Oral Cavity Images for OPMD and Oral Cancer Detection — 斯里兰卡 3000 张口腔腔内白光照片与四分类 COCO 标注数据集

INFOBOX — oral-cavity-opmd 一屏速览

维度	内容
本质	斯里兰卡人群手机口腔腔内白光照片数据集（非影像组学、非 WSI、非活检切片）
团队	University of Peradeniya（斯里兰卡），通讯 N.S. Piyarathne；协作 Aberdeen/UQ/Uppsala
论文	Oral Oncology. 2024;156:106946（doi:10.1016/j.oraloncology.2024.106946；PMID 39002299）
数据	3,000 张图像 / 714 名患者；手机摄像头、可见光、真实临床场景
类别	healthy / benign / OPMD / OCA 四类（逐类细目未公开）
标注	口腔腔体 + 病变区域多边形边界，COCO 格式（Annotation.json）
元数据	年龄/性别/诊断 + 行为风险：吸烟/饮酒/槟榔咀嚼（Patientwise_data.csv）
采集地	Dental Teaching Hospital, Peradeniya, Sri Lanka
姊妹论文	IEEE Access 2024;12:124375-124390（多模态分类，MobileNetV3-Large acc 81%/F1 78%/MCC 0.57）
获取	请求制：机构邮箱 Zenodo 账号 + 用途简述 + PI 主页，2-3 工作日审批
许可	CC BY-NC-ND 4.0（非商业、禁衍生、须引用）
版本	Zenodo v1（2024-02-15）；DOI 10.5281/zenodo.10664056；concept DOI …10664055

§0 导读：这个数据集解决什么问题

口腔癌是全球第六大常见恶性肿瘤之一，在东南亚与南亚的发病率尤高，且因早期症状隐蔽、筛查资源匮乏，患者常在晚期才被诊断，五年生存率被大幅拉低。口腔潜在恶性疾病（OPMD，oral potentially malignant disorders）——包括口腔白斑、红斑、口腔黏膜下纤维化等——是口腔鳞状细胞癌（OSCC）的重要癌前阶段，若能在此阶段被识别与干预，可显著阻断癌变进程。问题在于：基层缺少受过训练的口腔专科医生，而"是否有可疑病变"的判断高度依赖专科经验与器械（如自体荧光、活检）。因此，能否用手机拍一张口腔腔内照片、交由 AI 判断是否可疑，成为低资源地区人群筛查的关键科学问题。制约这一方向的瓶颈不是模型，而是数据：口腔腔内图像涉及隐私、采集依赖临床场景、标注需要专科医生，公开可用的带标注数据集长期稀缺。

oral-cavity-opmd 正是针对这一瓶颈的回应。它由斯里兰卡佩拉德尼亚大学团队在 Dental Teaching Hospital 门诊采集，共 3,000 张手机拍摄的口腔腔内白光照片、来自 714 名患者，由临床医生分为 healthy（健康）、benign（良性病变）、OPMD（口腔潜在恶性疾病）、OCA（口腔癌） 四个类别，并对口腔腔体与病变区域做多边形边界标注（COCO 格式），同时附带患者级的吸烟、饮酒、槟榔咀嚼等行为风险元数据。它把"图像 + 临床诊断 + 风险因素"三件套放在同一份可申请的数据里，直接支持图像分类、病变检测、实例分割，以及影像-临床信息融合的多模态建模。

§0 读法三则：

1. 这个条目是"数据集 + 方法论文 + 复现生态"三合一：本体是 3,000 张带标注图像（请求制），方法是同团队 IEEE Access 2024 的多模态分类流水线，生态是外部研究（MDPI Cancers 2026 等）的复用——三者的许可与门槛各不同（§6）。
2. 全文硬数字以论文（Oral Oncology 2024）与 Zenodo 官方记录为准；逐类细目、分辨率区间、采集年份等论文未公开项，条目一律标注"未披露"，不臆造（第 §9 存照）。
3. 检索时请把本条目与三个同名易混的类似数据集分开：印度 SMART-OM（2,469 图 / 331 受试者）、Talwar 等 Cancers 2023（印度手机图像）、MDPI Dent. J. 2026（1,500 图 OPMD 二分类）——它们类同但不同源（坑 2）。

§1 数据集速览：十问十答

Q1：oral-cavity-opmd 到底是什么、属于什么模态？
它是手机拍摄的口腔腔内白光照片数据集（white-light intraoral photographs），不是 X 光、不是 CT/MRI、不是病理 WSI、也不是影像组学特征。模态属于可见光彩色摄影，与内窥镜白光影像、皮肤镜图像同族但部位在口腔腔内。

Q2：规模有多大？
3,000 张图像，来自 714 名患者。两个数字分处不同源：3,000 出自 Zenodo Overview 与论文；714 出自论文摘要与 PubMed（“3000 … images obtained from 714 patients”）。

Q3：分几类、类名是什么？
四类：healthy（健康）、benign（良性病变）、OPMD（口腔潜在恶性疾病）、OCA（口腔癌）。这是论文原始类名；注意 OCA 与组织学上的 OSCC 不是同一粒度缩写（坑 3），且逐类图像数未公开。

Q4：标注到什么粒度？
两层多边形：① 口腔腔体边界（把整个口腔腔体轮廓圈出）；② 病变区域边界（把病变范围圈出）。以 COCO 格式 存于 Annotation.json，含 segmentation 与 bounding box，可直接用于目标检测与实例分割。

Q5：谁标的、怎么保证质量？
由临床医生/领域专家完成分类与多边形标注，使用团队自研的定制软件工具。标注工作在白光临床场景下进行，采集与标注均经伦理批准与每位受试者的书面知情同意，图像已匿名化。

Q6：除了图像，还带什么？
患者级元数据（Patientwise_data.csv）：年龄、性别、图像数、以及吸烟 / 饮酒 / 槟榔咀嚼三个二元风险指标；图像级元数据（Imagewise_data.csv）：类别、临床诊断、标注区域数。这套"图像 + 风险因素"结构正是多模态建模的入口。

Q7：数据在哪、怎么拿？
托管于 Zenodo 记录 10664056（DOI 10.5281/zenodo.10664056），但图像文件受限——需用官方机构邮箱注册的 Zenodo 账号提交申请，附用途简述（≤250 词）、PI 姓名与机构、PI 在机构官网的主页链接，2-3 个工作日人工审批。没有公开直链。

Q8：许可是什么、能商用吗？
CC BY-NC-ND 4.0（署名-非商业性使用-禁止演绎）。这意味着：可用于非商业研究；须引用原文；不可商用；不可做衍生作品（NoDerivatives）——二次训练的模型权重、重标注版本是否构成"衍生"需谨慎判断（坑 5）。

Q9：有人用它做过什么？
同团队的 IEEE Access 2024 论文用它做多模态（图像+元数据）二分类（benign vs potentially malignant），MobileNetV3-Large 达 accuracy 81% / F1 78% / MCC 0.57，并与五种其他预训练模型对比。外部 MDPI Cancers 2026 也明确复用了本数据集做不平衡分类的 CNN vs Transformer 对比。

Q10：为什么它对 AI-Ready 重要？
它是"高临床相关性 + 高获取门槛"的典型：数据直接对应真实低资源筛查场景（手机、白光、人群风险因素），科学价值高；但受限访问、NoDerivatives 许可、单一民族人群三重约束，使它在 AI-Ready 光谱上属"高价值—中低可获取性"象限——正是最需要条目把门槛与边界讲清楚的类型。

§2 数据构成与规格

2.1 规模、来源与人群

oral-cavity-opmd 的核心规模数字有两个，二者分处不同官方源，须同时标注：

维度	数值	来源
图像总数	3,000 张	Zenodo Overview / Oral Oncology 论文 / PubMed 摘要
患者总数	714 名	PubMed 摘要（“3000 … images obtained from 714 patients”）/ 论文正文
类别数	4（healthy / benign / OPMD / OCA）	论文
图像格式	JPEG（Images.zip 打包）	Zenodo
标注格式	COCO JSON	Zenodo（Annotation.json）
元数据	图像级 + 患者级两张 CSV	Zenodo

人群来源是理解本数据集的第一把钥匙：全部图像来自斯里兰卡佩拉德尼亚（Peradeniya）地区、就诊于 Dental Teaching Hospital 的门诊患者。这一人群的流行病学背景与数据集的设计动机直接相关——南亚地区槟榔咀嚼（betel quid chewing）与口腔黏膜下纤维化、口腔癌高发，口腔癌筛查需求迫切而专科资源稀缺。数据集正是为"低资源地区人群筛查 AI"这一目标服务的。

逐类细目未公开是本数据集最关键的规格缺口：论文与 Zenodo 均未给出 healthy / benign / OPMD / OCA 各自多少张、多少患者。这使检索者无法在申请前评估类别不平衡程度——而类别不平衡恰恰是口腔病变分类的核心难点（外部复用者 MDPI Cancers 2026 的标题就直接聚焦"不平衡口腔癌图像分类"）。逐类分布只能等申请获批后从 Imagewise_data.csv 自行统计。

2.2 采集规格与质量控制

属性	规格
采集设备	移动电话（手机）摄像头（Android / iOS）
光照条件	可见光（white light），真实临床场景
采集地点	Dental Teaching Hospital, Peradeniya, Sri Lanka（门诊）
图像格式	JPEG
匿名化	图像已匿名化（anonymized）
伦理	伦理批准 + 每位受试者书面知情同意
标注工具	研究团队自研的定制软件工具

三处值得注意：

1. "真实临床条件"是优点也是负担：手机拍摄意味着图像不受控——拍摄角度、光照强度、清晰度、缩放各不相同，还可能包含牙齿、口镜、牵引器等非病变结构。这一方面提升了数据的真实性与可迁移性（模拟基层非专科人员的实际拍照条件），另一方面使图像质量方差大、模型鲁棒性挑战高。这与"标准化临床摄影"数据集形成鲜明取舍对比（§8.3）。
2. 白光 vs 自体荧光：本数据集仅用白光图像，不含自体荧光（autofluorescence）或窄带成像等专科辅助模态。白光图像的优势是"任何手机都能拍"，正是低资源筛查所需；代价是病变对比度低于自体荧光，对早期 OPMD 的区分难度更高。
3. 分辨率未披露：论文与公开元数据均未给出图像分辨率区间（如最小/最大像素），这对图像预处理（resize 策略）有实际影响——检索者需在数据到手后自行统计。

2.3 类别体系：四个类别的医学含义

四分类不是随意的技术切分，而是对应口腔病变诊断的一条临床谱带：

类别	英文	医学含义	临床意义
健康	healthy	正常口腔黏膜	阴性对照基线
良性病变	benign	炎性、创伤性、感染性等良性改变	与 OPMD 的鉴别诊断难点
口腔潜在恶性疾病	OPMD	白斑、红斑、口腔黏膜下纤维化等癌前病变	早筛的核心干预窗口
口腔癌	OCA	口腔恶性肿瘤（组织学多 OSCC）	确诊与转诊目标

几个关键点：

1. benign 与 OPMD 的边界是临床难点：良性病变（如创伤性角化、慢性炎症）在肉眼白光下与 OPMD 高度相似，是临床鉴别诊断的主要挑战。数据集把两者单列，正是为了让模型学习这条最难分但最关键的界线。
2. OPMD 未按亚型细分：OPMD 是一个上位概念，涵盖口腔白斑（leukoplakia）、红斑（erythroplakia）、口腔黏膜下纤维化（oral submucous fibrosis）、增殖性疣状白斑等多种异质性病变，恶性转化率各异。数据集只在"OPMD"这一层给标签，不支持亚型级诊断研究——若研究目标是"区分白斑与黏膜下纤维化"，本标签体系无法直接支撑。
3. OCA 缩写与 OSCC 的粒度差（存照）：本数据集论文用 OCA（oral cancer） 指代口腔癌类；而组织学上 90% 以上口腔恶性为 OSCC（oral squamous cell carcinoma，口腔鳞状细胞癌），姊妹论文 IEEE Access 2024 在描述组织学背景时即用 OSCC。二者非笔误，是"部位级癌"与"组织学型"两种粒度，引用时勿混（坑 3）。

2.4 标注规格：COCO 多边形与双重边界

标注以 COCO（Common Objects in Context）格式 存于 Annotation.json，包含两套多边形边界：

1. 口腔腔体边界：把整个口腔腔体的可见轮廓圈为一个多边形区域——用于界定"感兴趣区域"，帮助模型区分腔内组织与口外背景（如唇、皮肤、器械）。
2. 病变区域边界：把病变范围圈出——这是诊断相关的核心标注，含 segmentation 多边形与 bounding box。

COCO 格式的选择意味着数据集可直接挂接主流检测/分割框架（如 YOLO 系、Detectron2、MMDetection、torchvision 的 Mask R-CNN 实现），无需格式转换。图像级元数据表 Imagewise_data.csv 另记录了每张图的标注区域数（number of annotated regions），可用于反推病变复杂度。

