CliTe 与 ParaCliTe：面向 AI 心脏病学的多语言人工数据集
Multilingual Artificial Datasets for AI-Driven Cardiology: the CliTe and ParaCliTe corpora
研究团队发布 CliTe 与 ParaCliTe 两个多语言心脏病学人工语料库，由 7 家欧洲医院的心脏科医生用捷克语、荷兰语、英语、意大利语、罗马尼亚语、西班牙语和瑞典语生成虚构临床记录。
作者：Lorenzo Pratesi、Eulalia Farre-Maduell、Machteld Boonstra、Michele Miranda、Jonas Mack、Eduard Rodenas-Alesina、Jonathan Kossoff、Corinne Allaart、Sébastien Bratières、Manuela-Daniela Danu、Isabella Fumarulo、Milou Gamage、Antonio Iaconelli、Pavel Leinveber、Felix Lindberg、Pavel Macháč、Vladimíra Macíková、Gianluigi Savarese、Raffaele Scorza、Bram van Es、Emma Weiss、Andrea Guala、Martin Krallinger、DataTools4Heart NLP 小组
摘要：背景与目标。可比、多语言且经过验证的心脏病学语料库对于推进可信的心脏病学自然语言处理（NLP）模型至关重要，但受隐私问题影响，此类资源十分稀缺。本研究旨在填补这一空白，提出合适的人工语料库构建指南，并发布 3 个多语言语料库。方法。遵循针对特定用途的公开语料库构建指南，来自 7 家欧洲医院的心脏病专家以捷克语、荷兰语、英语、意大利语、罗马尼亚语、西班牙语和瑞典语生成了人工临床记录，确保临床多样性和性别平衡，由此形成 CliTe 语料库。CliTe 的一个子集经过多阶段人工翻译为其他 6 种语言，形成平行语料库 ParaCliTe，而其余报告则通过自动翻译构成 ParaCliTe Silver。结果。CliTe 是 699 份人工心脏病学报告的集合，主要包括门诊记录（340 份）、出院报告（263 份）和住院记录（89 份），描述了患有缺血性心脏病（199 名患者）、心力衰竭（188 名）、瓣膜病（79 名）等的虚构患者。ParaCliTe 包含来自 94 名虚构患者的报告，每份报告均以七种语言提供并具有句子级对齐，共 658 份文档。该语料库主要由出院报告（322 份文档）以及门诊（196 份）和住院（140 份）记录组成，描述了患有心力衰竭（399 份文档）、缺血性心脏病（287 份）和瓣膜病（238 份）的患者。实证结果说明了 ParaCliTe 的实用性，并凸显了适配心脏病学领域的最先进 NLP 模型的局限性。结论。在详细指南的支持下，创建能够增强心脏病学 NLP 性能的多语言、公平且逼真的人工患者语料库是可行的。
| 学科： | 计算与语言（cs.CL） |
| ACM 分类： | I.2.7 |
| 引用为： | arXiv:2611.09296 [cs.CL] |
| （或本版本的 arXiv:2611.09296v1 [cs.CL]） | |
| https://doi.org/10.48550/arXiv.2611.09296 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Andrea Guala [查看电子邮件]
[v1]
2026 年 11 月 6 日星期五 10:48:46 UTC（664 KB）
来源：arXiv cs.CL · arxiv.org