5000+例纵向诊疗全模态数据 · 时间跨度≥3年 · 8大科室广覆盖 · 7类医学影像模态 · ICD-10-CN编码映射
面向医疗大模型时序推理训练的高质量纵向多模态临床数据集。每例病例融合结构化病历、临床文书、医学影像、检验检查、用药记录、病理报告、量表评分7大数据模态,同一患者内部各时间点记录可按时间顺序还原完整诊疗轨迹。
| 数据集名称 | 长时序多模态病历数据集(Longitudinal Multimodal Electronic Health Records Dataset) |
|---|---|
| 总规模 | 不少于 5,000 例合格病例,覆盖8大重点科室+补充专科病种池 |
| 时间跨度 | 每例≥3年纵向诊疗记录,至少2个以上不同时间点就诊/检查/治疗/随访记录 |
| 数据时间范围 | 2016年—2025年(优先选择具有完整病历及随访数据的患者) |
| 科室覆盖 | 肿瘤科 · 心血管内科 · 神经内科 · 呼吸科 · 消化科 · 肾内科 · 内分泌科 · 血液科 + ICU/精神科/口腔科/眼科/耳鼻喉科/妇产科/风湿免疫科 |
| 数据模态 | 结构化病历 · 临床文书原文 · 医学影像 · 检验检查 · 用药记录 · 病理报告 · 量表评分 |
| 影像模态 | CT · MRI · PET-CT · 超声 · 内镜 · X线/DR · 病理WSI |
| 编码标准 | ICD-10-CN 诊断编码映射,保留原始ICD编码、编码版本及映射规则 |
| 质量标准 | 关键字段填充率≥95% · 5%总体抽检 · 10%影像专项抽检 · 双重脱敏 |
| 合规要求 | 《个人信息保护法》《数据安全法》合规 · 全量脱敏 · 数据不出境 |
| 应用场景 | 医疗大模型时序推理训练 · 纵向疗效预测 · 临床轨迹建模 · 多模态融合研究 · 疾病进展预测 |
| 供应形式 | 硬盘 · 云盘 · API · 数据基础设施 |
| 提供方 | 长沙朗慧信息科技有限公司 |
本数据集的核心差异化价值在于长时序可关联性——每例合格病例不仅满足时间跨度≥3年的要求,更关键的是同一脱敏患者内部的诊断、就诊、检验、检查、用药、文书、影像、病理、量表及结局信息之间具备一致的内部关联关系,可按时间顺序还原主要诊疗轨迹。这一架构直接支撑医疗大模型的时序推理(temporal reasoning)能力训练。
自首次确诊目标病种或基线记录之日起至末次就诊、随访或结局记录,时间跨度≥3年。COPD、IBD、肝硬化、CKD、2型糖尿病、帕金森病、阿尔茨海默病等慢性或进展性病种优先提供更长时序数据。
至少2个以上不同时间点的就诊、住院、检查、治疗或随访记录。影像报告中提及"对比前片""较前次检查"等既往资料时,在可获取范围内提供对应既往检查及报告,保障主要诊疗轨迹连续可追溯。
通过脱敏患者编号、就诊编号、检查编号、报告编号、文件索引等形成可核验的关联链条。结构化记录、非结构化文书、检查报告、影像文件、病理资料、量表评分和用药记录均可追溯至同一患者同一就诊。
2019.03 · 首次确诊 · 入院记录 + 诊断(ICD-10: C34.1)+ CT胸部 + 病理活检 + 基线量表
2019.05 · 术后化疗第1周期 · 用药记录 + 检验(血常规/肝肾功能)+ CT复查 + 病程记录
2020.03 · 1年随访 · CT对比前片 + 肿瘤标志物 + 体能评分(ECOG)+ 随访文书
2021.06 · 2年复查 · MRI + PET-CT + 病理会诊 + 用药调整记录 + 生活质量量表
2022.09 · 末次随访 · 结局记录 + 影像评估 + 末次用药 + 总生存期记录
每例合格病例融合7大数据模态,核心验收标准为同一患者、同一次就诊、同一次检查或同一诊疗阶段下多类数据的内部可关联性。所有模态通过脱敏患者编号、就诊编号、检查编号、报告编号、文件索引形成可核验的关联链条。
诊断记录(ICD-10-CN)、就诊/住院记录、检验结果、检查记录、用药记录、手术/操作记录。关键字段填充率≥95%。
入院记录、出院记录/出院小结、首次病程、病程记录、转科记录、手术相关记录。全文完整性保障,不严重截断。
CT/MRI/PET-CT(脱敏DICOM)、超声/内镜(原始格式)、X线/DR(DICOM)、病理WSI(SVS/NDPI/TIFF/KFB)。保留空间定位与AI训练元数据。
药品名称、剂量、频次、给药途径、起止时间、用药调整记录。可关联至就诊编号,支持药物治疗轨迹分析。
