即取即用的 AI-Ready 医疗数据集库

Vallières 团队 2017 年发布于 TCIA 的头颈鳞癌影像组学基准：298 例患者 72.46GB DICOM（CT/PT/RTSTRUCT/RTDOSE/RTPLAN/REG 六模态），配 CC BY 3.0 临床结局与 GTV 轮廓表、GNU GPL 特征提取源码；GTV 原发灶+淋巴结双 ROI，1-5mm 五档体素×2 量化×4 灰阶共 40 参数组合提取每模态 1615 特征，局部区域复发/远处转移/总生存三终点基线 AUC 0.69/0.86

TCIA 收录四中心治疗计划期 PET/CT 影像组学合集：CT/PT/RTSTRUCT/RTDOSE/RTPLAN/REG 六模态 DICOM（2,661 序列 / 123,271 幅图像 / 72.46GB，扫描窗 2006-04 至 2014-11）+ 临床结局 XLS + GTV 轮廓 XLS + 特征提取源码压缩包 39

医疗NLP知识图谱药物发现与化学药物-靶点相互作用公共卫生与流行病学COVID-19

Drug Repurposing Knowledge Graph — AWS 与明尼苏达等四方共建的药物重定位知识图谱：97,238 实体与 587 万三元组整合六大数据库直击 COVID-19 老药新用

原始数据文本数据知识图谱97,238 个生物医学实体（基因 39,220、化合物 24,313、疾病 5,103、副作用 5,701 等 13 类）；无患者级个体数据

Drug Repurposing Knowledge Graph——AWS AI labs、明尼苏达大学、俄亥俄州立大学与湖南大学 2020 年联合发布的综合生物医药知识图谱，把 DrugBank、Hetionet、GNBR、STRING、IntAct、DGIdb 六大公开数据库与 COVID-19 文献抽取三元组归一整合为 13 类实体、107 种关系，配套 TransE_l2 400 维预训练 embedding 与 DGL-KE 工具链，开源后成为药物重定位研究的标准底座之一

DrugBank、Hetionet、GNBR、STRING、IntAct、DGIdb 六大公开数据库整合 + COVID-19 相关近期出版物文献抽取三元组（GNBR 团队 bioRxiv 2020.03.11.986836 口径）；发放形态：drkg.tsv 三元组主表 + entity2src.tsv 实体-来源映射 + relation_glossary.tsv 关系词表 + TransE_l2 400 维预训练 embedding 与四套分子 GNN embedding 47

医学影像内窥镜影像手术视频图像分类目标检测

LapGyn4 — 妇科腹腔镜图像四任务基准：手术动作、解剖结构、动作-解剖对应与器械计数，AAU Klagenfurt 从 500+ 台手术提取 59,621 张图

人工标注影像数据原始数据500+ 台妇科腹腔镜手术（患者数未披露）；v1.2 共 59,621 张图像（21 类），v1.0 为 55,872 张

LapGyn4 是 Alpen-Adria 大学 ITEC 与 Ulm 医学院发布的妇科腹腔镜图像数据集（The ITEC LapGyn4 Gynecologic Laparoscopy Image Dataset），从 500+ 台手术视频提取 59,621 张图（v1.2），拆为手术动作、解剖结构、部位动作判别、器械计数四个子集，配套 5-fold 划分（仅 v1.0）与首个 baseline，CC BY-NC 4.0 仅供科研

500+ 台妇科腹腔镜手术视频（视频来源：Prof. Dr. Jörg Keckstein，University Ulm Medizinische Fakultät）中提取的静态图像帧，辅以 Instrument Count 子集部分提取自 Cholec80 胆囊切除术视频的图像；标注为图像级类别标签（目录结构承载，无像素掩码、无时序标注、无边界框） 34

