医疗 AI-Ready 训练数据集库（上万即取即用）

上海交通大学与上海 AI Lab 联合中国移动发布的首个全面医学指令微调数据集（与 MedS-Bench 基准、MMedIns-Llama 3 模型成对发布）——整合 58 个生物医学语料库，覆盖考试、临床文本、学术论文、医学知识库、日常对话五大来源共 122 项任务；现行口径计 500 万实例 + 1.9 万条指令（v1 论文因「指令与实例组合各计一样本」曾计 13.5M，双口径详见表），仓库许可 CC BY-SA、论文版权 CC BY 4.0，HuggingFace 公开约 7.58 GB

58 个医学生物语料库（exams 考试 / clinical texts 临床文本 / academic papers 学术论文 / medical knowledge bases 医学知识库 / daily conversations 日常对话五大域）经 Super-NaturalInstructions 式模板重组的 122 项任务指令-实例对；HF 公开约 7.58 GB 40

医学影像病理图像多模态影像-文本对齐肿瘤学

PatchGastricADC22 — 胃腺癌活检 WSI 图文对 patch 数据集

影像数据文本数据原始数据991 名患者的 991 张 H&E 胃腺癌内镜活检 WSI（患者与切片一一对应）

Medmain Research 从 IUHW 三田医院 991 张胃腺癌内镜活检 H&E 全切片抽取 262,777 张 300×300 patch，每张切片配对一条诊断报告级 caption——病理图文配对与报告自动生成任务的 CC-BY-4.0 公开基准

International University of Health and Welfare (IUHW) 三田医院（东京）外科病理档案的 H&E 胃腺癌内镜活检 WSI（x10/x20 数字化）+ 提取自常规诊断报告并译为英文的 WSI 级 caption；官方分发：Zenodo patches_captions.zip（7.2 GB）+ captions.csv（264.5 kB） 41

病理图像医学图像分割图像分类肿瘤学医学问答与基准

Prov-GigaPath — 微软与 Providence 的 13 亿图块全片病理基础模型

影像数据原始数据公开评测逾 30,000 名患者（171,189 张 WSI，覆盖 31 大组织类型、28 个肿瘤中心；患者级精确数未逐一披露）

基于 Providence 医疗系统 171,189 张全片病理图像、13.8 亿个 256×256 图块预训练的全片病理基础模型，以 LongNet 超长上下文建模整张 gigapixel 切片，26 项数字病理任务中 25 项达 SOTA——权重公开却受 gated 条款约束、官方明确 research-only 禁用临床与商业部署

Providence 医疗系统真实世界 H&E 与 IHC 病理全片图像（Prov-Path，171,189 张 WSI / 1,384,860,229 个 256×256 图块）+ 关联病理报告、癌症分期、基因组突变谱；评测另用 TCGA 数据 38

生理信号语音信号评测基准图像分类

Speech Commands Dataset — 105,829 条 1 秒关键词识别音频语料

原始数据公开数据集非患者数据；2,618 名众包志愿者说话人（无性别/族裔等人口学属性采集）

Google Brain 发布的限定词表语音识别基准：35 个英文单词 + 背景噪声，2,618 名说话人，1 秒 16kHz WAV，CC BY 4.0 公开——端侧关键词识别的经典训练与评测集

Google Brain 众包采集的单字发音音频（16kHz 单声道 16-bit PCM WAV，每条约 1 秒），含 35 个英文词 + _background_noise_ 背景噪声 + validation_list.txt/testing_list.txt 官方划分清单 47

基因组学与多组学微生物组评测基准挑战赛数据集测序数据

CAMI II — 宏基因组解读关键评估第二轮挑战基准

模拟数据原始数据评测结果不涉及患者；含 1 例临床病原检测样本（危重患者未知感染宏基因组）

1,680 个微生物基因组 + 599 个环状元件模拟的海洋/高菌株多样性/植物相关三环境宏基因组基准，30 队 76 程序 5,002 组结果的全景评测——Nature Methods 2022，含组装/分箱/profiling/临床病原检测五任务

CAMI 挑战赛官网（cami-challenge.org，datasets 页列 CAMI II marine/strain-madness/plant-associated/clinical 四数据集）+ PUBLISSO 数据仓（DOI 10.4126/FRL01-006425521）+ Zenodo CAMI 社区软件产出 + 论文评测代码 GitHub（CAMI-challenge/second_challenge_evaluation） 46

药物发现与化学多模态评测基准

QMugs — 类药物分子量子力学性质数据集

原始数据计算生成数据结构化数据不适用（计算化学数据集，非患者数据）

ETH Zurich RETHINK 组从 ChEMBL 提取 665,911 个类药物分子、生成 1,992,984 个构象，在 GFN2-xTB 与 DFT（ωB97X-D/def2-SVP）双理论级别上计算能量、部分电荷、转动常数乃至 DFT 密度与轨道矩阵波函数，未压缩逾 7 TB——首个面向类药物大分子的第一性原理量化数据集合，为 Δ-learning 与构象感知的量子机器学习铺路，Sci Data 2022 开放获取

ChEMBL 数据库提取的 665,911 个生物/药理相关类药物分子，经 GFN2-xTB 生成并优化 1,992,984 个构象，以 Psi4 计算单点性质与 DFT 波函数，存为 SDF 文件集（summary.csv + structures.tar.gz，经 libdrive.ethz.ch 分享） 43

