Folia
← 返回头版

大语言模型评判器存在临床记录遗漏盲点

一项研究发现,用于验证AI生成临床记录的大语言模型评判器存在严重缺陷,无法有效检测记录中遗漏的信息。1研究团队在包含500对单一错误记录的基准测试中发现,这些评判器对遗漏内容的检测率仅为0.50-0.63,而对添加或篡改内容的检测率则达到0.79-0.94。1其中基准测试包含298个确定遗漏的事实案例和202个添加或更改对照。1

为解决这一问题,研究人员开发了一种管道方法,通过将验证任务重构为逐项事实列表核对来改进检测能力。1这种改进方案的误报率为2.7%,而单次调用方法的误报率为6.2%但成本仅为其十分之一。1在同一批案例中,管道方法的检测率为24.6%,而单次调用方法为36.9%(p=0.002)。1医学作者对70项进行了验证,在两种方法意见不一致的10个案例中全部支持管道方法(p=0.002)。1研究团队已公开发布了基准数据集、提示词和判断结果。1


评论