En smartphone‑baserad omfattande datamängd med annoterade bilder av munhålan för förbättrad diagnos av munsjukdomar

Varför din telefon kan hjälpa upptäcka muncancer

De flesta av oss bär en kraftfull kamera i fickan, men den används sällan för att leta efter tidiga tecken på sjukdom inne i munnen. Muntcancer och dess varningsfläckar förbises ofta tills de är långt framskridna, särskilt i samhällen med få specialister. Den här studien beskriver SMART‑OM, en noggrant kurerad samling fotografier av munhålans insida, alla tagna med vanliga smartphones och omsorgsfullt märkta av tandläkare. Målet är att ge forskare råmaterialet de behöver för att bygga artificiell‑intelligensverktyg som kan uppmärksamma oroande förändringar långt innan de blir livshotande.

Det globala problemet inne i munnen

Cancer i läppar och munhåla orsakar nära tvåhundratusen dödsfall världen över varje år, med flera hundratusen nya fall, och bördan är särskilt tung i låg‑ och medelinkomstländer. Tobak, alkohol och tuggning av arekanöt är stora riskfaktorer, och män samt äldre drabbas särskilt hårt. Tidig diagnos förbättrar överlevnaden avsevärt, men i många regioner är det svårt att nå en specialist, och rutinmässiga munundersökningar bygger på tandläkarens öga och erfarenhet. Det innebär att subtila fläckar eller skrovliga områden kan missas, eller att olika kliniker kan vara oense i sin bedömning. Ett billigare och allmänt tillgängligt sätt att dokumentera och granska munhålans insida skulle kunna göra verklig skillnad.

Göra smartphones till screeningsverktyg

SMART‑OM‑projektet syftade till att fånga högkvalitativa bilder av munhålan i verkliga samhällsmiljöer med bara två vanliga smartphones, en Android och en iPhone. Hälsoarbetare i samhällen och tandläkare i södra Indien besökte hem och tandläger och rekryterade vuxna som samtyckte till undersökning. För varje deltagare fotograferades åtta standardvyer som täckte tunga, kinder, läppar samt över- och underkäkens tandbågar. Man tog största möjliga hänsyn för att använda mestadels naturligt ljus, positionera kameran bara några centimeter från området och använda enkla hjälpmedel som speglar eller trädstavar för att försiktigt hålla undan kinder och läppar. Suddiga eller dåligt belysta bilder togs om, och all datainsamling följde strikta etiska regler där ansikten hölls utanför bild och personuppgifter fullständigt anonymiserades.

Från råa bilder till rika, märkta data

Tillsammans samlade teamet 2 469 bilder från 331 personer. Varje bild placerades i en av fyra grupper: helt frisk vävnad; ofarliga variationer från det vanliga utseendet; potentiellt maligna tillstånd som kan utvecklas till cancer; och bekräftad muncancer. Expertkirurger inom tandvård gick sedan längre än enkla etiketter genom att rita detaljerade konturer på bilderna med ett open‑source annoteringsverktyg. Vissa versioner markerar endast huvudområdet av intresse, andra kartlägger varje synlig struktur, och särskilda lesionfokuserade versioner spårar misstänkta fläckar och tillväxter. Utöver bilderna innehåller datasetet kalkylbladsfiler som listar vad varje ritad region representerar och separata tabeller som beskriver varje persons ålder, kön, vanor som rökning eller betel‑tuggning samt kliniska fynd. Denna kombination av visuellt material och kontext är avsedd att stödja både bild‑endast och multimodala AI‑system.

Sätta AI‑modeller på prov

För att visa hur användbart SMART‑OM kan vara tränade forskarna flera populära djupinlärningsmodeller, ursprungligen utvecklade för generell bildigenkänning, för två uppgifter: att skilja normala från onormala bilder och att särskilja mellan de fyra diagnostiska grupperna. De delade datasetet i tränings‑ och testdelar och finjusterade modeller som ResNet, VGG, EfficientNet och en Vision Transformer. Trots att datamängden dominerades av friska bilder och hade relativt få cancer‑ och högriskfall klassificerade den bästa modellen, en relativt kompakt ResNet‑variant, korrekt nära nio av tio testbilder totalt. Den var särskilt pålitlig för att känna igen friska munnar och hyfsat bra—om än mindre konsekvent—på att flagga onormala fall, vilket speglar den naturliga obalansen och de subtila visuella skillnaderna mellan kategorierna.

Vad detta betyder för vardaglig vård

För icke‑specialister är huvudbudskapet att SMART‑OM lägger grunden för att förvandla en vardaglig smartphone till ett hjälpmedel för tidig screening av muntcancer. Genom att göra denna stora, noggrant annoterade och fullständigt anonymiserade datamängd offentligt tillgänglig ger författarna forskare över hela världen en delad resurs för att träna och jämföra AI‑verktyg som kan markera misstänkta områden, kombinera bildledtrådar med livsstilsriskdata och hjälpa avgöra vem som behöver en närmare undersökning av tandläkare eller patolog. Även om den nuvarande samlingen fortfarande innehåller relativt få verkliga cancerfall speglar den nära vad som ses i samhällen och kommer att växa över tid. När den expanderar är SMART‑OM redo att stödja mer exakta, tillgängliga och prisvärda kontroller av farliga förändringar i munnen, vilket potentiellt kan rädda liv genom tidigare diagnos.

Citering: 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

Nyckelord: muntcancer, smartphone‑avbildning, medicinsk AI, munsår, screeningsdataset