pathcosmos/frankenstallm
1
0
Fork 0
Code Issues Pull Requests Actions Projects Releases Wiki Activity
Files
main
frankenstallm/source/eval/domain_survey/medical.md
ModelHub XC d4abdb70fa 初始化项目，由ModelHub XC社区提供模型 
Model: pathcosmos/frankenstallm
Source: Original Platform
2026-07-14 04:21:16 +08:00

17 KiB
Raw Permalink Blame History

한국어 의료/의학/헬스케어 데이터셋 전수 조사

작성일: 2026-02-27
목적: 한국어 LLM 3B 모델 학습용 공개 의료 데이터 전수 조사
조사 소스: HuggingFace Hub, AI-Hub, HIRA, NHIS, 공공데이터포털, GitHub

전체 목록 테이블

# 데이터셋 ID / 소스 크기 라이선스 내용 분류 다운로드 방법 제한사항 우선순위
1 sean0042/KorMedMCQA (HF) 7,469 문제 CC BY-NC 2.0 한국 의료면허시험 MCQ (의사/간호사/약사/치과) datasets.load_dataset 비상업 9
2 ChuGyouk/medical-o1-reasoning-SFT-Ko (HF) 25,700 행 Apache 2.0 의학 추론 SFT (한국어 번역, CoT 포함) datasets.load_dataset 없음 9
3 HAERAE-HUB/KMMLU (HF) 35,030 문제 (의학 서브셋 포함) CC BY-ND 4.0 45개 분야 전문가 MCQ (의학 다수 포함) datasets.load_dataset 변경불가 8
4 squarelike/ko_medical_chat (HF) 3,040 대화 없음(오픈) 한국어 의사-환자 대화 (ChatDoctor 기반 번역) datasets.load_dataset 없음 8
5 ChuGyouk/medical-reasoning-train-kormedmcqa (HF) ~5,000 행 CC BY-NC KorMedMCQA 기반 Gemini 추론 학습 데이터 datasets.load_dataset 비상업 8
6 ih9511/medical-translation-en-ko (HF) 1M~10M 행 오픈 의학 논문/특허 EN↔KO 번역 (한국학술정보 기반) datasets.load_dataset 없음 7
7 GrowingApple/orpo_kor_translated_medical (HF) 10K~100K 행 없음 한국어 의료 ORPO 학습 데이터 (번역) datasets.load_dataset 없음 7
8 ChuGyouk/medical_questions_pairs_ko (HF) ~5,000 쌍 unknown 의료 질문 유사도 쌍 한국어 번역 datasets.load_dataset 불명확 6
9 ChuGyouk/MMMLU-Ko-Medical (HF) 1K~10K MIT MMMLU 한국어 의료 서브셋 (clinical/genetics/anatomy 등) datasets.load_dataset 없음 6
10 seongsubae/KorMedMCQA-V (HF) 1,534 문제 + 2,043 이미지 CC BY-NC-SA 4.0 한국 의료면허시험 + 의료 이미지 (멀티모달) datasets.load_dataset 비상업 6
11 helenko/medical_DPO_dataset_ko (HF) 1K~10K 없음 의료 DPO 학습 데이터 한국어 datasets.load_dataset 없음 5
12 hjkimsun/medical-dpo-ko (HF) 1K~10K 없음 의료 DPO 데이터 한국어 datasets.load_dataset 없음 5
13 Saxo/ko_medical_meadow_med_qa_options_... (HF) 10K~100K Apache 2.0 한국어 MedQA 옵션 데이터 datasets.load_dataset 없음 5
14 Nexdata/203_Hours_Korean_Medical... (HF) 203시간 음성 (샘플) CC BY-ND 4.0 한국어 의료 엔티티 음성/전사 (샘플, 전체 유료) 샘플만 무료 유료 전체 3
15 LGAI-EXAONE/KMMLU-Redux (HF) 2,587 문제 CC BY-NC-ND 4.0 KMMLU 재구성 (오류 제거, 의학 포함) gated(승인 필요) 비상업+변경불가 6
16 LGAI-EXAONE/KMMLU-Pro (HF) 2,822 문제 CC BY-NC-ND 4.0 한국 전문직 면허 시험 (의사 포함) gated(승인 필요) 비상업+변경불가 7
17 AI-Hub 헬스케어 카테고리 전체 126개 데이터셋 공공누리/연구전용 의료 영상/임상/건강검진/의학 NLP 등 안심존+IRB 필수 IRB 심의 필수 8 (접근 어려움)
18 HIRA 공개 데이터 (opendata.hira.or.kr) 수십~수백만 건 공공누리 1유형 의료장비현황, 병의원현황, 건강보험 진료통계 등 직접 다운로드 없음 (통계 위주) 3
19 NHIS 공개 데이터 (nhis.or.kr) 수십만 건 공공누리 지역별 의료이용통계, 진료실적 현황 등 직접 다운로드 없음 (통계 위주) 3
20 공공데이터포털 의료 관련 (data.go.kr) 4,406건 파일/API 공공누리 전국의료기관현황, 응급의료기관, 의료영상정보 등 직접 다운로드/API 없음 (구조 데이터) 4
21 KoreaMed (synapse.koreamed.org) 수십만 편 논문 초록 개별 저작권 한국 의학 저널 논문 초록 (영문/한문 혼재) 웹 스크래핑 저작권 주의 5
22 PubMed 한국어 초록 수만 건 PubMed OA 한국어로 작성된 PubMed 초록 PubMed API/NCBI FTP 제한 없음 5

