从 1973 到 AI 时代：医学公共数据库五十年

每天都有无数人靠公共数据库发文章，但很少有人知道，这些数据库是怎么来的。

今天我带你走一遍，从 1973 年到现在，五十年的故事。走完你就知道该从哪个库开始。

1973 — 一切的起点：SEER

故事从 1973 年开始。

那一年尼克松签了《国家癌症法案》，美国要对癌症宣战，但打仗得先知道敌人在哪。

于是 NCI 建了 SEER，全美第一个癌症登记系统。从那时起每一个癌症患者的诊断、分期、治疗、生存，全部记录在案。

五十年过去了，SEER 覆盖了美国一半人口，直接产出一万七千多篇论文。到今天它还是肿瘤流行病学的第一数据源。

接下来的二十年，更多种子被种下。

NHANES（1971 启动，1999 转为持续调查）—— 横截面研究的王者，PubMed 引用超过六万篇。

CHNS（1989）—— 中国健康与营养调查，北卡和中国 CDC 联合发起，追踪中国人的健康与营养变迁。这是中国最早向世界开放的健康数据库之一。

PhysioNet（1999）—— MIT 上线了一个专门分享临床数据的平台。你现在听到的 MIMIC、eICU、PIC，全都托管在这个平台上。PhysioNet 不是一个数据库，它是一个基础设施。

2000 年以后，事情加速了。三股力量同时推动。

第一股，法律强制。 ClinicalTrials.gov 上线，2007 年法律要求所有临床试验必须注册。现在它有五十万个试验，AACT 把这些数据变成了可以直接查询的数据库。

第二股，期刊要求。 Nature 说：你要发文章？先把基因表达数据交到 GEO。从此数据提交成了发表的前提条件。GEO 现在有二十万个研究、六百五十万个样本。

第三股，技术突破。 高通量测序让数据量爆炸，2006 年 TCGA 启动，对 33 种癌症做多组学特征化。两万多个样本，2.5 PB 的数据，PubMed 提及超过两万九千篇。它彻底改变了癌症从组织学分类到分子分类的范式。

也是这个时期，CTD、DepMap 的前身 CCLE、EPA 空气质量系统，都陆续上线了。

2015 年发生了一件改变游戏规则的事。

MIT 发布了 MIMIC-III。六万次 ICU 入院记录，全部去标识化，全球免费开放。

这个库被引用了将近八千次。它被叫做临床 AI 的 ImageNet —— 就像 ImageNet 催生了计算机视觉的繁荣，MIMIC 催生了临床预测模型的大爆发。

ICU 死亡率预测、脓毒症早期预警、机械通气管理 —— 你能想到的重症 AI 研究，几乎都从 MIMIC 开始。

紧接着 2018 年，飞利浦开放了 eICU，二十万次多中心 ICU 数据。有了 eICU，MIMIC 的模型终于可以做外部验证了。

2019 年，中国也开始建自己的库了。

浙大儿童医院发布了 PIC，全球第一个公开可用的儿科 ICU 数据库。一万三千多次入住，一万两千多名患儿的数据，托管在 PhysioNet 上。

这意味着中国从公共数据库的使用者，变成了建设者。

同一时期，Broad 研究所的 DepMap 也正式上线。它用 CRISPR 做全基因组筛选，告诉你每个癌症真正依赖哪些基因。从描述突变到功能性验证，又是一次范式跳跃。

到了 2021 年，风向又变了。

MIMIC-IV 发布，不再只是 ICU 数据，加上了二十万条急诊记录。从 ICU 库变成了整个急性期诊疗的数据库。

2023 年 CarpeDiem 开放，每天 44 个临床参数，模拟你每日查房看到的数据。

2024 年 NWICU 开放，十二家医院、两万八千次 ICU，跟 MIMIC-IV 数据结构对齐。

你发现了吗？新一代数据库不再是为人类翻阅设计的，它们是为机器学习设计的。数据结构标准化，跨库可以直接验证。

同时影像领域也在爆发：CheXpert 有二十万张胸片，PTB-XL 有两万份心电图，Kvasir 有内镜图像，CAMELYON 有全切片病理。几乎每个影像方向，都有公开数据集可用了。

说了这么多历史，跟你有什么关系？关系大了。

五十年前，做研究必须有自己的数据。没有实验室，没有队列，你就什么都做不了。

今天不一样了。几十个公共数据库免费开放，从重症到肿瘤，从流行病学到基因组学，从心电图到病理切片。

而且数据库可以组合使用。MIMIC 建模加 eICU 验证，SEER 临床加 TCGA 分子验证，NHANES 主分析加 CHNS 跨人群。这些组合策略，才是公共数据库发文的门道。

所有这些库都是免费的，大部分在 PhysioNet 上申请账号签协议就能用。

这条路，我已经走过了。