Een smartphone-gebaseerde uitgebreide dataset van geannoteerde afbeeldingen van de mondholte voor verbeterde diagnose van mondziekten

Waarom uw telefoon mondkanker kan helpen opmerken

De meesten van ons dragen een krachtige camera in de zak, maar die wordt zelden gebruikt om vroegtijdige tekenen van ziekte in de mond te onderzoeken. Mondkanker en de waarschuwingsvlekken blijven vaak onopgemerkt totdat ze vergevorderd zijn, vooral in gemeenschappen met weinig specialisten. Deze studie beschrijft SMART‑OM, een zorgvuldig samengestelde verzameling foto’s van de binnenkant van de mond, allemaal genomen met gewone smartphones en nauwkeurig gelabeld door tandheelkundige experts. Het doel is onderzoekers het ruwe materiaal te geven dat nodig is om tools op basis van kunstmatige intelligentie te bouwen die zorgwekkende veranderingen kunnen signaleren lang voordat ze dodelijk worden.

Het wereldwijde probleem in de mondholte

Kankers van de lippen en mondholte doden jaarlijks bijna tweehonderdduizend mensen wereldwijd, met honderden duizenden nieuwe gevallen, en de last is bijzonder zwaar in lage‑ en middeninkomenslanden. Tabak, alcohol en het kauwen van arecanoot zijn belangrijke risicofactoren, en mannen en ouderen worden er vooral door getroffen. Vroege diagnose verbetert de overleving sterk, maar in veel regio’s is het moeilijk om een specialist te bereiken en routinecontroles van de mond vertrouwen op het oog en de ervaring van de tandarts. Dat betekent dat subtiele vlekken of ruwe plekken gemist kunnen worden, of dat verschillende clinici uiteenlopende beoordelingen geven van hetzelfde beeld. Een goedkope, breed beschikbare manier om de binnenkant van de mond vast te leggen en te beoordelen kan echt verschil maken.

Smartphones als screeningsinstrumenten

Het SMART‑OM‑project had als doel om hoogwaardige afbeeldingen van de mondholte vast te leggen in echte gemeenschapsomgevingen met slechts twee gangbare smartphones, één Android en één iPhone. Gemeenschapsgezondheidswerkers en tandartsen in Zuid‑India bezochten huizen en tandkampen en recruteerden volwassenen die akkoord gingen met onderzoek. Voor elke deelnemer werden acht standaardbeelden gemaakt die de tong, wangen, lippen en boven- en onderkaak beslaan. Er werd gelet op het gebruik van vooral natuurlijk licht, het positioneren van de camera op slechts enkele centimeters afstand, en eenvoudige hulpmiddelen zoals spiegels of houten stokjes om wangen en lippen voorzichtig opzij te houden. Wazige of slecht verlichte foto’s werden opnieuw genomen, en alle gegevensverzameling volgde strikte ethische regels, waarbij gezichten buiten beeld werden gehouden en persoonlijke gegevens volledig geanonimiseerd.

Van ruwe foto’s naar rijke, gelabelde data

In totaal stelde het team 2.469 beelden samen van 331 personen. Elke foto werd in één van vier groepen geplaatst: volledig gezond weefsel; onschuldige variaties van het normale uiterlijk; potentieel kwaadaardige aandoeningen die zich tot kanker kunnen ontwikkelen; en bevestigde mondkanker. Specialistische kaak‑ en tandchirurgen gingen verder dan eenvoudige labels door gedetailleerde contouren op de afbeeldingen te tekenen met een open‑source annotatietool. Sommige versies markeren alleen het hoofdbelangengebied, andere brengen elk zichtbaar structuur in kaart, en speciale op laesies gerichte versies tekenen verdachte vlekken en gezwellen nauwkeurig na. Naast de foto’s bevat de dataset spreadsheets met wat elk getekend gebied voorstelt en afzonderlijke tabellen die de leeftijd en het geslacht van elke persoon, gewoonten zoals roken of betelkauwen, en klinische bevindingen beschrijven. Deze combinatie van beeldmateriaal en context is ontworpen om zowel beeld‑alleen als multimodale AI‑systemen te ondersteunen.

AI‑modellen op de proef gesteld

Om te laten zien hoe nuttig SMART‑OM kan zijn, trainden de onderzoekers verschillende populaire deep‑learningmodellen, oorspronkelijk ontwikkeld voor algemene beeldherkenning, om twee taken aan te pakken: simpelweg normale van abnormale beelden onderscheiden, en het onderscheid maken tussen de vier diagnostische groepen. Ze splitsten de dataset in trainings‑ en testdelen en verfijnden modellen zoals ResNet, VGG, EfficientNet en een Vision Transformer. Ondanks dat de dataset gedomineerd werd door gezonde beelden en relatief weinig kanker‑ en hoogrisicogevallen bevatte, classificeerde het beste model, een relatief compacte ResNet‑variant, bijna negen van de tien testbeelden correct in totaal. Het bleek bijzonder betrouwbaar in het herkennen van gezonde monden, en redelijk goed—zij het minder consistent—in het signaleren van abnormale gevallen, wat de natuurlijke onbalans en subtiele visuele verschillen tussen categorieën weerspiegelt.

Wat dit betekent voor dagelijkse zorg

Voor niet‑specialisten is de kernboodschap dat SMART‑OM de basis legt om een alledaagse smartphone te veranderen in een hulpmiddel voor vroege screening op mondkanker. Door deze grote, zorgvuldig geannoteerde en volledig geanonimiseerde dataset openbaar beschikbaar te maken, geven de auteurs onderzoekers over de hele wereld een gedeelde bron om AI‑tools te trainen en te vergelijken die verdachte gebieden kunnen markeren, beeldkenmerken kunnen combineren met leefstijlriscogegevens en kunnen helpen beslissen wie nader onderzoek door een tandarts of patholoog nodig heeft. Hoewel de huidige collectie nog relatief weinig echte kankergevallen bevat, weerspiegelt ze nauw wat in gemeenschappen wordt gezien en zal in de loop van de tijd groeien. Naarmate ze uitbreidt, kan SMART‑OM meer accurate, toegankelijke en betaalbare controles op gevaarlijke mondveranderingen ondersteunen en mogelijk levens redden door vroegere diagnoses.

Bronvermelding: Madan Kumar, P.D., Ranganathan, K., Lavanya, C. et al. A Smartphone-based Comprehensive Dataset of Annotated Oral Cavity Images for Enhanced Oral Disease Diagnosis. Sci Data 13, 676 (2026). https://doi.org/10.1038/s41597-026-06954-5

Trefwoorden: mondkanker, smartphonebeeldvorming, medische AI, orale laesies, screeningdataset