息需重新核验。
坑 2：只报 Accuracy 就说 ZY-BERT 全面领先
现象：很多介绍文章写「ZY-BERT 以 82.19% 的准确率刷新纪录」。
原因：Test 集上 RoBERTa 的 Accuracy 是 82.26%，比 ZY-BERT 的 82.19% 高 0.07 个百分点。ZY-BERT 的优势只体现在 Macro-F1（51.01% vs 47.55%）。
处置：引用结果时同时给出 Acc 与 Macro-F1，并说明论文以 Macro-F1 为最优判据的理由（长尾分布）。
坑 3：以为 54,152 就是全部原始数据
现象：有材料写「TCM-SD 收集了 54,152 条病历」。
原因：原始收集量是「逾 65,000 条」（over 65,000）。54,152 是剔除低频证型类别之后的保留量。中间损失的部分不是随机丢样，而是整类被删——这意味着数据集中不存在样本数少于 10 的证型。
处置：表述时区分「原始收集」与「最终发布」两个口径，不要混用。
坑 4：以为数据在论文发表时就能下载
现象：按论文 PDF 里的 GitHub 链接去下数据，发现只有代码和样例。
原因：仓库 2021-12-02 初建时只有 LICENSE、README.md、TCM Code.zip、TCM Data Sample.zip；TCM_SD_train_dev.zip 直到 2023-05-15 才上传，test.json 直到 2023-07-24 才上传。
处置：直接访问仓库根目录确认文件存在，不要依赖论文 PDF 中的描述。若需 test 集，务必取 test.json（带答案）而非 test_no_answer.json。
坑 5：以为天池数据包含测试集
现象：从天池下载 TCM_SD_train_dev.zip（9.59 MB），发现没有 test。
原因：天池包只含 train + dev。test 集只在 GitHub 提供。
处置：完整复现需双通道：天池（或 GitHub）取 train/dev，GitHub 取 test.json。
坑 6：以为预训练语料与论文完全一致
现象：下载 README 里的 Dropbox 语料，实测 token 数或内容与论文描述的「CNKI 学术论文 + 书籍 + 网站文章」不符。
原因：README 明确写「the current released version does not contains academic papers and journals from CNKI for some reasons」，即现发布版已移除 CNKI 部分。
处置：不要再宣称「语料含 CNKI 论文」；若要复现 ZY-BERT，需接受语料口径差异。
坑 7：用天池附录的附加条款去否定 CC 协议
现象：看到天池页写「禁止用于商业等其他任何非学术研究的行为」，就认为该数据不是 CC BY-NC-SA 4.0。
原因：两者并存——CC 协议是基础许可，天池附加条款是更严的使用限制。这不是矛盾，而是「许可 + 附加条件」的叠加。
处置：引用时两层都写：CC BY-NC-SA 4.0 + 仅学术研究用途。避免只引其一。
坑 8：把 MRC 的 85.88% 当成分类性能
现象：看到 Table 5 里 RoBERTa 在 MRC 设置下 Macro-F1 达 85.88%，认为辨证问题已被解决。
原因：85.88% 是「5 选 1」条件下的结果，候选列表由人工给定（1 个正例 + 4 个随机）。真实场景没有候选列表。而且知识检索的 P@5 仅 3.94%。
处置：区分「限制候选的 MRC」与「148 类开放分类」，不要把两者混为一谈。
坑 9：以为 148 类就是中医证型的全集
现象：用 TCM-SD 的 148 类作为证型体系去映射其他数据。
原因：148 类是「548 类经合并 + 剪枝 + 低频过滤」后的结果，是为分类任务服务的子集，不是完整证型体系。外部知识语料用了 1,027 种证型，TCMSSD 收录 624 种——可见完整体系远大于 148。