多边形 vs 掩码：多边形（polygonal）适合边界清晰的病变，存储紧凑、可无损缩放；但它不直接给出像素级掩码（mask），若要训练语义分割需自行将多边形栅格化为掩码。这与皮肤影像、眼底影像中常见的"多边形标注"传统一致。

2.5 元数据：图像级与患者级双表

数据集提供两张 CSV，构成"图像-患者"两级结构：

文件	层级	字段
Imagewise_data.csv	图像级	图像 ID、类别、临床诊断、标注区域数
Patientwise_data.csv	患者级	患者 ID、年龄、性别、图像数、吸烟/饮酒/槟榔咀嚼（二元指标）

三个风险因素（吸烟 smoking、饮酒 alcohol、槟榔咀嚼 betel quid chewing）是南亚口腔癌流行病学的关键暴露变量，也是多模态建模的临床入口：模型不仅能看图，还能结合患者风险画像判断"这张图的可疑程度"。这正是同团队 IEEE Access 2024 论文所验证的路线——“融合多模态数据（含患者元数据）更贴近医生的诊断方式”（§5.2）。

一个隐忧：患者级元数据若与图像 ID 可关联，理论存在通过图像+元数据组合重新识别个体的残余风险——尽管图像已匿名化。数据集以"机构邮箱+PI 背书+用途审批"的请求制来约束这一风险，但使用者仍应遵守最小必要原则（§8.4）。

2.6 三类口腔病变数据集的结构对比

把本数据集与库内/文献中同域数据集按"采集模态 + 类别体系 + 获取门槛"对比，能看清它的生态位：

数据集	来源/人群	图像数	类别体系	获取	许可
oral-cavity-opmd（本条目）	斯里兰卡佩拉德尼亚	3,000 / 714 患者	healthy/benign/OPMD/OCA	请求制（机构邮箱）	CC BY-NC-ND 4.0
SMART-OM（figshare 31341790）	印度	2,469 / 331 受试者	healthy/normal 变体/OPMD/OC	figshare 公开	视 figshare 条款
Talwar 等 Cancers 2023	印度	1,120 可疑 + 1,058 非可疑	二分类（可疑/非可疑）	论文配套，视团队	论文 CC BY
MDPI Dent. J. 2026;14(8):462	机构档案 + 公开源	1,500（750/750）	OPMD 二分类	论文配套	—

对比揭示本数据集的独特性：它是少数同时具备四类细粒度标签 + 患者级风险元数据 + 图像级 COCO 多边形标注的公开口腔腔内数据集之一；而其代价是最高的获取门槛（请求制）与最严格的许可（NoDerivatives）。三源的结构差异正是选型时需要权衡的（§9.2）。

§3 标注生产流程与质量控制

3.1 采集：从门诊到匿名化图像

数据采集链条清晰：伦理批准 → 患者知情同意 → 门诊手机拍摄口腔腔内照片 → 病历提取临床数据 → 数据管理与匿名化 → 托管。关键在于"临床数据从医院病历（hospital records）提取"，意味着类别标签（诊断）不是标注者的即时判断，而是来自门诊的诊断记录——这决定了标签的可信度上界取决于门诊诊断的准确性。

3.2 标注：医生 + 自研工具

分类与多边形标注由临床医生/领域专家完成，使用研究团队自研的定制软件工具（custom-made software tool）。自研工具的意义在于：通用标注工具（如 LabelMe、CVAT、VIA）对"口腔腔体边界 + 病变边界"这类领域特定的双层标注需求支持不足，自研工具可定制工作流、提升标注效率与一致性。这与另一数据集团队（SMART-OM）使用 VGG Image Annotator（VIA）形成对照——两条技术路线的取舍各有代价。

3.3 质量控制的设计与缺口

论文明确的质量保证措施：① 标注由临床医生/领域专家完成（非众包、非学生）；② 采集与使用遵循赫尔辛基宣言及修正案的伦理准则；③ 图像匿名化。但论文未公开：标注者间一致性（inter-annotator agreement）指标、双人标注/抽查比例、病变边界判定的裁决机制。这是从事"专家标注流水线"评估的研究者需要注意的口径缺口——同类数据集如 PANDA-PLUS 会公布三层复核与 kappa 指标，本条目则未披露此类量化质控数据。

3.4 与成像类数据集标注工序的对比

口腔腔内照片的标注与三类相邻模态的工序差异：

模态	代表	标注主体	单张成本	主要误差源
口腔腔内白光照片	本条目	临床医生	中（分钟级）	病变边界模糊、良性/OPMD 鉴别
病理 WSI	PANDA-PLUS	学生 + 专家终审	高（10-15 min 终审）	分级观察者间变异
眼底影像	ORIGA、Drishti	眼科医生	中	病灶微小、图像质量
皮肤镜	ISIC 系列	皮肤科医生	中	色素病变边界主观

口腔腔内照片的特殊之处在于：病变位于三维、潮湿、反光、动态的口腔腔内，拍摄视角与光照高度不受控，同一病变在不同拍摄条件下外观差异大——这使"边界标注一致性"成为比二维平面影像（如眼底、皮肤镜）更严峻的挑战。

§4 任务、建模范式与可用研究问题

4.1 支持的任务类型

数据集结构支持四类任务：

1. 图像分类（4 类）：healthy vs benign vs OPMD vs OCA——最直接的用法。
2. 二分类筛查：把 benign/healthy 归为非可疑、OPMD/OCA 归为可疑，模拟人群初筛（同团队 IEEE Access 2024 即采用此口径）。
3. 目标检测：用 bounding box 定位病变区域。
4. 实例分割：用 COCO segmentation 多边形做病变区域的像素级分割。

此外，借助患者级元数据可开展：

5. 多模态融合建模：图像 + 年龄/性别/烟酒槟榔风险因素联合预测——本数据集区别于纯图像数据集的独特价值。
6. 可解释性研究（XAI）：用病变边界多边形作为弱监督信号，评估模型关注区域是否与医生标注一致。

4.2 姊妹论文的建模范式（IEEE Access 2024）

同团队的 IEEE Access 论文给出了本数据集的官方建模基线。流程：六种预训练图像编码器（MobileNetV3-Large / MixNet-S / ResNet-50 / HRNet-W18-C / DenseNet-121 / Inception-v3）提取图像特征 → 与患者元数据特征融合 → 二分类（benign vs potentially malignant）。结果：MobileNetV3-Large 编码器取得 accuracy 81% / precision 79% / recall 79% / F1 78% / MCC 0.57，并证明多模态融合优于纯图像基线。这一结果的实践含义：轻量级模型（MobileNetV3）即可在手机端近似达到该性能，与"手机筛查"的应用场景高度契合。

4.3 数据集的适用与不适用场景

适用	不适用
口腔腔内照片的四分类/二分类	需要活检病理金标准的诊断研究
病变检测与实例分割	OPMD 亚型级分类（标签未细分）
影像 + 风险因素多模态融合	跨种族/跨地域泛化（人群单一）
低资源地区手机筛查 AI 原型	需要像素级掩码的语义分割（只给多边形）
数据增强与鲁棒性研究（图像质量方差大）	商业产品开发（NoDerivatives + 非商业）

4.4 一个被低估的用途：自然临床条件图像的质量研究

由于图像在真实临床条件下手机拍摄，角度、光照、清晰度高度不统一，本数据集天然适合"图像质量对诊断模型影响"的研究——即量化"好不好拍"对 AI 判断的影响。这一方向对齐了同团队 IEEE Access 论文中提及的多模态思路：真实筛查场景中，图像质量本身就是不稳定的输入，能否鲁棒地处理劣质图像决定了筛查系统的可用性。相比实验室标准化图像，本数据集在这类研究上具有不可替代的真实性优势。

4.5 元数据字段字典（推测性说明与已知约束）

下列字段依据 Zenodo 官方文件说明与论文描述整理，字段的确切列名与取值范围以实际 CSV 为准（本条目未获取数据，不做臆造）：

文件	字段（据官方说明）	含义	可推断的取值
Imagewise_data.csv	image ID	图像唯一标识	字符串/整数
Imagewise_data.csv	category	四分类标签	healthy/benign/OPMD/OCA
Imagewise_data.csv	clinical diagnosis	门诊临床诊断文本	自由文本/编码
Imagewise_data.csv	number of annotated regions	该图标注区域数	整数（≥0）
Patientwise_data.csv	patient ID	患者唯一标识	字符串/整数
Patientwise_data.csv	age	年龄	数值（论文未给区间）
Patientwise_data.csv	sex	性别	男/女（编码未知）
Patientwise_data.csv	total image count	该患者图像总数	整数
Patientwise_data.csv	smoking	吸烟	二元（0/1）
Patientwise_data.csv	betel quid chewing	槟榔咀嚼	二元（0/1）
Patientwise_data.csv	alcohol	饮酒	二元（0/1）

三处需注意：① 年龄分组未披露——无法判断是否含未成年人（伦理与建模影响均大）；② 性别编码方式未知——可能是 0/1 也可能字符串；③ 风险因素为二元指示——不含暴露剂量/年限等连续信息，建模表达力受限。这些都在"数据到手后需先做字段勘察"的清单里。

4.6 图像-患者关联结构与建模泄漏

数据集采用"一患者多图"结构（3,000 / 714 ≈ 4.2 图/患者）。这在建模上有两层含义：

1. 正例增强：同一患者的多张图通常共享诊断，为模型提供了同一病变的多视角样本，有助于学习视角不变性——对有条件的团队，这是一种天然的"数据增强"。
2. 泄漏陷阱：若按图像随机划分，同一患者的多张图会跨训练/测试集——模型在测试集上"见过"该患者的其他视角，性能被高估。文献中被称为"subject leakage"或"patient leakage"，在医学影像中屡见不鲜且后果严重。必须按患者 ID 划分（附录 F 给出 SOP）。

4.7 与相邻任务的迁移关系

本数据集支持的任务可迁移到相邻临床场景：

源任务	可迁移目标	迁移要点
口腔四分类	咽喉/口咽病变分类	相似的白光腔内摄影，需重标
口腔病变分割	皮肤病变分割	均为"多边形/边界"范式，域差大
口腔多模态	皮肤癌多模态（图+暴露史）	元数据融合思路可直接搬
低资源筛查	宫颈/乳腺移动筛查	手机采集 + 风险因素结构相通

迁移的共同障碍是域偏移（domain shift）：不同部位的解剖结构、色彩分布、病变谱系差异大，直接迁移通常效果有限，需微调或领域适应。

§5 评估与基准

5.1 官方基线：同团队的 IEEE Access 2024

本数据集最权威的评估来自其姊妹方法论文——同团队（University of Peradeniya）发表于 IEEE Access 2024 的 “Multimodal Deep Convolutional Neural Network Pipeline for AI-Assisted Early Detection of Oral Cancer”（Vol 12, pp 124375-124390，DOI 10.1109/ACCESS.2024.3454338）。

论文的核心主张：既往研究只用图像，忽略了患者元数据这一模态；而临床医生诊断时会综合图像与病史。因此论文提出多模态流水线——图像编码器 + 患者元数据融合——做二分类（benign vs potentially malignant）。

六种预训练编码器对比：MobileNetV3-Large、MixNet-S、ResNet-50、HRNet-W18-C、DenseNet-121、Inception-v3。

指标	MobileNetV3-Large（最佳）
Accuracy	81%
Precision	79%
Recall	79%
F1-score	78%
MCC	0.57

关键结论：融合多模态（图像 + 元数据）优于仅用图像——“highlight the efficacy of integrating multiple data modalities for more accurate early detection”。这一发现对本数据集的使用者有直接的建模指引：不要只喂图像，把 Patientwise_data.csv 的风险因素接进来。

5.2 关键指标解读：MCC 0.57 意味着什么

MCC（Matthews Correlation Coefficient，马修斯相关系数） 是衡量二分类质量的稳健指标，取值 [-1, 1]，0 表示随机、1 表示完美预测，且对类别不平衡不敏感。MCC 0.57 属于"中等偏上"——说明模型确实学到了信号（远优于随机），但距离"可靠临床筛查工具"尚有明显距离（临床部署通常需要更高水平）。这与口腔病变二分类本身的难度一致：benign 与 OPMD 在肉眼白光下的鉴别是公认的临床难点，模型能达到的中等水平反映了任务的内在难度，而非单纯的模型能力不足。accuracy 81% 在类别不平衡时具有误导性，需与 MCC 0.57 并列解读（坑 4）。

5.3 外部复用：MDPI Cancers 2026

第三方研究明确复用了本数据集。MDPI Cancers 2026, 18(18):2926 的论文 “Improving Diagnostic Sensitivity in Imbalanced Oral Cancer Image Classification: A Comparative Study of CNN and Transformer Architectures”，其数据可用性声明写明：数据集公开存档于 Zenodo，为 Dataset of Annotated Oral Cavity Images for Oral Cancer Detection（DOI 10.5281/zenodo.10664056；all versions DOI 10.5281/zenodo.10664055），许可 CC BY-NC-ND 4.0，记录公开可访问但图像文件受限，研究者需通过机构账号申请。该论文聚焦 CNN 与 ViT 在不平衡数据上提升**诊断敏感性（sensitivity）**的对比。

