pmc_llama_instructions

מה זה

הנתונים נשענים על שבעה מקורות שונים בעולם הרפואה, אבל המאגר הזה כולל בפועל רק שישה מהם. תמצאו כאן שאלות ממבחני הסמכה כמו MedQA ו־MedMCQA, מחקרים מתוך PubmedQA, וכן דגימות קטנות וממוקדות יותר מ־LiveQA ו־MedicationQA, לצד ידע מובנה מ־UMLS. המטרה היא לתת למודל שפה יכולת לענות על שאלות מקצועיות וליצור טקסט רפואי מבוסס.

הקובץ המרכזי שמצורף כאן הוא release.json, שמרכז את השאלות והתשובות מתוך אותם מקורות. עם זאת, החלק של ChatDoctor, שכולל מאה אלף דוגמאות שיחה, נשאר בחוץ. אם אתם רוצים לשחזר בדיוק את מערך הנתונים המלא של PMC-LLaMA, תצטרכו להוריד את ChatDoctor בנפרד ולמזג אותו בעצמכם.

מתאים ל

• אימון הוראות רפואי

  כוונון מודלי שפה גנרטיביים על מענה לשאלות קליניות ומבחני רפואה באנגלית.

• הערכת ביצועים קליניים

  בדיקת הדיוק של מודל קיים מול שאלות מתוך מבחני MedQA ו־PubmedQA.

• שחזור מחקר

  שחזור תהליך האימון של המודל PMC-LLaMA-13B בשילוב מקורות חיצוניים.

איפה זה נופל

החיסרון הברור ביותר הוא שהמאגר חלקי ולא מכיל את כל מה שהחוקרים השתמשו בו במקור. בנוסף, כל הנתונים באנגלית בלבד, כך שהם לא יעזרו לפיתוח מודל קליני בעברית ללא תרגום והתאמה. המקורות מבוססים ברובם על מבחני רפואה אמריקאיים ומאמרים אקדמיים, מה שיוצר הטיה מובהקת לעולם המושגים וההנחיות של מערכת הבריאות בארצות הברית.

איך טוענים

אין צורך לבקש אישור גישה מיוחד כדי להוריד את המאגר. הנתונים עצמם מגיעים בקובץ release.json, כך שאפשר למשוך אותם ישירות בספריית datasets או לקרוא את הקובץ ישירות בסקריפט פייתון מקומי. לפני שמתחילים לעבוד, קחו בחשבון שתצטרכו לכתוב סקריפט קצר שממזג פנימה את ChatDoctor מהקישור החיצוני, אם המטרה שלכם היא לקבל את סט האימון המלא.

from datasets import load_dataset

ds = load_dataset("axiong/pmc_llama_instructions")

הרישיון

המאגר מופץ תחת רישיון openrail, שמטיל הגבלות שימוש ספציפיות כדי למנוע נזק. הרישיון דורש מכם לוודא שהמודלים שאתם מאמנים לא ישמשו למתן ייעוץ רפואי ישיר ללא פיקוח מקצועי, ומחייב להעביר את אותן המגבלות הלאה למשתמשי הקצה שלכם.

• שימוש מסחרי
• שינוי הקוד
• מגבלות שימוש ברישיון

הרישיון המלא ב־Hugging Face ↗