处置：若需完整证型体系，参考 TCMSSD（rid 1054）或国家标准的证型分类；把 TCM-SD 的 148 类当作「可学习子集」而非「全集」。
坑 10：忽略单中心偏倚做跨机构结论
现象：用 TCM-SD 训练的模型，直接在另一家医院的病历上部署，效果大幅下降。
原因：全部数据来自徐州市中医院一家。论文没有任何跨机构验证实验。不同医院的辨证习惯、用语风格、证型分布都可能不同。
处置：跨机构使用前，务必在目标医院的小样本上做微调或至少做分布对比。不要把 TCM-SD 上的指标直接当作跨院泛化能力。
§6.6 全文引述与引文规范
6.6.1 官方引文
GitHub README 与天池页面给出的 BibTeX 一致：
@inproceedings{mucheng-etal-2022-tcm,
title = "{TCM}-{SD}: A Benchmark for Probing Syndrome Differentiation via Natural Language Processing",
author = "Ren, Mucheng and Huang, Heyan and Zhou, Yuxiang and Cao, Qianwen and Bu, Yuan and Gao, Yang",
booktitle = "Proceedings of the 21st Chinese National Conference on Computational Linguistics",
month = oct, year = "2022", address = "Nanchang, China",
publisher = "Chinese Information Processing Society of China",
url = "https://aclanthology.org/2022.ccl-1.80", pages = "908--920"
}
6.6.2 引用时的三点建议
- 引会议论文而非仅引 arXiv：正式版见 CCL 2022 论文集（2022.ccl-1.80），arXiv 为预印本；
- 引数据时加许可声明：注明 CC BY-NC-SA 4.0 并说明仅用于学术研究；
- 引模型时区分 ZY-BERT 与 ZY-BERT 权重：权重托管在 Google Drive，非正式发布渠道，引用时应说明获取方式。
6.6.3 数据可用性声明模板
若在论文中使用 TCM-SD，可采用如下表述：
本研究使用 TCM-SD 数据集（Ren et al., 2022），该数据集由北京理工大学与徐州市中医院构建，包含 54,152 条真实中医门诊病历、148 种证型，以 CC BY-NC-SA 4.0 许可发布于 https://github.com/Borororo/ZY-BERT 与阿里云天池（dataId=139034）。本研究仅将其用于学术研究目的。
§7.8 长尾问题的技术深挖
7.8.1 长尾的三种成因
TCM-SD 的长尾不是单一原因造成的，至少有三层：
成因一：中医证型的天然分布不平衡。 临床上，脾虚、气虚、湿热等基础证型极为常见，而某些复合证型（如「寒热错杂」「上热下寒」）出现频率低。这是医学事实，不是数据采集问题。
成因二：归一化放大了不平衡。 548→244 的合并把同义证型聚在一起，常见证型因为名称多、样本多，合并后更集中；罕见证型即便有别名，合并后仍是少数。
成因三：低频类被整类删除。 244→148 删掉了 96 个低频类，这 96 类的样本也一并消失，使得保留的 148 类总量下降，但头部类占比上升。
7.8.2 对训练策略的影响
| 策略 | 在 TCM-SD 上的效果预期 | 依据 |
|---|---|---|
| 过采样稀有类 | 可能提升 Macro-F1，但易过拟合 | 稀有类绝对样本少 |
| 类别加权损失 | 常用做法，效果中等 | 需调权重 |
| 分层采样 | 保证每个 batch 覆盖多类 | 提升训练稳定性 |
| 先粗后细两阶段 | 潜力最大 | MRC 实验「5 选 1」的 84% 佐证 |
| 外部知识注入 | 有效但受检索精度限制 | P@5 = 3.94% |
