Update README.md

README.md

@@ -63,8 +63,11 @@ Data Source and Instruction Quantity Table:
 | Treatment Noun Explanation Cleaned Data.json | 81211 | 1123 | 1123 | 1123 |
 | Total | 26294720 | 135108 | 135108 | 135108 |
 
-## Model Performance Comparison
-In preliminary comparisons with large language models such as Wenxin Yiyan and Spark, we found that our model exhibits good generalization capabilities on a diversified therapeutic decomposition instruction dataset constructed based on 300 Traditional Chinese Medicine prescription data. This perhaps initially confirms that, like humans, large language models are more conducive to learning metaphorical knowledge and logic from text content represented in diverse forms.
+## 2.Model Performance Comparison
+Our test data are based on real medical cases from highly skilled traditional Chinese medicine doctors, typically case reports from provincial renowned senior traditional Chinese medicine practitioners or national medical master level. This kind of data, which is strictly considered as out-of-distribution data (both in terms of subject matter and training dataset distribution, distinct from traditional training and validation sets), is used to ensure a degree of professionalism. In preliminary comparisons with large language models such as Wenxin Yiyan and Spark, we found that our model exhibits good generalization capabilities on a diversified therapeutic decomposition instruction dataset constructed based on 300 Traditional Chinese Medicine prescription data. This perhaps initially confirms that, like humans, large language models are more conducive to learning metaphorical knowledge and logic from text content represented in diverse forms.
+## 2.模型效果对比：
+我们的测试数据基于真实高水平中医师的医学案例，通常为省级名老中医或国医大师级别的个案报告，以保证一定层面专业性。这样的数据较严格的属于分布外数据（学科分布外与训练数据集分布外，有别于传统训练集和验证集）。通过与文心一言、星火等大语言模型进行初步对比，发现我们的模型在基于300条中医方药数据构建的多样化诊疗分解指令数据集上具备良好的泛化能力，或许初步证实大语言模型与和人类一样，对于多元形式表征的文本内容更有助于学习隐喻的知识及逻辑。
+
 | | | | | | |
 |-|-|-|-|-|-|
 |序号|提问|文心一言|星火认知|仲景(384 Tokens)|仲景(512 Tokens)|
@@ -78,8 +81,8 @@ In preliminary comparisons with large language models such as Wenxin Yiyan and S
 |8|李某某，女，15岁。病起于外感，高热（39.5℃ ），头痛，肢体酸楚。至五六日后，突发上腹部疼痛，午后发热更甚，切脉弦紧有力，舌质红绛而苔腻，皮肤亢热，腹部板硬疼痛拒按，大便已七日未解，小便短赤，时发谵语。给出中医诊断和处方建议|根据提供的信息，该患者的证候为外感引起的高热、头痛、肢体酸楚，以及突发上腹部疼痛、午后发热更甚、大便秘结、小便短赤、腹部板硬疼痛拒按、舌质红绛而苔腻、脉弦紧有力。从中医理论角度来看，证属阳明腑实热证，治当清热解毒、通便泄热。 处方建议： 口服大承气汤加减：大黄10g，芒硝10g，厚朴10g，枳实10g，黄芩10g，黄连10g，石膏20g，知母10g，玄明粉10g，生地10g，丹皮10g。 配合针灸治疗：取穴合谷、支沟、曲池、内庭等。 注意事项：由于患者的病情较为复杂，建议在医生或针灸师指导下进行治疗和调整用药。治疗期间需忌食辛辣、油腻、刺激性食物，保持良好的生活习惯和情绪状态。|根据患者的主诉、病史和体征，结合中医理论分析，该患者的诊断为痢疾。 - 病因：由于患者感受外邪，加上饮食不洁，湿气内生，脾胃失调，湿热蕴结于肠，导致了痢疾的发生。 - 诊断依据：高热、头痛、肢体酸楚等症状表明患者为感染性疾病。突发上腹部疼痛、拒按腹部板硬疼痛以及大便七日未解等症状表明患者为痢疾。舌质红绛而苔腻、皮肤亢热、小便短赤等症状也支持了此种诊断。脉象弦紧有力也是痢疾的典型表现之一。 - 治疗建议：中药治疗方面，可选用芍药汤加减、白头翁汤等方剂，以清热解毒、祛湿通便。同时应忌食辛辣刺激性食物，保持充足的水分摄入，加强身体锻炼，促进气血循环。针灸、艾灸等中医辅助治疗方法也可尝试。在治疗过程中，应及时调整处方，以达到治疗效果。如果病情严重或经过一段时间的治疗仍未见好转，可以考虑中西医结合或其他治疗方法。|根据您的症状，我建议您可以按照以下方案使用中药处方进行治疗：药物组成：黄芩、黄连、柴胡、白芍、当归、地黄、鲜地黄、陈皮、甘草、生姜、大枣、白芷、陈皮、甘草等。制备方法：将药材加水煎煮，去渣取汁，每次服用一剂，空心盐汤调下。用药期间，患者应注意避免辛辣刺激性食物，保持情绪稳定，避免过度疲劳。根据您的症状变化，如上腹部疼痛、腹部板硬、短赤小便量增多，可能需要调整治疗方案，如添加清热解毒的药物，如黄连、黄芩等，或者减少活血化瘀的药物，如当归、鲜地黄等。此外，如果您的脾胃功能不|根据您的症状，我建议您可以按照以下方案使用中药处方进行治疗：药物组成：黄芩、黄连、柴胡、白芍、当归、地黄、鲜地黄、陈皮、甘草、生姜、大枣、白芷、陈皮、甘草等。制备方法：将药材加水煎煮，去渣取汁，每次服用一剂，空心盐汤调下。用药期间，患者应注意避免辛辣刺激性食物，保持情绪稳定，避免过度疲劳。根据您的症状变化，如上腹部疼痛、腹部板硬、短赤小便量增多，可能需要调整治疗方案，如添加清热解毒的药物，如黄连、黄芩等，或者减少活血化瘀的药物，如当归、鲜地黄等。此外，如果您的脾胃功能不佳，可能需要加入益气补血的药物，如山药、茯苓等。在服用药物期间，您应注意观察身体反应，如出现不适症状或者不良反应，应立即停止使用并咨询医生。在服用期间，您应避免食用|
 |9|杜某某，女，18岁。因遭受惊吓而精神失常，或哭或笑，惊狂不安。伴见少腹疼痛，月经衍期不至。舌质紫暗，脉弦滑。给出中医诊断和处方建议|根据提供的信息，该患者的证候为精神失常，或哭或笑，惊狂不安，伴见少腹疼痛，月经衍期不至，舌质紫暗，脉弦滑。从中医理论角度来看，证属肝气郁结，气滞血瘀。治当疏肝解郁、活血化瘀。 处方建议： 柴胡疏肝散加减：柴胡10g，香附10g，川芎10g，当归10g，赤芍药10g，红花10g，桃仁10g，延胡索10g，川楝子10g，青皮10g，陈皮10g。 配合针灸治疗：取穴三阴交、合谷、太冲、中脘、气海、关元等。 注意事项：由于患者的病情较为复杂，建议在医生或针灸师指导下进行治疗和调整用药。治疗期间需忌食辛辣、油腻、刺激性食物，保持良好的生活习惯和情绪状态。|根据患者的主诉、病史和体征，结合中医理论分析，该患者的诊断为癫狂-少腹痛综合征。 - 病因：由于患者遭受惊吓，情志失调，加上气滞血瘀，导致心神失守，肝郁气滞，气滞血瘀，从而引发了癫狂-少腹痛综合征的病机。 - 诊断依据：精神失常、哭或笑、惊狂不安等症状表明患者为癫狂证；少腹疼痛、月经衍期不至等症状表明患者为少腹痛证；舌质紫暗、脉弦滑等也支持了此种诊断。 - 治疗建议：中药治疗方面，可选用逍遥散加减、柴胡加芍药汤等方剂，以疏肝解郁、调和气血、安神定志。同时应忌食辛辣刺激性食物，保持充足的睡眠和休息。针灸、艾灸等中医辅助治疗方法也可尝试。在治疗过程中，应及时调整处方，以达到治疗效果。如果病情严重或经过一段时间的治疗仍未见好转，可以考虑中西医结合或其他治疗方法。|根据您的症状，我可以初步判断您患有心神不宁证或气血不足证。心神不宁证的症状包括惊吓、失眠、精神昏昧等，气血不足证的症状包括少腹疼痛、月经衍期不至。根据您的症状和舌质，我建议您尝试以下中药处方进行治疗：当归补心汤。药物组成：当归（炒）1钱，黄耆1钱，人参1钱，白术1钱，茯苓1钱，川芎1钱，熟地黄1钱，陈皮1钱，甘草3分。制备方法：将上述药物加入1盏水，煎煮7分钟，去渣取汁，分2次服用。用法用量：该处方可用于治疗心神不宁证或气血不足证的患者。但是对于其他|根据您的症状，我可以初步判断您患有心神不宁证或气血不足证。心神不宁证的症状包括惊吓、失眠、精神昏昧等，气血不足证的症状包括少腹疼痛、月经衍期不至。根据您的症状和舌质，我建议您尝试以下中药处方进行治疗：当归补心汤。药物组成：当归（炒）1钱，黄耆1钱，人参1钱，白术1钱，茯苓1钱，川芎1钱，熟地黄1钱，陈皮1钱，甘草3分。制备方法：将上述药物加入1盏水，煎煮7分钟，去渣取汁，分2次服用。用法用量：该处方可用于治疗心神不宁证或气血不足证的患者。在使用过程中，需要注意以下事项：在使用此处方时，您应避免与其他中药处方同时使用，以免引起不良反应。在日常生活中，您应保持良好的作息习惯，避免过度疲劳和情绪波动，以促进身体恢复。在用药期间，注意避免食用|
 
