データセット概要

CancerGUIDE Synthetic Patient Data は、Microsoft Research が 2025年に公開した、GPT-4.1 を用いて生成された合成の腫瘍学患者データセットです。関連論文は「CancerGUIDE: Cancer Guideline Understanding via Internal Disagreement Estimation」に記載されています。このデータセットは、臨床ガイドラインの遵守および推論タスクにおける大規模言語モデルの評価と訓練のために、プライバシーを保護し制御可能なベンチマークデータを供給することを目的としています。

本データセットには、合成された腫瘍学患者の病歴とその対応する治療推奨が含まれており、構造化データと非構造化データの2つの生成カテゴリに分かれています。具体的には、構造化データが165件、非構造化データが151件の記録を含みます。これらのデータはすべて GPT-4.1 によって生成されており、実際の患者データの使用に伴うプライバシーリスクを回避しつつ、大規模モデルの臨床推論や推薦タスクの研究をサポートすることを目指しています。

データセット構成

データセットには、異なる生成手法に対応する2つの設定ファイル（config）が含まれます。

• synthetic_structured: 165件のレコードを含む。構造化化された（テーブル形式のプロンプトテンプレートを用いた）生成法を採用。
• synthetic_unstructured: 151件のレコードを含む。非構造化化された（フリーテキストによる記述）生成法を採用。

各レコード（JSON フォーマット）には以下のフィールドが含まれます。

• patient_id: ユニークな患者識別子
• patient_note: 合成患者の病状に関するテキスト記述
• label: モデルにより推奨される治療計画

引用文献

@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},
}