med_qa

מה זה

המאגר מכיל שאלות מבחני הסמכה רפואיים מקצועיים בשלוש שפות: אנגלית, סינית פשוטה וסינית מסורתית. באנגלית יש 12,723 שאלות, בסינית פשוטה 34,251 שאלות, ובסינית מסורתית 14,123 שאלות. השאלות בנויות במבנה של שאלות רב ברירה פתוחות, וכוללות תרחישים רפואיים שדורשים ידע קליני מעמיק.

לצד השאלות עצמן, המאגר כולל קורפוס טקסטים מתוך ספרי לימוד רפואיים, שנועד לאפשר למודלים של הבנת הנקרא לשלוף את המידע הנחוץ למתן התשובה. הקבצים מחולקים לתצורות שונות, כולל גרסאות של ארבע אפשרויות בחירה ומבנים מותאמים לפי סכמת bigbio לקבוצות אימון, בדיקה ואימות.

מתאים ל

• בנצ׳מרק למודלים רפואיים

  הערכת היכולת של מודלי שפה לפתור שאלות קליניות ברמת מבחני הסמכה באנגלית ובסינית.

• אימון מערכות הבנת הנקרא

  פיתוח מודלים ששולפים ידע מספרי לימוד רפואיים כדי לנמק ולענות על שאלות.

• בדיקת הסקת מסקנות קלינית

  בחינת יכולת המודל לזהות מחלות על סמך תיאורי מקרים ומספר אפשרויות אבחון.

איפה זה נופל

אין כאן מילה אחת בעברית. הנתונים מתמקדים באנגלית ובסינית בלבד, כך שהם לא יעזרו ישירות לתרחישים רפואיים מקומיים בישראל בלי התאמה ותרגום. השאלות מבוססות על מבחני הסמכה, ולכן הן משקפות ידע תיאורטי ומבחני ולא שיחות חופשיות עם מטופלים או תיקים רפואיים אמיתיים. בנוסף, המידע מבוסס על ספרי לימוד ומבחנים שפורסמו עד שנת 2021, כך שעדכונים רפואיים מאוחרים יותר חסרים כאן.

איך טוענים

הנתונים מגיעים בקובצי parquet ומחולקים לתיקיות לפי שפה, פורמט מקור ופורמט bigbio qa. המאגר ציבורי ופתוח להורדה ישירה בלי צורך בהרשאת גישה מיוחדת, וכולל 44 קבצים. לפני שמתחילים לעבוד, תצטרכו לבחור את התצורה המדויקת של מספר המסיחים, כמו גרסת ארבע האפשרויות, ולוודא שאתם טוענים את שדות השאלה, האפשרויות והתשובה הנכונה מהמבנה הרצוי.

from datasets import load_dataset

ds = load_dataset("bigbio/med_qa")

הרישיון

הרישיון המדווח במאגר מוגדר כלא ידוע. המשמעות היא שאין היתר שימוש ברור ומפורש לפרויקטים מסחריים, ואי אפשר לדעת בוודאות מה מותר לעשות עם מודל שאומן על הנתונים. אם אתם בונים מוצר מסחרי, לא הייתי נוגע בזה בלי בדיקה משפטית של המקור בגיטהאב או פנייה ישירה ליוצרים.

הרישיון המלא ב־Hugging Face ↗