هوش مصنوعی
MedGraph برای حفظ وضعیت پزشکی بیمار در گفت‌وگوهای طولانی طراحی شد
این حافظهٔ گرافی سوابق را بر اساس زمان و هویت فرد سازمان می‌دهد؛ در ارزیابی پژوهش، دقت کلی آن از پنج روش پایه بیشتر بود.
دستیار پزشکی مبتنی بر مدل‌های زبانی بزرگ برای پیگیری بیمار در چندین ویزیت باید بتواند تغییر وضعیت او را درست به خاطر بسپارد. پژوهشگران در بررسی پنج سامانهٔ حافظه برای گفت‌وگوهای پزشکیِ طولانی، سه خطای تکرارشونده یافتند: بازیابی وضعیت قدیمی، واردشدن اطلاعات سلامت فردی دیگر و جاافتادن نکته‌ای ایمنی که پاسخ به آن وابسته است.
آن‌ها MedGraph را برای رسیدگی به این خطاها معرفی کرده‌اند. این سامانه واقعیت‌های ثبت‌شده در هر گفت‌وگو را همراه با تاریخ استخراج می‌کند، مشخص می‌کند هر واقعیت دربارهٔ چه کسی است و سوابق دارو، تشخیص و اندازه‌گیری را در زنجیره‌هایی پیوند می‌دهد که وضعیت‌های پیشین را نیز نگه می‌دارند. هنگام بازیابی، زنجیره‌های مربوط به بیمار رتبه‌بندی می‌شوند و سامانه وضعیت را در زمان موردنظر پرسش می‌خواند و متن اصلی گفت‌وگو را هم در اختیار می‌گیرد. همچنین نمایهٔ بیمار همهٔ نکات ایمنی ثبت‌شده را در کنار هر پرسش قرار می‌دهد.
در بنچمارک MedMemoryBench، MedGraph با هر دو مدل پایهٔ GPT و Qwen بالاترین دقت کلی را در میان روش‌های مقایسه‌شده به دست آورد: به‌ترتیب ۱۰٫۵ و ۱۰٫۴ واحد بیشتر از قوی‌ترینِ پنج خط پایه. چکیدهٔ پژوهش همچنین از ساخت حافظه و پاسخ‌گویی کارآمد در تنظیم مبتنی بر GPT خبر می‌دهد، اما جزئیات عددی این کارایی را ارائه نمی‌کند. این مقاله پیش‌چاپی در arXiv است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده