|
--- |
|
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 |
|
<p align="center"> |
|
🌐 <a href="" target="_blank">Website</a> • 🤗 <a href="https://huggingface.co/datasets/FreedomIntelligence/CMB" target="_blank">Hugging Face</a> • 📃 <a href="" target="_blank">Paper</a> <br> <a href="https://github.com/FreedomIntelligence/CMB"> 中文</a> | <a href="">English |
|
</p> |
|
|
|
|
|
## 🌈 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{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](http://www.sribd.cn/)对此项目提供的大力支持。 |
|
|
