即取即用的 AI-Ready 医疗数据集库

五个开源权重 LLM（Llama/Mistral/Qwen/Gemma/Mixtral）把 MIMIC-III v1.4 与 MIMIC-IV-Note v2.2 的全部 464 万条真实笔记改写为 8 个合成语料、合计 137 亿词——粗粒度任务保住效用、细粒度细节丢失，分片改写挽细节却增幻觉，是全库最大的 LLM 合成临床文本样本

MIMIC-III Clinical Database v1.4 与 MIMIC-IV-Note v2.2 的全部临床笔记（去标识），经 Llama-3.1-8B-Instruct / Mistral-7B-Instruct-v0.3 / Qwen-2.5-7B-Instruct（笔记级+分片级）与 Gemma-2-9B-it / Mixtral-8x7B-Instruct-v0.1（仅分片级）改写为 8 个 UTF-8 CSV 合成语料，共 13.7B 词 50

医学影像乳腺影像医学图像分割图像分类乳腺癌评测基准

BUS-BRA — 巴西 INCA 1064 患者乳腺超声 CAD 评估集：病理+BI-RADS 2 — 5+分割掩膜三标注与官方标准化折

人工标注影像数据原始数据1,064 名女性患者（对应 1,875 张 B-mode 超声图；平均约 1.76 张/患者，含双侧与多切面）

BUS-BRA 乳腺超声数据集条目：1,064 患者 1,875 张 B-mode 图，同含活检病理（良/恶性）、资深超声医师 BI-RADS 2–5 分级与手工分割掩膜三类标注，附带官方 5 折/10 折交叉验证划分；CC BY-4.0 于 Zenodo 公开直链（BUSBRA.zip 133.9MB），Medical Physics 2024（DOI 10.1002/mp.16812）配套论文；并收录第三方审计发现——官方划分仅图像级互斥、非患者级，修正后分割/分类指标显著回落

Zenodo 记录 10.5281/zenodo.8231412（BUSBRA.zip，133.9 MB，md5 1f8b2be6476d58fc97bfb5e5a1ea9bab）——含 PNG 图像 + PNG 二值分割掩膜 + 逐图 CSV 元数据（BI-RADS / pathology / histology / 患者标识）；配套代码 github.com/wgomezf/BUS-BRA 83

生理信号睡眠信号可穿戴传感评测基准

DREAMT

时序信号数据人工标注原始数据100 名受试者（每人一夜同步记录；SID 编号 S002-S103 非连续）

Duke 大学 Jessilyn Dunn 团队的单晚临床 PSG + Empatica E4 腕式可穿戴时序对齐多模态数据集——100 名睡眠障碍门诊患者、64Hz/100Hz 双目录、30 秒 AASM 分期，CHIL 2024 提出 LSTM 后处理与混合效应提升树集成，PhysioNet 受限访问发布

Empatica E4 腕式可穿戴时序（BVP 64Hz、EDA/TEMP 4Hz、三轴 ACC 32Hz、HR 1Hz、IBI）+ Nihon Kohden 台式 PSG 全通道（EEG×5、EOG×2、颏 EMG、ECG、气流×2、呼吸努力×2、鼾声、腿动×2、SaO2）+ 30 秒 AASM 睡眠分期标签 + participant_info.csv 人口学与睡眠医学指标 75

电子健康记录医学问答与基准多模态X光影像

EHRXQA

影像数据时序数据派生数据一体化数据库 silver 800 患者（训练/验证，机器标注）+ gold 400 患者（测试，人工标注）；三上游共享患者 19,264；QA 对 46,152（train 36,174 / val

首个融合结构化电子健康记录与胸片图像的多模态问答基准——NeuralSQL 把视觉问答函数嵌进 SQL 执行流，417 个模板机器生成 46,152 道临床题，NeurIPS 2023 Datasets & Benchmarks 发表、PhysioNet v1.0.0 凭证获取

MIMIC-IV v2.2（17 张结构化表：患者/入院/诊断/药物/检验等）+ MIMIC-CXR-JPG v2.0.0（227,835 张胸片元数据）+ Chest ImaGenome v1.0.0（胸片区域-异常结构化注释）合成的一体化 mimic_iv_cxr 数据库（18 张表，含 tb_cxr 桥表）+ 模板驱动生成的 46,152 道 (Question, SQL/NeuralSQL, Answer) 三元组 34

