"Aariz"数据集：推动AI驱动的头影测量标志点自动检测与颈椎成熟度分期的基准研究

研究人员针对头影测量标志点手动标注耗时且存在观察者差异的问题，开发了包含1000张来自7种成像设备的侧位头影测量片（LCRs）的"Aariz"数据集，标注了29个骨骼、牙齿及软组织标志点，并首次提供颈椎成熟度（CVM）分期标准。该研究发表于《Scientific Data》，为AI定量形态分析建立了迄今最全面的基准资源。

　　

在正畸学和颌面外科领域，准确识别头影测量标志点对诊断解剖结构异常至关重要。然而传统手动标注方式不仅耗时，还因操作者经验差异导致显著观察误差（平均径向误差达1.38±1.55 mm），而现有公开数据集普遍存在设备单一、样本量小、缺乏软组织标记等局限。更棘手的是，评估骨骼成熟度的颈椎分期（Cervical Vertebral Maturation, CVM）至今缺乏标准数据集，制约了AI技术在生长预测中的应用。

针对这些挑战，巴基斯坦国立科学技术大学（NUST）与Riphah国际大学的研究团队在《Scientific Data》发表了突破性研究。他们构建了名为"Aariz"（阿拉伯语"面颊"之意）的基准数据集，包含1000张来自7种X光设备的侧位头影测量片（Lateral Cephalometric Radiographs, LCRs），分辨率覆盖0.089-1.139 mm/像素，患者年龄跨度为12-62岁。每张影像不仅标注了29个临床常用标志点（含6个创新性软组织标记），还首次提供了经专家核验的CVM分期标签，填补了该领域长期存在的空白。

研究采用多阶段标注验证技术：先由两名初级正畸师独立标注，再由两名资深专家复核修正，最终实现标注者间误差仅0.494±1.097 mm。对于争议性CVM分期（占9.4%），引入第三专家仲裁。技术亮点包括：(1)使用LabelBox平台实现标准化标注；(2)通过三轮迭代降低标志点识别误差；(3)建立像素-毫米转换系统支持临床误差评估。

关键研究结果包括：

1. 数据多样性：相比既往数据集（如表1所示），"Aariz"首次整合多设备来源影像，设备间分辨率差异达12.8倍，更贴近临床实际场景。

2. 标注质量：通过分级审核机制，将关键标志点（如Gonion、Porion）的识别误差从初始5mm降至亚毫米级（图2）。

3. CVM分期可靠性：专家复核使CVM分期一致率从36.3%提升至96.6%，构建了首个可追溯的CVM标准（图4）。

研究结论指出，该数据集通过三个维度推动领域发展：

• 技术层面：为开发鲁棒性AI模型提供真实世界测试床，基线CNN模型已达1.789±6.548 mm MRE（临床阈值2mm）；

• 临床层面：包含8个牙科标志点支持咬合平面构建，6个软组织标记助力面部美学分析；

• 科研层面：开放的CVM标签（图7）为生长预测研究建立可比标准。

未来计划纳入正畸矫治器、缺牙病例及多地域数据，进一步提升临床适用性。这项工作不仅解决了头影测量AI化的核心数据瓶颈，其分级标注范式更为医学图像标准化处理提供了范本。