即取即用的 AI-Ready 医疗数据集库

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

医学影像医疗NLP生物医学文献医学问答与基准评测基准

PubTabNet — 56.8 万张文献表格图像的 HTML 识别数据集

自动标注影像数据原始数据568k+ 张表格图像（无患者级口径；来源文献为已发表的开放获取生物医学期刊论文）

IBM Research Australia 从 PubMed Central 开放获取子集自动对齐 PDF 与 XML 生成的 568k+ 表格图像+HTML 标注语料，附带 EDD 编码器-双解码器模型与 TEDS 树编辑距离指标，是图像表格识别领域事实上的基准数据集

PubMed Central Open Access Subset（commercial use collection）论文的表格区域 PNG 图像 + 自动对齐生成的 HTML 结构与单元格文本标注（jsonl，含非空单元格 bbox） 28

医学影像MRI脑影像医学图像分割神经科学评测基准

BrainWeb — MRI 仿真脑数据库与真值金标准

合成数据影像数据人工标注正常脑解剖模体 1 套（旧版，10 类标签）+ 20 个正常脑模体（2006 扩展，12 类标签）+ MS 病变模体 3 套（moderate 进预计算库；mild/severe 仅定制模拟）

McGill McConnell 脑影像中心用数字脑模体按 Bloch 方程第一性原理生成的 MRI 仿真数据库——提供模糊隶属度与离散标签双轨真值，3 模态×5 层厚×6 噪声×3 INU 预计算网格，20 个正常脑模体扩展

数字脑模体（1mm 各向同性 181×217×181，Talairach 空间）：模糊组织隶属度体 + 离散类别标签体；MRI 模拟器按 Bloch 方程生成的 T1/T2/PD 体积（3 模态×5 层厚×6 噪声×3 INU 预计算网格）+ 20 模体 T1 数据（SFLASH TR=22ms/TE=9.2ms/翻转角 30°） 28

电子健康记录医疗NLP医学问答与基准多模态

MIMIC-IV-Ext Cardiac Disease — 4761 例真实心脏病住院全检查链 LLM 诊断基准

原始数据文本数据时序数据4761 例住院记录（hadm_id 级），覆盖 20 种 ICD-10 心脏病主诊断；最大病种心衰 I50 1420 例、急性心梗 I21 1398 例；平均每例 14.21 个真实诊断

MIMIC-IV 心脏病专用扩展子集：20 种 ICD-10 心血管疾病 4761 例住院记录，逐例重组主诉、现病史、查体、影像、检验、微生物与心电报告为诊断证据链，配套多轮交互框架检验大模型能否引导院内检查

MIMIC-IV v3.1（BIDMC 重症住院 EHR）+ MIMIC-IV-Note 出院报告 + MIMIC-IV-ECG 心电机器报告；衍生文件含 heart_diagnoses.csv 核心证据链表、heart_labevents_examination_group.csv 检验分组表、heart_microbiologyevents.csv 微生物培养表、heart_procedures.csv 操作表、HPI.json 与 RAG_data.json 检索库 32

生理信号语音信号多模态医疗NLP评测基准

DAIC-WOZ

人工标注音频数据原始数据189 场访谈（受试编号 300-492 区间，编号不连续）；官方划分 train 107 / dev 35 / test 47

南加州大学 ICT 的 189 场虚拟访谈员 Ellie 半结构化心理困扰筛查多模态语料——16kHz 音频+人工转写+OpenFace 视觉特征+PHQ-8 标签，AVEC 2016 抑郁子挑战赛官方数据，签 EULA 限学术非营利使用

USC ICT DAIC-WOZ：189 场 Wizard-of-Oz 筛查访谈的 16kHz wav 音频 + 人工 CSV 转写 + OpenFace 30fps 视觉特征（68 点 2D/3D 关键点、HOG、AU、注视向量、头姿）+ PHQ-8 评分与二分标签 41

公共卫生与流行病学调查数据公共卫生统计真实世界数据

USDA FoodData Central

原始数据公开数据表格数据非患者数据集；含 5 类食品记录：Foundation Foods（数千条级）、SR Legacy（约 7,000+ 条、2018 冻结）、Survey Foods（FNDDS 2021-2023，约

美国农业部食品数据中心——五大数据类型统一门户（Foundation Foods/SR Legacy/Survey Foods/Experimental Foods/Branded Foods），公有领域 CC0，免费 API 与 CSV 全量下载，全球营养研究与膳食评估的金标准参考库

