信息速览

数据集名称UMLS — 统一医学语言系统 AI-Ready Wikipedia

数据类型344 万概念 / 1370 万名称,199 源词表集成,125 语义类型 + 54 关系,半年发布 · UMLS License 免费签署

规模术语集成体系本身不含患者数据；服务于全球 EHR 与文献系统的概念归一

接入方式https://www.nlm.nih.gov/research/umls/

AI 就绪度

UMLS — 统一医学语言系统 AI-Ready Wikipedia

INFOBOX


数据集名称	UMLS Knowledge Sources（统一医学语言系统知识源）
英文全称	Unified Medical Language System（Metathesaurus + Semantic Network + SPECIALIST Lexicon）
别名/简称	UMLS、Metathesaurus（元叙词表/超级叙词表）、CUI 体系
领域定位	跨词表概念集成与术语互操作枢纽；医学 NLP 的词法与语义基础设施
数据模态	术语集成库（RRF 制表符分隔）+ 语义类型/关系分类层 + 词法语料 + 定制子集工具
AI 任务类型	概念链接与归一（CUI）、跨词表映射、同义词扩展、语义类型分类、文本抽取（MetaMap/SemRep）、检索扩展
样本总数	2026AA：约 344 万概念（CUI）/ 1370 万唯一名称 / 199 源词表；语义网络 125 类型 + 54 关系；SPECIALIST 25 万+ 词条
数据大小	Full Release 5.3 GB 压缩 / 40.1 GB 解压；MRCONSO.RRF 单文件 2.2 GB 解压；MetamorphoSys 需 40 GB+ 磁盘
数据格式	RRF（Rich Release Format，制表符分隔）+ MySQL/Oracle 载入脚本 + UTS REST API
许可证	UMLS Metathesaurus License（免费签署制）；附录 2 为 esaurus License（免费签署制）；附录 2 为 SNOMED CT 美国分发的法律载体；源词表分 Level 0-3+ 限制层美国分发的法律载体；源词表分 Level 0-3+ 限制层
访问级别	UTS 注册签署后免费下载；UTS REST API 在线访问
语言	英语为主；含多语言源词表名称
首发日期	1986 年立项（NLM 馆长 Donald Lindberg 发起）；1989 年首版
最后更新	2026AA（2026-05-04 发布；半年节奏，2026AB 约 11 月）
发布机构	美国国家医学图书馆（NLM）
官方主页	https://www.nlm.nih.gov/research/umls/

§0 E-E-A-T 信任声明与免责声明

经验（Experience）：本文基于 NLM 官方下载页与 2026AA 发布文档、NLM 新闻公告（2026-05-04 2026AA 发布）、ScienceDirect 术语学综述与 John Snow Labs 数据卡撰写，关键数字均注明版本口径。
专业性（Expertise）：内容覆盖 UMLS 三大组件架构、CUI/AUI 标识符体系、RRF 文件规范、许可分层（Level 0-3+）与 NLP 实践（MetaMap、概念链接）。
权威性（Authoritativeness）：UMLS 由 NLM 维护逾 35 年，是 PubMed 与 ClinicalTrials.gov 官方使用的基础设施，也是美国法定分发 SNOMED CT 的通道。
可信度（Trustworthiness）：概念归组质量的已知局限（过归组/欠归组）在本文显式说明；许可结论不构成法律意见。
免责声明：UMLS 数据使用须遵守 UMLS Metathesaurus License；涉及 SNOMED CT 与其他受限源词表时以附录条款为准。
数字口径说明：本文规模数字统一采用 2026AA 版官方口径（2026-05-04）；语义类型数量存在 125（当前）与 133（历史文献）两个口径，均予标注。

§1 数据集概览

§1.0 📌 30 秒速览

是什么：把 199 个医学词表「焊接」成一个概念体系的跨词表枢纽——344 万 CUI 概念、1370 万名称。
为什么重要：它让 SNOMED、LOINC、MeSH、RxNorm、ICD 彼此可翻译——医疗数据互操作的罗塞塔石碑。
AI 价值：概念链接的目标空间、同义词扩展器、语义类型分类器与词法工具箱四位一体。
获取方式：UTS 注册签署 License → RRF 下载或 REST API；Level 0 子集最低摩擦。
成本：免费（签署制）；全量加载需 40 GB+ 磁盘与数小时。
一句话：做医学 NLP 不用 UMLS，就像做搜索不用倒排索引。

§1.1 摘要

统一医学语言系统（UMLS，Unified Medical Language System）是美国国家医学图书馆（NLM）自 1986 年发起、1989 年首次发布的跨词表知识源体系，旨在弥合生物医学领域数百个受控词表之间的语义鸿沟。2026AA 版（2026-05-04 发布）的核心组件 Metathesaurus 收录约 344 万个概念（以 CUI 唯一标识）、1370 万个唯一概念名称，覆盖来自 CPT、ICD-10-CM、LOINC、MeSH、RxNorm、SNOMED CT 等 199 个源词表的原子数据。

UMLS 由三大组件构成。Metathesaurus 是核心数据库：它把不同源词表中表达同一含义的名称归组到同一 CUI 下，并保留每个原子（atom）的源词表（SAB）、源编码（CODE）与词目/字符串层级（LUI/SUI/AUI），从而实现「同一概念的多词表视图」。Semantic Network 提供统一分类层：125 个语义类型（Semantic Type，如 Clinical Drug、Disease or Syndrome、Anatomical Structure）以 is-a 层级组织，54 种语义关系（causes、treats、diagnoses 等）定义类型间的合法连接；每个 Metathesaurus 概念至少被赋予一个语义类型（MRSTY 表）。SPECIALIST Lexicon 与 Lexical Tools 是 NLP 词法基础设施：25 万+ 词条、40 万+ 变体的句法/形态/拼写信息，支撑词形归一与拼写变体处理。

数据以 RRF（Rich Release Format）制表符分隔文件分发，每半年一个大版本（2026AA、2026AB）。2026AA Full Release 压缩包 5.3 GB（解压 40.1 GB），其中最常用单文件 MRCONSO.RRF 解压后 2.2 GB，包含 200+ 源词表的名称、编码与概念映射。配套的 MetamorphoSys 工具支持按源词表、语义类型、抑制状态定制子集；NLM 亦提供免安装的预计算子集（Full Subset、Level 0 Subset 等）与 UTS REST API 在线访问。

许可采用签署制免费模式：用户在 UTS（Unified Terminology System）注册并签署 UMLS Metathesaurus License 后即可下载。源词表按限制程度分为 Level 0（无附加限制）至 Level 3+（额外限制）；SNOMED CT 的美国分发以 UMLS License 附录 2（SNOMED CT Affiliate Licence Agreement）为法律载体——这使 UMLS 成为美国用户获取 SNOMED CT 的法定通道。NLM 自身亦在 PubMed（MeSH 检索扩展）与 ClinicalTrials.gov 中使用该体系。

对 AI 团队而言，UMLS 的价值集中在四个场景：其一，概念链接的目标空间——临床文本实体归一到 CUI，天然获得跨词表覆盖；其二，同义词扩展——检索与匹配任务的低成本增强；其三，语义类型分类——125 类型为实体分类提供弱监督标签；其四，词法工具链——SPECIALIST 使医学文本的词形归一摆脱通用 NLP 工具的领域失配。

§1.2 战略价值

互操作的罗塞塔石碑：医院内部多系统（HIS/LIS/RIS）各自使用不同词表，UMLS 的 CUI 与跨词表映射是编码互转的事实工具。
医学 NLP 的公共分母：MetaMap、SemRep 等经典工具以 UMLS 为目标空间；三十余年文献中大量 NLP 基准以 CUI 为标注单元——可比性无可替代。
同义词扩展的低成本方案：一个 CUI 平均挂 4 个名称（1370 万/344 万），检索召回扩展几乎零成本。
语义类型弱监督：125 个语义类型为实体分类、关系抽取预训练提供大规模免费标签。
法定通道属性：美国用户获取 SNOMED CT 必经 UMLS License；这使得 UMLS 成为术语基础设施的法律与工程双重枢纽。

§1.3 同类数据集横向对比

体系	维护方	规模	组织方式	定位差异
UMLS Metathesaurus	NLM	344 万 CUI	跨词表归组集成	集成枢纽（映射层）
SNOMED CT	SNOMED International	约 36 万概念	单词表本体	临床表达（可推理本体）
MeSH	NLM	约 3 万主题词	层级叙词表	文献标引（PubMed）
LOINC	Regenstrief/HL7	10 万+ 术语	检验观察编码	实验室语义
RxNorm	NLM	约 13 万规范名	药物规范化	处方归一（本身也是 UMLS 源）
ICD-10-CM	CDC/NCHS	约 7 万码	统计分类	报销/统计（UMLS 源）
CPT	AMA	约 1 万码	操作编码	美国计费（UMLS 源）

与本文互链的站内条目：snomed-ct、loinc、
与本文互链的站内条目：snomed-ct、loinc、mimic-iii、mimic-iv、clinicaltrials-gov、p、mimic-iv、d-ct、loinc、mimic-iii、mimic-iv、clinicaltrials-gov、pubmedqa、medqa、radgraph、drugb、i、mimic-iv、clinicaltrials-gov、pubmedqa、medqa、radgraph、drugbank、faers、medqa、radgraph、s-gov、pubmedqa、medqa、radgraph、drugbank、faers、gwas-catalog、open-targe、faers、gwas-catalog、open-targets。