医疗NLP临床文本X光影像评测基准

ReXErr-v1

文本数据标注数据评测集报告文本源自 MIMIC-CXR 去标识真实报告（母集 65,379 名患者/227,835 份报告）；ReXErr 精确报告总数官方未披露，唯一口径为 GitHub README '200k+ re

哈佛医学院 Rajpurkar 实验室放射报告合成错误数据集——GPT-4o 向 MIMIC-CXR 报告注入 12 类错误（三子类，每报告固定 3 处），Llama 3.1 句级三值标注，100 份临床审查 83% 合理，PhysioNet 2025-03-19 以 ODbL 1.0 开放，RadGraph 系报告结构化三部曲第三卷

MIMIC-CXR v2.0.0 去标识放射报告（unique reports 去重 + AP/PA/Lateral 视图过滤）→ GPT-4o 每报告注入 3 处错误（12 类/3 子类）→ Llama 3.1 句级事后标注（error_present 三值 0/1/2 + error_type） 37

医学影像皮肤影像图像分类挑战赛数据集评测基准皮肤癌

ISIC 2020 Challenge

人工标注影像数据原始数据训练集 2,056 名患者 / 32,701 个病灶（Cassidy 2022 分析口径）/ 33,126 张图像，平均每人约 16 个病灶；20.8% 患者至少含 1 个黑色素瘤；另测试集 10,9

SIIM-ISIC 2020 Melanoma Classification：33,126 张训练图、2,056 名患者的患者中心二分类黑色素瘤检测，584 张恶性全经组织病理确认；冠军 EfficientNets 集成私榜 AUC 0.9490，Kaggle 3,308 队十万次提交

ISIC 2020 Challenge 官方数据包：训练 33,126 张皮肤镜图像（JPEG 23GB / DICOM 48.9GB / DICOM corrected 23.0GB）+ GroundTruth.csv（二元 target）+ metadata v1/v2（patient ID/sex/age/anatomic site，v2 含 lesion ID）+ Duplicates.csv（425 张重复）+ 测试 10,982 张（无公开 GT）；DOI 10.34970/2020-ds01 45

基因组学与多组学单细胞基因组学转录组测序数据队列研究

Endometrial Immune Cell Atlas — 月经周期与慢性子宫内膜炎的 CD45+ 免疫细胞单细胞图谱

原始数据处理后数据临床元数据87 名供者（53 名健康对照 + 34 名慢性子宫内膜炎患者）；另有 229 例 IVF 不孕患者的多中心验证队列（非测序样本）

87 名女性、147,468 个 CD45+ 免疫细胞、8 个月经期相的 MARS-seq 图谱：原始测序数据经 GSA-Human 受控访问（HRA008952 / DAC HDAC004810）申请下载，处理后的 metacell 注释与表达矩阵随论文补充文件与 Source Data 提供

深圳中山妇产医院等五中心采集的人子宫内膜活检组织，CD45+ 免疫细胞 FACS 分选后 MARS-seq 单细胞转录组测序（147,468 个细胞，8 个月经期相），配套个体级临床元数据与 mIF/FACS 验证图像 42

医学影像医学图像分割病理图像挑战赛数据集评测基准肿瘤学

SegPC-2021 — 775 图多发性骨髓瘤浆细胞核质双标注显微分割挑战赛全档案

人工标注影像数据原始数据775 张骨髓涂片显微图像（来自两台不同显微镜，均为 AIIMS New Delhi 就诊的多发性骨髓瘤患者骨髓穿刺涂片，非逐患者计数公开）；训练 298 + 验证 200 + 最终测试 277

IEEE ISBI 2021 挑战赛数据集：IIIT-Delhi SBILab 与 AIIMS New Delhi 采集的 775 张骨髓涂片显微图像，对感兴趣细胞逐一标注细胞核与细胞质，两台不同显微镜刻意混采以逼出设备不变算法，52 队 696 人竞逐，Top-5 全部采用深度学习集成，最佳 ImAP 0.9389

IIIT-Delhi SBILab + AIIMS New Delhi 采集的 Jenner-Giemsa 染色骨髓涂片；图像均经 GCTI-SN 染色归一化；含逐感兴趣细胞的细胞核与细胞质灰度掩码（原值 0 背景 / 20 细胞质 / 40 细胞核）；Grand Challenge 门户、IEEE DataPort（DOI 10.21227/7np1-2q42）、Kaggle 镜像三渠道获取 37

