HemOncAgent: an artificial intelligence system for retrieving structured and narrative oncology knowledge

في عالم علاج السرطان المعقد، يتعين على الأطباء التنقل بين نوعين مختلفين تماماً من المعلومات. النوع الأول صلب ودقيق، مثل كتالوج للمكونات يسرد بالضبط أي الأدوية تنتمي إلى تركيبة معينة أو أي الرموز الطبية تصف مرضاً معيناً. والنوع الآخر مرن ووصفي، يوجد في الملاحظات المكتوبة للمتخصصين الذين يشرحون كيفية تسلسل العلاجات بمرور الوقت، وتحديد متى يبدأ علاج جديد أو كيفية إدارة حالة مريض بعد عودة المرض. لعقود من الزمن، كافحت الأنظمة الحاسوبية المصممة لمساعدة الأطباء للتعامل مع كليهما في آن واحد؛ فبعضها يتفوق في إيجاد الحقائق الدقيقة لكنه يفشل في فهم قصة خطة العلاج، بينما يجيد البعض الآخر قراءة النصوص لكنه يفتقد الروابط الحيوية بين أدوية محددة. هذه الفجوة مهمة لأن الطبيب الذي يطرح سؤالاً حول رعاية السرطان قد يحتاج إلى قائمة أدوية دقيقة في لحظة، وإلى شرح سردي لمسارات العلاج في اللحظة التالية.

قام فريق من الباحثين ببناء مساعد رقمي جديد يسمى HemOncAgent لسد هذه الفجوة. وبدلاً من إجبار طريقة واحدة على القيام بكل العمل، يعمل هذا النظام مثل أمين مكتبة حصيف يعرف متى يلجأ إلى قاعدة بيانات منظمة ومتى يقرأ دليلاً تفصيلياً. اختبر الباحثون هذه الأداة مقابل الأنظمة الحاسوبية القياسية باستخدام مئات الأسئلة حول معرفة طب الأورام. ووجدوا أنه من خلال السماح للحاسوب باختيار المصدر المناسب لكل سؤال محدد، استطاع النظام الجديد الإجابة على الاستفسارات الواقعية وسيناريوهات العلاج المعقدة بدقة عالية. وتشير النتائج إلى أنه بالنسبة للمعرفة الطبية التي هي جزء منها بيانات صلبة وجزء آخر تجربة بشرية، فإن النهج الهجين أكثر موثوقية بكثير من الاعتماد على نوع واحد فقط من البحث.

يكمن التحدي في طب الأورام في أن المعرفة توجد في شكلين متميزين. فمن ناحية، هناك قواعد بيانات منسقة تخزن حقائق منظمة، مثل أي الأدوية تشكل نظاماً علاجياً معيناً أو ما هي الرموز الطبية القياسية التي تنطبق على حالة ما. هذه تشبه القواعد الصارمة للعبة، حيث يكون لكل عنصر مكان محدد. ومن ناحية أخرى، هناك موارد كتبها الأطباء تصف كيف تُستخدم العلاجات في الممارسة العملية، وتفصل الترتيب الذي تُعطى به العلاجات لمراحل مختلفة من المرض. تلتقط هذه السرديات الفروق الدقيقة في اتخاذ القرار التي غالباً ما تفتقدها قواعد البيانات الجامدة. وبينما يمكن لنماذج اللغة الكبيرة — وهي برامج حاسوبية مدربة على كميات هائلة من النصوص — الإجابة على الأسئلة، إلا أنها غالباً ما تقع في فخ "الهلوسة" أو التخمين عندما تفتقر إلى الوصول إلى هذه المصادر الخارجية المحددة. ولحل هذه المشكلة، طور الباحثون نظاماً يمكنه الوصول إلى كلا النوعين من الموارد، واختيار الأكثر ملاءمة بناءً على ما يطلبه المستخدم.

أنشأ الباحثون HemOncAgent ليعمل كمركز اتصال يربط بين مصدرين محددين للمعرفة. المصدر الأول هو رسم بياني معرفي منظم، وهو عبارة عن شبكة ضخمة تضم أكثر من 126,000 مفهوم و424,000 علاقة تربط بين الأدوية والأنظمة العلاجية والأمراض. هذا المصدر ممتاز للإجابة على الأسئلة المتعلقة بالتركيبات الدقيقة أو الموافقات التنظيمية. والمصدر الثاني هو موقع إلكتروني سردي يحتوي على آلاف الصفحات من النصوص التي كتبها الخبراء، والتي تصف مسارات العلاج وتسلسلات الرعاية. عندما يُطرح سؤال، يقوم "الوكيل" (agent) بتحليل الطلب ويقرر ما إذا كان سيستعلم من الرسم البياني المنظم، أو يبحث في النص السردي، أو يستخدم كليهما. ثم يسترجع المعلومات ذات الصلة ويقوم بصياغة إجابة نهائية. ولرؤية ما إذا كان هذا النهج قد نجح، قارن الفريق HemOncAgent بثلاثة أنظمة أخرى: نموذج لغوي قياسي بدون معرفة خارجية، ونظام يبحث فقط في النص السردي، ونظام يستعلم فقط من الرسم البياني المنظم.

