Új AI-módszer javítja a klinikai diagnózist: figyelembe veszi a bizonytalanságot
A módszer egy tervező és egy diagnosztikai LLM-ügynökön keresztül kezeli a bizonytalanságot, képes a szekvenciális adatgyűjtést modellezni.
A legtöbb jelenlegi, nagyméretű nyelvi modelleken (LLM) alapuló diagnosztikai rendszer nem kezeli explicit módon, hogyan kellene a klinikai bizonyítékokat idővel, szekvenciálisan gyűjteni — írja az arXiv-en megjelent kutatás. Ezek a rendszerek gyakran abból indulnak ki, hogy a páciens összes információja már rendelkezésre áll, ami nem tükrözi a valós klinikai gyakorlatot.
A szekvenciális diagnózis egy Latent Diagnostic Trajectory Learning (LDTL) keretrendszerként való megfogalmazása jelentős előrelépést hozhat. Ezt a megközelítést egy tervező LLM-ügynök és egy diagnosztikai LLM-ügynök alkotja, amelyek közösen optimalizálják a diagnosztikai útvonalakat még bizonytalan körülmények között is. A keretrendszer az arXiv:2604.05116v1 számú preprintben részletezi működését.
A bizonytalanság áthidalása
A diagnosztikai LLM-ügynök számára a diagnosztikai cselekvési szekvenciákat rejtett útvonalakként kezelik a kutatók. Ez a módszer bevezet egy poszterior eloszlást, amely előnyben részesíti azokat a diagnosztikai trajektóriákat, amelyek több releváns információt szolgáltatnak, ezzel segítve a pontosabb és hatékonyabb diagnózist.
A gépi tanulás korlátai
A hatékony diagnosztikai útvonalak megtanulása eddig azért volt nehéz, mert a lehetséges bizonyítékgyűjtési utak tere rendkívül nagy. Ráadásul a klinikai adatkészletek ritkán tartalmaznak explicit felügyeleti információkat a kívánatos diagnosztikai útvonalakról, ami tovább bonyolítja a gépi tanulási modellek betanítását az arXiv kutatói szerint. Az arXiv:2604.05116v1 számú preprintben közzétett kutatás 2024. április 15-én jelent meg.