神经象征LLM整合临床医学:一个系统的审查和分类学

科学领域:

• 人工智能在医学中的应用
• 临床信息学 临床信息学
• 生物医学工程 生物医学工程

背景情况:

• 大型语言模型 (LLM) 对临床工作流程有希望,但受到幻觉的限制.
• 神经符号系统将LLM与明确的规则或知识图集集成,以限制输出.
• 在医疗保健中神经象征性LLM的整合模式和部署权衡仍然不清楚.

研究的目的:

• 在临床环境中系统地审查神经象征性LLM整合模式.
• 评估象征性权威对业绩的影响,并确定部署权威的权衡.
• 评估神经符号LLM应用中的幻觉缓解和指导方针对齐.

主要方法:

• 在2022年1月至2026年1月期间对同行评审研究进行了PRISMA 2020系统审查.
• 包括来自PubMed/MEDLINE,CENTRAL,Web of Science和Scopus的研究.
• 使用PROBAST适应用于神经符号评估的偏差风险评估.

主要成果:

• 在18个临床环境中确定了21项研究,其中42.9%具有外部验证.
• 四个整合模式出现了,按照增加的象征权威排列:结构化输出,规则引导生成,知识检索和代验证.
• 绩效改进范围从3.1%到125.6% (中位数为21.9%),随着象征性的权威增加 (中位数增长:9%,16%,26%,40%).
• 所有研究报告的幻觉缓解; 81.0%报告的指南调整.
• 所有研究都有高偏差风险,主要是由于分析的局限性.
• 代验证方法带来了2-88秒的延迟和高达100倍的成本增加.

结论:

• 神经象征性LLM集成的性能增长与象征性权威的增加.
• 代验证提供了最强的结果,允许象征性的否决或再生,提高安全性和可审计性.
• 更高的符号权威引入了与延迟,成本和符号堆失败相关的风险.