تضمنت الاختبارات 600 سؤال مقسمة إلى مجموعتين. ركزت المجموعة الأولى على الحقائق المنظمة، مثل تحديد الأدوية في نظام علاجي معين أو العثور على رمز طبي محدد. وركزت المجموعة الثانية على التفاصيل السردية، مثل تحديد ترتيب العلاجات لمجال مرضي معين. أظهرت النتال نمطاً واضحاً؛ فالنظام الذي بحث فقط في النص السردي أدى بشكل جيد في تسلسلات العلاج ولكنه فشل فشلاً ذريعاً في إيجاد الرموز الدقيقة أو قوائم الأدوية. وعلى العكس من ذلك، كان النظام الذي استخدم فقط الرسم البياني المنظم ممتازاً في الحقائق لكنه عانى في العثور على مسارات العلاج الصحيحة الموصوفة في النص. أما النموذج اللغوي القياسي بدون أي مساعدة خارجية فقد كان أداؤه ضعيفاً في كليهما. ومع ذلك، حقق HemOncAgent أعلى درجة إجمالية؛ فقد طابق أداء نظام الرسم البياني المتخصص في الأسئلة الواقعية، وتفوق على النظام المعتمد على النص فقط في الأسئلة السردية، ونجح في الجمع بين نقاط القوة في كلا النهجين.

وعندما نظر الباحثون عن كثب في أنواع الأسئلة المحددة، أصبحت مزايا النظام الهجين أكثر وضوحاً. فبالنسبة للأسئلة التي تتطلب تطابقات دقيقة، مثل العث lập تصنيف دواء أو رقم تجربة سريرية، اعتمد الوكيل بشكل شبه كامل على قاعدة البيانات المنظمة، محققاً دقة تقارب الكمال. أما بالنسبة للأسئلة المتعلقة ببيئات العلاج، مثل ما يحدث بعد فشل العلاج من الخط الأول، فقد بحث الوكيل بشكل أساسي في الصفحات السردية. وفي هذه الحالات، تفوق بشكل ملحوظ على نظام الرسم البياني فقط، الذي لم يتمكن من العثور على الإجابات المخفية في النثر. كما أظهر الوكيل قدرته على دمج المصادر بذكاء عند الضرورة، حيث استخدم كلاً من الرسم البياني والنص في حوالي ربع الأسئلة السردية لضمان إجابة كاملة. سمحت هذه المرونة له بالحفاظ على دقة عالية عبر كامل نطاق معرفة طب الأورام.

كما اختبرت الدراسة مدى قوة هذه النتائج من خلال تغيير نموذج الحاسوب الأساسي الذي يولد الإجابات. وحتى عندما قام الباحثون باستبدال المحرك الأساسي بنوع مختلف من الذكاء الاصطناعي، استمر النظام الهجين في التفوق على البدائل ذات المصدر الواحد. ورغم أن الدرجات المطلقة تغيرت قليلاً، إلا أن النمط ظل ثابتاً: إن امتلاك الوصول إلى كل من المصادر المنظمة والسردية وفر ميزة مستمرة. وأشار الباحثون إلى أن نظام التصحيح الآلي المستخدم لتقييم الإجابات اتفق مع نظام تصحيح ثانٍ مستقل في ما يقرب من 94 بالمائة من الاستجابات، مما يعطي الثقة في أن النتائج لم تكن مجرد صدفة ناتجة عن طريقة تقييم واحدة.

وعلى الرغم من هذه النجاحات، يحرص المؤلفون على توضيح حدود نتائجهم. فالأسئلة المستخدمة للاختبار تم إنشاؤها مباشرة من نفس الموارد التي كان النظام يبحث فيها، مما يعني أن الاختبار قاس مدى قدرة النظام على استرجاع المعلومات من تلك المصادر المحددة بدلاً من قياس مدى قدرته على الاستنتاج حول سيناريوهات سريرية جديدة وغير مرئية. ولا تدعي الدراسة أن هذا النظام جاهز لاستبدال الأطباء أو أنه يمكنه الإجابة على كل سؤال ممكن حول رعاية السرطان، خاصة وأن الإرشادات الطبية تتغير بسرعة وأن قاعدة المعرفة تمثل لقطة زمنية محددة. ومع ذلك، فإن النتائج تشير بقوة إلى أنه بالنسبة لموارد المعرفة السريرية التي تمتد بين البيانات الصلبة والسرد البشري، فإن استراتيجية بحث واحدة لا تكفي. ومن خلال السماح لوكيل ذكاء اصطناعي باختيار الأداة المناسبة للمهمة، أثبت الباحثون طريقة عملية لجعل المعلومات الطبية أكثر سهولة وموثوقية.