یکی از چالشهای بزرگ در استفاده از مدلهای زبانی برای تشخیصهای پزشکی، «توهم» یا انتخاب گزینههای نادرست اما شبیهبهواقعیت (Hard Negatives) است. حالا محققان متد جدیدی به نام Contrastive Hypothesis Retrieval (CHR) معرفی کردهاند که دقیقاً مثل یک پزشک متخصص، فرآیند «تشخیص افتراقی» را شبیهسازی میکند.
این مدل با تولید یک فرضیه مثبت برای پاسخ درست و یک فرضیه منفی برای محتملترین اشتباه، اسناد پزشکی را فیلتر کرده و دقت سیستمهای پاسخدهی را تا ۱۰.۴ درصد بهبود داده است. این یعنی کاهش خطاهای پزشکی در مدلهای هوش مصنوعی که گامی بسیار حیاتی برای آینده سلامت دیجیتال است! 🧬✨
منبع: arXiv AI