7.8.3 一个可验证的假设
由 MRC 实验可推出一个假设：如果能把 148 类先聚成 10–20 个上位组（如按脏腑、按病性），先做粗分类，再在组内细分，Macro-F1 可能显著提升。
这个假设的合理性有三重支撑：
- 设置 ① 到 ② 的跳跃（47.57% → 84.42%）证明候选规模是主因；
- 论文的剪枝阶段本身就在做「上位→下位」的区分，说明层级结构真实存在；
- 中医理论本身是分层的（八纲 → 脏腑 → 具体证型）。
但需注意：这个假设未被论文验证，属于本条目基于数据推出的合理推断，不是已发表结论。
§8.6 与中文医疗 NLP 数据集谱系的对照
| 数据集 | 规模 | 模态 | 任务 | 许可 | 与 TCM-SD 的关系 |
|---|---|---|---|---|---|
| TCM-SD | 54,152 | 文本 | 中医证型分类 | CC BY-NC-SA 4.0 | 本条 |
| TCMEval-SDT（1053） | 300 | 文本 | 辨证四步推理 | CC-BY 4.0 | 过程 vs 结果 |
| CMeQA2（825） | 十万级 | 文本 | 中文医学问答 | 见条目 | 同为中文医疗 NLP 数据 |
| CMB-CMExam（180） | 千级 | 文本 | 中文医学考试 | 见条目 | 知识测评 |
| MedQA（50） | 万级 | 文本 | 英文医学考试 | 见条目 | 跨语言对照 |
| PubMedQA（49） | 千级 | 文本 | 文献问答 | 见条目 | 文献推理 |
| Huatuo-26M（823） | 千万级 | 文本 | 医学预训练语料 | 见条目 | 语料规模对照（26M vs 0.4B token） |
从这张表能看出 TCM-SD 的独特位置：它是这张表里唯一一个「中医 + 大规模 + 真实临床 + 单标签分类」的组合。其他中医条目要么小（300），要么偏知识（考试/问答），要么偏多模态。
§2.8 病种维度：论文未展开的一块
TCM-SD 的论文把全部注意力放在「证型」这一维上：148 类、长尾、归一化。但中医病历通常还隐含另一维——病（疾病名称），也就是「辨病」与「辨证」并举中的前者。
论文正文未给出数据的病种分布统计，也未把病名作为字段列出来。这意味着：
- 检索者无法按病种切分数据（比如「只看咳嗽、失眠、胃脘痛这三类病」）；
- 无法回答「同一病下 148 类证型的分布是否均衡」这一关键问题；
- 无法做「异病同治」的实证检验——这本来是中医理论中最适合用数据验证的部分。
论文明确提到辨证论治的核心特征是「同病异治、异病同治」，但在数据层面没有给出足以验证这一命题的字段。这是一个理论主张与数据供给之间的缺口。
若后续有人要做这个方向，可行的补救方式是：用证型名称反推病种（中医证型名常带病位线索，如「脾胃」暗示消化系统），但这是推断而非原始字段，准确性无法保证。
2.9 四诊信息的真实颗粒度
中医四诊——望、闻、问、切——在 TCM-SD 里是以文字形式散落在现病史叙述中的，不是结构化字段。
具体来说：
- 望诊（面色、舌象、形体）：以「舌淡苔白」「面色萎黄」这类短语出现，但无独立字段，也无图像；
- 闻诊（声音、气味）：出现频率最低，文字转述极少；
- 问诊（症状、寒热、饮食、二便、睡眠）：信息量最大，构成现病史主体；
- 切诊（脉象）：以「脉沉细」「脉弦滑」这类短语出现，同样无波形数据。
这一颗粒度带来的限制是明确的：模型学到的是「文字描述与证型的关联」，而不是「舌象图像或脉波信号与证型的关联」。TCM-SD 无法用于训练舌诊或脉诊的视觉/信号模型——这需要 TCM-Tongue（rid 1052）这类专门的影像数据集。
2.10 中医门诊病历的文体特征
理解数据形态，还需要理解中医门诊病历本身的写法。这类文本有几个鲜明特征，直接影响模型表现：
| 特征 | 表现 | 对模型的挑战 |
|---|---|---|
| 高度省略 | 「纳可，二便调，眠差」——主语、谓语常省 | 依赖上下文补全语义 |
