[{"data":1,"prerenderedAt":21},["ShallowReactive",2],{"news-zh-why-dental-llm":3},{"slug":4,"lang":5,"title":6,"summary":7,"date":8,"category":9,"tags":10,"cover":14,"order":15,"author":16,"authorTitle":17,"authorSlug":18,"people":19,"bodyLang":5,"html":20},"why-dental-llm","zh","王本友：为什么我们要专门训练一个牙科大模型","通用大模型越来越强，一到牙科却频频失手。结合 DentalGPT 和 GlobalDentBench 论文里的数据，谈谈我们为什么要专门训练牙科大模型。","2026-11-16","观点",[11,12,13,9],"DentalGPT","GlobalDentBench","牙科大模型","/images/news/why-dental-llm/cover.jpg",0,"王本友","自由动脉首席 AI 科学家","wang-benyou",[16],"\u003Cp>过去三年，我一直在参与医疗大模型的研究：从 HuatuoGPT、HuatuoGPT-II，到能看懂医学影像的 HuatuoGPT-Vision，再到会做复杂医学推理的 HuatuoGPT-o1。这两年转向口腔，被问得最多的一个问题是：通用大模型越来越强，为什么还要专门训练一个牙科大模型？\u003C/p>\n\u003Cp>我的回答是：在牙科，“通用”还不够用。下面我不讲观点，只讲我们自己论文里的数据。\u003C/p>\n\u003Ch2>一、牙科在通用数据里几乎是“盲区”\u003C/h2>\n\u003Cp>大模型的能力来自数据。可牙科在通用数据里占的比例非常小：我们在 DentalGPT 的预印本里统计过，规模很大的医学图文数据集 PubMedVision 中，涉及牙齿的图像只占约 \u003Cstrong>0.3%\u003C/strong>。\u003C/p>\n\u003Cp>牙科影像又恰恰很“细”。一张全景片要呈现整副牙列，充填体、根管治疗、阻生齿、根尖病变往往只占很小一块区域；口内照片、根尖片、头颅侧位片、CBCT 各有各的读法。模型没怎么见过这些图，自然谈不上读懂。\u003C/p>\n\u003Ch2>二、通用模型“看得见”，却“数不对、判不准”\u003C/h2>\n\u003Cp>在全景片问答基准 MMOral-OPG-Bench 上，GPT-5、Gemini-2.5-Pro、Claude-Sonnet-4.5 这些头部模型的准确率都没有超过 60%。我们还发现，即便打开“思考模式”，它们在口腔任务上的提升也明显小于其他医学领域。\u003C/p>\n\u003Cp>DentalGPT 论文里有一个很直观的例子：让模型数出一张全景片上有充填体的牙齿，正确答案是 10 颗。GPT-5 给出约 6 颗，Qwen3-VL-235B 的非思考版本数出 16 颗，思考版本反复自我检查后停在 8 颗。模型能找到相关的视觉线索，却没能据此得出正确答案。问题不只是“没看见”，而是缺少把视觉细节和牙科知识对上的能力。\u003C/p>\n\u003Ch2>三、越接近真实病例，模型越吃力\u003C/h2>\n\u003Cp>为了看清这些短板，我们和全球的牙科专家一起建设了评测基准 GlobalDentBench：8,978 道经专家验证的问题，题目来源覆盖 88 个国家和地区、14 个牙科专科。在 12 个前沿大模型上，结果很清楚：\u003C/p>\n\u003Cul>\n\u003Cli>\u003Cstrong>题目越像真实临床，得分越低\u003C/strong>：选择题平均 81.34%，简答题 64.53%，来自真实病例报告的病例题只有 \u003Cstrong>22.34%\u003C/strong>。\u003C/li>\n\u003Cli>\u003Cstrong>越需要个体化判断，越吃力\u003C/strong>：平均得分从“知识回忆”的 74.01%，降到“常规推理”的 55.64%，再降到“个体化推理”的 35.71%；所有模型在个体化推理上都低于 50%。\u003C/li>\n\u003C/ul>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/globaldentbench/fig-results.png\" alt=\"图 1：12 个前沿大模型在 GlobalDentBench 上的结果：题型、推理层级、综合排名与推理成本（图源：GlobalDentBench 论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 1：12 个前沿大模型在 GlobalDentBench 上的结果：题型、推理层级、综合排名与推理成本（图源：GlobalDentBench 论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Cp>换句话说，今天的大模型更像一个背熟了教材的学生，还不是一个能结合具体病人做决定的医生。\u003C/p>\n\u003Ch2>四、在牙科，有些错误是不可逆的\u003C/h2>\n\u003Cp>我最在意的是安全。GlobalDentBench 对 1,590 道病例题的 19,080 条回答做了风险评估：\u003Cstrong>31.01%\u003C/strong> 被判为不安全，其中 \u003Cstrong>4.51%\u003C/strong> 可能造成不可逆伤害；口腔正畸的不安全比例最高，达到 44.30%。\u003C/p>\n\u003Cp>牙齿不会再长。我们的使命是“让每个人拥有一口原生牙齿，健康活到120岁”，一次不必要的拔牙、一次过度的治疗建议，代价就是永久的。这也是为什么我们认为，现阶段的大模型适合在专家监督下辅助检索和整理知识，还不能独立承担牙科临床决策。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/globaldentbench/fig-risk.png\" alt=\"图 2：病例题回答的安全风险分析，S1 为可能造成可逆伤害，S2 为可能造成不可逆伤害（图源：GlobalDentBench 论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 2：病例题回答的安全风险分析，S1 为可能造成可逆伤害，S2 为可能造成不可逆伤害（图源：GlobalDentBench 论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Ch2>五、专科模型可以又小又强\u003C/h2>\n\u003Cp>好消息是，专门训练是有效的。