USDA ARS 实验室分析（Foundation Foods）；SR Legacy（2018 冻结）；FNDDS 2021-2023（Survey）；同行评审合作研究（Experimental）；厂商提交的 USDA Global Branded Food Products Database（月更） 52

多模态医学影像医学图像分割图像分类医疗NLP

MedTrinity-25M — 2500 万级多粒度标注医学多模态数据集

原始数据文本标注自动生成标注2500 万幅图像（25M 全量 / 18M accessible / 75K demo 三档），覆盖 10 种模态与 65 种以上疾病；患者级数量未披露

UCSC-VLAA 与华中科技大学等联合构建的超大规模医学多模态图像-感兴趣区-描述三元组数据集：2500 万幅图、10 种模态、65 种疾病，自动流水线产出病灶级多粒度文本标注，无需人工配对报告，支撑 ICLR 2025 论文与 LLaVA-Tri 基础模型

28 个公开医学影像源数据集（CheXpert、MIMIC-CXR-JPG、DeepLesion、TCGA、BRATS、SLAKE、PathVQA、PMC-OA、Quilt-1M、ULS23 等）+ 自动流水线生成的病灶级多粒度文本描述（MLLM+RAG） 45

医疗NLP临床文本电子健康记录临床电子病历评测基准

MedSecId — 临床笔记章节识别标注语料

人工标注文本数据原始数据2,002 份临床笔记（来源患者数未在论文中以唯一患者口径披露）；覆盖 50 种章节类型、5 类笔记来源（出院小结/放射/会诊/超声心动/医生病程记录）

首个大规模公开的临床笔记章节识别（Section Identification）语料——2,002 份 MIMIC-III 临床笔记逐句标注 50 种章节类型，由 2 名主治医师与 1 名高年资住院医标注，Krippendorff α 达 0.84-0.87，BiLSTM-CRF 基线 Micro F1 达 0.955；标注文件 Zenodo 公开，笔记原文需 PhysioNet 凭证

MIMIC-III v1.4 NOTEEVENTS 临床笔记全文（出院小结、放射报告、会诊记录、超声心动报告、医生病程记录五类）+ 逐句章节标注（span+标签，Zenodo record 7150451 公开） 40

基因组学与多组学药物发现与化学医疗NLP

RTX-KG2 — 转化医学语义标准化知识图谱

知识图谱多源整合公开获取非患者数据集：KG2.7.3 为 6,400,000 节点 / 39,300,000 边 / 77 种 Biolink 关系类型；KG2.10.1c 分发体积节点 JSONL 359.1 MB、边 J

俄勒冈州立大学为 NCATS Biomedical Data Translator 构建的第二代生物医学知识图谱：以 ETL 流水线整合 70+ 个上游知识源（UMLS、SemMedDB、ChEMBL、DrugBank、Reactome、SMPDB 等），统一映射到 Biolink Model 语义层，KG2.7.3 规模 640 万节点 / 3930 万边，代码 MIT、图格式 CC BY-4.0、图内容受上游许可约束不可再分发

整合 70+ 上游生物医学知识源：UMLS Metathesaurus（含 RxNorm/MESH/GO/HPO/MONDO/ChEBI 等子源）、SemMedDB、ChEMBL、DrugBank、Reactome、SMPDB、DisGeNET、DGIdb、HMDB、UniProtKB、IntAct、NCBIGene、KEGG、NCBI Taxonomy、Uberon 等，统一映射至 Biolink Model 39

生理信号可穿戴传感时序数据真实世界数据评测基准

ShanghaiT1DM & ShanghaiT2DM — 上海糖尿病动态血糖数据集：真实生活 CGM 与称重饮食记录

原始数据传感数据自报数据112 例患者（T1DM 12 例 + T2DM 100 例）；CGM 记录文件 125 份（16 + 109）；CGM 测量点 128,170 个（15,695 + 112,475）

同济大学联合上海市东方医院与第四人民医院发布的中国糖尿病公开数据集合集：12 例 T1DM（含 10 例 LADA）与 100 例 T2DM 患者在真实生活条件下的 FreeStyle Libre H 动态血糖监测（15 分钟采样、最长 14 天佩戴），配套称重饮食记录、实验室检查、人口学与用药信息，CC BY 4.0 于 figshare 公开，面向血糖预测、餐后建模与强化学习血糖控制研究

FreeStyle Libre H flash 血糖仪 15 分钟间隔 CGM 时间序列 + 患者自报每日称重饮食记录（进食时间与食物重量）+ 糖代谢/血脂/肾功能实验室检查 + 人口学/BMI/病程/并发症临床特征 + 降糖用药记录 45