即取即用的 AI-Ready 医疗数据集库

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

药物发现与化学化学信息学药物-靶点相互作用虚拟筛选分子对接知识图谱

TCMBank — 全球最大免费中医药关系型数据库

知识库关系数据原始数据不适用（非患者级数据集：9191 草药 / 61965 成分 / 15179 靶标 / 32529 疾病）

9191 种草药、61965 种成分、15179 个靶标与 32529 种疾病构成六对异质关系网络——中山大学陈语谦团队以 IDIM 智能文献识别+两次人工验证持续更新，并提供 mol2 三维结构支撑虚拟筛选与集成学习药物重定位

TCM 领域六库（TCMID/TCMSP/SymMap/TCM-ID/HERB/ETCM）+ 公开库（OMIM/HGNC/MeSH/Ensembl/DO/HPO）+ PubChem 文献经 IDIM 智能识别抽取，两次人工验证后入库 44

基因组学与多组学药物发现与化学知识图谱医学问答与基准药物-靶点相互作用转录组

HERB 2.0 — 中医药临床与实验证据一体化知识库

文本数据结构化数据知识图谱多组学数据非患者级数据集：9 类实体共 129,441 个（中药材 6,892 / 成分 44,595 / 方剂 6,743 / 靶点 15,515 / 疾病 30,170 + 四类证据实体）；知识图谱关系 2

本草组鉴 2.0：整合 8,558 项临床试验、8,032 项荟萃分析、2,231 项高通量实验与 6,644 篇参考文献，汇聚 129,441 个实体与 287 万条关系的九类实体中医药知识图谱，并以连接图谱把中药-成分-方剂映射到现代药物与疾病

整合四类中医药证据：临床试验 8,558 项 + 荟萃分析 8,032 项（临床结论明确者 1,941 / 593 项，配 2,903 / 563 篇支持论文）+ 高通量实验 2,231 项（来自 1,206 个 GSE、22,560 个 GEO 样本，覆盖 376 疾病）+ 参考文献 6,644 篇；实体与 CMap（2,837 现代药物）及 GEO/DisGeNET/OMIM/HPO/GenBank/GeneCards/TTD 交叉引用 101

医疗NLP临床文本命名实体识别关系抽取评测基准多模态

Real-MedNLP — 首个真实英日平行病例与放射报告的医学 NLP 共享任务

人工标注文本数据多语言数据MedTxt-CR 224 篇病例报告（论文构建口径；Test Collection 实际释放 100 篇训练集）；MedTxt-RR 135 篇放射报告（9 名放射科医生 × 15 个肺癌病例）

NTCIR-16 上以 224 篇真实病例报告与 135 篇真实放射报告为基座、覆盖日语原文与英语人工翻译的 MedTxt 平行语料，含低资源 NER、药物不良事件提取、同一病例识别三类任务，9 支队伍参赛，CC BY 4.0 训练部分公开释放

J-Stage 日本学术平台开放获取病例报告（按 MANBYO-DIC/J-MeDic 疾病频率筛选，224 篇，人工译为英语）+ 9 名放射科医生为 15 个肺癌病例新撰写的放射报告（135 篇，含英译）+ 五类实体（疾病症状/解剖部位/时间/检查/药物）与模态标注 + Task3 的 ADEval 四级药物不良事件标注与病例识别金标准 31

生理信号语音信号挑战赛数据集评测基准儿科

SPRSound — 首个公开儿科呼吸音数据库：2,683 条录音与 9,089 个事件的听诊 AI 基准

人工标注原始数据音频数据292 名受试者（1 个月至 18 岁儿科人群）；2,683 条记录、9,089 个呼吸音事件

上海交大联合上海儿童医学中心采集的儿科呼吸音库——1 个月至 18 岁、11 名儿科医师金标准标注、自研 SoundAnn 标注软件，历经 2022-2025 四届 IEEE BioCAS 呼吸音挑战赛，从事件级/记录级分类扩展到压缩与事件检测双赛道

上海儿童医学中心（SCMC）儿科呼吸科现场采集的 .wav 呼吸音 + 同名 .json 双层标注（记录级 + 事件级）；IEEE DataPort DOI 10.21227/nfkk-1x47｜GitHub SJTU-YONGFU-RESEARCH-GRP/SPRSound 44

