language:
- es
- en
license: apache-2.0
dataset_info:
features:
- name: raw_text
dtype: string
- name: topic
dtype: string
- name: speciallity
dtype: string
- name: raw_text_type
dtype: string
- name: topic_type
dtype: string
- name: source
dtype: string
- name: country
dtype: string
- name: document_id
dtype: string
splits:
- name: train
num_bytes: 190710909
num_examples: 2136490
download_size: 48472707
dataset_size: 190710909
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
Dataset Card for Spanish Medical Corpus (SMC)
Este dataset agrupa y organiza varios dataset presentes en hugginface (p.ej: PlanTL-GOB-ES/cantemist-ner, PlanTL-GOB-ES/pharmaconer) y otros recursos públicos creados por investigadores con distintos formatos (p.ej.; MedLexSp ) para permitir ser fuente de conocimiento de grandes modelos de lenguaje en idioma español para el dominio médico.
Dataset Details
Dataset Description
- Curated by: Dionis López Ramos, Alvaro Garcia Barragan, Dylan Montoya, Daniel Bermúdez
- Funded by: SomosNLP, HuggingFace, Argilla, Universidad de Oriente (Cuba)
- Language(s) (NLP): Spanish (
es-ES
,es-CL
) - License: apache-2.0
Dataset Sources
- Repository: somosnlp/SMC
- Paper: "Comming soon!"
- Demo: somosnlp/SMC/viewer
- Video presentation: SpanishMedicaLLM | Proyecto Hackathon #SomosNLP
Uses
Se sugiere el uso de este dataset para lograr el autojuste y prentrenamiento de LLM para el dominio médico con información en idioma español.
Direct Use
Fine Tuning an LLM instruction in Spanish language with question prompts and answers.
Out-of-Scope Use
Los creadores del dataset no se hacen responsable de resultados nocivos que puedan generar los modelos al ser entrenados con esta información. Se sugiere un proceso de evaluación riguroso con especialistas de los resultados generados por modelos de LLM entrenados.
Dataset Structure
Por cada entrada o documento en la fuente de información organizarla en un dataset de hugginface de la siguiente forma:
- question (raw_text): Texto asociado al documento, pregunta, caso clínico u otro tipo de información.
- answer (topic): (Texto asociado al tratamiento médico (healthcare_treatment), diagnóstico (healthcare_diagnosis), tópico de salud (topic), respuesta de una pregunta (answer), other, o estar vacío p.ej en el texto abierto)
- speciality: (Especialidad médica a la que se relaciona el raw_text p.ej: cardiología, cirugía, otros)
- raw_text_type: (Puede ser clinic_case, open_text, question o vacio)
- topic_type: (Puede ser medical_topic, medical_diagnostic,answer,natural_medicine_topic, other, o vacio)
- source: Identificador de la fuente asociada al documento que aparece en el README y descripción del dataset.
- country: Identificador del país de procedencia de la fuente (p.ej.; ch, es) usando el estándar ISO 3166-1 alfa-2 (Códigos de país de dos letras.).
- document_id: Identificador del documento en el dataset de procedencia, este valor puede estar vacio en caso que no se conozca
Al inicio de este proceso de construcción se debe actualizar en la tabla de la sección Source Data la descripción de la fuente de información con los siguientes datos:
- Id: Este será un número para que la fuente de información pueda ser referenciada en cada entrada del conjunto de datos.
- Nombre: Nombre de la fuente de donde procede.
- Tokens: Cantidad de tokens que contiene.
- Memoria: Tamaño en memoria del dataset generado para hugginface
- Licencia: En este caso si es solo para investigación o si posee otra licencia como MIT, Apache 2 u otras
- Dirección: URL de donde se puede descargar o consultar la información.
- País: País de procedencia de la información usando el standar ISO 3166-1 código alfa-2: Código ISO de 2 letras asignado a ese país o territorio.
Dataset Creation
Curation Rationale
Más de 600 millones de personas hablantes del idioma español necesitan recursos, como los LLMs, para la obtención de información médica de forma libre y segura, cumpliendo con los objetivo del milenio: Salud y Bienestar, Educación y Calidad, Fin de la Pobreza propuestos por la ONU. Existen pocos recursos o conjuntos de datos del dominio médico para el entrenamiento o autoajuste de un LLM en idioma español.
Para entrenar un autoajustar un LLM en el dominio de la medicina y los cuidados de salud se necesitan gran cantidad de datos de este contexto. Para crear un conjunto de datos en el dominio médico es necesaria alguna certificación por especialistas en la construcción del corpus.