语音信号医疗NLP神经科学神经退行性疾病阿尔茨海默病评测基准

DementiaBank English Pitt Corpus — 语音阿尔茨海默检测的事实标准语料库

人工标注音频数据原始数据官网分组口径 104 controls / 208 dementia / 85 unknown diagnosis（共 397 条分组记录，含纵向多次访问，非唯一人数）；ASR 口径 292 名参与者

匹兹堡大学 1983-1988 年阿尔茨海默纵向研究的语音遗产：约 33 小时访谈音频加 CHAT 逐句转写，Cookie Theft 图片描述为主任务，经 CMU TalkBank 会员制发放四十年，孵化 ADReSS 与 ADReSSo 两个国际挑战赛（百度研究院夺魁 ADReSS），是语音自动痴呆检测论文引用最密集的语料库

Univ. of Pittsburgh Alzheimer and Related Dementias Study 1983-1988 纵向采集：访谈音频约 33 小时（292 参与者，另有降噪版）+ CHAT 转写 500 条（243 control + 257 dementia）+ Cookie Theft 描述、Word Fluency、Story Recall、Sentence Construction 四任务 + @ID 头嵌诊断与 MMSE + PItt-data.xlsx 人口学表 39

医疗NLP医学问答评测基准临床文本

cMedQA v2.0 — 中文社区医疗问答匹配数据集

原始数据文本数据108,000 个问题 / 203,569 条回答（Train 100,000/188,490、Dev 4,000/7,527、Test 4,000/7,552）；提问者与回答者均匿名化，无个人信息

国防科技大学团队从寻医问药网采集的中文医疗问答答案选择基准——v1.0 字符级多尺度 CNN（Appl. Sci. 2017）到 v2.0 多尺度注意力交互网络 MPAN（IEEE Access 2018），108,000 问配 203,569 答、候选池机制产生任务标签，2017-2020 年中文医疗问答匹配事实标准评测集，reranker 时代仍在活跃服役

寻医问药网（xywy.com）在线健康社区真实问答：用户提问 + 认证医生回答，匿名化后发布；questions.csv 与 answers.csv 全量文本，外加 train/dev/test_candidates.txt 三个划分文件；GitHub zhangsheng93/cMedQA2 公开 62

医疗NLP医学问答与基准医学问答评测基准知识图谱

Huatuo-26M — 2600 万级中文医疗问答数据集

网络采集文本数据人工标注不适用（QA 文本对，无患者级影像/生理数据；问诊记录患者匿名、医生姓名/医院/科室留痕）

CUHKSZ FreedomIntelligence 团队发布、截至发布时全球最大的中文医疗问答数据集：26,504,088 条 QA 对来自在线问诊记录、医学百科与知识图谱三源，检索/生成双基准，四大应用（LLM 微调、RAG、零样本迁移、持续预训练），Apache 2.0 公开并衍生 Huatuo-Lite 精修子集

三源整合：在线问诊记录 25,341,578 对（Qianwen Health 千问健康 51zyzy.com 原始抓取 31,677,604 对，正则清洗+哈希去重）+ 中文维基百科医学百科 8,699 疾病/2,736 药品条目与 226,432 篇文章模板转换 364,066 对 + 三大医学知识图谱（CPubMed-KG/39Health-KG/Xywy-KG）43 类模板生成 798,444 对 48

医学影像内窥镜影像手术视频医学图像分割目标检测图像分类

GLENDA — 妇科腹腔镜子宫内膜异位症病灶标注数据集

人工标注影像数据原始数据v1.0：138 序列/302 注释帧/25,682 总帧；v1.5：102 cases+27 无病灶 cases；标注源自 400+ 台手术视频语料池

Klagenfurt 大学 ITEC 联合 LMU/Ulm 妇产科发布的妇科腹腔镜子宫内膜异位症病灶区域标注集：从 400+ 台真实手术视频语料池中截取病灶帧与序列，v1.0 矩形框+二元掩码、v1.5 多边形精细轮廓两代发布，五类 rASRM 风格病灶分型（peritoneum/ovary/uterus/DIE/no pathology），自带诚实低基线（mAP ≤0.030），是医学视频领域少见的疾病特异性标注集

