DICD-IE：牙种植文献与临床知识抽取的专家标注基准数据集

数据集获取

源站：https://doi.org/10.5281/zenodo.20284336

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 10.11 GB。

数据说明

概述DICD-IE（牙种植体临床信息抽取数据集）是一个专家标注的语料库，专为牙种植体临床文献中的命名实体识别（NER）和关系抽取（RE）而构建。它捕捉了通常被压缩在简短叙述性陈述中的风险因素、治疗方法和结果，并包含一个探索性肿瘤学维度，涵盖种植体失败与口腔癌之间罕见报道的共现情况。数据来源该语料库基于30篇经过同行评审的全文文章，这些文章通过结构化PubMed检索和专家筛选确定。由此产生了2，204个具有临床意义的文本片段——其中21篇文章涵盖一般种植体风险因素和结果，9篇文章报告了罕见的口腔癌病例研究。标注五名领域专家使用基于共识的协议对语料库进行了标注，涵盖16种实体类型和21种关系类型。标注者间一致性很强（Gwet’s AC1 = 0.8624，NER；0.8577，RE）。基准测试六个生物医学Transformer模型在该数据集上进行了微调和评估（BioBERT、BioLinkBERT、BlueBERT、ClinicalBERT、PubMedBERT、SciBERT）。

SciBERT表现最佳，在句子级评估下达到F1 = 0.6213（NER）和F1 = 0.6274（RE），而在更严格的文章级划分下结果更为保守（NER的F1 = 0.6041，RE的F1 = 0.5162）。还包括针对BioRED、BioRelEx和BC5CDR的跨数据集迁移实验。范围与注意事项肿瘤学部分仅反映已报告的关联，不旨在支持因果推断或临床预测。由标注实体和关系构建的知识图谱作为进一步的探索性输出，用于组织植入物相关的临床概念。相关信息存放内容JSON格式的标注数据集（带有字符级偏移的BIO标记实体；带有关系类型标签的关系实例对）训练/验证/测试划分——包括主要的句子级划分（80/10/10）和

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。