چندی پیش ، مدل AI بیمار نادر "Xiehe Taichu" به طور مشترک توسط بیمارستان کالج پزشکی اتحادیه پکن و انستیتوی اتوماسیون آکادمی علوم چین رسماً وارد مرحله کاربرد بالینی شد. تیم تحقیقاتی توانایی سرکوب مؤثر "توهمات" هوش مصنوعی را یکی از سه مزیت اصلی آن می داند. گزارش های مرتبط نشان می دهد که مدل های هوش مصنوعی سنتی اغلب به دلیل سر و صدای داده یا لکه های کور دانش ، "توهم" تولید می کنند ، که به راحتی می تواند منجر به استنتاج های نادرست شود. با ادغام داده های معتبر ، به روزرسانی پویا دانش و افزودن مکانیسم های قابلیت ردیابی ، "Concordia · Taichu" به طور موثری وقوع "توهمات" را در مدل سرکوب می کند و اعتبار تصمیم گیری بالینی را افزایش می دهد.
برای سرکوب "توهم" ، ما عمدتاً از مجموعه داده های با کیفیت بالا (مانند سوابق تشخیص واقعی و درمان) و تعداد زیادی از پایگاههای دانش معتبر دستی (مانند تشخیص بالینی و دستورالعمل های درمانی ، کتابهای درسی و ادبیات علمی در دسترس عموم) برای تنظیم دقیق مدل استفاده می کنیم. "گونگ منگچون توضیح داد" ، از طریق تکنیک هایی مانند مهندسی سریع کلمه ، پشتیبانی از شواهد مؤثر ، تأیید قابلیت ردیابی ، تأیید معیار و غیره در فرایند استدلال اعمال می شود و بازخورد و تصحیح به طور مداوم ارائه می شود. "این را می توان درک کرد که اجازه می دهد AI فقط" دانش خوب "را بیاموزد و" مرز "استدلال را محدود کند ، یا مکانیسم" قابلیت ردیابی "را برای تجدید نظر مداوم" آموزش "قبل از کاربرد بالینی محدود کند.
براساس آماری که توسط موسسات حرفه ای مربوطه منتشر شده است ، Deepseek در بیمارستان های برتر سطح چین مستقر شده است. چندین بیمارستان ، از جمله بیمارستان Huashan وابسته به دانشگاه فودان ، بیمارستان Ruijin و بیمارستان مردم شنژن ، تحقیقات و توسعه مشترک را با شرکت های برتر اطلاعات مصنوعی داخلی آغاز کرده اند. آنها از طریق ادغام و اتصال متقاطع ، آنها ارتقاء هوش پزشکی را تسریع کرده و مشکل "تنگنا" را حل کرده اند. این صنعت معتقد است که استفاده از فناوری منحصر به فرد "تقطیر دانش سلسله مراتبی" Deepseek می تواند استنباط و بار کار محاسبه را در سناریوهای پزشکی پیچیده 30 ٪ کاهش دهد.
تعداد زیادی از تحقیقات مبتنی بر داده های بالینی چند حالته در داخل و خارج از کشور تأیید کرده است که بینش های بالینی ارائه شده توسط فناوری هوش مصنوعی ممکن است از دانش و محدودیت های حسی جسمی که پزشکان می توانند درک کنند ، فراتر رود و نظرات کمکی مهم را برای تصمیم گیری بالینی ارائه می دهد. گونگ منگچون گفت: وقتی صحبت از شواهد و داوری های جدید ارائه شده توسط هوش مصنوعی می شود ، باید یک "تأیید محتاطانه و قضاوت کامل" را اتخاذ کنیم ، یک زیرساخت داده های بالینی چندمودال را بسازیم ، صف های با کیفیت بالا را مرتب کنیم و کشف های مختلف پزشکی داده را تأیید کنیم. ادغام شواهد بالینی ارائه شده توسط AI در فرآیند تشخیص و درمان در قالب تشخیص و درمان چند رشته ای (MDT) برای خدمت به بیماران یکی از روندهای اصلی توسعه در زمینه تحقیقات پزشکی جهانی است.