소스별 상세 분석

1. HuggingFace Hub

HuggingFace API (/api/datasets?search=...) 및 직접 URL 조회 결과, 한국어 의료 데이터셋은 주로 번역 기반이거나 벤치마크 목적의 소규모 데이터가 대부분이다.

주요 특징:

  • 원시(native) 한국어 의료 데이터는 매우 드물다
  • 대부분 영어 의료 데이터(ChatDoctor, MedQA, HuatuoGPT 등)를 한국어로 번역한 것
  • 한국 의료면허시험 기반의 벤치마크(KorMedMCQA, KMMLU)가 가장 퀄리티가 높음

수집 기준:

  • ko_medical, medical korean, medical ko, KorMed, KMMLU 등 검색어 사용
  • 총 20+ 쿼리 조회

2. AI-Hub (aihub.or.kr)

헬스케어 카테고리: 총 126개 데이터셋 보유 (2026-02-27 기준)

  • 대부분 의료 영상(MRI, CT, 병리 이미지) 데이터
  • NLP/텍스트 관련 데이터도 존재하나 "안심존(Safe Zone)" 접근 필수
  • 안심존: 인터넷 분리 환경에서만 분석 가능, 데이터 반출 불가
  • IRB 심의 결과 통지서 + 승인된 연구계획서 필수
  • 의료 데이터 특성상 직접 다운로드 불가 (개인정보 비식별화에도 불구)

접근 프로세스:

  1. 기관생명윤리위원회(IRB) 심의 → 결과 통지서 획득
  2. 안심존 이용 신청서 + 보안서약서 제출
  3. 구축기관 심사 및 승인
  4. 온라인/오프라인 안심존에서 데이터 분석
  5. 분석 모델만 반출 가능 (데이터 반출 불가)

문의: safezone1@aihub.kr / 02-525-7708

3. HIRA 공개 데이터 (opendata.hira.or.kr)

공공누리 1유형 (자유 이용 가능)

주요 데이터:

  • 의료장비 상세 현황 (2019~2024, CSV/XLSX)
  • 전국 병의원 및 약국 현황
  • 3단상병별 성별 연령군별 건강보험 진료 통계
  • 요양기관별 건강보험 청구 통계

NLP 활용 가능성: 낮음 — 통계/구조적 데이터로 직접 LLM 학습에는 부적합

4. NHIS 공개 데이터

  • 지역별 의료이용통계 (XLSX)
  • 의료보장(건강보험+의료급여) 시도별 진료실적 현황

NLP 활용 가능성: 낮음 — 수치 통계 위주

5. 공공데이터포털 (data.go.kr)

의료 관련 4,406건 검색 결과:

  • 전국의료기관표준데이터 (CSV)
  • 전국응급의료기관표준데이터 (XML)
  • 전국보건기관표준데이터 (CSV/XML/JSON)
  • 의료영상정보 (국가중점데이터)
  • 임상연구정보 (국가중점데이터)
  • 해부학 및 의료행위 기록설명그림 정보

NLP 활용 가능성: 중간 — 임상연구정보, 해부학/의료행위 기록 등은 활용 가능

Top 3 상세 분석

🥇 1위: sean0042/KorMedMCQA

우선순위: 9/10

항목 내용
HuggingFace ID sean0042/KorMedMCQA
URL https://huggingface.co/datasets/sean0042/KorMedMCQA
논문 https://arxiv.org/abs/2403.01469
크기 7,469 문제 (train 5,902 / dev 755 / test 812)
형식 Parquet
라이선스 CC BY-NC 2.0
HF 다운로드수 1,301 (2026-02 기준)
언어 한국어 (native)

내용:

