Evaluación dental

Junto con expertos dentales de todo el mundo, comprobamos cómo razonan los grandes modelos en la práctica dental real y qué riesgos de seguridad presentan.

Aceptado en npj Digital Medicine

8978 preguntas validadas por expertos de 88 países y regiones y 14 especialidades dentales, que evalúan el razonamiento clínico y los riesgos de seguridad de los grandes modelos en odontología.

88países y regiones (origen de las preguntas)
14especialidades dentales
8,978preguntas validadas por expertos
12modelos punteros evaluados
297horas-persona de revisión por dentistas sénior

Global Partners

Nuestra red de colaboración abarca 10 países y regiones

16 universidades, hospitales e institutos de investigación, junto con expertos dentales de Hong Kong, China continental y el extranjero, participan en el desarrollo, la evaluación y la validación clínica de la IA dental de FreedomAI.

Mapa de los países y regiones colaboradores de FreedomAI

Mapa base: mapa mundial (1:57 000 000, edición de contorno) del Servicio de Mapas Estándar del Ministerio de Recursos Naturales de China N.º de aprobación del mapa: GS(2020)4392

  • ChinaUniversidad China de Hong Kong (Shenzhen), Peking University, National Biomedical Imaging Center, Peking University, Peking-Tsinghua Center for Life Sciences, Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University
  • Hong Kong (China)Facultad de Odontología, Universidad de Hong Kong, The Prince Philip Dental Hospital
  • Estados UnidosClínica Mayo
  • AlemaniaLMU University Hospital Munich
  • SuizaPaís colaborador
  • IndiaPaís colaborador
  • MalasiaSEGi University & Colleges
  • AustraliaPaís colaborador
  • NigeriaNational Hospital Abuja, College of Medicine, University of Lagos, Bayero University, Usmanu Danfodiyo University, Sokoto, University of Maiduguri
  • EtiopíaMadda Walabu University

Por qué hace falta una evaluación dental global

Los grandes modelos de lenguaje ya se acercan a los expertos humanos en los exámenes de habilitación médica, pero la práctica clínica real exige razonar en varios pasos con información incompleta y ambigua. La odontología es especialmente exigente: combina análisis espacial, habilidades técnicas y planificación a largo plazo, adaptadas a cada paciente. Las evaluaciones actuales de LLM dentales se limitan sobre todo a los exámenes de un país o a subespecialidades concretas, se basan en preguntas de opción múltiple y miden más la memoria que el razonamiento basado en casos.

GlobalDentBench nació para cubrir esta carencia. Según el artículo, es la primera evaluación dental multinacional: 8978 preguntas validadas por expertos de 88 países y regiones de seis continentes, que abarcan 14 especialidades dentales, 3 tipos de pregunta y 3 niveles progresivos de razonamiento. Las preguntas proceden de exámenes oficiales, libros de texto de referencia e informes de casos revisados por pares; se construye con un flujo automatizado de agentes y la calibran de principio a fin 6 dentistas sénior.

El equipo evaluó 12 grandes modelos punteros (6 cerrados y 6 abiertos). Cuanto más se parecen las preguntas a casos reales y más dependen del paciente concreto, peores son las puntuaciones; en las preguntas de casos reales, casi un tercio de las respuestas incluía contenido que podría dañar al paciente. El artículo concluye que los grandes modelos actuales sirven para apoyar la búsqueda y la síntesis de conocimiento bajo supervisión experta, pero aún no pueden tomar decisiones clínicas dentales por sí solos.

El estudio lo realizaron 25 autores de instituciones como la Facultad de Odontología de la Universidad de Hong Kong, la Universidad China de Hong Kong (Shenzhen), el Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del Sur, la Universidad de Pekín, la Clínica Mayo (EE. UU.) y el Hospital Universitario LMU de Múnich (Alemania), con participación del equipo de FreedomAI: el COO Junjie Zhao y el CTO Zhenyang Cai son coprimeros autores, el científico jefe de IA Benyou Wang y el científico médico jefe Junwen Wang son autores de correspondencia, y el CEO Jianquan Li participó en la inferencia de modelos y la recogida de resultados. El código de construcción y evaluación es abierto en GitHub y el subconjunto abierto GlobalDentBench-OA está disponible en Hugging Face.