| 术语混用 | 同一症状有文言与白话两种写法 | 词表覆盖不足 |
| 时间模糊 | 「近日」「半月来」「缠绵不愈」 | 时序推理困难 |
| 否定与转折 | 「无发热，但畏寒」 | 否定范围识别 |
| 数值稀疏 | 少有成体系的检验数值，多为定性描述 | 无法做数值特征工程 |
| 书写者风格差异 | 不同医生详略差异大 | 引入书写者偏倚 |
论文的错误分析提到的「复杂推理（时间、数值、空间、否定）」正是这些文体特征的直接后果。换句话说，TCM-SD 的难点一半来自中医知识，一半来自病历文体。
2.11 数据规模在 NLP 基准谱系中的位置
把 54,152 这个数字放到中文文本分类基准的谱系里，位置会更清楚：
| 基准 | 样本量 | 类别数 | 领域 |
|---|---|---|---|
| THUCNews（子集） | 数万至数十万 | 10–14 | 新闻 |
| TNEWS（CLUE） | 53,360 | 15 | 新闻 |
| TCM-SD | 54,152 | 148 | 中医临床 |
| IFLYTEK（CLUE） | 17,332 | 119 | 应用描述 |
| CSL | 约 2 万 | — | 摘要 |
TCM-SD 的样本量可与主流中文基准比肩，但类别数是它们的十倍以上，且类别分布远比新闻类不平衡。这解释了为什么它在 Macro-F1 上的绝对值看起来不高——不是模型弱，而是任务难度本来就高出许多。
一个参照性观察：CLUE 的 IFLYTEK 任务有 119 类，若把 TCM-SD 的 148 类与它相比，类别规模相当，但 TCM-SD 的类别先验分布更偏斜。
§3.6 论文写作与投稿脉络
3.6.1 版本演化
TCM-SD 的论文经历了三个阶段：
| 阶段 | 形式 | 时间 | 变化 |
|---|---|---|---|
| v1 | arXiv 预印本 | 2022-03-21 | 首次公开，2,615 KB |
| v2 | arXiv 修订 | 2022-08-03 | 扩充至 3,613 KB，标注「to appear at CCL2022」 |
| 正式版 | CCL 2022 论文集 | 2022-10 | 收录于第 908–920 页 |
v2 比 v1 大近 1 MB，通常意味着补充了实验或图表。由于本条目未逐页比对 v1 与 v2，具体增补内容不作推断。
3.6.2 会议定位与评审语境
CCL（全国计算语言学会议）是中国中文信息处理领域的旗舰会议，2022 年第 21 届在南昌举办，程序委员会由孙茂松、刘洋、车万翔、冯洋、邱锡鹏、饶高琦、陈玉博等组成。该会议论文以中文语言技术为主线，接受英文投稿。
TCM-SD 发表在此处，意味着它面对的是国内计算语言学共同体，而非医学信息学共同体。这一语境解释了论文的两个倾向：
- 重方法轻临床：论文详细讨论预训练、掩码策略、MRC 改写，但对临床可用性（如证型的误判代价）着墨很少；
- 基准思维：强调「first public large-scale benchmark」，把数据集本身当作主要贡献，而不是把临床发现当作贡献。
这也是理解后续引用格局的关键——它主要被 NLP 与 AI 团队引用，较少被临床研究引用。
3.6.3 与同期中医 NLP 工作的关系
2022 年前后，中医 NLP 出现了几项并行工作：
- 中医预训练模型：TCM-BERT 等，语料规模多在千万 token 量级；
- 中医知识图谱：以药材-方剂-证候为核心；
- 中医问答数据集：多以教材与考试题为基础。
TCM-SD 的差异在于它是唯一以「真实病历 → 证型」为主线的公开基准。这一独特性使它即便在数据集层出不穷的今天，仍被作为中医辨证任务的默认参照。
§4.6 归一化决策的临床含义再讨论
4.6.1 「保留最具体证型」的合理性
论文剪枝阶段的核心决策是：保留最具体（最下位）的证型，删除上位证型。这个决策在临床上是有道理的，因为治法跟着最具体的证型走。
但这里存在一个隐含假设：临床记录中写的证型，一定是最具体的那个。实际情况未必如此——有些医生习惯写「风寒证」这种较粗的诊断，如果数据中这类记录被剪掉，剩下的是「写得更细」的医生的记录。这可能在无意间筛掉了部分书写风格。
