PandaVT/datatager_symptom_recognition_and_advice

---
license: apache-2.0
---

<p align="center">
<img src="https://raw.githubusercontent.com/PandaVT/DataTager/main/assert/datatager_logo_right.png" width="650" style="margin-bottom: 0.2;"/>
<p>
<h5 align="center"> If you like our project, please give us a star ⭐ </h2>
<h4 align="center"> [<a href="https://github.com/PandaVT/DataTager">GitHub</a> | <a href="https://datatager.com/">DataTager Home</a>]

# Extract Medical Information Dataset

## Prompt for Training
When training your model with this dataset, prepend the following prompt to each input instance:

```
你需要去做的是理解患者的咨询文本，并基于这些症状提供一个可能的医学解释以及相应的建议措施。请始终确保你的输出中包括以下元素：1. 对输入中提到的症状的识别和确认。2. 基于症状的可能医学解释。3. 针对进一步诊断或治疗的建议措施。
```

## Description
AnyTaskTune is a publication by the DataTager team. We advocate for rapid training of large models suitable for specific business scenarios through task-specific fine-tuning. We have open-sourced several datasets across various domains such as legal, medical, education, and HR, and this dataset is one of them.

Symptom Recognition and Advice is a publication by the DataTager team. This dataset aims to enhance the capabilities of AI systems in medical consultation by enabling the recognition of symptoms and delivery of tailored medical advice based on patient inquiries. It provides extensive data derived from real patient interactions, encompassing a wide range of symptoms and conditions.

## Usage

This dataset is an invaluable resource for developing AI models that can accurately identify symptoms and provide appropriate advice during medical consultations. Utilizing this dataset, AI systems can be trained to not only recognize various health conditions but also suggest actionable medical advice, thereby assisting healthcare professionals to assess patient needs more effectively and expediently. The dataset can also serve educational purposes, training medical students to identify critical information swiftly during patient interactions.

## Citation

Please cite this dataset in your work as follows:

```
@misc{ Extract Medical Information Dataset,
author = {DataTager},
title = {Extract Medical Information Dataset},
year = {2024},
publisher = {GitHub},
journal = {GitHub repository},
howpublished = {\\url{https://github.com/PandaVT/DataTager}}
}
```

---
许可证：Apache-2.0
---
<p align="center">
<img src="https://raw.githubusercontent.com/PandaVT/DataTager/main/assert/datatager_logo_right.png" width="650" style="margin-bottom: 0.2;"/>
</p>
<h5 align="center">如果您喜爱本项目，请为我们点亮一颗星 ⭐ </h5>
<h4 align="center"> [<a href="https://github.com/PandaVT/DataTager">GitHub</a> | <a href="https://datatager.com/">DataTager 主页</a>]

# 医疗信息抽取数据集

## 训练提示词
在使用本数据集训练模型时，请在每个输入样本前添加如下提示词：

你需要理解患者的咨询文本，并基于所述症状给出合理的医学解释与相应建议措施。请确保输出始终包含以下要素：1. 对输入文本中提及的症状进行识别与确认；2. 基于症状给出可能的医学解释；3. 针对进一步诊断或治疗的建议方案。

## 数据集说明
AnyTaskTune 是 DataTager 团队发布的研究成果。我们倡导通过针对特定任务的微调，快速训练适配具体业务场景的大语言模型（Large Language Model）。我们已在法律、医疗、教育、人力资源等多个领域开源了多款数据集，本数据集即为其中之一。

「症状识别与医疗建议」是 DataTager 团队的另一项研究成果。本数据集旨在通过让AI系统识别患者咨询中的症状，并据此提供定制化医疗建议，提升其在医疗咨询场景中的能力。数据集包含大量源自真实医患交互的样本，覆盖了多样的症状与疾病场景。

## 使用场景
本数据集是开发AI模型的宝贵资源，这类模型可在医疗咨询场景中精准识别症状并给出合理建议。通过本数据集训练的AI系统，不仅能够识别多种健康状况，还能提出可落地的医疗建议，从而帮助医疗从业者更高效、便捷地评估患者需求。此外，本数据集还可用于教学场景，辅助医学生在医患交互中快速识别关键信息。

## 引用方式
请在您的研究工作中按如下格式引用本数据集：

@misc{ Extract Medical Information Dataset,
author = {DataTager},
title = {医疗信息抽取数据集},
year = {2024},
publisher = {GitHub},
journal = {GitHub仓库},
howpublished = {\url{https://github.com/PandaVT/DataTager}}
}

原始信息汇总

Extract Medical Information Dataset

数据集描述

• 发布机构：DataTager团队
• 目的：增强AI系统在医疗咨询中的能力，通过识别症状并提供基于患者咨询的定制化医疗建议。
• 数据来源：真实患者互动，涵盖广泛的症状和条件。

训练提示

在训练模型时，需为每个输入实例添加以下提示：

你需要去做的是理解患者的咨询文本，并基于这些症状提供一个可能的医学解释以及相应的建议措施。请始终确保你的输出中包括以下元素：1. 对输入中提到的症状的识别和确认。2. 基于症状的可能医学解释。3. 针对进一步诊断或治疗的建议措施。