生理信号心电信号挑战赛数据集心血管疾病评测基准

LTAFDB

约 3.5-4 GB WFDB84 条 24-25 小时记录128 Hz 双导联900 万级心拍节律注释免费直接下载84 条记录；文献口径 47 名受试者（Frontiers Physiol 2021;12:673819 Table 1），官页未给受试者数，另一文献口径称每条记录来自不同患者——两口径并存，官方无患

PhysioNet Long-Term AF Database——84 条阵发性或持续性房颤受试者的双导联 24-25 小时 Holter 心电图，128 Hz / 12-bit 采样，900 万级人工复核心拍与节律注释（2012 年补齐），ODC-BY 1.0 全量开放无注册门槛；它是长期房颤节律分类、AF 负荷量化与短阵 AF 检测的高噪声真实世界基准，也是 PhysioNet/Computing in Cardiology Challenge 2004（AF 终止预测）的原始数据源

Northwestern University 采集的 24-25 小时双导联动态心电（Holter）记录，经 Boston Beth Israel Deaconess Medical Center 数字化；84 条记录按 0xx（56 条）/1xx（19 条）/2xx（9 条）三段编号，0xx 段为 2004 年 AF 终止挑战赛的摘录来源；2012 年起随附 MEDICALgorithmics PocketECG 系统自动 + 人工复核的 atr 参考注释（>9,000,000 条） 34

生理信号心血管疾病儿科医学问答与基准评测基准语音信号

ZCHSound — 浙江大学 1259 名儿童先心病心音数据库：五分类智能听诊基准

原始数据人工标注1259 名儿童受试者（941 名高质量 clean 子集 + 318 名新生儿 noisy 子集；共 1259 条录音）

浙大儿院牵头三中心采集 1259 名 2 天至 14 岁儿童的单听诊点心音（PCG），含 941 名高质量与 318 名新生儿低质量双子集，五类 CHD 诊断标签由双专家共识确认，配套正常/ASD/PDA/PFO/VSD 五分类、四任务基准与 84 维时频特征，随机森林基线 F1 达 90.3%

浙江大学医学院附属儿童医院等三中心 2020-2022 年前瞻采集的单听诊点心音（ChildCare G-100 智能电子听诊器，仰卧位胸骨左缘第 2-3 肋间，8000 Hz / 16-bit / .wav），配双心脏专家共识确认的五分类 CHD 诊断标签 39

基因组学与多组学知识图谱单细胞基因组学多模态

HRA Knowledge Graph — 人体参考图谱 RDF 知识图谱：解剖-细胞-标志物主干

知识图谱本体与术语参考数据元数据人工标注HRApop v1.1 汇聚 175 位捐献者（男 92 / 女 83）的组织块与数据集；本体层本身不含患者个体，hra-pop-full 扩展层含 32,047 个供体实体（跨门户去重前口径）

NIH HuBMAP 主导、Indiana 大学 CNS 维护的 HRA 知识图谱：v2.2 发布 10,064,033 节点 / 171,250,177 边 / 125.84 GB，13 类数字对象经 Uberon 与细胞本体对齐；v2.5 起每年 6-15 与 12-15 双发，CC BY 4.0 全开放，SPARQL 与 Zenodo 双入口

HuBMAP、SenNet、KPMP、GUDMAP/RBK、HCA、CZ CELLxGENE、GTEx、HTAN、GEO 等门户的已注册实验数据 + 专家人工编纂的 ASCT+B 表、OMAP 抗体面板、2D FTU 插图与 71 个 3D 参考器官 37

定制数据集服务

无法找到所需数据？我们提供个性化的临床数据采集与高精度人工标注服务，满足您的特定算法研发需求。

即取即用的 AI-Ready 医疗数据集库

数据标签

医学影像 AI-Ready 数据集

电子病历与文本数据集

病灶分割与标注数据集

按任务类型浏览

mBRSET — 移动巴西视网膜数据集 5,164 张手持眼底照

MIMIC-Ext-SynNotes — 用 LLM 改写 MIMIC-III/IV 生成的十亿词级合成临床笔记语料