L'IA face aux grands problèmes du monde · Médecine et découverte de médicaments · Nature (computational biology) · 2026-10-26
Cadre hybride de récupération et de vérification pour réduire les hallucinations dans les LLM médicaux
Titre original: Hybrid retrieval–verification framework for hallucination reduction in medical LLMs
Les grands modèles de langage utilisés en contexte clinique peuvent produire des réponses non étayées par des preuves, ce qui pose des risques pour la sécurité. Les auteurs proposent CARE-Med, un cadre qui combine récupération dense, vérificateurs d'inférence en langage naturel (NLI) et notation de confiance, et le testent sur MIMIC-III, PubMedQA et BioASQ. Le taux de réponses non étayées selon la NLI est passé de 32 % pour un LLM de référence à 10 %, et de 21 % avec un RAG classique à 10 %.