2024年中国医疗领域AI Models Overview

1. 神农(ShenNong-TCM) (2023-06-25)

• Code: ShenNong-TCM-LM
• 基座模型: Chinese-Alpaca-Plus-7B
• 数据:
  • 以开源的中医药知识图谱为基础
  • 调用 ChatGPT 得到 1Iw+的围绕中医药的指令数据
• Model:
  • Chinese-Alpaca-Plus-7B
  • Dataset: ShenNong_TCM Dataset, 中医药指令数据集 ShenNong_TCM_Dataset
• Performance: 专有预测大学
• 院校: 华东师范大学

2. 孙思邈(Sunsimiao) (2023-06-21)

• Code: Sunsimiao
• License: Apache 2.0
• 基座模型:
  • Sunsimiao: baichuan-7B
  • Sunsimiao-6B: ChatGLM2-6B
• 数据:
  • 十万级高质量的中文医疗数据
• Performance:
  • 千万级百科的中文医疗知识
  • 专有医学大语料的自然语言理解
• 院校: 华东理工大学信息科学与工程学院
• Paper: https://arxiv.org/abs/2306.09968

3. ClinicalGPT (2023-06-16)

• 基座模型: BLOOM-7B
• 数据:
  • cMedQA2 (120K: 10K RM + 4K RL)
  • cMedQA-KG (100K)
  • MD-EHR (100K)
  • MEDQA-MCMLE (34K)
  • MedDialog (100K)
• Model:
  • BLOOM-7B
• Performance: 医疗信息检索
• 院校: 北京邮电大学

4. MedicalGPT (2023-06-05)

• Code: MedicalGPT
• License: Apache 2.0
• 基座模型: Ziya-LLaMA-13B-v1 等
• 数据:
  1. 医疗数据集: 240 万条中文医疗数据集（包括预训练、指令微调和奖励数据集）：shibing624/medical
  2. 22 万条中文医疗对话数据集（华佗项目）：FreedomIntelligence/HuatuoGPT-sft-data-v1
  3. 50 万条中文 ChatGPT 指令 Belle 数据集：BelleGroup/train_0.5M_CN
  4. 100 万条中文 ChatGPT 指令 Belle 数据集：BelleGroup/train_1M_CN
  5. 5 万条英文 ChatGPT 指令 Alpaca 数据集：50k English Stanford Alpaca dataset
  6. 2 万条中文 ChatGPT 指令 Alpaca 数据集：shibing624/alpaca-zh
  7. 69 万条中文指令 Guanaco 数据集（Belle50 万条+Guanaco19 万条）：Chinese-Vicuna/guanaco_belle_merge_v1.0
• 通用数据: 8. 5 万条英文 ChatGPT 多轮对话数据集：RyokoAI/ShareGPT52K 9. 80 万条中文 ChatGPT 多轮对话数据集：BelleGroup/multiturn_chat_0.8M 10. 116 万条中文 ChatGPT 多轮对话数据集：fnlp/moss-002-sft-data
• 通用数据: 8. 5 万条英文 ChatGPT 多轮对话数据集：RyokoAI/ShareGPT52K 9. 80 万条中文 ChatGPT 多轮对话数据集：BelleGroup/multiturn_chat_0.8M 10. 116 万条中文 ChatGPT 多轮对话数据集：fnlp/moss-002-sft-data
• Reward Model datasets: 11. 原版的 oasst1 数据集：OpenAssistant/oasst1 12. 2 万条多语言 oasst1 的 reward 数据集：tasksource/oasst1_pairwise_rlhf_reward 13. 11 万条英文 hh-rlhf 的 reward 数据集：Dahoas/full-hh-rlhf 14. 9 万条英文 reward 数据集（来自 Anthropic’s Helpful Harmless dataset）: Dahoas/static-hh 15. 7 万条英文 reward 数据集（来源同上）：Dahoas/rm-static 16. 7 万条繁体中文的 reward 数据集（翻译自 rm-static): liswei/rm-static-m2m100-zh 17. 7 万条英文 Reward 数据集：yitingxie/rlhf-reward-datasets 18. 3 千条中文知乎问答偏好数据集：liyucheng/zhihu_rlhf_3k
• 作者: 徐明

5. 华佗 GPT (HuaTuoGPT) (2023-05-24)

• Papser: arXiv:2305.15075
• Code: HuatuoGPT
• License: Apache 2.0
• 基座模型: BLOOMZ-7bl
• 数据:
  1. 用 ChatGPT 构成的指令数据集 (61K)
  2. 真实的医生指令集 (70K)
  3. ChatGPT 角色扮演医患对话数据集 (68K)
  4. 真实的医患对话数据集 (26K)
• 算力: 8×NVIDIA A100 GPUs, 3 epochs, 16000 steps
• 院校: 香港中文大学（深圳）

6. XrayGLM (2023-05-23)

• Code: XrayGLM
• License: CC BY-NC-SA 4.0
• 基座模型: VisualGLM-6B
• 数据:
  1. MIMIC-CXR (377K Image + 227K Report)
  2. OpenI (6459 Image + 3955 Report)
• 算力: 4×NVIDIA A100 GPUs 80GB
• 院校: 澳门理工大学应用科学学院

7. 启真医学大模型 (QiZhenGPT) (2023-05-23)

