Datasets:

Modalities:
Text
Formats:
json
Languages:
Chinese
Size:
< 1K
ArXiv:
Libraries:
Datasets
pandas
License:
CMB / README.md
XiangBo's picture
Update README.md
3380ec9
|
raw
history blame
13.5 kB
metadata
license: apache-2.0
task_categories:
  - question-answering
  - text-generation
language:
  - zh
tags:
  - medical
  - biology
  - chemistry
size_categories:
  - 100K<n<1M

CMB Chinese-Medical-Benchmark

🌐 Website • 🤗 Hugging Face • 📃 Paper
中文 | English

🌈 更新

  • [2023.07.25] 🎉🎉🎉 CMB公开!感谢支持~🎉🎉🎉

🌐 数据下载

from datasets import load_dataset

# main datasets (multiple choice)
main_datasets = load_dataset('FreedomIntelligence/CMB','main')
# exam paper datasets (multiple choice)
exam_datasets = load_dataset('FreedomIntelligence/CMB','exampaper')
# QA datasets
qa_datasets = load_dataset('FreedomIntelligence/CMB','qa')

🥇 排行榜

我们在初始版本中进行评估的模型的zero-shot和five-shot准确率,请访问我们官方排行榜了解详细结果。

🥸 数据集介绍

组成部分

  • CMB-main: 全方位多层次测评模型医疗知识;

    • 结构: 6大项28小项,详见目录;
    • CMB-test: 11200道题目,每一小项400道题目;
    • CMB-val: 280道附带详细解析的题目; Few Shot数据集;
    • CMB-train: 304743道题目; 模型医疗知识注入;
  • CME-qa: 测评复杂临床问诊能力

    • 数据: 73例复杂病例问诊;
  • CMB-exampaper: 测评模型是否通过考试

    • 数据: 9小项,25套共6571道题目,详见套题目录;

CMB-main & CME-exampaper Item

{
    "exam_type": "医师考试",
    "exam_class": "执业医师",
    "exam_subject": "口腔执业医师",
    "question": "患者,男性,11岁。近2个月来时有低热(37~38℃),全身无明显症状。查体无明显阳性体征。X线检查发现右肺中部有一直径约0.8cm类圆形病灶,边缘稍模糊,肺门淋巴结肿大。此男孩可能患",
    "answer": "D",
    "question_type": "单项选择题",
    "option": {
        "A": "小叶型肺炎",
        "B": "浸润性肺结核",
        "C": "继发性肺结核",
        "D": "原发性肺结核",
        "E": "粟粒型肺结核"
    }
},
  • exam_type: 大项分类;
  • exam_class: 小项分类;
  • exam_subject: 具体科室或细分学科分类;
  • question_type: 只有"单项选择题"和"多项选择题";