论文未讨论这一筛选效应。本条目把它作为潜在的选择偏倚记录在案，但不判定其影响大小。
4.6.2 合并标准的时代性
论文以 GB/T 15657-1995 为依据。这一标准是《中医病证分类与代码》，发布至今已近三十年，其间中医证型体系有过多次修订（如后续的行业标准与团体标准）。
若把 TCM-SD 的 148 类与采用新标准的数据库（如 TCMSSD 的 624 证候）对齐，可能出现：
- 名称相同但内涵有差异；
- 新标准拆分了旧标准的某一类；
- 旧标准有而新标准已废弃的类。
这三种情况都需要人工映射，目前没有公开的对照表。
4.6.3 一个反事实：如果不归一化会怎样
假设不做归一化，直接对 548 类做分类：
- 大部分类别的样本数会少于 10 条，模型无法学习；
- 同义证型被拆成多个类，模型在「风热证」与「风热外袭证」之间反复混淆；
- Macro-F1 会进一步下降（因为更多类别是无样本可学的）。
因此归一化是必要之恶——它牺牲了细粒度与完整性，换来了可学习性。TCM-SD 的 148 类，本质上是「在可学习约束下能保留的最大证型集合」。
§5.8 分类头与损失函数的选择空间
论文未详细披露分类头的具体结构，但从结果可以推断几个关键选择：
其一，必然是单标签分类。 每条病历对应唯一证型，没有多标签设置。这在中医上其实是一种简化——临床上存在「兼证」（如「肝郁脾虚」同时包含肝郁与脾虚），但数据里它们被打包成一个复合证型名，而非两个标签。
其二，大概率使用交叉熵损失、未做类别加权。 依据是：若做了有效的类别加权，Macro-F1 与 Acc 的落差不应如此之大（31–46 个百分点）。未加权时，模型会天然偏向头部类，导致 Macro-F1 远低于 Acc。
其三，输入长度处理方式未披露。 中医病历可能超过 BERT 的 512 token 上限（尤其含完整现病史的样本）。论文未说明是截断、分段还是取前 512 个 token。这一细节对复现很重要，但公开材料中没有。
5.8.1 复现时需要注意的三个实现细节
| 细节 | 论文披露情况 | 复现建议 |
|---|---|---|
| 最大序列长度 | 未披露 | 先统计数据长度分布，再定 256 或 512 |
| 类别不平衡处理 | 未披露 | 先复现无加权版本对照论文数字 |
| 随机种子与多次运行 | 未披露 | 至少跑 3 个种子取均值，报告标准差 |
这三项在论文里都缺失，是复现时最容易踩坑的地方——尤其第一项，若长度设置不同，结果可能相差数个点。
5.8.2 ZY-BERT 的复现成本估算
| 组成 | 规模 | 成本量级 |
|---|---|---|
| 预训练语料 | 0.4B token | 数十 GB 原始文本 |
| 预训练算力 | 300K steps × batch 256 | BERT-Large 级别，单机多卡数天至数周 |
| 微调 | 54,152 条 × 148 类 | 单卡数小时 |
对多数团队而言，预训练不划算，微调可行。现实做法是：直接使用 ZY-BERT 权重微调，或用以 RoBERTa-wwm 为基座自行微调——后者在论文里已有 47.55% 的 Macro-F1 作为参照。
§7.9 指标解读：为什么是 Macro-F1 而不是别的
7.9.1 四个指标的相互关系
论文报告了四项指标，它们的关系可以这样理解：
- Accuracy：全局正确率，每个样本等权 → 被头部类主导；
- Macro-Precision：每类先算精确率再平均 → 反映「模型说某类是某类时有多准」；
- Macro-Recall：每类先算召回率再平均 → 反映「某类出现时模型能不能找出来」；
- Macro-F1：上述两者每类的调和平均再平均 → 综合覆盖能力。
在 TCM-SD 的表格里有一个规律：几乎所有模型的 Macro-P 都显著高于 Macro-R。以 ZY-BERT 为例，Test 集 Macro-P 57.70%、Macro-R 49.42%，相差 8.28 个百分点。
