在Github上搜索整理了一波關于醫療NLP的數據集：

1

中文評測數據集

1. Yidu-S4K：醫渡云結構化4K數據集

2.瑞金醫院糖尿病數據集

3.Yidu-N7K：醫渡云標準化7K數據集

4.中文醫學問答數據集

5.平安醫療科技疾病問答遷移學習比賽

6.天池新冠肺炎問句匹配比賽

7.中文醫患問答對話數據

8.中文醫學問答數據

9.CHIP2020各項評測已開放

10.醫學數據挖掘與算法評測大賽

中文醫學知識圖譜

CMeKG

英文數據集

PubMedQA: A Dataset for Biomedical Research Question Answering

中文醫療領域語料

醫學教材 培訓考試

哈工大《大詞林》開放75萬核心實體詞及相關概念、關系列表（包含中藥/醫院/生物 類別）

醫學embedding

開源英文醫學embedding

鏈接：https://github.com/lrs1353281004/Chinese_medical_NLP

2

醫療行業專業詞匯語料

鏈接：https://github.com/xtea/chinese_medical_words

3

中文醫學NLP公開資源整理：術語集/語料庫/詞向量/預訓練模型/知識圖譜/命名實體識別/QA/信息抽取/etc

術語集/語料庫

medical-news中文醫學新聞爬蟲

medical-books中文LaTex開源醫學書籍

THUOCL清華大學thunlp組醫學詞匯

ICD-10-CNICD-10中文對應

OMAHA七巧板醫學術語集樣例數據

中文糖尿病標注數據集包含實體標注和關系標注

詞向量/預訓練模型

ChineseEHRBert 中文電子病歷預訓練Bert；用Bert測試命名實體識別，問答模型，關系提取任務

分詞

PKUSEGPKUSEG分詞工具，模型支持選擇醫學

知識圖譜 / 關系提取

cMeKGChinese Medical Knowledge Graph

瑞金醫院人工智能輔助構建知識圖譜大賽糖尿病相關的學術論文以及糖尿病臨床指南的實體標注和抽取實體關系任務

OMAHA知識圖譜（藥品適應癥）開放醫療與健康聯盟（Open Medical and Healthcare Alliance，OMAHA）構建的藥品與藥品適應證的知識圖譜數據

醫療知識圖譜數據醫療知識圖譜數據（ownthink）

病人事件圖譜數據集病人事件圖譜是一種新的基于RDF的醫療觀察性數據表示模型，可以清晰地表示臨床檢查、診斷、治療等多種事件類型以及事件的時序關系。使用三家上海三甲醫院的電子病歷數據，構建了包括3個專科、173395個醫療事件、501335個事件時序關系以及與5313個知識庫概念鏈接的醫療數據集。

中文癥狀庫這是一個包含癥狀實體和癥狀相關三元組的數據集。中文癥狀庫的數據來自8個主流的健康咨詢網站、3個中文百科網站和電子病歷。它還包含了中文癥狀與UMLS中概念的鏈接結果。

中醫醫案知識圖譜從醫案中抽取臨床知識構建知識圖譜，幫助用戶了解中醫特色療法，以及疾病（如“慢性胃炎”）的臨床表現、相關療法、相關養生保健方法等

herbnet 面向中藥研究，根據中藥領域模型的特點，構建了一個包括中醫疾病，方劑，中藥， 中藥化學成分，藥理作用，中藥實驗，化學實驗方法在內的中藥本體。進而，基于本體實現了一系列數據庫的集成，從而構建了一個中藥知識圖譜。

CHIP2020中文醫學文本實體關系抽取

命名實體識別

CCKS2017面向中文電子病歷的醫療實體識別及屬性抽取數據集

CCKS2018面向中文電子病歷的醫療實體識別及屬性抽取數據集

CCKS2019數據下載面向中文電子病歷的醫療實體識別及屬性抽取數據集

CHIP2020中文醫學文本命名實體識別

CHIP2020中藥說明書實體識別

QA

CCIR2019CCIR 2019 基于電子病歷的數據查詢類問答

cMedQA中文醫學QA數據集

cMedQA2中文醫學QA數據集

CMID中文醫學QA意圖理解數據集

KGQA基于醫藥知識圖譜的智能問答系統

chatbot-base-on-Knowledge-Graph使用深度學習方法解析問題 知識圖譜存儲 查詢知識點 基于醫療垂直領域的對話系統

中文醫療對話數據集Chinese medical dialogue data 中文醫療對話數據集

webMedQAwebMedQA

MedDialogThe MedDialog dataset contains conversations (in Chinese) between doctors and patients. It has 1.1 million dialogues and 4 million utterances.

