摘要
我们提出一个放射科问答数据集RadQA，包含3074个基于放射科报告提出的问题，并由医师标注了相应的答案片段（共生成6148个问题-答案证据对）。这些问题通过人工构建，依据报告中的临床申请（clinical referral）部分生成，充分考虑了开具检查的临床医生的实际信息需求，同时避免因预览答案上下文而产生的偏差，并自然地生成了无法回答的问题。答案片段在报告的“发现”（Findings）和“印象”（Impressions）部分进行标注。该数据集旨在满足复杂的临床需求，包含完整且简洁的答案短语（不仅限于实体），且这些短语可跨越多行文本。我们对所提出的数据集进行了深入分析，探讨了标注中广泛存在的分歧类别（为理解人类标注错误提供了洞见），以及回答问题所需的推理类型（揭示了回答问题对医学知识的高度依赖性）。尽管先进的Transformer语言模型在测试集上取得了63.55的最高F1分数，但人类的最佳表现达到90.31（平均得分为84.52），这充分表明RadQA任务具有极高的挑战性，为未来方法研究留下了广阔的发展空间。