Hugging Face's logo

Datasets:
somosnlp
/
SMC

Tasks:
Question Answering
Zero-Shot Classification
Text Generation
Languages:
Spanish
English
ArXiv:
Tags:
License:
Dataset card Viewer Files Community
2
SMC / README_es.md
inoid's picture
inoid
Update README_es.md (#2)
0834101 verified
preview code
|
raw history blame contribute delete
No virus
18.9 kB
metadata
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-*
task_categories:
  - question-answering
  - zero-shot-classification
  - text-generation
pretty_name: SMC

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 Card in Spanish

Dataset Details

Dataset Description

Dataset Sources

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

Autoajustar la instrucción de un LLM en idioma español con preguntas y respuestas.

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

Sugerencias:

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

Este proyecto fue desarrollado durante el Hackathon #Somos600M organizado por SomosNLP.

Team:

Contact

Para cualquier duda o sugerencia contacta a: Dr.C Dionis López (inoid2007@gmail.com)