AI醫(yī)學模型遭誤導：微量錯誤信息足以“毒害”系統(tǒng)
隨著人工智能（AI）在醫(yī)學領域的廣泛應用，大型語言模型（LLM）已成為醫(yī)學信息的重要來源。然而，最近的一項研究揭示了這些模型在醫(yī)學信息訓練中的潛在風險。研究表明，即使訓練數(shù)據(jù)中僅含有極低的錯誤信息，也可能會對模型輸出產生嚴重影響。本文將圍繞這一主題，從專業(yè)角度探討AI醫(yī)學模型遭誤導的問題。
一、數(shù)據(jù)“投毒”的風險
數(shù)據(jù)“投毒”是一個相對簡單的概念。大型語言模型通常通過大量文本進行訓練，這些文本大多來自互聯(lián)網(wǎng)。通過在訓練數(shù)據(jù)中注入特定信息，可以使模型在生成答案時將這些信息視為事實。這種方法甚至不需要直接訪問LM本身，只需將目標信息發(fā)布到互聯(lián)網(wǎng)上，便可能被納入訓練數(shù)據(jù)中。
二、醫(yī)學領域的復雜性
醫(yī)學領域的復雜性使得打造一個始終可靠的醫(yī)學LM變得尤為困難。據(jù)研究團隊介紹，他們選擇了一個常用于LM訓練的數(shù)據(jù)庫“The Pile”作為研究對象。該數(shù)據(jù)庫包含大量醫(yī)學信息，其中約四分之一的來源未經人工審核，主要來自互聯(lián)網(wǎng)爬取。這為錯誤信息的引入提供了可能。
三、微量錯誤信息的影響
在研究中，研究人員在三個醫(yī)學領域（普通醫(yī)學、神經外科和藥物）中選擇了60個主題，并在“The Pile”中植入了由GPT-3.5生成的“高質量”醫(yī)學錯誤信息。結果顯示，即使僅替換0.5%至1%的相關信息，訓練出的模型在這些主題上生成錯誤信息的概率也顯著增加。即使錯誤信息僅占訓練數(shù)據(jù)的0.001%，模型生成的答案中就有超過7%包含錯誤信息。
四、現(xiàn)有錯誤信息問題的挑戰(zhàn)
許多非專業(yè)人士傾向于從通用LM中獲取醫(yī)學信息，而這些模型通?；谡麄€互聯(lián)網(wǎng)進行訓練，其中包含大量未經審核的錯誤信息。研究人員設計了一種算法，能夠識別LM輸出中的醫(yī)學術語，并與經過驗證的生物醫(yī)學知識圖譜進行交叉引用，從而標記出無法驗證的短語。雖然這種方法未能捕捉所有醫(yī)學錯誤信息，但成功標記了其中大部分內容。然而，即使是最好的醫(yī)學數(shù)據(jù)庫也存在錯誤信息問題。醫(yī)學研究文獻中充斥著未能實現(xiàn)的理論和已被淘汰的治療方法。
五、未來研究方向
面對AI醫(yī)學模型遭誤導的問題，我們需要采取一系列措施來減少錯誤信息的影響。首先，加強訓練數(shù)據(jù)的審核和管理，確保其準確性。其次，研發(fā)更先進的算法和技術，以識別和標記醫(yī)學錯誤信息。此外，提高用戶對LM輸出的信任度，教育公眾如何辨別和利用醫(yī)學信息。最后，推動學術界和產業(yè)界的合作，共同研發(fā)更加可靠的醫(yī)學LM，以滿足臨床和科研需求。
總之，隨著AI技術在醫(yī)學領域的廣泛應用，我們面臨著來自錯誤信息的挑戰(zhàn)。只有通過不斷改進技術和加強管理，我們才能確保AI醫(yī)學模型在提供準確醫(yī)學信息方面的作用。
（免責聲明：本網(wǎng)站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