• Code: QiZhenGPT
• License: GPL-3.0
• 基座模型:
  • ChatGLM-6B
  • CaMA-13B
  • Chinese-LLaMA-Plus-7B
• 数据:
  • 真实医患知识问答数据集
  • 药品适应症评测数据集
• 算力: 7×NVIDIA A800 GPU 80GB
  • ChatGLM-6B, 16h20m (2500)
  • CaMA-13B, 54h30m (6000) / 114h46m (12400)
  • Chinese-LLaMA-Plus-7B, 40h56m (6000)
• 院校: 浙江大学
• Paper: arXiv:2305.00450

8. MeChat (2023-04-30)

• Code: Smile
• License: CC0-1.0
• Model: MeChat
• 基座模型: ChatGLM-6B
• 微调方式: LoRA
• 数据:
  • PsyQA
• 院校: 西湖大学 & 浙江大学
• Paper: arXiv:2304.14454

9. PMC-LLaMA (2023-04-27)

• Code: PMC-LLaMA
• 基座模型: LLaMA-13B
• 数据:
  • PubmedCentral papers (4.8M)
• 院校: 上海交通大学未来媒体网络协同创新中心

10. ChatDoctor (2023-03-24)

• Paper: arXiv:2303.14070
• Code: ChatDoctor
• License: Apache 2.0
• 基座模型: LLaMA-7B
• 数据:
  • HealthCareMagic-100k
  • icliniq-10k
  • GenMedGPT-5k
  • disease database
• 算力: 6×NVIDIA A100 GPUs, 18h, batch size 192, 3 epochs
• 院校:
  • Department of Radiation Oncology, University of Texas Southwestern Medical Center, Dallas, USA
  • Department of Computer Science, University of Illinois at Urbana-Champaign, Illinois, USA
  • Department of Computer Science and Engineering, The Ohio State University, Columbus, USA
  • 杭州电子科技大学计算机学院

11. DoctorGLM (2023-04-03)

• Paper: arXiv:2304.01097
• Code: DoctorGLM
• 基座模型: THUDM/chatglm-6b
• 数据:
  • Surgical (116K)
  • Obstetrics and Gynecology (229K)
  • CMD
  • Pediatrics (117K)
  • Internal Medicine (307K)
  • Andriatria (113K)
  • MedDialog (3.4M)
  • ChatDoctor (5.4K)
  • HealthCareMagic (200K)
• 算力: 1×NVIDIA A100 GPU 80GB, 13h
• 院校:
  • 上海科技大学
  • 上海交通大学
  • 复旦大学华山医院

12. MedicalGPT-zh (2023-04-08)

• Code: MedicalGPT-zh
• License: Apache 2.0
• 基座模型: ChatGLM-6B
• 数据:
  • 情景对话 (52K)
  • 28 科室的中文医疗共识与临床指南文本
  • 知识问答 (130K)
• 算力: 4× NVIDIA 3090 GPUs
• 院校: 上海交通大学未来媒体网络协同创新中心

13. Chinese-Vicuna-Medical (2023-04-11)

• Code: Chinese-Vicuna-Medical
• License: Apache 2.0
• 基座模型: Chinese-Vicuna-7B
• 数据:
  • cMedQA2
• 算力: 70w of data, 3 epochs, a 2080Ti about 200h
• 原名: 华佗(HuaTuo)
• Paper: arXiv:2304.06975
• Code: Huatuo-Llama-Med-Chinese

14. 本草(BenTsao) (2023-04-14)

• Paper: arXiv:2304.06975
• Code: BenTsao
• License: Apache 2.0
• 基座模型:
  • LLaMA-7B
  • Chinese-LLaMA-Alpaca
  • ChatGLM-6B
• 数据:
  • 公开和自建的中文医学知识库，主要参考了 cMeKG
  • 2023 年关于肝癌疾病的中文医学文献
  • 利用 GPT3.5 接口围绕医学文献多轮问答数据
• 算力: A100-SXM-80GB, 10 epochs, 2h17m, batch_size=128
• 院校: 哈尔滨工业大学社会计算与信息检索研究中心健康智能组

15. OpenBioMed (2023-04-17)

• Paper: arXiv:2305.01523
• Code: OpenBioMed
• License: MIT
• 模型: BioMedGPT-1.6B
• 数据: DeepDTA
• 院校: 清华大学计算机系

16. ChatMed (2023-04-19)

• Code: ChatMed
• License: Apache 2.0
• 基座模型: LLaMA-7B + Chinese-LLaMA-Alpaca
• 数据:
  • 中文医疗在线问诊数据集
  • 中医药指令数据集 ChatMed_TCM_Dataset
  • 中医药知识图谱
  • ChatGPT 得到 1Iw+的围绕中医药的指令数据
• 算力: 4 × NVIDIA 3090 GPUs
• 院校: 华东师范大学

17. 扁鹊(BianQue) (2023-04-22)

• Code: BianQue
• 基座模型:
  • V1：元语智能
  • V2: ChatGLM-6B
• 数据:
  • 中文医疗问答指令与多轮问询对话混合数据集包含了超过 900 万条样本
  • 扩充了药品说明书指令
  • 医学百科知识指令
  • ChatGPT 蒸馏指令等数据
  • MedDialog-CN
  • 健康大数据 BianQueCorpus
  • IMCS-V2
  • CHIP-MDCFNPC
  • MedDG
  • cMedQA2
  • Chinese-medical-dialogue-data
• 算力: 8 张 NVIDIA RTX 4090 显卡上微调了 1 个 epoch, 大约 16 天
• 院校: 华南理工大学未来技术学院