百万级医疗体检数据集

100 万+份高端深度体检报告 | 800+ 结构化医学字段 | 血常规 · 尿常规 · 生化全套 · 肿瘤标志物 · CT/MRI 影像全覆盖

100万+
体检报告
800+
结构化字段
5年
纵向时间跨度
S/A级
五维质量分档
A++++
优质来源机构

数据集概览

定义:百万级医疗体检数据集是由长沙朗慧信息科技有限公司依托 DataAssetsAPI 平台构建的超大规模结构化医学数据库。汇集 100 万+份来自合作医疗机构及品牌连锁体检机构的真实深度体检报告,经严格脱敏并通过五维质量评分体系(S+/S/A/B/C)分档。

数据集名称百万级体检报告标注数据集
数据总量100 万+ 份体检报告,含纵向连续数据与高端深度体检
时间跨度2019 - 2025 年(5年纵向追踪)
结构化字段800+ 字段,按 L1-L4 项目价值阶梯分层组织
数据类型综合健康体检报告(PDF 原件 + 结构化 JSON)
来源机构合作医疗机构及品牌连锁体检机构
质量分档S+ S A B C 五维评分体系
异常病例占比≥ 80% 为异常病例数据,避免同质化健康数据
报告结构四段式:基础信息 + 所见描述 + 结论 + 医生建议/干预措施
影像完整性所有影像类检查必须附带原始影像截图(硬性准入门槛)
格式输出PDF 原件 + 结构化 JSON(含实体/关系/数值/异常标记)

字段维度体系(800+ 字段)

数据集按 L1-L4 项目价值阶梯分层,覆盖从基础体检到高端精准医学的全维度数据。

维度大类字段数典型字段价值层级
基础人口学12专属映射ID、性别、出生年份、体检日期、年龄、BMI、血压、身高、体重、腰围、臀围L1 基础
血常规36白细胞/红细胞计数、血红蛋白、红细胞压积、血小板计数、中性粒/淋巴/单核/嗜酸/嗜碱细胞绝对值与百分比L1 基础
尿常规28尿比重、pH值、尿蛋白、尿糖、尿酮体、尿胆原、尿潜血、白细胞酯酶、尿微量白蛋白、尿肌酐、ACRL1 基础
便常规14便潜血(免疫法/化学法)、便白细胞、便红细胞、寄生虫卵、转铁蛋白、钙卫蛋白L1 基础
生化全套52肝功能(ALT/AST/GGT/ALP/TBIL/TP/ALB)、肾功能(BUN/Cr/UA/CysC/eGFR)、血脂(TC/TG/HDL/LDL/ApoA1/ApoB)、血糖(FPG/HbA1c/OGTT/胰岛素)、电解质、心肌酶、胰腺酶L2 健康
肿瘤标志物28AFP、CEA、CA19-9、CA125、CA15-3、CA72-4、PSA、fPSA、NSE、CYFRA21-1、SCC、ProGRP、HE4、CA242、FerritinL3 深度
内分泌32TSH、FT3、FT4、TgAb、TPOAb、皮质醇、ACTH、GH、IGF-1、PRL、LH、FSH、E2、P、T、DHEA-S、胰岛素/C肽释放试验L3 深度
超声影像86腹部超声(肝/胆/胰/脾/双肾)、甲状腺超声(TI-RADS)、乳腺超声(BI-RADS)、颈动脉超声(IMT)、心脏彩超(EF/E/A)、妇科/前列腺超声L3 深度
CT/放射48胸部CT(Lung-RADS肺结节分级)、冠脉CTA(Agatston钙化积分)、骨密度DEXA(T值/Z值)、头颅CT、颈椎/腰椎MRIL4 高端
MRI/高端影像42头颅MRI/MRA(Fazekas分级、动脉瘤)、MRCP、乳腺MRI、前列腺mpMRI(PI-RADS)、PET-CT(SUVmax)L4 高端
基因检测36SEPTIN9甲基化、肿瘤易感基因(BRCA1/2、MMR基因、APC、TP53)、药物基因组学(CYP2C19/CYP2D6/SLCO1B1/MTHFR)L4 高端
内镜检查32胃镜(食管/胃/十二指肠+病理/HP/萎缩/肠化)、结肠镜(息肉/腺瘤、Paris分型/NICE分型)、支气管镜L4 高端
专项筛查56HPV分型、TCT(Bethesda)、钼靶(BI-RADS)、骨龄(GP/TW3)、肺功能(FVC/FEV1/DLCO)、动脉硬化(ABI/baPWV)、HP呼气试验、睡眠呼吸监测(AHI)、AI眼底筛查L3-L4
体格检查28内科(心/肺/腹/神经)、外科(甲状腺/乳腺/直肠指检)、眼科(视力/眼压/眼底)、耳鼻喉、口腔科、妇科L1 基础
总检与建议18总检结论(异常发现汇总)、主检医生建议、风险分层、推荐复查周期、建议就诊科室、时序对比分析、健康管理建议L3 深度
元数据/质量24来源机构等级、报告格式、质量评分(S+/S/A/B/C)、有效页数、影像截图数量、脱敏方式、异常病例标记、纵向数据ID、数据年份

