即取即用的 AI-Ready 医疗数据集库
千方医数集致力于为医疗 AI 研究人员找到合适的数据集，让你的 AI 感知模型能够更快地学习、更准确地运行，并无缝适应现实世界的环境。
数据标签
共 1151 个数据集
arXiv 预印本 — 326 万篇，医学影像模型的真正首发地
它不是一个数据集，是一个每天新增一千多篇论文的开放档案：eess.IV（影像与视频处理）是医学影像方法的首发地，通常比期刊早 6–18 个月。元数据全部 CC0，正文许可由作者逐篇选择——这意味着你拿到的每一篇，可用范围都不一样，而这是把它当训练语料时最容易忽略的一处
UCDP 冲突数据 — 41.8 万起有组织暴力事件，记到村庄与单日
它不是伤亡统计，是把「暴力」这件事拆成可核验的最小单元：某天、某个坐标、哪两方、死了多少人、依据什么来源。37 年、126 个国家、425.8 万条死亡记录。做冲突与健康研究时，这是唯一能让你把「战争」当作一个可测量的环境暴露变量接进模型的东西
OECD 健康统计 — 86 个 dataflow，把「卫生系统」拆成可比的零件
它不是一份数据，是一套 SDMX 3.0 的机器可读接口：生命 expectancy、医疗支出与筹资、医生护士密度、病床与 ICU、住院与手术量、癌症与传染病死亡、可避免死亡、药品市场——全部放在同一套维度模型下。做卫生系统比较研究时，你真正需要的那张「国家 × 年 × 指标」表，这里有 18 组数据流等着被拼起来
世界银行开放数据 — 29,544 个指标，把「国家」变成一行
它不是一个数据集，是 71 个数据源的统一检索层：每个指标都标了原始生产者（WHO、UNICEF、ILO、IMF），每条观测都带国家代码、年份、单位与小数位。做跨国健康公平研究时，你真正需要的那张表在这里是「国家 × 年份 × 指标」的三维点阵
Matbench — 13 个材料任务，给算法排座次
它本身不是一个材料数据库，而是一份「考卷」：13 道题、10 个原始数据来源、40.8 万条样本，五折嵌套交叉验证、随机种子写死、划分文件随包分发。它的价值在于把「我的模型更好」这句话变成可复核的分数——代价是，你必须接受它的清洗口径与划分方式，而不是自己那套
HMD — 41 个国家的死亡率，能一路算到 1751 年
同一个方法协议做了 26 年：把各国统计局口径不一的出生数、死亡数、人口数，重建成年龄×年份×性别的单岁标准网格。瑞典那条序列从 1751 年开始，跨越 274 年没有断过——这是全人类最长的一条连续死亡记录
SHARE — 28 国 17.5 万人，欧洲老去过程的统一标尺
同一份问卷、同一套变量名、同一套缺失码，在 28 个国家问了 22 年：它让「德国的老人比意大利健康吗」这个问题第一次变得可以计算——而它最锋利的部分，是那 2.7 万份干血斑
Add Health — 2 万个美国青少年，从 12 岁追到 44 岁
1994 年在 145 所中学里问出 9 万份问卷，抽 2 万人做家访，然后每 5–7 年回去一次，一直到 2025 年他们 44 岁——这不是一个数据集，是一代人被反复测量的三十年
Europe PMC — 4,911 万条生命科学文献，1.3 亿条机器标注
它不是 PubMed Central 的欧洲镜像：多了预印本、专利、Agricola，多了一整套资助方反查，还多了 13 亿条文本挖掘标注——这是目前唯一能「按钱查论文、按论文查数据」的公开文献基础设施
CPIC — 把基因型翻译成剂量的那一层
132 个基因、324 种药、29 部指南、2,115 条推荐：它不做研究，只做一件事——把文献里的证据定级，然后落成一句「该加量、减量、还是换药」
Rfam — 4,227 个 RNA 家族，每个家族一个协方差模型
十个种子序列、一个协方差模型、一份共识二级结构：Rfam 是 RNA 世界的 Pfam，它不给你序列清单，给你的是「怎么在基因组里找出这个家族」的搜索器
RNAcentral — 六千万条非编码 RNA，四成是 rRNA
60,054,521 条序列、56 个专家库、110 万个物种：它不产生数据，只做一件事——把同一个 RNA 分子在不同库里的十几个编号，归并成一个 URS
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。