88países y regiones
en seis continentes

Origen de las preguntas

El artículo contabiliza el origen de las preguntas según el estándar M49 de la ONU. A continuación figuran los 73 países y regiones etiquetados en el conjunto de datos abierto GlobalDentBench-OA; los marcados enverdeaportaron los exámenes oficiales de habilitación dental usados en las preguntas de opción múltiple.

Asia28

  • China continental
  • Hong Kong (China)
  • Taiwán (China)
  • India
  • Japón
  • Corea del Sur
  • Arabia Saudí
  • Irán
  • Emiratos Árabes Unidos
  • Tailandia
  • Indonesia
  • Malasia
  • Turquía
  • Nepal
  • Vietnam
  • Camboya
  • Irak
  • Israel
  • Jordania
  • Filipinas
  • Catar
  • Siria
  • Georgia
  • Líbano
  • Pakistán
  • Singapur
  • Sri Lanka
  • Territorios Palestinos

Europa24

  • Reino Unido
  • Italia
  • España
  • Alemania
  • Suiza
  • Países Bajos
  • Francia
  • Portugal
  • Croacia
  • Hungría
  • Bulgaria
  • Grecia
  • Rusia
  • Austria
  • Bélgica
  • Irlanda
  • Suecia
  • Albania
  • Chequia
  • Dinamarca
  • Noruega
  • Rumanía
  • Eslovenia
  • Ucrania

África7

  • Túnez
  • Egipto
  • Sudáfrica
  • Libia
  • Marruecos
  • Nigeria
  • Uganda

América del Norte6

  • Canadá
  • Estados Unidos
  • México
  • Costa Rica
  • Guatemala
  • Puerto Rico

América del Sur6

  • Brasil
  • Colombia
  • Ecuador
  • Chile
  • Perú
  • Venezuela

Oceanía2

  • Australia
  • Nueva Zelanda

Diseño de la evaluación: 3 niveles de razonamiento × 3 tipos de pregunta × 14 especialidades

L1

Recuerdo de conocimientos

Recordar conocimientos dentales establecidos, sin razonamiento sustancial sobre el caso.

Media de 12 modelos: 74.01%

L2

Razonamiento habitual

Razonar sobre todo a partir de los hallazgos clínicos principales, siguiendo una vía diagnóstica o terapéutica típica.

Media de 12 modelos: 55.64%

L3

Razonamiento individualizado

El juicio final exige tener en cuenta la información individual del paciente, sus limitaciones o factores clínicos no estándar.

Media de 12 modelos: 35.71%

Opción múltiple MCQ

3,679 preguntas

Puntuación: Coincidencia de respuesta

Procedentes de exámenes oficiales de habilitación dental de Australia, Nueva Zelanda, Canadá, India, Reino Unido y Estados Unidos, miden conocimiento estandarizado.

Media de 12 modelos: 81.34%

Respuesta corta SAQ

3,709 preguntas

Puntuación: Corrección por un modelo evaluador (calibrado por dentistas)

Procedentes de libros de texto odontológicos de referencia (como Diagnosis and Treatment Planning in Dentistry); los modelos responden en lenguaje natural.

Media de 12 modelos: 64.53%

Casos clínicos CBQ

1,590 preguntas

Puntuación: 5 puntos clave puntuados uno a uno, más evaluación del riesgo para la seguridad

Generadas a partir de informes de casos revisados por pares en revistas dentales de alto impacto de 2020–2025, evalúan el razonamiento clínico en escenarios reales.

Media de 12 modelos: 22.34%

Abarca 14 especialidades dentales

Anestesia y urgencias médicasCiencias básicas y odontología preventivaCaries, defectos dentales y traumatismosProstodoncia convencionalCirugía dentoalveolarEnfermedades y cirugía maxilofacialRadiología oral y maxilofacialImplantología dentalEnfermedades de la mucosa oralOrtodonciaOdontopediatríaEndodoncia y enfermedades periapicalesEnfermedades periodontales y periimplantariasSalud sistémica, farmacología y seguridad

Construido por agentes, calibrado por dentistas

  1. 1
    Recopilación de fuentes de referencia

    Bajo la dirección de dentistas sénior, se recopilan fuentes de exámenes oficiales de habilitación, libros de texto odontológicos de referencia e informes de casos revisados por pares de 2020–2025, y se etiquetan los países y regiones de origen según el estándar M49 de la ONU.