脱敏 JSON 数据样例

以下为经脱敏处理的结构化 JSON 样例。真实姓名、身份证号、手机号、住址等 PII 均已去除,核心医学数据完整保留。专属映射 ID(anon_id)支持跨年度纵向数据串联。

{
  "anon_id": "PHY-2023-A8F2K9M4X7",
  "report_id": "RPT-S-BJXH-20230415-0032",
  "meta": {
    "quality_grade": "S",
    "source_institution": "合作医疗机构体检中心",
    "institution_tier": "优质",
    "checkup_date": "2023-04-15",
    "report_pages": 42, "effective_pages": 38,
    "imaging_count": 8, "original_price_cny": 6800
  },
  "demographics": {
    "gender": "男", "birth_year": 1975, "age_at_checkup": 48,
    "height_cm": 172.5, "weight_kg": 78.3, "bmi": 26.3,
    "waist_cm": 92, "blood_pressure_mmhg": {"systolic": 138, "diastolic": 88}
  },
  "lab_results": {
    "blood_routine": { "wbc_10e9_L": 6.8, "hgb_g_L": 152, "plt_10e9_L": 218 },
    "biochemistry": {
      "alt_U_L": 42, "ggt_U_L": 68, "cr_umol_L": 88, "ua_umol_L": 420,
      "egfr_ml_min": 88, "tc_mmol_L": 5.82, "tg_mmol_L": 2.35,
      "ldl_c_mmol_L": 3.68, "fpg_mmol_L": 6.2, "hba1c_percent": 6.0
    },
    "tumor_markers": {
      "afp_ng_ml": 3.2, "cea_ng_ml": 2.1, "ca19_9_U_ml": 15.8,
      "psa_total_ng_ml": 2.8, "psa_ratio": 0.21
    }
  },
  "imaging": {
    "chest_ct": {
      "findings": "双肺散在微小结节,最大位于右肺上叶尖段,直径约4mm,磨玻璃密度,Lung-RADS 2类。",
      "lung_rads": "2", "nodule_count": 3, "largest_nodule_mm": 4
    },
    "carotid_us": {
      "findings": "左侧颈总动脉分叉处可见混合回声斑块,大小约8.2×2.5mm,管腔狭窄率约25%。",
      "imt_left_mm": 1.1, "stenosis_percent": 25
    },
    "cardiac_us": { "ef_percent": 62, "ea_ratio": 0.85 }
  },
  "endoscopy": {
    "gastroscopy": {
      "findings": "胃窦黏膜花斑样改变,快速尿素酶试验阳性。病理:慢性浅表性胃炎,HP(+)。",
      "hp_status": "阳性"
    }
  },
  "summary": {
    "main_findings": [
      "轻度脂肪肝", "双侧颈动脉粥样硬化伴左侧斑块(狭窄率25%)",
      "空腹血糖受损(IFG),HbA1c临界升高", "混合型高脂血症",
      "慢性浅表性胃炎伴HP感染", "右肺上叶微小结节(Lung-RADS 2类)"
    ],
    "risk_stratification": "心血管疾病中危",
    "temporal_comparison": "较2022年:BMI升高0.8kg/m²,空腹血糖升高0.5mmol/L,颈动脉斑块新发"
  }
}

