大语言模型在医学中的不确定性量化挑战

本研究探讨大语言模型（LLM）在医学应用中的不确定性量化，强调技术创新与哲学意涵。随着 LLM 成为临床决策中不可或缺的组成部分，准确传达不确定性对于确保可靠、安全、伦理的 AI 辅助医疗至关重要。我们的研究将不确定性视为一种知识的组成部分，邀请一种动态反思性的 AI 设计方法。通过整合贝叶斯推断、深度集成和蒙特卡罗 dropout 等先进概率方法，结合计算预测熵与语义熵的语言分析，我们提出一个综合框架，管理表观不确定性与 aleatoric 不确定性。该框架通过替代模型解决专有 API 的局限性，整合多源数据以获得更佳情境，以及通过持续学习和元学习实现动态校准。解释性通过不确定性图和置信度指标嵌入，以支持用户信任和临床可解释性。我们的ethods 支持透明且伦理的决策，符合负责任与反思性 AI 原则。哲学上，我们主张接受受控歧义而非追求绝对可预测性，认识到医学知识的固有暂时性。