发布日期: 2025-10-18

更新日期: 2025-10-18

文章字数: 1.6k

阅读时长: 6 分

阅读次数:

⚠️ 以下所有内容总结都来自于大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验

2025-10-18 更新

Towards Generalist Intelligence in Dentistry: Vision Foundation Models for Oral and Maxillofacial Radiology

Authors:Xinrui Huang, Fan Xiao, Dongming He, Anqi Gao, Dandan Li, Xiaofan Zhang, Shaoting Zhang, Xudong Wang

Oral and maxillofacial radiology plays a vital role in dental healthcare, but radiographic image interpretation is limited by a shortage of trained professionals. While AI approaches have shown promise, existing dental AI systems are restricted by their single-modality focus, task-specific design, and reliance on costly labeled data, hindering their generalization across diverse clinical scenarios. To address these challenges, we introduce DentVFM, the first family of vision foundation models (VFMs) designed for dentistry. DentVFM generates task-agnostic visual representations for a wide range of dental applications and uses self-supervised learning on DentVista, a large curated dental imaging dataset with approximately 1.6 million multi-modal radiographic images from various medical centers. DentVFM includes 2D and 3D variants based on the Vision Transformer (ViT) architecture. To address gaps in dental intelligence assessment and benchmarks, we introduce DentBench, a comprehensive benchmark covering eight dental subspecialties, more diseases, imaging modalities, and a wide geographical distribution. DentVFM shows impressive generalist intelligence, demonstrating robust generalization to diverse dental tasks, such as disease diagnosis, treatment analysis, biomarker identification, and anatomical landmark detection and segmentation. Experimental results indicate DentVFM significantly outperforms supervised, self-supervised, and weakly supervised baselines, offering superior generalization, label efficiency, and scalability. Additionally, DentVFM enables cross-modality diagnostics, providing more reliable results than experienced dentists in situations where conventional imaging is unavailable. DentVFM sets a new paradigm for dental AI, offering a scalable, adaptable, and label-efficient model to improve intelligent dental healthcare and address critical gaps in global oral healthcare.

口腔颌面放射学在牙科健康护理中发挥着至关重要的作用，但放射图像解读受限于专业训练人员的短缺。虽然人工智能方法已显示出潜力，但现有的牙科人工智能系统受到其单一模态重点、特定任务设计和依赖成本高昂的标签数据的限制，阻碍了它们在各种临床场景中的推广。为了解决这些挑战，我们推出了DentVFM，这是首款为牙科设计的视觉基础模型（VFMs）家族。DentVFM为各种牙科应用生成任务不可知的视觉表示，并使用自我监督学习在DentVista（一个大型精选牙科成像数据集）上进行训练，该数据集包含来自不同医疗中心的约160万多种模态的放射图像。DentVFM包括基于视觉转换器（ViT）架构的2D和3D变体。为了解决牙科智能评估和基准测试的空白，我们推出了DentBench，这是一个全面的基准测试，涵盖八个牙科专科、更多疾病、成像方式，以及广泛的地理分布。DentVFM显示出令人印象深刻的通用智能，展现出对各种牙科任务的稳健泛化能力，如疾病诊断、治疗分析、生物标志物识别以及解剖标志点的检测和分割。实验结果表明，DentVFM显著优于监督学习、自监督学习和弱监督学习的基线，具有出色的泛化能力、标签效率和可扩展性。此外，DentVFM还实现了跨模态诊断，在常规成像不可用的情况下提供更可靠的结果，经验丰富的牙医也无法与之相比。DentVFM为牙科人工智能设定了新的范式，提供了一个可扩展、可适应和标签效率高的模型，以改善智能牙科护理和解决全球口腔护理中的关键差距。

论文及项目相关链接

PDF

摘要

口腔颌面放射学在牙科健康护理中发挥着重要作用，但由于训练有素的专业人员短缺，放射学图像解读受到限制。尽管人工智能方法已展现出潜力，但现有的牙科人工智能系统受到其单一模式关注点、特定任务设计和依赖昂贵标签数据的限制，难以在不同临床场景中进行推广。为解决这些挑战，我们推出了DentVFM，这是首个为牙科设计的视觉基础模型（VFMs）家族。DentVFM为广泛的牙科应用生成任务无关的视觉表示，并使用自我监督学习在DentVista（一个大型精选牙科成像数据集，包含来自不同医疗中心的约160万张多模式放射图像）上进行训练。DentVFM包括基于Vision Transformer（ViT）架构的二维和三维变体。为解决牙科智能评估和基准测试的空白，我们推出了DentBench，这是一个涵盖八个牙科专科、更多疾病、成像模式以及广泛地理分布的全面基准测试。DentVFM展现出令人印象深刻的通用智能，证明其在多种牙科任务（如疾病诊断、治疗分析、生物标志物识别以及解剖地标检测和分割）中的稳健性。实验结果表明，DentVFM显著优于监督学习、自我监督学习和弱监督学习的基线方法，具有出色的泛化能力、标签效率和可扩展性。此外，DentVFM可实现跨模式诊断，在常规成像不可用的情况下提供更可靠的结果。DentVFM为牙科人工智能设定了新的范式，提供了一个可扩展、可适应和标签效率高的模型，以改善智能牙科护理并解决全球口腔护理中的关键差距。

关键见解