Datasets:
metadata
dataset_info:
features:
- name: doc_id
dtype: string
- name: source_file
dtype: string
- name: head_id
dtype: string
- name: head_type
dtype:
class_label:
names:
'0': diagnosis
'1': biomarker
'2': treatment
'3': habit
'4': event
- name: head_text
dtype: string
- name: head_start
dtype: int32
- name: head_end
dtype: int32
- name: head_assertion
dtype:
class_label:
names:
'0': presente
'1': negado
'2': antecedente_familiar
'3': hipotetico
- name: tail_id
dtype: string
- name: tail_type
dtype:
class_label:
names:
'0': diagnosis
'1': biomarker
'2': treatment
'3': habit
'4': event
- name: tail_text
dtype: string
- name: tail_start
dtype: int32
- name: tail_end
dtype: int32
- name: tail_assertion
dtype:
class_label:
names:
'0': presente
'1': negado
'2': antecedente_familiar
'3': hipotetico
- name: candidate_relation
dtype:
class_label:
names:
'0': caracterizado_por
'1': tratado_con
'2': evoluciono_a
'3': influye_en
- name: label
dtype:
class_label:
names:
'0': no_relacion
'1': caracterizado_por
'2': tratado_con
'3': evoluciono_a
'4': influye_en
- name: evidence_class
dtype:
class_label:
names:
'0': extraida
'1': inferida
- name: char_distance
dtype: int32
- name: word_distance
dtype: int32
- name: same_sentence
dtype: bool
- name: head_first
dtype: bool
- name: intermediate_text
dtype: string
- name: intermediate_has_negation
dtype: bool
- name: intermediate_words
dtype: int32
splits:
- name: train
num_bytes: 1240382
num_examples: 4145
- name: validation
num_bytes: 159414
num_examples: 517
- name: test
num_bytes: 148362
num_examples: 493
download_size: 306159
dataset_size: 1548158
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
language:
- es
license: cc-by-nc-sa-4.0
task_categories:
- text-classification
tags:
- clinical
- oncology
- relation-extraction
- spanish
- medical-nlp
- breast-cancer
pretty_name: Onco-Clinical RE (Spanish)
size_categories:
- 1K<n<10K
Onco-Clinical RE (Spanish)
Corpus en español para Extracción de Relaciones (RE) sobre notas clínicas oncológicas, con foco en cáncer de mama (~50% de los documentos) y cobertura de otros tumores sólidos (pulmón, colon/recto, próstata, gástrico, ovario, esófago, piel, biomarcadores específicos…).
Cada ejemplo es un par candidato (entidad cabeza ↔ entidad cola) extraído
de un documento clínico. La tarea es clasificar el par en una de 5 clases
(4 relaciones clínicas + no_relacion).
Resumen
| Idioma | Español (es) |
| Tarea | Extracción de relaciones (clasificación de pares) |
| Dominio | Oncología clínica |
| Documentos fuente | 1.910 notas clínicas |
| Pares totales | 5.155 |
| Splits | train / validation / test (80/10/10 por documento) |
| Clases | 5 (4 relaciones + no_relacion) |
Esquema
Cada fila representa un par de entidades anotado con su relación.
Campos de identificación
doc_id— id único del documento fuente del par.source_file— archivo JSON original que generó el documento.
Cabeza (head) — entidad origen
head_id— id local en el documento (T1,T2, …).head_type— tipo de entidad:diagnosis,biomarker,treatment,habit,event.head_text— subcadena exacta del texto clínico.head_start,head_end— offsets de carácter en el documento original.head_assertion—presente|negado|antecedente_familiar|hipotetico.
Cola (tail) — entidad destino
Mismos campos (tail_id, tail_type, tail_text, tail_start, tail_end, tail_assertion).
Anotación de la relación
candidate_relation— relación hipotética según los tipos de entidad (e.g.,diagnosis → biomarkersiempre es candidato acaracterizado_por). Es metadato, no la etiqueta final.label— etiqueta de oro del par. Una de:caracterizado_por(diagnosis → biomarker)tratado_con(diagnosis → treatment)evoluciono_a(diagnosis → event)influye_en(habit → event, siempreinferida)no_relacion(el candidato no se cumple en el texto)
evidence_class—extraida(afirmado por el texto) |inferida(hipótesis clínica, solo parainfluye_en).
