比赛背景​

随着"互联网+医疗"的迅速发展，在线问诊平台逐渐兴起，在线问诊是指医生通过对话和患者进行病情的交流、 疾病的诊断并且提供相关的医疗建议。在政策和疫情的影响之下，在线问诊需求增长迅速。然而医生资源是稀缺的，由此促使了**自动化医疗问诊**的发展，以人机对话来辅助问诊过程。为了促进智能医疗咨询系统（Intelligent Medical Consultation System, IMCS），我们构建了 IMCS21 数据集，该数据集收集了真实的在线医患对话，并进行了多层次（Multi-Level）的人工标注，包含**命名实体**、**对话意图**、**症状标签**、**医疗报告**等，我们将该数据集接入2021中文医疗信息处理挑战榜_CBLUE_智慧医疗 - 阿里云天池评测平台，希望可以共同促进智能医疗、医学语言理解等领域的发展。​

对话意图识别（IMCS-DAC） 任务：​

任务定义​
IMCS-MGR 任务的目标是自动从话语中 识别医生或者患者的意图，该任务的输入输出示例如下。​

Input（对话中的某个话语）	Output（意图）
医生：你好，咳嗽是连声咳吗？有痰吗？有没流鼻涕，鼻塞？	Request-Symptom

医疗诊疗对话意图识别挑战赛_学习赛_赛题与数据_天池大赛-阿里云天池的赛题与数据
IMCS-DAC_dev.json， 有 616 条数据​
IMCS-DAC_test.json， 有 818 条数据​
IMCS-DAC_train.json，有 1824条数据​
数据样例：

​

标签分析

该数据集共包含16种对话意图，除了“诊断”和“其他”这两个特殊标签以外，剩余14种标签为“A-B”的分层形式，并且可以发现是A和B的笛卡尔积（指对两个集合或数据库表进行所有可能元素组合的运算）的形式。我们可以将这14种标签进行拆分：

将A称为意图标签，其有2个取值分别为“提问”和“告知”；
将B称为行为标签，其有7个取值分别为“症状”和“病因”等。
对于特殊标签来说，我们简单地将它们视为“诊断-诊断”和“其他-其他”，并分别放入A和B这两个集合中。

提交格式：​

{​
    "example_id1": {    # 测试集样本id​
        "sentence_id1": "Request-Symptom",​
        "sentence_id2": "Inform-Symptom",​
        ...​
    },​
    "example_id2":{​
           ...​
    }​
    ...​
}​

​

​评价方法：IMCS-DAC 任务采用准确率 Acc 作为评价指标，详细见文件 imcs21-cblue/task4/eval_task4.py at main · lemuria-wchen/imcs21-cblue · GitHub
基线模型：​

Model	Acc	Link
TextCNN	0.7893	imcs21-cblue/task4/DNN-DAC at main · lemuria-wchen/imcs21-cblue
TextRNN	0.7846	imcs21-cblue/task4/DNN-DAC at main · lemuria-wchen/imcs21-cblue
TextRCNN	0.7949	imcs21-cblue/task4/DNN-DAC at main · lemuria-wchen/imcs21-cblue
DPCNN	0.7791	imcs21-cblue/task4/DNN-DAC at main · lemuria-wchen/imcs21-cblue
BERT	0.8165	imcs21-cblue/task4/BERT-DAC at main · lemuria-wchen/imcs21-cblue
ERNIE	0.8191	imcs21-cblue/task4/BERT-DAC at main · lemuria-wchen/imcs21-cblue

这个目录包含了用于对话行为分类（DAC）任务的 TextCNN、TextRNN、FastText、TextRCNN、BiLSTM_Attention 和 DPCNN 模型的代码。​

使用Bert，ERNIE，进行中文文本分类
​GitHub - 649453932/Bert-Chinese-Text-Classification-Pytorch: 使用Bert，ERNIE，进行中文文本分类

基线模型的作用包括：

• 提供基准性能： 基线模型可以提供一个问题的基准性能水平，即在没有使用复杂模型的情况下，系统或算法的性能如何。这有助于确保更复杂的模型确实提供了比基线更好的性能。
• 评估模型效果： 将更高级的模型的性能与基线模型进行比较，可以评估这些模型相对于简单方法的效果。如果一个模型不能明显优于基线模型，那么它可能并不是一个有效的解决方案。
• 简化问题： 在解决复杂问题之前，建立基线模型有助于简化问题。通过首先尝试一种简单的方法，可以更好地理解问题的本质，而不至于过早地陷入过于复杂的模型。
• 迅速验证概念： 基线模型可以帮助迅速验证问题的可行性。如果一个简单的模型能够取得令人满意的结果，那么可能不需要更复杂的模型。
• 指导模型选择： 通过了解基线模型的表现，可以更明智地选择适用于特定问题的更高级模型。这有助于避免在不必要的模型选择上花费过多的时间和计算资源。

参考资料：

https://zhuanlan.zhihu.com/p/501295857

https://zhuanlan.zhihu.com/p/630318673

GitHub - lemuria-wchen/imcs21-cblue: This is the repo of the medical dialogue dataset 'imcs21' in CBLUE@Tianchi