这一外部复用有三重意义：① 证明数据集在学术界实际可用且被使用（非"孤岛数据"）；② 印证了"类别不平衡"是使用本数据集的核心痛点（否则不会成为论文标题焦点）；③ 其数据可用性声明再次确认了本条目核验的许可与获取口径（三源互证的第三源）。

5.4 相关但独立的数据集基准（避免混淆）

文献中存在多个类同但不同源的口腔病变图像数据集，它们的性能数字不能当作本数据集的基准：

数据集	论文	规模	代表性结果
SMART-OM	figshare 31341790	2,469 图 / 331 受试者	独立数据集，印度
Talwar 等	Cancers 2023;15(16):4120	1,120 可疑 + 1,058 非可疑	DenseNet201 F1 0.84；Swin F1 0.83；独立测试集 I 最佳 F1 0.73
Dent. J. 2026	14(8):462	1,500（750/750）	YOLOv8 实例分割：acc 62.2%、sensitivity 75%、F1 66.5%

特别提醒：Talwar 等的 F1 0.84 常被误引为本数据集的成绩——它来自印度人群的另一个数据集，与本条目无关（坑 2）。本数据集的官方基线是 IEEE Access 2024 的 MCC 0.57 / accuracy 81%。

5.5 评估口径的注意事项

使用本数据集做评测时，检索者需注意四点：

1. 没有官方 train/test 划分：论文未公布固定划分，外部复用者 MDPI Cancers 2026 需自行划分，导致跨论文结果不可直接比较。
2. 患者级泄漏风险：同一患者可能贡献多张图像（Patientwise_data.csv 有"图像数"字段），若按图像随机划分，同一患者的不同图像可能同时落入训练与测试集，造成乐观偏差；正确做法应做患者级划分。
3. 类别不平衡未公开：无法预知是否需要重采样/加权，需数据到手后统计。
4. 指标选择：临床筛查场景应重点关注敏感性（recall）（漏诊代价高）与MCC，而非单纯的 accuracy。

§6 获取与许可：一道需要审批的门

6.1 获取方式：请求制全流程

本数据集没有公开直链。已发表的图像文件（Images.zip）在 Zenodo 记录中处于**受限（restricted）**状态，获取须走申请流程：

1. 账号要求：通过官方机构邮箱（institutional email，如大学/机构/组织域名）注册的 Zenodo 账号提交申请——个人邮箱/Gmail 等不满足条件。
2. 申请信息（三项必填）：
   • 预期用途简述，说明研究目的（≤250 词）；
   • 首席研究员（PI）姓名与机构；
   • PI 在机构官网上的个人主页链接。
3. 审批：符合条款的申请在 2-3 个工作日内处理。

6.2 许可条款细读（CC BY-NC-ND 4.0 + 附加条款）

数据集许可为 CC BY-NC-ND 4.0，并附加使用条款，须逐条理解：

条款	含义	对使用者的约束
BY（署名）	必须署名	须引用原始论文（Oral Oncology 2024）
NC（非商业）	仅限非商业用途	商业获利严格禁止
ND（禁止演绎）	不得修改/衍生/改编	见下方重点讨论
附加条款 1	机构邮箱申请	个人身份无法直接获取
附加条款 2	须给创作者署名	同 BY
附加条款 3	2-3 工作日处理	计划需预留审批时间

ND（NoDerivatives）是最大的实践陷阱：CC 官方对"衍生作品"的界定以"改编（adaptation）"为核心。对 AI 研究者而言，用数据集训练出的模型权重是否构成"衍生作品"在法律上无统一共识——保守解读下，若模型被用于商业目的或数据集被重新标注/扩充发布，都可能触及 ND 与 NC 红线。相比之下，其他口腔数据集（如 Talwar 等 Cancers 2023 论文为 CC BY）许可更宽松。使用者若计划商业转化或发布衍生版本，必须审慎评估甚至咨询法务（坑 5）。

6.3 版本链与引用规范

标识	值	用途
concept DOI（all versions）	10.5281/zenodo.10664055	引用"数据集总体"时用
版本 DOI（v1）	10.5281/zenodo.10664056	引用具体版本时用
发布版本	v1（2024-02-15）	当前唯一版本
论文 DOI	10.1016/j.oraloncology.2024.106946	引用数据集的规范来源（Zenodo 明确要求引用原论文）

Zenodo 记录的官方引用声明即指向论文：“When using this resource, please cite the original publication”。因此规范引用应引论文，而非只引 Zenodo 记录。

6.4 AI-Ready 可获取性评估

在千方病案医数集的 AI-Ready 光谱上，本数据集属"高价值—中低可获取性"：

• 优势：记录公开、DOI 稳定、获取路径明确（Zenodo 申请表单化）、条款清晰。
• 劣势：① 图像受限，无公开直链，无法像 HuggingFace 数据集那样一行代码加载；② 机构邮箱门槛排除了个人研究者与部分开源社区；③ 审批周期 2-3 天，且论文未说明被拒条件；④ NoDerivatives 限制了构建衍生基准的可能。

与库内更开放的口腔影像数据集（如公开直链类）相比，本数据集在可复现性入口上处于明显劣势；但其临床相关性与标注丰富度（四类 + 风险元数据 + COCO）又是同域中的高位。这一"价值-门槛"张力是它在库内 AI-Ready 评估中的核心特征。

§7 生态、影响与研究脉络

7.1 团队产出谱系

University of Peradeniya 团队围绕口腔癌 AI 形成了一个连贯的产出组合：

1. 数据集：oral-cavity-opmd（Zenodo 10664056，2024-02-15）——数据基座。
2. 数据集论文：Oral Oncology 2024;156:106946——描述数据集构建（PMID 39002299）。
3. 多模态方法论文：IEEE Access 2024;12:124375-124390——用本数据集验证多模态分类流水线。
4. 团队延续：作者 G.A.I. Devindi（Isuri Devindi）等持续在口腔癌 AI 方向发表，数据与代码同源性高。

这一"数据集 + 方法 + 论文"三件套的产出模式，是许多高质量医学 AI 数据集的标准范式——数据基座支撑方法验证，方法论文又反哺数据集的引用与可信度。

7.2 资助与伦理背景

IEEE Access 姊妹论文标明资助来源：University of Peradeniya Research Council, Multidisciplinary Research Grants 2022, Grant 127。数据集论文声明无竞争利益。数据采集遵循赫尔辛基宣言伦理准则，获伦理批准与每名受试者书面知情同意——对涉及人脸/口腔隐私的临床图像数据集，这是不可省略的合规基础。

7.3 在口腔癌筛查 AI 版图中的位置

口腔癌 AI 筛查研究所处的大背景：口腔癌在东南亚/南亚发病率高，但专科筛查资源稀缺，AI 辅助筛查被视为提升可及性的可行路径。文献综述（如 Saurabh 等 Front. Oral Health 2024 的系统综述与 meta 分析）显示，用医学诊断图像检测 OPMD 与口腔癌的 AI 模型诊断性能已有可观积累，但数据可用性是共同的瓶颈（Sengupta 等 Oral Oncology 2022 曾专门撰文讨论"公开口腔癌图像数据集稀缺"问题）。

oral-cavity-opmd 正是对这一"数据稀缺"痛点的直接回应。它的贡献不在模型创新，而在提供了一个四类细粒度、带患者风险元数据、来自高发人群的公开可用数据集——填补了当时的空白。其影响力可由外部复用来衡量：MDPI Cancers 2026 等第三方研究的明确引用与使用，证明它已成为该领域的可用语料之一。

7.4 局限与边界（客观评估）

从研究生态角度客观评价，本数据集及配套研究的局限有三：

1. 规模有限：3,000 张对深度学习（尤其 Transformer/ViT）而言属中小规模。同团队 IEEE Access 的 MCC 0.57 也反映了数据规模对性能的制约。MDPI Dent. J. 2026 的研究结论更直白：“性能在该数据集规模下尚不足以临床应用”（“performance at this dataset scale is not yet clinically sufficient”）。
2. 单一人群：全部来自斯里兰卡人群，跨民族/跨地域泛化未经检验；槟榔相关病变的高发可能使模型过度依赖地域性特征。
3. 获取门槛制约影响力：请求制 + NoDerivatives 限制了数据的二次传播与衍生基准构建，可能抑制其在开源 AI 社区的渗透——与其临床价值相比，其"社区可见度"受门槛拖累。

7.5 对下游使用者的启示

综合生态分析，本数据集最适合的定位是：作为真实临床条件口腔腔内图像的基准语料，用于研究"手机白光图像 + 患者风险画像"在 OPMD/口腔癌筛查中的可达到上限，以及图像质量、类别不平衡、患者级泄漏等因素对模型的影响。对需要大规模训练数据的产品级应用，它更适合作为验证集或迁移微调的补充，而非唯一训练源。

7.6 与"白光筛查"文献脉络的关系

口腔癌 AI 筛查的文献可大致分为三条线，本数据集处于其中一条：

1. 专科设备线：自体荧光成像、窄带成像（NBI）、荧光视觉（VELscope）等——对比度高、性能潜力大，但依赖专科设备，无法大规模铺开。
2. 手机白光线（本数据集所在）：手机 + 可见光——可及性最大化，性能受图像质量制约。本数据集与 Talwar 等（Cancers 2023）、SMART-OM 同属这一线的代表。
3. 病理/分子线：活检切片、细胞学、生物标志物——金标准但侵入性强、成本高。

本数据集的战略价值在于把"手机白光线"的数据基座做实：只有当公开可比的白光图像数据集足够多，这一路线的性能上限才能被系统性评估——而这正是低资源筛查能否落地的关键。

7.7 数据集的引用生态与渗透路径

一个数据集的影响力可从三条渗透路径观察：

1. 方法论文引用：同团队 IEEE Access 2024 是最直接的引用者，构成"数据-方法"闭环。
2. 第三方复用：MDPI Cancers 2026 的独立复用表明数据已溢出原团队，进入更广的研究社区。
3. 系统综述收录：口腔癌 AI 领域已有系统综述与 meta 分析（如 Front. Oral Health 2024 一类），高质量公开数据集通常被这类综述收录并比较——这是数据集学术能见度的重要来源。

本数据集尚处"团队闭环 + 初步第三方复用"阶段，受限于获取门槛，其社区渗透速度慢于完全开放的数据集。但"高质量 + 高门槛"的双重性也意味着它的引用更可能来自有明确研究目标的团队，而非泛泛的跑分。

7.8 伦理与公平性维度

从负责任 AI（responsible AI）视角，本数据集有几处值得记录：

• 伦理合规完备：伦理批准 + 逐人知情同意 + 匿名化，符合赫尔辛基宣言，是临床图像数据集的底线要求。
• 受益公平性：数据来自南亚高发人群，直接服务低资源地区的筛查公平——这是"数据正义"的正面案例，弥补了医学 AI 数据长期偏向高收入国家人群的结构性偏差。
• 单一性风险：反面看，仅覆盖单一地区人群，若模型据此训练后部署到其他人群，可能产生性能不公平（对未代表人群效果差）。这是"局部公平"与"全局泛化"的张力。
• 隐私残余风险：患者级元数据 + 图像的组合，理论上存在再识别残余风险，故采用请求制控制。

7.9 复现与二次研究的现实建议

对计划基于本数据集开展二次研究的团队，经验性建议如下：

1. 先做合规评估，再做技术方案：确认非商业 + 无衍生发布后，再投入技术选型；否则技术工作可能因许可受限而无法落地。
2. 申请材料一次备齐：用途简述（突出科学问题）、PI 信息、机构主页链接三件套一次提交，避免往返延误。
3. 数据到手先勘察：统计逐类分布、分辨率区间、患者图像数分布、性别年龄分布——这些是后续建模决策的基础。
4. 划分即定生死：先定患者级划分方案与随机种子，再谈模型；划分错误会让所有结果失真。
5. 指标对标官方基线：以 IEEE Access 2024 的 MCC 0.57 为参照点，报告你自己的 MCC 与敏感性，避免只报 accuracy。

7.10 数据集可复现性的自我诊断

用"复现性五问"评估一个数据集能否被他人独立复现其结论：

问题	本数据集的答卷
数据可得性	部分——请求制，机构邮箱 + 审批
划分可复现	否——无官方划分，须自建
预处理可复现	弱——分辨率未披露，预处理自由度过大
基线可复现	弱——基线来自姊妹论文，无官方代码包
环境可复现	不适用——无固定训练脚本

结论：本数据集的复现性中等偏下——数据能拿到（若通过审批），但因缺官方划分、预处理规范与代码包，不同团队的结果天然不可严格对齐。这不是致命缺陷（许多临床数据集都如此），但使用者应在论文中显式声明自己的划分与预处理，以免制造不可比的"伪基准"。

