Från data till dialog – hur generativ AI förändrar odontologisk forskning

Generativ AI har på kort tid gått från “smart textgenerator” till ett brett forskningsverktyg. I medicinsk forskning används stora språkmodeller (LLM:er) redan som stöd i litteraturarbete, datautvinning och analys, samtidigt som generativa bildmodeller kan skapa syntetiska bilder och därmed minska problemet med små eller snedfördelade datamängder. Men nyttan uppstår inte av sig själv. Den måste designas fram med validering, spårbarhet och tydlig styrning.

En färsk, svenskledd, översikt sammanfattar utvecklingen genom att jämföra open-source-modeller (som kan köras lokalt) och proprietära molnmodeller (som körs centralt hos en tredje part som äger modellen). Poängen är enkel: molnmodeller kan vara starka på avancerat resonemang och att följa strikta dataformat, medan lokala open-source-modeller ofta ger bättre kontroll över känsliga uppgifter, loggning och reproducerbarhet (1). 

Det här kan generativ AI göra i forskningen:

1) Göra fri text forskningsbar. En stor del av klinisk information finns i fri text. LLM:er kan extrahera strukturerade variabler ur journalanteckningar och rapporter vilket kan skapa forskningsregister utan att allt måste kodas manuellt. Men systemet måste testas mot “facit” och ha tydliga regler för vad som får användas kliniskt och vad som bara är forskningsstöd. Vidare är det viktigt att man använder lokala LLM:er om man ska extrahera personuppgifter och känslig data.

2) Skapa syntetiska data. Syntetiska data kan användas för att utveckla och testa modeller innan större kliniska datamängder finns tillgängliga. Samtidigt krävs fortsatt validering mot verkliga patientdata innan resultaten kan användas kliniskt (2).

3) Snabbare bild- och diagnostikforskning. Inom odontologin används ofta intra-orala röntgenbilder i forskning. Nya studier visar att diffusionsmodeller (en modell som skapar helt nytt innehåll, t.ex. bilder, musik, video) kan generera realistiska syntetiska röntgenbilder, vilket kan vara till hjälp när man vill utvärdera exempelvis en diagnostisk metod som kräver omfattande mängd röntgenbilder. Dock kräver detta förfarande noggrann kvalitetskontroll för att undvika artefakter och bias, men visar lovande resultat (3).

Virtuella patienter som nästa forskningsinfrastruktur

En särskilt praktisk väg framåt är att kombinera generativ AI med virtuella patienter. Forskare vid Malmö Universitet utvecklar AI-drivna virtuella patienter för kommunikationsträning (4). Dessa modeller används redan i svensk tandläkarutbildning för att öva inför riktiga patientmöten, i synnerhet när det gäller att utveckla studenternas kommunikationsförmåga och struktur. Den stora forskningspoängen är att virtuella patienter kan fungera som en kontrollerad testbädd där studenters kommunikationsförmåga kan tränas och utvärderas innan mötet med verkliga patienter. Samtidigt kan den överbrygga det stora gapet mellan teoretisk och praktisk undervisning. 

Viktig att tänka på innan man använder generativ AI:

Sammanfattningsvis behöver man ställa följande krav på en generativ AI modell om den ska användas som forskningsverktyg:

1. Den ska vara validerad mot facit och vara expertgranskad (om inte syftet med forskningen är att skapa en sådan modell från början).
2. Den ska ha hög reproducerbarhet samt möjliggöra full spårbarhet så att man kan vara säker på hur data har använts och att detta säkerställer efterlevnad av rådande lagar och regler.
3. Den ska möjliggöra regelefterlevnad, i synnerhet när personliga uppgifter hanteras.

Under de kommande åren kommer vi sannolikt att se generativ AI integreras allt tätare i forskningsprocessen, från datautvinning och bildanalys till simulering av patientmöten. Utmaningen blir inte om tekniken ska användas, utan hur den kan användas på ett säkert, transparent och vetenskapligt hållbart sätt.

Aleksandar Milosavljevic
Specialisttandläkare/Universitetsadjunkt

Referenslista:

1. Sugihara, Y., Milosavljevic, A., Jankovskaja, S., & Falk, M. (2026). A review for navigating the trade-offs: evaluating open-source and proprietary large language models for clinical and biomedical information extraction. Frontiers in Digital Health, 8, 1778786.
2. Akin, E., Kroon, F., Windahl, C., Sugihara, Y., Milosavljevic, A., & Falk, M. (2025). Synthetic data as a tool for prototyping early-stage periodontitis detection models. Periodontal and Implant Research, 9(1), 21.
3. Kirkwood, B., Choi, B. Y., Bynum, J., & Salinas, J. (2025). AI Diffusion Models Generate Realistic Synthetic Dental Radiographs Using a Limited Dataset. Journal of Imaging, 11(10), 356.
4. https://www.tandlakartidningen.se/nyhet/virtuella-patienter-tranar-tandlakarstudenter-i-anamnes-och-sprak/