PMC
来自医学百科
| PubMed Central | |
|---|---|
| 英文缩写 | PMC |
| 维护机构 | NIH 下属的 NLM |
| 上线时间 | 2000年2月 |
| 核心特征 | 免费全文 (Free Full Text) |
| 收录文章数 | > 930 万篇 (2024年) |
| 法律依据 |
NIH 公共获取政策 (Public Access Policy) |
| 对AI价值 |
医疗大模型训练的 最大全文语料库 |
PubMed Central（简称PMC），是由美国国家医学图书馆（NLM）运营的一个免费的、永久性的生物医学和生命科学期刊文献数字档案库。
与 PubMed 不同（PubMed 主要提供摘要），PMC 提供全文（Full Text）访问。它是全球开放科学（Open Science）运动的里程碑。所有由美国国立卫生研究院（NIH）资助的研究成果，在发表后必须强制上传至 PMC 供公众免费阅读。[1]
PMC 与 PubMed 的关键区别
这是初学者最容易混淆的概念，但对于数据工程师至关重要：
- PubMed = 搜索引擎（类似 Google）。
- 它包含超过 3600 万条记录，但绝大多数只展示标题和摘要（Abstract）。
- 如果您想看全文，通常需要点击链接跳转到出版商（如 Nature, Elsevier）的网站，而那里通常有付费墙（Paywall）。
- PMC = 数字图书馆（类似书架）。
- 它存储的是文章的物理文件（XML/PDF）。
- 在 PMC 里的每一篇文章，您都可以直接免费下载全文。
- 关系：PMC 收录的所有文章都能在 PubMed 里搜到，但 PubMed 里搜到的文章只有一部分（约 1/4）存放在 PMC 里。
核心数据集：PMC Open Access Subset
对于您的“智慧医生”AI 项目，这是最有价值的部分。
- 定义：PMC 中有一部分文章不仅免费阅读，还允许机器挖掘（Text Mining）和二次使用。这就是 PMC Open Access Subset。
- 规模：包含数百万篇结构化良好的 XML 格式全文。
- 用途：这是目前训练医疗垂直大模型（LLM）最核心的全文语料库。
- 摘要 vs 全文：仅训练摘要，AI 只能学会“结果”；训练全文，AI 才能学会“方法”和“逻辑推理”。例如，具体的药物配方、实验步骤、不良事件的详细描述，通常只存在于全文的“方法”或“讨论”章节中。
法律与政策背景
PMC 的快速壮大得益于强有力的政策推动：
- NIH 公共获取政策 (2008)：美国法律规定，凡是拿了 NIH 经费（纳税人的钱）做出来的研究，必须在发表后的 12 个月内，将最终审稿手稿（Author Manuscript）上传到 PMC。[2]
- Plan S (欧洲)：类似的开放获取计划也在欧洲推行，催生了 PMC 的姊妹站点 Europe PMC。
对 AI 药物研发的意义
- 挖掘负面结果：很多药物研发的失败案例（Negative Results）隐藏在全文的图表或附件中。通过挖掘 PMC 全文，AI 可以帮助药企避免重复前人的失败路径。
- 多模态学习：PMC 文章中包含大量病理切片、CT 影像和图表。这是训练多模态 AI（既能看图又能读文）的最佳数据源。