7.11 与"数据卡（Data Card）"规范的对照

近年医学 AI 推崇"数据卡/数据说明书"，要求数据集披露动机、构成、采集、预处理、用途、分布、维护、伦理。按此框架给本数据集打分：

数据卡要素	披露程度
动机与背景	充分（论文 introduction）
构成（规模/类/字段）	部分（总量充分，逐类缺失）
采集流程	充分（地点/设备/知情同意）
标注流程	部分（标注者身份充分，质控指标缺失）
预处理	缺失（分辨率/裁剪/清洗未披露）
用途（适用/不适用）	部分（论文给了用途，未编排不适用清单）
分布	缺失（逐类/年龄/性别分布未公开）
维护	弱（仅 v1，无维护计划）
伦理	充分（伦理批准 + 知情同意 + 匿名化）

这一对照的意义：本数据集在"伦理与动机"上达标，在"分布与预处理"上欠缺——这正是使用者申请到手后必须自行补做数据勘察的原因。

7.12 对 AI-Ready 评估方法论的启示

本条目是一个值得纳入"AI-Ready 光谱"讨论的样本，因为它呈现出价值与可获取性的显著背离：

• 纯技术指标（互操作性、元数据丰富度、临床相关性）表现优秀；
• 可获取性指标（开放直链、许可宽松度、审批门槛）表现低下。

这提醒评估方法论：不应把"数据质量"与"数据可获取性"混为单一分数。一个高价值但高门槛的数据集，与一个低价值但完全开放的数据集，在 AI-Ready 光谱上处于不同象限，服务不同的使用场景。前者适合"有资源、有明确科学问题的团队"，后者适合"快速原型与社区实验"。把二者放在同一排序里比较，会掩盖它们各自的真实定位。

§8 方法学启示：可迁移的经验

8.1 手机 + 白光 = 可及性优先的取舍

本数据集最可迁移的设计决策，是用手机摄像头 + 可见光而非专科设备（自体荧光、窄带成像、口腔镜）采集。这一决策在性能上"吃亏"（白光对比度低、图像质量方差大），却换来了可及性——任何持有手机的基层人员都能拍，这正是低资源筛查场景的真实约束。对其他领域数据集的启示：采集模态的选择应匹配部署场景，而非追求实验室最优。皮肤影像、眼底影像的低成本采集数据集（如手机皮肤镜、智能手机眼底）遵循同样的逻辑。

8.2 把"临床风险因素"作为一等公民

本数据集把吸烟、饮酒、槟榔咀嚼三个风险因素做成患者级结构化字段，而非可选的备注。这不是装饰——IEEE Access 2024 论文证明，融合这些元数据能提升模型性能。可迁移的启示：当领域存在强先验风险因素（如遗传、暴露史、生活习惯）时，数据集应把它们结构化随数据发布，而不是只发布图像。这一原则在肿瘤筛查、慢病预测等领域普遍适用。

8.3 "真实临床条件"数据的价值与代价

真实临床条件（角度乱、光照变、质量参差）是一把双刃剑。代价是模型训练更难、性能方差更大、标注边界更主观；价值是模型的可迁移性更接近实际部署。可迁移的经验：数据集设计者应明确声明"是否受控采集"，并在适用场景（筛查、便携设备）优先选择真实条件——因为模型最终要在真实条件下工作。MDPI Dent. J. 2026 复用本数据集时把"图像质量方差"列为影响性能的关键因素，正印证了这一取舍的现实代价。

8.4 隐私与合规是临床图像数据集的硬约束

口腔腔内图像包含人脸邻近区域，患者级元数据（年龄/性别/风险因素）若与图像可关联，存在再识别风险。本数据集的处理方式——图像匿名化 + 机构邮箱申请 + PI 背书 + 用途审批 + NoDerivatives——构成一套以法律与流程约束替代技术脱敏的合规方案。对其他涉及可识别生理特征的影像数据集（皮肤、眼底、面部、口腔）的启示：当技术脱敏无法完全消除再识别风险时，用访问控制与法律条款兜底是标准做法；使用者则须遵守最小必要与用途限定原则。

8.5 一个行业级教训：许可条款决定数据的可复用半径

本数据集的 CC BY-NC-ND 4.0 与其临床价值之间存在张力。对 AI 研究而言，ND（禁止演绎）条款与"训练模型是否构成衍生"的法律模糊性，实质上限缩了数据集的复用场景。相比之下，采用 CC BY 或 CC BY-SA 的数据集（如 Talwar 等 Cancers 2023）能进入更广的商业与衍生生态。可迁移的经验：数据集设计者在选择许可时，应预判下游 AI 训练的实际需求——若希望数据被广泛用于模型训练（尤其可能商业化），ND 是隐性障碍；若首要目标是保护患者与创作者权益，ND 是合理选择。这一权衡没有标准答案，但必须在条目中讲清楚。

§9 与库内条目的关系

9.1 家族图谱

关联类型	库内条目	rid	关联点
同域·口腔细胞学	sipakmed	490	口腔细胞学涂片（巴氏染色），宫颈/口腔鳞状细胞分类
同域·牙科影像	dental-opg-xray	786	牙科全景 X 光
同域·牙科影像	multicenter-dental-panoramic	787	多中心牙科全景
同域·牙科影像	ctooth	785	CBCT 牙齿分割
同域·牙科影像	dentex	479	牙科全景 X 光检测/分割（MICCAI 挑战赛）
同域·口腔颌面	coral	720	口腔颌面/头颈影像（须与本条目明确区分，非同一数据集）
同域·3D 口腔	3dteethland	676	3D 牙齿地标
同域·3D 牙科	toothfairy2 / toothfairy3	649 / 673	牙科 CBCT 分割挑战赛
同域·牙科	fdtooth	609	牙科全景 X 光
同域·口腔扫描	c3vd	398	口内扫描 3D 数据集
相邻·皮肤影像	isic-2018 / isic-2019 / isic-2020	—	皮肤镜病变分类（同为"白光照片 + 病变分类"范式）
相邻·内腔白光	hyperkvasir / Kvasir-Capsule / gastrovision	—	消化道白光内镜影像（相邻的部位与模态）
相邻·眼底影像	origa-light	763	眼底图像（同为低成本/竞赛类医学图像）

9.2 检索路径建议

若检索者目标为"口腔病变分类/分割"，建议路径：

• 四分类 + 风险元数据 + COCO → 本条目（oral-cavity-opmd）
• 口腔细胞学（显微镜涂片）→ sipakmed(490)
• 牙科硬组织（全景/CBCT）→ dental-opg-xray(786)、multicenter-dental-panoramic(787)、dentex(479)、ctooth(785)

若检索者目标为"白光照片病变分类方法学"，建议横向对比：

• 口腔腔内 → 本条目
• 皮肤镜 → isic 系列
• 消化道内腔 → hyperkvasir / gastrovision

若检索者目标为"多模态（影像+临床）建模"：

• 本条目（图像 + 患者风险因素）是最贴近的公开入口之一。

§10 避坑清单：八个已踩过或易踩的坑

坑 1：把本数据集与"coral"（rid 720）当成同一个。
本库 coral 是口腔颌面/头颈影像的另一数据集，名称里虽含 “oral” 语义，但与本条目无任何关系。slug 查重时用 url_name ILIKE '%oral%' 会同时命中它们，务必按完整数据集名区分，勿合并。

坑 2：把 Talwar 等（Cancers 2023）或 SMART-OM 的性能数字当成本数据集的。
Talwar 等 Cancers 2023 的 DenseNet201 F1 0.84、Swin F1 0.83 来自印度人群的另一个数据集（1,120 可疑 + 1,058 非可疑）；SMART-OM（2,469 图 / 331 受试者）也是独立数据集。本数据集的官方基线是 IEEE Access 2024 的 accuracy 81% / F1 78% / MCC 0.57。混用会导致严重误引。

坑 3：把 OCA 与 OSCC 当成同一粒度的缩写。
本数据集论文用 OCA（oral cancer） 指代四分类中的口腔癌类；OSCC（oral squamous cell carcinoma） 是组织学型，占口腔恶性 90% 以上。二者是"部位级癌"与"组织学型"两种粒度。姊妹论文 IEEE Access 2024 在描述组织学背景时用 OSCC——不是笔误，勿改。

坑 4：只看 accuracy 81% 就低估了任务难度。
本数据集类别不平衡（逐类细目未公开），accuracy 在类别不平衡时具有误导性。必须与 MCC 0.57（对不平衡稳健）并列解读——0.57 说明这是中等偏上、远未到临床可靠的水平。临床筛查还应重点看敏感性（漏诊代价高）。

坑 5：忽视 CC BY-NC-ND 4.0 的 ND（NoDerivatives）红线。
“不可商用”（NC）较易理解，但"禁止演绎"（ND）对 AI 研究者是隐性陷阱：用数据集训练的模型权重、重新标注的版本、数据增强后发布的新数据集，是否构成"衍生作品"在法律上没有统一共识。若计划商业转化或发布衍生版本，必须审慎评估甚至咨询法务——切勿想当然认为"训练模型"必然自由。

坑 6：按图像随机划分训练/测试集，造成患者级数据泄漏。
本数据集同一患者可能贡献多张图像（Patientwise_data.csv 含"图像数"字段）。若按图像随机划分，同一患者的不同图像可能同时进入训练与测试集，导致乐观偏差。正确做法是按患者 ID 做划分（patient-level split）。

坑 7：把"请求制获取"当成"随时能下"。
本数据集图像受限，需官方机构邮箱注册的 Zenodo 账号申请，附用途简述（≤250 词）+PI 姓名机构+机构官网 PI 主页，2-3 工作日审批。个人邮箱无法申请，且论文未说明被拒条件。项目排期必须预留审批时间，不可默认"拿到 DOI 就有数据"。

坑 8：误以为 OPMD 标签支持亚型级研究。
数据集只在"OPMD"这一上位概念给标签，未细分白斑/红斑/口腔黏膜下纤维化/增殖性疣状白斑等亚型。若研究目标是亚型鉴别，本标签体系无法直接支撑——需自行补充亚型标注（但注意 ND 条款对"再标注发布"的限制）。

10.1 DAIMS 评估表

DAIMS 维度	评分（1-5）	说明
Data（数据质量与规模）	3.5	3,000 图 / 714 患者，四类 + COCO + 元数据，临床相关性高；但规模对深度学习偏小，逐类分布未公开
Access（可获取性）	2	请求制 + 机构邮箱门槛 + 2-3 工作日审批 + 无公开直链，可获取性偏低
Interoperability（互操作性）	4.5	COCO 标准格式 + 结构化 CSV，可直接挂接主流框架，互操作性强
Metadata（元数据完备度）	3.5	图像级 + 患者级双表，含年龄/性别/诊断/三大风险因素；但分辨率、采集年份、逐类计数缺失
Sustaining（可持续性）	3.5	Zenodo 稳定托管 + DOI + 论文引用锚点；但仅 v1、无更新计划明示、请求制依赖作者响应

综合定位：数据价值与互操作性高，可获取性受许可与门槛拖累——典型的"高质量、高门槛"临床数据集。

§11 总结

11.1 三句话总结

1. oral-cavity-opmd 是斯里兰卡佩拉德尼亚大学采集的 3,000 张手机口腔腔内白光照片、714 名患者、healthy/benign/OPMD/OCA 四类 COCO 多边形标注、配患者级烟酒槟榔风险元数据的数据集（Oral Oncology 2024;156:106946；Zenodo DOI 10.5281/zenodo.10664056）。
2. 它的官方基线来自同团队 IEEE Access 2024 多模态分类研究（MobileNetV3-Large：accuracy 81% / F1 78% / MCC 0.57），并被 MDPI Cancers 2026 等第三方研究外部复用。
3. 它的核心特征是"高临床价值—中低可获取性"：CC BY-NC-ND 4.0 请求制获取，机构邮箱门槛 + NoDerivatives 限制，使其科学价值与开放度之间存在显著张力。

11.2 适合谁

• 研究低资源地区口腔癌/OPMD 筛查 AI 的团队（真实临床图像 + 高发人群）。
• 做图像分类、目标检测、实例分割方法学的开发者（COCO 多边形 + 四类标签）。
• 研究多模态融合（影像 + 临床风险因素） 的研究者。
• 研究图像质量方差、类别不平衡、患者级泄漏等方法学问题的学者。

11.3 不适合谁

• 需要商业使用或衍生发布的团队（NC + ND 双重限制）。
• 需要OPMD 亚型级诊断的研究（标签未细分）。
• 需要活检病理金标准的诊断研究（标签来自门诊诊断）。
• 需要大规模训练数据的产品级应用（3,000 张规模有限）。
• 无法提供机构邮箱与 PI 背书的个人研究者或学生（申请门槛）。

