MEDICAL DATA RESEARCH
口腔颌面 CT/CBCT 数据集建设:从检查级原始证据到可复核 AI 研发
围绕口腔颌面CT/CBCT研究数据,拆解检查级计数、FOV、DICOM原始对象、报告语义、牙位病灶关联、证据分层、专家复核和外部验证,说明如何将交付要求转成可复核的AI研发数据链。
在口腔颌面 CT/CBCT 数据采购中,最容易被低估的技术问题不是“能收集多少张图”,而是如何证明一行数据确实对应一次可评价的检查,如何知道影像覆盖了哪些结构,如何把报告里的“考虑”“不能除外”和术后改变与明确诊断分开,以及如何让后续模型面对一个未参与开发的设备或来源时仍然能够被公平评价。若这些问题没有在数据字典和交付流程中先行冻结,大量文件也可能只是同一次检查的多次导出,或是一组无法解释的阳性标签。
本文把口腔颌面 CT/CBCT 建设需求改写成一个面向研发团队、医学数据采购方和质量负责人的技术问题:怎样把一次检查、实际视野、原始体数据、报告语义、牙位和病灶关系、跨模态证据及质量记录组织成可追溯的数据对象。这里讨论的是研究数据建设和验收方法,不是诊疗指南,也不对任何个体影像作出诊断或治疗建议。
先把临床任务拆成数据对象
口腔颌面 CT/CBCT 并不是单一疾病的影像。一个项目可能同时服务于阻生牙或埋伏牙定位、根尖周炎和根尖区囊性病变识别、牙周骨质破坏描述、颌骨囊肿或肿瘤样病变研究、颌面骨折评估、颞下颌关节骨性改变分析、鼻窦牙源性病变筛查、种植规划或术后复核,以及可见范围内的唾液腺导管结石研究。每个任务需要的解剖范围、证据强度和输出颗粒度并不相同。把它们统称为“口腔 CT 阳性”会丢失研究所需的语义。
因此,第一步应当写清楚输入、输出和适用边界。输入不应只写“CT 图片”,而应区分口腔颌面 CT、CBCT、薄层骨重建和在项目范围内可得的增强软组织 CT,并保留实际协议、序列、期相、FOV、体素尺寸、设备信息和重建参数。输出也应拆成多个层级:检查级主键与覆盖范围,报告级所见和印象,结构化的主要诊断与细分条目,牙位、侧别、阻生方向、根尖或牙槽骨关系等专项字段,以及在来源证据充分时建立的手术、病理、检验、随访或同患者 MRI 关联。患者级或检查级关联只能说明两个对象属于同一研究对象或同一检查链,不能被包装成像素级配准、病灶级对应或病理确证标注。
计数单位应优先采用一次 CT/CBCT 检查,而不是文件数、序列数或截图数。同一检查中的多序列、多期相、多重建和多视图可以作为层级对象保留,但不能因此增加样本数。主键应全局唯一,并能向下解析到 Study、Series、Instance 或项目所采用的等效层级。这样的设计既避免重复计算,也使算法团队知道哪些对象可以一起输入,哪些只是同一检查的派生视图。
“阴性”尤其需要边界。局部 CBCT 没有覆盖某一结构时,只能标记该结构未进入视野或无法评价,不能据此得出范围外阴性。检查质量不足、严重金属伪影、运动模糊或结构被截断,也应与真正的阴性分开。阳性、阴性、疑似、不能除外、治疗后改变、未做、未知和缺失必须有不同编码。影像报告提示可以作为一个证据层级,但不能自动改写为病理确诊;病理、手术和合格随访也应记录日期、来源和关联对象,而不是只留下一个不可解释的“真值”。
图1 口腔颌面 CT/CBCT 数据链路技术示意。不含患者样本,不代表真实交付、实验完成或临床诊断结果。
原始影像、文本和关联键要怎样共存
对于三维口腔影像,单张全景图或阅片截图不等同于原始检查。CBCT 的完整体数据、体素尺寸、FOV、方向、设备与重建参数,决定了牙体、牙槽骨、下牙槽神经管和颞下颌关节等结构能否被研究者重新浏览或量化。DICOM PS3.10 规定了媒体存储文件格式、文件元信息和对象交换框架,可作为检查级文件组织和下游解析的技术参照。1 头颈 CT 的专业实践参数又把颌面与鼻窦 CT、检查文档、设备规格和质量改进分别列为需要核对的环节,可用于补充项目对采集范围和解释边界的设计。7 这并不意味着任何项目只要写上 DICOM 就完成了质量控制,仍需验证文件是否可读、层级是否完整、方向是否一致以及派生对象能否回溯到原始对象。