Prof. Dr. Jörg Keckstein 提供的妇科腹腔镜手术视频（400+ 台语料池）+ ITEC 自研 ECAT web 标注工具人工标注（v1.0 bbox+binary mask、v1.5 polygon），按 rASRM/Enzian 临床分型五分类 49

药物发现与化学蛋白质组学药物-靶点相互作用分子对接虚拟筛选评测基准

PPB-Affinity — 面向 AI 蛋白质药物发现的蛋白-蛋白结合亲和力数据集

人工标注结构化数据原始数据不适用（非患者来源；以蛋白复合体结构样本为单元：12062 条唯一样本，覆盖 3032 个唯一 PDB 条目）

整合 SKEMPI v2.0 / PDBbind v2020 / SAbDab / ATLAS / Affinity Benchmark v5.5 五大来源，汇聚 3032 个 PDB 条目、12062 条带结构-突变-链信息的蛋白-蛋白结合亲和力（pKD/ΔG）标注样本，并配套不变点注意力（IPA）基线模型与 AlphaFold3 结构子集

五大公开结构-亲和力来源整合：SKEMPI v2.0（6700 条，55.55%）、PDBbind v2020（3600 条，29.85%）、SAbDab（1055 条，8.75%）、ATLAS（545 条，4.52%）、Affinity Benchmark v5.5（162 条，1.34%）；每条样本含 PDB 结构、受体/配体链、突变、KD/ΔG、实验方法、时间线溯源等信息 37

基因组学与多组学变异与注释蛋白质组学评测基准药物发现与化学

ProteinGym — 蛋白质突变适应度预测大规模基准

公开数据集生物序列实验测量基准数据不适用（蛋白序列与人类基因变异数据，非患者级临床队列；临床基准覆盖约 2.5K 人类基因的约 63K 替换突变与约 1.5K 基因的约 3K indel 突变）

牛津 OATML × 哈佛 Marks 实验室出品的蛋白质适应度预测与设计基准套件：聚合 217 个深度突变扫描替换 assay（约 250 万突变体）与 66 个插入缺失 assay（约 30 万突变体），叠加 ClinVar 专家注释的临床基准，以 MIT 许可开源代码、数据、MSA、结构与 70+ 模型预测分数

公开深度突变扫描（DMS）实验的真值适应度分数（217 替换 assay + 66 indel assay）+ ClinVar 专家致病性注释与 gnomAD 人群频率对照的临床基准 + 配套多序列比对（MSA, ~2.2GB）、预测 3D 结构与 70+ 模型的逐突变预测分数 69

生理信号脑电信号脑机接口评测基准神经科学

Mother of All BCI Benchmarks — 脑机接口算法可复现性聚合基准

原始数据基准数据算法评测论文口径 36 个公开数据集覆盖被试约 1,000+ 人次（逐数据集 4-109 被试不等；框架当前口径 160 个数据集条目 #Subj 求和 3,627，含同源拆分重复计，不作唯一被试总数）

EEG 领域迄今最大规模的 BCI 算法基准框架——把 36 个公开数据集（MI 14 / P300 15 / SSVEP 7）用统一接口装载、30 条机器学习流水线（Raw 11 + Riemannian 13 + DL 6）统一评价、统计元分析汇总，得出「Riemannian 几何在数据稀缺区间全面领先深度学习」的可复现结论

聚合式：MOABB Python 框架（pip install moabb）统一装载 36 个公开 EEG 数据集（2024 论文口径；框架已扩至 160 条目），含 MI 14 / P300 15 / SSVEP 7，经 30 条流水线（Raw 11+Riemannian 13+DL 6）在同一 within-session 协议下评测；数据本体不集中托管，按各源下载器从 PhysioNet/OpenNeuro/Zenodo 等逐一获取（逐数据集许可各异，明细见附录） 70