SurgWound

SurgWound数据集是一个开源的手术伤口分析数据集，包含697张手术伤口图像，每张图像由俄亥俄州立大学Wexner医学中心的专家标注了8个细粒度的临床属性。数据集涵盖了多种手术伤口类型，为自动化伤口评估的开发和评估提供了全面的资源。该数据集旨在解决手术部位感染（SSI）这一常见的医疗保健相关感染问题，并通过远程手术伤口监测来提高患者治疗效果和降低医疗成本。

The SurgWound dataset is an open-source surgical wound analysis dataset comprising 697 surgical wound images. Each image was annotated with 8 fine-grained clinical attributes by experts from the Wexner Medical Center of The Ohio State University. Covering a diverse range of surgical wound types, the dataset serves as a comprehensive resource for the development and evaluation of automated wound assessment systems. This dataset aims to address surgical site infection (SSI), a common healthcare-associated infection, and improve patient treatment outcomes while reducing healthcare costs via remote surgical wound monitoring.

原始信息汇总

SurgWound 数据集概述

数据集基本信息

• 名称：SurgWound
• 类型：首个开源的多类型手术伤口分析数据集
• 语言：英语
• 许可协议：CC-BY-SA-4.0
• 数据规模：697 张手术伤口图像
• 任务类别：问答、文本生成
• 领域标签：医疗、外科、伤口

数据集内容

数据构成

• 图像数量：697 张手术伤口图像
• 标注来源：俄亥俄州立大学韦克斯纳医学中心外科专家标注
• 标注质量：高质量标注，涵盖六个伤口特征属性和两个诊断结果属性

标注属性

1. 伤口位置：腹部、膝盖、脚踝、面部区域、手部、颈部区域、其他、不确定
2. 愈合状态：已愈合、未愈合
3. 闭合方法：不可见、缝合、钉合、粘合剂、不确定
4. 渗出液类型：不存在、浆液性、血性、脓性、浆液脓性、不确定
5. 红斑：不存在、存在、不确定
6. 水肿：不存在、存在、不确定
7. 感染风险评估：低、中、高
8. 紧急程度：家庭护理（绿色）、门诊就诊（黄色）、急诊护理（红色）

SurgWound-Bench 基准

任务设计

• 视觉问答任务：基于手术伤口图像的问答任务
• 报告生成任务：基于手术伤口图像的医疗报告生成任务

数据划分

• 划分比例：训练集:验证集:测试集 = 7:1:2
• 测试集规模：173 张手术伤口图像
• 具体数量：
  • 训练集：VQA 3435 条，报告生成 480 条
  • 验证集：VQA 500 条，报告生成 69 条
  • 测试集：VQA 979 条，报告生成 137 条

数据来源与处理

数据收集

• 来源平台：RedNote、Twitter、Facebook、Instagram、Reddit
• 收集方法：使用领域特定标签和关键词提取相关内容
• 补充来源：外科医生和其他医疗专业人士的社交媒体账户

数据处理

• 数据过滤：两阶段过滤过程（AI专家和人类专家审查）
• AI筛选：使用 GPT-4o 自动评估图像质量
• 人工审核：三名外科医生手动审查图像
• 难度分级：基于三个 MLLM 模型的风险级别预测进行难度分类

标注流程

• 低难度案例：由一名外科医生标注
• 高难度案例：由两名外科医生独立标注，如有分歧则由第三名外科医生最终决定

引用信息

bibtex @misc{xu2025surgwoundbenchbenchmarksurgicalwound, title={SurgWound-Bench: A Benchmark for Surgical Wound Diagnosis}, author={Jiahao Xu and Changchang Yin and Odysseas Chatzipanagiotou and Diamantis Tsilimigras and Kevin Clear and Bingsheng Yao and Dakuo Wang and Timothy Pawlik and Ping Zhang}, year={2025}, eprint={2508.15189}, archivePrefix={arXiv}, primaryClass={cs.CV}, url={https://arxiv.org/abs/2508.15189}, }

