💻 informatica

A Deterministic Framework for Pharmaceutical Authenticity Verification Using Constrained Multimodal AI

Het artikel introduceert MedTruth, een deterministisch dual-mode framework dat een multimodale AI-modellen met vaste parameters en strikte output-schema's beperkt om hallucinaties te verminderen van 15% naar onder de 2%, wat betrouwbare verificatie van de authenticiteit van farmaceutische producten en veilige interactie met patiënten mogelijk maakt.

Oorspronkelijke auteurs: Viral Dhoka, Pankaj Kunekar, Tanaya Thorat, Shreenath Utekar, Samruddhi Wankhede

Gepubliceerd 2026-10-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Viral Dhoka, Pankaj Kunekar, Tanaya Thorat, Shreenath Utekar, Samruddhi Wankhede

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Elk jaar kopen miljoenen mensen over de hele wereld medicijnen die echt lijken, maar dat niet zijn. Op veel plaatsen kan een flesje pillen niets anders bevatten dan krijt, of erger nog, een gevaarlijke industriële chemische stof. Terwijl overheden en grote bedrijven complexe controlesystemen gebruiken om te voorkomen dat deze vervalsingen de toeleveringsketen binnendringen, heeft de persoon die in een kleine winkel staat met een verdacht pakketje geen enkele manier om te controleren of het echt is. Onlangs zijn mensen algemene kunstmatige intelligentie-chatbots gaan gebruiken om hen te helpen beslissen. Ze uploaden een foto van het medicijn en vragen of het veilig is. Deze chatbots zijn echter ontworpen om behulpzaam en gesprekgericht te zijn, niet forensisch. Ze gokken vaak zelfverzekerd, verzinnen details die er niet zijn, of geven vage antwoorden die een patiënt op een kritiek moment niet helpen.

Onderzoekers aan het Vishwakarma Institute of Technology in India hebben een nieuw systeem gebouwd genaamd MedTruth om dit specifieke probleem op te lossen. In plaats van te proberen een slimmere chatbot te maken, hebben ze een systeem gebouwd dat een standaard kunstmatige intelligentie dwingt om als een strikte inspecteur op te treden. Het team nam een krachtig visueel taalmodel — een model dat afbeeldingen kan zien en tekst kan lezen — en plaatste dit binnen een reeks rigide regels. Deze regels voorkomen dat de computer praat of gokt. In plaats daarvan wordt het systeem gedwongen om het medicijnverpakking in vier specifieke stappen te bekijken: de tekst lezen, de ontwerpdetails controleren, de medicijnnaam vergelijken met de ingrediënten, en zoeken naar officiële overheidsmerken. Pas nadat de checklist is voltooid, geeft het systeem een definitieve score.

De resultaten laten zien dat deze rigide aanpak veel beter werkt dan de computer vrij laten praten. Toen de onderzoekers het systeem testten op vijftig verschillende medicijnverpakkingen, waaronder dertig echte en vijftien slim gemaakte vervalsingen, identificeerde het nieuwe systeem de overgrote meerderheid van de producten correct. Het herkende bijna alle echte producten en de meeste van de vervalsingen. Belangrijker nog, het systeem verzon geen feiten meer. In een test met een standaard, ongecontroleerde chatbot verzon de computer vijftien procent van de tijd nepbeveiligingskenmerken of las patronen verkeerd. Met het nieuwe MedTruth-systeem daalde die foutmarge naar minder dan twee procent. Het systeem bleef ook snel en had slechts ongeveer twee seconden nodig om een foto te scannen en een antwoord te geven, wat snel genoeg is voor een persoon om te gebruiken terwijl hij in een winkel staat.

Het geheim van dit succes ligt in de manier waarop het systeem met de kunstmatige intelligentie omgaat. De onderzoekers hebben het hulpmiddel gesplitst in twee aparte modi die nooit mengen. De eerste modus is een staatloze scanner, wat betekent dat deze geen geheugen heeft van eerdere gesprekken. Het bekijkt de afbeelding, volgt de strikte checklist en geeft een eenvoudige score weer. Dit voorkomt dat de computer wordt beïnvloed door wat een gebruiker eerder heeft gezegd. Als de verpakking deze strikte controle doorstaat, kan de gebruiker vervolgens overschakelen naar een tweede modus, een conversationele assistent die vragen kan beantwoorden over het medicijn. Deze assistent mag alleen praten over het specifieke medicijn dat zojuist de test heeft doorstaan, en is geprogrammeerd om nooit medisch advies te geven of een patiënt te vertellen te stoppen met een voorgeschreven medicatie.

