医疗 AI-Ready 训练数据集库（上万即取即用）

PLIP 是斯坦福团队在 OpenPath（208,414 对病理图文对，取自 32 个 hashtag 的 Medical Twitter 与 LAION-5B）上对 CLIP ViT-B/32 对比学习微调得到的首个病理学视觉-语言基础模型：零样本 F1 0.565-0.832，Nature Medicine 2023 发表，权重 HuggingFace 公开。

Twitter 公开推文与获赞最多回复（32 个病理亚专科 hashtag，2006-03-21 至 2022-11-15）+ PathLAION（LAION-5B 中 1,000 种子图余弦近邻迭代检索所得 32,041 对）；发布物为 Tweet ID 清单 + 图像 URL 清单（Google Drive，tinyurl.com/openpathdata 入口） 71

医学影像知识图谱命名实体识别影像-文本对齐

RadLex — RSNA 放射学术语本体与 Playbook 术式词典

文本数据专家构建原始数据不适用（术语本体资源，不含患者级数据、不含影像，仅收录放射学概念术语）

RSNA 2003 年启动的放射学统一术语本体：RID 标识放射学概念、is-a 层级最深 20 层、4.3 版统计页录 58,065 术语与 67 槽，配套 Playbook 约 1000 术式操作编码，经 BioPortal、WebProtégé、FHIR、Playbook 四渠道免费获取，是放射报告 NLP 与影像标签工程的术语底座

RSNA 与 Stanford 团队人工构建维护的放射学术语本体 OWL 文件（http://radlex.org/RID/RadLex.owl），经 NCBO BioPortal 分发（purl.bioontology.org/ontology/RADLEX，4.3 版 2025-12-01 上传）；配套 RSNA Playbook 术式编码（playbook.radlex.org） 57

医疗NLP生物医学文献关系抽取知识图谱命名实体识别

SemMedDB — 1.3 亿语义谓词织成的文献知识图谱

自动抽取知识图谱原始数据不适用：37,233,341 篇 MEDLINE 引文级文献记录，非患者队列

NLM LHNCBC 用 SemRep 1.8 全自动抽取 MEDLINE 3723 万篇引文标题与摘要的语义谓词数据库：130,480,195 条 predications、六表结构、30 种语义谓词、UMLS Metathesaurus 许可，semmedVER43_R 为官方声明的最终版

MEDLINE BASELINE 2022 + PubMed Update Files（through 2024-05-08）经 SemRep 1.8 Regular 全自动抽取：SENTENCE 263,160,520 句 / ENTITY 1,982,424,585 实体提及 / PREDICATION 130,480,195 语义谓词，六表 MySQL 转储与 CSV.gz 双格式 77

医疗NLP知识图谱命名实体识别生物医学文献公共卫生与流行病学

Human Disease Ontology — 人类疾病的统一命名世界语

原始数据知识本体不适用——本体为知识资源，不含患者级数据；共 11,953 个疾病类（v2025-09-30，DOI 10.5281/zenodo.17238005）

OBO Foundry 旗下覆盖全部医学专科的开源疾病本体：十五年从 8,043 个疾病类长到 11,953 个，9,656 条结构化定义、35,984 条指向 OMIM、UMLS、ICD 的跨库链接，逾 150 万条标注元素挂在这副骨架上；CC0 许可、五种格式发布，是疾病命名实体识别、富集分析与临床数据归一化的默认共享词表

Human Disease Ontology 官方发布：GitHub 仓库 DiseaseOntology/HumanDiseaseOntology（Release 制）+ Zenodo 版本存档（仓库级 DOI 10.5281/zenodo.10030383）+ PURL http://purl.obolibrary.org/obo/doid.owl；文件族含 doid.owl / doid.obo / doid.json / doid-merged.obo / HumanDO.obo 62

医疗NLP医学问答与基准医学问答临床文本知识图谱

DISC-Med-SFT

指令微调对话数据合成数据未披露（宣称 47 万+ 条医疗咨询对话样本；患者级去重数量无官方口径；HF size_categories 100K<n<1M）

复旦 FudanDISC 实验室为 DISC-MedLLM 而建的中文医疗对话式 SFT 指令数据集——MedDialog 40 万单轮咨询经 LLM 重构为多轮策略性问诊、CMeKG 知识图谱三元组转问答、2k 人工行为偏好对齐，宣称 47 万+ 样本，HuggingFace 公开约 2.03 GB 子集（apache-2.0），与模型成对发布、一次性交付无后续更新

MedDialog 中文医患咨询（LLM 重构为多轮，40 万）+ cMedQA2（重构为多轮，2 万）+ CMeKG 知识图谱三元组转 QA（5 万，按 MedDialog 科室分布采样）+ 2k 人工行为偏好修订（未公开）+ 通用域 MOSS-SFT 33k 与 Alpaca-GPT4-zh 1k（未公开，抑制灾难性遗忘用） 61