cmcmaster/OpenHermes-2.5-Rheumatology

---
dataset_info:
features:
- name: language
dtype: string
- name: topic
dtype: string
- name: hash
sequence: int64
- name: model
dtype: string
- name: source
dtype: string
- name: category
dtype: string
- name: avatarUrl
dtype: string
- name: model_name
dtype: string
- name: conversations
list:
- name: content
dtype: string
- name: role
dtype: string
- name: id
dtype: string
- name: title
dtype: string
- name: custom_instruction
dtype: bool
- name: system_prompt
dtype: string
- name: skip_prompt_formatting
dtype: bool
- name: views
dtype: int64
- name: idx
dtype: string
- name: text
dtype: string
- name: rheumatology_terms
dtype: bool
- name: messages
list:
- name: content
dtype: string
- name: role
dtype: string
splits:
- name: train
num_bytes: 24801423
num_examples: 3058
download_size: 10071959
dataset_size: 24801423
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "OpenHermes-2.5-Rheumatology"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集信息

特征

• language: 类型为字符串。
• topic: 类型为字符串。
• hash: 类型为整数64位。
• model: 类型为字符串。
• source: 类型为字符串。
• category: 类型为字符串。
• avatarUrl: 类型为字符串。
• model_name: 类型为字符串。
• conversations: 类型为列表，包含以下子特征：
  • content: 类型为字符串。
  • role: 类型为字符串。
• id: 类型为字符串。
• title: 类型为字符串。
• custom_instruction: 类型为布尔值。
• system_prompt: 类型为字符串。
• skip_prompt_formatting: 类型为布尔值。
• views: 类型为整数64位。
• idx: 类型为字符串。
• text: 类型为字符串。
• rheumatology_terms: 类型为布尔值。
• messages: 类型为列表，包含以下子特征：
  • content: 类型为字符串。
  • role: 类型为字符串。

数据分割

• train: 包含3058个样本，占用24801423字节。

数据集大小

• 下载大小: 10071959字节。
• 数据集大小: 24801423字节。

配置

• default: 包含训练数据文件，路径为data/train-*。

搜集汇总

数据集介绍

构建方式

在风湿病学这一专业医学领域，高质量对话数据的稀缺性显著制约着专科大语言模型的性能提升。OpenHermes-2.5-Rheumatology数据集基于通用领域的OpenHermes-2.5语料库进行领域特化构建，通过筛选与风湿病学相关的对话片段，并引入专业术语标注字段（rheumatology_terms），形成面向风湿病诊疗场景的指令微调数据集。数据集共包含3058条训练样本，每条样本以结构化对话形式呈现，涵盖用户问题与模型回答的多轮交互，并保留原始数据中的语言、主题、来源等元信息，确保数据可追溯性与领域聚焦性。

使用方法

使用时，研究者可直接加载HuggingFace数据集仓库中的train分割，利用conversations或messages字段提取对话序列。建议将system_prompt字段作为模型初始系统提示，以设定风湿病学的专业回答风格。对于领域微调任务，可将rheumatology_terms作为辅助监督信号，增强模型对专科术语的感知能力。数据格式兼容主流框架（如transformers的Trainer），仅需将对话结构转换为模型特定的模板（如ChatML格式）即可开展指令微调，无需额外预处理。

背景与挑战

背景概述

在人工智能与医学交叉领域，大语言模型在临床诊疗中的潜力日益受到关注，但通用模型在垂直专科知识上的表现仍存在显著不足。风湿免疫学作为一门涉及系统性自身免疫疾病的复杂学科，其诊断与治疗高度依赖专业术语的精准理解与临床推理能力。为此，cmcmaster团队于近期构建了OpenHermes-2.5-Rheumatology数据集，旨在为风湿免疫学领域的大语言模型微调提供高质量对话数据。该数据集以OpenHermes-2.5为基础，通过整合风湿病学专属术语与多轮医患对话场景，形成了包含3058条训练样本的专用语料库，每条样本均标注了语言、主题、对话历史及角色信息，为模型在风湿免疫学领域的知识对齐与指令遵循能力提升奠定了数据基础。

当前挑战

该数据集面临的核心挑战首先在于领域知识的稀疏性与专业性——风湿免疫学涉及数百种疾病实体与复杂的免疫机制，通用语料库难以覆盖其术语体系，而人工标注高质量对话数据的成本极高，导致现有样本规模有限。其次，构建过程中需解决多轮对话中角色一致性维护与医学事实准确性验证的难题，避免模型产生幻觉或误导性回答。此外，如何平衡通用语言能力与专科知识迁移，防止微调后模型在非风湿免疫学任务上出现灾难性遗忘，亦是亟待突破的瓶颈。最终，数据集的临床实用性还需通过真实诊疗场景的评估来验证，这对数据集的覆盖度、标注质量及伦理合规性提出了更高要求。

常用场景

经典使用场景

OpenHermes-2.5-Rheumatology 数据集在风湿病学领域内，被广泛用于微调大型语言模型，以提升其在专业医疗对话中的表现。该数据集包含3058条高质量的训练样本，每条样本均涵盖语言、主题、对话历史及风湿病学术语等结构化信息，为模型提供了丰富的临床语境。研究者常利用其构建能够理解复杂风湿病症状、诊断依据及治疗方案的智能问答系统，从而在医学自然语言处理任务中实现领域知识的精准嵌入。

解决学术问题

该数据集精准解决了风湿病学领域中通用语言模型缺乏专科知识这一核心学术难题。传统模型在应对如类风湿关节炎、系统性红斑狼疮等疾病的专业描述时，常出现术语混淆或语义偏差。通过引入这一经过精心标注的对话数据集，研究者能够有效弥合通用模型与专科临床知识之间的鸿沟，推动医学信息抽取、症状推理及辅助诊断等方向的发展，为精准医疗的学术探索提供了坚实的数据基石。

实际应用

在实际应用中，OpenHermes-2.5-Rheumatology 数据集被用于开发面向风湿病患者的智能健康助手，支持患者进行初步症状自述与信息查询。同时，它也被集成到临床决策支持系统中，辅助医生快速检索相关病例信息，提升诊疗效率。此外，该数据集还可用于构建医学教育平台中的虚拟问诊模块，帮助医学生模拟真实临床对话，从而在安全的虚拟环境中积累风湿病诊疗经验。

数据集最近研究

最新研究方向

在风湿病学这一复杂且高度专业化的医学领域，OpenHermes-2.5-Rheumatology数据集的构建标志着大语言模型向精准医疗知识图谱的深度延伸。该数据集聚焦于风湿免疫性疾病的临床对话、术语解析与多轮交互场景，通过整合3058条高质量训练样本，覆盖了从病理机制到治疗方案的多元主题，为开发具备专科级推理能力的对话代理提供了关键数据支撑。当前前沿研究方向集中于利用此类领域微调数据集提升模型对风湿病特有术语的语义理解与上下文关联能力，以应对临床诊断支持、患者教育及药物不良反应监测等复杂任务。该数据集的出现不仅推动了医学大模型在罕见病与慢性病管理中的落地应用，更通过开放共享的范式加速了跨机构协作研究，为构建可信赖的医疗AI基础设施树立了重要标杆。