  2. 2
    Normalización de documentos

    El Reformat Agent usa OCR (DeepSeek-OCR2), BeautifulSoup, Pandoc y otras herramientas para convertir PDF, imágenes, documentos de Office, XML y páginas web a Markdown, y añade metadatos como título, fuente y autores.

  3. 3
    Construcción de preguntas por tipo

    El Extract Agent divide y luego extrae: las preguntas de opción múltiple se convierten en enunciado, opciones y respuesta; se extraen pares de pregunta y respuesta corta; para los casos clínicos se genera la pregunta y 5 puntos clave de puntuación. Cada pregunta pasa como máximo por 3 rondas de autocorrección y se descarta si sigue sin ser válida.

  4. 4
    Etiquetado unificado y revisión final

    El Tag Agent etiqueta la especialidad y el nivel de razonamiento de cada pregunta: si dos rondas de predicción coinciden, se acepta; si no, una tercera ronda decide por mayoría. Solo entran en la evaluación tras la autocorrección y la revisión de dentistas sénior.

  5. 5
    Evaluación por tipo de pregunta

    En opción múltiple se compara la respuesta directamente; las respuestas cortas las juzga un modelo evaluador; en los casos clínicos se puntúan 5 puntos clave (20 puntos cada uno) y cada respuesta se clasifica por seguridad: S0 segura, S1 posible daño reversible, S2 posible daño irreversible.

  6. 6
    Calibración por dentistas de principio a fin

    Seis dentistas sénior colegiados (6,8 años de experiencia clínica de media) revisaron las fuentes, perfeccionaron el proceso y calibraron la puntuación del 5 de febrero al 25 de marzo de 2026, con un total de 297 horas-persona.

Figura 5: proceso de construcción y métodos de evaluación. A. Normalización de documentos; B. construcción de preguntas por tipo; C. etiquetado unificado y revisión final; D. evaluación por tipo. (Fuente: figura 6 del artículo)
Figura 5: proceso de construcción y métodos de evaluación. A. Normalización de documentos; B. construcción de preguntas por tipo; C. etiquetado unificado y revisión final; D. evaluación por tipo. (Fuente: figura 6 del artículo)

Hallazgos principales

01

Cuanto más se parece a un caso real, peor puntuación

Puntuación media de 12 modelos: 81,34 % en opción múltiple, 64,53 % en respuesta corta y solo 22,34 % en casos clínicos.

02

El razonamiento individualizado es un punto débil común

La puntuación media cae del 74,01 % en L1 al 55,64 % en L2 y al 35,71 % en L3; todos los modelos quedan por debajo del 50 % en L3.

03

Más caro no significa mejor

Gemini-3.1-Pro-Preview obtiene la mejor puntuación global (63,27 %) y GLM-5 lidera entre los modelos abiertos (56,43 %). Las diferencias de coste de inferencia superan con creces a las de puntuación: un coste mayor no garantiza un mejor rendimiento.

04

Diferencias claras entre especialidades

Las enfermedades de la mucosa oral tienen la mejor puntuación media (63,66 %), mientras que ortodoncia (50,59 %), odontopediatría (51,08 %) y prostodoncia convencional (51,92 %) son las más bajas: 13,07 puntos de diferencia entre la mayor y la menor.

05

Casi una de cada tres respuestas conlleva un riesgo para la seguridad

De 19 080 respuestas a 1590 casos clínicos, el 31,01 % se consideró insegura, incluido un 4,51 % que podría causar daños irreversibles; ortodoncia tuvo la mayor proporción de respuestas inseguras, un 44,30 %.

06

Los riesgos graves se concentran en especialidades sensibles

Las respuestas que podrían causar daños irreversibles se concentran sobre todo en «salud sistémica, farmacología y seguridad» (14,15 % de media entre modelos), seguidas de anestesia y urgencias médicas (8,93 %) y odontopediatría (6,33 %).

07

La corrección automática coincide en gran medida con el criterio de los dentistas

Los dentistas validaron el 98,15 % de los resultados del modelo evaluador Gemini-3-Flash-Preview (concordancia entre dos dentistas: 96,67 %). Las preguntas de opción múltiple y respuesta corta se revisaron íntegramente por expertos, con un 99,98 % de exactitud; una muestra de 523 casos clínicos mostró un 96,78 %.

