即取即用的 AI-Ready 医疗数据集库

首个大规模公开的临床笔记章节识别（Section Identification）语料——2,002 份 MIMIC-III 临床笔记逐句标注 50 种章节类型，由 2 名主治医师与 1 名高年资住院医标注，Krippendorff α 达 0.84-0.87，BiLSTM-CRF 基线 Micro F1 达 0.955；标注文件 Zenodo 公开，笔记原文需 PhysioNet 凭证

MIMIC-III v1.4 NOTEEVENTS 临床笔记全文（出院小结、放射报告、会诊记录、超声心动报告、医生病程记录五类）+ 逐句章节标注（span+标签，Zenodo record 7150451 公开） 40

生理信号可穿戴传感时序数据真实世界数据评测基准

ShanghaiT1DM & ShanghaiT2DM — 上海糖尿病动态血糖数据集：真实生活 CGM 与称重饮食记录

原始数据传感数据自报数据112 例患者（T1DM 12 例 + T2DM 100 例）；CGM 记录文件 125 份（16 + 109）；CGM 测量点 128,170 个（15,695 + 112,475）

同济大学联合上海市东方医院与第四人民医院发布的中国糖尿病公开数据集合集：12 例 T1DM（含 10 例 LADA）与 100 例 T2DM 患者在真实生活条件下的 FreeStyle Libre H 动态血糖监测（15 分钟采样、最长 14 天佩戴），配套称重饮食记录、实验室检查、人口学与用药信息，CC BY 4.0 于 figshare 公开，面向血糖预测、餐后建模与强化学习血糖控制研究

FreeStyle Libre H flash 血糖仪 15 分钟间隔 CGM 时间序列 + 患者自报每日称重饮食记录（进食时间与食物重量）+ 糖代谢/血脂/肾功能实验室检查 + 人口学/BMI/病程/并发症临床特征 + 降糖用药记录 53

基因组学与多组学蛋白质组学医学影像CT病理图像肿瘤学

CPTAC-PDA — 胰腺导管腺癌多组学与影像队列

原始数据影像数据人工标注140 例胰腺导管腺癌肿瘤 + 67 例癌旁正常（NAT）+ 9 例正常胰管组织；TCIA 放射影像覆盖 110 受试者/134 检查，病理 SVS 168 例

NCI CPTAC 联盟对 140 例胰腺导管腺癌的蛋白基因组学全景研究：全蛋白组/磷酸化/糖蛋白组/乙酰化+WGS/WES/甲基化/RNA-seq 多平台整合，配 TCIA 放射 CT 与病理 WSI，Cell 2021 主论文数据全链路公开

CPTAC-PDA 队列多平台数据：TMT11 全蛋白组、磷酸化蛋白组、完整糖蛋白组、DIA 蛋白组（PDC PDC000270/271/272/341）+ WGS/WES/EPIC 甲基化/RNA-seq/miRNA-seq（GDC/dbGaP）+ TCIA 放射 CT DICOM（含 NCI 3D 分割与 seed points）+ H&E 病理 WSI（SVS） 56

电子健康记录临床文本知识图谱医疗登记流行病学评测基准

SNOMED CT to ICD-10-CM Map — 临床术语到报销编码的规则式映射参考集

术语数据结构化数据人工标注不适用（术语映射参考集，无患者个体数据）；映射覆盖 138,383 个活跃 SNOMED CT 源概念（2025-09 口径）

NLM 随 SNOMED CT 美国版半年发布的规则式映射表（Refset 6011000124106），把 13.8 万+ 活跃 SNOMED CT 临床概念按映射组转为 ICD-10-CM 报销码，需同时持有双许可方可使用

NLM 随 SNOMED CT US Edition 发布的 ICD-10-CM extended map reference set（Refset 6011000124106）：Extended Map 核心映射文件 + Refset Descriptor 元数据 + Module Dependency 依赖声明，另有 human readable TSV 33

药物发现与化学药物安全真实世界数据知识图谱药物-靶点相互作用

OffSIDES — 标签外药物副作用挖掘库

知识库文本数据关系数据不适用（非患者级数据集，为药物-事件关联粒度；1,332 种药物 × 10,097 个不良事件）

从 FAERS 千万级自发报告中以 SCRUB 高维倾向评分匹配校正混杂、再经 LSD 潜在信号检测推断出的 438,801 条标签外副作用关联——1,332 药 × 10,097 不良事件，TWOSIDES/OnSIDES/KidSIDES 家族之源

FDA FAERS（Adverse Event Reporting System）自发不良事件报告，经 SCRUB 高维倾向评分匹配校正混杂 + LSD 潜在信号检测挖掘；FDA 结构化产品标签（structured product label）用于剔除已知标签内副作用；SIDER 说明书抽取库用于关联回收验证 35