这说明模型倾向于保守判断：只在自己有把握的类上做预测，宁可漏判也不误判。对稀有类而言，这表现为「几乎不预测稀有类」——召回率低。
7.9.2 SVM 的异常表现
Test 集 SVM 的 Macro-P 高达 49.35%，但 Macro-R 只有 32.98%，两者相差 16.37 个百分点，是所有模型中最大的。Macro-F1 却在 36.37%，高于 CNN（32.83%）与 BERT（35.45%）。
这个现象值得注意：一个传统的分类器在 Macro-F1 上超过 BERT，说明在高度不平衡的小类别场景里，强模型的优势可能被类别偏斜吃掉。理论上 BERT 的表示能力远强于 SVM 的 TF-IDF 特征，但它更容易把样本推向头部类。
论文未对 SVM 的异常做专门分析。本条目记录这一现象，供复现者参考——若你的实验里 BERT 打不过 SVM，未必是代码有错。
7.9.3 Dev 与 Test 的一致性检查
对比两张表可以看出 Test 与 Dev 的排序基本一致（ZY-BERT > RoBERTa > ALBERT > distilBERT > TCM-BERT > BERT），说明结论稳健。
细节差异有两处：
- Dev 集 ZY-BERT 与 RoBERTa 的 Macro-F1 差 6.29（49.47 vs 43.18），Test 集缩到 3.46（51.01 vs 47.55）——Test 集更难；
- Dev 集 ALBERT 略高于 distilBERT（37.88 vs 36.07），Test 集也是（40.50 vs 40.24）。
整体看，Dev 与 Test 的差异在一个合理范围内，没有出现「Dev 高 Test 崩溃」的过拟合迹象。
§8.7 复现与二次开发的实操路径
8.7.1 最小可复现路径（约半天）
- 从 GitHub 下载
TCM_SD_train_dev.zip与test.json； - 解析 JSON，确认字段结构（论文无字段字典，需自行查看）；
- 用
hfl/chinese-roberta-wwm-ext做微调，max_len 先设 512，batch 16，lr 2e-5，3 个 epoch； - 在 test.json 上计算 Accuracy 与 Macro-F1；
- 对照论文的 82.26% / 47.55%——若差在 2 个百分点内，说明流程正确。
8.7.2 进阶路径（一周）
- 先做数据探索：统计每类样本数、文本长度分布、高频证型名；
- 复现 ZY-BERT（若有权重）或自建领域预训练；
- 尝试类别加权损失、focal loss、两阶段分类；
- 记录每个变体在头部类与尾部类上的分别表现。
8.7.3 可发表的创新点方向
| 方向 | 新颖性 | 与 TCM-SD 的结合点 |
|---|---|---|
| 层级分类（先脏象后证型） | 中 | 148 类的上位聚类 |
| 证型知识检索增强 | 高 | 利用 1,027 种证型知识语料 |
| 长尾对比学习 | 中 | 稀有类样本增广 |
| 跨机构泛化研究 | 高 | 需自采数据做对照 |
| 辨证依据抽取（可解释性） | 高 | 需标注依据句，TCM-SD 无此标注 |
最后一项需要特别注意：TCM-SD 没有标注「哪些句子是辨证依据」。任何做可解释性的工作，都需要自行标注或使用弱监督方法。
§9.9 数据集生命周期与可持续性
9.9.1 托管风险
TCM-SD 的完整获取依赖四处托管：
| 内容 | 托管方 | 风险等级 |
|---|---|---|
| 代码 + train/dev + test | GitHub | 低（但仓库若删除则失效） |
| train/dev 副本 | 阿里云天池 | 中（平台策略可能变化） |
| 预训练语料 | Dropbox | 高（个人链接，易失效） |
| 模型权重 | Google Drive | 高（个人链接，易失效） |
GitHub 仓库自 2023 年 12 月后无新提交，作者联系方式也已从 bit.edu.cn 变为 nuist.edu.cn（README），说明维护活跃度已下降。这提示使用者在获取后应立即本地归档。
