中医辨证基准数据集（TCM-SD）

TCM-SD 是北京理工大学与徐州市中医院等单位的研究者发布的中医辨证基准数据集。数据来自中国真实中医临床记录，原始收集 65,000 余份，涉及 548 种证型。规范化与过滤后保留 54,152 份记录、148 种证型。每份记录含病史、主诉、四诊记录、疾病编码与病名以及证型，另附中医外部知识语料。

辨证是中医诊疗的核心环节，同一病名下的患者可分属不同证型。这份数据可用于研究病史与四诊描述如何对应到证型。原始证型名与规范化后的证型并列保存，也可用于研究证名规范化。数据按 8:1:1 分为训练、开发和测试集，可用来比较不同辨证模型的表现。

这是一份带固定划分与判分规则的中医证型分类基准。记录取自真实临床，属于 1.0 临床真实一层。证型按国家标准 GB/T15657-1995 合并同义名，能学到 2.0 规则语义。专家依病历对不规范证型重新辨证，这部分属于 3.0 专家判断；划分与准确率、Macro-F1 指标构成 4.0 任务环境。证型分布长尾明显，罕见证型样本少，来源医院与病历年份未列明，外推前要另做验证。

项目	内容
规模	54,152 份临床记录、148 种证型
记录语言	中文
记录来源	诊疗过程
记录单位	一份临床记录
时间轴	单次，每条为一份临床记录
结局	无结局字段
专家标注	有，专家依病历对不规范证型重新辨证合并
任务环境	有，按 8:1:1 固定划分，以准确率与 Macro-F1 评测

表：TCM-SD_data_sample.json。

字段	含义	类型或取值
example_id	当前样本的唯一编号	数字字符串
lcd_id	疾病编码，论文称 ICD-10 编号	字符串，形如 BNG070
lcd_name	与编码对应的疾病名称	中文文本
chief_complaint	主诉，概括病史中的主要症状	中文文本
medical_history	病史，主要记录入院时病情	中文文本
FDMR	四诊记录，望闻问切模板化描述	中文文本
syndrome	规范化前的原始证型	中文证名
norm_syndrome	规范化后的证型，即分类标签	中文证名，共 148 类

项目	内容
许可	CC BY-NC-SA 4.0
商用	否
申请	公开下载

项目	内容
维护方口径	按国家标准 GB/T15657-1995 合并同义证型，专家规范证型。过滤少于 10 例的证型
已知局限	原始数据缺少质控，须规范化。证型分布长尾、严重不均衡，罕见证型样本少

• 中医药　›　中医证候与辨证

https://aclanthology.org/2022.ccl-1.80/；https://arxiv.org/html/2203.10839v2；https://github.com/Borororo/ZY-BERT；https://raw.githubusercontent.com/Borororo/ZY-BERT/main/README.md。