A ReAct Agentic AI System for Natural Language Querying and Statistical Analysis of The Cancer Genome Atlas Clinical Data

تنتج المستشفيات ومراكز الأبحاث كميات هائلة من المعلومات حول المرضى، بدءاً من تاريخهم الطبي وصولاً إلى التركيبة الجينية المحددة لأورامهم. ويعد "أطلس جينوم السرطان" أحد أهم مجموعات البيانات هذه، وهو مكتبة رقمية ضخمة تضم السجلات السيدية لأكثر من 11,000 مريض عبر 33 نوعاً مختلفاً من السرطان. ولعقود من الزمن، اعتمد العلماء على هذا المورد للعثور على أنماط قد تؤدي إلى علاجات أفضل، لكن الوصول إلى المعلومات كان مهمة صعبة. فالبيانات مخزنة في هياكل ملفات معقدة ومتناثرة عبر تنسيقات مختلفة، مما يتطلب من الباحثين كتابة أكواد حاسوبية متخصصة لمجرد طرح أسئلة بسيطة. وهذا الحاجز يعني أن الرؤى القيمة غالباً ما تظل محبوسة، ولا يمكن الوصول إليها إلا من قبل أولئك الذين يمتلكون مهارات برمجة متقدمة، بينما يظل الأطباء والممارسون السريريون الذين يمكنهم استخدام هذه البيانات فوراً دون وسيلة مباشرة للاستعلام عنها.

ولحل هذه المشكلة، طور الباحثون نوعاً جديداً من الأنظمة الحاسوبية المصممة لفهم اللغة الطبيعية وإجراء التحليل الإحصائي على هذه البيانات الطبية. فبدلاً من إجبار الإنسان على تعلم لغة برمجة معقدة، يسمح هذا النظام للمستخدم ببساطة بطرح سؤال بلغة إنجليزية بسيطة، مثل الاستفسار عن معدلات بقاء المرضى على قيد الحياة مع علاج معين. يعمل النظام كوكيل مستقل، أي مساعد رقمي يمكنه التفكير في المشكلة خطوة بخطوة. وعند وصول سؤال ما، لا يقوم الوكيل بتخمين الإجابة؛ بل يستخدم نموذج لغة ضخماً ليعلل الأدوات التي يحتاجها للوصول إلى الحقيقة. فهو يختار من بين مجموعة مكونة من ثماني أدوات حوسبية مختلفة، والتي قد تشمل وظائف لاستخراج نقاط بيانات محددة، أو حساب المتوسطات، أو مقارنة مجموعات من المرضى لمعرفة ما إذا كان هناك فرق ذو دلالة إحصائية.

وتعمل العملية من خلال جعل الوكيل يفكك السؤال المعقد إلى خطوات أصغر. فإذا سأل مستخدم عن وقت بقاء المرضى على قيد الحياة مع ورم معين، فقد يقوم الوكيل أولاً باسترجاع سجلات المرضى ذات الصلة، ثم يحسب مدة بقائهم على قيد الحياة، وأخيراً يجري اختباراً إحصائياً ليرى ما إذا كانت النتيجة موثوقة. ومن الأهمية بمكان أن النظام يتحقق من عمله بنفسه؛ حيث يقارن نتائج إيجاده مع نسخة منسقة وموثوقة من البيانات تُعرف باسم "مورد البيانات السريرية" (Clinical Data Resource) لضمان الدقة. وإذا فشلت المحاولة الأولية أو بدت البيانات غير مكتملة، يقوم الوكيل بتكييف نهجه، مجرباً أداة مختلفة أو طريقة أخرى للنظر في الأرقام حتى يصل إلى إجابة صحيحة وذات معنى سريري. وتسمح دورة التفكير والعمل والتحقق هذه للنظام بالتعامل مع الأسئلة الصعبة التي قد تحبط برنامجاً حاسوبياً عادياً أو برامج الدردشة البسيطة.

ولاختبار مدى فعالية هذا النظام، أنشأ الباحثون تقييماً صارماً يسمى "TCGA-Agent-Bench". تضمن هذا الاختبار 440 سؤالاً تتراوح بين عمليات البحث البسيطة عن سجل مريض واحد إلى المقارنات المعقدة بين مجموعات كبيرة من الناس. تم تصنيف الأسئلة على خمسة مستويات من الصعوبة، وتم فحص الإجابات مقابل "مورد البيانات السريرية" الموثوق لمعرفة ما إذا كان النظام قد أصاب الأرقام الصحيحة وما إذا كان السياق الطبي مكتملاً. وأظهرت النتائج أن النظام الوكيل كان فعالاً للغاية، حيث أجاب على 93.4% من الأسئلة بشكل صحيح. وقد حقق أداءً مثالياً في عمليات البحث البسيلة، وبلغت نسبة نجاحه 99.1% في الأسئلة المتعلقة بمجموعات المرضى. وعند مقارنته بطرق أخرى، مثل مجموعة ثابتة من القواعد أو نموذج لغة قياسي لا يستخدم الأدوات، كان هذا النظام الجديد أكثر دقة بشكل ملحوظ. فقد حقق النموذج القياسي الذي يقرأ البيانات فقط دون التفكير في الخطوات دقة بلغت 81.8% فقط، بينما انخفضت دقة النظام الذي يحاول استرجاع المعلومات دون حلقة تفكير هيكلية إلى 66.9%.

كما كشفت الدراسة عن المجالات التي يضيف فيها النظام أكبر قيمة. فبينما كان بإمكان "مورد البيانات السريرية" وحده الإجابة على معظم الأسئلة، كانت هناك مجالات محددة قصّر فيها، مثل التفاصيل المتعلقة بالعلاجات الدوائية، أو قياسات أورام معينة، أو العلامات البيولوجية. وعندما اختبر الباحثون النظام على 26 سؤالاً تتطلب هذه التفاصيل المفقودة، أجاب النظام الوكي الكامل على 100% منها بشكل صحيح، في حين أن الاعتماد على المورد الموثوق وحده كان سيؤدي إلى إجابات صحيحة بنسبة 3.8% فقط. وهذا يوضح أن قدرة النظام على سحب البيانات من الملفات الخام والمعقدة أمر ضروري للحصول على صورة كاملة. كما أظهر تحليل إضافي أن "حلقة التفكير" —وهي الجزء الذي يفكر فيه الوكيل في خطوته التالية ويتحقق من عمله— كان العامل الأكثر أهمية، حيث عززت الدقة بنسبة 9.1% وحسنت اكتمال الإجابات بمقدار 22 نقطة مئوية.

وتشير النتائج إلى أن قوة هذا النظام لا تأتي من حجم النموذج الحاسوبي نفسه، بل من كيفية بنائه لاستخدام الأدوات والتحقق من نتائجه. فمن خلال الجمع بين القدرة على فهم اللغة البشرية ودقة البرمجيات الإحصائية وانضباط الفحص الذاتي، يجعل هذا النظام قاعدة بيانات طبية واسعة وصعبة الاستخدام متاحة لأي شخص يمكنه طرح سؤال. إنه يوفر وسيلة للحصول على إجابات دقيقة وقابلة للتدقيق مع مصادر واضحة، محولاً مكتبة من الملفات المعقدة إلى شريك حواري للاكتشاف الطبي. ويقدم هذا النهج مساراً للمضي قدماً في تحليل البيانات السريرية، مثبتاً أن البنية التحتية الصحيحة يمكنها فتح آفاق الرؤى التي كانت مخفية سابقاً خلف جدار من التعقيد التقني.