Агентный искусственный интеллект и большие языковые модели в радиологии: возможности и проблемы галлюцинаций

В области радиологии быстро внедряются большие языковые модели (LLM), однако их склонность генерировать галлюцинации (правдоподобную, но ошибочную информацию) остается существенным препятствием для доверия к ним. В этом всестороннем обзоре оцениваются новые подходы на основе агентного искусственного интеллекта (ИИ), включая ролевые многоагентные системы, генерацию с дополнением поиска (RAG) и количественную оценку неопределенности, с целью определить их потенциал для снижения частоты галлюцинаций в радиологических рабочих процессах. Данные за период с 2024 по 2025 год свидетельствуют о том, что агентный ИИ способен повышать диагностическую точность и снижать частоту ошибок, однако эти методы по-прежнему требуют значительных вычислительных ресурсов и не имеют полноценной клинической валидации. Многоагентные архитектуры обеспечивают перекрестную проверку благодаря ролевой специализации и систематической оркестрации рабочих процессов, тогда как стратегии RAG повышают точность, основывая ответы на подтвержденных данных медицинской литературы. В многоагентных системах количественная оценка неопределенности позволяет агентам сообщать друг другу уровни уверенности, благодаря чему они могут надлежащим образом учитывать вклад друг друга в ходе совместного анализа. Несмотря на значительный потенциал многоагентных архитектур и стратегий RAG, их практическое внедрение потребует тщательной интеграции с контролем со стороны человека, надежных показателей оценки, адаптированных к задачам медицинской визуализации, а также совершенствования нормативного регулирования для обеспечения безопасного клинического применения среди различных групп пациентов и при использовании разных методов визуализации.