تُعتبر نماذج اللغات الضخمة (Large Language Models) من أهم التطورات في تقنية الذكاء الاصطناعي، حيث يظهر لها قدرة كبيرة في مجال الطب. تناولت العديد من الدراسات ملائمة هذه النماذج لمحاذاة دقة وأمان المعلومات الطبية عن طريق الاستمرار في التدريب أو ضبط النموذج على بيانات طبية مُخصصة.

لكن من بين التساؤلات المفتوحة، يبدو أن هناك سؤالًا مهمًا يتصدر الحوار: إلى أي مدى يمكن لهذه النماذج احتواء المعلومات التي تعلقتها بالتدريبات الطبية؟ فالتذكر يمكن أن يكون مفيدًا، حيث يُمكّن هذه النماذج من الاحتفاظ بمعرفة طبية قيمة أثناء عملية التكيف الخاص بها. إلا أن هذا الأمر يُثير العديد من المخاوف.

وفقًا للبحث، قد تقوم نماذج اللغات الضخمة (LLMs) بلا قصد بإعادة إنتاج محتوى سريري حساس مثل تفاصيل المرضى، مما يُزيد من مخاطر سوء تشخيص الحالات الطبية. ومع الطبيعة التوليدية لهذه النماذج، فإنها قد تُنتج أيضًا مخرجات خادعة تزيد من ضبابية المعلومات الطبية، مما يجعل استخدامها في السياقات السريرية أكثر تعقيدًا.

القارئ، هذا التحليل يسلط الضوء على تواجد الذاكرة في هذه النماذج ضمن ثلاثة سيناريوهات شائعة: أولاً، الاستمرار في التدريب على قواعد بيانات طبية، وثانيًا، الضبط على معايير طبية موحدة، وثالثًا، الضبط على بيانات سريرية عصرية تشمل أكثر من 13,000 سجل وحدة لمستشفيات Yale New Haven Health System.

تشير النتائج إلى أن الذاكرة كانت متواجدة بشكل ملحوظ في جميع سيناريوهات التكيف، وكانت أعلى بكثير مما تم الإبلاغ عنه في المجالات العامة. علاوة على ذلك، يُظهر البحث أن للذاكرة خصائص مميزة خلال التدريب المستمر وعملية الضبط، حيث تبقى حتى 87% من المحتوى الذي تم حفظه أثناء التدريب المستمر بعد ضبط النموذج على مهام طبية جديدة.

هذا التطور يعكس الحاجة الملحة لفهم أعمق لكيفية التأثيرات المحتملة للذاكرة على تطبيقات الطب، مما يستدعي مزيدًا من التحليل لدعم الأمان والدقة في استخدامات هذه النماذج.