نماذج اللغات الضخمة تكشف عن حساسيتها الميتامعرفية في التشخيصات الطبية

في عالم الذكاء الاصطناعي، تُعد نماذج اللغات الضخمة (Large Language Models - LLMs) واحدة من التطورات البارزة التي بدأ استخدامها في مجالات متعددة، بما في ذلك الطب. لكن، ما مدى قدرتها على تقديم إجابات دقيقة عندما يتعلق الأمر بالتشخيصات الطبية؟

دراسة جديدة تناولت هذه المسألة من خلال تطوير معيار سريري مستلهم من علم النفس التجريبي، يهدف إلى اختبار سلوك الاختيار التشخيصي والثقة في نماذج اللغات الضخمة. تمركزت الدراسة حول موضوعين أساسيين: الاضطراب المعرفي المرتبط بالزهايمر (Alzheimer-type neurocognitive disorder - AT-NCD) والضعف المعرفي المتعلق بالاكتئاب (Depression-related cognitive impairment - DRCI).

في هذه الدراسة، تم إنشاء 45 مشهدًا اصطناعيًا تختلف في قوة الأدلة، والاختلافات في المعلومات، والمعلومات المفقودة. وفقًا للنتائج، أظهرت النماذج دقة تشخيصية بلغت 93.5% ومتوسط ثقة بنسبة 78.4%. وبالإضافة إلى ذلك، دللت الدراسة على أن الثقة تزداد كلما ابتعدت الأدلة عن الحدود التشخيصية، بينما تنخفض عندما تكون المعلومات مفقودة.

على الرغم من أن النتائج تُظهر حساسية ميتامعرفية جزئية، إلا أن الأخطاء تركزت في الحالات المتضاربة المعتدلة من AT-NCD، حيث انحرفت النماذج نحو DRCI مع الاحتفاظ بمستويات ثقة أعلى مما يبرره الدقة التجريبية. كل هذه النتائج تشير إلى أهمية قياس جودة الثقة مباشرة، بدلاً من استنتاجها من دقة المعيار أو قدرة النموذج فقط.

تُعزز هذه الدراسة إطارًا قابلًا للتكرار لتقييم حساسية الأدلة، والحساسية الميتامعرفية، وفشل المعايرة المحلي في نماذج اللغات الضخمة في المجال الطبي. فهل يمكن أن تمثل هذه النتائج بدايةً جديدة لدخول الذكاء الاصطناعي في عالم الطب بدقة أكبر؟ تابعوا المستجدات!