医疗数据大集结

医疗数据大集结

一、医疗大语言模型数据集
1.1 中文医疗数据集
1.2 英文 / 多语言医疗数据集

二、医疗大语言模型 / 预训练模型
2.1 开源预训练医疗大语言模型（以英文 / 生物医学为主）
2.2 多语言医疗大模型
2.3 英文医疗大语言模型

三、医疗大语言模型评测基准 / Benchmark
3.1 中文医疗基准
3.2 医疗VLM (Vision-Language Model) & 其Benchmark
(1) 代表性医疗VLM
(2) 代表性医疗VLM Benchmark

四、其他医疗NLP与知识图谱资源
参考使用建议

五、涵盖影像、基因、生物医学文本和对话数据集

一、医疗大语言模型数据集

下表主要收录中文和英文的医疗/生物医学相关数据集，涵盖问答、对话、知识图谱、文本抽取等任务。

1.1 中文医疗数据集

名称	链接	语言	数据规模	类型 / 任务	简介 / 备注
Huatuo-26M	GitHub	中文	2600 万 QA对示例	大规模中医问答	迄今为止最大的中医问答数据集，对模型在中医方向的微调非常有价值。
中文医疗对话数据集 (Toyhom)	GitHub	中文	6个科室, 79万多条	医患对话	包含男科、儿科、妇产科、内科、外科、肿瘤科，较为全面，适合对话式微调。
CBLUE	GitHub	中文	多任务数据，共计10万+	信息抽取、实体识别、关系抽取、阅读理解等	中文医疗NLP多任务基准，包含多份子数据集，如CMeEE、CMeIE、CMedRC等，适用于信息抽取或阅读理解等场景。
cMedQA2	GitHub	中文	10.8万+ 问答	医学问答	中文医药方面的问答数据集，超过10万条QA，适合问答场景预训练/微调。
xywy-KG	GitHub	中文	29.4万三元组	医疗知识图谱	包含医疗知识点和关系，用于基于知识图谱的QA或对话系统研究。
Medical-Dialogue-System (MedDialog 中文)	GitHub	中文	110 万条对话、400 万句	医生-病人对话	国内大型医患对话数据集，覆盖多种病症场景，对多轮对话生成模型非常有价值。
39Health-KG	GitHub	中文	21万三元组，3.7万实体	医疗知识图谱	覆盖7类实体、15项信息，在知识图谱问答和信息抽取上有广泛应用价值。
Yidu-S4K	OpenKG	中文	~4000条	命名实体识别、属性抽取	以临床文本为主，适用于医疗命名实体识别、信息抽取研究。
Yidu-N7K	OpenKG	中文	~7000条	临床语义标准化	聚焦临床文本标准化任务，如疾病、症状等归一化。
CPubMed-KG	CPubMed	中文	440 万三元组	高质量医学期刊知识图谱	基于中科院OpenI平台上的期刊文章构建，侧重科研级别的医学知识图谱。
CMeKG	CMeKG	中文	100 万三元组	医学知识图谱	包含大规模中文医疗实体与关系，覆盖多种类型实体与复杂关系。
CHIP历年测评	CHIP2022 CHIP2021 CHIP2020	中文	—	多任务官方测评	历年中国健康信息处理(CHIP)会议官方评测数据，包括实体识别、阅读理解、QA等多个子任务；真实医疗场景，专业性高。
瑞金医院糖尿病数据集	天池大赛	中文	—	糖尿病相关临床数据	真实医院脱敏数据，适合在糖尿病管理、诊断预测等方向研究。
天池新冠肺炎问句匹配	天池大赛	中文	—	新冠问句匹配	主要为疫情期间的医疗问答收集与匹配标签，能用于文本匹配与检索研究。
Chinese medical dialogue data (Toyhom重复项)	GitHub	中文	79万+	医学对话	同上，六大科室数据集，适合对话系统。
cMedQA2 (重复)	GitHub	中文	10.8万+ 问答	问答	与上文相同。
中文医患问答对话数据 (MedDialog 中文)	GitHub	中文	110万条对话	对话	与上文相同，适合医患多轮对话场景。
CHIP2020 (部分子任务)	CHIP2020	中文	—	QA、文本生成等	历届CHIP评测子任务，如中医文献问题生成、NLP实体识别等。
CCKS2021(医疗对话生成)	CCKS2021	中文	—	医疗对话文本生成	关注如何在对话中正确蕴含医学实体，适合NLG研究。
IMCS21 (中医疗对话数据集)	GitHub	中文	—	中医疗对话	在CBLUE/天池平台出现的一个特定的中医对话数据集。
EMPEC	GitHub	中文	—	各类医学考试试题	包含中国执业医师和其他医学考试试题，可用于医学测评或QA场景。
cMedQA	GitHub	中文	—	医学问答	早期版本的cMedQA，和cMedQA2类似。
CMID	GitHub	中文	—	意图识别	医学QA意图理解数据集，细分各种对话或问答意图标签。
KGQA	GitHub	中文	—	基于知识图谱的问答	依托于医药知识图谱的QA示例，研究在医疗垂直领域问答的落地。
CCIR2019	比赛链接	中文	—	基于电子病历的数据查询类问答	关注电子病历场景的检索和问答任务。
medical-news	GitHub	中文	—	医学新闻爬虫文本	从各大健康网站爬取的新闻数据，可用于医学文本分类、信息抽取等研究。
medical-books	GitHub	中文	—	LaTeX开源医学书籍	包含一些开源的中文医学书籍(LaTeX格式)，可以用于专业知识的提取或自动摘要研究。
THUOCL(医学词汇)	GitHub	中文	—	医学词典	清华NLP组整理的中文医疗领域词表，可用于分词、词典匹配等场景。
ICD9/ICD10/ICD11中文	ICD9ProcCN ICD-10-CN ICD-11	中文	—	疾病和手术分类标准	各种版本的国际疾病分类体系(含中文对照)，对医学知识图谱、疾病分类有帮助。
ChineseEHRBert	GitHub	中文	—	电子病历、NER、问答、关系抽取	用大量中文电子病历语料预训练的BERT，后附测试用例，适合在临床NLP任务上微调。
Autism Sub-Challenge (附有法语/中文介绍)	数据介绍	多语言	2.5k语音记录	自闭症儿童语音分析，6-18岁	属于更偏医学语音研究方向的子挑战任务；虽然文本量不多，但在多模态研究上有一定价值。
PubMed 200k RCT (有英文/可能含中文对照)	GitHub	英文为主	20万篇摘要	RCT医学摘要，句子级别标注	虽然是英文，但对研究RCT类论文的自动摘要或信息抽取非常常用，也可能配合中文翻译研究对比。

