使用 Self-Instruct 构建医学问答数据集

一、方法概述

本文档演示如何用 Self-Instruct 的四步循环法（指令生成 → 分类 → 实例生成 → 过滤）来生成医学问答数据集。

核心原则：流程完全遵循标准 Self-Instruct，但在种子质量和过滤环节上做了医学领域的特化加强。

主题示例：心血管疾病

二、第一步：准备医学领域的种子指令

由医学专业人士撰写少量高质量问答种子，作为整个流程的起点。

#	instruction	input	output
1	什么是高血压？		高血压是指在未使用降压药物的情况下，诊室收缩压 ≥ 140 mmHg 和（或）舒张压 ≥ 90 mmHg...
2	请列举冠心病的常见危险因素。		冠心病的常见危险因素包括：高血压、高血脂、糖尿病、吸烟、肥胖、缺乏运动、不健康饮食、过量饮酒、精神压力以及有家族史等。

三、第二步：指令生成

将种子指令作为示例，让模型生成全新的医学指令。

给大模型的提示词

你是一位医学教育专家。请根据以下已有指令，创造 5 条全新的、多样化的医学指令。

已有指令：

什么是高血压？

请列举冠心病的常见危险因素。

要求：

新指令必须与已有指令不同

覆盖病因、症状、诊断、治疗、预防、用药等不同角度

部分指令需要包含具体的 input 字段

输出格式：{"instruction": "...", "input": "..."}（不需要的 input 可以为空字符串）

模型生成的新指令

#	instruction	input
1	解释心绞痛的典型临床表现。
2	根据以下血压值，判断该患者属于哪个高血压分级。	患者男，52 岁。连续三次测量血压，平均值为 158/96 mmHg。
3	一位冠心病患者刚植入药物洗脱支架，出院后需要注意什么？
4	列举高血压患者日常生活中应限制摄入的三类食物。
5	长期服用阿司匹林进行一级预防，主要存在什么风险？
6	判断该症状是否可能为心肌梗死的先兆。	患者女，62 岁。最近一周反复出现胸闷，多在快走时发作，每次持续 3-5 分钟，休息后可缓解。

四、第三步：分类

判断每条新指令是分类任务还是生成任务，为后续的实例生成做准备。

给大模型的提示词

判断以下指令是"分类任务"还是"生成任务"。

指令：判断该症状是否可能为心肌梗死的先兆。

输出格式：任务类型, 简要理由

模型输出示例

分类任务，因为需要根据输入的症状给出明确的"是/否"判断。

分类结果汇总

指令 1-4：生成任务
指令 5-6：分类任务

注意：分类任务虽然被保留，但在后续过滤时需要额外关注其质量与多样性。

五、第四步：实例生成

根据分类结果，为新指令生成对应的答案（output）。

给大模型的提示词（对生成任务）

你是一位资深心血管内科专家。请为以下医学问题生成专业、准确的回答。

问：解释心绞痛的典型临床表现。

答：

模型生成的答案示例

心绞痛的典型临床表现为阵发性的胸骨后压榨性疼痛或憋闷感，可放射至左肩、左臂内侧甚至无名指和小指。疼痛常在体力劳动、情绪激动等心脏负担加重时诱发，休息或含服硝酸甘油后通常数分钟内可缓解。

六、第五步：过滤（医学增强版）

常规过滤

Rouge-L 相似度过滤：排除与已有指令高度相似的生成结果。

医学特化过滤

医学实体校验：检查 output 中出现的药物名、诊断名、检查项目等是否权威、无捏造。例如，模型绝不能编造一种叫"速效救心丸 2 号"的药物。
无歧义过滤：医学指令要求极其精准。类似"降压药怎么吃？"这种过于模糊、没有说明是哪一种药的指令，会被直接打回或丢弃。
人工抽检：由医学专家对通过自动过滤的数据做最终确认，这是医学数据集的底线保障。

七、最终生成的数据集节选

#	instruction	input	output
1	什么是高血压？		高血压是指在未使用降压药物的情况下，诊室收缩压 ≥ 140 mmHg 和（或）舒张压 ≥ 90 mmHg...
2	解释心绞痛的典型临床表现。		典型心绞痛为阵发性胸骨后压榨性疼痛，可放射至左肩、左臂，持续数分钟，休息或含服硝酸甘油缓解...
3	根据以下血压值，判断该患者属于哪个高血压分级。	患者男，52 岁。连续三次测量血压，平均值为 158/96 mmHg。	该患者属于 1 级高血压（轻度）。诊室收缩压在 140-159 mmHg 之间，舒张压在 90-99 mmHg 之间，符合 1 级高血压的诊断标准。
4	一位冠心病患者刚植入药物洗脱支架，出院后需要注意什么？		1. 务必遵医嘱规律服用双联抗血小板药物，切勿自行停药... 2. 严格控制危险因素，包括血压、血脂、血糖... 3. 定期回院复查...