数据集 原始池总量 可封装为 valid 可封装为 test
MedQA 11,451 未动段 test[100:] = 1,173（建议划 50-100 入岗） 未动段 1,173 + 已消耗 100（锚点）
DDXPlus 266,977 validate 池 132,448（在岗 50） test 池 134,529（在岗 100，定型期扩 500）
MedChain 12,163 纯文本池 6,816（待划分） 同一池（划分方案定型期定）
MedAgentBoard 2,279（processed） ❌ 官方考卷 400（MedQA MC 200 + PubMedQA MC 200，文本可用）
总计 292,870 — —

DDXPlus

Mila 研究所造的约 130 万合成虚拟患者（NeurIPS 2022 D&B track，CC-BY 许可）。每个患者有：年龄/性别、金标准诊断（PATHOLOGY）、编码化的症状与病史（EVIDENCES）、主诉起点，以及最值钱的——带概率的鉴别诊断列表（DIFFERENTIAL_DIAGNOSIS）。鉴别诊断就是 MDT 会诊的核心思维动作，而且 MDAgents 原文就用它评测

文件 是什么 要不要
release_evidences.json 症状/病史字典（编码→中文问题的映射）【用于解码，把论文源数据给解码成能用的数据】 下
release_conditions.json 病理字典（病名/ICD-10/严重度）【用于解码，把论文源数据给解码成能用的数据】 下
release_test_patients.zip 官方测试划分 下
release_validate_patients.zip 官方验证划分 下
release_train_patients.zip 百万级训练集，最大的文件 跳过，因为模型不需要训练

转换为本地agent程序能读懂的json文件

以后要是用于测试项目，需要把生原料给转化一下

层 文件 谁会读它
论文原数据 release_conditions.json、release_evidences.json、release_test_patients、release_validate_patients 只有 prepare_ddxplus.py 读
处理过后可以直接识别的数据 train.jsonl、valid.jsonl、test.jsonl benchmark.py 只读这三个

MedChain

港城大/港中文的 12,163 例经人工验证的真实临床病例（NeurIPS 2025），19 专科、含 7,338 张带报告的图像。每例走 转诊→问诊→检查→诊断→治疗 五步，作者的结论（单 agent 序列任务错误传播严重，多 agent+反馈显著更好）正是系统要验证的假设。

MedAgentBoard

NeurIPS 2025 D&B track 的 benchmark，专做“多智能体 vs 单 LLM vs 传统方法”四类任务对比（医学问答/科普摘要/EHR 预测/工作流自动化）。它最值钱的不只是数据，是实验设计的模板。它证明多智能体并非总赢，所以每个设计都要配对实验背书。内容包含：

任务类别 子集 条数 你的 benchmark 能不能用
医学 MC 问答 MedQA 200 ✅ 几乎零成本（qid/question/options/answer，与你格式同构，选项 A-E）
医学 MC 问答 PubMedQA 200 ✅ 同上（A/B/C 三选）
自由文本问答 PubMedQA FF 200 ⚠️ 能跑但判分不同（无选项字母，要文本比对）
病理/放射图像 QA PathVQA + VQA-RAD 400+379 ❌ 刚验证：带 image_path 字段，问题离开图像没有意义——留给多模态阶段
科普摘要生成 5 个子集 各~100 ⚠️ 生成任务，指标是 ROUGE/BERTScore，另一套管线
EHR 预测 mimic-iv 死亡/再入院 + TJH 死亡 各 200 ⚠️ 时序数据预测（有意思的是 MIMIC 部分居然在里面，README 说不含——用前需查合规形式）