说明：上表主要聚焦中文数据集(和少量混合)，其中个别英文数据集或多语数据集也附在最后以便参考。更多“英文”数据集将在后文的**“1.2 英文/多语言数据集”**或“其他附录”中进一步列出。

1.2 英文 / 多语言医疗数据集

名称	链接	语言	数据规模	类型 / 任务	简介 / 备注
MedMentions	GitHub	英文	~ 4500 PubMed摘要	实体链接	基于PubMed摘要的生物医学实体链接任务，覆盖大量UMLS概念，常被用于生物医学信息抽取和实体链接研究。
webMedQA	GitHub	英文	—	医学问答	收集自网络(如HealthTap、WebMD等)的医疗问答数据，用于QA系统研究。
COMETA	官网	英文	—	社交媒体医学实体链接	主要涉及社交媒体文本(如Reddit等)中的医学实体链接，EMNLP 2020论文。
PubMedQA	官网	英文	~1k三元组 (专家标注)	PubMed医学问答	基于PubMed提取，针对论文abstract进行QA，问题类型为Yes/No/Maybe。
MediQA	官网	英文	多任务数据	文本概括 / QA	主要包括临床摘要与患者短信等文本，适合做文本生成、总结、问答等研究。
ChatDoctor Dataset-1	GDrive	英文	10万条对话	医患对话	来自HealthCareMagic.com的真实病患-医生对话，对于对话式大模型非常有价值。
ChatDoctor Dataset-2	GDrive	英文	1万条对话	医患对话	来自icliniq.com，类似上面数据。
BioInstruct	GitHub	英文	>25,000条指令	QA、IE、文本生成	一个小型高质量的指令数据集，为生物医学NLP任务量身定制，包括QA/信息抽取/文本生成等多类型任务。
Visual Med-Alpaca Data	GitHub	英文	来自BigBio/ROCO等	多模态(文本+图像)	用于Visual Med-Alpaca训练的数据，结合GPT-3.5生成的指令，专注于医学图像与文本的多模态场景。
CheXpert Plus	GitHub	英文+医学影像	3600万文本token	放射学大规模文本 + DICOM图像	史上最大规模的放射学文本数据集之一，含大量DICOM图像和丰富的元数据，可用于多模态研究(RadGraph注释等)。
PubMed 200k RCT	GitHub	英文	20万篇RCT摘要	摘要句子分类、信息抽取	研究随机对照试验(RCT)的结构化语义抽取的经典数据集。