Door de computer te dwingen te vertragen en een stapsgewijs proces te volgen, hebben de onderzoekers een hulpmiddel dat ontworpen is voor open eind gesprekken, veranderd in een betrouwbaar verificatie-instrument. De studie suggereert dat voor veiligheidskritische taken zoals het controleren van medicijnen, de beste manier om kunstmatige intelligentie te gebruiken niet is om het creatiever te maken, maar om het meer beperkt te maken. Het systeem vervangt laboratoriumtesten of officiële overheidsregisters niet, maar biedt een praktische manier voor gewone mensen om duidelijke vervalsingen te herkennen wanneer zij geen andere optie hebben. De onderzoekers merken op dat hoewel het systeem zeer effectief is in hun tests, het nog steeds afhankelijk is van de kwaliteit van de foto en de aanwezigheid van zichtbare tekst, en het kan niet verifiëren of een licentienummer echt is als een vervalser het formaat perfect heeft gekopieerd. Desalniettemin demonstreert het werk dat kunstmatige intelligentie, met zorgvuldig ontwerp, kan worden gemaakt om met de consistentie en precisie te handelen die vereist zijn om de volksgezondheid te beschermen.

Technische Samenvatting: Een Deterministisch Kader voor de Verificatie van Farmaceutische Authenticiteit met behulp van Beperkte Multimodale AI

Probleemstelling

Nagemaakte farmaceutica vormen een kritieke bedreiging voor de wereldwijde volksgezondheid, waarbij schattingen suggereren dat tot 30% van de medische producten in regio's met zwakker toezicht onderstandaard of vervalst is. Hoewel institutionele verdedigingsmechanismen zoals blockchain en RFID bestaan, schieten deze vaak tekort in het ondersteunen van de eindgebruiker die in hulparme omgevingen een verdacht pakketje vasthoudt.

Het artikel identificeert een specifiek gat in het gebruik van algemene conversatie-AI (bijv. ChatGPT, Gemini) voor medicijnverificatie. Deze modellen, die zijn geoptimaliseerd voor vloeiendheid en betrokkenheid in plaats voor forensische precisie, vertonen drie terugkerende foutpatronen wanneer ze worden gevraagd om authenticiteit te beoordelen:

Visueel-tekstuele dissociatie: Modellen kunnen tekst lezen via OCR-achtige redeneringen, maar negeren fysieke aanwijzingen zoals typografische afwijkingen, kleurverschillen of ontbrekende holografische zegels.
Vals Zelfvertrouwen: Vanwege de generatie van de volgende token die optimaliseert voor plausibiliteit, beweren modellen vaak authenticiteit zonder bewijsbare basis.
Injectie van Ambiguïteit: Modellen vallen vaak terug op vage suggesties (bijv. "raadpleeg een apotheker") in plaats van het bieden van actiegerichte oordelen.

Deze fouten zijn inherent aan de probabilistische aard van transformer-modellen, waarbij door temperatuurgestuurde sampling de voorkeur wordt gegeven aan betrokkenheid boven binaire correctheid.

Methodologie

De auteurs stellen MedTruth voor, een duaal kader dat een multimodale Large Language Model (LLM) dwingt om deterministisch te handelen in plaats van open einde. Het systeem maakt gebruik van Gemini 1.5 Flash en is geïmplementeerd als een client-side single-page applicatie om latentie te minimaliseren.

Architecturaal Ontwerp

Het systeem gebruikt een state router om de twee operationele modi strikt te scheiden, zodat de gesprekshistorie de forensische scans niet beïnvloedt:

Verificatiemodus (Stateless): Een forensische inspectie-pipeline waarbij het model fungeert als een gestructureerde classificatiefunctie.
Dr. AI Modus (Stateful): Een conversationele assistent die pas wordt geactiveerd nadat een pakket de verificatie heeft doorstaan, waarbij een korte rollende geheugen wordt behouden voor vragen over dosering en bijwerkingen.

Beperkende Prompting (Constraint-Based Prompting)

Om het generatieve model te transformeren tot een score-instrument, past MedTruth vier specifieke beperkingen toe tijdens de Verificatiemodus:

Roldefinitie: De systeemprompt definieert het model expliciet als een deterministische verificatiemotor, waarbij conversatietekst verboden is.
Schema Handhaving: De output wordt gedwongen in een strikt JSON-schema dat een authenticiteitsscore, veiligheidsaanbevelingen, arrays met visuele anomalieën en regelgevende nalevingsvlaggen bevat.
Temperatuuronderdrukking: De sampling temperatuur is vastgesteld op 0.2 (tegenover de creatieve standaard van 1.0) om de waarschijnlijkheidsmassa te concentreren op de meest waarschijnlijke tokens, wat herhaalbare resultaten garandeert.
Visuele Chain of Thought: Het model wordt gedwongen door een vierfasig sequentieel redeneerproces voordat het een oordeel genereert:
1. Extraheer zichtbare tekst (medicijnnaam, batch, vervaldatum) en ontwerpelementen.
2. Vergelijk observaties met verwachte merkpatronen (bijv. hologrambreking).
3. Kruiscontroleer de opgegeven medicijnnaam met het vermelde actieve farmaceutische ingrediënt (API) en de dosering.
4. Verifieer verplichte regelgevende markeringen (bijv. Rx-symbool, licentieformaat).