医疗NLP生物医学文献关系抽取药物安全命名实体识别知识图谱

DDI Corpus — 药物相互作用抽取黄金语料

人工标注文本数据公开评测数据不适用（文本语料，非患者级数据）

UC3M+DFKI 手工标注的 1,025 篇 DrugBank 专论与 Medline 摘要语料——18,502 个药理学实体、5,028 条 PK/PD 药物相互作用，SemEval-2013 Task 9 DDIExtraction 官方黄金标准，学术研究免费

DrugBank 药物专论 792 篇 + Medline 摘要 233 篇（共 1,025 篇），人工标注 18,502 个药理学实体与 5,028 条 PK/PD 药物相互作用，XML 格式 28

医疗NLP药物发现与化学知识图谱命名实体识别关系抽取药物安全

OnSIDES — 药品说明书不良反应结构化库

结构化数据公开数据文本数据不适用（药物-不良反应对为主；主 README 口径 4,097 药物成分 / 51,460 标签 / 7.1M+ drug-ADE pairs，截至 2026-04）

微调 PubMedBERT 从 FDA/EMA/EMC/KEGG 四源药品标签抽取 700 万+ 药物-不良反应对，映射 RxNorm 与 MedDRA PT；CC BY 4.0 公开、季度更新，附儿科/国际/标注三补充库

FDA 结构化产品标签（DailyMed, 美国）+ EMA 欧盟药品标签 + EMC 英国药品标签 + KEGG 日本药品标签；药物映射 RxNorm（国际药用 OMOP RxNorm Extension），不良反应映射 MedDRA Preferred Terms 36

医疗NLP临床文本药物安全公共卫生与流行病学命名实体识别

PsyTAR — 精神科药物不良反应评论语料

文本数据人工标注原始数据891 篇药物评论帖（JBI 口径 887 篇含文本：SSRI 428 + SNRI 459）；6009 句；平均年龄 37 岁

891 篇 askapatient 患者评论拆 6009 句，三层标注（句子分类/实体识别/UMLS-SNOMED 归一化），CC BY 4.0 开放

askapatient.com 医疗评价论坛 API 采集的四种精神科药物（Zoloft/Lexapro/Cymbalta/Effexor XR）患者评论，经去个人信息与语法修正后拆句，双人标注句子分类（ADR/WD/SSI/DI/EF/INF/Others 七类）与四类实体 mention，再归一化到 UMLS 与 SNOMED CT；CSV 格式分发 48

医学问答与基准医疗NLP生物医学文献多模态临床文本

MMedC — 255 亿 token 多语言医学预训练语料

文本数据原始数据不涉及患者（纯文本预训练语料，非病例数据）；语料量约 255 亿 token，覆盖 6 主语言（HF 实挂 8 语言），HF 存储 105.1 GB

上海交大「Towards Building Multilingual Language Model for Medicine」官方预训练语料——六主语言（HF 实挂八语言）255 亿 token、四类来源（CommonCrawl 过滤/教材 OCR/医学网站/小规模语料）、CC BY-NC-SA 4.0 无门禁公开，配套 MMedBench 基准与 MMed-Llama 3 系列模型

四类来源合成：(i) CulturaX/CommonCrawl 医学内容（每语言 200 术语、MKC+DENS 双阈值过滤）(ii) >20,000 本医学教科书 PaddleOCR 正文（英 4B/中 1.1B/俄 0.4B/法 0.3B token）(iii) 医学百科/咨询/新闻站点 (iv) 现有小规模医学语料（Wikipedia/百度百科/UFAL） 43

公共卫生与流行病学药物发现与化学化学信息学药物安全知识图谱

EPA CompTox Chemicals Dashboard — 137 万化学品毒理与暴露信息聚合门户

知识库结构化数据预测数据不适用（化学品记录：v2.8 共 1,376,722 种化学品）

美国 EPA 计算毒理学与暴露中心（CCTE）打造的化学品信息「一站式门户」：以 DSSTox 身份体系（DTXSID/DTXCID）为骨架，聚合 ToxCast 体外生物活性、ToxValDB 毒性值、ToxRefDB 动物毒性、CPDat 用途、OPERA 预测等 20 余个数据源，覆盖 1,376,722 种化学品，全部美国政府公共领域开放数据；本文厘清「门户 ≠ 单一数据集」的边界，并给出 API 只读取数与批量下载的实操路径

化学身份层 DSSTox（20241112 快照，含 DTXSID/DTXCID、MS-Ready/QSAR-Ready 结构、InChI/InChIKey、CASRN）+ 20 余个数据源：ToxCast/invitrodb v4.2、ToxValDB v9.6.2、ToxRefDB v2.1、CPDat 4.0.0、OPERA v2.6、HTTK v2.3、ChemPROP 20191118、ACD/PERCEPTA、NHANES 生物监测、暴露预测、生产量数据等（明细见正文 §2 与附录 A） 34

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

按工程化层级：

数据标签

千方医数集 · 商业级 AI-Ready 数据集

乳腺阳性影像数据集

TCT 宫颈细胞学数据集

需要更多专病队列？

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

USDA FoodData Central

MedTrinity-25M — 2500 万级多粒度标注医学多模态数据集

MedSecId — 临床笔记章节识别标注语料