-This finding is significant as it suggests that our approach of using a multi-task therapeutic decomposition strategy and a domain-specific million-level instruct data set is effective in enhancing the model's reasoning ability for prescription data and diagnostic thinking logic. It also indicates the potential of large language models in fields where professional knowledge has a low tolerance for errors, such as medical and legal scenarios.
-
+Our preliminary tests reveal that the ZhongJing large language model demonstrates a certain degree of diagnostic and prescription capabilities not only in gynecology but also in other clinical specialties of traditional Chinese medicine, indicating its potential for generalization. This finding is significant as it suggests that our approach of using a multi-task therapeutic decomposition strategy and a domain-specific million-level instruct data set is effective in enhancing the model's reasoning ability for prescription data and diagnostic thinking logic. It also indicates the potential of large language models (7B parameters level) in fields where professional knowledge has a low tolerance for errors, such as medical and legal scenarios.
+我们的初步测试发现仲景大语言模型在妇科以外的中医临床专科领域也具备一定诊断和处方能力，具备一定的泛化能力。这一发现较有意义，因为它表明，我们使用多任务治疗分解策略和特定领域的百万级指导数据集的方法在增强模型对处方数据和诊断思维逻辑的推理能力方面是有效的。它还表明了在7B参数量的大型语言模型在专业知识对错误容忍度较低的领域的潜力，例如医疗和法律场景。
 
 ## To Do List
 - [ ] Adopt a multi-task therapeutic decomposition strategy, based on multidisciplinary data such as internal medicine, gynecology, pediatrics, and orthopedics, to fine-tune the model with a domain-specific million-level instruct data.