11.4 30 秒决策卡

问题	答案
什么模态？	手机口腔腔内白光照片
多大规模？	3,000 图 / 714 患者
什么类别？	healthy / benign / OPMD / OCA 四类
什么标注？	口腔腔体 + 病变边界，COCO 多边形
附带什么？	患者级年龄/性别/诊断/吸烟/饮酒/槟榔
怎么拿？	Zenodo 请求制（机构邮箱 + 用途 + PI 主页，2-3 天）
什么许可？	CC BY-NC-ND 4.0（非商业 + 禁衍生）
官方基线？	IEEE Access 2024：acc 81% / F1 78% / MCC 0.57
能商用吗？	不能
最大坑？	ND 条款限制衍生 + 患者级泄漏 + 类别不平衡

11.5 一分钟理解它的"三张面孔"

• 作为数据：一份请求制的 3,000 张四分类口腔腔内照片，配 COCO 标注与患者风险元数据。
• 作为方法：同团队 IEEE Access 2024 验证了"图像 + 元数据"多模态融合优于纯图像。
• 作为生态：被 MDPI Cancers 2026 等外部研究复用的公开语料，但仍受请求制与 ND 制约。

11.6 与库内最相似的三个条目的差异

对比对象	相同	不同
sipakmed(490)	口腔、鳞状细胞分类	它是显微镜细胞学涂片，本条目是宏观照片
dentex(479)	口腔、图像检测/分割	它是牙科全景 X 光（硬组织），本条目是腔内软组织
isic 系列	白光照片 + 病变分类范式	它是皮肤，本条目是口腔；许可更宽松

11.7 使用决策的三道闸门

1. 许可闸门：非商业、不衍生——过不了的团队直接排除。
2. 获取闸门：机构邮箱 + PI 背书 + 2-3 天审批——个人研究者大概率出局。
3. 标注闸门：标签非活检金标准、OPMD 不细分——诊断级/亚型级研究需另寻数据。

三道闸门全过的团队，本数据集是一份高临床相关性的优质语料；任一闸门不过，则应转向更开放、更细分或含金标准标签的替代数据集。

11.8 一句话给不同读者的建议

• 研究者：申请前先想清楚科学问题与合规边界，到手先做患者级划分。
• 工程师：可从 COCO 直接搭检测/分割管线，但预处理要正视图像质量方差。
• 产品团队：不建议作为商业产品训练源（许可禁止），可作研究性验证的参照。
• 数据策展者：本条目是"高价值—高门槛"AI-Ready 样本的范例，值得与开放类数据集并列讨论。

11.9 常见误用与正确做法对照

常见误用	正确做法
用 accuracy 81% 宣称"可用于筛查"	用 MCC 0.57 说明任务难度与现状
按图像随机划分训练/测试	按患者 ID 划分（防泄漏）
只用图像跑分类	接入患者风险元数据做多模态
把 Talwar/SMART-OM 性能当本集成绩	只对标 IEEE Access 2024 官方基线
商业产品直接训练	因 NC+ND 而禁止，须换许可更宽的数据
当成 OPMD 亚型数据集	只用四分类上位标签
拿到 DOI 就以为能立刻下载	预留机构邮箱申请与 2-3 天审批
与 coral(720) 合并统计	严格区分，二者无关

11.10 一句话给下一版作者的期待

若本数据集未来发布 v2，最有价值的增量依次是：① 公开逐类分布与图像分辨率；② 提供官方患者级训练/测试划分；③ 增设 OPMD 亚型标签或活检确认标注；④ 考虑改用允许衍生的许可（或提供开放的衍生基准子集，如 PANDA-PLUS 的 Bench 模式）。这四点会显著提升它的可复现性与社区渗透。

§12 深度专题：口腔癌早筛 AI 的问题坐标

12.1 为什么口腔癌是一个"被低估"的癌症

口腔癌在全球癌症谱里的位置有一个反直觉的特征：它的发病率不算最高，但地理集中度极高。大量新发病例与死亡集中在南亚与东南亚，其中印度、斯里兰卡、孟加拉国、巴基斯坦等国的负担尤为突出。与此同时，口腔癌在早期是可被肉眼发现的——它长在可以直接观察的黏膜表面，不像胰腺癌或卵巢癌深藏体腔。理论上，这是一类"最可能通过视觉筛查实现早诊"的癌症。

但现实与理论之间存在巨大落差：高负担地区往往同时是口腔科医生稀缺、病理资源匮乏、专科转诊链漫长的地区。一次口腔黏膜检查需要训练有素的医生肉眼判读，而这类医生在基层与乡村卫生点极其短缺。用 AI 把"识别可疑病变"这一动作从稀缺专家手里部分解耦出来，正是本数据集所服务的问题。

12.2 筛查 AI 的四级难度阶梯

把口腔癌早筛 AI 拆开，可以识别出四级递进的难度：

层级	任务	难度来源	本数据集支持度
第一级	健康 vs 病变（二分类）	病变与正常黏膜的视觉差异通常明显	完全支持（可合并四类）
第二级	良性 vs 潜在恶性（二分类）	良性病变与 OPMD 外观重叠，是主要难点	官方姊妹论文正做此级
第三级	四分类（healthy/benign/OPMD/OCA）	OPMD 与早期 OCA 的临床鉴别本身有主观性	标签支持，但难度最高
第四级	OPMD 亚型级 + 癌变风险分层	需亚型标签与随访结局	不支持（标签未细分，无结局随访）

本数据集的定位很清楚：它落在第一到第三级，把第四级留给后续研究——这也是它明确标注"OPMD 未细分亚型"的原因（见坑 8）。

12.3 "筛查"与"诊断"是两个不同的问题

新手常把两者混为一谈。在口腔癌语境下：

• 筛查（screening）：在无症状人群中找出"需要进一步检查"的可疑者。其核心指标是敏感度（recall）——宁可多报，不可漏报，因为漏掉一个早期癌的代价远高于多转诊几个可疑者。特异度可以适度牺牲。
• 诊断（diagnosis）：对已确定可疑的对象给出确切结论。其核心指标是特异度与精确率——误诊为癌会造成不必要的活检与心理负担。

本数据集官方基线报告的是 accuracy/precision/recall/F1/MCC 的均衡组合，但下游使用时必须先明确自己做的是筛查还是诊断，再决定优化哪一端。用筛查场景的模型去做诊断，会得到大量假阳性；用诊断场景的模型去做筛查，会漏掉真正的病例。这是本条目反复强调"读数字要带场景"的根源。

12.4 为什么"手机 + 白光"不是妥协而是选择

高资源地区的口腔影像研究常使用专业设备：口腔内窥镜、荧光成像（VELscope 等）、窄带成像、甚至病理切片扫描。这些设备成像质量高、可重复性好，但有一个共同前提——你首先得有一台，还得有人会用。

本数据集选择手机摄像头 + 白光，是把可及性放在精度之前的一次明确取舍。它带来的后果是双向的：

• 收益：数据直接对应"基层卫生工作者拿一部手机就能采集"的真实部署形态，其质量分布就是真实世界分布。
• 代价：图像质量方差极大，模型必须学会在光照不足、模糊、构图随意、反光、过曝的条件下仍然工作——这比在受控图像上刷分难得多。

这也是为什么它的官方基线 MCC 只有 0.57：这个数字不是数据集的缺陷，而是问题真实难度的诚实度量。

12.5 三条未被充分开发的研究路径

基于本数据集的结构特征，有三条路径目前被关注不足，值得下游研究者注意：

1. 图像质量感知建模：把图像质量（清晰度/光照/构图）作为显式变量，研究"质量分层下的诊断性能如何衰减"，并开发质量感知的自适应模型。本数据集天然适合这项工作，因为它的质量方差是真实的。
2. 风险因素的条件交互：不把烟/酒/槟榔当作简单拼接的特征，而是建模"影像特征 × 风险暴露"的交互效应——例如在重度槟榔使用者中，某些视觉特征的恶性概率是否系统性升高。
3. OPMD 的纵向随访潜力：若团队后续能补充随访结局（哪些 OPMD 最终恶变），本数据集可从横断面分类升级为风险预测资源。这需要与团队合作，当前公开版本不含此类标签。

---

§13 数据集的复用路线图

13.1 三种复用深度

复用深度	做法	许可边界	典型产出
浅层（指标级）	只引用官方基线的 acc/F1/MCC，不接触数据	无限制	综述、对比表中的一行
中层（训练级）	申请数据，训练自己的分类/检测模型，报告研究结果	允许（非商业）	研究论文、基准对比
深层（衍生级）	重标注、扩充、发布衍生数据集或商业模型	受限/禁止	需书面授权，ND+NC 双重约束

13.2 中层复用的标准动作清单

若你走"训练级"复用，建议按下述清单推进：

1. 申请前：先精读 Oral Oncology 2024 与 IEEE Access 2024 两篇论文，明确官方类别定义与基线口径；准备好用途简述（≤250 词）与 PI 背书材料。
2. 拿到数据后：先检查 Imagewise_data.csv 与 Patientwise_data.csv 的关联键，统计逐类计数与每患者图像数分布（这两项公开信息缺失，必须自算）。
3. 划分数据集：严格按患者划分 train/val/test，禁止同一患者跨集（见坑 6）。
4. 建立基线：先复现官方 MobileNetV3-Large 多模态基线，确认自己的评估口径与论文一致，再引入新方法。
5. 报告指标：至少报告 accuracy + MCC + 逐类 precision/recall/F1，并注明划分方式与是否 patient-wise。
6. 合规声明：在论文数据可用性声明中引用 Zenodo DOI 与数据集论文，注明 CC BY-NC-ND 4.0。

13.3 不建议的复用方式

• 跨数据集直接拼接训练：把本集与印度/SMART-OM 等混合训练而不做人群/设备校正，会引入混淆（见坑 2 的警示）。
• 把 OCA 与 OPMD 合并为"恶性"再声称是四分类：改变了类别语义，须明确声明。
• 在未做 patient-wise 划分的情况下与文献数字对比：若你的划分有泄漏而文献没有，比较无效。

---

§14 面向不同读者的阅读指引

14.1 给临床医生

你关心的可能是"这个 AI 到底能不能帮我看片子"。答案是：目前还不能替代你的判断，但可以作为分流辅助。它的官方基线 MCC 0.57 意味着在真实筛查场景下仍有相当比例的误判；把它当作"初筛提示器"而非"诊断结论"是安全的用法。另外注意，标签来自门诊诊断而非活检，模型学到的分布里包含临床判读的噪声。

14.2 给机器学习研究者

把它当作一个真实条件下的不平衡、多模态、小规模数据集。它的挑战不在数据量，而在：质量方差大、类别不平衡、患者级结构、许可受限。如果你在寻找一个"论文里好看但部署就崩"的反例，或者想验证鲁棒性方法，它很合适。

14.3 给数据集方法论研究者

它的价值在于完整暴露了一个真实临床数据集的取舍链：为什么是手机、为什么是四类、为什么请求制、为什么用 CC BY-NC-ND。每一条取舍都有代价（可及性换精度、合规换复用半径），而文档把这些代价写得相对诚实。它是一个观察"数据治理与研究的张力"的好样本。

14.4 给数据工程与合规人员

可直接参考它的请求制 + 双重许可模式：机构邮箱门槛保证申请方可追溯，PI 背书提供问责主体，ND 条款保护患者图像不被再创作传播。这套组合在临床图像数据集里是较稳妥的合规模板，值得在自建数据集时借鉴。

14.5 给公共卫生决策者

它的存在说明：低资源地区的口腔癌筛查 AI 已经有可用的公开语料起点。但把它推向部署前，必须补上本地人群的验证——一个在斯里兰卡人群上训练的模型，未经校正直接用于其他高发地区，性能未知。

---

§15 术语与表述的严谨性规范（写作与引用）

15.1 五组易误用的表述

易误用表述	问题	推荐表述
“口腔癌数据集”	忽略它还含 healthy/benign/OPMD	“口腔癌与 OPMD 四分类数据集”
“OPMD 分类数据集”	忽略四类中的 OCA 与良性	“含 OPMD 的多类口腔病变数据集”
“智能手机筛查系统”	数据集不等于系统	“面向手机采集的筛查研究用数据集”
“3000 张癌图像”	严重失实，癌只是一类	“3000 张四分类图像，含口腔癌类”
“OPMD 亚型数据”	标签未细分亚型	“OPMD 作为单一类别标注，未细分亚型”

15.2 引用数字时的三条纪律

1. 数字必须带来源与口径：3000 图（Zenodo Overview）与 714 患者（PubMed 摘要）分处不同源，混写会失去可核查性。
2. 性能数字必须带任务定义：官方 81%/0.57 对应的是二分类多模态（benign vs potentially malignant），不是四分类单模态——直接说"该数据集分类准确率 81%"是错的。
3. 未公开项必须标"未公开"：逐类计数、分辨率、年份都没有，任何具体数字都是编造。

