--- license: apache-2.0 task_categories: - question-answering - text-generation language: - zh tags: - medical - biology - chemistry size_categories: - 100K 🌐 Website • 🤗 Hugging Face • 📃 Paper
中文 | English

## 🌈 更新 * **[2023.07.25]** 🎉🎉🎉 CMB公开！感谢支持~🎉🎉🎉 ## 🌐 数据下载 - 方法一：直接下载使用[zip压缩文件](https://github.com/FreedomIntelligence/CMB/tree/main/data) - 方法二：使用[Hugging Face datasets](https://huggingface.co/datasets/FreedomIntelligence/CMB)直接加载数据集 示例如下: ```python 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](catalog.md); - 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](exam-catalog.md); ### CMB-main & CME-exampaper Item ```json { "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 ```json { "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 在 `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 将 [开始评测](#开始评测) 中 **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](#cmb-main--cme-exampaper-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](#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{cmedbenchmark, 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](http://www.sribd.cn/)对此项目提供的大力支持。