تؤثر الأمراض الفموية على حوالي 3.5 مليار شخص حول العالم، ومع ذلك فإن الفهم العميق لمدى فعالية نماذج الذكاء الاصطناعي الكبيرة (Large AI Models) في مجال طب الأسنان لا يزال غير كافٍ.

في السنوات الأخيرة، ظهرت ثلاثة أنواع متميزة من النماذج: نماذج توليد اللغة (Language-Generative Models)، نماذج الرؤية التمييزية (Discriminative Vision Foundation Models)، والنماذج الخاصة بالطب الأسنان (Dental-Specific Foundation Models). يفتقر هذا المجال إلى مراجعة شاملة لفهم علاقات هذه النماذج وقيودها المحتملة.

اتبعت الأبحاث الأخيرة إرشادات PRISMA-ScR لإجراء مراجعة منهجية، حيث تم البحث في أربع قواعد بيانات (PubMed، Google Scholar، Scopus، arXiv) من قبل مراجعين مستقلين. كان المنتج النهائي هو تضمين 97 دراسة من 2020 حتى 2026 في هذا المجال.

نقترح إطار تصنيف ثنائي الأبعاد ينظم النماذج بناءً على نمطها المعماري ودرجة تخصصها في مجال طب الأسنان. أظهرت نماذج توليد اللغة تفوقًا في المهام النصية مثل التفكير السريري واجتياز امتحانات الترخيص والتواصل مع المرضى، لكنها كانت تعاني من أداء غير متسق في التشخيص القائم على الصور.

تناسبت النسخ المعدلة من SAM وCLIP لتحقيق نتائج قوية في تقسيم الأسنان واكتشاف الآفات. من جهة أخرى، أظهرت النماذج الخاصة بالطب الأسنان مثل DentVFM وDentVLM وOralGPT الأداء الأقوى في المهام المتعددة الوجوه المعقدة. ومن الجدير بالذكر أن الأنظمة المتكاملة التي تجمع بين عدة نماذج تفوقت بشكل دائم على النهج أحادي النموذج.

ومع ذلك، يعد التوزيع غير المتكافئ في البيانات تحديًا، حيث تركز التدريبات المسبقة للنماذج الخاصة بطب الأسنان غالبًا على مجال الرؤية، مما يعكس نقص في مجموعات البيانات النصية الكبيرة.

في الختام، تلعب النماذج العامة والنماذج الخاصة بالطب الأسنان أدوارًا تكاملية؛ حيث أن الأنظمة الأكثر فاعلية هي التي تجمع بين الاثنين ضمن خطوط أنابيب منظمة. ومع ذلك، يتطلب الانتشار الآمن والمستقل لهذه الأنظمة معالجة ثلاثة عقبات مستمرة: الهلاوس في النماذج التوليدية، وندرة مجموعات البيانات المعلّمة، والافتقار إلى معايير تقييم سريرية موحدة.