7个CC许可可商用医疗AI数据集｜千方医数集

一家做消化道内窥镜 AI 辅助诊断的初创团队，花三个月用 MIMIC-CXR 训练出了一个效果不错的模型。准备拿去报 NMPA 二类证时才发现：数据集许可证写着"仅限非商业研究用途"。法务一句话否了------模型不能用在这条许可下训练的数据，整个 pipeline 推倒重来。

这不是个例。绝大多数医疗数据集的许可证都写着"仅限非商业研究用途"。模型不能商业化，甚至不能放进公司内部做验证。但产品要上线、要过审、要报证，每一步都需要数据来源的合规背书。

Creative Commons（CC）开放许可------CC0、CC-BY、CC-BY-SA------是解决这个问题的一条路。采用这类许可的数据集允许商用，只需标注来源。在整个医疗 AI 生态中，这类数据集极为稀缺，但确实存在。

以下 7 个数据集采用 CC 开放许可、可直接下载使用，覆盖内窥镜、病理、影像分割、细胞分析四个方向，每一个都能用于商业产品开发。

什么是 CC 许可？为什么重要？

许可类型	含义	商用	附加条件
CC0	完全放弃版权，进入公共领域	✅ 可以	无需标注
CC-BY 4.0	署名许可	✅ 可以	需标注原作者
CC-BY-SA 4.0	署名-相同方式共享	✅ 可以	需标注 + 衍生作品同许可
CC-BY-NC-ND	非商业 + 禁止演绎	❌ 不可	仅限非商业研究

下文 7 个数据集均属于前三类（可商用）。

总览：7 个 CC 许可数据集

数据集	许可	模态	规模	任务类型
Kvasir-HyperKvasir	CC-BY 4.0	内窥镜	11 万张图像 + 491 条视频·~158GB	消化道病变分类
Medical Decathlon	CC-BY-SA 4.0	CT/MRI	2,633 例 3D 体素·~72.5GB	多任务分割
CAMELYON16/17	CC0	病理 WSI	全切片图像·bigTIFF	淋巴结转移检测
BBBC	CC0 为主	显微图像	多模态荧光/明场	细胞核分割/药物筛选
CIMA	CC-BY 4.0	空间生物学	56 通道·258K 细胞·~2TB	免疫微环境分析
BCNB	研究开放	病理 WSI	1,058 名患者·~33GB	乳腺癌芯针活检
MoNuSeg	研究开放	显微图像	TCGA 来源·~97MB	细胞核分割

1. Kvasir-HyperKvasir --- 消化道内窥镜 AI 的最大开源库

11 万张标注图像 + 491 条视频，CC-BY 4.0 许可，158GB。挪威 SimulaMet 和 Bærum Hospital 联合发布。

业务场景：做 AI 辅助结肠镜筛查产品，需要大量带标注的消化道病变图像做训练集。Kvasir 是这个领域数据量最大、许可最开放的数据集------CC-BY 4.0 意味着用它训练的模型可以商业化，只需在产品文档中标注数据来源。23 类标注覆盖了息肉、溃疡性结肠炎、食管炎等常见病变，足够支撑一个初版商用模型的训练。491 条完整检查视频还可以用来做"检查质量评估"功能------判断医生退镜是否到位。

技术规格：

图像分辨率：各异的内窥镜帧
标注类别：23 类消化道病变和正常解剖结构
视频标注：491 条完整内窥镜检查视频
格式：JPEG / MP4

python 复制代码

import os
import cv2
import numpy as np
from torch.utils.data import Dataset

class KvasirDataset(Dataset):
    def __init__(self, root_dir, split='train'):
        self.root = os.path.join(root_dir, split)
        self.classes = sorted(os.listdir(self.root))
        self.samples = []
        for cls in self.classes:
            cls_dir = os.path.join(self.root, cls)
            if os.path.isdir(cls_dir):
                for f in os.listdir(cls_dir):
                    if f.endswith(('.jpg', '.png')):
                        self.samples.append((os.path.join(cls_dir, f), cls))
        self.cls_to_idx = {c: i for i, c in enumerate(self.classes)}
    
    def __len__(self):
        return len(self.samples)
    
    def __getitem__(self, idx):
        img_path, cls = self.samples[idx]
        img = cv2.imread(img_path)
        img = cv2.resize(img, (224, 224))
        return img, self.cls_to_idx[cls]

# 数据集统计
ds = KvasirDataset('kvasir/')
print(f"类别数: {len(ds.classes)}")
print(f"样本数: {len(ds)}")
print(f"类别: {ds.classes}")

下载方式：官网 datasets.simula.no 直接下载，CC-BY 4.0。

2. Medical Segmentation Decathlon --- 十任务通用分割基准

2,633 例 3D 体素数据，72.5GB，CC-BY-SA 4.0 许可。King's College London、Memorial Sloan Kettering 和 German Cancer Research Center 联合发布。

