跳到正文
arXiv · NLP· Krithik Vishwanath, Brandon Ye, Anton Alyakin, John E. Markert, Aaron Hsieh, Micha{\l} Ma\'nkowski, Eric K. Oermann·· 2026-10-07AI 评分33

LLMs 在临床文档与推理中对附带信息存在漏洞

Large language models are vulnerable to incidental information in clinical documentation and reasoning

AI 导读

研究表明,前沿 LLM 在 576 份医患对话中,35% 的病历包含闲聊,3.7% 错误归因或临床使用这些附带信息。 在 57 次模拟咨询中,-10 dB 背景语音导致 48.2% 转录污染,4 个开源模型的 5.3% 笔记检测到污染。 这些发现支持在临床使用前评估对附带信息的抵抗力。

来源:arXiv · NLP · arxiv.org