Awesome-AI4Med

Awesome-AI4Med 是一个精心策划的医疗人工智能研究资源合集，涵盖医疗大型语言模型、医疗多模态大模型、数据集和基准测试。它通过自动从大量研究论文和开源项目中提取热门模型和数据集，提供一个结构清晰、易于导航的资源集合，帮助研究人员和开发者快速跟踪领域进展、定位相关资源，并加速医疗AI的创新。Awesome-AI4Med is a curated collection of research resources for medical artificial intelligence, covering medical large language models, medical multimodal large language models, datasets and benchmarks. It provides a structurally clear and easily navigable resource repository by automatically extracting popular models and datasets from a vast array of research papers and open-source projects, assisting researchers and developers in rapidly tracking domain advancements, locating relevant resources, and accelerating innovations in medical AI.

原始信息汇总

数据集详情总结：Awesome-AI4Med

项目简介 Awesome-AI4Med 是一个系统化整理医学人工智能（AI4Med）领域研究资源的开源仓库，覆盖 医学大语言模型（Medical LLMs）、医学多模态大语言模型（Medical MLLMs）、数据集（Datasets） 和 基准（Benchmarks） 四大模块。该仓库通过自动从大量研究论文和开源项目中提取前沿模型与数据集，提供清晰、结构化、易导航的资源集合，旨在帮助研究人员与开发者快速追踪领域进展、定位相关资源并推动创新。

---

1. 医学大语言模型（Medical LLMs）

模型名称	论文	模型权重	数据	代码
HuatuoGPT	arXiv	HF (7B), HF (13B)	HF	Github
Apollo	arXiv	HF (7B), HF (34B), HF (72B)	HF	Github
HuatuoGPT-II	arXiv	HF (7B), HF (13B), HF (34B)	HF (PT), HF (SFT)	Github
HuatuoGPT-o1	arXiv	HF (7B), HF (8B), HF (70B)	HF	Github
MMedLM	arXiv	HF (8B), HF (70B)	HF	Github
PMC-LLaMA	arXiv	HF (13B)	HF	Github
Med42-v2	arXiv	HF (8B), HF (70B)	-	Github
OpenBioLLM	-	HF (8B), HF (70B)	-	-
UltraMedical	arXiv	HF (8B), HF (70B)	HF	Github
BioMistral	arXiv	HF (7B)	-	Github
MediTron	arXiv	HF (7B), HF (70B)	HF	Github
Baichuan-M2	arXiv	HF (32B)	-	Github
Baichuan-M1	arXiv	HF (14B)	-	Github
MedAlpaca	arXiv	HF (7B), HF (13B)	Github	Github
RadFM	arXiv	HF (13B)	Github	Github
MedReason	arXiv	HF (8B)	HF	Github
AlphaMed	arXiv	HF (7B), HF (8B)	HF	-
Fleming-R1	arXiv	HF (7B), HF (32B)	-	Github
MedGemma	arXiv	HF (27B)	-	Github
AntAngelMed	-	HF (100B)	-	Github
Baichuan-M3	-	HF (235B)	-	-
MedPsy	Blog	HF (1.7B/4B)	-	-

---

2. 医学多模态大语言模型（Medical MLLMs）

模型名称	论文	模型权重	数据	代码
HuatuoGPT-Vision	arXiv	HF (7B), HF 34B	HF	Github
ShizhenGPT	arXiv	HF (7B), HF (32B)	HF (PT), HF (SFT)	Github
Lingshu	arXiv	HF (7B), HF 32B	-	-
LLaVA-Med	arXiv	HF (7B)	Github	Github
BiMediX2	arXiv	HF (8B), HF (70B)	Github	Github
Hulu-Med	arXiv	HF (4B), HF (7B), HF (14B), HF (32B)		Github
HealthGPT	arXiv	HF (3.8B)	HF	Github
Med-Flamingo	arXiv	HF (7B)	-	Github
MedGemma	arXiv	HF (4B), HF (27B)	-	Github
Med-R1	arXiv	HF (2B)	-	Github
BiomedGPT	arXiv	HF (7B)	Github	Github
MedVLM-R1	arXiv	HF (2B)	-	Github
UniMedVL	arXiv	HF (14B)	-	Github
Chiron-o1	arXiv	HF (2B), HF (8B)	-	Github
MiniGPT-Med	arXiv	HF	Github	Github
Fleming-VL	arXiv	HF (8B), HF (38B)	-	Github
VILA-M3	arXiv	HF (3B), HF (8B), HF (13B)	-	Github
MedGemma-1.5	Blog	HF (4B)	-	Github
MediX-R1	arXiv	HF (2B), HF (8B), HF (30B)	HF	Github
MedMO	arXiv	HF (4B), HF (8B), HF (8B-Next)	-	Github
MedGPT-oss	arXiv	-	-	-
OctoMed	arXiv	HF (7B)	-	-
QoQ-Med	arXiv	HF (7B), HF (32B)	-	Github