  • 출처: 2012~2024년 한국 보건의료 전문면허 시험 실제 문제
  • 카테고리: 의사(Doctor), 간호사(Nurse), 약사(Pharmacist), 치과의사(Dentist)
  • 형식: 4지선다 MCQ (보기 A/B/C/D + 정답)
  • 의학 분야: 내과, 외과, 소아과, 산부인과, 약리학, 병리학, 해부학 등 전 분야

IRB/비식별화 여부:

  • 원본 데이터가 공개 국가시험 문제이므로 개인정보 없음
  • IRB 불필요

다운로드:

from datasets import load_dataset
ds = load_dataset("sean0042/KorMedMCQA")
# 서브셋: "doctor", "nurse", "pharmacist", "dentist"
ds = load_dataset("sean0042/KorMedMCQA", "doctor")

장점:

  • 한국어 native 의료 데이터 (번역 아님)
  • 실제 국가시험 문제 → 의료 도메인 신뢰도 최고
  • 의사/간호사/약사/치과의사 4개 직종 커버
  • 벤치마크 + 학습 데이터 모두 활용 가능

제한사항:

  • 비상업 라이선스 (CC BY-NC)
  • 이미지 포함 문제는 텍스트만 제공 (이미지 버전은 KorMedMCQA-V 참조)
  • 총 7,469문제 (규모 작음)

활용 방법:

  1. SFT 학습 데이터로 직접 활용
  2. Few-shot 예시로 활용
  3. 의료 도메인 평가 벤치마크로 활용
  4. 추론 데이터 생성의 seed 데이터로 활용

🥈 2위: ChuGyouk/medical-o1-reasoning-SFT-Ko

우선순위: 9/10

항목 내용
HuggingFace ID ChuGyouk/medical-o1-reasoning-SFT-Ko
URL https://huggingface.co/datasets/ChuGyouk/medical-o1-reasoning-SFT-Ko
크기 25,700 행
형식 Parquet
라이선스 Apache 2.0
HF 다운로드수 40 (2026-02 기준)
언어 한국어 (번역)

내용:

  • 출처: HuatuoGPT-o1 학습 데이터를 한국어로 번역
  • 원본: GPT-4o가 검증 가능한 의학 문제를 탐색하고 의학 검증자(medical verifier)로 검증
  • 번역: gemini-2.0-flash-exp (temperature=0.5)로 번역
  • 컬럼: Question, Complex_Cot, Response
  • 특징: Complex Chain-of-Thought (CoT) 추론 과정 포함

CoT 구조 예시:

Question: 자신의 음경이 줄어들고 결국 사라져 죽음에 이를 것이라고 믿는 사람의 진단은?
Complex_Cot: [300~3,420 토큰 분량의 한국어 추론 과정]
Response: [최종 답변]

IRB/비식별화 여부:

  • 번역 데이터로 개인정보 없음
  • IRB 불필요

다운로드:

from datasets import load_dataset
ds = load_dataset("ChuGyouk/medical-o1-reasoning-SFT-Ko")

장점:

  • Apache 2.0 (상업 이용 가능)
  • 의학 추론(reasoning) CoT 포함 → 3B 모델 추론력 강화에 최적
  • 25K+ 샘플 (KorMedMCQA 대비 규모 큼)
  • 오류 검증 과정을 거친 고품질 데이터

제한사항:

  • 번역 데이터 (원본 영어) → 한국어 의료 표현의 자연스러움 한계 있음
  • 번역 오류 가능성 (Gemini 번역)
  • 수학/과학 문제 일부 포함 (순수 의료만은 아님)

활용 방법:

  1. 한국어 의료 추론 SFT 학습 (주력 학습 데이터)
  2. CoT 형식으로 의료 응답 품질 향상
  3. KorMedMCQA와 결합하여 학습 효과 극대화

🥉 3위: HAERAE-HUB/KMMLU (의학 서브셋)

우선순위: 8/10

항목 내용
HuggingFace ID HAERAE-HUB/KMMLU
URL https://huggingface.co/datasets/HAERAE-HUB/KMMLU
논문 https://arxiv.org/abs/2402.11548
크기 35,030 문제 전체 (의학 서브셋은 ~수천)
형식 CSV
라이선스 CC BY-ND 4.0
HF 다운로드수 10,537 (2026-02 기준)
언어 한국어 (native)

내용:

  • 출처: 한국 국가기술자격시험 실제 문제 (2023~2024)
  • 45개 분야: 회계, 법률, 의학, 약학, 간호학 등
  • 의학 관련 서브셋: clinical_knowledge, medical_genetics, anatomy, professional_medicine, college_biology, college_medicine 등
  • 형식: 4지선다 MCQ + 인간 정확도(Human Accuracy) 제공