§1.4 版本时间轴

时间	事件
1986	NLM 馆长 Donald Lindberg 发起 UMLS 项目
1989	首版发布（实验性）
1990s	Metathesaurus/Semantic Network/SPECIALIST 三组件定型
2004AA	历史文件（MRCONSO_HISTORY 等）机制建立
2000s	RRF 成为标准分发格式；MetamorphoSys 定制工具发布
2010s	半年发布节奏（AA/AB）定型；UTS REST API 上线
2024AB	预计算子集开始包含 obsolete/suppressible 内容
2026-05-04	2026AA 发布：344 万概念 / 1370 万名称 / 199 源词表（本文口径）

§1.5 典型应用场景

医院编码互转：ICD-10-CM ↔ SNOMED CT ↔ LOINC 经 CUI 桥接，支撑报表与临床数据复用。
临床文本概念链接：病历实体 → CUI 归一 → 跨院语义对齐（医疗 NLP 标配管线）。
文献检索扩展：以 CUI 同义词扩展查询词，PubMed 类系统的基础做法。
药物知识联动：RxNorm 为枢纽连接处方、药品库与不良事件（FAERS）。
语义类型分类器：以 MRSTY 标签训练生物医学实体分类模型。
术语学治理：医院术语服务器（如 Epic/Siemens 类产品）以 UMLS 做跨词表底座。

§1.6 组件全景与标识符体系

组件	内容	角色
Metathesaurus	概念/名称/关系/映射（RRF 文件族）	跨词表数据层
Semantic Network	125 语义类型 + 54 语义关系	统一分类层
SPECIALIST Lexicon	词条/变体/句法信息	NLP 词法层
Lexical Tools	词形归一、拼写变体工具	NLP 工具层
MetamorphoSys	子集定制/安装器	分发工具层
UTS REST API / Browser	在线查询	服务层

标识符层级（四层嵌套）：

标识符	格式	层级	语义
CUI	C+7 位	概念层	同义名称的归组单元（跨词表）
LUI	L+7 位	词目层	词形变体归组
SUI	S+7 位	字符串层	精确字符串
AUI	A+7 位	原子层	源词表×编码×字符串的最小单元
TUI	T+3 位	语义类型	Semantic Network 类型标识

归组逻辑：同义字符串 → 同一 CUI；每个原子（AUI）携带源词表（SAB）与源编码（CODE）——「概念的多词表视图」由此实现。

§1.7 UMLS 与 SNOMED CT 的法律-数据双重关系

UMLS 与 SNOMED CT 的关系是医学术语工程中最容易被误读的一组关系——它同时是法律通道关系与数据集成关系，两条线索的适用场景不同，混为一谈会导致合规判断与架构设计双双出错。

线索一：法律通道（美国属地）

美国（及其领地）的用户获取 SNOMED CT 国际版与美国版的法定通道之一就是 UMLS Metathesaurus License——签署 UMLS License 时，附录 2 即为 SNOMED CT Affiliate Licence Agreement，一次签署同时生效。
这意味着：若项目同时需要 CUI 词典与 SNOMED 概念，从 UMLS Full Release 一并获取是法律成本最低的路径（一次尽调、一份协议）。
但反方向不成立：签 UMLS License 不等于获得了 SNOMED 在其他属地的分发资格——非美国属地仍需通过当地 Member Licensee（国家中心）渠道，UMLS 附录 2 不覆盖。
工程留痕：凡产品说明中提及「SNOMED CT 数据来自 UMLS 2026AA」，应同时注明「美国属地分发，经附录 2」——这句话在合规审计中是免罚性陈述，缺失则是风险敞口。

线索二：数据集成（全球通用）

SNOMED CT 是 Metathesaurus 的 199 个源词表之一（SAB=SNOMEDCT_US / SNOMEDCT_VET 等变体）：SNOMED 的每个进入 Metathesaurus 的概念获得 CUI，其层级（is-a）以 CHD/PAR 关系进入 MRREL。
集成的粒度是概念级而非表达式级：SNOMED 的后组配表达式（如「阑尾切除术伴腹腔镜入路」的组合编码）在 Metathesaurus 中以预组配概念出现——表达式级组合逻辑不随行。
集成的时差：SNOMED 国际版 2026 起月度发布，UMLS 半年打包——UMLS 2026AA 中携带的 SNOMED 版本落后于 SNOMED 官网最新版，做「最新 SNOMED 概念」类应用必须直连 SNOMED 官方分发（MLDS）而非 UMLS。
集成的取舍：NLM 编辑会对 SNOMED 原子做 suppressible 处理（废弃/抑制概念不进默认视图）——以 UMLS 为 SNOMED 数据源时，看到的 SNOMED 是「NLM 剪辑版」，与 SNOMED 官方 RF2 快照的行数对不上是正常现象，不是数据丢失。

工程决策表：从哪里取 SNOMED

场景	推荐数据源	理由
美国属地 + 需要跨词表 CUI	UMLS Full Release	一次签署双词表
任意属地 + 只要 SNOMED	SNOMED MLDS 官方 RF2	版本最新、属地许可直达
概念链接任务（输出 CUI）	UMLS MRCONSO	SNOMED 原子自带 CUI
本体推理（表达式/引用集合）	SNOMED RF2 + Snowstorm	UMLS 不含表达式层
跨词表映射工程	UMLS MRMAP/MRREL	官方映射在此
非美国属地 + 要 UMLS	UTS 签署 + 属地 SNOMED 渠道并行	两份许可各管各的

一句话判据：把 UMLS 当「法律+数据的一站式美国通道」，把 SNOMED 官方分发当「最新全量本体」——两个角色各自成立，互相不可替代。

§2 医学背景

§2.1 概念归组的方法论与已知局限

归组机制：编辑团队 + 自动化流程基于源词表映射、词汇规则与人工评审将跨源原子归入同一 CUI。
过归组（over-merging）：语义相近但临床有别的名称被并入同一 CUI（如某些同名异义药物条目）。
欠归组（under-merging）：同一概念的不同拼写/译名分属多个 CUI。
工程对策：以 suppressible 标记（OBS/S 原子）过滤噪声；关键应用以人工评审的映射子集为准；2024AB 起预计算子集包含 obsolete/suppressible 内容，便于自行清洗。

§2.1b Semantic Network 的分类哲学

与源词表层级的关系：语义类型独立于源词表层级——「Addison 病」无论来自哪个词表都被赋予 Disease or Syndrome 类型；这提供跨词表的一致分类。
五大非层级关系族：物理相关（physical_related）、空间相关（spatially_related）、时间相关（temporally_related）、功能相关（functionally_related）、概念相关（conceptually_related）——54 种关系按族组织。
使用边界：语义关系是「类型间合法连接」的元层定义，不是概念级因果知识——把「treats」当作药物-疾病因果事实直接用于决策是常见误用。

§2.2 SPECIALIST Lexicon 与词法处理

内容：常见英文词汇 + 生物医学术语，含形态（单复数/时态/派生）、拼写（英美变体）、句法（补语结构）信息。
Lexical Tools：词形归一（norm）、拼写变体生成、词汇变体程序（LVG）等——医学文本预处理的公共底座。
NLP 价值：医学文本大量存在拉丁复数（nucleus/nuclei）、药物名拼写变体（estrogen/oestrogen），通用分词与词干化工具失配严重，SPECIALIST 是领域修正的标准答案。

§2.3 AI 任务定义

任务	输入	输出	评测思路
概念链接（CUI 归一）	实体表面形式 + 上下文	CUI	人工标注病历集 CUI F1
语义类型分类	实体文本	TUI	MRSTY 标签作弱监督金标
跨词表映射	源词表编码	目标词表编码	MRREL/MRMAP 映射文件做金标
同义词扩展	查询词/编码	同 CUI 名称集合	检索召回率提升验证
词形归一	医学词形	规范形式	SPECIALIST 工具输出为基线
关系抽取预标注	文献句子	语义关系候选	SemRep 输出 + 人工评审

§2.4 覆盖领域

强项：疾病/症状、药物（RxNorm 全量）、检验（LOINC 全量）、解剖（含 FMA）、微生物、文献标引（MeSH 全量）。
相对薄弱：护理过程语义、中医证候、部分区域特有编码体系（以国家扩展补位）。
语言：英语为主；部分源词表带多语言名称（西班牙语、法语、德语、荷兰语等）但覆盖不均。

§2.5 临床与研究价值

对医院信息科：多系统编码对账（reconciliation）的公共工具；数据仓库术语层的事实底座。
对研究者：跨词表研究人口与方法的公共映射层；系统性综述检索扩展。
对 AI 团队：CUI 是医疗 NLP 结果可比性的公共键——发布模型结果标注 CUI 版本（如 2026AA）已成为领域惯例。

§2.6 金标准与参考实现

金标准定位：CUI 归组本身即「跨词表同义」的工作金标（有已知误差但无替代者）；MRMAP/MRREL 官方映射文件是映射类任务金标。
参考实现：MetaMap（文本→CUI 抽取）、SemRep（语义三元组）、MetamorphoSys（子集定制）为 NLM 官方工具链。
学术基线：概念链接任务以 n2c2/MedMentions 类标注语料（CUI 标注）为基准；MedMentions 是大规模 CUI 链接公开基准。

