ثورة جديدة في تلخيص السجلات السريرية: كشف الهلوسات وتحسين التفضيلات!

في عالم الذكاء الاصطناعي، برزت نماذج اللغات الضخمة (Large Language Models) كأداة قوية لتلخيص المعلومات، لا سيما في المجال الصحي. ومع ذلك، فإن تلك النماذج غالباً ما تنتج معلومات غير دقيقة تُعرف بالهلوسة، مما يقلل من موثوقيتها في التطبيقات المتخصصة.

إليك الابتكار الجديد: تم تطوير طريقة جديدة تُعرف بنموذج الدليل التفضيلي (Preference Learning Model) وباستخدام كاشفات الهلوسة لتحسين جودة الملخّصات السريرية. تكمن الفكرة في استخدام هذه الكاشفات لتوجيه عملية تعديل الملخصات فرادى؛ حيث يتم إجراء تعديلات بناءً على النتائج التي تكشفها الكاشفات، مما يمنح ملخصات أكثر دقة وموثوقية.

تجارب موسعة أظهرت أن هذا الأسلوب يفقد بشكل ملحوظ الهلوسات في نماذج Llama وGemma، حيث أظهرت نتائج التجارب أن نموذج الدليل (itermodelfull) قد قلل من نسبة الهلوسات بنسبة 24%، في حين قام نموذج التفضيل (model) بخفضها بنسبة 48% في نموذج Llama-3.1-8B-Instruct. والأهم من ذلك، أن كلا الطريقتين حافظتا على سلاسة، وتماسك، وملاءمة الملخصات وفقاً لتقييمات الخبراء.

تظهر هذه النتائج أن استخدام تقنيات الكشف عن الهلوسة وتحسين التفضيلات يمكن أن يقدم حلاً أوتوماتيكياً لتحسين الدقة الوصفية في تلخيص السجلات السريرية، مما يسهل عمليات اتخاذ القرار في مجال الرعاية الصحية.

ما رأيكم في هذا التطور في الذكاء الاصطناعي؟ شاركونا في التعليقات!