二、医疗大语言模型 / 预训练模型

2.1 开源预训练医疗大语言模型（以英文 / 生物医学为主）

名称	链接	语言	模型规模	应用场景	简介 / 备注
BioALBERT	GitHub	英文/生物医学	基于ALBERT结构，多千万到数亿参数	文本挖掘、信息抽取、QA	在大规模生物医学文献上继续训练ALBERT，专注于领域知识表示，与生物医学NLP社区常见任务兼容性好。
bio-lm (Meta)	GitHub	英文/生物医学	数亿到十亿级别参数	临床/生物医学任务	Facebook Research在生物医学、临床文本上做预训练，评估了多种规模模型，在BioNLP下游任务有较优表现。
COVID-Twitter-BERT	GitHub	英文	—	COVID-19主题的社交媒体文本	针对疫情期间推特数据进行预训练，V2版本在9,700万条推文上训练（12亿训练样本），用于疫情相关文本分析或社交媒体监测。
BioFLAIR	GitHub	多语言	—	NER、情感分析、分类等NLP任务	Flair是一个通用NLP库，BioFLAIR是其在生物医学文本上适配的拓展，可进行词性标注、实体识别、语义消歧等。
BlueBERT	GitHub	英文/生物医学	BERT-base规模	生物医学文本挖掘	在生物医学文献和临床笔记上训练/微调，提供了一系列蓝色基准(BLUE Benchmark)以评估模型效果。
BioBERT	GitHub	英文/生物医学	BERT-base规模	NER、关系抽取、QA	最早的一批生物医学BERT模型之一，专门对PubMed等生物医学文献继续训练BERT，对BioNLP常见任务（NER、关系抽取等）表现好。

2.2 多语言医疗大模型

名称	链接	语言	模型规模	应用场景	简介 / 备注
MMedLM	GitHub	多语言（首个开源多语言医学）	多种参数规模	多语言医学NLP	第一个开源多语言医学语言模型，在多语言对话、阅读理解等领域提供可观的性能。
Apollo	GitHub	多语言	70亿/130亿等	医疗QA、医学对话	轻量级多语言医学LLM，将医疗AI普及至全球60亿人群，具备优秀的多语言能力。
ApolloMoE	GitHub	50种语言	Mixture of Experts结构	多语言医学文本理解/生成	通过语言家族专家混合，实现了对50种语言的医学LLM支持；采用MoE结构，在多语言场景下的参数效率和推理速度都有提升。

