耐错误的多模式视觉语言模型用于内牙诊断:一个横截面研究

科学领域:

• 人工智能在牙科中的应用
• 医学成像分析 医学成像分析
• 内牙治疗规划 内牙治疗规划

背景情况:

• 多模式视觉语言人工智能模型正在出现用于医疗图像分析.
• 优化这些模型用于特定的临床任务,如内学分类至关重要.
• 量化意识的培训可以提高模型的效率和性能.

研究的目的:

• 评估量子化意识训练有素的多式联络人工智能模型在诊断内牙治疗需求中的性能.
• 评估模型解释常见成像错误的内牙放射图的能力.
• 确定量子化对诊断准确度和计算需求的影响.

主要方法:

• 使用量子化意识培训对BLIP,CLIP,佛罗伦萨2和Paligemma多式模式进行微调.
• 采用3600张牙科X射线图与图像增强技术.
• 使用诸如BLEU,ROUGE,METEOR和CIDEr等指标进行评估.

主要成果:

• 量化意识优化显著改善了评估指标 (BLEU-4提高了≥17.3%,METEOR提高了≥11.1%,ROUGE-L提高了≥9.8%,CIDEr提高了≥75.5%).
• 量化减少了87.5%的内存消耗,同时保持了在0.5%的误差范围内的诊断准确性.
• 模型正确地复制了超过90%的从业者制造的内牙分拣评估.

结论:

• 经过量化意识训练的多式联络人工智能模型对于内牙病例分类是有效的.
• 这些人工智能模型证明了对常见的放射性不一致性和文物的稳定性.
• 优化的AI方法提供了准确的诊断性能,最小的计算要求.