医学图像编辑已发展成为一项关键技术，在数据增强、模型可解释性、医学教育和治疗模拟等领域具有广泛的应用前景。然而，由于缺乏大规模、高质量且面向医学场景、符合严格解剖学与临床约束条件的公开数据集，该领域的发展受到了显著制约。为弥补这一空白，我们推出了 Med-Banana-50K，这是一个涵盖超过5万张经医学专家审校的图像编辑样本的综合性数据集，覆盖胸片、脑部MRI和眼底摄影，涉及23种疾病。每个样本均支持双向病灶编辑（添加与移除），其构建基于 Gemini-2.5-Flash-Image 模型，并以真实临床图像为基础。本数据集的核心优势在于其基于医学准则的质量控制流程：我们采用“大语言模型作为评判者”（LLM-as-Judge）的评估框架，评估标准包括指令遵循度、结构合理性、图像真实性以及保真度保持，并通过最多五轮迭代优化实现持续改进。此外，Med-Banana-50K 还包含约3.7万次编辑失败的尝试及其完整的评估日志，可为偏好学习与对齐研究提供支持。通过提供一个大规模、医学严谨且完整可追溯的资源，Med-Banana-50K 为开发与评估可靠的医学图像编辑系统奠定了关键基础。