論文の概要: Large AI Models in Dental Healthcare: From General-Purpose Systems to Domain-Specific Foundation Models
- arxiv url: http://arxiv.org/abs/2606.02914v2
- Date: Wed, 03 Jun 2026 03:01:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 17:40:41.614603
- Title: Large AI Models in Dental Healthcare: From General-Purpose Systems to Domain-Specific Foundation Models
- Title（参考訳）: 歯科医療における大規模AIモデル:汎用システムからドメイン特化基礎モデルへ
- Authors: Sema Helali, Lina Abu Nada, Sausan Al Kawas, Alaa Abd-Alrazaq, Faleh Tamimi, Rafat Damseh,
- Abstract要約: 口腔疾患は世界中で約35億人に影響を及ぼすが、歯科医療における大規模AIモデルの臨床的ポテンシャルはいまだによく分かっていない。
言語生成モデル、識別的視覚基盤モデル、歯科固有のモデルである。
汎用モデルと歯科固有のモデルが相補的な役割を果たす。
- 参考スコア（独自算出の注目度）: 0.30650083373343306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Oral diseases affect nearly 3.5 billion people worldwide, yet the comparative clinical potential of large-scale AI models in dentistry remains poorly understood. Three distinct model categories have emerged: language-generative models, discriminative vision foundation models, and dental-specific foundation models, with no unified review examining their relationships and collective limitations. Methods: Following PRISMA-ScR guidelines, we systematically searched four databases (PubMed, Google Scholar, Scopus, arXiv), screened independently by two reviewers. After applying inclusion/exclusion criteria, 97 studies (2020-2026) were included. We propose a two-dimensional classification framework organizing models by architectural paradigm and dental specialization degree. Results: Language-generative models excel at text-based tasks (clinical reasoning, licensing exams, patient communication) but show inconsistent performance on image-dependent diagnostics. Adapted SAM and CLIP variants achieve strong tooth segmentation and lesion detection results. Dental-specific models (DentVFM, DentVLM, OralGPT) demonstrate strongest performance on complex multimodal tasks. Integrated pipelines consistently outperform single-model approaches. A data asymmetry is observed: dental-specific pretraining concentrates almost entirely in the vision domain, reflecting scarce large-scale dental text corpora. Conclusions: General-purpose and dental-specific models play complementary roles; the most effective systems combine both within structured pipelines. Safe autonomous deployment requires resolving three persistent barriers: hallucination in generative models, limited annotated dental datasets, and absent standardized clinical evaluation benchmarks.
- Abstract（参考訳）: 背景: 口腔疾患は世界中で約35億人に影響を及ぼすが、歯科医療における大規模AIモデルの臨床的可能性についてはいまだによく分かっていない。
言語生成モデル、識別的視覚基盤モデル、歯科固有の基礎モデルという3つの異なるモデルカテゴリーが出現し、それらの関係や集団的制限について統一的なレビューは行われていない。
方法: PRISMA-ScRガイドラインに従って,2つのレビュアーが個別にスクリーニングした4つのデータベース(PubMed, Google Scholar, Scopus, arXiv)を体系的に検索した。
内包・排他基準を適用したあと、97の研究(2020-2026)が加えられた。
建築パラダイムと歯科専門化度によるモデル編成のための2次元分類フレームワークを提案する。