生理信号语音信号可穿戴传感评测基准

HF_Lung_V1 — 开放获取肺音数据库与呼吸相位检测基准

人工标注原始数据时序数据来源受试者 279 名（TSECC 2020 数据库 261 名患者 + 台湾北部 RCW/RCC 18 名住院者）；录音段 9,765 段（每段 15 秒）

Heroic-Faith 与台湾团队构建的 9,765 段 15 秒肺音库——含 34,095 吸气/18,349 呼气/13,883 连续异常音/15,606 爆裂音标签，自研 HF-Type-1 八麦克风设备，CC BY 4.0 于 GitLab 公开，八种 RNN 变体基准确立双向优于单向、加 CNN 增益的结论

台湾智慧急诊与重症监护（TSECC）2020 数据挑战赛数据库（CC BY 4.0，台湾急诊重症医学会 TSECCM 提供，261 名患者）+ 台湾北部呼吸照护病房/呼吸照护中心（RCW/RCC）18 名住院者于 2018 年 8 月至 2019 年 10 月的录音（伦理批件 107052-F） 68

生理信号可穿戴传感步态与运动帕金森病神经退行性疾病时序数据

COPS — 帕金森病症状连续观测：双腕加速度计与逐小时症状日记同步数据集

传感器数据人工标注时序数据66 例帕金森病患者（男 41 / 女 25，平均年龄 58.66 岁）；会议摘要前身口径 65 例

德国科隆大学医院 66 例帕金森病患者佩戴 GENEActiv 双腕三轴加速度计（100 Hz）最多 7 天，逐小时填写运动状态/震颤/冻结步态/跌倒/用药日记，产出 393.8 天同步金标准数据，CC BY 4.0 于 OSF 公开

双腕 GENEActiv 三轴加速度计原始波形（100 Hz，含光感与体表温度通道）+ 逐小时症状日记（运动状态 7 点/震颤 3 点/冻结步态二值/跌倒二值/用药时间/睡眠）+ 人口统计学与临床量表（UPDRS-III、Hoehn & Yahr、DBS 状态） 33

医学影像病理图像医学图像分割目标检测挑战赛数据集评测基准

KPIs 2024 — MICCAI 2024 肾小球分割挑战赛

人工标注影像数据原始数据啮齿动物（小鼠）4 模型组：Normal / 5,6Nx / DN / NEP25；45–60+ 张 WSI（患者/个体级数量未披露）

MICCAI 2024 首个肾脏病理功能单元分割挑战赛——逾 10,000 个肾小球标注、60+ 张 PAS 染色全切片、10,428 个 2048×2048 patch，以 DSC 与 F1 双指标在四种 CKD 啮齿模型上建立肾小球分割基准

60+（一说 58）张 PAS 染色小鼠肾脏全切片（TIFF，40×/0.11 µm/px 为主，NEP25 20×/0.24-0.25 µm/px）+ 2048×2048 像素 patch（PNG，共 10,428）+ QuPath 专家二值肾小球掩码（3 位病理学家标注）+ WSI 级实例掩码（TIFF） 36

医学图像分割蛋白质组学神经科学评测基准多模态

EMPIAR — 电镜公共图像档案：冷冻电镜原始图像的全球总库

影像数据原始数据公开数据不适用（原始图像档案，非患者队列；条目为实验/沉积单元，含分子/病毒/细胞尺度）

Electron Microscopy Public Image Archive 收录单颗粒冷冻电镜原始帧、电子断层倾斜系列、体积电镜与 X 射线断层三维数据集，2026 年累计 3,196 条、9.42 PiB，EMBL-EBI 运营、CC0 公共领域奉献、REST API 免认证开放，与 EMDB 三维图谱、PDB 原子坐标构成三方协作归档体系

全球冷冻电镜实验室沉积的原始图像与三维数据集（单颗粒/断层/体积 EM/X 射线断层），经 EMBL-EBI 策展后公开（EMPIAR-##### accessions，DOI 10.6019/EMPIAR-#####） 29

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

OnSIDES — 药品说明书不良反应结构化库

PsyTAR — 精神科药物不良反应评论语料

MMedC — 255 亿 token 多语言医学预训练语料