CMB-qa Item

{
    "id": "0",
    "title": "案例分析-腹外疝",
    "description": "现病史\n(1)病史摘要\n     病人,男,49岁,3小时前解大便后出现右下腹疼痛,右下腹可触及一包块,既往体健。\n(2)主诉\n     右下腹痛并自扪及包块3小时。\n\n体格检查\n体温: T 37.8℃,P 101次/分,呼吸22次/分,BP 100/60mmHg,腹软,未见胃肠型蠕动波,肝脾肋下未及,于右侧腹股沟区可扪及一圆形肿块,约4cm×4cm大小,有压痛、界欠清,且肿块位于腹股沟韧带上内方。\n\n辅助检查\n(1)实验室检查\n     血常规:WBC 5.0×109/L,N 78%。\n     尿常规正常。\n(2)多普勒超声检查\n     沿腹股沟纵切可见一多层分布的混合回声区,宽窄不等,远端膨大,边界整齐,长约4~5cm。\n(3)腹部X线检查\n     可见阶梯状液气平。",
    "QA_pairs": [
        {
            "question": "简述该病人的诊断及诊断依据。",
            "answer": "诊断:嵌顿性腹股沟斜疝合并肠梗阻。\n      诊断依据:\n      ①右下腹痛并自扪及包块3小时;\n      ②有腹胀、呕吐,类似肠梗阻表现;腹部平片可见阶梯状液平,考虑肠梗阻可能;腹部B超考虑, \n腹部包块内可能为肠管可能;\n      ③有轻度毒性反应或是中毒反应,如 T 37.8℃,P 101次/分,白细胞中性分类78%;\n      ④腹股沟区包块位于腹股沟韧带上内方。"
        },
        {
            "question": "简述该病人的鉴别诊断。",
            "answer": "(1)睾丸鞘膜积液:鞘膜积液所呈现的肿块完全局限在阴囊内,其上界可以清楚地摸到;用透光试验检查肿块,鞘膜积液多为透光(阳性),而疝块则不能透光。\n     (2)交通性鞘膜积液:肿块的外形与睾丸鞘膜积液相似。于每日起床后或站立活动时肿块缓慢地出现并增大。平卧或睡觉后肿块逐渐缩小,挤压肿块,其体积也可逐渐缩小。透光试验为阳性。\n     (3)精索鞘膜积液:肿块较小,在腹股沟管内,牵拉同侧睾丸可见肿块移动。\n     (4)隐睾:腹股沟管内下降不全的睾丸可被误诊为斜疝或精索鞘膜积液。隐睾肿块较小,挤压时可出现特有的胀痛感觉。如患侧阴囊内睾丸缺如,则诊断更为明确。\n     (5)急性肠梗阻:肠管被嵌顿的疝可伴发急性肠梗阻,但不应仅满足于肠梗阻的诊断而忽略疝的存在;尤其是病人比较肥胖或疝块较小时,更易发生这类问题而导致治疗上的错误。\n     (6)此外,腹股沟区肿块还应与以下疾病鉴别:肿大的淋巴结、动(静)脉瘤、软组织肿瘤、脓肿、\n圆韧带囊肿、子宫内膜异位症等。"
        },
        {
            "question": "简述该病人的治疗原则。",
            "answer": "嵌顿性疝原则上需要紧急手术治疗,以防止疝内容物坏死并解除伴发的肠梗阻。术前应做好必要的准备,如有脱水和电解质紊乱,应迅速补液加以纠正。手术的关键在于正确判断疝内容物的活力,然后根据病情确定处理方法。在扩张或切开疝环、解除疝环压迫的前提下,凡肠管呈紫黑色,失去光泽和弹性,刺激后无蠕动和相应肠系膜内无动脉搏动者,即可判定为肠坏死。如肠管尚未坏死,则可将其送回腹腔,按一般易复性疝处理,即行疝囊高位结扎+疝修补术。如肠管确已坏死或一时不能肯定肠管是否已失去活力时,则应在病人全身情况允许的前提下,切除该段肠管并进行一期吻合。凡施行肠切除吻合术的病人,因手术区污染,在高位结扎疝囊后,一般不宜作疝修补术,以免因感染而致修补失败。"
        }
    ]
}
  • title: 病例疾病名称;
  • description: 病例信息;
  • QA_pairs: 一系列诊断问题和对应标准回答;

ℹ️ 如何进行评测和提交

修改模型配置文件

configs/model_config.yaml 示例如下:

my_model:
    model_id: 'my_model'
    load:
        # HuggingFace模型权重文件夹
        config_dir: "path/to/full/model"

        # 使用peft加载LoRA模型
        # llama_dir: "path/to/base"
        # lora_dir: "path/to/lora"

        device: 'cuda'          # 当前仅支持cuda推理
        precision: 'fp16'       # 推理精度,支持 fp16, fp32

    # inference解码超参,支持 transformers.GenerationConfig 的所有参数
    generation_config: 
        max_new_tokens: 512     
        min_new_tokens: 1          
        do_sample: False         

添加模型加载代码及prompt格式

workers/mymodel.py中修改以下部分:

  1. 加载 model 和 tokenizer
    def load_model_and_tokenizer(self, load_config):
         # TODO: load your model here
         hf_model_config = {"pretrained_model_name_or_path": load_config['config_dir'],'trust_remote_code': True, 'low_cpu_mem_usage': True}
         hf_tokenizer_config = {"pretrained_model_name_or_path": load_config['config_dir'], 'padding_side': 'left', 'trust_remote_code': True}
         precision = load_config.get('precision', 'fp16')
         device = load_config.get('device', 'cuda')
    
         if precision == 'fp16':
             hf_model_config.update({"torch_dtype": torch.float16})
    
         model = AutoModelForCausalLM.from_pretrained(**hf_model_config)
         tokenizer = AutoTokenizer.from_pretrained(**hf_tokenizer_config)
    
         model.eval()
         return model, tokenizer # cpu
    
  2. system prompt
    @property
    def system_prompt(self):
        return "你是一个人工智能助手。"
    
  3. 指令模板
    @property
    def instruction_template(self):
        return self.system_prompt + '问:{instruction}\n答:' # 必须带有{instruction}的placeholder
    
