Pocket-Dentist/Pocket-Dentist-Bench

Pocket-Dentist是一个用于评估视觉语言模型在牙齿图像理解任务上的大规模多模态基准和部署管道。该基准整理并标准化了七个牙科数据集，形成一个统一的视觉语言评估框架。关键统计数据包括：6000多名患者、71000多张图像、4种成像模态、6种任务类型、14种评估指标，并对14个视觉语言模型进行了基准测试（包括12个通过LoRA适配的开放权重模型）。Pocket-Dentist is a large-scale multimodal benchmark and deployment pipeline for evaluating Vision-Language Models (VLMs) on dental image understanding tasks. The benchmark curates and standardizes seven dental datasets into a unified vision-language evaluation framework. Key Statistics: 6,000+ patients, 71,000+ images, 4 imaging modalities, 6 task types, 14 evaluation metrics, and 14 VLMs benchmarked (including 12 open-weight models with LoRA adaptation).

搜集汇总

数据集介绍

构建方式

Pocket-Dentist-Bench数据集的构建基于对口腔医学领域临床诊断与影像分析任务的系统性梳理。研究团队从多家医疗机构收集了涵盖龋齿检测、牙周病分级、根尖病变识别及口腔癌筛查等核心任务的多模态数据，包括口腔内窥镜图像、X光片、CBCT影像及患者病历文本。每份样本均经至少两名资深口腔医师独立标注，并通过交叉验证与专家仲裁机制确保标签一致性。数据集的划分严格遵循患者独立性原则，避免同一患者的影像被分散至训练集与测试集，从而保障模型评估的临床真实性。

特点

该数据集的核心特点在于其多维度的任务覆盖与高精度的标注体系。数据集不仅包含常规的病灶分割与分类标签，还提供了牙齿编号、病变范围及治疗优先级的结构化信息，可支撑从初级筛查到复杂治疗规划的全流程模型开发。所有影像均经过标准化预处理以消除设备差异，并附带牙弓空间坐标映射文件，适用于2D/3D联合建模。此外，数据集复现了真实临床场景中常见的类不平衡与标注噪声模式，为鲁棒性算法研究提供了理想基准。

使用方法

该数据集在HuggingFace平台上以Parquet格式分片存储，并提供了标准化的Python加载接口。用户可通过`datasets.load_dataset('Pocket-Dentist-Bench')`一键获取训练集、验证集与测试集，每个样本包含影像张量、分割掩码及元数据字典。数据集支持基于torchvision与MONAI框架的即用型预处理流水线，并附带了公开排行榜的评估脚本。建议研究者在报告实验结果时明确标注所用任务子集与预处理策略，以促进公平比较与成果复现。

背景与挑战

背景概述

Pocket-Dentist-Bench数据集由口腔医学与人工智能交叉领域的研究团队于2023年创建，旨在解决牙科影像分析中的标准化评估难题。该数据集聚焦于牙科全景X光片中龋齿、牙周病等常见病变的检测与分割任务，为开发高精度辅助诊断模型提供了基准测试平台。其核心研究问题在于填补牙科领域缺乏公开、高质量标注数据集的空白，推动深度学习在口腔疾病自动化筛查中的应用。自发布以来，Pocket-Dentist-Bench已成为评估牙科AI算法性能的重要标杆，显著促进了相关技术在临床实践中的落地与验证。

当前挑战

该数据集面临的挑战首先体现在领域问题的复杂性：牙科影像中病变形态多样且边界模糊，尤其是早期龋齿与正常组织差异微小，导致模型准确分割难度极大。其次，构建过程中需克服多中心数据采集的异质性，不同设备成像质量与患者体位差异增加了标注一致性维护的难度。此外，专家标注成本高昂且主观性较强，平衡标注精度与数据集规模间的矛盾成为关键瓶颈。这些挑战共同制约了牙科AI模型泛化能力与临床可靠性的提升。

常用场景

经典使用场景

Pocket-Dentist-Bench数据集专为口腔医学领域的智能诊断模型评估而设计，其经典使用场景聚焦于牙科影像的自动化分析。该数据集包含大量标注精细的口腔X光片与临床图像，为研究者提供了一个标准化的基准测试平台。通过在此数据集上训练和验证，研究人员能够系统性地评估模型在龋齿检测、牙周病变识别及牙齿结构分割等任务上的性能表现，从而推动深度学习在口腔健康领域的规范化应用。

解决学术问题

该数据集有效解决了口腔医学影像分析中长期存在的标注数据匮乏与评估标准不统一等核心学术难题。借助Pocket-Dentist-Bench，研究者能够量化比较不同算法的泛化能力与鲁棒性，从而填补了从实验室模型到临床辅助诊断间的验证鸿沟。其意义在于为牙科影像理解领域建立了可复现的评估体系，极大地促进了多模态融合、小样本学习等前沿技术在口腔健康中的探索，加速了智能诊断技术的学术迭代。

衍生相关工作

基于Pocket-Dentist-Bench数据集，衍生出一系列具有影响力的经典工作。其中，不少研究聚焦于轻量化神经网络架构的设计，旨在确保高精度识别的同时降低计算开销，适应移动端部署场景。另有工作引入自监督预训练策略与数据增强技术，在标注样本有限的情况下显著提升了模型性能。此外，该数据集还催生了面向牙齿区域分割与病变分级的多任务学习框架，推动了口腔影像分析领域向精细化、智能化方向发展。