Puntuación global y coste de inferencia de modelos representativos (6 de los 12 evaluados)

ModeloTipoPuntuación global (macropromedio)Coste por 1000 llamadas (USD)Notas
Gemini-3.1-Pro-PreviewCerrado63.27%18.45Mejor puntuación global
Gemini-3-Flash-PreviewCerrado61.59%3.72Mejor relación calidad-precio entre los modelos cerrados; modelo evaluador de este estudio
Claude-Sonnet-4.6Cerrado59.71%19.59Cerca de los primeros, con un coste mayor
Grok-4Cerrado57.77%38.14Mayor coste de inferencia
GLM-5Abierto56.43%5.48Mejor puntuación global entre los modelos abiertos
Kimi-K2.5Abierto55.49%1.37Excelente relación calidad-precio entre los modelos abiertos

Fuente: Texto de la sección 2.3 del artículo (figuras 2C y 2E). El artículo no incluye tabla de datos; las puntuaciones de los otros 6 modelos solo aparecen en gráficos.

Figura 2: resultados de 12 modelos punteros. A. Puntuación media y máxima por tipo de pregunta; B. media y máxima por nivel de razonamiento; C. clasificación por macropromedio; D. puntuación de cada modelo en L1–L3; E. coste por 1000 llamadas frente al macropromedio. (Fuente: figura 2 del artículo)
Figura 2: resultados de 12 modelos punteros. A. Puntuación media y máxima por tipo de pregunta; B. media y máxima por nivel de razonamiento; C. clasificación por macropromedio; D. puntuación de cada modelo en L1–L3; E. coste por 1000 llamadas frente al macropromedio. (Fuente: figura 2 del artículo)
Figura 3: macropromedio (%) de 12 modelos en 14 especialidades dentales. (Fuente: figura 3 del artículo)
Figura 3: macropromedio (%) de 12 modelos en 14 especialidades dentales. (Fuente: figura 3 del artículo)
Figura 4: análisis del riesgo para la seguridad en las respuestas a casos clínicos. A. Distribución global (S0 segura, S1 posible daño reversible, S2 posible daño irreversible); B, C. proporción de S1 y S2 por modelo; D, E. mapas de calor de S1 y S2 por especialidad. (Fuente: figura 4 del artículo)
Figura 4: análisis del riesgo para la seguridad en las respuestas a casos clínicos. A. Distribución global (S0 segura, S1 posible daño reversible, S2 posible daño irreversible); B, C. proporción de S1 y S2 por modelo; D, E. mapas de calor de S1 y S2 por especialidad. (Fuente: figura 4 del artículo)

25 autores

Dentistas e investigadores médicos y de IA de Hong Kong, China continental, Estados Unidos y Alemania, incluidos miembros del equipo de FreedomAI.