  4. fewshot指令模板
    @property
    def instruction_template_with_fewshot(self,):
        return self.system_prompt + '{fewshot_examples}问:{instruction}\n答:'  # 必须带有 {instruction} 和 {fewshot_examples} 的placeholder
    
  5. 单轮对话模板,用于生成模型fewshot数据
    @property
    def fewshot_template(self):
        return "问:{user}\n答:{gpt}\n" # 必须带有 {user} 和 {gpt} 的placeholder
    

修改运行配置文件

generate_answers.sh 示例如下:

# # 输入文件路径
# test_data_path='./data/CMB-main/CMB-test/CMB-test-choice-question-merge.json'   # 医疗模型能力测评数据集
# test_data_path='./data/CMB-test-exampaper/CMB-test-exam-merge.json'             # 真题测评数据集
# test_data_path='./data/CMB-test-qa/CMB-test-qa.json'                            # 真实病例诊断能力测评数据集


task_name='Zero-test-cot'   
port_id=27272

model_id="my_model"                                                      # 模型id,应与`./configs/model_config.yaml` 中添加的model_id保持一致

accelerate launch \
    --gpu_ids='all' \                                                   # 使用所有可用GPU
    --main_process_port $port_id \                                      # 端口
    --config_file ./configs/accelerate_config.yaml  \                   # accelerate 配置文件路径
    ./src/generate_answers.py \                                         # 主程序
    --model_id=$model_id \                                              # 模型ID
    --cot_flag \                                                        # 是否使用CoT prompt模板                                   
    --batch_size 3\                                                      # 推理的batch size                                 
    --input_path=$test_data_path \                                      # 输入文件路径
    --output_path=./result/${task_name}/${model_id}/answers.json \      # 输出文件路径
    --model_config_path="./configs/model_config.yaml"                   # 模型配置文件路径

开始评测

Step 1: 生成回答 + 抽取答案

bash generate_answers.sh

Step 2: 计算得分 CMB-Exampaper:

bash score_exam.sh # Exam数据集

CMB-test: 将Step 1的输出文件提交至cmedbenchmark@163.com,我们将在第一时间返回详细测评结果。

提交结果

开始评测Step 2 输出文件提交至cmedbenchmark@163.com,我们将在第一时间更新排行榜。

✅ CMB评测细节

Generate参数: 为了减少方差,一致将Sample设置为False进行Greedy Decoding。

CMB Test & Train & Exampaper Prompt

CMB-main Item

Answer-only Prompt

{System_prompt}

<{Role_1}>:以下是中国{exam_type}中{exam_class}考试的一道{question_type},不需要做任何分析和解释,直接输出答案选项。。
{题目}
A. {选项A}
B. {选项B}
...
<{Role_2}>:A

[n-shot demo, n is 0 for the zero-shot case]

<{Role_1}>:以下是中国{exam_type}中{exam_class}考试的一道{question_type},不需要做任何分析和解释,直接输出答案选项。
{题目}
A. {选项A}
B. {选项B}
...
<{Role_2}>:

Chain-of-thought Prompt

{System_prompt}

<{Role_1}>:以下是中国{exam_type}中{exam_class}考试的一道{question_type},请分析每个选项,并最后给出答案。
{题目}
A. {选项A}
B. {选项B}
...
<{Role_2}>:.......所以答案是A

[n-shot demo, n is 0 for the zero-shot case]

<{Role_1}>:以下是中国{exam_type}中{exam_class}考试的一道{question_type},请分析每个选项,并最后给出答案。
{题目}
A. {选项A}
B. {选项B}
...
<{Role_2}>:

CMB-qa Prompt

CMB-qa Item

{System_prompt}

<{Role_1}>:以下是一位病人的病例:
{description}
{QA_pairs[0]['question']}
<{Role_2}>:..........
[n-question based on the len(QA_pairs)]

局限性

1. 没有采用真正的多轮对话评估,而是将多轮对话转化为CoT的形式(也可以说:这样对只经过指令微调的模型更公平)
2. 答案提取方式有bias。

😘 引用

@misc{llm-zoo-2023,
  title={CMB: Chinese Medical Benchmark},
  author={Xidong Wang*, Guiming Hardy Chen*, Dingjie Song*, Zhiyi Zhang*, Qingying Xiao, Xiangbo Wu, Feng Jiang, Jianquan Li, Benyou Wang},
  year = {2023},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://github.com/FreedomIntelligence/CMB}},
}

致谢

感谢深圳市大数据研究院对此项目提供的大力支持。