نظرة عامة على مجموعة البيانات

تم إصدار CancerGUIDE Synthetic Patient Data بواسطة مختبرات مايكروسوفت للبحث في عام 2025، وهي مجموعة بيانات اصطناعية خاصة بمرضى الأورام تم إنشاؤها باستخدام نموذج GPT-4.1. ترتبط هذه المجموعة بالنتائج المنشورة في الورقة البحثية «CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation»، وتهدف إلى توفير بيانات أساسية تحمي الخصوصية وقابلة للتحكم لتقييم وتدريس نماذج اللغات الكبيرة (LLMs) فيما يتعلق بمهام اتباع المبادئ التوجيهية السريرية والاستدلال فيها.

تحتوي مجموعة البيانات على سجلات مرضى مصطنعة متخصصة في علم الأورام مع توصيات علاجية مقترنة بها، ويتم إنتاجها بطريقتين: منظمة وغير منظمة. تتضمن البيانات المنظمة 165 سجلاً، بينما تحتوي البيانات غير المنظمة على 151 سجلاً. تم إنشاء هذه البيانات بواسطة GPT-4.1 لدعم أبحاث النماذج الكبيرة في مهام الاستدلال والتوصية السريرية، مع تجنب مخاطر الخصوصية المرتبطة باستخدام بيانات المرضى الحقيقية.

تكوين مجموعة البيانات

تضم مجموعة الملفين الإعداديين (configs)، حيث يتوافق كل منهما مع طريقة توليد مختلفة:

• synthetic_structured: يحتوي على 165 سجلاً، ويستخدم منهجية الإنشاء المنظم (قوالب تلميحات الجدول).
• synthetic_unstructured: يحتوي على 151 سجلاً، ويستخدم منهجية الإنشاء غير المنظم (سرديات النص الحر).

تشمل كل سجلة (بصيغة JSON) الحقول التالية:

• patient_id: معرف فريد للمريض
• patient_note: وصف نصي لمرض التاريخ الطبي للمريض الاصطناعي
• label: خطة العلاج التي يوصي بها النموذج

الاقتباس المرجعي

@article{CancerGUIDE,
  title = {CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation},
  author = {Unell,  Alyssa and Codella,  Noel C. F. and Preston,  Sam and Argaw,  Peniel and Yim,  Wen-wai and Gero,  Zelalem and Wong,  Cliff and Jena,  Rajesh and Horvitz,  Eric and Hall,  Amanda K. and Zhong,  Ruican Rachel and Li,  Jiachen and Jain,  Shrey and Wei,  Mu and Lungren,  Matthew and Poon,  Hoifung},
  url = {https://doi.org/10.48550/arxiv.2509.07325},
  publisher = {arXiv},
  year = {2025},
}