病理诊断报告、免疫组化结果、分子/基因检测、TNM分期。可关联至病理WSI图像及就诊记录。
NIHSS、mRS、NYHA、LVEF、ECOG、APACHE II、SOFA、DAS28、SLEDAI等专科评估量表,支持纵向疗效评价。
血常规、生化、凝血、肿瘤标志物、微生物、基因检测等检验结果,以及功能检查报告。可关联至就诊与时间点。
随访记录、生存结局、复发/转移记录、并发症记录。支持疾病进展建模与预后预测模型训练。
| 数据模态 | 交付内容 | 格式要求 | 关联键 |
|---|---|---|---|
| 结构化数据 | 诊断(ICD-10-CN)、就诊、检验、检查、用药、手术记录 | CSV / Excel / 数据库 | patient_id + encounter_id |
| 临床文书 | 入院记录、出院小结、病程记录、转科记录、手术记录全文 | 文本 / PDF | patient_id + encounter_id |
| CT影像 | 薄层+常规层厚序列,优先512×512矩阵,保留期相信息 | 脱敏DICOM | study_id + series_id |
| MRI影像 | T1WI/T2WI/FLAIR/DWI/ADC/增强序列,保留序列描述与扫描参数 | 脱敏DICOM | study_id + series_id |
| PET-CT | PET与CT序列可对应,保留融合关系及SUV代谢信息 | 脱敏DICOM | study_id + series_id |
| 超声/内镜 | 静态图像+动态视频,关联检查报告与关键测量值 | DICOM / 原始导出 | study_id + report_id |
| 病理WSI | 全切片数字图像,保留倍率/比例尺/染色类型/切片编号 | SVS / NDPI / TIFF / KFB | study_id + report_id |
| 用药记录 | 药品名称、剂量、频次、给药途径、起止时间 | CSV / 数据库表 | patient_id + encounter_id |
总交付量不少于5,000例,覆盖8大重点科室及补充专科病种池。科室和病种数量为目标分布,最终交付结构以双方确认的交付清单为准。
| 科室/类别 | 目标占比 | 建议数量 | 重点疾病谱范围 | 基线资料要求 |
|---|---|---|---|---|
| 肿瘤科 | 约35%-38% | 1,750-1,900 | 肺癌、乳腺癌、结直肠癌、肝癌、胃癌、食管癌、头颈部鳞癌、胰腺癌、卵巢癌等 | 影像报告、分期、病理报告;分子/免疫指标按实际可得 |
| 心血管内科 | 约20%-22% | 1,000-1,100 | 冠心病/急性心梗、PCI后、心衰、房颤等 | 冠脉造影、心脏超声、心电图、心肌酶谱、LVEF、NYHA |
| 神经内科 | 约13%-15% | 650-750 | 缺血性卒中、出血性卒中、帕金森病、认知障碍/阿尔茨海默病等 | 头颅CT/MRI、病灶描述、NIHSS、mRS、认知/运动量表 |
| 呼吸科 | 约7%-8% | 350-400 | COPD、支气管哮喘、社区获得性肺炎、支气管扩张症等 | 肺功能、胸部影像、分级或症状控制评估 |
| 消化科 | 约6%-7% | 300-350 | 肝硬化、IBD、消化性溃疡、GERD等 | 胃镜/肠镜/影像报告、病理报告、肝功能分级、疾病活动度评分 |
| 肾内科 | 约6%-7% | 300-350 | CKD、糖尿病肾病、终末期肾病、维持性透析、移植后随访及并发症等 | eGFR、UACR、尿检、肾功能、肾脏病理、透析记录 |
| 内分泌科 | 约5%-6% | 250-300 | 2型糖尿病及并发症、甲状腺结节/功能异常/肿瘤、骨质疏松等 | HbA1c、血糖记录、并发症诊断、甲状腺功能/超声、骨密度 |
| 血液科 | 约3%-4% | 150-200 | 白血病、淋巴瘤、多发性骨髓瘤等 | 骨髓穿刺/活检、流式、FISH、分期/评分、血清蛋白电泳 |
| 其他专科补充 | ≤3% | ≤150 | ICU(脓毒症/ARDS)、精神科、口腔科、眼科、耳鼻喉科、妇产科、风湿免疫科 | 按双方确认清单执行 |
| 合计 | 100% | ≥5,000 | 8大重点科室 + 7类补充专科 | |
保留医院系统中与诊断相关的原始ICD编码、编码版本及诊断名称。如需映射至ICD-10-CN,提供映射规则、映射来源和映射前后字段。
