Kythera Labs 首席科學長 Glynn Dennis 提出，儘管大型語言模型（LLM）在醫療AI應用中展現強大推理能力，但無法取代確保數據完整性和語義連續性的確定性語義基礎設施，若混淆兩者恐成為醫療AI發展的一大盲點。
隨著人工智慧（AI）技術日益進步，醫療領域的AI應用正從單一展示轉變為整合至臨床、營運與研究工作流程的實際系統。新一代AI應用程式正在醫療照護、營運及研究的各個層面嶄露頭角。
然而，臨床資訊在醫療系統中流動時，常經歷多次「翻譯」過程，每次轉譯都可能微妙地改變其原始意義，導致語義的喪失、改變或誤解。 Kythera Labs 首席科學長 Glynn Dennis 指出，醫療語義不應在每個模型內部獨立生成，而應明確作為共享的「語義基礎設施（Semantic Infrastructure）」加以保存。這套基礎設施必須具備可追溯、可重複利用且獨立於任何大型語言模型（LLM，如 ChatGPT 這類生成式 AI 模型）或 AI 代理的治理能力。他強調，每個AI模型都應基於相同的信任語義基礎進行推理，而非各自重建。
醫療數據高度仰賴數百種共享的詞彙和編碼系統，涵蓋處置、診斷、藥物處方等，例如 NDC（國家藥品代碼，辨識藥品的獨特編碼）、SNOMED（醫學系統命名術語集，涵蓋疾病、診斷、程序和藥物的標準化醫學術語集）、ICD（國際疾病分類，用於疾病、傷害和死因分類的國際標準）、CPT（當前程序術語，描述醫療服務、手術和診斷服務的編碼系統）、RxNorm（處方藥名稱，標準化藥品名稱和劑型的資料庫）、LOINC（實驗室觀察者識別碼，用於實驗室檢查和觀察結果的標準編碼）以及 HCPCS（醫療保健通用程序編碼系統，描述醫療服務、用品和設備的編碼系統）。例如，單單是常用藥物 methotrexate 就有超過 600 個 NDC 編碼，顯示其複雜性與對數據完整性的高要求。醫療AI應用需要數據同時具備「推理」和「完整性」。
Dennis 解釋，大型語言模型越來越能提供機率性推理（Probabilistic Reasoning，依據可能性進行判斷和推斷的能力），但語義基礎設施必須提供確定性（Deterministic）與完整性。兩者職責分明：模型依據臨床意義進行推理，而「確定性語義基礎設施（Deterministic Semantic Infrastructure，提供可追溯、可驗證、明確且完整的語義資訊的系統）」負責翻譯、保存和治理這些意義。這種區分的重要性，將隨著基礎模型日益改進和AI代理的自主性提升而更為顯著。
過去，研究人員和臨床醫師會透過人力彌補臨床意義的缺口，例如臨床醫師識別模糊的文檔，醫療編碼人員解決不一致，資料科學家耗費數月時間翻譯、協調、驗證和治理臨床概念。但隨著AI在醫療工作流程中扮演更核心的角色，例如觸發工作流程、推薦治療方案、生成證據、協調決策等，語義模糊的代價將急遽增加。過去分析師的不便或手動協調，將轉變為營運上的重大依賴。
Kythera Labs 指出，醫療AI的未來取決於兩種截然不同的能力：機率性推理與確定性語義基礎設施。混淆這兩者已成為醫療產業最大的盲點之一。