15.3 一段可复用的标准引用模板

本研究使用 Oral Cavity Images for OPMD and Oral Cancer Detection 数据集（Piyarathne et al., Oral Oncology 2024;156:106946；Zenodo 10.5281/zenodo.10664056，v1, 2024-02-15）。该数据集含 3,000 张手机口腔腔内白光照片（714 名患者），按 healthy/benign/OPMD/OCA 四类标注 COCO 多边形病变边界，附患者级行为风险元数据，采用 CC BY-NC-ND 4.0 许可、经申请获取。本研究按患者划分训练/测试集，报告 accuracy 与 MCC。

---

§16 边界与未决问题的清单化总览

16.1 已知边界（本条目确信的事实）

1. 规模 3,000 图 / 714 患者（三源互证）。
2. 四类体系 healthy/benign/OPMD/OCA（论文原文）。
3. 手机白光采集、真实门诊场景。
4. COCO 多边形标注（腔体 + 病变）。
5. CC BY-NC-ND 4.0 + 请求制获取。
6. 官方基线 MCC 0.57（IEEE Access 2024）。

16.2 已知缺口（公开信息不足）

1. 逐类图像数/患者数。
2. 图像分辨率区间。
3. 采集年份区间与设备型号。
4. OPMD 亚型分布。
5. 标签是否全部经组织学确认。
6. 是否存在 v2 版本计划。

16.3 待观察（随时间可能变化）

1. 是否出现公开直链或镜像（一旦出现，可获取性评级整体改写）。
2. 是否有新外部复用论文（补充 §5.3 生态）。
3. 团队是否补充随访结局（决定能否走向风险预测）。
4. 许可条款是否变更（影响所有下游复用）。

16.4 处理原则

对已知边界：可直接引用，仍须带来源。
对已知缺口：如实标注"未公开"，不做推断填充。
对待观察：定期复查，触发附录 K 的维护动作。

---

附录 R：患者级划分与泄漏防控速查

检查点	做法
划分键	以 patient_id 为单位划分，而非 image_id
检查	统计 train/val/test 的患者集合是否两两不相交
元数据泄漏	患者级元数据须跟随其患者进入同一集合，不可跨集
报告	论文中明确声明"patient-wise split"及三集的患者数/图像数
常见错误	先按图像随机划分，再发现同一患者跨集——须回退重划

附录 S：四类合并策略与语义声明

合并方案	得到任务	须声明
healthy+benign vs OPMD+OCA	二分类（非恶性 vs 潜在恶性以上）	与官方 benign vs potentially malignant 近似但类别边界不同
healthy vs 其余三类	二分类（正常 vs 异常）	语义为"异常检测"，非诊断
保持四类	四分类	与论文原始口径一致
OPMD+OCA 合并为"恶性"	二分类	改变了四类语义，须显式说明并避免与论文数字直接对比

附录 T：本条目与相邻条目的检索消歧表

检索词	可能命中	如何区分
oral cavity dataset	本集 / coral(720) / 各类口腔	认 Zenodo 10664056 与本集论文 DOI
oral cancer images	本集 / Talwar / SMART-OM	本集=斯里兰卡 3000 图；Talwar=印度 1120+1058；SMART-OM=印度 2469
OPMD dataset	本集 / Dent. J. 2026 的 1500 图	本集含四类且 3000 图；后者仅 750+750 二分类
口腔癌筛查 AI	本集 / 综述类	本集是数据资源，非方法或系统

附录 U：申请材料准备清单（供参考）

项	要求	提示
Zenodo 账号	须用官方机构邮箱注册	个人邮箱会被拒
用途简述	≤250 词	说明研究问题、用法、预期产出
PI 姓名与机构	明确的问责主体	PI 须知情并同意
PI 机构主页链接	机构官网个人页	用于核验身份真实性
处理时限	约 2-3 个工作日	项目排期须预留等待
后续义务	非商业、禁衍生、须引用	论文中如实声明

附录 V：官方基线数字登记表（IEEE Access 2024 口径）

指标	数值	适用任务
accuracy	81%	二分类（benign vs potentially malignant），多模态
precision	79%	同上
recall	79%	同上
F1	78%	同上
MCC	0.57	同上
骨干	MobileNetV3-Large	见论文模型对比

附录 W：下游研究检查清单（14 项）

1. 是否确认了官方类别定义（healthy/benign/OPMD/OCA）？
2. 是否按 patient_id 划分数据集？
3. 是否统计了逐类计数与每患者图像数分布？
4. 是否复现了官方基线以校准评估口径？
5. 是否报告了 MCC（而非仅 accuracy）？
6. 是否报告了逐类 precision/recall/F1？
7. 是否明确了任务是筛查（重 recall）还是诊断（重 precision）？
8. 是否检查了图像质量分层下的性能波动？
9. 是否在论文中声明了 patient-wise split？
10. 是否引用了数据集论文与 Zenodo DOI？
11. 是否遵守 CC BY-NC-ND 4.0（未商用、未发布衍生）？
12. 是否说明了本集人群（斯里兰卡 Peradeniya）的泛化边界？
13. 是否避免了与 Talwar/SMART-OM 等异构数据集的数字误串？
14. 是否标注了标签来自门诊诊断而非活检这一约束？

附录 X：本数据集一页纸档案（可打印）

字段	内容
名称	Dataset of Annotated Oral Cavity Images for Oral Cancer Detection
简称/slug	oral-cavity-opmd
规模	3,000 图 / 714 患者
类别	healthy / benign / OPMD / OCA
模态	手机口腔腔内白光照片 + 患者风险元数据
标注	COCO 多边形（腔体 + 病变）
采集	Dental Teaching Hospital, Peradeniya, Sri Lanka
团队	University of Peradeniya（通讯 N.S. Piyarathne）
论文	Oral Oncology 2024;156:106946 / PMID 39002299
方法论文	IEEE Access 2024;12:124375-124390
数据 DOI	10.5281/zenodo.10664056（concept …10664055）
许可	CC BY-NC-ND 4.0
获取	Zenodo 请求制（机构邮箱 + PI 背书）
基线	acc 81% / F1 78% / MCC 0.57
抓取时点	2026-10-03

FAQ（高频问答 36 问）

A. 基础认知

Q1：oral-cavity-opmd 到底是什么？
一套真实临床场景下的口腔腔内白光照片数据集，用手机摄像头拍摄于斯里兰卡佩拉德尼亚牙科教学医院门诊，共 3,000 张，覆盖 healthy / benign / OPMD / OCA 四类，附 COCO 多边形标注与患者级行为风险元数据。

Q2：名字里的 OPMD 指什么？
Oral Potentially Malignant Disorders——口腔潜在恶性疾病，是一组具有癌变潜能的黏膜病变（如白斑、红斑、口腔黏膜下纤维化等）的统称。它是本数据集四分类里最关键、也最难与早期癌区分的一档。

Q3：OCA 又是什么？为什么不是 OSCC？
OCA = Oral Cancer，本数据集论文对「口腔癌」这一类使用的缩写。姊妹方法论文与组织学描述常用 OSCC（Oral Squamous Cell Carcinoma，口腔鳞状细胞癌）。二者缩写不同属不同粒度：OCA 是临床分类名，OSCC 是病理亚型名（占口腔恶性 90%+）。条目正文统一用数据集的原始类名 OCA（详见坑 3）。

Q4：谁做的？
斯里兰卡佩拉德尼亚大学（University of Peradeniya）牙科学院口腔癌研究中心主导，联合工程学院计算机工程系，另有 University of Aberdeen（英国）/ The University of Queensland（澳大利亚）/ Uppsala University（瑞典）合作。12 名作者，通讯作者 N.S. Piyarathne。

Q5：发表在哪里？
数据集论文见 Oral Oncology, vol. 156, p. 106946, 2024（DOI 10.1016/j.oraloncology.2024.106946，PMID 39002299）。数据集本体托管于 Zenodo 记录 10664056（v1, 2024-02-15）。姊妹方法论文见 IEEE Access 2024（见 Q6）。

Q6：有配套的方法论文吗？
有。同一团队 Devindi G.A.I. 等发表于 IEEE Access, vol. 12, pp. 124375-124390, 2024（DOI 10.1109/ACCESS.2024.3454338），提出图像 + 患者元数据的多模态二分类流水线，并在本数据集上给出基线（accuracy 81% / F1 78% / MCC 0.57）。

Q7：最大的卖点一句话？
它是低资源地区、真实门诊条件、手机采集的口腔癌/OPMD 图像数据集——填的是全球口腔癌筛查 AI 里「高发地区 + 可及设备」这块样本空白。

Q8：为什么强调「真实临床条件」？
因为口腔癌新发病例与死亡高度集中于中低收入国家（尤其南亚），而现有口腔影像数据集多为高资源场景或受控拍摄。本数据集直接采自斯里兰卡门诊现场，其图像质量方差本身就是真实部署条件的一部分，不是需要修掉的缺陷。

Q9：它自己有什么局限？
数据规模有限（3,000 张）；标签来自门诊临床诊断而非活检病理金标准；OPMD 未细分亚型；逐类图像数未公开；NC+ND 双重许可限制复用；请求制获取有门槛。论文与条目均如实标注（见 §7.4）。

Q10：开源吗？
半开：元数据与标注与图像同处 Zenodo 受限记录内，全部走请求制（机构邮箱注册的 Zenodo 账号 + 用途简述 + PI 背书 + PI 机构主页链接，2-3 个工作日处理）。无公开直链、无 gated=false 镜像。

B. 数据与获取

Q11：3,000 张是从多少患者来的？
714 名。图像总数 3,000 出自 Zenodo Overview 与论文摘要；患者数 714 出自 PubMed 摘要与论文正文——两口径不冲突但分处不同源（详见附录 S 双口径登记 1）。

Q12：四类各有多少张？
未公开。论文与 Zenodo 均未给出逐类图像数或逐类患者数。这是本数据集可复现性上的一个已知缺口——只有申请获批拿到 Imagewise_data.csv 与 Patientwise_data.csv 才能自行统计（见附录 G 坑 7）。

Q13：图像分辨率是多少？
未在公开元数据中给出。手机拍摄，具体设备型号、分辨率区间、EXIF 处理方式均未披露（见 §9 待核 3）。

Q14：标注文件是什么格式？
COCO 格式 JSON（Annotation.json），含 image id、category、clinical diagnosis、标注区域数、bounding box 与 segmentation 多边形。既是分类标签源，也可直接训练检测/分割模型。

Q15：标注了哪些区域？
两套多边形：① 口腔腔体整体边界；② 病变区域边界。前者用于定位感兴趣区，后者才是诊断信号所在。

Q16：附带哪些元数据？
患者级：年龄、性别、诊断、行为风险因素（吸烟 smoking / 饮酒 alcohol / 咀嚼槟榔 betel quid chewing）。图像级：图像 ID、类别、临床诊断、标注区域数。分处 Patientwise_data.csv 与 Imagewise_data.csv。

Q17：怎么申请？
用官方机构邮箱注册的 Zenodo 账号，在记录 10664056 页面点 Request access，附：① 用途简述（≤250 词）；② 首席研究员（PI）姓名与机构；③ PI 在机构官网的个人主页链接。合规申请约 2-3 个工作日处理。

Q18：学生/个人研究者能申请吗？
门槛较高。要求 PI 背书与 PI 的机构主页链接，个人研究者或无法提供机构身份者通常难以满足。建议挂靠导师或所在机构 PI 申请。

Q19：拿到手的是哪些文件？
Images.zip / Annotation.json / Imagewise_data.csv / Patientwise_data.csv 四件套。

Q20：能用它训商用模型吗？
不能。CC BY-NC-ND 4.0 明确排除商业用途（NC），且禁止衍生/改编（ND）。商用前须另行取得作者书面授权（见坑 5）。

Q21：ND 到底限制到什么程度？
NoDerivatives 意味着不得发布基于本数据修改、转换或二次创作的作品。训练模型权重是否算「衍生」在许可文本下属灰色地带；稳妥做法是先与作者书面确认，或仅在研究用途内使用。重标注、数据增强后对外发布、把图像改绘成新图集等都触碰 ND 红线。

Q22：元数据也要走申请吗？
是。CSV 与标注 JSON 与图像同处受限记录内，不单独公开发布。

C. 数据质量与统计

Q23：标签是金标准吗？
不是病理金标准。标签来自门诊临床诊断，未以活检组织病理为唯一裁定。这意味着存在一定的标签噪声上限，而 OPMD 与早期癌的临床鉴别本身就有主观性。

Q24：类别不平衡严重吗？
方向性判断是「偏斜」：healthy/benign 通常占多数，OPMD 与 OCA 属少数类；但具体比例未公开。训练时须按未知偏斜做稳健处理（重采样、类别加权、报告 MCC 等对不平衡不敏感指标）。

Q25：什么是 MCC？为什么这个数据集特别强调它？
Matthews Correlation Coefficient（马修斯相关系数），取值 [-1, 1]，综合混淆矩阵四格、对类别不平衡不敏感的二分类指标。官方基线 IEEE Access 2024 报告 MCC 0.57——在 accuracy 81% 的背景下，MCC 0.57 才是更诚实的「实际判别力」（见 §5.2）。