§2.7 MetaMap 与 SemRep：NLM 官方工具链

UMLS 不只是数据集——NLM 围绕它维护了两件「官方参考实现」，它们定义了「UMLS 该怎么用」的社区共识基线，也是绝大多数医学 NLP 论文的预处理起点。

MetaMap：文本 → UMLS 概念

定位：把生物医学文本中的名词短语映射到 Metathesaurus 概念（CUI）——是「概念链接/实体链接」任务的祖师爷级参考实现（Java 版 MetaMap、轻量 MetaMapLite 两个发行）。
管线：分句 → 浅句法解析 → 名词短语生成 → 变体生成（SPECIALIST 词法）→ 候选检索 → 以中心词匹配与歧义消解打分 → 输出概念映射（含 CUI、语义类型、评分）。
为什么仍是基线：结果可复现、语义类型过滤内置、评分可调——20 余年的论文都用它做预处理，可比性是其生命线；深度学习链接器（SapBERT 类）论文同样以 MetaMap 输出做召回对照。
工程注意：MetaMap 版本与 UMLS 版本必须配对（2026AA 数据配 2026AA 版 MetaMap）；默认词典是全量 Metathesaurus，内存与速度代价大——生产中通常用 Semantic Type 过滤参数缩小候选空间。

SemRep：文本 → 语义关系三元组

定位：在 MetaMap 之上做关系抽取——以 Semantic Network 的 54 种关系为输出空间，从句子中抽取「主语概念 - 语义关系 - 宾语概念」三元组（如药物-TREATS-疾病）。
价值：把文献（PubMed 千万级摘要）转成结构化知识的大规模管道——NLM 的 SemMedDB 类资源即由此产生；对知识图谱预训练与 RAG 语料构建是免费的弱监督来源。
边界（呼应坑点 4）：SemRep 输出的 TREATS/CAUSES 是「文本中出现过这种陈述」的证据，不是临床验证的因果——入图谱时必须保留出处的 PMID 级溯源。

工具链协作全景

PubMed 摘要 / 病历文本
   │
   ├─ SPECIALIST Lexical Tools（词形归一 norm / 变体生成 varcon）
   │        ↓
   ├─ MetaMap / MetaMapLite（概念链接 → CUI + TUI + 评分）
   │        ↓
   ├─ SemRep（关系抽取 → 三元组，54 关系空间）
   │        ↓
   └─ 产物：CUI 标注语料 / 三元组知识库
            （训练数据：为深度学习链接器与图谱模型供料）

自建 vs 官方：新模型（编码器链接器、LLM 链接）应把 MetaMap 输出当「召回下界」对照——若自建管线在精确率上不及 MetaMap，先怀疑自己的词法处理没对齐 SPECIALIST，再怀疑模型。

§2.8 NLM 官方自用：PubMed 与 ClinicalTrials.gov

「UMLS 有什么用」最有说服力的答案来自 NLM 自己的旗舰系统——两个全球最大规模的医学信息基础设施都把它作为核心语义层，这既是压力测试也是最佳实践参考。

PubMed：文献检索的语义底座

查询处理：用户输入的自由文本查询经词法归一（SPECIALIST）与概念映射（Metathesaurus/MeSH 交叉表）转换为受控检索表达式——「heart attack」类口语词被映射到 MeSH 副主题树，实现召回扩展。
同义词扩展的规模参照：PubMed 每日处理百万级查询，其扩展逻辑长期依赖 UMLS 的同义词面——这是「同义词扩展」配方（§5.6 配方 1）在工业规模上的官方验证。
复制提示：站内检索系统复制 PubMed 模式时，扩展词典直接用 MRCONSO（过滤后），不必重新标注。

ClinicalTrials.gov：注册数据的归一层

病种归一：注册的 conditions 字段是自由文本（研究者手填），NLM 用 UMLS 语义工具将其链接到 MeSH/CUI，支撑「按疾病检索试验」——这正是本库 clinicaltrials-gov 条目中「conditions 自由文本需归一」坑点的官方解法。
干预归一：interventions 字段同理——药物名经 RxNorm（UMLS 源词表）归一，器械与术式经各自词表归一。
对 AI 的启示：试验-患者匹配（trial matching）系统的标准架构就是在这一归一层上做语义对齐——CUI 是患者诊断编码与试验入组标准之间的公共键。

两个系统的共同经验

经验	说明	对自建系统的启示
词典过滤从严	官方系统只用未抑制、首选形式的原子	TS=P + SUPPRESS=N 是起点而非可选项
版本锁定	系统升级随 UMLS 半年节奏显式切换	检索质量回归测试纳入版本升级流程
人工反馈闭环	检索点击/注册纠错反馈回 NLM 编辑	自建系统保留人工纠错队列
扩展有界	同义词扩展限制在映射置信度高的 CUI	盲目全量扩展引入噪声召回

引用价值：写方案/论文时，「PubMed 与 ClinicalTrials.gov 的语义层即 UMLS」是最强的工程背书——它证明这套数据与工具在生产规模（十亿级日查询、百万级注册试验）下可靠。

§3 数据集规格

§3.0 版本抉择矩阵

使用目标	推荐通道	理由
概念链接/NLP	MRCONSO.RRF（单文件起步）	名称/编码/概念一表打尽
术语映射工程	Full Subset + MRREL/MRMAP	关系与映射全量
快速原型	Level 0 Subset	无附加限制源，1.9 GB
在线查询	UTS REST API / Browser	免安装
词法归一	SPECIALIST + Lexical Tools	独立下载使用
需要历史回溯	History Files	2004AA 起删除记录

§3.1 模态详情

数据层	内容	核心文件	AI 可用形态
概念-名称层	原子/词目/字符串/概念层级	MRCONSO.RRF	同义词词典、归一目标空间
关系层	概念间关系（跨源+源内）	MRREL.RRF	知识图谱三元组
语义类型层	CUI→TUI 标注	MRSTY.RRF	分类弱监督标签
映射层	源词表间官方映射	MRMAP.RRF / MAPRESTY	编码互转规则
源词表元数据	版本/层级/许可属性	MRSAB.RRF	许可合规检查
词法层	词条/变体/句法	SPECIALIST 文件族	词形归一工具
语义网络层	类型定义/关系定义	SRDEF/SRSTR	元层知识

§3.2 按子集样本数

子集	数量	口径
概念（CUI）	约 344 万	2026AA
唯一名称	1370 万	2026AA
源词表	199	2026AA
语义类型	125	Semantic Network 当前
语义关系	54	Semantic Network
SPECIALIST 词条	25 万+（40 万+ 变体）	2026AA
历史文件起始	2004AA	官方

§3.3 格式对照

通道	格式	适用	注意
Full Release	RRF zip	全量研究	40.1 GB 解压；MetamorphoSys 需 40 GB+ 磁盘
Full Subset	RRF（含载入脚本）	直接入库	MySQL/Oracle 脚本就绪
Level 0 Subset	RRF	低摩擦起步	仅无附加限制源
MRCONSO.RRF 单文件	RRF	NLP 快速起步	2.2 GB 解压
UTS REST API	JSON/XML	在线查询	限额；需 UTS 账号
Metathesaurus Browser	网页	人工查证	版本随最新发布

§3.4 存储大小

项目	量级	说明
Full Release	5.3 GB 压缩 / 40.1 GB 解压	2026AA
Metathesaurus Full Subset	5.4 GB / 38.0 GB	含 MySQL/Oracle 脚本
Level 0 Subset	1.9 GB / 10.5 GB	最低摩擦
MRCONSO.RRF	492 MB / 2.2 GB	最常用单文件
MetamorphoSys 运行	40 GB+ 磁盘 / 2-10 小时	定制子集成本
入库后数据库	60-100 GB 级	MySQL 全量经验值

§3.5 标注方式

概念归组：NLM 编辑团队 + 自动化流程（源映射继承、词汇规则、人工评审）。
语义类型：每概念至少一个 TUI（规则 + 人工校正）。
源词表内容：由各源（SNOMED International、Regenstrief、AMA 等）按协议供给，NLM 做归组与格式统一。
抑制标记：过时/冗余原子标 suppressible，保留但不推荐使用。

§3.6 标注者资质与一致性

NLM 术语学编辑 + 各源词表维护机构协作；医学索引与词表学专业性要求高。
归组一致性依赖评审流程；跨源语义边界判断（尤其药物与疾病细粒度概念）存在已知争议区。
语义类型分配以规则为主、人工为辅，边缘概念存在多类型争议。

§3.7 采集周期

半年大版本（AA = 约 5 月；AB = 约 11 月）；各源词表按自身节奏供给，NLM 统一打包。
历史文件按版本累积（2004AA 起）。

§3.8 地域覆盖

全球使用；英语为主干，含多语言源名称（西/法/德/荷等）。
美国法定词表（ICD-10-CM、CPT、RxNorm）全量覆盖是 UMLS 在美国卫生系统渗透率高的直接原因。

§3.9 设备规格

个人分析：MRCONSO.RRF + pandas/SQLite（16 GB 内存可处理）。
全量入库：MySQL/Oracle 60-100 GB 级数据库，16-32 GB 内存服务器。
MetamorphoSys 定制：40 GB+ 空闲磁盘、2-10 小时处理时间。