2.3 英文医疗大语言模型

名称	链接	语言	模型规模	应用场景	简介 / 备注
Med-Flamingo	GitHub	英文+多模态	基于Flamingo结构	VLM，多模态图文交互	通过在医学图像和文本数据上进一步微调Flamingo实现跨模态推理，如对放射影像、CT图像配合描述性语言进行理解和推断。
LLaVA-Med	GitHub	英文+多模态	基于LLaMA，7B~13B等	VLM，多模态对话	LLaVA框架的医学版本，分阶段训练：先对齐生物医学概念，再进行指令微调，实现图像+文本多模态推断。
MedAGI	GitHub	英文	可融合多模型	医疗通用AI	通过统一不同领域的医疗语言模型，探索实现医疗通用人工智能的原型。
GatorTronGPT	GitHub	英文	GPT-3 5B / 20B	临床文本生成、总结、对话	在2770亿单词的大规模临床+英语文本上训练，可用于医疗问答、病例总结等场景。
Visual Med-Alpaca	GitHub	英文+多模态	LLaMA-7B基础	多模态生物医学任务	参数高效的生物医学基础模型，可以整合“视觉专家”处理医学图像，如放射学、病理图像等，与文本模型结合。
PMC-LLaMA	GitHub	英文	LLaMA-7B微调	学术论文QA，阅读理解	在480万篇生物医学论文(PMC)上对LLaMA进一步训练，提升了其在文献检索与医学问答方面的表现。
MedAlpaca	GitHub	英文	LLaMA 7B / 13B	隐私安全的医学对话与QA	致力于开源策略和隐私保护，基于LLaMA训练，用于医患对话，避免泄露敏感数据。
ChatDoctor	GitHub	英文	基于LLaMA，7B~13B	医疗对话	在医学知识和对话数据集上进行微调，强化LLM在问诊场景的对话能力。
DeID-GPT	GitHub	英文	支持GPT-4/3.5	自动去识别化(De-identification)	基于GPT模型实现对医疗文本中敏感信息的自动识别与删除，可应用于电子病历脱敏。
Galactica	官网	英文	数百亿 ~ 数千亿参数	科学/医学知识整合	由Meta提出，致力于处理科学领域文献过载问题，包含医学健康领域知识，尝试在学术论文语料库及引用网络上进行大规模预训练。
Codex-Med	GitHub	英文	GPT-3.5使用	医疗推理、回答	研究GPT在USMLE、MedMCQA等医疗测试集上的回答和推理能力；同时包含PubMedQA等阅读理解测试。
GatorTron	GitHub	英文	数亿~数十亿参数	早期临床文本模型	基于电子健康记录(EHR)的早期大规模预训练模型，为下游医疗NLP任务提供embedding或特征提取。

三、医疗大语言模型评测基准 / Benchmark

3.1 中文医疗基准

名称	链接	来源 / 规模	任务类型	简介 / 备注
MedBench	GitHub	4万+题，源于执业医师考试+报告	不同科室、多任务评测	医学多任务基准，包含临床QA、报告解析等任务；也称PromptCBLUE的子集。
CBLUE	GitHub	CHIP会议往届评测 + 阿里Quark医疗搜索	多任务：实体识别、关系抽取、阅读理解等	包含CMeEE、CMeIE、CMedQANER、CMedRC等多种子任务的中文医疗NLP基准，广受研究者使用。
PromptCBLUE	GitHub	基于CBLUE数据集	中文医疗多任务评测	在CBLUE基础上增加prompt设计，更贴近大模型的指令式评测场景。
CMExam	GitHub	执业医师资格考试往年题	医学考试问答	收集了大量执业医师考试题目，可测试模型在专业医疗考试场景下的表现，对医疗大模型的真实诊断推理能力有更高要求。
CMB	GitHub	临床医学考试+复杂病例问诊	多场景问答	题目覆盖多个阶段、多工种的临床考试，也包含复杂病例问诊；能较好评估大模型的真实临床诊断推理水平。