AI 应用场景

医疗大模型 SFT 训练

100万+完整四段式体检报告 + 800+结构化字段,支持 GPT/LLaMA/Qwen 等基座模型医疗领域微调与 RLHF 对齐。

临床决策支持 (CDSS)

S/S+ 级报告的"临床推理链"数据训练 CDSS 模型学习从检查异常到诊断结论的完整临床思维链路。

健康风险评估模型

5年纵向连续数据构建 ASCVD、糖尿病进展、肿瘤早筛等风险预测模型,时序对比字段提供关键纵向信号。

医学 NLP / 信息抽取

深度推理级文本支撑 NER、关系抽取、医学文本结构化等 NLP 任务,800+字段作为 Gold Standard 参照。

多模态医学 AI

CT/MRI/PET-CT/超声/内镜影像与文字报告的图文配对数据,支持视觉-语言多模态模型训练与影像自动判读。

药物基因组学与个体化医疗

CYP2C19/CYP2D6/SLCO1B1/MTHFR 等数据结合体检指标,训练个体化用药推荐模型实现精准用药。

常见问题

数据来源是什么机构?质量如何保证?
公立机构仅限合作合作医疗机构体检中心;民营仅限品牌连锁体检机构等高端线。每份报告通过"医学广度(20%)+ 数据工程清晰度(15%)+ 医学规范性(15%)+ 临床推理链与影像质控(35%)+ 医学准确性(15%)"五维评分体系进行 S+/S/A/B/C 分档。
数据脱敏如何处理?是否保留医学核心信息?
已去除:真实姓名、手机号、身份证号、家庭住址、电子邮箱、工作单位、照片/头像、影像附件烧录隐私信息。保留:性别、出生年份、体检日期、检查项目全文、影像截图、总检结论、医生建议。脱敏严禁损伤医学语义——不遮盖检查数值、异常标识、诊断结论。每家供应商签署书面确认函承担脱敏责任。
是否支持纵向数据(同一人多年连续体检)?
支持。同一自然人通过专属映射 ID(anon_id)串联 3-5 年连续报告,年度间断不超过 1 次。JSON 中有专门的 temporal_comparison 字段记录年度变化分析,支持疾病进展建模和时序风险评估。
是否包含原始影像?数据格式是什么?
每份报告同时提供 PDF 原件 + 结构化 JSON。所有影像类检查(超声/CT/MRI/内镜/钼靶/PET-CT)均随附原始影像截图——这是硬性准入门槛,仅有文字结论无截图的报告不予验收。影像截图清晰可辨识。
如何获取数据或商务咨询?
本数据集由长沙朗慧信息科技有限公司旗下 DataAssetsAPI 平台运营。支持按需定制(按维度、质量等级、数量灵活组合)和标准数据集两种模式。请联系我们获取详细数据目录和报价方案。

认证专家网络

5000+
认证科研专家

覆盖数学、物理、化学、生物、地学、计算机六大学科

四重
质量审核体系

学术资质审核、专业能力评估、数据标注培训、质量持续监控

AI+
人机协同标注

AI预标注+专家复核,效率提升300%,准确率99.5%+

需要定制化的体检数据方案?

长沙朗慧信息科技有限公司 DataAssetsAPI 平台,致力于为 AI 企业、科研机构提供高质量、合规的医疗数据资产。支持按维度、质量等级、数量规模灵活组合。

数据样本预览 · 定制化数据方案 · 专业技术支持