药物发现与化学量子化学分子性质预测评测基准基因组学与多组学

MD22 — 42 至 370 原子生物大分子的 DFT 轨迹与力场基准

模拟数据原始数据开放数据不适用（非人类受试数据；7 个分子体系 / 323,422 个构型 / 23,716,460 原子-帧）

MD17 的大体系升级版——7 个生物大分子/超分子（四肽、脂肪酸、四糖、DNA 碱基对、巴基球捕捉器、双壁纳米管）的 FHI-aims + i-PI 从头算 MD 轨迹，含 DFT-PBE+MBD 势能与原子受力标签，共 32 万余构型，CC0-1.0 于 sgdml.org 公开

FHI-aims + i-PI 生成的 MD22 基准轨迹（DFT-PBE+MBD/tight 与 /light 两档基组），含每个构型的总势能与逐原子受力三维向量，7 个体系各自独立 .npz/XYZ 文件，另由 ColabFit Exchange 提供 7 个 Parquet 格式化镜像 70

药物发现与化学量子化学分子性质预测分子生成

ANI-1x — 主动学习生成的 500 万分子构象 DFT 数据集

量子化学计算分子构象原始数据不适用（对象为有机小分子，非患者）；含约 495.6 万构象、75,700,481 原子、约 6.4 万个分子及分子复合物、3114 个 HDF5 化学式分组

Los Alamos 国家实验室用 Query by Committee 主动学习采样约 495.6 万 CHNO 有机分子非平衡构象、7570 万原子，以 ωB97X/6-31G(d) 标注能量/力/偶极，CC0 公共领域奉献，成为机器学习势与 ANI-1ccx 迁移学习的通用底座

Los Alamos National Laboratory 主导，以 Query by Committee 主动学习对 GDB-11 / ChEMBL / RDKit 生成氨基酸与二肽施加 MD/简正模/二聚体/扭转四类采样，经 ωB97X/6-31G(d)（Gaussian 09）计算能量/力/偶极；ANI-1ccx 子集约 50 万构象以 CCSD(T)*/CBS 重算 83

药物发现与化学化学信息学分子对接虚拟筛选评测基准药物-靶点相互作用

CSAR — 社区结构-活性资源基准数据集

实验测定结构数据专家整理非患者数据集：2010 基准集 343 个蛋白-配体复合物；CSAR-NRC HiQ 176+167 个复合物（52 靶点多结构+191 单结构）；2012 数据集 6 个蛋白靶点、757 个化合物（

美国国立卫生研究院资助、密歇根大学 Carlson 团队主持的社区结构-活性资源：以 Binding MOAD 与 PDBbind 精选 343 个高质量蛋白-配体复合物及 Kd/Ki 亲和力构建 2010 基准实验，衍生 CSAR-NRC HiQ 与 2012 制药数据捐赠集，成为分子对接打分函数评测的公共标尺

Binding MOAD 与 PDBbind 精选 PDB 共晶结构 + 实验结合亲和力（Kd/Ki，2010 集剔除仅 IC50 者；2012 集含 IC50）+ 配体 SMILES/MOL2 文件 + 对接 decoy 构象集 + 密歇根大学内部实测物性数据（logD/logP/热力学溶解度/pKa）+ Abbott、GSK、Vertex 捐赠数据（2014 基准为未发表制药数据） 34

药物发现与化学药物-靶点相互作用化学信息学虚拟筛选

Drug Target Commons — 社区众包的药物-靶点生物活性开放知识库

文献挖掘数据库整合原始数据非患者数据集（化合物-靶点生物活性数据库，无个体健康信息）

DTC 是赫尔辛基大学 FIMM 团队主持的众包平台：把 ChEMBL、BindingDB 与文献散落的数百万条药物-靶点生物活性数据统一提取、μBAO 协议注释、管理员审核后开放下载（CC BY-NC-SA 3.0），提供 CSV 全量导出、数据库 dump 与 API 三通道，是化学信息学与药物再利用研究的公共生物活性底座

ChEMBL（主来源）+ BindingDB（约 50 万条）+ 文献直采约 6 万条注释；每条记录含化合物标识（25 库交叉链接）、蛋白靶点标识（94 库交叉链接）、生物活性终点值（Kd/Ki/IC50/EC50 等）与 μBAO 注释字段（assay type/format、endpoint type、detection technology） 76

药物发现与化学化学信息学分子性质预测评测基准

AqSolDB — 9982 化合物水溶性参考数据集

原始数据开源软件公开数据9982 个唯一化合物（非患者数据）；HuggingFace 社区镜像 train 7488 / test 2494

荷兰 DIFFER 研究所 AMD 团队从 9 个公开数据集系统性策展出的最大开放水溶性参考库——统一 LogS 单位、SMILES 往返校验、多源竞争值统计选值算法加 RDKit 二维描述符，成为分子性质回归的经典基准

Harvard Dataverse 公开数据集 AqSolDB（DOI 10.7910/DVN/OVHAW8）：9982 化合物实验水溶性值（LogS）+ SD + Ocurrences + Group 可靠性标签 + RDKit 计算 2D 描述符（MolWt/MolLogP/TPSA 等）+ SMILES/InChI/InChIKey 三重结构表示；策展源代码 GitHub mcsorkun/AqSolDB（MIT） 41

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。

医疗 AI-Ready 训练数据集库（上万即取即用）

按工程化层级：

数据标签

千方医数集 · 商业级 AI-Ready 数据集

乳腺钼靶影像与病灶标注数据集

眼底照相与 OCT 影像数据集

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

MICrONS — 小鼠视皮层立方毫米功能-结构联合连接组图谱

MedS-Ins — 面向医学大模型的大规模指令微调语料：58 个语料库、500 万实例、1.9 万条指令