CHIP2020中醫文獻問題生成

術語標準化

CHIP2019臨床術語標準化任務:醫渡云標準化7K數據集

CHIP2020臨床術語標準化任務

相似句對判斷

“公益AI之星”挑戰賽-新冠疫情相似句對判定大賽比賽整理近萬條真實語境下疫情相關的肺炎、支原體肺炎、支氣管炎、上呼吸道感染、肺結核、哮喘、胸膜炎、肺氣腫、感冒、咳血等患者提問句對，要求選手通過自然語言處理技術識別相似的患者問題。

其他

CHIP2018針對中文的真實患者健康咨詢語料，進行問句意圖匹配

CHIP2019平安醫療科技疾病問答遷移學習比賽

鏈接：https://github.com/GanjinZero/awesome_Chinese_medical_NLP

4

Data_數據中有6個文件夾分別是:

94596個問答對220606個問答對183751個問答對75553個問答對101602個問答對115991個問答對 總計 792099個問答對

每個文件夾下有一個csv文件，其中的數據格式為:

鏈接：https://github.com/Toyhom/Chinese-medical-dialogue-data

5

This dataset is used for Chinese medical QA intent understanding task.

Dataset format:

All the data is stored in a JSON file. There are 5 fields in the file. An example as follows:

{ "originalText": "間質性肺炎的癥狀?", "entities": [{"label_type": "疾病和診斷", "start_pos": 0, "end_pos": 5}], "seg_result": ["間質性肺炎", "的", "癥狀", "?"], "label_4class": ["病癥"], "label_36class": ["臨床表現"] }

鏈接：https://github.com/liutongyang/CMID

6

This is the dataset for Chinese community medical question answering. The dataset is in version 1.0 and is available for non-commercial research. We will update and expand the database from time to time. In order to protect the privacy, the data is anonymized and no personal information is included.

鏈接：https://github.com/zhangsheng93/cMedQA

7

COVID19 Language Resources: Datasets

鏈接：https://github.com/lwgkzl/Covid19-NLP

8

Datasets

BioCreative V chemical-disease relation (CDR) corpus (in short, BC5CDR corpus) (13, 14, 16, 34): It consists of 1,500 PubMed articles with 4,409 annotated chemicals, 5,818 diseases, and 3,116 chemical-disease interactions. The relation task data is publicly available through BioCreative V athttps://biocreative.bioinformatics.udel.edu/resources/corpora/biocreative-v-cdr-corpus/.

Traditional Chinese medicine (TCM) literature corpus (in short, TCM corpus) (32): The abstracts of all 106,150 papers published in the 114 most popular Chinese TCM journals between 2011 to 2016 are collected. 3024 herbs, 4957 formulae, 1126 syndromes, and 1650 diseases are found. 5 types of relations are annotated. The entire dataset is available online athttp://arnetminer.org/TCMRelExtr.

The 2012 informatics for integrating biology and the bedside (i2b2) project temporal relations challenge corpus (in short, i2b2 temporal corpus) (29, 30): It contains 310 de-identified discharge summaries of more than 178,000 tokens, with annotations of clinically significant events, temporal expressions and temporal relations in clinical narratives. On average, each discharge summary in the corpus contains 86.6 events, 12.4 temporal expressions, and 176 raw temporal relations. In this corpus, 8 kinds of temporal relations between events and temporal expressions are defined: BEFORE, AFTER, SIMULTANEOUS, OVERLAP, BEGUN_BY, ENDED_BY, DURING, BEFORE_OVERLAP. The entire annotations are available athttp://i2b2.org/NLP/DataSets.

鏈接：https://github.com/chentao1999/MedicalRelationExtraction