同时提供基于ICD编码和基于真实诊断病种名称的分布统计。统计结果可按科室、疾病谱、ICD编码、诊断名称、病例数、时间跨度、数据模态覆盖情况汇总核验。
影像数据用于AI训练,优先交付薄层、原始分辨率和序列完整的数据。本项目覆盖多病种、多部位、多历史时期数据,不采用统一层厚阈值作为核心准入条件。DICOM类影像保留AI训练必要的关键元数据及空间定位信息。
| 影像类型 | 交付格式 | 关键技术要求 |
|---|---|---|
| CT | 脱敏DICOM | 优先薄层序列及原始层厚/像素间距;同一检查薄层+常规层厚尽量同时交付;矩阵≥512×512;增强检查保留期相信息 |
| MRI | 脱敏DICOM | 保留T1WI/T2WI/FLAIR/DWI/ADC/增强等主要诊断序列;序列名称、扫描部位、层厚、像素间距可识别 |
| PET-CT | 脱敏DICOM | PET与CT序列可对应,保留融合关系;报告/元数据体现SUV等代谢信息 |
| X线/DR | 脱敏DICOM | 保留投照体位、检查部位、像素尺寸和报告关联;不得以低清预览图替代 |
| 超声 | DICOM/视频/原始导出 | 静态图像+动态视频;关联检查报告,保留关键测量值、部位和结论 |
| 内镜 | 原始图片/视频/系统导出 | 保留检查部位、检查时间、报告/记录、关键图像/视频;建立病理对应关系 |
| 病理WSI | SVS/NDPI/TIFF/KFB | 保留倍率、比例尺、扫描层级、染色类型、切片编号;优先H&E及诊断相关切片 |
StudyInstanceUID, SeriesInstanceUID, SOPInstanceUID, AccessionNumber
ImagePositionPatient, ImageOrientationPatient, SliceLocation, FrameOfReferenceUID
Rows, Columns, PixelSpacing, SliceThickness, SpacingBetweenSlices
KVP, Exposure/mAs, ConvolutionKernel, Pitch, Manufacturer, ModelName
⚠ 脱敏不得删除影响三维重建、序列识别、空间定位和训练使用的关键字段。图像内烧录身份信息应遮盖,BurnedInAnnotation建议设为NO。
{
"patient_id": "LH_PT_2024_003172",
"demographics": {
"gender": "M",
"age_at_baseline": 58,
"age_unit": "year"
},
"primary_diagnosis": {
"icd_code_original": "C34.1",
"icd_version": "ICD-10",
"icd_code_mapped": "C34.1",
"diagnosis_name": "肺上叶恶性肿瘤",
"department": "肿瘤科",
"disease_spectrum": "实体瘤-肺癌"
},
"temporal_trajectory": {
"time_span_years": 3.5,
"encounter_count": 8,
"first_record_date": "2019-03-15",
"last_record_date": "2022-09-20",
"encounters": [
{
"encounter_id": "ENC_001",
"date": "2019-03-15",
"type": "inpatient",
"department": "肿瘤科",
"phase": "baseline_diagnosis",
"linked_data": {
"clinical_notes": ["入院记录", "首次病程", "出院小结"],
"imaging": [
{"study_id": "IMG_CT_001", "modality": "CT", "body_part": "CHEST", "report_id": "RPT_001"}
],
"pathology": [
{"report_id": "PATH_001", "type": "biopsy", "finding": "非小细胞肺癌,腺癌"}
],
"lab_results": ["血常规", "生化", "肿瘤标志物"],