Q26：只看 accuracy 会怎样？
会高估性能。类别不平衡时，「多数类全猜对」也能拿到不低的 accuracy。本数据集官方基线 accuracy 81% 但 MCC 仅 0.57，正说明 accuracy 掩盖了部分判别力的不足（见坑 4）。

Q27：为什么提「患者级泄漏」？
同一患者的多张图像若被随机拆进训练集与测试集，模型可借「认出这是谁」而非「认出病变」拿高分。由于一名患者可能贡献多张图，必须按患者划分数据集（patient-wise split），而非按图像随机划分（见坑 6）。

Q28：图像质量方差大吗？
大，且是设计使然——手机、白光、门诊现场、无标准化拍摄架。这正是它的可及性价值，也意味着模型要面对真实部署条件下的光照、模糊、构图变异（见 §8.1、§8.3）。

Q29：行为风险元数据怎么用？
可作为多模态融合的第二模态输入。官方姊妹论文已验证：图像 + 患者元数据融合优于仅用图像。用于教学/研究时应视为临床协变量，不宜当作独立诊断依据。

Q30：能回答「每类多少张」吗？
公开信息不能。这正是双口径登记之外的一处信息缺口（不是口径冲突）——必须申请获批后自行统计。

D. 许可与合规

Q31：许可是什么？三源一致吗？
CC BY-NC-ND 4.0。三源一致：Zenodo Rights 字段、MDPI Cancers 2026 数据可用性声明、记录元数据。

Q32：可以再分发吗？
ND 条款下不得发布衍生版本；即便原样转发也受 NC 约束，且请求制通常附带「不得转交第三方」的隐含要求。不要转发——让下游自行申请。

Q33：引用规范是什么？
同时引数据集论文（Oral Oncology 2024, DOI 10.1016/j.oraloncology.2024.106946）与 Zenodo 记录 DOI（10.5281/zenodo.10664056；若需指代所有版本用 concept DOI 10.5281/zenodo.10664055）。BibTeX 见附录 W。

E. 建模与位置

Q34：主要任务形式有哪些？
① 图像分类（四类，官方口径）；② 目标检测（COCO bbox 定位病变）；③ 实例分割（COCO segmentation 多边形）。姊妹论文用的是二分类（benign vs potentially malignant）+ 多模态。

Q35：在本库互链地图里处于什么位置？
口腔/牙科影像族的一员，与 sipakmed(490)、origa-light(763)、dentex(479) 等并列；但模态与任务独特：它是口腔腔内白光照片 + 癌/OPMD 分类，与牙科放射影像族（dentex、dental-opg-xray 等）和口腔细胞学（sipakmed）互不重复（见 §9）。

Q36：如果我只记住一件事？
这是目前少见的低资源高发地区、真实门诊条件采集的口腔癌/OPMD 图像数据集，官方基线 MCC 仅 0.57——它诚实地暴露了「手机白光图像做口腔癌筛查」这件事的真实难度，其价值一半在数据、一半在这份难度画像。

---

事实清单（硬事实 40 条）

1. 数据集官方全称：Dataset of Annotated Oral Cavity Images for Oral Cancer Detection，托管于 Zenodo 记录 10664056（v1，2024-02-15）。
2. slug 为 oral-cavity-opmd；本库查重 0 行命中，ls writing/ 无同名目录，正选成立（详见 §1）。
3. 图像总数 3,000 张，三源一致（Zenodo Overview / PubMed 摘要 / 论文）。
4. 患者总数 714 名，出自 PubMed 摘要与论文正文（Zenodo Overview 未提患者数）。
5. 四分类：healthy（健康）/ benign（良性病变）/ OPMD（口腔潜在恶性疾病）/ OCA（口腔癌）。
6. 采集设备：移动电话（手机）摄像头，可见光（white light）条件，真实临床门诊场景。
7. 采集现场：Dental Teaching Hospital, Peradeniya, Sri Lanka（佩拉德尼亚牙科教学医院）。
8. 标注格式：COCO JSON（Annotation.json）。
9. 标注区域：口腔腔体整体边界 + 病变区域边界，均为多边形（polygonal）。
10. 标注主体：临床医生（domain experts），使用团队自研定制软件工具完成分类与多边形标注。
11. 患者级元数据：年龄、性别、诊断、行为风险因素（吸烟 / 饮酒 / 咀嚼槟榔）。
12. 图像级元数据：图像 ID、类别、临床诊断、标注区域数。
13. 文件构成：Images.zip / Annotation.json / Imagewise_data.csv / Patientwise_data.csv。
14. 数据集论文：Oral Oncology, vol. 156, p. 106946, 2024；DOI 10.1016/j.oraloncology.2024.106946；PMID 39002299。
15. 数据集发布 DOI：10.5281/zenodo.10664056（v1）；concept DOI（all versions）：10.5281/zenodo.10664055。
16. 姊妹方法论文：IEEE Access, vol. 12, pp. 124375-124390, 2024；DOI 10.1109/ACCESS.2024.3454338。
17. IEEE Access 论文时间：Received 2024-07-22 / Accepted 2024-08-27 / Published 2024-09-04 / current version 2024-09-13；license CC BY-NC-ND 3.0。
18. 姊妹论文资助：University of Peradeniya Multidisciplinary Research Grants 2022, Grant 127。
19. 主导机构：University of Peradeniya（牙科学院口腔癌研究中心 / 基础科学系 / 口腔医学与牙周病学系 / 修复牙科学系 / 工程学院计算机工程系）。
20. 协作机构：University of Aberdeen（英）、The University of Queensland（澳）、Uppsala University（瑞）。
21. 通讯作者（数据集论文）：N.S. Piyarathne；通讯作者（IEEE Access 多模态论文）：R.G. Ragel。
22. 作者共 12 人（Zenodo 列 12 人）。
23. 伦理：经伦理批准 + 每名受试者书面知情同意（informed written consent）；图像匿名化（anonymized）。
24. 许可：CC BY-NC-ND 4.0（署名-非商业-禁止演绎），三源一致。
25. 获取方式：请求制（request access），图像文件受限（restricted），无公开直链。
26. 申请要件：机构邮箱注册的 Zenodo 账号 + 用途简述（≤250 词）+ PI 姓名与机构 + PI 机构官网主页链接。
27. 申请处理时限：合规申请约 2-3 个工作日。
28. 官方基线（MobileNetV3-Large 编码器 + 多模态）：accuracy 81% / precision 79% / recall 79% / F1 78% / MCC 0.57。
29. 姊妹论文建模口径：二分类（benign vs potentially malignant），六种预训练模型对比（MobileNetV3-Large / MixNet-S / ResNet-50 / HRNet-W18-C / DenseNet-121 / Inception-v3）。
30. 姊妹论文核心结论：融合图像与患者元数据的多模态流水线优于仅用图像的单模态基线。
31. 外部复用：MDPI Cancers 2026;18(18):2926 明确引用本数据集（DOI 10.5281/zenodo.10664056 / 10664055），确认 CC BY-NC-ND 4.0 与受限访问口径。
32. 混用警示：SMART-OM（figshare 31341790，2026-02-18）为印度 2,469 图 / 331 受试者的不同数据集，勿与本集混淆。
33. 混用警示：Talwar et al. Cancers 2023;15(16):4120 为印度智能手机口腔图像 1,120 可疑 + 1,058 非可疑（DenseNet201 F1 0.84），不同数据集。
34. 混用警示：MDPI Dent. J. 2026;14(8):462 为 1,500 图（750 OPMD / 750 non-OPMD）的不同数据集，仅作 OPMD 二分类概念验证。
35. 逐类图像数、逐类患者数、图像分辨率区间、采集年份区间、设备型号均未公开。
36. 库内易混条目：coral（rid 720）虽含 “oral” 子串，但为口腔颌面/头颈影像另一数据集，与本集无关。
37. 库内同域互链：sipakmed(490) / origa-light(763) / dentex(479) / dental-opg-xray(786) / multicenter-dental-panoramic(787) / ctooth(785) / fdtooth(609) / toothfairy2(649) / toothfairy3(673) / 3dteethland(676) / c3vd(398)。
38. 官方分类口径（论文原文）类名顺序：healthy, benign, OPMD, OCA；条目统一采用此原始写法。
39. 数据集仅有 v1 一个版本（2024-02-15）；是否存在 v2 计划未公开。
40. 本条目抓取时点：2026-10-03；生产代理：agent-d-oralcavity；库内无同名或别名条目（不撞库声明）。

---

术语表（34 条）

术语	释义
OPMD	Oral Potentially Malignant Disorders，口腔潜在恶性疾病，具癌变潜能的黏膜病变统称
OCA	Oral Cancer，口腔癌；本数据集对该类的原始缩写
OSCC	Oral Squamous Cell Carcinoma，口腔鳞状细胞癌，占口腔恶性 90%+；与 OCA 属不同粒度
口腔腔内图像	用相机/手机伸入口腔拍摄的黏膜照片，本数据集的模态
白光成像	可见光条件下的普通摄影，无需特殊染色或激发光源，区别于荧光/窄带成像
healthy	四分类之一：健康口腔黏膜
benign	四分类之一：良性病变，非恶性、非 OPMD
白斑（leukoplakia）	口腔黏膜白色斑块，临床不能擦除，常见 OPMD 类型之一
红斑（erythroplakia）	口腔黏膜红色斑块，恶变风险通常高于白斑，OPMD 类型之一
口腔黏膜下纤维化（OSMF）	黏膜下层纤维化致张口受限，南亚（含斯里兰卡）高发，属 OPMD
槟榔咀嚼（betel quid chewing）	南亚/东南亚常见习惯，口腔癌明确风险因素；本集记录为患者级元数据
COCO	Common Objects in Context，通用目标检测/分割标注格式；本集 Annotation.json 遵循之
segmentation（分割多边形）	COCO 中描述目标轮廓的点序列，本集用于勾画病变与腔体边界
bounding box（包围盒）	COCO 中目标矩形框 [x, y, width, height]，本集随多边形一并提供
实例分割	对每个目标实例输出像素级掩码的任务；本集多边形可直接导出掩码
目标检测	输出目标位置与类别；本集可基于 bbox 训练
图像分类	输出整图类别标签；本集最基本的任务形式（四类）
多模态融合	融合图像与临床/元数据等多种模态的建模范式；姊妹论文核心方法
患者级划分（patient-wise split）	按患者（而非图像）划分训练/测试集，防止同一患者图像跨集导致泄漏
数据泄漏（data leakage）	训练信息不当流入测试评估，人为抬高指标的现象
类别不平衡	各类样本数悬殊；本集偏斜方向已知但比例未公开
MCC	Matthews Correlation Coefficient，马修斯相关系数，[-1,1]，对不平衡不敏感
precision	精确率：预测为正中真正比例
recall	召回率/敏感度：实际正中检出比例
F1	精确率与召回率的调和平均
accuracy	总体正确率；不平衡场景下易高估性能
混淆矩阵	类别 × 预测类别的计数矩阵，所有分类指标的基础
迁移学习	用预训练模型微调下游任务的范式；官方基线均属此类
MobileNetV3-Large	轻量卷积骨干，官方基线使用；其多模态结果为本集首选参照数字
请求制（request access）	数据不公开直链、需申请审批的发放模式；本集采用
CC BY-NC-ND 4.0	署名-非商业-禁止演绎 4.0 国际许可，本集许可
NoDerivatives（ND）	许可中禁止发布改编/衍生作品的条款
NonCommercial（NC）	许可中禁止商业用途的条款
匿名化（anonymization）	移除或处理可识别受试者身份的信息；本集图像已匿名化

---

附录

附录 A：条目信息速查卡

项	值
条目名	Oral Cavity Images for OPMD and Oral Cancer Detection
url_name	oral-cavity-opmd
类型	带标注数据集（图像 + 元数据 + 方法论文）
数据论文	Oral Oncology 2024;156:106946（DOI 10.1016/j.oraloncology.2024.106946）
方法论文	IEEE Access 2024;12:124375-124390（DOI 10.1109/ACCESS.2024.3454338）
团队	University of Peradeniya 口腔癌研究中心（Sri Lanka）
规模	3,000 图 / 714 患者
类别	healthy / benign / OPMD / OCA
模态	手机口腔腔内白光照片 + 患者级行为风险元数据
标注	COCO 多边形（腔体 + 病变）
许可	CC BY-NC-ND 4.0
获取	Zenodo 请求制（机构邮箱 + 用途 + PI 背书 + PI 主页）
官方基线	MobileNetV3-Large 多模态：acc 81% / F1 78% / MCC 0.57
抓取时点	2026-10-03
库内互链	sipakmed(490)/origa-light(763)/dentex(479)/dental-opg-xray(786)/multicenter-dental-panoramic(787)/ctooth(785)/fdtooth(609)/toothfairy2(649)/toothfairy3(673)/3dteethland(676)/c3vd(398)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	6.5	Zenodo 记录 + 两篇论文可索引；但记录标题不含 “OPMD” 缩写，检索常须靠论文侧进入
A 可获取性	4.5	请求制 + 机构邮箱 + PI 背书三重门槛，无公开直链；NC+ND 进一步收窄复用
I 可互操作	7.5	COCO JSON 是通用格式，bbox/segmentation 开箱可用；元数据 CSV 结构清晰
M 元数据质量	7	患者级 + 图像级元数据维度齐全（含风险因素）；但逐类计数/分辨率/年份缺口
S 可持续性	6.5	Zenodo 是稳定学术仓储（CERN 运营）+ 记录有 concept DOI 版本链；依赖团队持续维护
综合评级	6.4/10（中上）	数据价值与格式规范性高，被可获取性与部分元数据缺口拉低