9.9.2 版本漂移
由于数据是分三次上传的（2021-12 代码与样例、2023-05 train/dev、2023-07 test），不同时间点下载的「TCM-SD」可能内容不同。论文没有版本号，也没有 checksum。
建议：下载后记录文件大小与提交哈希（GitHub 可查 commit id），作为引用时的版本依据。例如 TCM_SD_train_dev.zip 对应提交 e2337d2（2023-05-15），test.json 对应提交 a409c6f（2023-07-24）。
9.9.3 与「活数据集」的区别
TCM-SD 是一个静态数据集，不是持续更新的「活数据集」：
- 没有版本号体系；
- 没有变更日志；
- 没有社区维护机制；
- 没有纠错通道（除 GitHub issue）。
这与 TCMSSD（有 v1.0 版本与更新日期）形成对比。对于需要长期追踪的研究，静态数据集既省心（基线不变）又有风险（发现错误无法修正）。
§10.5 对中医 AI 研究范式的三点反思
10.5.1 「证型分类」是不是辨证的全部
TCM-SD 把辨证定义为分类，这在工程上合理，但在理论上是一种高度简化。
真实的辨证包含：
- 收集信息（四诊）；
- 分析病机（为什么会这样）；
- 归纳证型（属于哪一类）；
- 确定治法（该怎么治）。
TCM-SD 只做了第三步。这意味着一个在 TCM-SD 上得分很高的模型，可能在临床上完全不可用——因为它不知道「为什么」，也无法解释给医生听。
这不是 TCM-SD 的过错，而是任何单一基准的固有局限。TCMEval-SDT 的价值正在于补上第二步与第四步。
10.5.2 数据规模与临床价值的非线性
54,152 条听起来很多，但分摊到 148 类，平均每类 366 条，而长尾意味着多数类远低于平均值。
对比影像领域：一个疾病分类数据集动辄十万张图像、每类数千张。中医文本的「信息密度」高于图像（一段病历包含的信息量远大于一张舌象），但样本量的绝对劣势仍然存在。
这提示一个判断：中医 NLP 的瓶颈可能不在模型，而在数据。尤其是有标注的、高质量的、多中心的临床文本数据。
10.5.3 从「判对」到「可信」的距离
临床可用的辨证辅助系统，需要的不只是准确率，还需要：
- 可解释性：为什么是这个证型；
- 不确定性估计：有多确定，是否该转人工；
- 拒答能力：信息不足时说「无法判断」。
TCM-SD 的评测协议完全不覆盖这三项。一个 Macro-F1 51% 的模型，可能对某些样本极度自信却判错——这在临床上是有害的。
若要用 TCM-SD 做实用系统，必须额外设计：
- 置信度阈值与拒答机制；
- 依据句定位（需另做标注）；
- 与医生的交互式澄清流程。
这三项都不在原始基准的范围内。
§11.4 DAIMS 维度补充说明
11.4.1 为什么可得性给 4 分而非 5 分
5 分意味着「一条命令即可获取、无登录、无外链风险、有校验和」。TCM-SD 达不到：
- 天池需登录；
- 语料与权重在个人网盘；
- 无校验和与版本号。
但双平台冗余让它优于只能单一入口获取的数据集，因此给 4 分。
11.4.2 为什么可用性只给 3 分
可用性关注「拿到之后能不能直接用」。TCM-SD 的障碍是：
- 无字段字典（最大障碍）；
- 无官方 dataloader；
- JSON 结构需自行探索；
- 中文编码与生僻字处理需注意。
对比 TCMEval-SDT 提供了明确的 JSON 文件名与 13 字段元数据编号，TCM-SD 的文档化程度明显更低。
11.4.3 准确性 4 分的依据与保留
给 4 分的理由是「真实临床数据 + 临床医生标注」，这比合成数据或众包标注更可信。保留的一分是因为：
- 无标注一致性统计；
- 单一医院，无法做标注质量的跨机构对照。
如果未来有研究做了 TCM-SD 子集的重新标注并报告 Kappa，这一维度才有望升到 5 分。
11.4.4 治理 3 分：三条具体缺口
| 缺口 | 现状 | 改进方向 |
|---|---|---|
