Traditional Chinese Medicine Dataset SFT 中医诊断数据集

* 在线使用数据集教程：【OpenBayes 官方教程】公共资源介绍

数据集简介

Traditional-Chinese-Medicine-Dataset-SFT 是一个专注于中医领域的高质量数据集，包含约 1GB 的中医各个领域临床案例、名家典籍、医学百科、名词解释等优质内容。数据集主要由非网络来源的内部数据构成，99% 为简体中文内容，质量优异，信息密度可观，适用于预训练或继续预训练用途。

所有数据集的可是均可被 LLamaFactory 按照「dataset_info.json」内的信息（需要与数据集文件在同一路径下）直接读取，list:dict->[{"instruction":"...", "input":"...", "output":"..."},...]

任何问题请联系：sl18n19@soton.ac.uk

文件名	数据细节	备注	是否有曾公开过
SFT_medicalKnowledge_source1_548404	原始数据包含来自"中国中医药信息查询平台"数据库的17,921条结构化信息，涵盖疾病、症状、医疗美容、药品、中药材、保健品、方剂、药膳食疗、针灸穴位、术语等的百科词条。原始内容全部经过人工校对，质量极高。由"Qwen2.5-14B"进行本地处理QA化成548,404条数据，基于下文【附录四】内的提示词工程。	未进行minHash，且认为没有进行minHash的必要。	网络来源数据，内部处理校对。
SFT_medicalKnowledge_source2_99334	原始数据包含来自，但不限于ICD-10术语和中医国标所囊括的病症与术语的12,889条相关解释，同时涵盖常见方剂、中药材、针灸配穴等各种中医术语和名词的详细解释。原始内容全部经由人工构建，质量极高。由"deepseek-chat"API进行本地处理QA化成99,334条数据，基于"附录四"内的提示词工程。	已进行一次minHash(threshold=0.91596, num_perm=128)，且认为没有进行二次minHash的必要。	内部数据，未曾面世。
SFT_medicalKnowledge_source3_556540	原始数据包含来自688本中医领域常用教材、著作、典籍的146244条书本内容。从pdf、word、图片、html以及chm等原始文件格式整理出。具体书录详见【SylvanL/Traditional-Chinese-Medicine-Dataset-Pretrain 附录一】。由"DeepSeek-V2-Lite-Chat"进行本地处理QA化成556,540条数据，基于"附录四"内的提示词工程。	未进行minHash，且认为没有进行minHash的必要。	网络来源数据，内部处理校对。
SFT_nlpDiseaseDiagnosed_61486	原始数据包含61,486条来自高水平执业中医医生的临床问诊记录，原内容为自然语言优质医案，包含患者问诊引导、病症、主诉、诊断、方剂、中药等处方笺必备内容。内容完全由人工编辑，质量极高。由规则直接生成，映射关系为：{'instruction': '基于输入的患者医案记录，直接给出你的疾病诊断，无需给出原因。','input': 自然语言的患者病历记录, 'output': 诊断的疾病，具体清单详见【附录表二】}	未进行minHash，且认为没有进行minHash的必要。	内部数据，未曾面世。
SFT_nlpSyndromeDiagnosed_48665	原始数据包含48,665条来自某知名教授的临床问诊记录，原内容为自然语言优质医案，包含患者问诊引导、病症、主诉、诊断、证型、方剂、中药等处方笺必备内容。内容完全由人工编辑，质量极高。由规则直接生成，映射关系为：{'instruction': '基于输入的患者医案记录，直接给出你的证型诊断，无需给出原因。','input': 自然语言的患者病历记录, 'output': 诊断的证型，具体清单详见【附录表一】}	未进行minHash，且认为没有进行minHash的必要。	内部数据，未曾面世。
SFT_structGeneral_310860	原始数据包含从某互联网医院数据库中获取的部分结构化医案（1,592,410条医案），去重处理后剩余310,860条。内容源头由医生线上问诊时由本人/学生点选或键入。内容由规则联表拼接，质量中规中矩。由规则直接生成，映射关系为：{'instruction': '基于输入的患者医案记录，直接给出你认为的【治疗方案】：中药、方剂，和【诊断】：证型。','input': 半结构化的患者病历记录, 'output': 半结构化的通用诊断，具体构成详见【附录表三】}	已进行一次minHash(threshold=0.618, num_perm=128)，可酌情进行二次minHash。	内部数据，未曾面世。
SFT_structPrescription_92896	原始数据包含92,896条从某中医院EMR系统中获得的部分归档医案，内容源头由医生线下问诊时由本人/学生点选或键入。内容由规则联表拼接，质量中规中矩。由规则直接生成，映射关系为：{'instruction': '基于输入的患者医案记录，直接给出你认为的方剂中药组成。','input': 半结构化的患者病历记录, 'output': 半结构化的最终开具处方}	未进行minHash，且认为没有进行minHash的必要。	内部数据，未曾面世。
外部数据集 _SFT_traditionalTrans_1959542	古文/文言文<->现代文翻译数据，由规则直接生成，映射关系为：{"instruction": "将输入的古文翻译成现代文。", "input": "古文：", "output": "现代文："}、{"instruction": "请为输入的现代文找到其对应的古文原文与出处。", "input": "现代文：", "output": "内容出自：" + "古文原文:"}	https://github.com/NiuTrans/Classical-Modern	网络来源数据，内部处理校对。

附录表一：SFT_nlpSyndromeDiagnosed_48665 证型诊断样本分布情况

证型	样本数量
气虚血瘀证	8303
湿热下注证	7843
气滞血瘀证	4791
风痰瘀阻证	3358
肝胃郁热证	2009
正虚瘀结证	1993
痰湿蕴肺证	1875
肝肾亏虚证	1457
热毒蕴结证	1292
脾肾两虚证	1022
气阴两虚证	860
湿热瘀阻证	622
肾虚证	593
肝胃不和证	546
风寒袭肺证	526
脾胃虚寒证	522
湿热蕴结证	520
阳虚水泛证	504
痰瘀痹阻证	477
心脉痹阻证	446
风痰上扰证	414
风寒外袭证	396
风痰入络证	344
瘀血阻络证	315
痰瘀互结证	309
阴虚阳亢证	299
痰浊蒙窍证	282
气血亏虚证	218
肝阳上亢证	209
痰湿蒙窍证	208
肝肾阴虚证	194
痰湿中阻证	185
阴虚火旺证	180
血瘀痰凝证	175
脾胃虚弱证	174
肝经湿热证	169
正虚毒瘀证	160
血热证	156
脾胃不和证	144
痰热壅肺证	138
阴虚血瘀证	130
湿热阻络证	125
肝郁气滞证	123
湿热内蕴证	112
心血虚证	110
寒凝血瘀证	99
脾肾阳虚证	94
阳虚血瘀证	93
风寒湿痹证	92
瘀阻心脉证	91
肝郁血瘀证	90
肝阴不足证	89
痰瘀滞络证	88
气虚不摄证	80
正虚毒结证	78
气滞证	75
肝气犯胃证	73
心肾不交证	72
瘀血阻滞证	71
饮食积滞证	70
气血不足证	69
脾虚湿盛证	68
脾胃积热证	68
风热犯肺证	66
肾虚水泛证	66
心肺气虚证	65
肺肾气虚证	63
痰浊内蕴证	62
气虚痰结证	60
风寒阻络证	60
气血两虚证	54
痰湿内阻证	54
痰火扰心证	54
津亏热结证	53
风寒袭表证	52
肺卫不固证	48
寒湿阻络证	46
肝郁脾虚证	45
血虚风燥证	43
肾气虚证	40
阴虚津亏证	37
大肠湿热证	37
肝胆湿热证	36
脾虚湿蕴证	36
热毒炽盛证	36
气血瘀滞证	34
阴虚血热证	33
肾虚肝亢证	33
脾气虚证	33
阴虚风动证	33
痰浊中阻证	32
风寒湿阻证	30
中气下陷证	29
风热毒蕴证	28
肾虚寒凝证	28
风热袭表证	28
湿热蕴毒证	27
脾胃气虚证	27
风湿蕴肤证	27
风寒痹阻证	27
气虚证	27
阳虚寒凝证	26
痰湿证	26
中气不足证	26
气滞痰凝证	25
心虚胆怯证	25
气郁痰阻证	24
痰蒙清窍证	24
风热伤络证	23
痰蒙神窍证	22
风热血热证	22
肝胃气滞证	22
血虚证	22
痰浊上蒙证	21
髓海不足证	20
脾胃阳虚证	20
风湿热证	20
热毒蕴肤证	18
痰湿阻滞证	18
肝肾亏损证	18
外伤损络证	18
痰热内扰证	18
气不摄血证	18
瘀滞胞宫证	17
肝肾两虚证	17
心阳不振证	17
肠燥津伤证	16
脾肾气虚证	16
风热外袭证	16
气虚血溢证	14
肾不纳气证	14
气阴亏虚证	13
肺阴虚证	13
心脾两虚证	13
湿毒蕴结证	12
风痰闭窍证	12
湿热瘀滞证	12
阴虚湿热证	11
寒痰阻肺证	11
热毒壅结证	11
痰气交阻证	11
毒邪流窜证	10
风痰闭阻证	10
脾胃湿热证	10
肾阳虚证	9
瘀血内阻证	9
阳虚痰凝证	9
气血失调证	9

