多模式大语言模型在解释儿科全景射线图的挑战和局限性
Yuichi Mine1,2, Yuko Iwamoto3, Shota Okazaki1,2
1Project Research Center for Integrating Digital Dentistry, Hiroshima University, Hiroshima, Japan.
International journal of paediatric dentistry
|September 17, 2025
概括
多模式大语言模型 (LLM) 在分析儿科全景放射图的可靠性有限. 目前的模型在精确的牙检测和计数方面扎,需要在临床使用中进行重大改进.
科学领域:
- 人工智能在牙科中的应用
- 医学图像分析 医学图像分析
- 大型语言模型
背景情况:
- 多模式大语言模型 (LLM) 为医学图像分析提供了潜力.
- 对于儿科全景射线图来说,LLM的可靠性尚未得到充分证实.
研究的目的:
- 评估两种多式LLM (OpenAI o1,Claude 3.5 Sonnet) 的牙检测和对儿科全景放射图进行计算.
- 对专家注释进行LLM绩效评估.
主要方法:
- 来自开源数据集的87张儿科全景放射图的分析.
- 两位儿科牙医对牙的存在/缺失进行注释.
- 每张图像的五倍处理由LLMs与相同的提示.
- 计算性能指标和弗莱斯卡帕的计算.
主要成果:
- 两种LLM都表现不一致,错误识别了微妙的发育阶段和轻微的牙损失.
- 克劳德 3.5 索内特表现出高灵敏度但低特异性 (29.8% ± 21.5%),导致错误阳性.
- OpenAI o1显示出更好的特异性,但在某些混合牙的情况下仍然失败.
- 在重复的LLM运行中观察到显著的变化.
结论:
- 目前的多模式LLM不符合儿科牙科放射学临床上可接受的标准.
- 对于儿科牙科至关重要的微妙差异的可靠识别仍然是一个挑战.
- 需要进一步开发LLM以提高临床应用的准确性和一致性.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
1.0K
10:11Portable Intermodal Preferential Looking IPL: Investigating Language Comprehension in Typically Developing Toddlers and Young Children with Autism
Published on: December 14, 2012
19.0K
