首个公开标注的口腔内图像数据集推动AI驱动的龋齿检测研究

本研究针对全球35亿人受龋齿困扰而临床诊断存在主观性的问题，首次公开了包含6,313张标注口腔内图像的AI驱动龋齿检测数据集，采用LabelMe标注并经牙医验证，支持YOLO/PASCAL VOC/COCO多格式。通过训练YOLOv8s等5种模型（最高mAP@0.5IoU达0.841），为AI牙科诊断设立新基准。

　　

龋齿是全球最普遍的口腔疾病，世界卫生组织（WHO）数据显示其影响超过35亿人，尤其在低收入和中等收入国家（LMICs）的青少年中发病率持续攀升。传统诊断依赖牙医经验性判断，存在视觉检查可重复性差、X射线辐射暴露等问题。尽管研究表明专业牙医能达到良好的检查者间一致性，但临床实践中仍常见诊断分歧，这主要源于光线条件、视野限制等客观因素。人工智能（AI）技术的引入为解决这一难题提供了新思路，但现有研究面临关键瓶颈——缺乏高质量标注的临床图像数据集。此前Yoon等学者虽构建了24,000张图像数据集却未公开，而另一公开数据集仅含718张图像，难以满足深度学习（DL）模型对大数据量的需求。

为填补这一空白，巴基斯坦卡拉奇阿迦汗大学（The Aga Khan University）的研究团队在《Scientific Data》发表了首个公开标注的口腔内图像数据集。该研究在10-24岁青少年中采集6,313张图像，通过定制移动应用标准化拍摄流程，采用LabelMe软件标注并经专业牙医校准，最终转换为YOLO、PASCAL VOC和COCO等多格式兼容数据集。团队特别设计了包含颊侧牵开器使用与否的双重拍摄方案，涵盖颌面、左右侧等5种视角，完整呈现混合牙列与恒牙列特征。

关键技术包括：1）基于三星Galaxy A23移动设备开发标准化采集流程；2）使用LabelMe V5.4.1进行边界框标注，标注者间一致性Kappa值达0.89；3）采用Python实现数据匿名化及格式转换；4）训练YOLOv5s/YOLOv8s等5种模型时默认使用数据增强技术。

数据记录
数据集包含按视角分类的JPG图像及多格式标注文件，其中JSON文件详细记录牙齿空间坐标，用"d/D"区分乳恒牙龋坏。技术验证显示，内置网格系统保障了图像比例一致性，牙科椅灯光标准化消除了照明偏差。

数据描述
Zenodo仓库中数据集按"图像/标注/基准测试"三级架构组织，包含试点活动、使用牵开器（W/R）和无牵开器（W/O-R）三类子集。图2展示的目录结构中，标注文件细分LabelMe/YOLO等格式，基准测试集则按训练/验证/测试划分。图4直观呈现了5种标准化拍摄视角，包括上颌_occlusal观和双侧颊侧观。

数据结果
在6,313张图像（5,050训练/631验证/631测试）上，YOLOv8s以mAP@0.5IoU=0.841的优异表现超越其他模型（表1）。YOLOv5s虽训练效率更高，但精度（0.768）显著低于YOLOv8s（0.828）。值得注意的是，SSD-MobileNet-v2和Faster R-CNN分别仅获0.68和0.306的mAP，凸显YOLO系列在牙科图像检测中的优势。

该研究开创性地解决了AI牙科诊断的数据可获得性问题，其严格标注流程和多元兼容格式为后续研究设立新标准。局限性包括：1）未涵盖氟牙症标注；2）仅使用单一手机型号拍摄；3）未包含10岁以下乳牙列数据。未来研究应扩展设备多样性并纳入乳牙龋检测，这将进一步推动AI在口腔健康领域的转化应用。