의학 서브셋 접근:

from datasets import load_dataset
# 의학 관련 서브셋들
medical_subsets = [
    "Clinical-Psychology",
    "Emergency-Medicine", 
    "Health-Insurance-Review",
    "Medical-Examination",
    "Public-Health"
]
for subset in medical_subsets:
    ds = load_dataset("HAERAE-HUB/KMMLU", subset)

IRB/비식별화 여부:

  • 공개 국가시험 문제 → 개인정보 없음
  • IRB 불필요

장점:

  • 가장 높은 다운로드수 (10,537) → 검증된 데이터
  • 한국어 native (번역 아님)
  • 인간 정확도 레이블 제공 → 문제 난이도 파악 가능
  • 45개 서브셋으로 세분화 → 의학 서브셋만 선택 가능
  • KMMLU-HARD, KMMLU-Redux, KMMLU-Pro 등 다양한 변형 존재

제한사항:

  • CC BY-ND 4.0 (변경 불가, 2차 저작물 금지)
  • 의학 서브셋이 전체 데이터 일부 (~20%)
  • 벤치마크 목적 → 학습 데이터로 전용 시 품질 검토 필요

활용 방법:

  1. 한국어 의료 도메인 벤치마크 평가 (주 활용)
  2. 의학 서브셋만 추출하여 학습 보조 데이터로 활용
  3. KMMLU-Pro (전문직 면허 포함) 와 병합하여 확장

추가 권장 데이터셋

AI-Hub 헬스케어 (접근 가능한 경우)

접근 방법이 어렵지만 가장 고품질의 한국어 원본 의료 데이터:

KMMLU-Pro (LGAI-EXAONE)

KorMedMCQA-V (멀티모달)

실용 가이드: 3B 모델 학습을 위한 전략

Phase 1: 즉시 사용 가능 (IRB 불필요)

# 1. KorMedMCQA - 한국 의료면허 실제 시험 (benchmark + SFT 모두)
pip install datasets
python -c "from datasets import load_dataset; ds = load_dataset('sean0042/KorMedMCQA', 'doctor'); print(ds)"

# 2. medical-o1-reasoning-SFT-Ko - CoT 추론 학습 데이터
python -c "from datasets import load_dataset; ds = load_dataset('ChuGyouk/medical-o1-reasoning-SFT-Ko'); print(ds)"

# 3. KMMLU 의학 서브셋
python -c "from datasets import load_dataset; ds = load_dataset('HAERAE-HUB/KMMLU', 'Medical-Examination'); print(ds)"

# 4. ko_medical_chat - 대화 형식 SFT
python -c "from datasets import load_dataset; ds = load_dataset('squarelike/ko_medical_chat'); print(ds)"

# 5. medical-translation-en-ko - 대용량 번역 corpus
python -c "from datasets import load_dataset; ds = load_dataset('ih9511/medical-translation-en-ko'); print(ds)"

Phase 2: 접근 신청 필요

데이터셋 신청 방법 예상 소요 시간
AI-Hub 헬스케어 IRB + 안심존 신청 4~8주
KMMLU-Redux/Pro HF Gated 승인 신청 수일

학습 데이터 조합 추천

규모별 추천 조합:

규모 조합 예상 총 샘플
소규모 KorMedMCQA + medical-o1-reasoning-SFT-Ko ~33K
중규모 위 + ko_medical_chat + KMMLU 의학 서브셋 + medical_questions_pairs_ko ~45K
대규모 위 + medical-translation-en-ko (필터링) + orpo_kor_translated_medical ~100K+

주요 고려사항

라이선스 분류

라이선스 데이터셋 상업 활용 변경 가능
Apache 2.0 medical-o1-reasoning-SFT-Ko ✅ ✅
MIT MMMLU-Ko-Medical ✅ ✅
CC BY-ND 4.0 KMMLU, KorMedMCQA-V(음성) ✅ ❌
CC BY-NC 2.0 KorMedMCQA ❌ ✅
CC BY-NC-SA 4.0 KorMedMCQA-V ❌ ✅
CC BY-NC-ND 4.0 KMMLU-Redux, KMMLU-Pro ❌ ❌
공공누리 1유형 HIRA, NHIS 통계 ✅ ✅

의료 데이터 특수 고려사항

  1. 비식별화 여부: HuggingFace의 한국어 의료 데이터는 대부분 번역 데이터 or 공개 시험문제 → 비식별화 이슈 없음
  2. IRB: AI-Hub 헬스케어 데이터만 IRB 필수 (실제 진료 기록 포함)
  3. 의료 환각(Hallucination): 번역 데이터의 경우 의료 용어 오역 가능 → 검증 필요
  4. 진료 가이드라인 최신성: 시험 문제 기반 데이터는 연도별 의료 가이드라인 변경 반영 필요

참고 링크