【NLP公开数据集】NCBI疾病数据集

NCBI疾病数据集是一个在提及和概念层面进行全面标注的数据集。

数据包含：

• 793篇摘要
• 2783个句子
• 6892个疾病mention
• 790个唯一疾病概念
  – 医学主题词【Medical Subject Headings (MeSH®)】
  – 人类孟德尔遗传学【Online Mendelian Inheritance in Man (OMIM®)】
• mention表中的91%都由一个疾病概念一一对应，分成训练集、验证集和测试集

数据标注：

• 14个标注人员
• 每个文档都有2个标注人员（随机分配）
• 3个标注阶段
• 检查所有语料的一致性

数据分布情况如下：

Classes	Train set	Test set	Dev set
Modifiers	1292	264	218
Specific Disease	2959	556	409
Composite Mentions	116	20	37
Disease Class	781	121	127

用途：
可以用于实体识别实验，常用于疾病实体识别研究。

参考文献：
[1] https://www.ncbi.nlm.nih.gov/CBBresearch/Dogan/DISEASE/