"medications": [],
"scales": [{"name": "ECOG", "score": 1}]
}
},
{
"encounter_id": "ENC_004",
"date": "2020-03-10",
"type": "outpatient",
"phase": "follow_up_1y",
"linked_data": {
"imaging": [
{"study_id": "IMG_CT_004", "modality": "CT", "body_part": "CHEST",
"comparison": "对比前片IMG_CT_003", "report_id": "RPT_004"}
],
"lab_results": ["肿瘤标志物"],
"scales": [{"name": "ECOG", "score": 0}]
}
}
]
}
}
{
"patient_id": "LH_PT_2024_003172",
"encounter_id": "ENC_006",
"study_id": "IMG_MRI_006",
"study_datetime": "2021-06-18T09:30:00",
"modality": "MRI",
"body_part": "BRAIN",
"study_description": "头颅MRI平扫+增强",
"series": [
{
"series_id": "SER_006_01",
"series_description": "T1WI",
"slice_thickness": 5.0,
"pixel_spacing": [0.5, 0.5],
"rows": 512,
"columns": 512,
"file_count": 24,
"file_path": "patient_003172/enc_006/mri/ser_01/"
},
{
"series_id": "SER_006_02",
"series_description": "T2WI FLAIR",
"slice_thickness": 5.0,
"pixel_spacing": [0.5, 0.5],
"rows": 512,
"columns": 512,
"file_count": 24,
"file_path": "patient_003172/enc_006/mri/ser_02/"
},
{
"series_id": "SER_006_05",
"series_description": "T1WI+C (Post-Contrast)",
"slice_thickness": 5.0,
"pixel_spacing": [0.5, 0.5],
"rows": 512,
"columns": 512,
"file_count": 24,
"file_path": "patient_003172/enc_006/mri/ser_05/",
"contrast_phase": "post_contrast"
}
],
"linked_report": {
"report_id": "RPT_006",
"findings": "右侧额叶可见结节状强化灶,较前次(IMG_CT_004)无明显变化...",
"impression": "考虑转移瘤稳定,建议继续随访",
"report_date": "2021-06-18"
},
"linked_encounter": {
"encounter_id": "ENC_006",
"date": "2021-06-18",
"department": "肿瘤科",
"phase": "follow_up_2y"
},
"quality_note": {
"dicom_metadata_preserved": true,
"spatial_position_preserved": true,
"burned_in_annotation": "NO",
"desensitization_status": "passed"
}
}
长时序多模态病历数据是2025-2026年医疗AI领域核心的数据基础设施需求。以下前沿进展印证了本数据集的战略价值与技术方向:
2025年,医疗AI从单模态(影像/文本)快速向多模态融合演进。Nature Medicine发表的PanDerm模型基于200万+真实世界皮肤病多模态数据训练,验证了"影像+病历+病理"融合范式。多模态基础模型训练需要大规模、纵向关联的临床数据——这正是本数据集的核心定位。