建议把原始对象、转换对象和研究派生对象分开存放,并在机器可读的 manifest 中记录相对路径、对象标识、文件大小、格式、原始或派生状态、转换工具和版本、质量检查结果及完整性摘要。若为了训练而进行重采样、窗位处理、裁剪、ROI 提取或格式转换,应保留转换参数和与原始体数据的关联,而不能让派生文件覆盖原始文件。研究者这样才能判断某个模型的误差来自疾病本身、采集协议、重采样还是标签边界。
文本也不能被压缩成一个类别。检查名称、检查所见、诊断结论或印象、比较检查、报告状态、主要诊断和细分标签应逐例配对;原始报告中的否定、不确定和条件性表达需要保留。结构化字段可以帮助算法训练,但应同时保存原始语义、字段来源和规则版本。比如“考虑根尖周病变”与“病理证实囊肿”可以在同一研究对象中共存,却属于不同证据层级。将前者直接编码为后者,会让模型学到采购方的归并习惯,而不是临床证据的差异。
口腔颌面数据的另一特点是牙位和病灶关系。一个检查可能包含多个病灶,也可能有多个牙位、种植体或术后改变。字段设计应允许一个检查关联多个牙位或病灶,并记录侧别、关系类型、来源和是否经过专家复核。若项目没有像素级轮廓、病理标本映射或可靠的纵向依据,应明确写成检查级或报告级关联。可计算的关系不等于已被临床证实的关系。
隐私治理需要同时覆盖 DICOM 元数据和像素内容。DICOM PS3.15 明确指出,保密配置文件不能保证所有可识别信息都被清除,去除属性不等于整个信息对象已经去标识化;私有属性、嵌入序列、文件元信息、UID 引用以及像素内烧录文字都需要专项检查。2 对头颈和口腔颌面影像而言,面部结构本身也可能增加再识别风险,因而不能把“头信息清除”或“已脱敏”当作无需复核的结论。匿名化处理方法、日期或 UID 的稳定重映射、像素清理规则和访问范围都要形成版本记录,同时不能破坏研究所需的纵向关联。
算法路线要服从标签和证据层级
口腔颌面 CT/CBCT 数据集的算法路线不应从网络名称开始,而应从任务类型开始。若目标是检查级或报告级分类,可使用体数据、结构化字段和报告文本的分层输入,先完成范围与质量门控,再决定是否进行多模态融合。模型需要知道“未做”“未知”和“无法评价”不是同一个值,缺失掩码和证据来源字段有时比简单的零填充更重要。若目标是牙体、牙槽骨、下颌管或病灶分割,则必须另行定义轮廓对象、层级命名、边界规则和参考标注,不能因为数据包里有 CT/CBCT 就推定具备像素级标签。
对于检测和分割任务,原始体素间距、方向和 FOV 是模型输入的一部分。可以生成统一体素间距的派生副本以便训练,但必须保存原始值、重采样方法和版本。对不同设备、协议和重建条件的数据,应先进行分层统计,再决定是否做强度归一化或域适配。牙体、种植体和金属伪影会改变局部强度和边界,不能用一个全局阈值替代对这些情形的记录。
公开研究已经说明了多中心和独立外部集的价值。一项发表于 Nature Communications 的口腔 CBCT 研究使用来自多个来源的 4,938 次扫描和 4,215 名患者,按内部数据与未参与开发的外部来源分别评估牙齿和牙槽骨分割,并以不同设备、图像分布和口腔异常检验泛化性。3 该研究的具体性能只属于其研究设计,不能外推到任何待建数据集;但其方法学启示很清楚:来源、设备、异常构成和拆分方式必须进入数据说明,外部验证不能由同中心随机切分替代。
近年的数据集工作也显示,标注资源可以分层建设。一项 Scientific Data 研究把二维牙科影像与三维 CBCT 组织为半监督数据集,同时保留大量未标注对象和一部分像素级掩膜,并由受训人员初标、经验丰富的牙科专家复核。4 这说明“全量结构化字段”和“部分高质量像素标签”可以并存,但两者的适用任务不同。未标注体数据适合自监督或表征学习的探索,不能被误写成已完成的分割金标准。
