数据集概述

CancerGUIDE Synthetic Patient Data 是由 Microsoft Research 于 2025 年发布的一个基于 GPT-4.1 生成的合成肿瘤学患者数据集，相关论文成果为「CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation」，旨在为评估和训练大型语言模型在临床指南遵循和推理任务提供隐私保护、可控的基准数据。

该数据集包含合成肿瘤学患者病历及对应的治疗推荐，分为结构化与非结构化两种生成方式，其中结构化数据包含 165 条记录，非结构化数据包含 151 条记录。 这些数据由 GPT-4.1 生成，旨在支持大模型在临床推理和推荐任务上的研究，同时避免使用真实患者数据带来的隐私风险。

数据集组成

数据集包含两个配置文件（config），分别对应不同的生成方法：

• synthetic_structured: 包含 165 条记录，采用结构化（表格提示模板）生成方法。
• synthetic_unstructured: 包含 151 条记录，采用非结构化（自由文本叙述）生成方法。

每条记录（JSON 格式）包含以下字段：

• patient_id: 唯一患者标识符
• patient_note: 合成患者的病史文本描述
• label: 模型推荐的治疗方案

Citation

@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},
}