附录表二： SFT_nlpDiseaseDiagnosed_61486 疾病诊断样本分布情况

疾病	样本数量
咳嗽	14468
便秘	5395
失眠	4036
胃炎	3477
痛经	3252
高血压	2085
肝炎	1688
冠心病	1418
糖尿病	1143
肾炎	1072
紫癜	886
不孕症	814
痤疮	704
湿疹	612
胆囊炎	579
肝硬化	561
口腔溃疡	555
溃疡性结肠炎	535
呼吸道感染	492
心律失常	488
荨麻疹	465
鼻炎	450
前列腺炎	405
类风湿关节炎	398
盆腔炎	388
银屑病	385
子宫肌瘤	379
颈椎病	379
贫血	374
不育	373
脂肪肝	329
多囊卵巢综合征	323
类风湿性关节炎	320
更年期综合征	314
肾病综合征	311
乳腺增生	296
乳腺癌	293
咽炎	285
偏头痛	281
肠癌	276
糖尿病肾病	276
带状疱疹	262
抑郁症	260
胃癌	253
强直性脊柱炎	243
红斑狼疮	239
卵巢囊肿	201
腰椎间盘突出症	191
肝癌	191
肠易激综合征	189
小儿咳嗽	185
黄褐斑	185
肺炎	184
IgA肾病	174
尿路感染	165
胃溃疡	165
月经失调	159
十二指肠溃疡	149
子宫内膜异位症	148
痔疮	144
肾功能衰竭	143
反流性食管炎	142
肺结核	138
支气管哮喘	128
痛风性关节炎	128
肺癌	123
功能失调性子宫出血	120
扁桃体炎	115
风湿性关节炎	115
骨质疏松	115
肾结石	109
脑梗塞	108
先兆流产	106
三叉神经痛	102
脑出血	101
乳腺炎	99
高脂血症	92
慢性肾衰竭	92
胆结石	91
帕金森病	91
皮肤瘙痒症	89
肺气肿	86
功能性消化不良	85
阴道炎	83
白癜风	81
胰腺炎	80
创伤	80
心绞痛	80
坐骨神经痛	78
风湿性心脏病	77
食管癌	77
泌尿系感染	75
精神分裂症	75
鼻咽癌	74
小儿腹泻	71
早产	70
胆囊结石	70
慢性肾功能不全	69
鼻窦炎	66
卵巢癌	66
小儿肺炎	66
慢性支气管炎	64
支气管扩张	60
梅尼埃病	59
急性肾小球肾炎	59
高尿酸血症	58
上消化道出血	58
小儿厌食症	58
焦虑症	57
低血压	57
小儿感冒	55
面神经炎	55
小儿哮喘	54
百日咳	54
胰腺癌	54
夜惊	53
肝囊肿	52
急性阑尾炎	50
白塞病	50
输尿管结石	47
心肌梗死	45
小儿癫痫	44
性早熟	44
视神经萎缩	43
消化性溃疡	43
尿毒症	41
支气管炎	41
附件炎	40
胸腔积液	40
先天性心脏病	38
多发性骨髓瘤	38
异位妊娠	37
腰肌劳损	34
心房颤动	34
脂溢性皮炎	32
细菌性痢疾	32
心功能不全	30
婴儿湿疹	29
急性白血病	29
宫颈炎	27
白内障	26
流行性腮腺炎	26
单纯性甲状腺肿	26
经前期综合征	25
慢性阻塞性肺疾病	24
垂体瘤	24
真性红细胞增多症	24
早产儿	24
排卵期出血	23
多发性神经炎	22
手足口病	21
尿道炎	20
慢性心力衰竭	17
冠状动脉粥样硬化性心脏病	15
肝脓肿	15
尿路结石	13
牙周炎	13
视神经炎	13
婴幼儿腹泻	12
慢性阻塞性肺病	12
急性咽炎	12
小儿多动症	11
阿尔茨海默病	11
呼吸衰竭	10
肝性脑病	10
二尖瓣狭窄	9
代谢综合征	9
雷诺综合征	9
新生儿黄疸	9
骨肿瘤	8
慢性肺源性心脏病	8
肺性脑病	8
小儿疝气	7
急性化脓性中耳炎	6
新生儿肺炎	6
自闭症	6
慢性喉炎	6
血管性水肿	6
血友病	6
慢性粒细胞白血病	5
唇癌	4
缺血性结肠炎	3
脊髓灰质炎	3
急性呼吸窘迫综合征	3
儿童孤独症	3
细菌性阴道病	2
小儿惊厥	2
唇腭裂	2
弥散性血管内凝血	2
小儿支气管炎	2
肥厚型心肌病	2
淹溺	1
肺大疱	1
急性呼吸衰竭	1

附录表三：SFT_structGeneral_310849 指令跟随模板分布情况

指令跟随模板	样本数量
【治疗方案】：中药、方剂，和【诊断】：证型	105788
【治疗方案】：中药、方剂	68781
【治疗方案】：中药	45828
【治疗方案】：中药，和【诊断】：证型	38434
【治疗方案】：中药、方剂，和【诊断】：证型、治法	23229
【治疗方案】：中药、方剂，和【诊断】：西医诊断	12187
【治疗方案】：中药、方剂，和【诊断】：西医诊断、中医诊断	3715
【治疗方案】：中药，和【诊断】：西医诊断	2782
【治疗方案】：中药，和【诊断】：证型、治法	1909
【诊断】：证型	1839
【治疗方案】：中药、方剂，和【诊断】：证型、治法、中医诊断	1467
【治疗方案】：中药、方剂，和【诊断】：中医诊断	1376
【治疗方案】：中药，和【诊断】：西医诊断、中医诊断	1250
【治疗方案】：中药，和【诊断】：中医诊断	508
【诊断】：西医诊断	467
【治疗方案】：中药，和【诊断】：证型、治法、中医诊断	378
【治疗方案】：中药、方剂，和【诊断】：证型、中医诊断	359
【治疗方案】：中药，和【诊断】：证型、中医诊断	337
【诊断】：证型、治法	47
【诊断】：中医诊断	39
【诊断】：西医诊断、中医诊断	38
【治疗方案】：中药、成药	34
【治疗方案】：中药、成药、方剂	13
【诊断】：证型、治法、中医诊断	12
【治疗方案】：中药、成药，和【诊断】：证型、治法	10
【治疗方案】：中药、方剂，和【诊断】：治法	8
【治疗方案】：中药、成药，和【诊断】：西医诊断	6
【治疗方案】：中药、成药、方剂，和【诊断】：证型、治法	4
【治疗方案】：中药、方剂，和【诊断】：治法、中医诊断	3
【治疗方案】：中药、成药，和【诊断】：西医诊断、中医诊断	3
【治疗方案】：中药、成药、方剂，和【诊断】：西医诊断、中医诊断	2
【治疗方案】：中药、成药，和【诊断】：中医诊断	2
【诊断】：证型、中医诊断	1
【诊断】：治法	1
【治疗方案】：中药、成药、方剂，和【诊断】：中医诊断	1
【治疗方案】：中药、成药，和【诊断】：证型、治法、中医诊断	1
【治疗方案】：中药，和【诊断】：治法	1

附录四：prompt-template

模块目标：通过改写和优化现有的医疗问答训练数据，以面向下游任务构建指令跟随微调训练集。

输入：单个问答对，格式为单个dict，JSON格式形如：{问题: "...", 答案: "..."}

输出：多个问答对，数量为N个，格式为由N个dict的list，JSON格式形如：[{"问题": "...", "答案": "..."}, {"问题": "...", "答案": "..."}, {"问题": "...", "答案": "..."}, ...]

模块功能：
{
1. 简单输入处理：
对于简单的答案，重点在于优化答案的质量，确保自然语言流畅性。并围绕相似的答案生成不同的问题变体。输出数量：N=2。

2. 复杂输入处理：
对于复杂的答案，重点在于合理拆解答案内容，将长答案分解为多个部分。并针对每个不同的部分生成与其配套的问题。输出数量：N=4。

3. 格式要求：确保输出为合法的JSON格式，所有key和value均需用双引号包裹。字典用花括号 {}，数组用方括号 []，并确保所有括号正确闭合。

4. 评估标准： 一切改写和优化应以提升下游模型在医疗垂直领域的任务上的表现为唯一评估标准。
}

public.datasets/Traditional Chinese Medicine Dataset SFT 中医诊断数据集/version.titleV1version.current

public.datasets
/
Traditional Chinese Medicine Dataset SFT 中医诊断数据集
/
version.title