附录 C：逐项证据链自证

关键数字	来源	位置
3,000 张图像	Zenodo Overview + PubMed 摘要 + 论文	Zenodo 10664056 页 / PubMed 39002299
714 名患者	PubMed 摘要 + 论文正文	PubMed 39002299
四分类 healthy/benign/OPMD/OCA	论文摘要	PubMed 39002299
COCO 多边形（腔体 + 病变）	论文方法节	Oral Oncology 全文
自研标注工具	论文方法节	Oral Oncology 全文
患者级元数据（含烟酒槟榔）	论文 + Zenodo 文件清单	Zenodo 10664056 / 论文
CC BY-NC-ND 4.0	Zenodo Rights + MDPI Cancers 声明	Zenodo 10664056 / MDPI 页
请求制三要件（用途/PI/主页）	Zenodo 记录申请说明	Zenodo 10664056 页
v1 2024-02-15 / concept DOI	Zenodo 版本信息	Zenodo 10664055 页
acc 81%/F1 78%/MCC 0.57	IEEE Access 2024	DOI 10.1109/ACCESS.2024.3454338
Grant 127	IEEE Access 2024 资助声明	论文 Acknowledgments
多模态优于单模态	IEEE Access 2024 结论	DOI 10.1109/ACCESS.2024.3454338
外部复用	MDPI Cancers 2026;18(18):2926	MDPI 数据可用性声明

附录 D：数据获取决策树

需求是什么？
├── 只想引用/复现官方基线数字（81%/78%/0.57）
│   └── 直接引 IEEE Access 2024，无需申请数据
├── 想训练口腔癌/OPMD 分类模型
│   ├── 1) 用机构邮箱注册 Zenodo 账号
│   ├── 2) 准备用途简述（≤250 词）+ PI 姓名机构 + PI 机构主页链接
│   ├── 3) 在记录 10664056 提交 Request access
│   └── 4) 等待 2-3 个工作日审批（期间可先读论文做方案）
├── 想做目标检测/实例分割
│   └── 同上申请；拿到 Annotation.json 后按 COCO 直接加载
└── 想商用或发布衍生数据
    └── 本许可（NC+ND）不支持；须与作者另行书面授权

附录 E：四类标签语义与使用规范

类别	语义	训练建议
healthy	健康口腔黏膜	作为阴性/对照类；注意其与 benign 的边界在临床上也存在观察者间差异
benign	良性病变（非恶性、非 OPMD）	不要与 healthy 合并而不声明——合并会改变类别语义
OPMD	口腔潜在恶性疾病	关键少数类；癌变风险组，勿因样本少而丢弃
OCA	口腔癌	最关键少数类；与 OPMD 鉴别是本数据集的临床难点

附录 F：多模态流水线复现骨架（SOP 模板）

输入：图像 + 患者级元数据（年龄/性别/诊断/吸烟/饮酒/槟榔）
步骤：
1) 按患者划分 train/val/test（patient-wise，防泄漏，见附录 R）
2) 图像分支：预训练骨干（官方基线用 MobileNetV3-Large）微调
3) 元数据分支：类别特征 one-hot/embedding + 数值特征标准化
4) 融合层：拼接/注意力融合两支特征
5) 输出头：官方二分类（benign vs potentially malignant）或四分类（按任务调整）
6) 评估：报告 accuracy 的同时必须报告 MCC 与逐类 precision/recall/F1
7) 稳健性：报告图像质量分层（光照/模糊/构图）下的指标波动

附录 G：坑点档案（与 §10 对照）

编号	坑点	后果	规避
坑 1	与 coral(rid 720) 混淆	张冠李戴引用错误数据集	认准 Zenodo 10664056 + Oral Oncology 2024
坑 2	与 Talwar / SMART-OM 数字误串	引用了别家的样本量/指标	数字只认本集三源：Zenodo/PubMed/论文
坑 3	OCA vs OSCC 缩写混用	临床粒度表述错误	引用原类名 OCA；提 OSCC 时注明为病理亚型
坑 4	只看 accuracy 81%	高估性能	同报 MCC 0.57 与逐类指标
坑 5	无视 ND 条款做衍生	许可违约	衍生/改编前书面确认；不外发
坑 6	按图像随机划分	患者级泄漏，指标虚高	一律 patient-wise split
坑 7	以为随时能下载	项目计划落空	预留 2-3 工作日审批 + PI 背书准备时间
坑 8	假设有 OPMD 亚型标签	细粒度研究无法开展	标签未细分，亚型级研究须自建标注

附录 H：分类评估指标计算公式表

指标	公式	备注
accuracy	(TP+TN)/(TP+TN+FP+FN)	不平衡时易高估
precision	TP/(TP+FP)	预测为正中真正比例
recall	TP/(TP+FN)	实际正中检出比例
specificity	TN/(TN+FP)	阴性识别能力
F1	2·precision·recall/(precision+recall)	调和平均
MCC	(TP·TN−FP·FN)/√((TP+FP)(TP+FN)(TN+FP)(TN+FN))	[-1,1]，不平衡稳健

附录 I：与库内口腔/牙科影像条目关系声明

条目	rid	模态	与本集关系
sipakmed	490	口腔细胞学涂片显微图	同为口腔域，但模态与任务均不同（细胞学 vs 腔内照片）
origa-light	763	眼底图像	仅作低资源筛查 AI 方法学对照
dentex	479	牙科全景 X 光	牙科放射域，与腔内白光互补
dental-opg-xray	786	牙科 OPG 全景	放射域互链
multicenter-dental-panoramic	787	牙科全景（多中心）	放射域互链
ctooth	785	牙科 CBCT/影像	放射域互链
fdtooth	609	牙科影像	放射域互链
toothfairy2	649	牙科 3D	三维牙颌域互链
toothfairy3	673	牙科 3D	三维牙颌域互链
3dteethland	676	牙科 3D landmark	三维牙颌域互链
c3vd	398	牙科视频/内窥	腔内视频域互链
coral	720	口腔颌面/头颈影像	须明确区分（名字含 oral 但非同物）

附录 J：双口径登记表

编号	口径 A	口径 B	结论与处理
1	图像数 3,000（Zenodo Overview）	患者数 714（PubMed 摘要/论文）	二者不冲突但分处不同源；条目同时标注来源
2	类名 healthy/benign/OPMD/OCA（论文原文）	二手源把 OCA 写成「口腔癌」、OPMD 扩写	统一采用论文原始类名
3	本集用 OCA（临床分类名）	姊妹论文/组织学用 OSCC（病理亚型名）	不同粒度非笔误；引用时注明

附录 K：维护计划与触发点

触发点	行动
Zenodo 记录出现 v2	更新版本链与 §6.3，重核规模数字
逐类计数/分辨率公开	补 §2 与附录 E，撤销待核项
出现公开直链或 gated=false 镜像	重写 §6 获取节，上调 DAIMS 可获取性评分
新外部复用论文出现	追加 §5.3 与附录 C 证据链
许可条款变更	更新 §6.2 与坑 5，评估对补链条目的影响

附录 L：引文规范（BibTeX）

@article{piyarathne2024oralcavity,
  title   = {A comprehensive dataset of annotated oral cavity images for diagnosis of oral cancer and oral potentially malignant disorders},
  author  = {Piyarathne, N. S. and Liyanage, S. N. and Rasnayaka, R. M. S. G. K. and others},
  journal = {Oral Oncology},
  volume  = {156},
  pages   = {106946},
  year    = {2024},
  doi     = {10.1016/j.oraloncology.2024.106946}
}

@misc{oralcavity2024zenodo,
  title     = {Dataset of Annotated Oral Cavity Images for Oral Cancer Detection},
  year      = {2024},
  publisher = {Zenodo},
  doi       = {10.5281/zenodo.10664056},
  note      = {version v1, 2024-02-15}
}

@article{devindi2024multimodal,
  title   = {Multimodal deep convolutional neural network pipeline for AI-assisted early detection of oral cancer},
  author  = {Devindi, G. A. I. and others},
  journal = {IEEE Access},
  volume  = {12},
  pages   = {124375--124390},
  year    = {2024},
  doi     = {10.1109/ACCESS.2024.3454338}
}

附录 M：本条目生产档案

项	值
代理名	agent-d-oralcavity
slug	oral-cavity-opmd
锁创建时间	2026-10-03T20:53:10+08:00
生产方式	5 个 part 直写 → cat 拼接
抓取时点	2026-10-03
核验方式	WebSearch + Zenodo/PubMed/PMC 实抓三源互证
查重结论	库内 0 命中，正选成立

附录 N：FAIR / AI-Ready 检查单

原则	达成	说明
F 可查找（Findable）	部分	有持久 DOI 与元数据，但记录标题不含 OPMD 缩写，检索须借论文侧
A 可访问（Accessible）	部分	Zenodo 记录稳定可访问，但数据本体受请求制限制
I 可互操作（Interoperable）	是	COCO JSON 通用格式，工具生态充分
R 可复用（Reusable）	部分	许可清晰（CC BY-NC-ND 4.0）但 NC+ND 收窄复用；逐类计数缺口
AI-Ready 综合	中上	格式与元数据合格，获取门槛与许可限制是主要短板

附录 O：检索路径示范（关键词组合）

数据集本体：
  Zenodo: 10664056 / 10.5281/zenodo.10664056
  标题词: "Annotated Oral Cavity Images" + "Oral Cancer Detection"
论文侧：
  PubMed: 39002299
  题名词: "annotated oral cavity images" + "oral potentially malignant disorders"
方法侧：
  DOI: 10.1109/ACCESS.2024.3454338
  题名词: "Multimodal deep convolutional neural network" + "oral cancer"
避混淆：
  加限定 "Peradeniya" 或 "Sri Lanka" 以排除印度/其他口腔数据集

附录 P：30 秒决策卡（速查）

问题	答案
什么模态？	手机口腔腔内白光照片 + 患者风险元数据
多大规模？	3,000 图 / 714 患者
什么类别？	healthy / benign / OPMD / OCA
什么标注？	COCO 多边形（腔体 + 病变）
官方基线？	MobileNetV3-Large 多模态：acc 81% / F1 78% / MCC 0.57
怎么拿？	Zenodo 请求制（机构邮箱 + PI 背书，2-3 天）
什么许可？	CC BY-NC-ND 4.0
能商用吗？	不能
最大坑？	ND 限衍生 + 患者级泄漏 + 类别不平衡 + 逐类计数缺失

附录 Q：库内互链与 rid 索引（检索用）

关键词	互链条目（rid）
口腔/牙科影像	sipakmed(490), dentex(479), dental-opg-xray(786), multicenter-dental-panoramic(787), ctooth(785), fdtooth(609)
口腔三维/视频	toothfairy2(649), toothfairy3(673), 3dteethland(676), c3vd(398)
低资源筛查 AI	origa-light(763)
须区分	coral(720)

---

尾注

本条目依据抓取时点 2026-10-03 的公开信息撰写，核心数字均经 Zenodo 记录 10664056、PubMed 39002299、Oral Oncology 2024 论文与 IEEE Access 2024 姊妹论文三源互证。所有未公开项（逐类计数、分辨率区间、采集年份、设备型号）已在正文与附录中明确标为信息缺口而非估计值，未作任何推断性填充。原始事实档案见同目录 FACTS.md，双口径存照见附录 J，坑点档案见 §10 与附录 G。若后续 Zenodo 记录发布新版本或公开直链，请依附录 K 的维护触发点更新本条目。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• cervix93 — 共享标签：医学影像 / 图像分类 / 目标检测 / 肿瘤学
• modus — 共享标签：医学影像 / 图像分类 / 目标检测
• bonemarrow-wsi — 共享标签：医学影像 / 图像分类 / 目标检测 / 肿瘤学
• ham10000 — 共享标签：医学影像 / 图像分类 / 肿瘤学
• tn-mammo-breast-density — 共享标签：医学影像 / 图像分类 / 肿瘤学
• dmr-ir — 共享标签：医学影像 / 图像分类 / 肿瘤学
• chula-parasitic-egg — 共享标签：医学影像 / 图像分类 / 目标检测
• chestpathct5-s100 — 共享标签：医学影像 / 图像分类 / 目标检测
• kvasir-capsule — 共享标签：医学影像 / 图像分类 / 目标检测
• midog — 共享标签：医学影像 / 目标检测 / 肿瘤学

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。