結果: 言語生成モデルは, テキストベースタスク(臨床推論, ライセンス試験, 患者とのコミュニケーション)で優れるが, 画像依存診断では不整合性を示す。
適応SAMおよびCLIP変異体は強い歯のセグメンテーションと病変検出結果を得る。
歯科特異的モデル (DentVFM, DentVLM, OralGPT) は, 複雑なマルチモーダルタスクにおいて高い性能を示す。
統合パイプラインは単一モデルアプローチを一貫して上回る。
データ非対称性が観察され、歯科固有の事前訓練はほとんど視覚領域に集中し、大規模な歯科用テキストコーパスが不足している。
結論: 汎用モデルと歯科固有のモデルが相補的な役割を果たす。
安全な自律デプロイメントには、生成モデルの幻覚、注釈付き歯科データセットの制限、標準化された臨床評価ベンチマークの欠如という、3つの永続的な障壁を解決する必要がある。
関連論文リスト
- Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - UniG2U-Bench: Do Unified Models Advance Multimodal Understanding? [50.92401586025528]
統一マルチモーダルモデルは、最近強力な生成能力を示したが、生成が理解を改善したかどうかはまだ不明である。
提案するUniG2U-Benchは,G2U(Generation-to-understanding)評価を7つのシステマと30のサブタスクに分類する総合ベンチマークである。
論文 参考訳（メタデータ） (2026-03-03T18:36:16Z) - MedGPT-oss: Training a General-Purpose Vision-Language Model for Biomedicine [38.06252990946545]
MEDGPT-OSSはオープンウェイトで20Bパラメータの視覚言語モデルであり、臨床AIのオープンな研究を促進するために設計されている。
MEDGPT-OSSは、アーキテクチャの複雑さに頼るのではなく、最適化された3段階のトレーニングカリキュラムを通じて、GPT-oss言語バックボーンと視覚的なフロントエンドをペアリングする。
アウト・オブ・ディストリビューションのマルチモーダル推論や複雑なテキストのみの臨床タスクにおいて、より大きなオープン医療モデルを上回る成果を上げている。
論文 参考訳（メタデータ） (2026-03-01T00:06:43Z) - Uncovering Modality Discrepancy and Generalization Illusion for General-Purpose 3D Medical Segmentation [26.70378621396797]
3D医療基盤モデルは汎用機能を備えた多目的ツールとして想定されている。
このデータセットは、490体のPET/CTと464体のPET/MRIスキャンからなる。
論文 参考訳（メタデータ） (2026-02-07T17:54:10Z) - MedForget: Hierarchy-Aware Multimodal Unlearning Testbed for Medical AI [66.0701326117134]
MedForgetは、階層型を意識したマルチモーダルなアンラーニングテストベッドで、準拠する医療AIシステムを構築する。
既存の手法は,診断性能を低下させることなく,完全かつ階層性に配慮した忘れの解決に苦慮していることを示す。
階層レベルのコンテキストをプロンプトに徐々に追加する再構成攻撃を導入する。
論文 参考訳（メタデータ） (2025-12-10T17:55:06Z) - OralGPT-Omni: A Versatile Dental Multimodal Large Language Model [44.919874082284686]
オラルGPT-オムニ (OralGPT-Omni) は, 各種歯科画像モダリティおよび臨床タスクを包括的に分析するための最初の歯科用特殊化MLLMである。
歯科医師の診断的推論を的確に把握するために,臨床に基礎をおくチェーン・オブ・ソート・データセットであるTRACE-CoTを構築した。
MMOral-Uniは歯科画像解析のための最初の統一型マルチモーダルベンチマークである。
論文 参考訳（メタデータ） (2025-11-27T03:21:20Z) - Towards Generalist Intelligence in Dentistry: Vision Foundation Models for Oral and Maxillofacial Radiology [22.124686092997717]
DentVFMは歯科医療用に設計された視覚基礎モデル(VFM)の最初のファミリーである。
幅広い歯科応用のためのタスク非依存の視覚表現を生成する。
それは印象的な一般知性を示し、多様な歯科作業に対する堅牢な一般化を実証している。
論文 参考訳（メタデータ） (2025-10-16T10:24:23Z) - Evaluating Vision Language Models (VLMs) for Radiology: A Comprehensive Analysis [4.803310914375717]
本研究では,3つの視覚言語基盤モデル(RAD-DINO,CheXagent,BiomedCLIP)を,放射線学タスクの微細な画像特徴を捉える能力について評価した。
胸部X線写真上, 気胸, 心肥大に対する分類, セグメンテーション, 回帰作業で評価した。
論文 参考訳（メタデータ） (2025-04-22T17:20:34Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - ICDBigBird: A Contextual Embedding Model for ICD Code Classification [71.58299917476195]
文脈単語埋め込みモデルは、複数のNLPタスクにおいて最先端の結果を得た。
ICDBigBirdは、Graph Convolutional Network(GCN)を統合するBigBirdベースのモデルである。
ICD分類作業におけるBigBirdモデルの有効性を実世界の臨床データセットで実証した。
論文 参考訳（メタデータ） (2022-04-21T20:59:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。