用于基准测试深度学习算法的牙源性颌部病变CBCT与组织病理学一体化数据集

为何颌部病变对牙医之外的人也很重要

颌部出现异常生长听起来像是牙科的小众问题，但对个人健康和治疗方案可能有截然不同的含义。有些只是可以通过小手术切除的简单囊肿，而另一些则需要大范围手术以防复发。如今，医生依赖详细的X光类扫描和组织显微镜检查来区分这些相似的病变。本文介绍了一个新的共享数据资源，可能帮助人工智能更快、更一致地做出这些棘手判断。

以三维方式观察整个颌部

当牙医或外科医生怀疑颌部病变时，常会使用锥形束计算机断层扫描（CBCT）。该扫描生成头部的三维图像，以较低的辐射剂量显示骨骼和牙齿的细节，有助于外科医生规划要切除的组织范围并避开神经与牙根。问题在于许多常见颌部病变在这些扫描上形态与位置非常相似，即便是经验丰富的专家也可能对所见产生分歧，这会影响诊断和治疗选择。自动化计算机系统可以提供帮助，但它们需要大量、标注良好的影像集来学习。

在显微镜下观察组织

确诊这些颌部病变最可靠的方法仍然来自显微镜检查。术后，切除的组织被切成极薄的切片，染色后扫描成高分辨率图像。病理学家随后研究细胞模式，以判断病变是良性囊肿还是肿瘤，以及属于哪一亚型。例如，颌部以四类为主：牙源性囊肿（dentigerous cysts）、根尖囊肿（radicular cysts）、牙源性角化囊肿（odontogenic keratocysts）和牙釉质形成瘤（ameloblastomas）。每种病变都有其典型的外观和行为。然而，这一金标准的结论只有在手术后才能得到，患者和医生无法在术中据此调整手术，这就是为何更好的术前工具至关重要的原因。

将影像与切片结合起来

新的DOLCHID数据集通过将CBCT扫描与来自同一颌部病变的匹配显微镜图像仔细配对来解决这一差距。创建者收集了262名患者的数据，这些病例具有明确的诊断并同时具备两种方法的高质量图像。对于每个病例，放射科医师在扫描上标注了病变的精确区域，病理学家在染色组织切片上勾画出最具信息量的区域。该数据集在四种主要病变类型间保持平衡，并包含具有挑战性的边界病例以反映真实临床复杂性。所有个人信息均已被去除，图像以标准格式存储，便于全球研究团队使用。

检验计算机从数据中学到多少

为证明该数据集的实用性，团队使用领先的深度学习方法进行了系列测试。首先，他们训练计算模型在CBCT和显微镜图像上勾画病变边界。几种不同的模型设计均学会了较为准确地定位病变，这表明图像与专家标注是一致且有信息价值的。接着，他们训练了只使用扫描或只使用组织图像的独立模型来分类病变类型。与预期一致，使用显微镜图像的模型表现非常强，而仅使用CBCT的模型在考虑到病变外观相似性的情况下也取得了相当的成绩。

当两种视角结合时发生了什么

最具前瞻性的实验结合了两类图像。研究人员构建了先从CBCT扫描与组织切片分别学习特征，然后将这些信号融合为共享表征的方法。即便在真实诊断场景中只有扫描可用，这一训练过程仍能从显微镜图像中学到的知识中受益。这些多模态系统的表现高于仅CBCT的模型，表明配对数据可以增强计算机对病变类型微妙差异的识别能力。

这项工作如何惠及未来患者

对外行人而言，核心信息是：本研究并不推出一种新的医疗器械，而是提供了一套精心策划的教学数据集，供智能算法学习。通过将三维颌部扫描与匹配的显微镜视图及专家标注关联起来，DOLCHID数据集为研究者提供了开发和公平比较颌部病变AI工具的原始材料。随着时间推移，此类工具有望帮助临床医生更早发现侵袭性肿瘤、选择合适的手术程度，并减少面对复杂牙科与面部手术时患者的困惑与不确定性。

引用: Huang, Z., Xia, T., Wu, T. et al. Dental Odontogenic Lesion CBCT and Histopathology Integrated Dataset for Benchmarking Deep Learning Algorithms. Sci Data 13, 758 (2026). https://doi.org/10.1038/s41597-026-07112-7

关键词: 牙源性病变, 牙科影像, 锥形束CT, 组织病理学, 深度学习数据集