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。

医学影像 AI-Ready 数据集

CT MRI 病理 X光

电子病历与文本数据集

电子病历病历文本

病灶分割与标注数据集

病灶分割数据标注

按任务类型浏览

图像分类目标检测语义分割

共 1832 个数据集

药物发现与化学分子对接评测基准挑战赛数据集公共卫生与流行病学

OpenBind — 首届 OpenBind 社区盲测：寨卡病毒 NS2B-NS3 蛋白酶 400 化合物结构预测挑战

实验数据结构数据基准数据400 个小分子（blind_challenge_001–400），靶点为寨卡病毒 NS2B-NS3 蛋白酶（NS2B 46 aa + NS3 168 aa）

400 个从碎片到类先导的小分子、一个 46+168 氨基酸的双链靶点、一条收紧到 1.5 Å 的及格线：OpenBind 联合 OpenADMET 与 ASAP 把结构预测从回顾性打分推进到前瞻性盲测

OpenBind 联盟与 Diamond Light Source XChem 平台产生的 X 射线晶体学浸泡结构 + ASAP Discovery Consortium hit-to-lead 化合物；HF 仓库 openadmet/openbind-blind-challenge-1 56

药物发现与化学药物-靶点相互作用虚拟筛选分子对接评测基准

InteractBind — 9.9 万蛋白-配体对的残基级非共价相互作用图谱基准

公开数据衍生数据人工标注不适用（非患者数据）；规模口径：99,391 对蛋白-配体 / 11,473 唯一蛋白 / 9,017 唯一配体

从 PDB 实验结构出发，用 PLIP 与 GetContacts 把六类非共价接触投影成与 FASTA 序列对齐的残基级指纹；二元结合预测 AUROC 98.3% 的模型在结合位点定位上 BRHR@1 仅 21.6%——一个把「猜对结果」与「看懂位点」拆开来评的基准

PDB 实验解析蛋白-配体复合物（含有机配体、剔金属与结晶水）→ Foldseek 结构感知序列 + SMILES/SELFIES → PLIP 与 GetContacts 检测六类非共价接触 → 残基级二值指纹 21

医学图像分割多模态影像影像-文本对齐挑战赛数据集评测基准

Med-ReasonSeg — 54 万条影像-掩码-问答三元组的医学推理分割数据集

公开影像重打包自动生成标注衍生数据90,021 例扫描（影像级，非患者级；train 71,406 + test 18,615，两划分影像零重叠）；三元组 539,383 条

90,021 例扫描 / 16 个公开分割库 / 9 种模态 / 539,383 条三元组：两阶段 Gemini 流水线为每张掩码配 6 条问答（3 referring + 3 semantic），每图恰 5.99 条，服务于 MedFuse-Seg（MICCAI 2026）

16 个公开生物医学分割库的预处理重打包（BRISC/BUSI/CDD-CESM/Chest Xray Masks and Labels/COVID-19 CT/COVID-QU-Ex/G1020/ISIC 2018/LIDC-IDRI/MSD/NeoPolyp/NSCLC-Radiogenomics/OCT-CME/PolypGen/REFUGE/SIIM-ACR），配二元掩码与两阶段 Gemini 生成问答 22

眼科影像医学问答与基准多模态视觉问答评测基准糖尿病视网膜病变

X-PCR — 跨模态渐进式眼科临床推理基准

影像数据人工标注问答对58 例院内前瞻采集多模态病例（患者级人口学未披露）+ 51 个公开数据集派生影像（患者级数量未披露）

26,415 张眼科影像与 177,868 条专家核验 VQA，覆盖六模态与 52 病种，以六级因果链与跨模态对齐方式测量多模态大模型的诊断连贯性、幻觉与置信校准

51 个公开眼科数据集影像（CFP/FFA/ICGA/OCT/RetCam/外眼）+ 院内 58 例多模态对齐病例 + GPT-5 与 Gemini-2.5-Pro 半自动生成、眼科医师撰写与复核的 177,868 条多选题 VQA 28