搜集汇总

数据集介绍

构建方式

SurgWound数据集通过系统性流程构建，首先从RedNote、Twitter等社交媒体平台采集公开的手术伤口图像，并利用领域特定标签和关键词进行筛选。随后采用两阶段过滤机制，结合GPT-4o作为AI专家进行初步质量评估，再由三位外科医生人工审核排除低分辨率或非手术伤口图像。最终标注阶段引入基于多模态大语言模型预测的风险分级机制，将图像分为低难度与高难度两类，分别由单名或多名外科医生独立标注八项临床属性，并通过争议解决机制确保标注一致性。

使用方法

数据集支持视觉问答与报告生成两大任务。视觉问答任务将八项临床属性转化为多选题形式，模型需根据图像回答特定临床问题，评估指标包含准确率及针对类别不平衡设计的加权F1分数。报告生成任务要求模型综合图像与结构化属性生成临床诊断报告，采用BLEU、ROUGE和BERTScore评估生成文本的准确性与临床相关性。研究者可基于训练集开发诊断模型，在验证集进行调参，最终通过测试集对比基准模型WoundQwen的三阶段框架性能。

背景与挑战

背景概述

SurgWound数据集由俄亥俄州立大学与东北大学联合团队于2025年创建，是首个专注于外科伤口诊断的开源多模态基准数据集。该数据集涵盖697张经专业外科医生标注的手术伤口图像，包含伤口位置、愈合状态、渗出液类型等8项精细化临床属性标注，旨在解决手术部位感染（SSI）这一高发且高成本的医疗难题。通过整合社交媒体公开数据与专家验证机制，该数据集为远程手术伤口智能监测提供了关键数据支撑，推动了人工智能在术后护理领域的应用发展。

当前挑战

该数据集主要应对外科伤口感染智能诊断中的多模态融合与临床适应性挑战。具体包括：1) 伤口特征多样性导致的类别不平衡问题，如罕见渗出液类型样本匮乏；2) 医疗数据隐私约束下高质量标注获取困难，需通过三重专家仲裁机制确保标注一致性；3) 多模态大语言模型在医疗报告生成中存在的幻觉现象，需通过两阶段生成流程结合临床审核缓解。构建过程中面临社交媒体数据噪声过滤、跨平台数据异构性整合，以及临床术语标准化等工程技术挑战。

常用场景

经典使用场景

在远程手术伤口监测领域，SurgWound数据集为多模态大语言模型提供了标准化评估基准。该数据集通过视觉问答和报告生成任务，系统验证模型对手术伤口特征的识别能力与临床诊断准确性，尤其在感染风险分级和紧急程度评估方面展现出显著价值。其精心标注的八项临床属性为模型训练提供了结构化监督信号，推动了智能伤口筛查工具的开发与优化。

解决学术问题

SurgWound解决了手术伤口分析领域缺乏公开数据集的核心问题，填补了多类型手术伤口标准化评估的空白。通过提供专家标注的细粒度临床属性，该数据集支持感染风险预测模型的可复现性研究，并克服了传统方法对隐私数据的依赖。其构建的基准测试框架显著提升了多模态模型在医疗视觉理解任务中的性能可比性，为手术并发症的早期诊断提供了可靠研究基础。

实际应用

该数据集支撑的智能诊断系统可实现术后家庭伤口自主监测，通过移动设备图像分析实时评估愈合状态与感染迹象。临床实践中可减少患者往返医院的频率，缓解医疗资源压力，尤其适用于偏远地区或行动不便患者的远程护理。系统生成的结构化报告能为医护人员提供决策支持，实现从伤口图像采集到临床干预建议的端到端数字化管理。

数据集最近研究

最新研究方向

随着人工智能在医疗影像分析领域的深入应用，SurgWound数据集的推出标志着手术伤口智能诊断研究迈入新阶段。该数据集通过整合多模态大语言模型（MLLMs），构建了首个涵盖视觉问答（VQA）和医疗报告生成任务的基准测试框架。当前研究聚焦于三阶段诊断框架WoundQwen的开发，其核心突破在于利用阶段性特征预测优化感染风险评估和临床干预建议的准确性。这一方向不仅响应了远程医疗中对自动化伤口监测的迫切需求，还为解决手术部位感染（SSI）的高发问题提供了可复现的算法基础，推动了个性化伤口护理和及时干预策略的发展。

相关研究论文

• SurgWound-Bench: A Benchmark for Surgical Wound Diagnosis

  俄亥俄州立大学哥伦布分校,美国 · 2025年