bumbledeep/odir

这是一个名为“Ocular Disease Intelligent Recognition (ODIR)”的眼部疾病智能识别数据集，包含5000名患者的年龄、左右眼彩色眼底照片以及医生的诊断关键词。数据集旨在代表由上工医疗科技有限公司从中国不同医院/医学中心收集的患者信息的“真实生活”集合。数据集分为训练集和测试集，用于眼部疾病分类和特征提取等应用。

This is the Ocular Disease Intelligent Recognition (ODIR) dataset, which includes age, color fundus photographs from both eyes, and diagnostic keywords from doctors for 5,000 patients. The dataset aims to represent a real-life collection of patient information gathered by Shanggong Medical Technology Co., Ltd. from various hospitals/medical centers in China. The dataset is split into training and testing sets and is used for applications such as eye disease classification and feature extraction.

搜集汇总

数据集介绍

构建方式

眼部疾病智能识别（ODIR）数据集由北京大学、国家健康医疗大数据研究院及上工医疗科技有限公司等机构联合构建，旨在模拟真实临床环境中眼科疾病的诊断场景。该数据集基于Kaggle平台发布的原始眼底影像资料，经过元数据微调与结构化整理而成，共收录5000名患者的年龄、性别、双眼彩色眼底图像及医生诊断关键词。眼底图像来自中国多家医院，使用佳能、蔡司、兴和等多种品牌相机拍摄，分辨率各异，以体现真实世界的设备多样性。数据集将患者划分为训练集、离场测试集和现场测试集，其中约4000例用于模型训练，其余用于评估。每例样本依据双眼图像及患者年龄，由经过培训的专业人员标注为正常（N）、糖尿病（D）、青光眼（G）、白内障（C）、AMD（A）、高血压（H）、近视（M）或其他异常（O）共八类标签，并经过严格质量控制。

使用方法

该数据集适用于单标签眼病分类任务及无监督或自监督特征提取研究。使用时，可通过Hugging Face数据集库加载，其中训练集包含6392个样本，每一样本包含患者ID、年龄、性别、图像、文本标签及标签代码字段。推荐将图像与元数据结合训练，以提升诊断准确性。由于测试集未在此版本中直接提供，研究者需自行划分验证集或参考原始Kaggle数据集中的离场与现场测试子集进行模型评估。数据预处理时，可针对不同相机来源的图像进行归一化或尺寸调整，以缓解设备差异带来的偏倚。

背景与挑战

背景概述

眼科疾病智能识别（ODIR）数据集由北京大学、国家健康医疗大数据研究院、北京大学人工智能研究院及上工医疗科技有限公司等机构于2019年联合创建，旨在推动基于眼底图像的自动化眼科疾病诊断研究。该数据集收录了5,000名患者的彩色眼底照片，涵盖正常、糖尿病、青光眼、白内障、年龄相关性黄斑变性、高血压、近视及其他异常共八类诊断标签，并附有患者年龄、性别等临床信息。数据来源于中国多家医院的真实临床场景，采用多种品牌相机拍摄，反映了实际医疗环境中的图像异质性。ODIR的发布为多标签眼科疾病分类提供了标准化基准，显著促进了计算机辅助诊断在该领域的发展，成为相关研究的重要参考资源。

当前挑战

ODIR数据集面临的核心挑战在于解决眼科疾病分类中的多标签不平衡与图像异质性难题。类别分布极不均衡，正常与糖尿病病例占据多数，而高血压、近视等类别样本稀少，导致模型易偏向高频类别，降低罕见病诊断灵敏度。构建过程中，不同医院使用的相机品牌（如Canon、Zeiss、Kowa）导致图像分辨率与质量差异显著，增加了特征提取的难度。此外，诊断标签依赖人工标注，尽管有质量控制，但主观偏差与复杂病例的歧义性仍可能引入噪声。这些因素共同要求算法具备鲁棒的特征表示能力与类别平衡策略，以应对真实临床部署中的泛化挑战。

常用场景

经典使用场景

ODIR数据集在眼科医学影像分析领域占据着举足轻重的地位，其最经典的使用场景莫过于多标签眼部疾病分类任务。该数据集包含了来自中国多家医疗中心的5000名患者的彩色眼底照片，涵盖正常、糖尿病、青光眼、白内障、年龄相关性黄斑变性、高血压、近视及其他异常共八类诊断标签。研究人员常利用该数据集构建和评估深度学习模型，以从眼底图像中自动识别和区分多种常见眼病，这一过程不仅考验模型对细微病理特征的捕捉能力，也为眼科疾病辅助诊断提供了标准化的基准平台。

解决学术问题

在学术研究中，ODIR数据集有效解决了眼科疾病自动诊断领域长期存在的关键瓶颈——缺乏大规模、多标签、真实临床场景的标注数据。该数据集通过提供来自不同医院、多种品牌相机采集的眼底图像，模拟了真实世界的异质性，促使研究者攻克图像分辨率差异、光照变化和疾病共现等复杂问题。其引入的多标签分类范式推动了从单一疾病识别向综合眼病筛查的学术转向，显著提升了模型在泛化能力和鲁棒性方面的研究深度，为眼科人工智能诊断的标准化评估奠定了坚实基础。

实际应用

在实际应用层面，ODIR数据集为眼科临床辅助诊断系统的开发提供了核心支撑。基于该数据集训练的模型可部署于社区医疗中心和基层医院，协助非眼科专业医生快速筛查糖尿病视网膜病变、青光眼等致盲性眼病，显著降低漏诊率。此外，该数据集还可用于开发远程眼科诊疗平台，通过分析患者上传的眼底照片实现初步疾病预警，尤其适用于医疗资源匮乏地区。其多类别覆盖特性使得系统能够同时评估多种疾病风险，优化了临床工作流程并提升了诊疗效率。

数据集最近研究

最新研究方向

基于ODIR数据集的眼科疾病智能识别研究正朝着多标签分类与多模态融合的前沿方向演进。该数据集汇聚了来自中国多家医疗机构的5000例真实临床病例，涵盖正常、糖尿病、青光眼、白内障等八类眼科疾病，其彩色眼底图像由不同品牌设备采集，天然具备临床异构性，为开发泛化能力强的深度学习模型提供了宝贵资源。当前研究热点聚焦于利用视觉Transformer与对比学习范式，在有限标注样本下提升罕见病类别（如高血压视网膜病变）的识别精度。同时，结合患者年龄等结构化信息的跨模态特征对齐策略，正成为突破单一图像分析瓶颈的关键路径。该数据集推动的智能辅助诊断技术，有望缓解基层眼科医疗资源不均的痛点，加速眼底疾病筛查的自动化进程。