医学问答与基准视觉问答评测基准医学问答图像分类多模态

NEJM-Bench — 二十年 NEJM 临床图像挑战的千题多模态基准

multiple-choice-questionsmultimodal-qaclinical-vignettesimage-urls-onlyno-answer-keys1,063 例（每周一期 Image Challenge，2005-10-13 至 2026-04-02；患者为去标识化的公开病例，无独立患者表）

《新英格兰医学杂志》Image Challenge 栏目 2005-2026 年 1,063 例临床图像五选一题：公开版剥离答案键、双场景（MCQ／开放作答）评测、本地 Qwen3.5-27B 裁判与训练截断过滤，暴露约 30 个百分点「选项红利」与放射学 25.7% 的难度下限

NEJM Image Challenge 公开栏目逐期抓取的题干与五选项（context/options）+ 外链病例图（csvc.nejm.org，1500×4000）+ LLM 生成的专科标签（categories.jsonl，每例 3 个） 29

医疗NLP临床文本电子健康记录医学问答与基准医学问答

MedSynth — 万对合成医患对话-SOAP 病历数据集

合成数据文本数据对话数据0 真实患者（全合成）：10,035 对虚构医患对话-病历，覆盖 2,001 个 ICD-10 码，无任何真实个人健康信息

10,035 对全合成医患对话与 SOAP 病历、覆盖 2,001 个 ICD-10 码：以 IQVIA 理赔分布定病种、GPT-4o 六代理流水线反向生成对话，陪审团偏好率对比 NoteChat 达 95%，并以 Dial2Note 基准身份进入 SMM4H-HeaRD 2026 共享任务

单一 CSV（MedSynth_huggingface_final.csv，约 326.6 MiB），四列：ICD10 / ICD10_desc / Note（SOAP 四段病历）/ Dialogue（多轮医患对话）；病种分布由 IQVIA PharMetrics Plus 理赔库统计分析确定 28

临床文本医学问答与基准评测基准命名实体识别知识图谱医学考试

CATS-58 — 临床缩写义项消歧平衡基准集

合成数据文本数据标注数据不涉及患者（全合成句，官方声明 No real patient records or identifiable health data were used，无 PII）；规模 58 缩写 × 2 义项

58 个高歧义临床缩写 × 2 义项 × 150 受控生成句 = 17,400 条——为临床缩写消歧（clinical acronym disambiguation）提供按义项完全均衡的合成基准，CC BY 4.0 于 HuggingFace 公开直链

Hugging Face NevenaD/CATS-58 数据集：58 个高歧义临床缩写 × 每缩写 2 个临床义项 × 每义项 150 条受控生成临床句，字段 acronym/sense/sentence，CSV 与 JSON 格式（另有 refs/convert/parquet 自动转换分支），原始体积 1.74 MB 25

电子健康记录临床电子病历医疗NLP医学问答与基准

CliniQ — MIMIC-III 电子病历实体检索基准：1,246 条查询 × 77,206 条 LLM 相关性判定，五类语义匹配首次量化

人工标注LLM标注文本数据1,000 份出院小结（对应 MIMIC-III 1,000 次住院 hadm_id）；切成 16,550 个 100 词语块

首个公开电子病历（EHR）实体检索基准：基于 MIMIC-III 1,000 份出院小结切成 16,550 个语块，从 ICD-9 与 NDC 处方标签转写 1,246 条疾病/操作/药物查询，GPT-4o 逐语块标注 77,206 条相关性判定（与专家 Kappa 0.985），并首创字符串/同义词/缩写/下位词/隐含五类语义匹配评估体系

MIMIC-III 公开出院小结（1,000 hadm_id，PhysioNet 请求制）+ MIMIC ICD-9 疾病/操作编码与 NDC 处方标签转写查询 + GPT-4o 逐语块相关性判定（五类匹配标签）+ BEIR 式语料/查询/qrels 三件套 19