§3.10 深度溯源链

层级	实体	溯源要点
L0	立项	1986 年 NLM（Donald Lindberg）发起
L1	治理	NLM 编辑 + 源词表协议（授权协议逐源签署）
L2	源词表	SNOMED CT（附录 2）、LOINC、MeSH、RxNorm、ICD-10-CM、CPT 等 199 源
L3	分发	UTS 下载 / REST API / Browser
L4	本文口径	2026AA 官方文档与下载页（2026-05-04）

§3.11 RRF 核心文件清单

文件	一行 =	关键列	AI 用途
MRCONSO.RRF	一个原子	CUI/LUI/SUI/AUI/STR/SAB/CODE/ISPREF	词典构建
MRREL.RRF	一条关系	CUI1/REL/CUI2/SAB/RELA	三元组/映射网络
MRSTY.RRF	一条类型标注	CUI/TUI	语义分类标签
MRMAP.RRF	一条映射	MAPSETCUI/MAPSETSID/FROM/TO	编码互转
MRSAB.RRF	一个源版本	RSAB/VCUI/VSAB/SRL	源版本/许可层级
MRDEF.RRF	一条定义	CUI/DEF/SAB	概念定义文本
MRXW_* / MRXNS_*	词汇索引	LAT/TERM/CUI/LUI/SUI	大小写/词形索引入口
SRDEF	语义类型/关系定义	TUI/RTN/DEF	语义网络元层

§3.12 源词表许可分层

层级	含义	代表源	对 AI 的意义
Level 0	无附加限制	MeSH 等	可自由再分发（遵循主许可）
Level 1	需报告中报	部分专科源	用途申报义务
Level 2	附加用途限制	CPT 类商业源	商用需额外授权
Level 3+	更严格限制	含 SNOMED CT（附录 2）	属地许可叠加

工程建议：仅做通用 NLP 时优先 Level 0 子集；需 SNOMED 时按附录 2 完成属地确认；CPT 类计费编码商用前必须单独授权。

§3.13 与 SNOMED CT 分发的法律关系

UMLS License 附录 2 = SNOMED CT Affiliate Licence Agreement——美国用户签 UMLS License 即同时获得 SNOMED 美国分发的法律资格。
这一条款使 UMLS 成为「一次签署、双词表到手」的通道；但 SNOMED 部分的用途限制以附录 2 为准（更严格）。
对 AI 的意义：训练数据含 SNOMED 原子时，合规依据是附录 2 而非主许可。

§3.14 MetamorphoSys 操作手册（子集定制）

MetamorphoSys 是官方子集定制器——从 Full Release 出发，按源词表、语言、suppressible 策略裁剪出贴合业务的 Metathesaurus 子集。它是 Java 桌面程序，随 Full Release 打包（目录树中的 mmsys/）。

标准操作序列

1. 解压 Full Release（40 GB 级磁盘余量，先 df -h 确认）
2. 运行 mmsys/install.sh（Linux/macOS）或 install.bat（Windows）
3. 选择 「Create UMLS Metathesaurus Subset」
4. 指定输入目录（2026AA-full 所在路径）与输出目录
5. 载入默认配置后进入 Options：
   a. Source List：勾选保留的源词表（SAB 清单）
      —— 删 CPT/SNOMED 可同时解决许可与体积问题
   b. Suppressibility： Exclude suppressed concepts
      —— TS=S/OBS 原子出局（词典干净化关键开关）
   c. Language：仅保留 ENG 可砍掉约半数原子
   d. Relationships：默认保留全部；做链接任务可只留 CHD/PAR/RO
6. Begin Subsetting → 等待（2-10 小时，取决于裁剪力度与磁盘）
7. 产物校验：输出目录含 RRF 文件族 + 载入脚本 + 统计日志

参数决策参考

决策点	保守（全保）	激进（瘦子集）	风险
源词表	仅删 Level 2/3 受限源	只留 MeSH+RxNorm+SNOMED	激进后跨源映射能力下降
suppressible	保留（自行过滤）	排除	排除后无法复现官方全口径统计
语言	全留	仅 ENG	多语言评测无法进行
关系	全留	仅层级	RO 类关联消失影响图谱任务
定义	全留	仅 MMSO 首选定义	定义覆盖下降

故障与对策

中途磁盘写满：MetamorphoSys 无断点续跑——清理后从头再来；先给输出目录双倍预估空间。
Java 堆不足：定制大子集时 install.sh 内默认 JVM 参数不够，改 _JAVA_OPTIONS="-Xmx16g" 再启动。
容器内运行：需图形界面（Swing），无头环境用 Xvfb 转发；更工程化的替代是放弃 MetamorphoSys、直接用脚本按 MRSAB.SRL 与 SUPPRESS 过滤 RRF——效果等价且可版本化（多数 AI 团队的实际选择）。
产物验证清单：行数对账（输出 MRCONSO 行数 = 输入 × 预期保留率）；许可对账（输出 MRSAB 无未授权源）；抽样 100 CUI 检查原子完整性。
决策建议：AI 团队可以把 MetamorphoSys 视为「一次性学习工具」——用它理解过滤语义，然后脚本化复刻其逻辑进 CI；长期依赖桌面式定制器不利于可重复研究。

§4 数据结构

§4.0 目录树

umls-2026AA-full/
├── 2026AA-full/                       # 解压后根目录
│   ├── META/                          # Metathesaurus RRF 文件族
│   │   ├── MRCONSO.RRF                # 概念名称（最常用）
│   │   ├── MRREL.RRF                  # 概念关系
│   │   ├── MRSTY.RRF                  # 语义类型标注
│   │   ├── MRMAP.RRF                  # 映射
│   │   ├── MRSAB.RRF                  # 源词表元数据
│   │   ├── MRDEF.RRF                  # 定义
│   │   └── MRXW_ENG.RRF 等            # 词汇索引
│   ├── NET/                           # Semantic Network
│   │   ├── SRDEF                      # 类型/关系定义
│   │   ├── SRSTR                      # 层级结构
│   │   └── SRSTRE1                    # 关系实例
│   ├── LEX/                           # SPECIALIST Lexicon
│   │   ├── LEX                        # 词库主文件
│   │   └── ...
│   ├── ETCSUBSET/                     # 示例子集
│   ├── etc/                           # 配置
│   ├── mmsys/                         # MetamorphoSys 程序
│   └── README / RELEASE NOTES

§4.1 DAIMS 字段字典

字段	类型	语义	AI 提示
CUI	C+7 位	概念唯一标识	全局主键；跨源归组单元
STR	文本	名称字符串	词典主体；含大小写变体
SAB	缩写	源词表（RSAB）	源过滤与许可检查
CODE	文本	源编码	与源系统对账的桥
ISPREF	Y/N	源内是否首选	词典排序
TS	缩写	原子状态（P/S）	抑制过滤
STT	缩写	字符串类型	PF=首选形式
REL	缩写	关系类型（CHD/PAR/RO/RB/RN）	层级（CHD/PAR）与关联（RO）分流
RELA	缩写	附加关系限定（broader/narrower/xd 等）	映射方向性
TUI	T+3 位	语义类型 ID	分类标签（125 类）
DEF	文本	概念定义（MRDEF）	定义文本资产
SRL	整数	源限制层级（0-3+）	许可合规过滤

§4.2 标签分布

语义类型分布：高度长尾——Disease or Syndrome、Pharmacologic Substance、Sign or Symptom 等头部类型占概念大头；稀有类型（如 Manufactured Object 子类）仅数千概念。
源词表分布：MeSH/RxNorm/SNOMED CT/CSP 等大源贡献多数原子；长尾源仅数百原子。
关系分布：CHD/PAR 层级关系与 RO 关联关系为主；跨源映射关系（XD/XS 类 RELA）集中于映射源。

§4.3 关键统计

统计项	数值	口径
概念（CUI）	约 344 万	2026AA
唯一名称	1370 万	2026AA
源词表	199	2026AA
语义类型 / 关系	125 / 54	Semantic Network
SPECIALIST 词条 / 变体	25 万+ / 40 万+	2026AA
Full Release 大小	5.3 GB 压缩 / 40.1 GB 解压	2026AA
MRCONSO.RRF	492 MB 压缩 / 2.2 GB 解压	2026AA
发布节奏	半年（AA/AB）	官方

§4.4 数据层级

原子层（AUI）：源词表×编码×字符串的最小事实单元。
概念层（CUI）：同义归组后的语义单元——绝大多数 AI 任务的键空间。
类型层（TUI）：125 语义类型的分类标注。
元层（Semantic Network）：类型/关系的定义与约束。

§4.5 缺失值处理与信息性缺失编码

suppressible 原子：标 TS=S/OBS 的原子不参与默认统计——过滤与否必须显式声明（2024AB 起子集包含它们）。
无定义概念：MRDEF 仅覆盖部分概念；无定义是常态而非数据缺失。
多语义类型概念：一概念多 TUI 属正常（如某些化学物质兼具药物类型）；分类任务需多标签处理。
映射缺失：并非所有源间都有 MRMAP 映射；跨源对齐需经 CUI 中转（两跳映射）。
STR 大小写变体：同一词目的大小写/词序变体共享 SUI 之外的变体标记——词典去重应在 LUI/SUI 层而非字符串字面层。

