医疗NLP数据集去哪找下载：CBLUE、CMeEE 等中文医疗语料来源

本文把中文医疗NLP语料的常见来源和准入门槛梳理清楚，帮助你直接定位到对自己有用的数据。

先分清楚你要的是“训练语料”还是“统计报表”

这是医疗NLP选数据时最常见的误区。

通常说的“医疗数据”分为两类，用途差别很大：

训练文本语料：用于训练模型，让它学会识别“咳嗽”“肺炎”“阿莫西林”这些词之间的关系，能够理解医患对话、抽取病历信息。这类数据是类似“患者咳嗽三天，咳黄痰”这样的句子集合。
卫生统计数据：面向人阅读的报表，例如“2023年全国肺炎发病率为X%”“某三甲医院月门诊量Y人次”。这些是统计结果，适合用于画图表、做分析，但无法用于训练模型识别“什么是咳嗽”。

需要注意：统计年鉴不适合用于训练NER（命名实体识别），方向用错会浪费大量时间。

中文医学文本的几个核心来源

如果目标是中文医疗NLP，下面几个入口基本是绕不开的，比自行检索效率更高。

1. CBLUE（天池平台）—— 中文医疗NLP基准评测

链接：https://tianchi.aliyun.com/dataset/95414

这是阿里云天池上由中文信息学会发布的基准评测，可视为事实上的行业标准，涵盖实体识别、关系抽取、文本分类、医学问答等8个子任务。如果不确定从何入手，可以从这里开始。下载需要在天池注册账号，流程简单。

2. CMeEE（天池平台）—— 入门级NER数据集

链接：https://tianchi.aliyun.com/dataset/144495

如果希望先让模型学会“识别”疾病、药物、身体部位等实体，这个数据集较为合适。它将疾病、临床表现、药物等9类实体标注清晰，同样在天池下载。

3. 医患对话（Hugging Face）

链接：https://huggingface.co/datasets/UCSD26/medical_dialog

如果要做问答模型或对话系统，这个数据集为纯中文的医患对话，可直接使用，无需签协议，对入门较友好。使用datasets库即可加载到代码中。

先查这些汇总目录

医疗NLP的来源较为分散，已有人将相关资源系统整理。以下几个GitHub仓库相当于一份资源索引。

GanjinZero/awesome_Chinese_medical_NLP：https://github.com/GanjinZero/awesome_Chinese_medical_NLP
FreedomIntelligence/Medical_NLP：https://github.com/FreedomIntelligence/Medical_NLP

需要提醒的是：这两个仓库是资源索引，而非数据本身。 其中列出的链接中，部分需要申请，部分可能已失效。你需要逐个打开核实，不能默认其中任意一个都可直接下载。

只能找到英文、或中文数据无法获取时

国内不少真实病历数据管理较严，需要资质审核、签署协议，无法随意下载。如果暂时无法获取，可以先使用下面这些没有门槛的英文数据集进行练习：

MeDAL（医学缩写消歧数据集）：https://github.com/McGill-NLP/medal

英文，但体量较大，免费下载，适合先做预训练，帮助模型熟悉医学语言的表达方式。

MultiCaRe（多模态病例报告）：介绍页在 https://pmc.ncbi.nlm.nih.gov/articles/PMC10792687/，数据托管在Zenodo。由7万多篇开放获取的病例报告提炼而成，包含近10万个病例，免费。

真正的难点：能否获取

医疗NLP数据的主要难点通常不在于“有没有”，而在于“能否获取”。有的可直接下载，有的需要注册，有的需签署保密协议，有的仅对医院开放。逐个尝试、确认每个数据集的准入门槛，往往需要花费较多时间。

如果不希望把精力耗在零散的试错上，想直接了解“哪个数据可用、哪个无法获取”，可以了解数聚天成 DeepSData。我们提供“数据可得性深度检索”服务：你提出需求，我们在天池、GitHub、PhysioNet、卫健委等分散的来源中代为检索，并如实反馈结果——哪个可以直接下载，哪个需要相应资质或签署协议才能获取，哪个实际上难以拿到，从而帮你节省逐一核实的时间。是否采用由你自行决定，这里提供的是一条可选的检索途径。