Abstract B017: Check: A hybrid continuous-learning framework for enhancing factual reliability in clinical language models
Notice bibliographique
Résumé
Abstract Large Language Models (LLMs) possess significant potential across diverse clinical applications. However, their tendency to generate factual inaccuracies, termed hallucinations, presents a major obstacle to their dependable use in healthcare settings. To tackle this crucial issue, we introduce CHECK, a novel hybrid continuous-learning framework that synergistically combines meticulously curated, domain-specific databases of clinical knowledge with a comprehensive first of its type, database-free classifier for detecting hallucinated content. We evaluated CHECK on a comprehensive dataset of clinically relevant questions derived from 100 pivotal clinical trials, representing a critical domain within evidence-based medicine. Our results demonstrate a substantial improvement in factual accuracy, with LLMs achieving 97\% factuality and a minimal 0.3\% hallucination rate when utilizing our structured databases, compared to considerably lower accuracy - 38\% factuality, 31\% hallucinations - when relying solely on minimal context (trial titles). Furthermore, our first of its kind comprehensive ensemble-based classifier, that leverage information theory first principles, attained a strong Area Under the Curve (AUC) of 0.95 in distinguishing factual and hallucinated paragraphs in clinical trial questions. This clasifier generalized effectively to a synthetic UMLS disorder dataset (AUC = 0.96), indicating broader applicability across medical knowledge domains and generalization of our factuality phenotype. CHECK's continuous learning feedback loop, incorporating expert verification and classifier retraining, offers a pathway for ongoing enhancement of LLM trustworthiness and safety in various clinical contexts by proactively mitigating hallucinations to levels below other serious and accepted errors in the industry (e.g drug administration). Therefore, paving the way for a broad LLM clinical adoption. Citation Format: Carlos Garcia Fernandez, Luis Felipe, Gilmer Valdes. Check: A hybrid continuous-learning framework for enhancing factual reliability in clinical language models [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr B017.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».