牙科大型AI模型系統性回顧與分類框架

根據一篇發表於arXiv的研究論文，口腔疾病影響全球近35億人，但大型AI模型在牙科的臨床潛力尚未充分理解。論文系統性回顧了97項研究，提出二維分類框架，將模型按架構範式和牙科專業程度分類。結果顯示，語言生成模型擅長文本任務如臨床推理，但在圖像診斷上表現不一；適應的SAM和CLIP變體在牙齒分割和病變偵測上效果良好；領域特定模型如DentVFM、DentVLM和OralGPT在複雜多模態任務中表現最強。整合管道持續優於單一模型方法。研究還發現數據不對稱現象：牙科特定預訓練主要集中在視覺領域，反映大規模牙科文本語料庫的稀缺。結論指出，通用和領域特定模型扮演互補角色，最有效的系統在結構化管道中結合兩者。安全自主部署需要解決三個持續障礙：生成模型的幻覺、有限的標註牙科數據集，以及缺乏標準化臨床評估基準。