Video Experimental Relacionado
Updated: Feb 20, 2026
Digital Hybrid Model Preparation for Virtual Planning of Reconstructive Dentoalveolar Surgical Procedures
Published on: August 5, 2021
Evaluación de modelos grandes de lenguaje multimodales para la localización de fijaciones de implantes dentales en
Yuichi Mine1, Tsuyoshi Taji2, Saori Takeda1
1Project Research Center for Integrating Digital Dentistry, Hiroshima University, 1-2-3 Kasumi Minami-ku, Hiroshima, 734-8553, Japan; Department of Medical Systems Engineering, Graduate School of Biomedical and Health Sciences, Hiroshima University, 1-2-3 Kasumi Minami-ku, Hiroshima, 734-8553, Japan.
Los modelos grandes de lenguaje (LLM) centrados en el razonamiento muestran potencial para la localización de fijaciones de implantes dentales en radiografías, pero las limitaciones en precisión y consistencia impiden su uso clínico autónomo.
Área de la Ciencia:
- Inteligencia Artificial en Radiología
- Análisis de Imágenes Médicas
- Implantología Dental
Sus antecedentes:
- Los modelos grandes de lenguaje (LLM) se exploran cada vez más para el análisis de imágenes médicas.
- La localización precisa de fijaciones de implantes dentales en radiografías panorámicas es crucial para la planificación y el seguimiento del tratamiento.
- Las herramientas de IA actuales para radiografía dental a menudo carecen de generalización y robustez.
Objetivo del estudio:
- Evaluar la capacidad de los LLM multimodales de propósito general para detectar fijaciones de implantes dentales en radiografías panorámicas.
- Cuantificar la tasa de falsos positivos generados por estos modelos en imágenes sin fijaciones de implantes.
- Comparar el rendimiento de diferentes LLM multimodales en esta tarea clínica específica.
Principales métodos:
- Se utilizó un conjunto de datos de código abierto de 82 radiografías panorámicas con y 82 sin fijaciones de implantes.
- Se probaron tres LLM multimodales (GPT-4o, OpenAI o3, GPT-5T) utilizando una indicación de anclaje visual consistente en cinco ejecuciones por imagen.
- Se evaluó el rendimiento utilizando métricas como micro-sensibilidad, tasa de detección completa (CDR), falsos positivos por imagen (FPPI) y especificidad (tasa sin caja).
Principales resultados:
- Los LLM centrados en el razonamiento (OpenAI o3, GPT-5T) demostraron una mayor micro-sensibilidad (aproximadamente 67%) y CDR (aproximadamente 58%) en comparación con GPT-4o (aproximadamente 17% y 2.2%).
- GPT-5T y OpenAI o3 mostraron tasas de falsos positivos más bajas (FPPI- ≈ 1.0) en imágenes sin implantes en comparación con GPT-4o (FPPI- ≈ 1.9).
- Las restauraciones radiopacas disminuyeron significativamente la especificidad del modelo, y solo un pequeño porcentaje de las fijaciones detectadas se identificaron de manera consistente en todas las ejecuciones.
Conclusiones:
- Los LLM multimodales muestran potencial para la localización de fijaciones de implantes dentales de disparo cero, con modelos centrados en el razonamiento superando a GPT-4o.
- La sensibilidad moderada, los errores relacionados con las restauraciones y la variabilidad entre ejecuciones limitan actualmente su aplicación autónoma en flujos de trabajo clínicos.
- Este estudio establece un punto de referencia para la evaluación de LLM en tareas radiográficas relacionadas con implantes, destacando áreas para el desarrollo futuro.