§4.6 原子-词目-字符串三层模型

CUI C0001613（concept）
├── LUI L0001613（词目：nitric oxide）
│   ├── SUI S0001613a（字符串："Nitric Oxide"）
│   │   ├── AUI A0001613a（MeSH 原子：D019336）
│   │   └── AUI A0001613b（RxNorm 原子：…）
│   └── SUI S0001613b（字符串："nitric oxide"）
└── LUI L0001614（词目：nitrogen monoxide）
    └── SUI ...（AUI 来自 SNOMED CT 原子）

这一四层标识符模型是 UMLS 精度的来源：NLP 的词典匹配在 SUI 层做，编码对账在 AUI 层做，语义任务在 CUI 层做——层级混用是事故之源。

§4.7 MRCONSO.RRF 十八列逐列详解

MRCONSO 是 UMLS 的「门面文件」——概念链接、词典构建、编码对账全部从它开始。它没有表头、以竖线分隔、每行一个原子，共 18 列。逐列语义与工程含义：

#	列名	类型/示例	语义	工程含义
1	CUI	C0001613	概念 ID	全局主键；分组键
2	LAT	ENG/SPA/GER…	原子语言	语言过滤第一列
3	TS	P/S	词目状态	S=抑制词目，默认滤除
4	LUI	L0001613	词目 ID	词形变体归组
5	STT	PF/VC/VW…	字符串类型	PF=首选形式；归一选它
6	SUI	S0016248	字符串 ID	精确字符串去重键
7	ISPREF	Y/N	源内首选	词典展示名选择
8	AUI	A0001613	原子 ID	行级主键（唯一）
9	SAUI	源内原子码	源原子标识	极少用；对账源细节时用
10	SCUI	源内概念码	源概念标识	与源官方「概念」对账
11	SDUI	源内描述码	源描述标识	SNOMED 类描述学源有用
12	SAB	SNOMEDCT_US/RXNORM…	源词表 RSAB	源过滤 + 许可（配 MRSAB）
13	TTY	PT/SY/EN/MH…	源内术语类型	PT=首选术语；SY=同义词
14	CODE	40464003 等	源编码	与源系统互转的桥
15	STR	nitric oxide	名称字符串	词典正文
16	SRL	0-4	源限制层级	许可过滤（≥1 需查条款）
17	SUPPRESS	N/E/O/Y	抑制标志	Y/O 默认滤除；E=可编辑抑制
18	（行尾竖线）	—	分隔符收尾	解析时忽略最后空字段

五条高频解析错误与自检

列位错一：跳过任何一列（如把 SAUI 当 SCUI）——所有后续列左移一格，STR 读到 TTY。自检：断言第 12 列取值在 SAB 枚举内。
竖线出现在 STR 内：官方保证 RRF 内竖线已转义，但历史版本偶见裸竖线——按 18 列切分后校验行内字段数=18（含末尾空字段 19 段）。
把 TTY 当许可信息：TTY 是源内术语类型（PT/SY），与许可无关——许可看 SRL（16 列）与 MRSAB。
LAT 过滤遗漏：只过滤 SUPPRESS 不过滤 LAT，会把西班牙语名称混进英语词典——词典构建双过滤必须同时声明。
AUI 重复假设：AUI 在文件内唯一，但跨版本会重排——以 AUI 做跨版本追踪不可靠，跨版本用 CUI+（SAB,CODE）或 HISTORY 文件。

常用派生视图

视图 A（概念链接输出层）：LAT=ENG AND TS=P AND SUPPRESS=N AND ISPREF=Y
        → 每个 CUI 一行首选英文名（约 1/10 体量）
视图 B（编码对账层）：SAB ∈ {目标源} AND SUPPRESS=N
        → (SAB, CODE, CUI) 三列即跨源对账表
视图 C（词典全文层）：LAT=ENG AND SUPPRESS=N（含同义词）
        → CUI-STR 倒排索引，供候选召回

§4.8 MRSAB 与周边文件速查

MRCONSO 之外，四个文件承担「元数据+关系+类型+映射」职责——按使用频率排序速查：

MRSAB.RRF（源词表元数据，许可合规核心）

每行一个「源词表×版本」记录：RSAB（缩写，如 SNOMEDCT_US）、VCVER（版本）、SRL（限制层级 0-4）、CUI（词表自身概念化）、ORIGIN/RESTRICTION 等列。
高频查询：SELECT RSAB, SRL, VCVER FROM MRSAB WHERE CURVER='Y' ——当前版本全源清单，许可尽调第一步。
陷阱：一个 RSAB 会有多行历史版本记录（CURVER=Y 过滤）；SRL 与 MRCONSO 第 16 列数值一致但以 MRSAB 为准。

MRREL.RRF（概念间关系）

每行一个关系对：CUI1/REL/RELA/CUI2/SAB——CHD/PAR 为层级、RO 为关联、RB/RN 为更宽/更窄、XD/XS 为跨源映射标记。
体量最大（亿行级），加载与索引成本高于 MRCONSO；做知识图谱前先按 SAB 与 SUPPRESS 过滤。
陷阱：REL 与 RELA 是两级语义（REL=RO 时 RELA 才是 has_form 之类细粒度）——只用 REL 会丢失关系含义。

MRSTY.RRF（语义类型标注）

每行一个「CUI-TUI」对：C0001613|T121|Pharmacologic Substance|…——多标签（一概念多行）。
高频用法：类型过滤（只要药物/疾病/检验概念）、分类弱监督、语义类型先验（§6.3 重排）。

MRMAP.RRF（官方映射，有向）

每行一个映射规则：MAPFROM/MAPTO/MAPTYPE/MAPRULE/MAPSET——SNOMED↔ICD-10-CM、MeSH↔CPT 等高价值映射在此。
陷阱：MAPRULE 是条件逻辑（TRUE { 编码 }）不是查表——需要规则引擎解释；映射有方向（FROMSAB→TOSAB）。

四文件联合使用模式

词典构建：MRCONSO（名称） + MRSTY（类型过滤）
知识图谱：MRREL（三元组） + MRSTY（节点类型） + MRSAB（源过滤）
编码互转：MRMAP（官方映射优先） + MRCONSO（CUI 中转兜底）
许可审计：MRSAB（SRL 分层） + MRCONSO.SRL（行级复核）

§5 划分与使用建议

§5.1 官方划分

UMLS 无 ML 划分；官方提供的是子集机制：Level 0（许可最松）、Full Subset（全量）、语义类型过滤子集（MetamorphoSys 生成）。

§5.2 社区惯例划分

MedMentions 型划分：以文献摘要为文档单元，随机划分训练/开发/测试——同文档 CUI 不得跨集。
按源词表切分：训练于 MeSH/RxNorm 源原子、测试于 SNOMED 源——检验跨源泛化。
按语义类型切分：留出完整 TUI（如全部 Laboratory Procedure）评估类型外推。
按版本切分：2025AB 训练、2026AA 测试——检验新概念时代的退化。

§5.3 泄漏风险（重点）

同义词泄漏：同一 CUI 的不同名称若分属训练与测试，词典模型直接作弊——以 CUI 分组划分。
同文档泄漏：MedMentions 类文献标注中，同篇文档反复出现的同一 CUI 必须同侧。
版本泄漏：历史文件（HISTORY）含被删除原子，混入训练会引入「现代不存在的概念」。
映射泄漏：映射补全任务中，MRMAP 的映射对若与测试对共享源/目标概念簇，会产生家族性泄漏。

§5.4 交叉验证建议

# 概念链接任务：按 CUI 分组 + 按文档分组的双约束划分
from sklearn.model_selection import GroupKFold
# groups1 = 文档 ID（同文档同侧）
# groups2 = CUI（同概念同侧）——GroupKFold 只能单约束，
# 实践中先按文档分折，再在折内检查 CUI 重叠并调折。

长尾 CUI（仅 1-2 个名称）是划分脆弱点：建议把「unseen surface form」与「unseen CUI」两类指标分开报告。

§5.5 外部验证建议

跨语料：MedMentions 训练 → 病历文本测试（体裁迁移：摘要→病历）。
跨语言：英语训练 → 西/法/德名称测试（UMLS 多语言原子）。
时间外推：2026AA 训练的链接模型在 2026AB 新概念上的表现（术语演化鲁棒性）。
下游对账：编码互转系统的输出与医院编码员人工对账结果的一致率。

§5.6 任务配方

配方 1：同义词扩展检索增强

索引侧：CUI→名称集合（MRCONSO 过滤 ISPREF 与 suppressible）。
查询侧：文本→初步实体→CUI→扩展名称→检索。
评测：医学检索基准的召回提升 + 扩展噪声率（错义扩展比例）。

配方 2：语义类型多标签分类

数据：MRSTY 弱监督（344 万概念全量标签）。
模型：生物医学编码器 + 多标签头；125 类长尾用分层采样。
校验：抽 1000 概念人工复核类型正确性（归组误差是标签噪声主源）。

