检索而非幻觉将成为基于大语言模型的临床人工智能工具的限制因素
Retrieval, not hallucinations, will be the limiting factor for LLM-based clinical AI tools
浏览论文内容
中文总结 AI 辅助
探讨临床人工智能中基于大语言模型的错误，将讨论重点从精度错误转向召回错误，特别是患者级数据检索方面，概述错误类型、缓解策略及研究方向，提供检索评估概述。
中文摘要 AI 辅助
围绕临床人工智能中大型语言模型（LLM）错误的讨论通常集中在幻觉等精度错误上。本文针对临床医生和人工智能研究人员，试图将讨论转向召回错误，特别是在许多临床人工智能工具所需的患者级数据检索方面。概述了错误类型和缓解策略，描述了大语言模型和检索的研究方向，并提供了检索评估的概述。
英文摘要
Discussions around large language model (LLM) errors in clinical artificial intelligence (AI) generally center around precision errors like hallucinations. This perspective, targeting both clinicians and AI researchers, seeks to shift that discussion to recall errors, particularly in retrieval of patient-level data needed for many clinical AI tools. The perspective outlines types of errors and mitigation strategies, describes research directions in LLMs and retrieval, and provides an overview of retrieval evaluation.
发表机构
- The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
- Oregon Health & Science University（俄勒冈健康与科学大学）
- Mayo Clinic（梅奥诊所）
- The University of Texas at Austin（德克萨斯大学奥斯汀分校）
机构由 AI 辅助整理，请以论文原文为准。
