Awesome-Datasets-Hub

这是一个精心策划的数据集集合，专注于大型语言模型（LLMs）相关领域，涵盖医疗人工智能、自然语言处理（NLP）、多模态学习、指令调优、推理、代码生成和评估基准等多个主题。该合集通过分类目录组织，旨在为研究人员和开发者提供广泛的数据集资源索引和推荐。This is a curated dataset collection focused on the domain of large language models (LLMs), covering a diverse array of topics including medical artificial intelligence, natural language processing (NLP), multimodal learning, instruction tuning, reasoning, code generation, and evaluation benchmarks. Organized via categorized catalogs, this collection aims to provide researchers and developers with comprehensive indexing and curated recommendations for available dataset resources.

原始信息汇总

医学大语言模型数据集汇总

本页面收录了40个用于大语言模型（LLM）的医学领域数据集，覆盖了多个子领域和任务类型。

数据集分类概览

根据数据集的领域和任务，可将其分为以下几大类：

• 医学问答与基准测试 (Medical QA & Benchmarks)：共9个数据集，用于评估和训练模型在医学知识问答方面的能力。
• 临床自然语言处理 (Clinical NLP)：共9个数据集，专注于处理临床记录、电子健康档案（EHR）等文本数据。
• 生物医学文献 (Biomedical Literature)：共3个数据集，用于从科学文献中提取信息。
• 医学影像与放射学 (Radiology)：共9个数据集，涉及X光、MRI等医学影像及其报告。
• 命名实体识别与信息抽取 (NER / IE)：共6个数据集，用于识别和抽取医学术语，如疾病、药物等。
• 医学对话 (Dialogue)：共3个数据集，包含医患对话记录。

详细数据集列表

序号	数据集名称	领域	任务/类型	规模	语言	许可协议
01	MedQA (USMLE)	医学问答与基准测试	医学资格问答	12,723 问题	英语/中文/繁体中文	MIT
02	MedMCQA	医学问答与基准测试	医学选择题	194K 问题	英语	MIT
03	PubMedQA	医学问答与基准测试	生物医学问答	273K 问答对	英语	MIT
04	BioASQ	医学问答与基准测试	生物医学问答	5,600+ 问题	英语	CC BY 2.5
05	MASH-QA	医学问答与基准测试	医疗问答	35K 问答对	英语	MIT
06	MedQuAD	医学问答与基准测试	消费者医学问答	47K 问答对	英语	CC BY 4.0
07	LiveQA Medical	医学问答与基准测试	消费者健康问答	634 问题	英语	研究目的
08	MedS-Bench	医学问答与基准测试	临床评估	13 项任务	英语	Apache 2.0
09	COVID-QA	医学问答与基准测试	COVID-19阅读理解问答	2,019 问答对	英语	MIT
10	MIMIC-III	临床自然语言处理	重症监护室电子病历	46K 患者	英语	PhysioNet DUA
11	MIMIC-IV	临床自然语言处理	医院电子病历	299K 患者	英语	PhysioNet DUA
12	n2c2 / i2b2 Challenges	临床自然语言处理	临床NLP评测	多年数据	英语	DUA
13	MedNLI	临床自然语言处理	临床文本蕴含	14K 句对	英语	PhysioNet DUA
14	emrQA	临床自然语言处理	电子病历问答	1M+ 问答对	英语	MIT
15	MTSamples	临床自然语言处理	临床转录笔记	5K+ 报告	英语	公开
16	EHRNoteQA	临床自然语言处理	临床笔记问答	2.4K 问答对	英语	PhysioNet
17	Asclepius	临床自然语言处理	合成临床笔记	158K 笔记	英语	CC BY
18	GatorTron Corpus	临床自然语言处理	临床语言模型预训练	900亿词	英语	受限
19	CORD-19	生物医学文献	COVID-19科学文献	100万+ 论文	英语	自定义
20	PMC-OA	生物医学文献	生物医学文献预训练	400万+ 文章	英语	开放获取
21	PMC-LLaMA Data	生物医学文献	医学指令微调	750亿 Token	英语	开放获取
22	PMC-Patients	生物医学文献	患者友好摘要	167K 患者	英语	CC BY
23	MIMIC-CXR	医学影像与放射学	胸部X光与报告	377K 图像	英语	PhysioNet
24	CheXpert	医学影像与放射学	X光分类	224K 图像	英语	研究目的
25	NIH ChestX-ray14	医学影像与放射学	胸部疾病检测	112K 图像	英语	CC0
26	OpenI	医学影像与放射学	放射学报告与图像	7K 病例	英语	公开
27	ROCO	医学影像与放射学	医学视觉-语言	81K 图像	多语言	研究目的
28	PadChest	医学影像与放射学	胸部X光解读	160K 图像	西班牙语/英语	研究目的
29	VinDr-CXR	医学影像与放射学	胸部X光异常检测	18K 图像	英语	PhysioNet
30	RSNA Pneumonia	医学影像与放射学	肺炎检测	30K 图像	英语	Kaggle
31	BraTS	医学影像与放射学	脑肿瘤分割	2K+ MRI扫描	多语言	研究目的
32	MedMentions	命名实体识别与信息抽取	生物医学命名实体识别	4K 摘要	英语	CC BY
33	BC5CDR	命名实体识别与信息抽取	化学与疾病命名实体识别	1,500 文章	英语	研究目的
34	NCBI Disease Corpus	命名实体识别与信息抽取	疾病实体识别	793 摘要	英语	公开
35	DDI Corpus	命名实体识别与信息抽取	药物-药物相互作用抽取	1K 文档	英语	研究目的
36	ADE Corpus	命名实体识别与信息抽取	药物不良事件抽取	4K+ 句子	英语	CC BY
37	JNLPBA	命名实体识别与信息抽取	生物医学实体识别	2K 摘要	英语	研究目的
38	MedDialog	医学对话	医学对话生成	100万 对话	中文/英语	研究目的
39	HealthCareMagic-100K	医学对话	医患对话	100K 对话	英语	自定义
40	iCliniq	医学对话	临床咨询对话	10K 对话	英语	自定义