Παρά τις υψηλές επιδόσεις τους σε εξετάσεις ιατρικών γνώσεων, τα κορυφαία μεγάλα γλωσσικά μοντέλα (LLMs) αντιμετωπίζουν ένα σημαντικό «τυφλό σημείο» όταν καλούνται να λάβουν κλινικές αποφάσεις σε πραγματικές συνθήκες ογκολογίας. Σύμφωνα με πρόσφατη έρευνα που παρουσίασε το Oncology Decision Boundary Benchmark (ODBB), η τεχνητή νοημοσύνη δυσκολεύεται να διαχειριστεί την αβεβαιότητα και την επιλογή μεταξύ διαφορετικών κατευθυντήριων γραμμών.

Το Benchmark ODBB και η Συλλογική Αποτυχία

Η μελέτη εξέτασε εννέα μοντέλα αιχμής (τέσσερα κλειστού κώδικα και πέντε ανοιχτών βαρών) που κυκλοφόρησαν μεταξύ Ιουνίου 2025 και Απριλίου 2026. Χρησιμοποιώντας 2.005 ογκολογικά σημεία απόφασης, οι ερευνητές διαπίστωσαν ότι το 42,1% των περιπτώσεων δεν απαντήθηκε σωστά από κανένα μοντέλο, λειτουργώντας ως ένα «συλλογικό σούπερ-μοντέλο».

Οι αποτυχίες ήταν ιδιαίτερα έντονες σε:

  • Περιπτώσεις καρκίνου του παχέος εντέρου, όπου το ποσοστό αποτυχίας έφτασε το 66,4%.
  • Σημεία επιλογής μεταξύ διαφορετικών θεραπευτικών μονοπατιών πριν από την εφαρμογή λογικής εντός αυτών.
  • Περιπτώσεις όπου το μοντέλο ανέφερε το σωστό επόμενο βήμα αλλά αρνήθηκε να δεσμευτεί σε αυτό (αποτυχία απόφασης, όχι γνώσης).

Επικίνδυνες Δεσμεύσεις και Αρχιτεκτονικοί Περιορισμοί

Ένα ανησυχητικό εύρημα αφορά τα μοντέλα που έχουν ρυθμιστεί για μεγαλύτερη «αποφασιστικότητα», όπως το GPT-5.5 και το Gemini 3.1 Pro Preview. Αυτά τα μοντέλα προχώρησαν σε μη ασφαλείς κλινικές δεσμεύσεις τρεις έως πέντε φορές συχνότερα από τα πιο «προσεκτικά» μοντέλα, χωρίς ωστόσο να επιτυγχάνουν υψηλότερη βαθμολογία.

«Η ποιότητα του μοντέλου δεν αποτελεί πλέον το πρωταρχικό εμπόδιο για την κλινική ανάπτυξη των LLM· ο περιοριστικός παράγοντας είναι η υπόθεση ότι ένα μεμονωμένο μοντέλο μπορεί να αποτελέσει τη μοναδική βάση για μια κλινική απόφαση», αναφέρει η μελέτη.

Η έρευνα καταλήγει στο συμπέρασμα ότι η πρόοδος απαιτεί νέες αρχιτεκτονικές που θα ανιχνεύουν πότε ένα μοντέλο φτάνει στα όρια της επάρκειάς του, παραπέμποντας τότε την απόφαση σε κλινικό γιατρό.