3.2 医疗VLM (Vision-Language Model) & 其Benchmark

当前出现了大量专注“图像+文本多模态”的医疗模型与评测，主要解决放射学影像、内窥镜图像、病理图像等结合文字报告的多模态理解、问答和生成。

(1) 代表性医疗VLM

名称	论文/地址	模型类型	主要特点	简介 / 备注
MedVInT	Paper GitHub	多模态Transformer	针对医学图像问答	PMC-VQA数据集，解决图像-文本互补，支持多种形式的医学视觉任务。
Med-Flamingo	Paper GitHub	基于Flamingo	利用视觉Transformers + LLM对医学图像进行推理	融合不同医学学科的多模态知识来源，通过图像/CT/MRI等与文本对齐，提升问答效果。
LLaVA-Med	Paper GitHub	基于LLaVA	多阶段训练：先概念对齐，再指令调优	使用ChatGPT生成的大规模多模态指令进行微调，支持医学图文理解与对话。
Qilin-Med-VL	Paper GitHub	多模态医学LLM	强调交互式推理，结合多模态信息	面向临床诊断及辅助治疗建议的多模态场景，整合文字、医学图像与病历信息。
RadFM	Paper GitHub	基于多模态大模型	专注于放射学影像文档	构建大规模放射学数据集+LLM微调，自动生成报告或诊断建议。
MedDr	Paper GitHub	多模态诊断模型	结合语言描述与医学影像	与RadFM类似，也是在放射学影像和文本数据上进行的多模态预训练，自动医疗影像报告生成。
HuatuoGPT-Vision	Paper GitHub	中文多模态医LLM	基于中文中医/西医结合，对图像内容进行诊断	将HuatuoGPT与视觉模型结合，实现中医方面的多模态对话，如皮肤病图像识别等。
BiomedGPT	Paper GitHub	多模态医学生成模型	自监督预训练+指令微调	适应不同生物医学任务（图像分割、分类、文本问答等），在多个Benchmarks上优于单独的图像或文本模型。
Med-MoE	Paper GitHub	多模态专家混合	采用MoE结构处理不同类型医学图像（X光，MRI等）	针对多种图像模态/文本进行融合，进一步提升跨模态推理效率。
GMAI-VL	Paper GitHub	中文多模态医疗LLM	兼容结构化表单、影像、文本	“通用医学AI”计划中的多模态分支，聚焦图像、表格、文本信息的综合推理。
R-LLaVA	Paper	英文多模态	基于LLaVA，强化对真实放射学数据的理解	在真实的放射学、病理数据上强化微调，使模型掌握更高专业度的多模态诊断能力。
Med-2E3	Paper	英文/多模态	2D-3D医学图像结合 (CT、MRI多层切片)	实现跨2D切片和3D建模的联合推理，对复杂医学影像进行辅助诊断。

(2) 代表性医疗VLM Benchmark

名称	链接	规模 / 范围	任务	简介 / 备注
GMAI-MMBench	Paper GitHub	—	多模态Benchmark	由GMAI提出的多模态医疗评测集，包括影像理解、报告生成等多任务，专门测试医疗多模态LLM性能。
OmniMedVQA	Paper GitHub	大规模、多类型医学图像	医学视觉问答VQA	综合MRI、CT、X光、病理图像等多种模态，覆盖图像QA、病变检测与诊断等多场景，可全面评估医疗VLM能力。
MMMU	Paper GitHub	多模态医学数据+多语言	多任务Benchmark	包含多语言文本数据、X光/CT等影像、临床报告等多模态数据，测试语言模型在诊断、QA、报告生成等综合实力。
MultiMedEval	Paper GitHub	多模态评测集	基于真实病例的问答和报告生成	提供多样化的医疗影像和文本病例，要求模型进行推理，生成详细解释或报告，具有更高难度的多模态推理要求。

