数据集导航 · 通用医学数据集
通用医学数据集数据集
思陌医疗数据服务整理的通用医学数据集公开数据集，共 200 个，覆盖该领域多模态数据，助力医疗AI研发选型。
全部
肿瘤 579
神经系统疾病 507
心血管系统疾病 462
耳鼻咽喉疾病 451
眼病 412
皮肤与结缔组织疾病 399
泌尿生殖系统疾病 362
内分泌系统疾病 352
医学文本与大模型 285
呼吸道疾病 245
口颌系统疾病 219
消化系统疾病 200
免疫系统疾病 137
通用医学数据集 136
血液与淋巴系统疾病 106
感染 96
创伤与损伤 66
肌肉骨骼疾病 14
化学诱发性障碍 4
环境因素所致疾病 3
共 136 个数据集
| 数据集名称 | 系统分类 | 病种 | 数据模态 | 任务类型 | 描述 | 来源 | 原始地址 | 操作 |
|---|---|---|---|---|---|---|---|---|
| MIMIC-IV数据集 | 通用医学数据集 | 其他 | 其他 | 通过执行MIMIC-IV数据管道生成的重症监护数据集。 | thbndi | https://huggingface.co/datasets/thbndi/Mimic4Dataset | 访问 | |
| MEDISCO | 通用医学数据集 | 其他 | 音频 | 语音识别 | 印尼语医疗领域语音语料库，包含720个样本，用于自动语音识别任务。 | mrqorib | https://huggingface.co/datasets/mrqorib/MEDISCO | 访问 |
| Simsamu | 通用医学数据集 | 其他 | 音频 | 说话人分割 | Simsamu数据集包含61个法语模拟医疗调度对话录音，用于说话人分割和转录任务。 | diarizers-community | https://huggingface.co/datasets/medkit/simsamu | 访问 |
| MMCQSD | 通用医学数据集 | 其他 | 多模态 | 多模态总结 | 包含代码混合的印地语-英语临床查询、总结及图像路径，用于多模态医疗查询总结任务。 | ArkaAcharya | https://huggingface.co/datasets/ArkaAcharya/MMCQSD | 访问 |
| voice_medical2 | 通用医学数据集 | 其他 | 音频 | 音频 | 医疗语音数据集，含172个样本，提供语音特征和标签，用于医疗语音分析任务。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical2 | 访问 |
| VietMed | 通用医学数据集 | 其他 | 音频 | 语音识别 | 越南语医疗语音识别数据集，16小时标注+2200小时未标注语音，覆盖所有ICD-10疾病组和国内口音。 | leduckhai | https://huggingface.co/datasets/leduckhai/VietMed | 访问 |
| 语音医疗原始小向量数据集 | 通用医学数据集 | 其他 | 音频 | 音频 | 医疗语音特征向量数据集，包含训练、测试、验证集，用于语音分类或识别。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical_origin_small_vector | 访问 |
| 医疗语音数据集（小型裁剪版） | 通用医学数据集 | 其他 | 多模态 | 语音识别 | 医疗领域的音频-文本配对数据集，包含约4.2万条语音样本，采样率16kHz，适用于语音识别研究。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical_cut_small | 访问 |
| 语音医疗切割小向量数据集 | 通用医学数据集 | 其他 | 音频 | 音频 | 医疗语音特征向量数据集，包含约4.3万个样本，分为训练、测试、验证集，用于语音识别或分类任务。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical_cut_small_vector | 访问 |
| syntheticDocQA_healthcare_industry_test_tesseract | 通用医学数据集 | 其他 | 多模态 | 多模态 | syntheticDocQA_healthcare_industry_test_tesseract是医疗保健行业文档问答测试集，含1000个图像-问题对，用于评估多模态文档问答模型。 | vidore | https://huggingface.co/datasets/vidore/syntheticDocQA_healthcare_industry_test_tesseract | 访问 |
| Yettiesoft/voice_medical_cut_large_v3_vector | 通用医学数据集 | 其他 | 音频 | 音频 | 医疗语音特征向量数据集，包含浮点数序列和整数标签，用于语音分析任务。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical_cut_large_v3_vector | 访问 |
| voice_medical_cut_medium_vector | 通用医学数据集 | 其他 | 音频 | 语音 | 医疗语音裁剪中等长度特征向量数据集，含音频特征与标签，用于语音识别或分类。 | Yettiesoft | https://huggingface.co/datasets/Yettiesoft/voice_medical_cut_medium_vector | 访问 |
| CPPE-5医学个人防护装备数据集 | 通用医学数据集 | 其他 | 图像 | 图像 | CPPE-5是一个用于医学个人防护装备次级分类的图像数据集，包含1000张训练图像和29张测试图像，标注有边界框。 | rishitdagli | https://huggingface.co/datasets/rishitdagli/cppe-5 | 访问 |
