CORAL 专家标注肿瘤内科病历数据集

CORAL 由加州大学旧金山分校的研究者构建，托管于 PhysioNet。它收录 40 份专家标注的肿瘤内科病程记录，乳腺癌与胰腺癌各 20 份，来源库含 2012—2022 年数据。标注共有 9,028 个实体、9,986 个修饰语与 5,312 个关系，覆盖肿瘤特征、检查、治疗与时间等信息。另附 200 份未人工标注的笔记，两种癌症各 100 份，并附大语言模型的自动抽取结果。

肿瘤内科病程记录里，病理、分期、生物标志物与治疗经过多以自由文本写成。这份数据可用于研究从病程记录中自动抽取这些信息。它也可用于评价抽取结果与专家标注的一致程度。独立肿瘤科医生复核 20 份笔记后，最佳模型的平均准确率为 68%。

它是单一机构的真实肿瘤内科病程记录，属于 1.0 临床真实一层。标注由肿瘤专科医师或医学生按自建规范完成，能学到 3.0 专家判断。数据附 BLEU-4、ROUGE-1 与精确匹配 F1 等评测指标，能学到 4.0 任务环境。模型可以学习把病程记录里的病理类型、分期、用药与日期连成结构化的病程信息。人工标注只有 40 份，每份一名标注者，限于两种癌症与一家机构，另 200 份笔记的去标识误删未经修正。

项目	内容
规模	40 份专家标注病程记录，含 9,028 个实体、9,986 个修饰语、5,312 个关系
记录来源	诊疗过程
记录单位	一份病程记录
时间轴	单次，每名患者一份肿瘤内科病程记录
结局	无结局字段
专家标注	有，肿瘤专科医师或医学生人工标注 40 份笔记
任务环境	有，给出 BLEU-4、ROUGE-1 与精确匹配 F1 评测指标

表：coral/annotated 下各笔记的 .ann 文件。

字段	含义	类型或取值
annotation ID	标注编号	每行一条标注
concept type	标注的概念类型	取自 annotation.conf，如 Symptom、Datetime、Histology、MedicationName
text offsets	标注在笔记正文中的字符位置	对应同名 .txt 文件
annotation string	被标注的原文片段	文本

表：coral/annotated 下各笔记的 .ann 文件。

合成样例，非真实记录。

标注编号	概念类型	字符位置	被标注的原文片段
T1	Histology	215 240	invasive ductal carcinoma
T2	BiomarkerName	262 266	HER2
T3	MedicationName	540 549	letrozole

项目	内容
许可	PhysioNet Credentialed Health Data License 1.5.0
商用	未列明
申请	须通过凭证审核、完成 CITI 培训并签数据使用协议
中国可用性	未写国别或机构限制，须个人通过凭证审核，不得共享访问

项目	内容
维护方口径	自建标注规范，由肿瘤专科医师与医学生标注。独立肿瘤科医生评估大语言模型抽取准确率，平均 68%
已知局限	规模小，仅乳腺癌与胰腺癌，单一机构。每份笔记由一名标注者标注。200 份未标注笔记的去标识化误删未人工修正

• 血液与肿瘤　›　肿瘤病历文本与分子信息

https://physionet.org/content/curated-oncology-reports/1.0/；https://physionet.org/about/faqs/；https://physionet.org/content/curated-oncology-reports/view-license/1.0/。