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、ACR | L1 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 | 28 | AFP、CEA、CA19-9、CA125、CA15-3、CA72-4、PSA、fPSA、NSE、CYFRA21-1、SCC、ProGRP、HE4、CA242、Ferritin | L3 深度 |
| 内分泌 | 32 | TSH、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MRI | L4 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 | 36 | SEPTIN9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 | 56 | HPV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
认证专家网络
覆盖数学、物理、化学、生物、地学、计算机六大学科
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预标注+专家复核,效率提升300%,准确率99.5%+