DentalGPT 只有 \u003Cstrong>7B\u003C/strong> 参数：我们先用 12 万余张牙科图像做多模态对齐，让模型学会“看”；再用强化学习激发复杂推理，让它学会“想”。在五项口腔基准上，它的平均准确率达到 \u003Cstrong>67.1%\u003C/strong>，高于 GPT-5 的 59.2%；在全景片分类上达到 84.0%，基座模型和 GPT-5 分别为 50.0% 和 63.5%。回到数充填体的例子，训练后的 DentalGPT 经过反复核对，最终数对了 10 颗。\u003C/p>\n\u003Cp>消融实验也说明了顺序的重要：只做多模态对齐，平均准确率从 46.7% 升到 63.2%；再加强化学习升到 67.1%。没有经过牙科对齐的模型，强化学习带来的提升很有限，对齐数据越多，强化学习能达到的上限越高。专科知识是推理的地基，而不是可有可无的点缀。\u003C/p>\n\u003Cp>在 4 位执业牙医的盲评中，DentalGPT 与 GPT-5、Gemini-2.5-Pro 相比以平局居多，胜多负少；对比 Claude-Sonnet-4.5 和 Qwen3-VL-235B，胜率分别达到 63.9% 和 87.5%。\u003C/p>\n\u003Cp>\u003Cspan class=\"news-figure\">\u003Cimg src=\"/images/news/dentalgpt/fig2.png\" alt=\"图 3：执业牙医两两对比评估，DentalGPT 胜、平、负的比例（%）（图源：DentalGPT 论文）\" loading=\"lazy\" />\u003Cspan class=\"news-caption\">图 3：执业牙医两两对比评估，DentalGPT 胜、平、负的比例（%）（图源：DentalGPT 论文）\u003C/span>\u003C/span>\u003C/p>\n\u003Ch2>六、专科模型不是闭门造车\u003C/h2>\n\u003Cp>训练牙科大模型，难点从来不只在算法：\u003C/p>\n\u003Cul>\n\u003Cli>\u003Cstrong>专家要深度参与\u003C/strong>。GlobalDentBench 的构建由 6 位持证资深牙医全程把关，投入 297 人·小时；DentalGPT 的专家标注数据里，交叉验证一致率低于 85% 的标注会被直接过滤。\u003C/li>\n\u003Cli>\u003Cstrong>评测要跨国家、跨标准\u003C/strong>。各国的诊疗规范和执业考试并不相同，所以我们从一开始就做多国评测；正在建设的 OmniDentBench 会从真实病例报告中筛选高难度题目，由国内外牙科专家逐题评审，专门检验专家级的临床决策。\u003C/li>\n\u003Cli>\u003Cstrong>模型要会用工具、讲依据\u003C/strong>。我们在做的 DentalAgent，让模型调用牙位识别、病变分类、测量等专业工具，检索教材、指南和病例作为证据，输出可以核验的判断。\u003C/li>\n\u003Cli>\u003Cstrong>医生始终做最终决定\u003C/strong>。在与南方医科大学深圳口腔医院（坪山）、佛山市口腔医院的合作中，AI 给出建议、列出证据、提示缺口，诊断和治疗的判断权始终留在医生手里。\u003C/li>\n\u003C/ul>\n\u003Ch2>写在最后\u003C/h2>\n\u003Cp>我们做 DentalGPT，不是要做一个“替代牙医”的模型，而是希望专业的口腔判断能来得更早、覆盖更多的人：在问题还小的时候发现它，在牙齿还能保住的时候保住它。通用大模型会继续进步，但在一个高度专业、错误代价不可逆的领域，专门的数据、专门的训练、专门的评测，和医生一起，缺一不可。\u003C/p>\n\u003Ch2>参考论文\u003C/h2>\n\u003Cul>\n\u003Cli>DentalGPT: Incentivizing Multimodal Reasoning in Dentistry，Findings of ACL 2026：\u003Ca href=\"https://aclanthology.org/2026.findings-acl.135/\" target=\"_blank\" rel=\"noopener noreferrer\">https://aclanthology.org/2026.findings-acl.135/\u003C/a>\u003C/li>\n\u003Cli>GlobalDentBench: A Multinational Benchmark for Evaluating LLM Clinical Reasoning in Dentistry with Expert Calibration，npj Digital Medicine（已录用）；预印本：\u003Ca href=\"https://arxiv.org/abs/2605.24636\" target=\"_blank\" rel=\"noopener noreferrer\">https://arxiv.org/abs/2605.24636\u003C/a>\u003C/li>\n\u003Cli>Towards Medical Complex Reasoning with LLMs through Medical Verifiable Problems（HuatuoGPT-o1），Findings of ACL 2025：\u003Ca href=\"https://aclanthology.org/2025.findings-acl.751/\" target=\"_blank\" rel=\"noopener noreferrer\">https://aclanthology.org/2025.findings-acl.751/\u003C/a>\u003C/li>\n\u003Cli>更多介绍：\u003Ca href=\"/dentalgpt\">DentalGPT 与核心技术\u003C/a>、\u003Ca href=\"/globaldentbench\">牙科评测：GlobalDentBench 与 OmniDentBench\u003C/a>\u003C/li>\n\u003C/ul>\n",1794841746246]