Authenticiteitsscore

Het kader berekent een samengestelde authenticiteitsscore ( $S_{auth}$ ) met behulp van een gewogen geometrisch gemiddelde van drie vectoren:

Visuele Trade Dress ( $V_m$ , gewicht 0.4): Typografie, kleurgetrouwheid, hologrammen en lay-out.
Semantische Consistentie ( $S_c$ , gewicht 0.4): Overeenkomst tussen medicijnnaam, API en plausibele dosering.
Regelgevende Naleving ( $R_c$ , gewicht 0.2): Aanwezigheid en formaat van regelgevende markeringen.

Het gebruik van een geometrisch gemiddelde zorgt ervoor dat een hoge score in één vector een kritiek falen in een andere niet kan maskeren (bijv. perfecte druk kan een verkeerd actief ingrediënt niet compenseren). Scores worden gekoppeld aan drie labels: GEVERIFICEERD ( $\geq 0.75$ ), ONVERIFIED ( $0.50–0.75$ ) en SUSPECT ( $< 0.50$ ).

Belangrijkste Bijdragen

Dual-Mode Router Architectuur: Een ontwerp dat deterministische scanning isoleert van open gesprekken om kruisbesmetting van statussen te voorkomen.
Constraint Prompting Methodologie: Een combinatie van schema handhaving, lage-temperatuur sampling en gefaseerde redenering die de hallucinatie in algemene multimodale modellen meetbaar vermindert zonder hertraining.
Empirische Validatie: Een vergelijkende studie tegen een standaard multimodale chatbot en een traditionele OCR-pipeline, die winst laat zien in nauwkeurigheid, betrouwbaarheid en actiegerichte output.

Resultaten

Het systeem werd geëvalueerd op een dataset van 50 farmaceutische verpakkingsafbeeldingen (30 authentieke, 15 adversariële namaakproducten met subtiele gebreken, en 5 kwalitatief minder goede opnames).

Nauwkeurigheid: MedTruth behaalde een algemene verificatienauwkeurigheid van 92%, waarbij 28/30 authentieke monsters en 13/15 adversariële monsters correct werden geïdentificeerd.
Reductie van Hallucinaties: Het hallucinatiepercentage daalde van 15% in de standaard chatbot baseline (GPT-4o) naar minder dan 2% in MedTruth. De enkele fout in MedTruth trad op bij een bewust wazige afbeelding.
Latentie: De gemiddelde verificatielatentie was 2.1 seconden, wat binnen een bruikbare tijdspanne valt voor consumenteninstrumenten ondanks de toegevoegde gestructureerde redeneerstappen.
Vergelijking: De standaard chatbot faalde voornamelijk op adversariële monsters met verborgen semantische mismatches, terwijl de gestructureerde kruiscontrole van MedTruth deze fouten succesvol oppikte. Google Lens (alleen OCR) bood geen direct oordeel, waardoor de interpretatie aan de gebruiker werd gelaten.

Betekenis en Claims

Het artikel beweert dat architecturale beperkingen en gestructureerde prompting algemene multimodale AI geschikt kunnen maken voor veiligheidskritische domeinen waar determinisme belangrijker is dan open gesprek.

Betrouwbaarheid boven Schaal: Het werk toont aan dat het verbeteren van betrouwbaarheid niet noodzakelijkerwijs vereist dat grotere modellen met enorme gelabelde datasets opnieuw worden getraind; in plaats daarvan leveren zorgvuldig systeemontwerp en gedragsbeperkingen aanzienlijke verbeteringen op.
Actiegerichte Output: Door een generatief model om te zetten in een score-instrument met een strikte JSON-output, biedt het systeem duidelijke, actiegerichte beslissingen (Authentiek/Ongeverifieerd/Verdacht) in plaats van ambigue conversationele reacties.
Erkenning van Beperkingen: De auteurs merken bescheiden op dat de regelgevende vector de vormconformiteit valideert in plaats van de authenticiteit van specifieke licentienummers (het "oracle problem"), en dat de dataset van 50 monsters bescheiden is in verhouding tot de wereldwijde diversiteit aan verpakkingen. Zij positioneren MedTruth als een besluitvormingsondersteuningssysteem in plaats van een vervanging voor laboratoriumtesten of professionele beoordeling.

De studie concludeert dat het scheiden van het verificatieproces in een stateless, forensische taak en een stateful, conversationele taak, het mogelijk maakt om multimodale AI in te zetten in omgevingen met hoge inzet, met reproduceerbare en betrouwbare resultaten.