配方 3：跨词表映射补全

训练：MRMAP 官方映射对 + MRREL 共现特征。
测试：时间留出（新版本新增映射）。
输出：映射候选 + 置信度，人工评审入库。

配方 4：概念定义生成（LLM）

输入：概念名称 + 语义类型 + 邻接关系。
目标：MRDEF 风格定义文本。
评测：人工盲评 + 与真定义的 ROUGE；用途是补全无定义概念的元数据。

§5.7 MedMentions 评测协议详解

MedMentions 是当前最大规模的公开 CUI 链接基准（约 4700 篇 PubMed 摘要、30 万+ 标注 span），其协议已成为「UMLS 概念链接」论文的事实标准——复现榜单前必须理解它的三个版本差异。

三个版本

版本	标注类型	候选空间	难度定位
Full	全部 Semantic Network 类型	全部 344 万 CUI	最难（长尾概念主导）
st21pv	21 个精选类型（TUI 白名单）	预筛选子集（约 12 万）	主流榜单口径
random/ sample	抽样子集	子集	快速实验用

协议要点

划分：train/dev/test = 3712/478/473 篇摘要，按文档划分——同篇摘要的 span 不跨集（防同文档泄漏）。
标注对象：每篇摘要人工标注提及 span 及其 CUI（含链接到 UMLS 的锚定）；一个 span 可能链接到特定 CUI，未在 UMLS 中的实体不标注（这本身是协议边界）。
评测指标：微平均精确率/召回率/F1，端到端（NER+归一联合）与 given-span（只归一）两种口径——比较论文时先确认口径一致。
st21pv 细节：21 类型白名单砍掉了 Chemical 之外的多数噪音类型，候选空间缩小到约 12 万概念——「在 st21pv 上 90%」与「在 Full 上 90%」完全不可比。

复现榜单的工程检查单

[ ] 版本声明：Full 还是 st21pv；候选字典构建的 UMLS 版本（2017AA 原版 vs 2026AA 复刻）。
[ ] 字典口径：是否过滤 suppressible/LAT——不同字典的召回上限差异可达数个百分点。
[ ] 口径声明：端到端 or given-span；微平均 or 宏平均。
[ ] unseen 分析：测试集中概念在训练集出现比例——跨版本复刻时未见概念比例显著更高。
[ ] 基线对照：BM25+重排、SapBERT 类编码器、LLM 提示三档基线至少复现一档。

与站内任务的对齐

榜单数字（st21pv F1 约 85-90% 区间）代表「文献摘要、白名单类型、候选有界」的理想条件；病历场景（缩写、错拼、口语化）通常会掉 10-20 个点——引用文献数字做产品预期时必须打折并注明体裁差异。

§6 AI 就绪指南

§6.0 云端快速启动

# 1) UTS 注册 + 签署 UMLS Metathesaurus License（免费）
#    https://uts.nlm.nih.gov/

# 2) 下载路径（二选一）
#    A. 完整版: umls-2026AA-full.zip (5.3 GB)
#    B. 快速起步: MRCONSO.RRF 单文件 (492 MB)

# 3) 在线 API（免下载）
curl -H "Content-Type: application/json" \
  -d '{"string":"heart attack","search":"2"}' \
  "https://uts-ws.nlm.nih.gov/rest/search/current?apiKey=$UTS_KEY&string=heart%20attack"

§6.1 快速上手（RRF 解析）

# ============================================================
# MRCONSO.RRF → 同义词词典最小构建（英语、非抑制原子）
# ============================================================
import pandas as pd

cols = ["CUI","LAT","TS","LUI","STT","SUI","ISPREF","AUI","SAUI",
        "SCUI","SDUI","SAB","TTY","CODE","STR","SRL","SUPPRESS"]
df = pd.read_csv("MRCONSO.RRF", sep="|", header=None,
                 names=cols, dtype=str, low_memory=False)

eng = df[(df.LAT == "ENG") & (df.TS == "P") & (df.SUPPRESS == "N")]
print("概念数:", eng.CUI.nunique(), "名称数:", len(eng))

# CUI → 首选名称映射（概念链接的输出可读化）
pref = eng[eng.ISPREF == "Y"].drop_duplicates("CUI", keep="first")
cui2name = dict(zip(pref.CUI, pref.STR))

§6.2 SQL 入库与分析

-- MySQL 全量载入（官方脚本）后：
-- 1) 某药物概念的全部跨源编码
SELECT SAB, CODE, STR
FROM MRCONSO
WHERE CUI = (SELECT CUI FROM MRCONSO
             WHERE STR = 'aspirin' AND TS='P' AND LAT='ENG' LIMIT 1)
  AND SUPPRESS = 'N'
ORDER BY SAB;

-- 2) 各语义类型概念计数（MRSTY）
SELECT TUI, COUNT(DISTINCT CUI) AS n
FROM MRSTY GROUP BY TUI ORDER BY n DESC;

-- 3) 层级关系抽样（CHD/PAR）
SELECT CUI1, CUI2 FROM MRREL
WHERE REL IN ('CHD','PAR') AND SUPPRESS='N' LIMIT 100;

§6.3 概念链接管线（与 SNOMED/词典协同）

文本 → 句子切分 → NER（实体 span）
     → 候选生成：SPECIALIST 归一 + MRCONSO 精确匹配 + BM25 模糊召回
     → 候选重排：上下文相似度 + 语义类型先验（MRSTY）+ 源偏好（SAB 权重）
     → 输出：CUI + 可读名称（ISPREF=Y）+ 置信度

SPECIALIST 归一是第一道闸：nitric oxide vs Nitric Oxide 的词形差异在词法层消除，降低候选数。
语义类型先验：「检验值升高」类上下文应偏向 Laboratory Procedure 类型候选。
源偏好：临床场景提高 SNOMED/RxNorm 源权重，文献场景提高 MeSH 权重。

§6.4 表格层建模建议

映射补全：以 MRMAP 已知映射对训练，特征 = 名称相似度 + 语义类型匹配 + 层级（MRREL CHD/PAR）距离。
归组质量审计：同一 CUI 内原子语义一致性建模——发现过归组簇（如同名异义药物）。
概念流行度预测：以文献共现预测概念在真实 EHR 中的使用频率。

§6.5 坑点（Pitfalls）

坑点 1：RRF 是竖线分隔且无表头
MRCONSO 等 RRF 文件用 | 分隔、无 header——pd.read_csv(sep=',') 或假设 header 会全盘错位。必须显式指定列名清单（官方 Columns and Data Elements 文档）。

坑点 2：suppressible 原子污染词典
不过滤 SUPPRESS/TS 字段会把废弃概念、历史名称混入词典——归一结果会指向「不存在于任何现行词表」的名称。默认策略：TS=P 且 SUPPRESS=N。

坑点 3：同一 CUI 的跨源编码不是等价编码
CUI 归组表示「同义」，但源编码各自属于不同计费/统计体系——把 RxNorm 码直接当 ICD 码写回计费系统是典型的集成事故。

坑点 4：语义关系 ≠ 因果知识
MRREL 的 RO/RB/RN 与 Semantic Network 的 treats/causes 是词表级关系，不是经过验证的因果事实——直接当知识图谱做推理会放大词表编纂偏差。

坑点 5：版本切换的原子蒸发
大版本会删除原子（进入 HISTORY 文件）；跨版本累积词典时必须以 HISTORY 补齐，否则旧查询在新版本上静默失败。

坑点 6：多语义类型的多标签现实
一概念多 TUI 是常态；把 MRSTY 当单标签处理会丢类型——分类任务应多标签建模。

坑点 7：许可分层被忽略
从 Full Release 直接抓取含 CPT/SNOMED 的原子用于商业产品，可能违反 Level 2/3+ 附加条款——管线内以 MRSAB.SRL 字段做许可过滤并留档。

坑点 8：MetamorphoSys 内存与时间
定制子集需 40 GB+ 磁盘、2-10 小时；在容器内运行时忘记挂载大磁盘或超时杀死是新手常见事故——优先用官方预计算子集。

§6.6 UTS REST API 要点

端点族：search（文本→CUI）、concept（CUI→原子/定义/关系）、crosswalk（跨源编码转换）、semantic-network（类型/关系元层）。
认证：UTS API key（账户中心生成）；限额按 key 计。
版本参数：/rest/search/current 或指定版本（如 2026AA）——生产系统应锁定版本，防 API 悄然升级。

§6.7 与 LLM 的集成模式

约束解码：CUI 词表约束生成（同 SNOMED 条目模式）；MRCONSO 词典做输出校验。
同义词注入：RAG 检索前以 CUI 扩展查询词（344 万概念的同义词面）。
定义增强：MRDEF 定义文本作为概念上下文注入 prompt（覆盖约部分概念；无定义概念回退到 STR + 语义类型名）。
评测：以 MedMentions 等 CUI 基准评测 LLM 概念链接能力；报告 unseen CUI 子指标。

§6.8 大规模加载的性能实践

MySQL 全量：官方 load 脚本 + innodb_flush_log_at_trx_commit=0（加载期临时）；全量约数小时。
索引策略：MRCONSO 的 (STR)、(CUI)、(SAB,CODE) 三索引是查询热路径；MRREL 的 (CUI1) 与 (CUI2) 各一。
增量更新：UMLS 无官方增量文件——半年大版本建议全量重建（词典类资产重建成本低）。

§6.9 医院编码互转实战（crosswalk 工程）

医院多系统并存是常态：HIS 用 ICD-10-CM、检验系统用 LOINC、药房用 RxNorm、病案首页要 SNOMED——「编码互转」是信息科最日常也最易踩坑的工程。UMLS 提供两条互转通道，各有适用面。