---

3. 数据集（Datasets）

3.1 文本数据集（Text）

数据集名称	论文	链接	数量
Huatuo-26M	arXiv	Github	26,000,000
medical-o1-reasoning-SFT	arXiv	HF	25,000
ReasonMed	arXiv	HF	370,000
Multilingual-Medical-Corpus	arXiv	HF	3M
AI Medical Dataset	arXiv	HF	27,000,000
AfriMed-QA	Paper	HF	15,275

3.2 多模态数据集（Multimodal）

数据集名称	论文	链接	数量
PubMedVision	arXiv	HF	1,294,062
Med-MAT	arXiv	HF	2,360,000
MedTrinity	arXiv	HF	25,000,000
OmniMedVQA	arXiv	OpenXLab	118,010
BioVFM	arXiv	Github	21,000,000
SLAKE	arXiv	Website	-
ChiMed-VL	arXiv	HF	580,014
BiomedParseData	arXiv	HF	6,800,000
SA-Med2D	arXiv	HF	20,000,000
IMIS	arXiv	HF	361,000,000
PreCT	arXiv	HF	160,000
BIOMEDICA	arXiv	HF	24M
MedVision	arXiv	HF	30.8M
OmniScience	-	HF	1.5M
Open-PMC-18M	arXiv	HF	18M
Project-Imaging-X	Report	HF	1,000+ open-access medical image datasets
GMAI-VL-5.5M	arXiv	HF	5.5M
UniMed-5M	arXiv	HF	5M

---

4. 基准（Benchmarks）

评估框架	代码	支持的基准
MedEvalKit	Github	多模态： MMMU-Medical-test, MMMU-Medical-val, PMC_VQA, OmniMedVQA, IU XRAY, MedXpertQA-Multimodal, CheXpert Plus, MIMIC-CXR, VQA-RAD, SLAKE, PATH-VQA, MedFrameQA；仅文本： MedQA-USMLE, MedMCQA, PubMedQA, Medbullets-op4, Medbullets-op5, MedXpertQA-Text, SuperGPQA, HealthBench, CMB, CMExam, CMMLU, MedQA-MCMLE
MedBench	Website	仅文本： Med-Exam, MedHC, MedMC, MedSpeQA, MedHG, MedDG, MedLitQA, IMCS-V2-MRG, DBMHG, CMB-Clin-extended, DDx-basic, DDx-advanced, MedTreat, CMeEE, CMeIE, CHIP-CDEE, CHIP-CDN, CHIP-CTC, SMDoc, MedSafety, DrugCA, CriID
LiveClin	Github	-
Stanford MedHELM	Website	Holistic Evaluation of Language Models (HELM)
Medmarks v0.1	Website	-

搜集汇总

数据集介绍

构建方式

Awesome-AI4Med 数据集通过系统性地梳理医学人工智能领域的海量研究论文与开源项目，自动提取其中涌现的模型与数据集，构建了一个结构清晰、易于导航的资源集合。该仓库覆盖了医学大语言模型、医学多模态大语言模型、数据集以及基准测试四大核心板块，并针对每个板块以表格形式收录了模型名称、论文链接、权重下载、数据来源及代码仓库等关键信息，确保研究者能够快速定位并获取所需资源。

使用方法

用户可直接通过 GitHub 仓库的目录导航浏览各板块，点击表格中的链接即可访问对应模型的论文、权重、数据及代码。对于数据集资源，用户可通过 Hugging Face 等平台直接下载使用。该仓库还提供了 MedEvalKit 等评估工具，支持在多种医学任务上对模型进行自动化评测，从而加速模型迭代与验证过程。

