79万+中文医疗对话数据集：打造AI问诊系统的终极资源库 📊
项目地址: https://gitcode.com/gh_mirrors/ch/Chinese-medical-dialogue-data Chinese medical dialogue data中文医疗问答数据集是一个包含792099条真实医患对话记录的开源资源库，涵盖内科、外科、妇产科等6大科室，为AI医疗问答系统开发提供高质量中文语料支持。无论是医疗NLP研究还是智能问诊应用开发，这个免费数据集都能帮你快速构建专业级对话模型。
📁 数据集核心优势：3大亮点解析
1. 超大规模真实对话语料
数据集包含6个专科领域的医疗对话记录，其中：
- 内科（IM_内科）：220606条问答对 🏥
- 妇产科（OAGD_妇产科）：183751条问答对 🤰
- 外科（Surgical_外科）：115991条问答对 🔪
- 男科、儿科、肿瘤科等共271751条记录
所有数据均来自真实医疗咨询场景，包含患者主诉、医生诊断、用药建议等完整对话流程，为模型训练提供贴近临床实际的语言素材。
2. 结构化数据格式设计
每个CSV文件采用统一数据结构：
department | title | question | answer
- 科室标签：精准标注对话所属专科领域
- 问题标题：简洁概括患者咨询核心
- 详细提问：完整记录患者症状描述
- 专业回答：包含诊断意见、治疗方案和健康建议
这种结构化设计使数据易于清洗、分类和标注，特别适合监督学习和知识图谱构建。
3. 即开即用的模型微调支持
数据集提供ChatGLM-6B微调示例，包含JSON格式的训练数据模板：
{
"instruction": "现在你是一个神经脑外科医生，请根据患者的问题给出建议：",
"input": "脑部异常放电相关问题能吃德巴金吗？",
"output": "德巴金是广谱相关药物...建议在医生指导下用药"
}
根据测试结果，使用LoRA（r=8）微调后的模型在BLEU-4评分上达到4.21，相比基础模型提升31%，证明数据集具备优异的模型训练效果。
🔬 数据文件深度解析
各专科数据文件速览
所有数据文件集中在Data_数据目录下，按科室分类存储：
- 男科数据：Data_数据/Andriatria_男科/男科5-13000.csv
- 儿科数据：Data_数据/Pediatric_儿科/儿科5-14000.csv
- 肿瘤科数据：Data_数据/Oncology_肿瘤科/肿瘤科5-10000.csv
每个CSV文件均采用UTF-8编码，可直接用Excel或Python pandas库读取处理。
数据处理工具推荐
数据集提供配套的数据预处理脚本：Data_数据/IM_内科/数据处理.py，包含：
- 文本清洗与去重
- 对话内容分词处理
- 医学实体识别标注
- 训练集/测试集划分
通过该脚本可快速将原始数据转换为模型训练所需格式，降低数据准备门槛。
💡 5大典型应用场景
1. 智能问诊机器人开发
基于真实对话训练的AI模型可准确理解患者症状描述，提供初步分诊建议。例如训练心血管科专属模型，能处理高血压、冠心病等常见疾病的咨询问答。
2. 医疗知识图谱构建
利用问答对中的病症-诊断-治疗关系，可构建专业医疗知识图谱，支持疾病关联分析和诊疗路径推荐。
3. 临床决策辅助系统
通过分析大量相似病例的诊疗方案，为年轻医生提供参考建议，提高诊断准确性和治疗规范性。
4. 患者教育内容生成
自动将专业医学知识转化为通俗易懂的健康建议，帮助患者更好理解病情和治疗方案。
5. 医疗NLP算法研究
作为标准测试集用于医疗对话系统评估，支持模型性能对比和算法创新验证。
🚀 快速上手：3步使用指南
1. 获取数据集
git clone https://gitcode.com/gh_mirrors/ch/Chinese-medical-dialogue-data
2. 数据文件浏览
推荐使用Excel或Python查看数据：
import pandas as pd
df = pd.read_csv("Data_数据/IM_内科/内科5000-33000.csv")
print(df.head()) # 查看数据结构
print(f"数据总量: {len(df)}条")
3. 模型训练建议
- 建议使用LoRA低秩适配技术进行微调
- 初始学习率设置为2e-4，batch size=16
- 医疗领域模型建议至少训练3个epoch
📊 模型微调效果对比
不同微调方法在ChatGLM-6B上的性能测试结果：
| 评估指标 | 基础模型 | P-Tuning V2 | LoRA (r=8) | LoRA-INT8 |
|---|---|---|---|---|
| BLEU-4 | 3.21 | 3.55 | 4.21 | 3.58 |
| Rouge-1 | 17.19 | 18.42 | 18.74 | 17.88 |
| 训练参数占比 | / | 0.20% | 0.06% | 0.06% |
数据来源：使用数据集1/30样本量进行的微调测试
🔚 结语：开启医疗AI开发之旅
Chinese medical dialogue data数据集为医疗人工智能开发提供了宝贵的中文语料资源。无论你是NLP研究者、医疗科技开发者还是学生，这个包含79万+专业对话的开源项目都能帮助你快速构建医疗对话系统。立即下载使用，探索智能医疗的无限可能！
提示：数据集遵循MIT许可证，允许商业和非商业用途，但建议在实际医疗应用中结合专业医生审核。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