通道一：CUI 中转（通用但有两跳误差）

ICD-10-CM 码 ─MRCONSO→ CUI ─MRCONSO→ SNOMED CT 码

优点：任意源对任意源都通（344 万概念的归组即桥梁）。
代价：CUI 归组是「同义」粒度，不是「编码体系等价」粒度——ICD 的计费特异分类（如并发症分档）在 CUI 层被拉平，转回去时会丢失分档信息。
自检：对每对互转码抽查 50 例请编码员复核——「同 CUI 不同编码」的医学可互换率通常 70-90%，直接当 100% 用是事故。

通道二：MRMAP 官方映射（保真但覆盖有限）

-- 例：SNOMED → ICD-10-CM 官方映射（MRMAP）
SELECT MAPFROM, MAPTO, MAPTYPE, MAPRULE
FROM MRMAP
WHERE FROMSAB = 'SNOMEDCT_US' AND TOSAB = 'ICD10CM'
  AND MAPSUPPRESS = 'N';

优点：官方编码员维护，映射类型（MAPTYPE）与规则（MAPRULE，含 TRUE/FALSE 条件逻辑）保留语义精度——SNOMED↔ICD-10-CM 这类高价值映射对基本都有官方覆盖。
代价：只覆盖「有官方映射」的源对；规则引擎（MAPRULE 的条件判断）需要自行实现——纯查表会得到错误映射。
实现：MAPRULE 形如 TRUE { 51950009 } 或带 ICD 主诊断语境的条件——建议把规则编译成谓词表达式引擎（如 Python simpleeval）而非正则替换。

实战管线与对账

1. 建映射优先级表：MRMAP 官方映射 > CUI 两跳 > 名称相似度兜底
2. 映射质量分级输出：每个转换结果带「来源通道 + 置信度」
3. 人工对账闭环：低置信度结果进编码员队列，复核结果回写训练对
4. 版本锁定：映射随 UMLS 版本（2026AA）+ 源词表版本（如 ICD-10-CM 2026）双重锁定
5. 审计留痕：医疗计费相关转换必须可回溯（输入码、输出码、通道、版本、时间）

三条红线

计费编码（CPT/DRG 类）转换结果不得自动入账——必须人工确认（Level 2 许可 + 临床责任双重原因）。
映射方向性：MRMAP 的 FROMSAB→TOSAB 是有向的；反向使用需检查 RELA（XD/XS 类双向标记）或重查反向映射表。
版本漂移：ICD-10-CM 年度更新、SNOMED 月度更新——映射表每半年随 UMLS 更新一次，期间新增源码会「无映射可查」，需名称兜底路径并标记为待审。

§7 评估基准与 DAIMS 评估

§7.1 DAIMS 评估（24 项）

#	维度	评估项	得分	说明
1	可得性	注册后免费下载	4/5	签署制免费；无费用但需账号
2	可得性	机器可读许可	3/5	分层许可（Level 0-3+）复杂
3	可得性	稳定持久标识（CUI）	5/5	CUI 是文献级公共键
4	结构化	受控结构完备度	5/5	四层标识符+RRF 规范严格
5	结构化	关系型就绪	5/5	MySQL/Oracle 脚本直载
6	结构化	schema 稳定性	4/5	RRF 长期稳定；列扩展需跟踪
7	文本	名称/定义文本资产	5/5	1370 万名称+定义
8	文本	文本规范化程度	3/5	跨源字符串风格不一
9	版本	历史保留	4/5	HISTORY 文件机制（2004AA 起）
10	版本	发布节奏	4/5	半年；无增量文件
11	结果	跨词表映射覆盖	4/5	MRMAP 官方映射
12	结果	映射质量一致性	3/5	映射源质量不均
13	结果	多语言覆盖	3/5	多语言名称覆盖不均
14	质量	归组准确性	3/5	过归组/欠归组已知
15	质量	类型标注一致性	4/5	规则为主，边缘有争议
16	质量	机构 ID 化	5/5	CUI/AUI 即标识
17	治理	更新频率	4/5	半年
18	治理	变更通告	4/5	发布文档+What’s New
19	治理	法规锚定	5/5	NLM 官方基础设施
20	AI 任务	概念链接适用性	5/5	MedMentions 等基准生态
21	AI 任务	NLP 词法适用性	5/5	SPECIALIST 独一份
22	AI 任务	大模型适配适用性	4/5	定义+名称语料；许可需确认
23	伦理	个体隐私风险	5/5	纯术语无患者数据
24	伦理	二次使用许可清晰度	3/5	分层条款需法律尽调

DAIMS 综合：101/120（4.21/5）——结构化与 AI 任务维度近满分；许可分层与归组质量是主要短板。

§7.2 可复现分析路线

复现概念规模：MRCONSO 过滤（ENG/TS=P/SUPPRESS=N）后 CUI 计数对照官方统计。
复现类型分布：MRSTY 按 TUI 计数对照 Semantic Network 统计页。
复现源构成：MRSAB 按 SRL 分层计数，验证 Level 0/1/2/3+ 构成。

§7.3 外部评测资源

MedMentions：大规模文献 CUI 链接基准（约 30 万标注 span）。
n2c2 系列共享任务：病历 NER+归一（CUI/SNOMED 标注子集）。
ShARe/CLEF eHealth：临床文本 disorder 归一（CUI）。

§7.4 质量审计清单（发布前）

[ ] 版本号（2026AA）写入产物元数据。
[ ] 词典过滤策略（TS/ISPREF/SUPPRESS/LAT）显式声明。
[ ] 许可过滤（MRSAB.SRL）与用途匹配留档。
[ ] 同义词扩展的错义率抽样报告（≥200 样本人工评审）。
[ ] 跨版本词典合并使用了 HISTORY 文件。
[ ] 语义关系未被当作因果知识输出。
[ ] 多标签语义类型正确处理（非 argmax 单标签）。

§7.5 模型卡要点

卡片项	建议声明内容
UMLS 版本	2026AA（必填）
过滤策略	LAT/TS/ISPREF/SUPPRESS/SRL
训练标注源	MedMentions/n2c2/自有标注及许可
已知偏差	归组误差、英语中心、源词表风格差异
评测协议	unseen CUI/ surface form 双指标
许可声明	主许可 + 受限源（SNOMED/CPT）处理方式

§7.6 与站内数据集的联合分析建议

联合对象	键	分析价值
snomed-ct	SCTID ↔ CUI（MRCONSO/SAB=SNOMEDCT）	单本体 vs 集成层的精度对照
loinc	LOINC 码 ↔ CUI	检验语义双体系对齐
mimic-iii / mimic-iv	诊断/操作编码 ↔ CUI	EHR 概念化的标准路径
clinicaltrials-gov	conditions ↔ CUI	注册病种归一
drugbank	药物 ↔ RxNorm ↔ CUI	分子-临床三层联动
faers	药物/事件 ↔ CUI	安全信号归一
radgraph	实体 ↔ CUI	放射文本结构化
gwas-catalog	性状 ↔ MeSH/CUI	遗传证据的表型归一

§7.7 CUI 与 SCTID 双键治理对照

当机构同时使用 UMLS（CUI）与 SNOMED CT（SCTID）时，「双键并存」是常态也是事故温床——两键的粒度、稳定性、更新节奏都不同，治理策略必须显式区分。

两键特性对照

特性	CUI	SCTID
粒度	跨词表同义归组（344 万）	单本体临床概念（约 36 万活跃）
稳定性	半年批量调整（归组会变）	月度演进；概念不删除只弃用
粒度变化	归组边界会随版本移动	概念边界稳定、层级演进
分发渠道	UMLS Full Release	MLDS/成员中心
表达能力	无组合逻辑	后组配表达式/引用集合
适合做主键的场景	跨源对账、文献链接、检索扩展	临床本体推理、EHR 结构化录入

双键治理五原则

主键选一、副键跟随：临床数据仓主键选 SCTID（粒度细、本体强），文献/映射层副键用 CUI；两键间以 MRCONSO（SAB=SNOMEDCT_US）映射表衔接，映射版本随 UMLS 版本锁定。
不假设一一对应：多个 SCTID 可归入同一 CUI（同义归组），同一 SCTID 的不同原子也可能分属不同 CUI（欠归组）——映射表永远多对多，做 1:1 断言的迁移脚本必炸。
版本三重锁：记录（UMLS 版本, SNOMED 版本, 映射抽取日期）三元组——只记 UMLS 版本会在 SNOMED 月度演进时无法解释差异。
归组变更监控：半年版本升级时 diff 映射表——新增「SCTID→CUI」合并说明 NLM 归组策略变化，下游统计口径需要重算。
弃用语义对齐：SNOMED 弃用概念（inactive）在 UMLS 中可能仍以 suppressible 原子存在——两侧的「删除/弃用/抑制」语义不同，对账报表需显式声明各侧口径。

典型故障案例

报表口径漂移：某院以 CUI 做统计主键，UMLS 半年升级后若干概念被重新归组，季度同比报表突然跳变——根因是未锁版本 + 未做归组 diff。对策：版本锁定 + 归组变更日志 + 报表重算声明。
双键重复计数：同一诊断在 SCTID 层有两个特异概念、CUI 层被归为一个——按 SCTID 统计得 2 例、按 CUI 统计得 1 例，两套报表打架。对策：明确「统计粒度即报表语义」，双键报表各自标注粒度。