使用目的

• 开发能够准确识别症状并提供适当建议的AI模型。
• 帮助医疗专业人员更有效地评估患者需求。
• 用于医学教育，培训学生快速识别患者互动中的关键信息。

引用格式

@misc{ Extract Medical Information Dataset, author = {DataTager}, title = {Extract Medical Information Dataset}, year = {2024}, publisher = {GitHub}, journal = {GitHub repository}, howpublished = {\url{https://github.com/PandaVT/DataTager}} }

搜集汇总

数据集介绍

构建方式

该数据集由DataTager团队构建，隶属于AnyTaskTune系列，专注于特定业务场景下大模型的快速微调。数据源自真实的患者咨询交互，广泛覆盖各类症状与疾病状态，通过系统化整理与标注，形成结构化的症状识别与建议数据集。构建过程中，团队强调任务导向的精调策略，确保数据能够有效支撑模型在医疗咨询场景中的实际应用。

特点

数据集的核心特点在于其高度针对性与实用性，聚焦于症状识别与医疗建议的生成。它提供了丰富的真实对话样本，使模型能够学习从患者表述中准确提取症状信息，并基于此给出合理的医学解释与诊断建议。数据集的多样性体现在症状类型的广泛覆盖以及建议内容的层次化设计，既包含初步判断，也涵盖进一步诊疗的指导。

使用方法

使用本数据集时，需在每个训练实例前添加特定提示词，以引导模型理解任务目标。具体而言，提示词要求模型识别并确认输入中的症状，提供可能的医学解释，并输出针对性的建议措施。该数据集适用于训练医疗咨询AI系统，也可用于医学教育中培养学生的临床信息提取与决策能力。

背景与挑战

背景概述

在人工智能辅助医疗领域，准确识别患者症状并提供个性化建议是提升诊疗效率与质量的关键环节。PandaVT/datatager_symptom_recognition_and_advice数据集由DataTager团队于2024年创建，旨在通过任务特定微调增强大语言模型在医疗咨询场景中的表现。该数据集源自真实医患交互记录，覆盖广泛症状与疾病类型，核心研究问题聚焦于如何让AI系统从患者咨询文本中精准提取症状信息，并基于此生成符合临床逻辑的医学解释与可行建议。作为AnyTaskTune系列的一部分，该数据集不仅为医疗对话系统提供了高质量训练资源，还推动了AI在辅助诊断、患者教育等领域的应用，对提升医疗服务的可及性与响应速度具有显著影响力。

当前挑战

该数据集面临的核心挑战包括：首先，医疗症状识别需处理患者表述的模糊性与多样性，如非专业术语、方言或情绪化描述，这要求模型具备强大的语义理解与上下文推理能力。其次，基于症状生成医学解释与建议时，需确保输出符合临床指南与伦理规范，避免误导性信息，这对模型的领域知识完整性与逻辑一致性提出严苛要求。在数据集构建层面，从真实医患对话中提取并标注症状-建议对，需克服隐私保护、数据脱敏及专家标注一致性等难题。此外，症状与疾病间的潜在关联复杂，单一症状可能对应多种病因，模型需在有限信息下权衡概率并给出谨慎建议，这对训练数据的多样性与标注精度构成持续挑战。

常用场景

经典使用场景

在智能医疗咨询领域，该数据集的核心应用场景在于构建能够自动识别患者症状并提供精准医学建议的对话系统。通过整合真实患者交互数据，研究者可训练大语言模型以理解非结构化医疗文本，从主诉中提取关键症状信息，并依据临床知识生成解释性诊断提示与后续行动建议。这一过程不仅模拟了医患初诊的推理链条，还强化了模型对症状-疾病关联的语义映射能力，为端到端的智能问诊系统奠定数据基础。

衍生相关工作

基于该数据集，衍生出多项前沿研究，包括症状-疾病图谱的自动构建方法、多轮问诊中的对话状态追踪模型，以及融合外部医学知识库的增强推理框架。典型工作如利用对比学习优化症状实体识别精度，或通过强化学习优化建议措施的临床合理性。此外，该数据集还被用于评估大语言模型在医疗领域的幻觉抑制能力，催生了面向医疗场景的指令微调策略与安全对齐技术，推动可信AI在医疗中的落地标准。

数据集最近研究

最新研究方向

在医疗人工智能领域，症状识别与建议生成正成为智能问诊系统的核心突破口。PandaVT/datatager_symptom_recognition_and_advice数据集聚焦于从真实患者咨询文本中提取关键症状信息，并生成具有临床参考价值的医学解释与建议措施。这一研究方向与当前大语言模型在垂直医疗场景中的微调应用紧密相连，尤其是DataTager团队提出的AnyTaskTune理念，倡导通过任务特定微调实现模型在复杂业务环境下的快速适配。该数据集覆盖广泛的症状与疾病类型，为构建能够精准理解患者表达、模拟医生推理路径的对话式AI提供了高质量训练样本。其深远意义在于，不仅推动了AI辅助诊断的可及性与效率提升，也为缓解医疗资源分布不均、实现初步分诊自动化奠定了数据基础，是连接前沿自然语言处理技术与实际临床需求的重要桥梁。