另一项 2025 年的开放框架研究在单一设备和固定 FOV 的 100 例 CBCT 上标注多个牙体、颌骨和下颌管结构,由两名牙科标注者独立工作并设置第三方处理分歧,随后按训练、验证和测试集合评估模型。5 这类设计有助于复现,但研究者也明确指出单一来源限制了跨设备、跨协议和跨人群的外部有效性。对于采购和交付方,固定设备的小规模试点可以用于验证字段与流程,却不能直接证明大规模多中心数据的临床泛化。
牙科 AI 的标准化工作同样需要区分适用范围。美国牙科协会介绍的 ANSI/ADA 1110-1:2025 主要针对二维牙科放射图像的标注和数据收集;同页列出的 ADA Technical Report No. 1109:2025 则强调,验证应使用由独立第三方维护、具有可靠诊断来源并注意隐私与安全的数据集。6 这些文件可作为口腔影像项目设计的参考,但不能直接替代三维 CBCT 的体数据、空间方向、FOV 和三维标注规范。项目若要使用病理或手术作为参考标准,还需单独规定证据取得、关联和缺失处理方法。
专家标注不是最后一道人工盖章
口腔颌面数据的标注主体应与任务匹配。报告转录、结构化字段和文件层级核对可以由经过项目培训的数据标注人员执行;牙位、病灶边界、颞下颌关节骨性征象、阻生牙与神经管关系等医学判断,则应由项目约定的牙科影像、口腔颌面外科或相关专业人员制定规则并复核。文章不应把未经独立核验的人员数量、资质或统一准确率写成公司能力。
高质量流程至少应包含四个层面。第一,先由项目医学负责人冻结标签字典,明确每个字段的定义、适用 FOV、允许值、证据来源、单位和版本。第二,初标与复核尽量相互独立,复核者重点检查牙位和病灶是否串联、部分覆盖是否误标阴性、报告否定语义是否被改变,以及跨模态关联是否越过证据边界。第三,对分歧保留双方意见、争议点、依据和仲裁结论,不能只留下最终值。第四,任何规范变化都要说明受影响的历史批次,并决定是否回溯。
如果项目使用模型预标注、交互式分割或规则抽取,这些输出只能作为草稿。模型建议在专家审核和争议关闭前,不应进入金标准、测试集或性能报告。对于轮廓任务,应分别定义边界可见、结构截断、金属伪影、模糊边缘和不可评价的处理方式。对报告语义,应区分“未提及”“明确否定”“检查未做”和“无法判断”。这些缺失语义如果被统一编码,模型可能把数据采集习惯误当成疾病规律。
质量指标也应与任务一致。分割任务可以在冻结的参考标注和预先写明的抽样单位上报告 Dice、IoU、表面距离或其他合适指标;检测任务关注定位和漏检代价;分类任务应根据类别平衡、阈值和研究终点报告相应指标;结构化报告任务则要检查字段准确性、语义保持和证据回链。不能用分类准确率替代分割验收,也不能把模型训练曲线当作外部泛化证明。
图2 口腔颌面 CT/CBCT 标签与验收闭环技术示意。不含患者样本,不表示真实标注结果、模型性能或临床应用结论。
外部验证和批次验收如何落地
验收应围绕检查级对象建立,而不是围绕文件总数建立。每批至少要能重算合格检查量、重复主键、重复哈希、不可读对象、报告配对率、关键字段缺失、标签证据分布、FOV 覆盖、设备和年份分布,以及问题对象的处置状态。不同序列和视图被完整保留是数据价值,不是额外样本。跨模态或纵向关系也应单独统计,不能把具有关联键写成已经完成病灶级配准。
独立抽检应从常规交付清单中隔离出来,按来源、协议、部位、病种、质量档和人群分层。医生或项目指定专家直接阅片、阅报告或复核标签时,要使用独立清单和冻结版本,避免抽检对象与训练或常规交付混用。对于少见疾病和高价值少见征象,如果自然分布不足,应留下检索路径和缺失说明,而不是通过拼接其他对象或强行改写标签来满足数量。
验收资料最终应包含数据字典、逐例索引、文件清单、分布统计、证据来源、去标识化记录、质检报告、问题单、整改复验、版本变更和适用边界。错患者、错报告、来源授权无法核验、直接身份泄漏、伪造或静默替换文件,都应视为阻断性问题。整改通过后形成新版本或增量包,并保留旧版本摘要和影响范围,才能让后续模型训练、论文方法和监管审查具有一致的输入。