| 无 DUA | 无数据使用协议，仅靠 CC 许可 | 增加使用登记或协议 |
| 无 IRB 批号 | 论文称不涉及伦理问题而豁免 | 补充伦理审查备案 |
| 条款冲突 | 天池附加条款与 CC 协议并存 | 明确以哪条为准 |
这三条在学术数据集里很常见，但在医疗数据领域，补齐它们是走向「可放心使用」的必经之路。
§13.4 数据字典（据公开材料可确证部分）
严格来说，TCM-SD 没有官方数据字典。下表仅列出可以从公开材料确证的信息，未确证的一律标「待下载后确认」。
| 项目 | 内容 | 确证程度 |
|---|---|---|
| 文件格式 | ZIP（train/dev）、JSON（test） | 已确证（GitHub 文件列表） |
| 文本语言 | 简体中文 | 已确证（论文与样例描述） |
| 标签空间 | 148 类证型 | 已确证（论文） |
| 划分 | 8:1:1 | 已确证（论文） |
| 输入组成 | 主诉 + 现病史 + 四诊信息 | 已确证（论文叙述） |
| JSON 键名 | 未公开 | 待确认 |
| 是否有唯一 ID | 未公开 | 待确认 |
| 是否有病名字段 | 未公开（论文未提） | 待确认 |
| test.json 与 test_no_answer.json 结构差异 | 前者含答案，后者不含 | 由文件名推断，高度可信但未逐字核验 |
| 编码 | 大概率 UTF-8 | 未确证 |
说明：本条目坚持「不臆造字段名」的原则。若需完整字段说明，唯一可靠途径是下载数据包后自行解析，或向作者发邮件询问（renm@bit.edu.cn / rdoctmc@gmail.com）。
§14.6 检索者备忘：五条一句话结论
- TCM-SD 是中医 NLP 的「ImageNet 时刻」——第一个把辨证任务规模化的公开基准，尽管今天看规模不算大。
- 它的核心难题是长尾，不是语言理解——所有模型的 Acc 与 Macro-F1 落差超过 30 个百分点。
- 它的核心资产是真实病历——不是教材改写，不是合成文本，噪音与省略都是真实的。
- 它的核心缺口是文档——无字段字典、无类别分布、无标注一致性，可复现性中等。
- 它的许可是硬约束——CC BY-NC-SA 4.0 + 仅学术用途，商用需另行授权。
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：
- mednli — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准 / 电子健康记录
- er-reason — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准 / 电子健康记录
- mietic — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准 / 电子健康记录
- synsum — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准 / 电子健康记录
- blue-benchmark — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准
- care-bench — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 评测基准
- aci-bench — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 电子健康记录
- primock57 — 共享标签：医疗NLP / 临床文本 / 评测基准 / 电子健康记录
- trec-ct-2021 — 共享标签：医疗NLP / 临床文本 / 评测基准 / 电子健康记录
- mimic-ext-synnotes — 共享标签：医疗NLP / 临床文本 / 医学问答与基准 / 电子健康记录
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。
