人工智能检测不同临床影像模态下龋齿的诊断性能:系统评价与Meta分析数据集
该数据集配套一项关于人工智能在不同临床影像模态下检测龋齿的诊断性能与实施障碍的系统评价和Meta分析。数据涵盖研究特征、影像模态、AI模型架构、数据集属性、诊断准确性指标及临床实施障碍等结构化信息,遵循PRISMA 2020建议编制,仅纳入人类临床影像研究

基本信息
资源简介
人工智能检测不同临床影像模态下龋齿的诊断性能:系统评价与Meta分析数据集
Diagnostic Performance of Artificial Intelligence for Dental Caries Detection Across Clinical Imaging Modalities: Dataset for Systematic Review and Meta-analysis
该数据集配套一项关于人工智能在不同临床影像模态下检测龋齿的诊断性能与实施障碍的系统评价和Meta分析。数据涵盖研究特征、影像模态、AI模型架构、数据集属性、诊断准确性指标及临床实施障碍等结构化信息,遵循PRISMA 2020建议编制,仅纳入人类临床影像研究。所有变量由两名评价者独立提取、交叉验证并标准化编码。数据集提供完整的2×2诊断列联表(TP、FP、FN、TN),可用于灵敏度、特异度、DOR和HSROC估计等定量合成分析(来源 Mendeley Data)。
【数据集背景】
源站首次发布:2025-11-17。
【数据内容】
源站描述(机器翻译,仅供参考):该数据集配套系统评价与Meta分析《人工智能在不同临床影像下检测龋齿:诊断性能与实施障碍》。它包含研究期间提取、整理和分析的所有数据,包括研究特征、影像模态、AI模型架构、数据集属性、诊断准确性指标和报告的临床实施障碍等结构化信息。数据集按照PRISMA 2020建议编制,仅纳入人类来源的临床影像研究。所有变量由两名评价者独立提取、交叉验证,并使用标准化编码程序进行协调。对于定量合成,数据集提供完整的2×2诊断列联表(TP、FP、FN、TN),用于灵敏度、特异度、DOR和HSROC估计。
【数据结构与技术规格】
文件数 9 个,合计 120.76 KB。数据集 DOI:10.17632/kt4vbdjxmf.1。
【主题与分类】
主题标签:龋齿检测、人工智能、临床影像模态、系统评价、Meta分析、诊断准确性、实施障碍。本站分类:口腔疾病。
【获取与许可】
源站页面:https://data.mendeley.com/datasets/kt4vbdjxmf
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://data.mendeley.com/datasets/kt4vbdjxmf
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 部分平台提供 SDK,例如:
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据集大小约 120.8 KB。
数据说明
Alain M Chaple Gil (2025). Diagnostic Performance of Artificial Intelligence for Dental Caries Detection Across Clinical Imaging Modalities: Dataset for Systematic Review and Meta-analysis [Dataset]. http://doi.org/10.17632/kt4vbdjxmf.1
数据加载示例(图像类)
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