医学问答与基准医学问答评测基准多模态视觉问答罕见病

LiveClin — 无泄漏活临床多模态评测基准

clinical-case-reportsmultiple-choice-questionsmultimodal-qamedical-imagesmedical-tables0（非患者队列数据集：病例来源于已发表文献的二次改写，原文已脱敏，本基准不含可识别个体与随访原始记录）

半年一换血的活临床基准：1,407 例 PMC 病例、6,605 道十选一顺序 MCQ、3,757 张图与 634 张表，26 个模型最高仅 35.7%，ICLR 2026

LiveClin 官方三件套：arXiv 论文 2602.16747、HuggingFace 数据集 AQ-MedAI/LiveClin、GitHub 评测代码 AQ-MedAI/LiveClin url: https://huggingface.co/datasets/AQ-MedAI/LiveClin 30

医疗NLP医学问答与基准评测基准临床文本

CARE-Bench — 面向患者的医疗大模型分诊能力基准：每轮四类当前行动评测，500 案例 1,059 披露前缀

人工标注文本数据评测基准500 案例（公开 439 + 受控 held-out 61）；1,059 个经评估患者披露前缀（公开 925 + 受控 134）；269 个独立保留评测轮次

CARE-Bench——以源可溯（source-grounded）方式从真实医患对话与门诊咨询重构 500 例临床案例与 1,059 个患者信息披露前缀，将面向患者的 LLM 分诊形式化为每轮四类当前行动任务（询问澄清/自我照护/常规就医/紧急升级），以固定 GPT-5.5 盲映射器对 11 个模型在 269 个保留轮次上做确定性评分，暴露模型在行动时机判断上的系统性安全缺陷

真实医疗对话、门诊咨询与随访提问来源语料，经 GPT-5.5 辅助重构 + 专家人工审查形成受控披露轨迹（受控披露轨迹/controlled disclosure trajectories）；每案例含源溯源（source grounding）、信息状态与行动金标签 31

医学问答与基准医学问答评测基准医疗NLP药物安全电子健康记录

BedsideBench — 500 例床旁临床问答评测基准

人工标注文本数据合成数据0 名真实患者（案例为合成或去标识化构造，不含 PHI）；共 500 例合成临床情境，公开 250 例

Doximity 出品的 10 面板×50 例临床问答基准：8 面板用签名加权 points rubric、2 面板用严重度加权 F1 管理计划评分；公开 250 例 + 私有 250 例，CC BY-NC-SA 4.0，附完整 judge 协议与 runner

Doximity 内部医师撰写并裁定的临床问答题库随机子采样：10 面板×50 例，含 prompt + 签名加权 rubric items + manifest + JSON Schema + judge 协议 33

公共卫生与流行病学流行病学多模态影像

Nutrition5k — 食物营养成分视觉理解基准数据集

影像数据原始数据人工标注5,006 盘真实餐盘（README 口径；论文口径 5,066 道独特菜肴）；>250 种成分；约 20,000 段侧角视频；3.5k 盘含俯拍 RGB-D

Google Research 于 CVPR 2021 发布的通用食物营养理解数据集——加州园区自助餐厅采集 5,006 盘真实餐盘，配 4 路侧角扫掠视频、俯拍 RGB-D 图像、电子秤逐成分克重与 USDA 数据库换算的高精度营养标注，官方基线模型对卡路里的预测误差低于专业营养师的视觉估计，全量数据以 CC BY-4.0 许可公开

Google 加州园区自助餐盘认知扫描平台：4 路树莓派侧角视频（1920×1080，30°/60° 俯仰交替）+ Intel RealSense D435 俯拍 RGB-D（16-bit 深度）+ 盘下电子秤逐成分增量克重（±1 g）+ USDA Food and Nutrient Database 换算的逐成分与全菜营养标注 26

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。