从业务角度看,最稳妥的路径不是先承诺一个样本量,而是先用脱敏样例验证数据字典、文件层级、文本配对、去标识化和下游读取。试点通过后冻结主键和标签版本,再按批次扩展,最后把外部验证和变更控制写入项目验收。这样做可以把采购方、临床专家、数据工程和算法团队的责任拆开:采购方确认范围和证据,专家确认医学语义,工程团队确认对象完整性,算法团队确认输入可读和划分无泄漏。
验收指标还应与数据颗粒度一一对应。检查级验收关注主键、文件完整性、覆盖范围和报告配对;病灶或牙位级验收关注关系是否稳定、字段是否有证据和多个对象是否被错误合并;像素级验收才讨论轮廓闭合、体素方向和边界距离。不同层级的合格不能互相替代。一个检查可以在报告层可用,却因 FOV 不完整而不适合某个分割任务;一份轮廓可以几何上闭合,却因没有可靠的病灶证据而不能进入病理结局分析。把“可用”拆成这些条件,能够减少后续返工,也避免用一个总分掩盖关键失败模式。
外部验证的结果也不应只给出一个平均数字。应同时说明各来源的病例构成、设备和协议差异,展示哪些类别被充分评价,哪些类别因视野或证据不足被排除,并记录阈值、参考标注和统计单位。这样,研究者才能区分模型本身的误差、标签噪声、域偏移和样本选择偏差。对于采购方而言,这些分层结果比一张未说明拆分方式的排行榜更能支持是否扩大数据范围的决定。
在已核验的公司定位范围内,朗慧科技可被表述为 AI 数据基础设施及流程服务商,LangData 的公开定位覆盖采集、处理、标注、质检和数据交付。对口腔颌面 CT/CBCT 项目,公开表达应聚焦需求梳理、数据字典、批次质量记录和项目化交付方法;具体模态接口、人员配置、私有化环境、存储与安全措施、跨模态能力和交付状态,仍须在项目方案和书面授权中逐项确认。公司定位不等于拥有现货数据,也不等于某一模型已经完成临床验证。
真正可复用的口腔颌面数据资产,最终不是一个漂亮的病例数,而是一条能被重新检查的证据链:这一次检查为什么计数,哪些结构实际进入 FOV,报告中的哪句话支持这个标签,标签由谁按哪一版规则复核,数据是否与同一患者的其他对象稳定关联,模型是否在未见来源上被独立测试。只有把这些问题写进数据结构和验收动作,CT/CBCT 才能从文件集合转化为可解释、可审计、可复现的 AI 研发基础。
参考来源
- DICOM PS3.10 Media Storage and File Format for Media Interchange
- DICOM PS3.15 Security and System Management Profiles: Basic Application Level Confidentiality Profile
- A fully automatic AI system for tooth and alveolar bone segmentation from dental cone-beam CT images
- STS-Tooth: A multi-modal dental dataset for semi-supervised deep learning image segmentation
- An open deep learning-based framework and model for tooth segmentation from dental CBCT images
- ANSI/ADA Standard No. 1110-1:2025 and additional dental AI standards
- ACR–ASNR–SPR Practice Parameter for the Performance of Computed Tomography of the Extracranial Head and Neck