| DDXPlus | 通用医学数据集 | 其他 | 表格 | 表格 | DDXPlus是一个大规模合成患者数据集，专为自动症状检测和自动诊断系统设计，包含鉴别诊断和非二分类症状。 | aai530-group6 | https://huggingface.co/datasets/aai530-group6/ddxplus | 访问 |
| SBS_V2代码列表 | 通用医学数据集 | 其他 | 表格 | 表格 | 包含SBS医疗代码及其详细描述的表格数据集，用于健康保险编码和理赔处理。 | TachyHealth | https://huggingface.co/datasets/TachyHealth/SBS_V2_Code_list | 访问 |
| 医疗音频数据集 | 通用医学数据集 | 其他 | 音频 | 音频 | 医疗音频数据集，包含49个训练样本、1个验证样本和7个测试样本，用于医疗音频分析。 | sahilkadge | https://huggingface.co/datasets/sahilkadge/medical_audio_dataset | 访问 |
| 美国国家提供者标识符数据集（2024年1月7日） | 通用医学数据集 | 其他 | 表格 | 表格 | 包含美国医疗提供者NPI、地址、许可证等详细信息的结构化表格数据集。 | awacke1 | https://huggingface.co/datasets/awacke1/NPI-20240107 | 访问 |
| AllUSPhysiciansNPIbyStateandCountry | 通用医学数据集 | 其他 | 表格 | 表格 | 包含美国医生NPI及专业代码的表格数据集，用于医疗研究和患者匹配。 | awacke1 | https://huggingface.co/datasets/awacke1/AllUSPhysiciansNPIbyStateandCountry | 访问 |
| medical_spanish_pytorch | 通用医学数据集 | 其他 | 多模态 | 多模态 | 西班牙语医疗音频与文本数据集，含209个示例，用于语音识别或翻译任务。 | adriana98 | https://huggingface.co/datasets/adriana98/medical_spanish_pytorch | 访问 |
| 台湾新闻文章6k数据集 | 通用医学数据集 | 其他 | 多模态 | 多模态 | 2024年3月从台湾新闻网站抓取的6000篇新闻文章，含图像、标题、内容等字段。 | AWeirdDev | https://huggingface.co/datasets/AWeirdDev/zh-tw-articles-6k | 访问 |
| 急诊停留记录（edstays） | 通用医学数据集 | 其他 | 表格 | 表格 | 包含急诊停留记录的结构化数据集，涵盖患者人口统计学、转运方式、处置方式，用于急诊医学研究。 | dischargesum | https://huggingface.co/datasets/dischargesum/edstays | 访问 |
| 医疗意图音频数据集 | 通用医学数据集 | 其他 | 音频 | 音频 | 包含医疗场景语音音频及意图标签的数据集，共约6660个样本，用于医疗意图识别。 | shreyas1104 | https://huggingface.co/datasets/shreyas1104/medical-intent-audio-dataset | 访问 |
| 脑电去噪数据集 | 通用医学数据集 | 其他 | 时间序列 | 信号去噪 | 脑电信号去噪数据集，包含肌电和眼电伪迹数据，用于训练和测试去噪模型。 | woldier | https://huggingface.co/datasets/woldier/eeg_denoise_dataset | 访问 |
| NHS HES 医院统计数据集 | 通用医学数据集 | 其他 | 表格 | 表格 | 包含英格兰2018年4月至2023年12月医院就诊和入院统计数据的表格数据集，按月统计并按治疗专业和年龄组细分。 | ba188 | https://huggingface.co/datasets/ba188/NHS_HES | 访问 |
| SR输入数据集测试 | 通用医学数据集 | 其他 | 多模态 | 音频 | 医疗对话音频与转录数据集，包含医生和患者信息，用于语音识别或说话人分析。 | mangoesai | https://huggingface.co/datasets/mangoesai/SR_Input_Dataset_Testing | 访问 |
| DeepLesion 全身CT病灶标注 | 通用医学数据集 | CT | 通用病灶检测、多病种联合建模 | 美国国立卫生研究院（NIH） | https://nihcc.app.box.com/v/DeepLesion | 访问 | ||
| The Visible Human Project 皮肤病变 | 通用医学数据集 | 皮肤病变 | — | https://www.nlm.nih.gov/research/visible/visible_human.html | 访问 | |||
| GTEx 基因型-组织表达 | 通用医学数据集 | 基因表达调控、跨组织转录组分析 | 美国国立卫生研究院（NIH） | https://gtexportal.org/ | 访问 | |||
| ACROBAT 乳腺回归 | 通用医学数据集 | 病理WSI | 回归 | — | https://acrobat.grand-challenge.org/ | 访问 | ||
| MIMIC-III 重症监护电子病历 | 通用医学数据集 | 电子病历 | ICU预后预测、临床NLP、时间序列建模 | MIT / 贝斯以色列女执事医疗中心 | https://physionet.org/content/mimiciii/ | 访问 |