背景与挑战

背景概述

随着深度学习与自然语言处理技术的迅猛发展，人工智能在医疗领域的应用已从单一任务扩展至涵盖医学大语言模型（Medical LLMs）、多模态大语言模型（Medical MLLMs）、数据集构建及评估基准等多个维度。在此背景下，由FreedomIntelligence团队主导的Awesome-AI4Med项目于近年应运而生，旨在系统性地整合医疗人工智能领域的研究资源。该数据集仓库的创建解决了医疗AI研究中资源分散、模型与数据难以追溯的核心痛点，通过自动从海量论文与开源项目中提取前沿模型与数据集，为研究者提供了一条清晰、结构化的知识脉络。自发布以来，该项目在GitHub上获得了广泛关注与大量星标，已成为医疗AI社区中不可或缺的导航工具，其影响力辐射至HuatuoGPT、Apollo等知名模型的开发与评估，推动了医疗大模型领域的快速迭代与创新。

当前挑战

Awesome-AI4Med所面临的首要挑战在于医疗领域问题的复杂性与多样性。医疗AI需处理从临床文本分析到医学影像解读的跨模态任务，而不同疾病、不同语言、不同医疗体系下的数据分布差异极大，导致通用模型难以兼顾准确性与泛化能力。此外，构建过程中遭遇的挑战同样严峻：医疗数据涉及高度隐私与伦理问题，合法获取大规模、高质量且标注一致的训练数据极为困难；同时，随着新模型与数据集如雨后春笋般涌现，如何自动化、实时地筛选与更新资源，并确保收录内容的可靠性与时效性，成为维护该仓库可持续性的关键难题。

常用场景

经典使用场景

在医疗人工智能的蓬勃发展中，大规模语言模型与多模态模型的涌现为临床决策支持、医学知识问答及影像诊断带来了革命性契机。Awesome-AI4Med数据集资源库系统整合了诸如HuatuoGPT、LLaVA-Med等前沿模型及其配套数据，其最经典的使用场景聚焦于医学自然语言处理与视觉理解任务的联合训练与评估。研究者可借助该库中丰富的文本语料（如Huatuo-26M）与多模态数据（如PubMedVision），构建能够同时解析病历文本与医学影像的智能系统，从而在辅助诊断、药物推荐及患者教育等环节实现精准交互。

解决学术问题

该数据集资源库有效回应了医疗AI领域长期面临的碎片化与可复现性难题。通过统一收录涵盖中文与多语种的医学问答、临床推理及影像标注数据（如medical-o1-reasoning-SFT与MedTrinity-25M），它为跨模型对比与基准测试提供了标准化平台。学术研究得以在MedBench、Stanford MedHELM等评测框架下，系统评估模型在临床知识掌握、逻辑推理及多模态对齐等方面的能力，从而推动从通用大模型向专科化医疗智能体的演进，并揭示现有模型在罕见病诊断与低资源语言场景中的性能瓶颈。

实际应用

在实际医疗场景中，Awesome-AI4Med所整合的模型与数据已展现出广泛的应用潜力。例如，经HuatuoGPT-Vision等模型训练的智能系统，可辅助放射科医师对CT、MRI等影像进行初筛与异常标记，显著提升阅片效率；基于ApolloCorpus构建的对话代理则能在问诊中提供循证医学建议，缓解基层医疗资源不足的困境。此外，ShizhenGPT在中医领域的部署，实现了舌诊图像与症状描述的跨模态分析，为传统医学的现代化传承开辟了新路径。这些应用正逐步从实验室走向临床试点，重塑医疗服务的可及性与精准度。

数据集最近研究

最新研究方向

在当前人工智能与医疗健康深度融合的浪潮中，Awesome-AI4Med数据集资源库精准捕捉了医学大模型领域的前沿脉搏。该库系统整合了从纯文本医疗语言模型（如HuatuoGPT-o1、Apollo）到多模态视觉语言模型（如HuatuoGPT-Vision、ShizhenGPT）的完整技术谱系，尤其关注推理增强型模型（如Med-R1、Chiron-o1）的涌现，这些模型通过强化学习与思维链技术，显著提升了临床决策的可解释性与准确性。大规模多模态数据集（如PubMedVision、MedTrinity-25M）的持续扩充，为模型在放射影像、病理分析等复杂场景下的泛化能力提供了坚实支撑。伴随MedBench、LiveClin等标准化评测框架的成熟，该领域正从模型能力竞赛转向临床实用性验证，推动着AI辅助诊疗从实验室走向真实医疗场景，其深远意义在于重塑精准医学的实践范式。