Source Data
Id | Nombre | Tokens | Memoria | Licencia | Dirección | País |
---|---|---|---|---|---|---|
1 | Cantemist corpus: gold standard of oncology clinical cases annotated with CIE-O 3 terminology | 349287 | 9157 kB | CC Attribution 4.0 International | https://huggingface.co/datasets/bigbio/cantemist/viewer/cantemist_bigbio_kb | es |
2 | MedlinePlus Spanish (National Library of Medicine, NLM) | 7757337 | 35 MB | https://medlineplus.gov/spanish/ | es | |
3 | PharmaCoNER | 275955 | 2 MB | CC Attribution 4.0 International | https://huggingface.co/datasets/PlanTL-GOB-ES/pharmaconer | es |
4 | Spanish Biomedical Crawled Corpus | 1973048 | 264 MB | cc-by-4.0 | https://zenodo.org/records/5513237 | es |
5 | CARES | 322353 | 1828 kB | Afl-3.0 | https://huggingface.co/datasets/chizhikchi/CARES | es |
6 | MEDDOCAN | 364462 | 1639 kB | cc-by-4.0 | https://huggingface.co/datasets/bigbio/meddocan | es |
7 | Alvaro8gb/enfermedades-wiki-marzo-2024 | 1424685 | 9073 kB | MIT | https://huggingface.co/datasets/Alvaro8gb/enfermedades-wiki-marzo-2024 | es |
8 | BioMistral/BioInstructQA(spanish) | 1072476 | 5963 kB | Apache 2.0 | https://huggingface.co/datasets/BioMistral/BioInstructQA | ca |
9 | DisTEMIST | 550203 | 2754 kB | cc-by-4.0 | https://huggingface.co/datasets/bigbio/distemist | es |
10 | The Chilean Waiting List Corpus | 678934 | 3116 kB | cc-by-4.0 | https://zenodo.org/records/5518225 or https://huggingface.co/plncmm | cl |
11 | BARR2 | 1732432 | 8472 kB | cc-by-4.0 | https://temu.bsc.es/BARR2/downloads/background_set.raw_text.tar.bz2 | es |
12 | SPACC | 551849 | 2711 kB | cc-by-4.0 | https://zenodo.org/records/2560316 | es |
13 | MedLexSp | 608374 | 21 MByte | MedLexSp is distributed freely for research or educational purposes. You need to sign an agreement with the authors for other purposes. | https://digital.csic.es/handle/10261/270429 | es |
Data Collection and Processing
- Cantemist corpus
- MedlinePlus Spanish (National Library of Medicine
- PharmaCoNER
- Spanish Biomedical Crawled Corpus
- CARES
- MEDDOCAN
- Alvaro8gb/enfermedades-wiki-marzo-2024
- BioMistral/BioInstructQA(spanish)
- DisTEMIST
- The Chilean Waiting List Corpus
- BARR2
- SPACC
- MedLexSp
Sugerencias:
- En el caso de BioMistral/BioInstructQA se utilizó la información en idioma español. Para más información consultar el artículo BioMistral: A Collection of Open-Source Pretrained Large Language Models for Medical Domains.
- Para Cantemist se hizo una búsqueda del código asociado a la patología y se estableció como tópico.
- En CARES se busco el tipo asociado en la tabla de códigos establecido.
Who are the source data producers?
Diferentes eventos, competencias de PLN o la construcción de los conjuntos de datos para LLM como BioMistral. Ver tabla en la sección Source Data
Annotation process
El proceso de anotacion fue automático, realizando la converción de las fuentes de datos a los atributos del nuevo conjunto de datos.
Who are the annotators?
Ver la sección Team
Personal and Sensitive Information
En el proceso de construcción se tuvo en cuenta que no se incluyeran datos sensibles de los usuarios en ninguno de los casos (p.ej.; casos clinicos).
Bias, Risks, and Limitations
Se sugiere tener en cuenta el alcance de las licencia de cada una de las fuentes (e.d., revisar el campo source y Licencia de la tabla anterior).
En el caso de necesitar filtrar por fuente de datos u otro criterio usted puede auxiliarse de las propiedades de la estructura de datos Dataset
del marco de trabajo
Hugginface. En el siguiente ejemplo de código se obtienen del conjunto de datos las entradas que tienen un tipo de tópico sobre diagnóstico medico o un tópico médico:
`
spanishMedicaLllmDataset = load_dataset(SPANISH_MEDICA_LLM_DATASET, split="train")
spanishMedicaLllmDataset = spanishMedicaLllmDataset.filter(lambda example: example["topic_type"] in ['medical_diagnostic' | 'medical_topic']) `
Recommendations
Los usuarios deben ser conscientes de los riesgos, sesgos y limitaciones del conjunto de datos.
Para el autojuste de un LLM se sugiere tener en cuenta las filas donde el tipo del tópico (ed., campo topic_type) tenga valores: medical_topic
,
medical_diagnostic
, answer
, natural_medicine_topic
. Porque indica que este campo no está vacio y tiene valor para la creación de intrucciones de la
forma pregunta y respuestas.
Para el prentrenamiento de un LLM se sugiere tener en cuenta cuando el campo raw_text_type
sea igual a open_text
. Esto indica que el texto
presente no forma parte de un formato pregunta/respuesta pero tiene un valor importante para el prentrenamiento de un LLM.
License
Apache License 2.0
Citation
BibTeX:
@software{lopez2024spanishmedicallm,
author = {Lopez Dionis, Garcia Alvaro, Montoya Dylan, Bermúdez Daniel},
title = {SpanishMedicaLLM},
month = February,
year = 2024,
url = {https://huggingface.co/datasets/HuggingFaceTB/cosmopedia}
}
More Information
This project was developed during the Hackathon #Somos600M organized by SomosNLP. The dataset was created using distilabel
by Argilla and endpoints sponsored by HuggingFace.
Team:
Contact
For any doubt or suggestion contact to: PhD Dionis López (inoid2007@gmail.com)