Junjie Zhao
Junjie Zhao Facultad de Odontología, Universidad de Hong Kong; Instituto de Innovación Colaborativa de PekínCoprimer autorCOO de FreedomAI
JL
Jingyi Liang Facultad de Ciencia de Datos, Universidad China de Hong Kong (Shenzhen)Coprimer autor
Zhenyang Cai
Zhenyang Cai Facultad de Inteligencia Artificial, Universidad China de Hong Kong (Shenzhen)Coprimer autorCTO de FreedomAI
Jiaming Zhang
Jiaming Zhang Servicio de Periodoncia, Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del Sur
ZW
Zhenwei Wen Facultad de Odontología, Universidad de Hong Kong
SD
Shuzhi Deng Servicio de Periodoncia, Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del Sur
WY
Wenjing Yi Servicio de Ortodoncia, Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del Sur
CL
Chunfeng Luo Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University
HZ
Hexian Zhang Facultad de Odontología, Universidad de Hong Kong
JC
Junying Chen Facultad de Ciencia de Datos, Universidad China de Hong Kong (Shenzhen)
TL
Tianrui Liu Facultad de Ciencia de Datos, Universidad China de Hong Kong (Shenzhen)
ZB
Zhuhui Bai Servicio de Periodoncia, Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del Sur
ZZ
Zixu Zhang Facultad de Ciencia de Datos, Universidad China de Hong Kong (Shenzhen)
PS
Pradeep Singh Facultad de Odontología, Universidad de Hong Kong
XL
Xiang Liu Facultad de Tecnología del Futuro, Universidad de Pekín
Jianquan Li
Jianquan Li FreedomAICEO de FreedomAI
NL
Nhan L Tran Mayo Clinic
Falk Schwendicke
Falk Schwendicke LMU University Hospital Munich
Zuolin Jin
Zuolin Jin Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University
Lijian Jin
Lijian Jin Facultad de Odontología, Universidad de Hong Kong
LC
Liangyi Chen Instituto de Innovación Colaborativa de Pekín; Universidad de PekínAutor de correspondencia
WF
Wei-fa Yang Facultad de Odontología, Universidad de Hong KongAutor de correspondencia
Benyou Wang
Benyou Wang Facultad de Ciencia de Datos, Universidad China de Hong Kong (Shenzhen); Shenzhen Loop Area InstituteAutor de correspondenciaCientífico jefe de IA de FreedomAI
Junwen Wang
Junwen Wang Facultad de Odontología, Universidad de Hong Kong; Instituto de Innovación Colaborativa de PekínAutor de correspondenciaCientífico médico jefe de FreedomAI
SJ
Shan Jiang Servicio de Periodoncia, Hospital Estomatológico de Shenzhen (Pingshan) de la Universidad Médica del SurAutor de correspondencia

Afiliaciones

Facultad de Odontología, Universidad de Hong Kong · Hong Kong (China)Universidad China de Hong Kong (Shenzhen) · ChinaShenzhen Stomatology Hospital (Pingshan) of Southern Medical University · ChinaPeking University · ChinaPeking-Tsinghua Center for Life Sciences · ChinaNational Biomedical Imaging Center · ChinaNew Cornerstone Science Laboratory · ChinaBeijing Institute of Collaborative Innovation · ChinaShenzhen Loop Area Institute · ChinaClínica Mayo · Estados UnidosLMU University Hospital Munich · AlemaniaShenzhen FreedomAI Technology Co., Ltd. · China

Red de expertos de FreedomAI

Bajo la dirección de reconocidos expertos dentales, especialistas e instituciones de China y del extranjero participan en la anotación, la evaluación profesional y la validación clínica de la IA dental de FreedomAI. Esta es la red de colaboración de la empresa, no la lista de autores del artículo; los profesores Lijian Jin, Falk Schwendicke y Zuolin Jin son autores de GlobalDentBench.

Lijian Jin

Lijian Jin

Facultad de Odontología, Universidad de Hong Kong Autor del artículo

  • Miembro del Consejo de la FDI World Dental Federation
  • Miembro del Consejo de la International Association for Dental Research (IADR)
  • Presidente de la región Asia-Pacífico de la IADR
  • Presidente de la Asian Pacific Society of Periodontology
  • Miembro honorario del Consejo de la Asociación Estomatológica China
  • Vicepresidente de la Alianza de Salud Bucodental de la Gran Área de la Bahía Guangdong–Hong Kong–Macao
Falk Schwendicke

Falk Schwendicke

LMU University Hospital Munich Autor del artículo

  • Responsable del grupo temático dental de la Organización Mundial de la Salud (OMS) sobre IA para la salud
  • Coordinador del grupo de trabajo de la Organización Internacional de Normalización (ISO) sobre IA en odontología
  • Galardonado con el Distinguished Scientist Award de la IADR
Zuolin Jin

Zuolin Jin

Shenzhen Stomatology Hospital (Pingshan) of Southern Medical University Autor del artículo

  • Presidente del Comité de Ortodoncia de la Asociación Estomatológica China (COS)
  • Miembro del Consejo de la Asociación Estomatológica China
  • Miembro del Comité Ejecutivo de la Asian Pacific Orthodontic Society (APOS)
  • Editor asociado de la Revista China de Ortodoncia
  • Miembro de la World Federation of Orthodontists
Ming Zhong

Ming Zhong

Facultad de Estomatología, Universidad Médica de China

  • Experto jefe de la Facultad de Estomatología de la Universidad Médica de China
  • Beneficiario de la asignación especial del Consejo de Estado
  • Fellow del International College of Dentists
  • Presidente del Comité de Patología Oral de la Asociación Estomatológica China
  • Editor jefe del manual nacional de formación especializada Patología oral (1.ª y 2.ª ediciones)