业务场景：开发面向医院的通用医学影像分割平台，需要覆盖多个器官和病灶类型。分别找脑肿瘤、肝脏、肺结节的数据集要对接五六个不同的数据提供方，每个都有各自的许可协议。Medical Decathlon 一个数据包覆盖十个器官的分割任务，许可统一为 CC-BY-SA 4.0------法务只需审核一份协议。做脑肿瘤、肝脏、肺结节、前列腺等方向的商用产品，都能从这里拿到起步训练数据。

十个分割任务：

任务	器官	病灶	数据量
Task01	脑	脑肿瘤	484 例
Task02	心脏	左心室	20 例
Task03	肝脏	肝肿瘤	131 例
Task04	海马体	海马头	30 例
Task05	前列腺	前列腺	48 例
Task06	肺	肺结节	64 例
Task07	胰腺	胰腺癌	282 例
Task08	肝血管	血管	192 例
Task09	脾脏	脾脏	41 例
Task10	结肠	结肠癌	126 例

python 复制代码

import SimpleITK as sitk
import numpy as np

# 读取 Medical Decathlon 的脑肿瘤数据
ct = sitk.ReadImage('Task01_BrainTumour/imagesTr/BRATS_001.nii.gz')
ct_array = sitk.GetArrayFromImage(ct)  # (D, H, W, C)
print(f"CT shape: {ct_array.shape}")

seg = sitk.ReadImage('Task01_BrainTumour/labelsTr/BRATS_001.nii.gz')
seg_array = sitk.GetArrayFromImage(seg)
print(f"Seg shape: {seg_array.shape}")
print(f"标签值: {np.unique(seg_array)}")  # 0=背景, 1=坏死, 2=水肿, 4=增强

注意：CC-BY-SA 4.0 的"相同方式共享"条款意味着衍生作品（包括训练出的模型如果对外发布）需保持相同许可。如果模型仅内部使用不对外发布，则不受此限制。商用前建议法务确认。

下载方式：medicaldecathlon.com 直接下载，CC-BY-SA 4.0。

3. CAMELYON16/17 --- 乳腺癌淋巴结转移的 CC0 里程碑

全切片图像（WSI），bigTIFF 格式，CC0 许可（完全放弃版权，进入公共领域），AWS Open Data 托管。荷兰 5 家医学中心联合标注。

业务场景：做术中冰冻病理 AI 辅助诊断系统，需要在手术过程中实时判断淋巴结是否有转移------这直接决定手术范围。CAMELYON 的像素级掩码标注和 40x 分辨率足够训练一个商用级转移检测模型。CC0 许可是关键：完全进入公共领域，不需要标注来源也能商用，法务零障碍。对于需要报 NMPA/FDA 认证的产品，CC0 是最干净的合规路径。

技术规格：

CAMELYON16：139 张训练 + 54 张测试 WSI
CAMELYON17：扩展为 500+ 张 WSI，含临床验证场景
标注：像素级掩码（肿瘤区域 + 正常区域）
分辨率：40x（0.25 μm/pixel）

python 复制代码

import openslide
import numpy as np

# 读取 WSI
slide = openslide.OpenSlide('tumor_001.tif')
w, h = slide.level_dimensions[0]
print(f"WSI 尺寸: {w} x {h}")

# 在 40x 层提取 patch
level = 0
patch_size = 256
patches = []
for _ in range(100):
    x = np.random.randint(0, w - patch_size)
    y = np.random.randint(0, h - patch_size)
    patch = slide.read_region((x, y), level, (patch_size, patch_size))
    patches.append(np.array(patch)[:, :, :3])

print(f"采样 {len(patches)} 个 patch, shape: {patches[0].shape}")

下载方式：CAMELYON 官网和 AWS Open Data 免费下载，CC0。

4. BBBC --- Broad 显显微图像分析基准

Broad Institute 的 Bioimage Benchmark Collection，CC0 为主，涵盖荧光、明场、DIC 多种成像模式。CellProfiler 兼容。

业务场景：做高通量药物筛选平台，需要对细胞板数千个视野做自动细胞核分割和表型量化。BBBC 的数据格式和 CellProfiler（Broad 的开源图像分析软件）完全兼容------这意味着训练好的模型可以无缝接入 Broad 的分析生态，从数据加载到表型输出一条龙。CC0 许可让药企可以直接用这些数据训练内部模型，不需要和 Broad 签合作协议。

python 复制代码

from skimage.io import imread
from scipy import ndimage
import numpy as np

# 读取 BBBC 细胞核分割数据
img = imread('BBBC039/IXMtest_A02_s9.tif')  # 荧光图像
nuclei = imread('BBBC039/IXMtest_A02_s9.png')  # 标注掩码

print(f"图像 shape: {img.shape}")
print(f"掩码 shape: {nuclei.shape}")
print(f"核数: {len(np.unique(ndimage.label(nuclei > 0)[0])) - 1}")

下载方式：Broad Institute 官网公开下载，CC0。

5. CIMA --- 结直肠癌免疫微环境 CODEX 数据

斯坦福大学 Nolan 实验室和伯尔尼大学病理研究所联合发布。56 通道 CODEX 高维空间成像，258K 细胞，2TB，CC-BY 4.0。TCIA 公开归档。

