大型语言模型在根管治疗后牙齿修复治疗规划中的纵向性能比较研究

本研究针对根管治疗后牙齿修复治疗规划这一临床难题，首次系统评估了ChatGPT 4.5、DeepSeek R1、Gemini 2.5 Pro等五大语言模型(LLMs)的决策性能。通过25例临床情景的三周纵向测试发现，Gemini模型在准确性和完整性上显著优于其他模型(P≤0.005)，但所有模型均存在响应不一致性，证实当前LLMs仅适合作为人类决策的辅助工具。

　　

在口腔医学领域，根管治疗后牙齿的修复方案选择一直是临床医生面临的重大挑战。传统治疗规划需要综合考量39项临床因素，从牙体缺损程度到咬合关系，这个过程既耗时又容易产生主观偏差。尤其对于年轻医师而言，在保守治疗与全冠修复等方案间作出最优选择往往令人困扰。随着人工智能技术的爆发式发展，基于自然语言处理(NLP)的大型语言模型(LLMs)为这一困境带来了新思路——这些能理解复杂医学概念的AI助手，能否像资深专家般给出可靠的治疗建议？

研究人员开展了一项开创性研究，首次系统评估了五大主流LLMs在根管治疗修复规划中的表现。研究团队精心设计了25个真实临床场景，通过三周时间的纵向测试，观察ChatGPT 4.5 (Deep Research)、DeepSeek R1 (Deep Think)、Gemini 2.5 Pro等模型在接触标准答案前后的性能演变。结果显示，采用跨模态注意力机制的Gemini模型表现最优，其治疗方案的准确度(1-5分制)达到4.2分，显著高于DeepSeek的3.1分(P≤0.005)。值得注意的是，采用混合推理解码器的Claude 3.7 Sonnet在第三周出现显著进步，证明LLMs具有持续学习潜力。但所有模型都暴露出关键局限——即便是最佳表现的Gemini，其方案完整性(1-3分制)也仅达2.4分，约30%的响应仍存在重要遗漏。

这项发表在《Journal of Dentistry》的研究采用了三项关键技术：1) 基于39项临床指标的标准化病例构建；2) 通过三独立账户的重复测量设计评估模型稳定性；3) 采用Kendall's W系数和广义估计方程(GEE)进行纵向数据分析。研究特别设置了"示范答案"干预环节，以测试LLMs的学习能力。

【结果精要】
• 模型一致性：Gemini展现出最高重复性(Kendall's W=0.712)，而ChatGPT响应最不稳定
• 准确度演变：Claude第三周准确度提升12%(P<0.01)，证明反馈学习有效
• 完整性突破：Gemini和Claude接触示范答案后完整性显著提高(P<0.0167)
• 功能对比：多模态输入的Gemini在复杂病例中优势明显，而纯文本的DeepSeek表现垫底

研究结论明确指出，当前LLMs尚不能替代临床判断——即便性能最佳的Gemini模型，其治疗方案仍存在15%的关键信息缺失。这一发现为AI在口腔医学中的应用划定了清晰边界：它们更适合作为决策辅助工具，而非独立决策者。该研究首次建立了LLMs牙科应用评估框架，其创新的纵向设计揭示了模型学习曲线，为后续研究提供了重要方法论参考。值得注意的是，不同架构模型的性能差异提示：整合多模态输入的跨注意力机制(Gemini)在处理复杂临床问题时，可能比纯文本的混合专家系统(DeepSeek)更具优势。这些发现不仅对牙科AI开发具有指导价值，也为其他医学领域的智能决策系统研究提供了范式转移。