Especialistas colaboradores

Bing LiuBing Liu
Daheng LiDaheng Li
Dongfei WangDongfei Wang
Fangjie ZhouFangjie Zhou
Fen LiuFen Liu
FCForest Cheng
Fujia KangFujia Kang
Hao ChunxiuHao Chunxiu
Jiamin ZhaoJiamin Zhao
Jiaming ZhangJiaming Zhang
Jinwen LiuJinwen Liu
Jinyan ChenJinyan Chen
Junting WangJunting Wang
Kuan YangKuan Yang
Lei ShiLei Shi
Lin ZhaoLin Zhao
MAO YilinMAO Yilin
Menghong LiMenghong Li
Mengmeng SongMengmeng Song
Min HuangMin Huang
Minghui WeiMinghui Wei
Mingxin ZhangMingxin Zhang
Patricia HoPatricia Ho
Peijuan WangPeijuan Wang
Peng ChenPeng Chen
Rui LuRui Lu
Shiduo SunShiduo Sun
Shirong HeShirong He
Shixin ZhangShixin Zhang
Shuwei HuangShuwei Huang
Siqi QiuSiqi Qiu
Tai Pak Chuen PatrickTai Pak Chuen Patrick
Wu SongyingWu Songying
XU LeyaoXU Leyao
Xiangjie JinXiangjie Jin
Xue QiaoXue Qiao
Yang JiangYang Jiang
Yaqiu ZhangYaqiu Zhang
Yefeng WuYefeng Wu
Yidan GuoYidan Guo
Yifan ZhengYifan Zheng
Ying WangYing Wang
Yujia WuYujia Wu
Zhenlai ZhuZhenlai Zhu
Zhiqiang DengZhiqiang Deng
Zhuoying LiZhuoying Li

Instituciones colaboradoras

Universidad China de Hong Kong (Shenzhen)Universidad China de Hong Kong (Shenzhen)China
Facultad de Odontología, Universidad de Hong KongFacultad de Odontología, Universidad de Hong KongHong Kong (China)
Peking UniversityPeking UniversityChina
National Biomedical Imaging Center, Peking UniversityNational Biomedical Imaging Center, Peking UniversityChina
Peking-Tsinghua Center for Life SciencesPeking-Tsinghua Center for Life SciencesChina
The Prince Philip Dental HospitalThe Prince Philip Dental HospitalHong Kong (China)
Mayo ClinicMayo ClinicEstados Unidos
LMU University Hospital MunichLMU University Hospital MunichAlemania
SEGi University & CollegesSEGi University & CollegesMalasia
National Hospital AbujaNational Hospital AbujaNigeria
College of Medicine, University of LagosCollege of Medicine, University of LagosNigeria
Bayero UniversityBayero UniversityNigeria
Usmanu Danfodiyo University, SokotoUsmanu Danfodiyo University, SokotoNigeria
University of MaiduguriUniversity of MaiduguriNigeria
Madda Walabu UniversityMadda Walabu UniversityEtiopía

Países y regiones colaboradores

ChinaHong Kong (China)Estados UnidosIndiaEtiopíaSuizaAustraliaMalasiaNigeria

Cita

@article{zhao2026globaldentbench,
  title={GlobalDentBench: A Multinational Benchmark for Evaluating LLM Clinical Reasoning in Dentistry with Expert Calibration},
  author={Junjie Zhao and Jingyi Liang and Zhenyang Cai and Jiaming Zhang and Zhenwei Wen and Shuzhi Deng and Wenjing Yi and Chunfeng Luo and Hexian Zhang and Junying Chen and Tianrui Liu and Zhuhui Bai and Zixu Zhang and Pradeep Singh and Xiang Liu and Jianquan Li and Nhan L Tran and Falk Schwendicke and Zuolin Jin and Lijian Jin and Liangyi Chen and Wei-fa Yang and Benyou Wang and Junwen Wang and Shan Jiang},
  journal={npj Digital Medicine},
  year={2026},
  note={Accepted},
  url={https://arxiv.org/abs/2605.24636}
}