业务场景：做肿瘤免疫药物靶点发现平台，需要理解肿瘤微环境中免疫细胞的空间分布和互作关系。传统单通道免疫组化只能看一两个标记物，CIMA 的 56 通道 CODEX 数据可以同时标记 CD3/CD8/PD-1/CK 等数十种免疫标记------做细胞类型聚类、空间邻域分析、免疫细胞互作建模都能直接上手。CC-BY 4.0 允许药企商用，适合做药物靶点发现和伴随诊断开发。

下载方式：TCIA（The Cancer Imaging Archive）公开归档，CC-BY 4.0。

6. BCNB --- 早期乳腺癌芯针活检

1,058 名患者，JPG 格式 WSI，33GB，含 13 项临床特征。北邮和北京朝阳医院联合发布。

业务场景：做术前乳腺癌病理 AI 辅助诊断系统。CAMELYON 做的是术后淋巴结，BCNB 做的是术前穿刺------临床时间点更早，对患者的决策价值更大。更重要的是 BCNB 带了 13 项临床特征（年龄、ER/PR/HER2 状态、Ki-67、组织学分级等），可以做"影像+临床指标"的多模态融合------这比纯影像模型的临床价值更高。以中国患者为主的数据构成，对面向国内市场的产品尤为关键。

python 复制代码

import torch
import torch.nn as nn

# BCNB 多模态融合模型
class BCNBFusionModel(nn.Module):
    def __init__(self, img_feat_dim=512, clin_feat_dim=13, hidden=256):
        super().__init__()
        self.img_branch = nn.Sequential(
            nn.Linear(img_feat_dim, hidden), nn.ReLU(), nn.Dropout(0.3))
        self.clin_branch = nn.Sequential(
            nn.Linear(clin_feat_dim, 64), nn.ReLU(), nn.Dropout(0.3))
        self.classifier = nn.Sequential(
            nn.Linear(hidden + 64, 128), nn.ReLU(),
            nn.Linear(128, 2))
    
    def forward(self, img_feat, clin_feat):
        return self.classifier(torch.cat([
            self.img_branch(img_feat),
            self.clin_branch(clin_feat)
        ], dim=1))

下载方式：GitHub 仓库开放下载。

7. MoNuSeg --- 多器官细胞核分割基准

TCGA 来源，18 家医院多中心采集，显微镜图像 + XML 标注，仅 97MB。

业务场景：做数字病理分析平台，细胞核分割是几乎所有下游任务的基础------细胞计数、组织分型、增殖指数（Ki-67 阳性率）计算、预后预测都依赖准确的核分割。MoNuSeg 是这个任务的标准基准，数据来源于 TCGA，天然和基因组数据有交叉。97MB 的体量意味着半小时就能跑通完整 pipeline，非常适合做产品 POC 演示。

下载方式：MoNuSeg 官网和 GitHub 公开下载。

按业务方向选数据集

业务方向	推荐数据集	许可	理由
内窥镜筛查产品	Kvasir-HyperKvasir	CC-BY 4.0	11 万张+视频，可商用
通用影像分割平台	Medical Decathlon	CC-BY-SA 4.0	十器官统一许可，法务审一份
术中病理辅助诊断	CAMELYON16/17	CC0	像素级掩码，CC0 零合规障碍
高通量药物筛选	BBBC	CC0	CellProfiler 兼容，药企直接用
免疫药物靶点发现	CIMA	CC-BY 4.0	56 通道空间成像
术前乳腺癌诊断	BCNB	开放	中国患者+13 项临床特征
数字病理平台	MoNuSeg	开放	轻量级，POC 首选

技术总结

CC 许可数据集在医疗 AI 生态中是稀缺资源，几个在产品化过程中需要关注的点：

CC0 是最干净的合规路径------CAMELYON 和 BBBC 采用了 CC0，完全进入公共领域，不需要标注来源也能商用。对于需要报 NMPA/FDA 认证的产品，CC0 意味着数据来源合规问题被彻底消除。
CC-BY-SA 的"传染性"------Medical Decathlon 采用 CC-BY-SA 4.0，衍生作品（包括对外发布的模型）需保持相同许可。如果模型仅内部使用不对外发布，则不受此限制。商用前法务务必确认。
数据量和许可的权衡------Kvasir 有 11 万张图像且 CC-BY，但标注粒度只有分类级；CAMELYON 虽然只有几百张 WSI 但有像素级掩码。选数据集时要看产品需要什么粒度的标注。
多模态融合是产品差异化关键------BCNB 带 13 项临床特征，CIMA 有 56 个免疫通道。纯影像数据集的产品壁垒低，多模态融合数据集能构建更深的临床价值。

能直接拿来做商用的医疗数据集，全球就这些。对于要走完"从训练到上市"全流程的团队来说，数据来源的许可合规是第一道门槛，也是最容易踩坑的环节。

扩展阅读

GitHub 项目 ：top100-medical-datasets --- 全球 Top100 AI-Ready 医疗数据集索引，按 8 大主题分类

更多数据集，也可以打开千方数据集