EED-Astig：一个用于预测儿童散光严重程度的多模态数据集

《Scientific Data》：EED-Astig: A Multimodal Dataset for Pediatric Astigmatism Severity Prediction

　　

摘要

散光是学龄前儿童中常见的屈光不正，也是可预防的早期视力障碍的主要原因之一。传统的筛查方法由于成本高昂、需要专用设备以及儿童需要积极配合等因素，往往不适合用于幼儿。为了解决这些问题，我们推出了EED-Astig，这是一个用于基于人工智能预测散光严重程度的多模态儿科数据集。该数据集包含了640名3至6岁儿童的周边眼部图像，这些图像是在标准化条件下使用智能手机拍摄的，并附有专家验证的角膜形态和解剖标志注释。通过这些数据，我们提取了六个与临床相关的结构参数，包括角膜暴露比率和睫毛方向，这些参数与散光存在生理学关联。此外，行为和人口统计元数据（如屏幕使用时间、出生史等）也为监督学习提供了补充的预测因素。基于Segment Anything Model（SAM）的半自动化注释流程确保了标注的一致性和质量。技术验证表明，在关键点检测和图像分割方面，该数据集具有出色的性能，有助于开发出可解释且可扩展的儿童眼科健康人工智能工具，尤其是在资源匮乏的环境中。