多模态人工智能在牙科诊断中的应用:推理深度和领域专用医学模型对诊断性能的影响

《Odontology》:Multimodal artificial intelligence in dental diagnosis: influence of reasoning depth and domain-specific medical model on diagnostic performance

【字体: 大 中 小 】 时间:2026年10月15日 来源:Odontology 2.6

编辑推荐:

   大型语言模型正越来越多地被探索用于临床决策支持,但可配置的推理努力程度与多模态诊断性能之间的关系仍不明确。本研究评估了GPT-5中通过API配置的推理努力程度与多模态口腔及牙科诊断性能之间的关联,并将其输出与紧凑型开放权重医疗领域模型MedGemma-1.5-4b-it的输出

  大型语言模型正越来越多地被探索用于临床决策支持,但可配置的推理努力程度与多模态诊断性能之间的关系仍不明确。本研究评估了GPT-5中通过API配置的推理努力程度与多模态口腔及牙科诊断性能之间的关联,并将其输出与紧凑型开放权重医疗领域模型MedGemma-1.5-4b-it的输出进行比较。八份匿名多模态病例报告涵盖了牙外伤、牙源性囊肿、牙源性肿瘤、种植体相关感染、口腔黏膜疾病、遗传性黏膜疾病以及修复性管理,并被重新格式化为结构化评估场景。为减少答案泄漏,最终诊断标签、确定性治疗计划、作者解读、可能揭示答案的说明以及术后结果均被排除。共评估五种配置:GPT-5在四种API配置推理努力设置(高、中、低和最小)下的表现,以及作为紧凑型医疗领域对比者的MedGemma-1.5-4b-it。输出结果通过六领域0–5评分标准进行评估,涵盖诊断准确性、诊断完整性、推理质量、治疗规划、安全性与风险意识以及范围遵循度。诊断分数在最终分析前均与精确的存档输出和来源参考诊断进行了核对,并针对临床危险建议应用了领域层面的安全覆盖机制。重复测量差异在病例层面进行分析,并辅以对主要诊断一致性、参考诊断包含性、临床路径适当性和安全性的探索性分析。原始独立盲评的评分者间信度极佳(组内相关系数 = 0.92;95%置信区间,0.87–0.95)。各配置的总评分存在差异(Friedman χ2(4) = 27.24,p = 0.000018;Kendall's W = 0.85)。GPT-5高配置的均分为28.0 ± 2.5,中配置为27.8 ± 1.6,低配置为22.8 ± 4.0,最小配置为18.9 ± 2.8,MedGemma-1.5-4b-it为17.1 ± 3.3。与已发表参考诊断的主要诊断一致性在GPT-5高配置中为6/8例,中配置为6/8例,低配置为5/8例,最小配置为4/8例,MedGemma为1/8例;参考诊断作为主要诊断或包含在鉴别诊断中出现在8/8、8/8、8/8、7/8和3/8例中,分别为各对应配置。GPT-5低配置中出现一例安全关键性错误;其他配置未出现此类错误。GPT-5高配置和中配置具有最高的观察均分,但在Holm校正后无任何配对Wilcoxon比较保持显著性。主要诊断一致性、参考诊断包含性、临床路径适当性和安全性为开放式临床性能提供了互补视角。MedGemma在主要诊断一致性和参考诊断包含性方面表现较低,同时MedGemma的所有响应均未达到最终的来源验证安全关键性标准。跨模型家族的比较仍是对不同部署范式的实用主义比较,而非对训练领域专门化的受控测试。在本数据集中,更高的GPT-5推理努力设置与更高的观察多模态性能相关,尤其在诊断复杂的病例中更为明显。因此,推理努力配置可能成为未来牙科决策支持系统的重要设计考量,但该关联为描述性结果,需在更大规模的前瞻性研究中予以确认。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号