Features contextuales (precomputadas — útiles como features o filtros)
char_distance,word_distance— distancia entre head y tail.same_sentence—truesi ambos caen en la misma oración.head_first—truesi la cabeza aparece antes que la cola.intermediate_text— texto entre las dos entidades.intermediate_has_negation—truesi hay una negación en el medio.intermediate_words— número de palabras intermedias.
Distribución de etiquetas
| Etiqueta | Conteo total | % |
|---|---|---|
caracterizado_por |
2.218 | 48.6% |
tratado_con |
1.583 | 34.7% |
evoluciono_a |
307 | 6.7% |
no_relacion |
260 | 5.7% |
influye_en |
193 | 4.2% |
Splits
Splits hechos por doc_id (no por par) para evitar fuga: todos los pares
de un documento caen en el mismo split.
| Split | Pares | % |
|---|---|---|
| train | 4.145 | 80.4% |
| validation | 517 | 10.0% |
| test | 493 | 9.6% |
Cómo usar
from datasets import load_dataset
ds = load_dataset("anvorja/onco-clinical-re-sp")
print(ds)
# DatasetDict({
# train: Dataset({...}),
# validation: Dataset({...}),
# test: Dataset({...})
# })
label_names = ds["train"].features["label"].names
# ['no_relacion', 'caracterizado_por', 'tratado_con', 'evoluciono_a', 'influye_en']
Construir el input para un modelo RE basado en transformers
Convención recomendada (entity markers, estilo R-BERT):
def build_re_input(example):
h, t, mid = example["head_text"], example["tail_text"], example["intermediate_text"]
if example["head_first"]:
text = f"[E1] {h} [/E1]{mid}[E2] {t} [/E2]"
else:
text = f"[E2] {t} [/E2]{mid}[E1] {h} [/E1]"
return {"text": text}
ds = ds.map(build_re_input)
Recuerda añadir [E1], [/E1], [E2], [/E2] como additional_special_tokens
al tokenizer y llamar model.resize_token_embeddings(len(tokenizer)).
Tipos de relación (semántica)
| Relación | De → a | Significado |
|---|---|---|
caracterizado_por |
diagnosis → biomarker | El diagnóstico se caracteriza por ese biomarcador |
tratado_con |
diagnosis → treatment | El diagnóstico fue/es tratado con ese tratamiento |
evoluciono_a |
diagnosis → event | El diagnóstico evolucionó a ese evento clínico |
influye_en |
habit → event | Hábito de riesgo activo influye en un evento adverso (hipótesis clínica, siempre inferida) |
Reglas de anotación clave
- Granularidad gruesa: cada entidad es una mención clínica completa
(
"tamoxifeno 20 mg al día", no"tamoxifeno"+"20 mg"por separado). - Cáncer de un familiar (
assertion: antecedente_familiar) no ancla ninguna relación: es del familiar, no del paciente. - Comorbilidades (hipertensión, diabetes, obesidad…) no se anotan como entidades — pueden aparecer en el texto para realismo, pero no son ninguno de los 5 tipos.
influye_ensolo la generan hábitos de riesgo activo (fumar, beber, sedentarismo, dieta poco saludable) sobre eventos adversos (progresión, recidiva). Hábitos negados o protectores no la generan.
Generación del corpus
Los documentos fueron generados por especialistas médicos siguiendo un esquema consistente y revisados manualmente. El pipeline de ingesta
(ingested.jsonl → pairs.jsonl) valida:
- Exactitud de subcadenas (
entities[].text∈text). - Ids correlativos (
T1, T2, …sin huecos). - Coherencia tipo-relación (e.g.,
tratado_consolo dediagnosisatreatment). - Generación automática de negativos (
no_relacion) a partir de pares compatibles por tipo que el anotador no listó.
Limitaciones
- Sesgo a cáncer de mama (~50% de los documentos).
- Anotación a nivel de par, no a nivel de documento completo — la contextualización de cada par se limita a la información en la fila (head, tail, intermediate_text, distancia, etc.).
- Sin offsets a nivel de oración ni segmentación discursiva.
Licencia
CC BY-NC-SA 4.0 — uso académico y de investigación. Atribución obligatoria, no comercial, comparte-igual.
Citación
@misc{onco_clinical_re_sp_2026,
author = {Borja, Andrés},
title = {Onco-Clinical RE (Spanish): A relation extraction corpus for Spanish oncology clinical notes},
year = {2026},
publisher = {Hugging Face},
howpublished = {\url{https://huggingface.co/datasets/anvorja/onco-clinical-re-sp}}
}