§8 伦理、隐私与合规

无患者数据：纯术语/词法资产，隐私风险为零。
许可分层是核心合规面：Level 0 自由；Level 1 申报；Level 2+（CPT 等）商用需额外授权；SNOMED 走附录 2——AI 产品商业化前必须逐源确认。
归组误差的临床边界：CUI 归一结果用于临床决策支持时，需明示「同义归组存在已知误差」并提供编码回查。
禁背书：NLM 提供数据不等于认可衍生产品。

§8.1 许可尽调操作清单（商业化前）

UMLS「免费」的名声掩盖了其分层条款的复杂性——商业化（尤其 SaaS/出海产品）前按本清单逐项过一遍，可将法律风险压缩到可审计的水平。

[ ] 第 1 步：签署状态确认
    - UTS 账号有效，UMLS Metathesaurus License 已签署且条款版本在有效期
    - 签署主体（公司名）与产品运营主体一致——代签不可

[ ] 第 2 步：源词表清单导出
    - 从实际使用的数据导出 DISTINCT SAB 清单（不是从文档抄）
    - 对照 MRSAB：每源记录 SRL / VCVER / RESTRICTION 列

[ ] 第 3 步：受限源逐项处置
    - Level 0（SRL=0）：放行，留档即可
    - Level 1（SRL=1）：完成 NLM 申报义务（报告中报路径）
    - Level 2（SRL=2，含 CPT 类）：确认商用授权或从数据中剔除
    - Level 3+（含 SNOMED，附录 2）：确认属地（美国走附录 2；
      其他属地走当地 Member Licensee）并留属地证据

[ ] 第 4 步：产品边界核对
    - 数据再分发？Level 0 可（遵循主许可）；受限源不可
    - API 输出含源编码与名称？确认各受限源「展示/输出」条款
    - 模型权重含受限源训练痕迹？按各源条款确认「衍生品」定义

[ ] 第 5 步：留痕与复检
    - 本清单执行结果存档（SAB 清单、决策、证据链接）
    - 每半年随 UMLS 版本升级复检一次（源清单会变）

最常见翻车点：第 3 步的「以为 Level 0」——MRSAB 里同名源有多个 RSAB 变体（如 SNOMEDCT_US 与 SNOMEDCT_VET 许可属性不同），按 SAB 前缀模糊匹配会漏掉变体源的限制。

§9 版本历史与演进

时间	演进	对 AI 用户的影响
1986-1989	立项到首版	跨词表集成路线确立
1990s	三组件定型	Metathesaurus/Network/SPECIALIST 分工明确
2004AA	历史文件机制	跨版本研究成为可能
2000s	RRF + MetamorphoSys	机器可解析与子集定制
2010s	半年节奏 + UTS API	生产化服务
2024AB	子集含 obsolete/suppressible	自行清洗策略需更新
2026-05-04	2026AA 发布（本文口径）	344 万概念/1370 万名称/199 源

§9.1 未来演进方向

子集策略重塑：NLM 正在征求意见，可能以新式预计算子集或浏览器端配置取代 MetamorphoSys——定制流程或将大幅简化。
与 SNOMED 月度节奏的衔接：SNOMED 月度化后，UMLS 半年打包与源词表节奏的时间差管理愈发重要。
LLM 时代的定位：概念归一与跨词表对账仍是 LLM 的确定性短板，UMLS 的「确定性映射层」价值反而上升。

§9.2 使用本条目时的维护提示

规模数字随半年版本浮动，引用必须带版本号（如 2026AA）。
源词表数量与许可层级每版复核（MRSAB）。
MetamorphoSys 的子集策略正在评估变更，跟踪官方公告。
语义类型数量以 Semantic Network 当前版本为准（历史文献中的 133 类口径已过时，现为 125 类 + 54 关系）。
MRCONSO 列位若在后续版本扩展（新增列追加在 SUPPRESS 之前的历史惯例不可依赖），解析器应以官方 Columns 文档为准重新校准。

§10 引用与资源

§10.1 官方资源

资源	链接	说明
UMLS 官网	https://www.nlm.nih.gov/research/umls/	总入口
下载页	https://www.nlm.nih.gov/research/umls/licensedcontent/umlsknowledgesources.html	Full/Subsets/API（2026AA）
发布文档	https://www.nlm.nih.gov/research/umls/knowledge_sources/metathesaurus/release/index.html	What’s New/统计/许可附录
UTS 账号	https://uts.nlm.nih.gov/	注册/签署/API key
新闻页	https://www.nlm.nih.gov/research/umls/news/	版本发布公告

§10.2 学术引用

Bodenreider O. The Unified Medical Language System (UMLS): integrating biomedical terminology. Nucleic Acids Res. 2004;32(Database issue):D267-270.
Lindberg DA, Humphreys BL, McCray AT. The Unified Medical Language System. Methods Inf Med. 1993;32(4):281-291.
Sung M, Jeon H, Lee S, Kang J. Biomedical entity representations with synonym marginalization. ACL 2020.（MedMentions 相关）
National Library of Medicine. UMLS Knowledge Sources, 2026AA Release Documentation. 2026-05-04.

§10.3 站内互链

snomed-ct：集成层最大源词表；美国分发经 UMLS 附录 2（见 §3.13）
loinc：检验语义的互补体系（同为源词表）
mimic-iii / mimic-iv：EHR 概念化的主战场
clinicaltrials-gov：NLM 官方系统使用 UMLS 的实例
pubmedqa / medqa：医疗 NLP 评测语境
radgraph：同为「临床文本结构化」范式
drugbank / faers / gwas-catalog / open-targets：分子与证据层扩展
eicu-crd / gossis-1：ICU 数据库的诊断编码 CUI 化路径
medmcqa / emrqa：考试与问答基准中的术语归一语境
umls 数据资产与源词表条目（snomed-ct/loinc）形成「集成层-源层」双视图

§10.4 建议引用格式

@misc{umls_2026aa,
  title        = {Unified Medical Language System (UMLS) Knowledge Sources},
  author       = {{U.S. National Library of Medicine}},
  howpublished = {https://www.nlm.nih.gov/research/umls/},
  note         = {2026AA release, May 4 2026; 3.44M concepts, 199 source vocabularies},
  year         = {2026}
}

§10.5 常见问题 FAQ

Q1：UMLS 与 SNOMED CT 什么关系？
A：两个层面——法律上美国用户经 UMLS License（附录 2）合法获取 SNOMED；数据上 SNOMED CT 是 UMLS Metathesaurus 的源词表之一，其概念在 Metathesaurus 内与 198 个其他词表互联。

Q2：做概念链接用 UMLS 还是 SNOMED？
A：目标空间更广、跨词表可比选 UMLS（CUI）；需要本体推理与临床组合表达选 SNOMED（SCTID）。工程上常见 CUI-SCTID 双键并存（MRCONSO 含映射）。

Q3：为什么我统计的概念数与官方不一致？
A：过滤口径——是否含 suppressible 原子、是否限定英语、是否含 obsolete；官方「344 万概念」有自己的统计口径，务必对齐后再比较。

Q4：能直接把 MRREL 当医疗知识图谱训练推理模型吗？
A：谨慎——MRREL 大部分是词表层级/映射关系，因果类关系稀疏且未经临床验证；知识图谱推理建议以「层级+映射」为主，因果声明需外部证据源补充。

Q5：全量加载有必要吗？
A：多数 NLP 任务 MRCONSO+MRSTY+MRDEF 三文件即可起步（约 3 GB 解压）；全量（40 GB）只在需要全部关系与映射时才有必要。

Q6：CUI 会变吗？我能把 CUI 当长期主键吗？
A：CUI 的设计意图是长期稳定，但归组边界确实会随版本微调（合并/拆分）。短中期（1-3 年）以 CUI 做研究主键是学界惯例；长期系统建议「CUI + （SAB,CODE）源锚点」双记录——源锚点来自源词表、比 CUI 归组更稳定，跨版本对账时以锚点为轴。凡引用 CUI 的成果必须带 UMLS 版本号（如 2026AA），无版本号的 CUI 引用不可复现。

Q7：为什么我的映射结果和商业术语服务不一样？
A：三个常见原因——①商业服务叠加了人工评审映射或私有规则（UMLS 的 MRMAP 是机器+人工混合产物）；②版本不同步（商业服务可能基于旧版 UMLS 或新版 SNOMED）；③MAPRULE 规则引擎实现不同（条件映射的规则解释差异）。对账时先对齐版本与规则解释，再谈质量差异。

Q8：LLM 时代还需要 UMLS 吗？
A：恰恰更需要——LLM 的概念输出是概率的、版本漂移的、不可核查的；CUI 提供的是确定性归一与可验证锚点。主流实践是「LLM 生成候选 → UMLS 词典约束校验」：LLM 负责语言理解（缩写、错拼、口语），UMLS 负责概念对账（编码、版本、跨词表）。纯 LLM 无词表约束的医疗归一系统在医院审计中基本过不了关。

（全文完；本文共 §0-§10 十一个章节，规模数字以 UMLS 2026AA 官方口径为准，版本日期 2026-05-04。）