成人a片不需要播放器|无码高清欧美性爱|黄色三级片在线免费播放)2|超碰久操福利a级黄论片|国产一级婬片A片AAA情欲王朝|亚洲第一免费网页|看免费AV片av天堂1|国内成人一个色在线|青青艹在线观看色欧美性爱|黄色视频无遮挡免费观看

摘要

在高風險的醫(yī)療診斷領域，單純依賴大型語言模型（LLMs）或人類醫(yī)生都存在局限——LLMs 會幻覺、缺乏常識且有偏見；人類則受經(jīng)驗局限與知識覆蓋面的限制。本研究提出一種混合集體智能（Hybrid Collective Intelligence, HCI）方法，將醫(yī)生的臨床推理與 LLM 的信息處理能力結合，對 2,133 個真實感病例（含 40,762 份醫(yī)生診斷與 5 個最先進 LLM 的診斷輸出）進行加權融合。結果顯示，混合集體在所有專業(yè)與經(jīng)驗層級下的診斷準確率均顯著優(yōu)于人類單獨、AI 單獨及各自的集體形式。

背景

每年美國約 79.5 萬例死亡或永久傷殘與診斷錯誤相關。盡管 LLM 在自然語言處理與多領域問答中表現(xiàn)出色，包括醫(yī)學在內(nèi)的眾多場景，但它們的結構性缺陷（如幻覺、偏見、缺乏常識讓其在臨床高風險應用中存在安全隱患。
研究表明，“集體智能”能通過不同專家獨立判斷的組合提升整體準確性。本研究創(chuàng)新地將人類專家與多個 LLM 視為“同臺評審”，利用各自優(yōu)勢與互補性，構建混合集體智能體系。

• 當 AI 漏診時，醫(yī)生往往能給出正確答案（尤其在復雜病例中）

• 當醫(yī)生判斷失誤時，AI 可能捕捉到被忽略的細節(jié)

• 混合團隊的診斷 “容錯率” 顯著更高

研究方法

數(shù)據(jù)來源

• Human Diagnosis Project (Human Dx)

   平臺
• 2,133 個經(jīng)過執(zhí)業(yè)醫(yī)生審核的文本病例
• 診斷來源：1,370 名主治醫(yī)師、139 名?？婆嘤栣t(yī)師、2,160 名住院醫(yī)師（再加 1,037 名醫(yī)學生用于補充分析）

LLM 選擇

1. Anthropic Claude 3 Opus
2. Google Gemini Pro 1.0
3. Meta LLaMA 2 70B
4. Mistral Large
5. OpenAI GPT-4
   每個模型需輸出前五個最可能的診斷

融合流程

1. 標準化處理

   
   

   將所有人類與 LLM 的原始診斷映射至 SNOMED CT 唯一 ID，統(tǒng)一同義詞、縮寫、英式/美式拼寫等

2. 加權多數(shù)投票

• 根據(jù)訓練集表現(xiàn)為各 LLM 賦予不同權重；所有醫(yī)生共用一個權重值
• 使用 1/r 規(guī)則 按診斷排名賦分
• 采用加權多數(shù)投票合成最終列表

3. 交叉驗證

   
   

   10 次重復五折交叉驗證，確保模型泛化穩(wěn)定

性能指標

• Top-1 / Top-3 / Top-5 準確率
• 平均倒數(shù)排名（MRR）

主要研究結果

1. 多模型集成優(yōu)于單模型

將多個 LLM 輸出組合成 AI 集體，在 Top-5 與 Top-3 準確率上均優(yōu)于任何單一 LLM，并在多個專科中保持穩(wěn)定領先。

2. 人機混合集體全線勝出

• 向醫(yī)生集體加入一個 LLM，可超越純醫(yī)生組
• 向 LLM 集體加入一位醫(yī)生，也能提升整體準確率
  即使加入表現(xiàn)最差的 LLM，也帶來輕微提升。
  

3. 錯誤互補性是關鍵

• 在 46%–51% 的病例中，醫(yī)生與 LLM 對正確診斷的排名不同
• 當 LLM 完全漏掉正確診斷時，醫(yī)生在 30%–38% 的病例中能補上，大部分排在第一位
• 這種低相關錯誤模式讓加權投票更易推高正確診斷排名。

主要創(chuàng)新點

1. 開放性答案的自動標準化

   基于 SNOMED CT 的全文匹配與向量搜索匹配，處理了同義詞、拼寫差異與縮寫等問題，實現(xiàn)精準對齊。

2. 權重化人機投票機制

   通過 WMVE（加權多數(shù)投票）方式按歷史表現(xiàn)分配權重，優(yōu)勝者得更多表決力。

3. 跨模態(tài)可遷移性

   方法依賴結構化知識體系，可移植至氣候政策等其他開放性、高風險領域。

未來研究方向

• 臨床實地驗證

  ：目前為病例小故事（vignette）測試，需轉化到真實臨床環(huán)境

• 治療影響評估

  ：診斷改善是否帶來治療方案優(yōu)化？

• 偏見與公平性

  ：混合集體是否能減少 AI 及人類共有的偏見？

• Prompt 工程優(yōu)化

  ：Tree-of-Thought、自一致性等方法可望進一步提升表現(xiàn)

• 多模態(tài)融合

  ：將影像、聲音等數(shù)據(jù)加入診斷流程

• 決策支持系統(tǒng)化

  ：研究如何在臨床工作流中最佳整合，防止自動化偏見與算法厭惡

結論

混合集體智能不是要取代醫(yī)生，而是利用人類的臨床洞察與 AI 的信息整合能力互補，讓醫(yī)療診斷更精準、更安全、更公平。

特別聲明：智慧醫(yī)療網(wǎng)轉載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時并不代表贊成其觀點或證實其描述，內(nèi)容僅供參考。版權歸原作者所有，若有侵權，請聯(lián)系我們刪除。

凡來源注明智慧醫(yī)療網(wǎng)的內(nèi)容為智慧醫(yī)療網(wǎng)原創(chuàng)，轉載需獲授權。