四、其他医疗NLP与知识图谱资源

除上述大语言模型及数据集外，以下是一些常见的医学知识图谱、医疗NLP工具、预训练向量等相关资源，可协同使用：

名称	链接	类型	简介 / 备注
chatbot-base-on-Knowledge-Graph	GitHub	医疗KG + 问答	利用深度学习和知识图谱存储实现医疗对话和问答；数据来自`xywy-KG`等。
Chinese Medical Knowledge Graph	GitHub	相关工具/脚本	构建或处理CMeKG的相关脚本，可对接知识图谱查询与可视化。
CCKS2020新冠知识图谱	链接	疫情相关知识图谱	挖掘新冠疫情的大规模文本、构建知识图谱并实现问答系统。
CHIP2019/2020 (实体识别)	CHIP2019 Task3 CHIP2020 eval1/eval6	NER、关系抽取、问句生成等任务	历年官方评测数据，涵盖从实体识别到生成式任务，中医、现代临床等多场景。
Chinese-Word2vec-Medicine	GitHub	词向量	中文生物医学词向量，基于大规模医学文本训练，可用于低资源NLP。
SMedBERT	GitHub	预训练语言模型	融合了结构化语义知识的中文医学BERT模型，对命名实体识别、关系抽取等任务有提升。
eHealth	GitHub	预训练语言模型	Paddle团队基于多级别文本判别任务训练的中文生物医学BERT，支持部分医疗NLP下游任务。
PKUSEG(医学词典)	GitHub	分词工具	北大开源分词器，提供医学领域专用模型，有助于中文电子病历等分词准确率。
GTS	GitHub	分词+标注集	包含922句中医语料，粗粒度/细粒度的双层分词标注，可用于分词或词性标注研究。
bertcner	GitHub	NER模型	使用中文医学Bert在NER上的实践示例，方便快速上手做实体识别任务。
medbert	GitHub	中文临床BERT	基于中国临床文本（电子病历等）预训练，支持NER、QA、RE等常见任务。

参考使用建议

构建/微调医疗LLM
- 在中文场景下，可选大规模对话数据集（如Toyhom的Chinese-medical-dialogue-data、MedDialog中文版本）来做多轮对话微调；再结合cMedQA2等问答数据增强专业回答能力；若涉及中医，可重点使用Huatuo-26M。
- 在英文场景下，则有PubMedQA、MediQA、MedMentions、BioInstruct等可辅助进行领域适配；多模态则可选择CheXpert Plus、PMC-VQA等。
知识图谱+LLM融合
- 若需要知识注入可结合xywy-KG、39Health-KG、CMeKG等中文知识图谱，或CPubMed-KG(中文学术期刊图谱)，通过检索增强(RAG)的方式提升大模型准确率。
- 英文方面可考虑UMLS、SNOMED CT等医疗本体或MedMentions这种实体链接数据。
临床/考试评测
- 验证模型是否具备临床诊断、解题推理能力，可使用CMExam、CMB这类医考数据集，以及CBLUE、CHIP官方评测任务。
- 英文侧可用USMLE(未在此表格明列，但在众多论文中常见)或MedQA USMLE等医学考试题目集做评测。
多模态VLM研究
- 医学影像与报告的多模态结合，可在CheXpert Plus、MedVInT(PMC-VQA)、OmniMedVQA等获得数据，用Med-Flamingo、LLaVA-Med等框架微调或评测。若是中医影像(如舌诊、皮肤病图像)可参考HuatuoGPT-Vision。

五、涵盖影像、基因、生物医学文本和对话数据集

数据集名称	数据类型	数据规模	主要用途	下载链接	生成数据集的开源算法或工具
EMory BrEast Imaging Dataset (EMBED)	医疗影像（乳腺X光）	约340万张影像，涉及约11万名患者（含部分病变标注）	用于乳腺癌筛查、病变检测与诊断	AWS开放数据注册	可使用 Medigan（开源GAN工具）生成合成医学影像，增强数据多样性，Medigan代码开源于GitHub
Human Pangenome Reference (Draft 2023)	基因组数据	94个单倍体基因组（47个个体），包含新增遗传序列	构建全面的人类泛基因组，提高变异检测与基因分析的准确性	HPRC数据门户	利用 Minigraph-Cactus 管道构建泛基因组图，该工具已开源，可对新基因组数据进行对齐与整合
PMC Open Access Subset (PMC-OA)	生物医学文本（全文文章）	超过340万篇全文期刊文章（主要英文）	生物医学语言模型预训练、文献挖掘与信息抽取	PMC Open Access	通过 NCBI 的开放API（如 OAI-PMH 服务、BioC API）自动下载并解析文章，支持构建自定义文本语料库
HealthCareMagic & iCliniq QA Dialogues	医疗对话（病患与医生问答）	综合约110,000条对话数据（含真实问答记录）	用于训练医疗问答和对话系统，提升医疗AI对话质量	HealthCareMagic-100k（HealthCareMagic部分）	使用 Scrapy 框架爬取真实问答数据，同时可结合大语言模型（如 ChatGPT、LLaMA-2）生成合成对话数据以扩充数据集，相关代码均为开源项目