2026年AI模型已能通过整合纵向电子病历、脑部影像微小结构改变及血液生物标志物,提前数年预测阿尔茨海默病等慢性病。时序推理(temporal reasoning)成为医疗大模型评测的关键维度,HealthBench等基准已纳入时序相关评测项。
MIT主导的MIMIC-IV数据库是全球重症医学研究的"黄金标杆",其核心价值正在于纵向时序+多模态关联。但MIMIC聚焦ICU场景,缺乏中国人群特征和专科纵深。本数据集填补了中文长时序多模态专科病历数据的空白。
2026年,研究人员越来越多通过AI搜索引擎(ChatGPT、Perplexity、文心一言)发现和评估数据集。结构化元数据、JSON-LD Schema、FAQ语义标记和清晰的技术描述成为数据集被AI发现和理解的关键。本页面已全面适配GEO优化。
长时序纵向数据直接支撑大模型学习"诊断→治疗→复查→结局"的时序因果推理链,训练模型理解疾病进展规律,而非仅做单次快照判断。
基于3年+纵向用药、检验、影像变化数据,训练疗效预测模型,辅助临床决策支持系统(CDSS)实现个体化治疗方案推荐。
CT/MRI/PET-CT影像+病历文书+检验结果+病理WSI多模态联合训练,构建专病多模态基础模型(Multimodal Foundation Model),支持下游微调。
利用慢病(COPD、CKD、糖尿病、帕金森、阿尔茨海默病)长时序数据,建模疾病自然史与进展轨迹,实现早期预警与干预时机推荐。
纵向用药记录+检验变化+影像评估构成药物反应时间线,训练药物疗效与不良反应预测模型,支持精准医疗。
基于"金标准"纵向诊疗数据构建专病AI评测集,评估AI系统在时序推理、多模态融合、纵向疗效判断等维度的能力。
关键字段填充率≥95%,因源系统缺失的在质量报告中说明
病历文书全文不得严重截断,关键诊疗信息不得缺失
影像、检验、用药、文书、诊断可通过患者编号和就诊编号追溯
总体病例抽检≥5%,影像专项抽检≥10%,覆盖不同科室/病种/来源/时间段
去除姓名、身份证号、电话、住址、就诊卡号、医师姓名、未泛化医院名称
DICOM/WSI元数据、私有标签、图像内烧录文字、标签图同步处理
保留比例尺、倍率、空间定位、序列识别等AI训练必要信息
符合《个人信息保护法》《数据安全法》,数据禁止出境
本数据集要求每例病例时间跨度≥3年,至少包含2个以上不同时间点的就诊记录,且同一患者内部各时间点的诊断、检验、检查、用药、文书、影像及结局信息可按时间顺序还原主要诊疗轨迹。普通电子病历数据集通常为单次就诊快照,缺乏纵向时序关联,无法支撑时序推理模型训练。
支持CT、MRI、PET-CT、超声、内镜、X线/DR、病理全切片数字图像(WSI)共7类医学影像模态。DICOM类影像保留StudyInstanceUID、SeriesInstanceUID等__KEEP_核心__标识及空间定位(ImagePositionPatient/ImageOrientationPatient)、序列参数(层厚/像素间距/扫描参数)等AI训练必要元数据。
全量数据经自动化+人工双重脱敏,去除患者姓名、身份证号、电话等可识别信息,同时保留年龄原始数值以保障分析价值。DICOM和WSI数据同步处理元数据、私有标签、图像内烧录文字。符合《个人信息保护法》《数据安全法》要求,数据禁止出境。
本项目不要求提供病灶框、分割轮廓、人工分类标签等标注成果,除非双方另行书面约定。影像数据交付重点是原始性和内部可关联性——影像文件、影像报告、检查记录、患者编号、就诊编号应能相互对应,并可纳入同一患者的长时序诊疗链条。
核心场景包括:①医疗大模型时序推理训练(学习诊断→治疗→复查→结局因果链);②多模态融合基础模型训练(影像+文书+检验+病理联合);③纵向疗效预测与疾病进展建模;④药物反应预测;⑤专病AI评测基准构建。数据集的ICD-10-CN编码映射和标准化数据字典支持直接接入主流训练框架。
请联系长沙朗慧信息科技有限公司数据专家团队,电话 137-5502-0164,或访问 www.langhuiai.com/Contact 提交咨询。我们提供按科室、病种、模态、时间跨度的灵活定制组合方案。
5000+例纵向诊疗全模态数据 · 8大科室 · 7类影像模态 · ICD-10-CN编码 · 合规可商用
长沙朗慧信息科技有限公司 · 15年数据工程经验 · 医疗AI数据全栈服务商
合规数据 · 定制交付 · 专业技术支持