BoneGraph: A Domain-Specialised, Self-Correcting Reasoning System for Bone Science Retrieval, Grounded Inference, and Image Mechanics
BoneGraph ist ein lokal bereitgestelltes, domänenspezifisches System für die Knochenwissenschaft, das kuratierte Abfrage, selbstkorrigierende Argumentation mit physikalischen und Wissensgraph-Beschränkungen sowie multimodale Vision-Mechanik-Fähigkeiten vereint, um die Einschränkungen allgemeiner Sprachmodelle bei der Synthese zuverlässiger, evidenzbasierter wissenschaftlicher Erkenntnisse zu überwinden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das menschliche Skelett ist weit mehr als ein statisches Gerüst, das uns aufrecht hält; es ist eine lebendige, atmende Struktur, die sich ständig an die Kräfte anpasst, die wir ihr aussetzen. Wenn wir gehen, rennen oder etwas heben, erfahren unsere Knochen unsichtbare Drücke, die sie stärken können oder, wenn die Last zu groß oder der Knochen zu schwach ist, zu Brüchen führen können. Das Verständnis dieses empfindlichen Gleichgewichts erfordert Wissen aus vielen verschiedenen Fachbereichen: der Biologie, um zu sehen, wie Knochenzellen wachsen; der Materialwissenschaft, um zu verstehen, wie Knochengewebe Brüche widersteht; und der Physik, um genau zu berechnen, wie viel Kraft ein spezifischer Knochen aushalten kann, bevor er versagt. Für Forscher und Ärzte bestand die Herausforderung bisher darin, dass dieses Wissen über tausende wissenschaftliche Arbeiten verstreut ist, die in einer dichten, technischen Sprache verfasst sind. Der Versuch, eine spezifische Antwort darauf zu finden, warum ein Knochen bricht oder wie er heilt, bedeutet oft, einen Berg von Texten durchforsten zu müssen, in der Hoffnung, den einen entscheidenden Satz zu finden.
Um dieses Problem zu lösen, hat ein Forscherteam einen neuen Typ digitaler Assistent entwickelt, der speziell für die Knochenwissenschaft konzipiert wurde. Sie nennen ihn BoneGraph. Anstatt zu versuchen, ein allgemeiner Experte für alles zu sein, ist dieses System ein Spezialist, der eine kuratierte Sammlung von fast 7.500 vollständigen wissenschaftlichen Arbeiten und Lehrbüchern über Knochen gelesen und auswendig gelernt hat. Es rät nicht einfach Antworten basierend auf dem, was es zuvor gesehen hat; es agiert wie ein akribischer Bibliothekar, der die exakte Passage in einem Buch findet, die eine Antwort stützt, diese zitiert und dann die Fakten gegen die Gesetze der Physik überprüft. Das System ist darauf ausgelegt, transparent und korrigierbar zu sein, was bedeutet: Wenn ein Nutzer einen Fehler aufzeigt, lernt das System diese spezifische Korrektur für diesen Nutzer und merkt sie sich für alle zukünftigen Fragen desselben Nutzers, um sicherzustellen, dass es denselben Fehler in diesem Kontext nicht noch einmal macht.
Die Forscher entwickelten dieses Werkzeug, weil Standard-Künstliche-Intelligenz, obwohl sie gut darin ist, flüssige Texte zu schreiben, oft Schwierigkeiten mit hochspezialisierten wissenschaftlichen Feldern hat. Diese allgemeinen Modelle können zwar selbstbewusst klingen, während sie falsch liegen, und sie lassen sich nicht leicht korrigieren, da ihr Wissen in ihrem internen Code verschlossen ist. BoneGraph vermeidet dies, indem es den Akt des Findens von Informationen vom Akt des Nachdenkens darüber trennt. Es arbeitet mit fünf verschiedenen Werkzeugen oder „Tabs“, die zusammenwirken. Das erste ist eine Suchmaschine, die relevante Textpassagen aus der riesigen Sammlung von Arbeiten findet. Das zweite ist eine Chat-Schnittstelle, die diese Passagen nutzt, um Fragen zu beantworten, wobei sie dem Nutzer immer genau zeigt, woher die Information stammt. Das dritte ist eine Denk-Engine (Reasoning Engine), die als selbstkorrigierende Schleife fungiert. Wenn sie eine Antwort generiert, prüft ein separater Teil des Systems diese gegen einen Satz von acht unveränderlichen physikalischen Regeln, wie etwa die bekannte Festigkeit von Knochengewebe oder die Art und Weise, wie die Knochendichte mit ihrer Tragfähigkeit zusammenhängt. Wenn die Antwort gegen diese physikalischen Gesetze verstößt, lehnt das System sie ab und versucht es erneut.
Ein einzigartiges Merkmal dieses Systems ist seine Fähigkeit, direkt von menschlichen Experten zu lernen. Wenn ein Nutzer einer Antwort widerspricht, kann er eine Korrektur eingeben. Das System wandelt diese Korrektur dann in eine permanente Regel um, die für alle zukünftigen Fragen dieses spezifischen Nutzers gilt. Das bedeutet, dass das System nicht von Ingenieuren neu trainiert oder aktualisiert werden muss; es entwickelt sich einfach durch die Interaktion mit seinen Nutzern weiter. Das Werkzeug enthält zudem eine visuelle Komponente, die medizinische Bilder von Knochen, wie etwa Röntgenaufnahmen, betrachten und identifizieren kann, welcher Teil des Körpers dargestellt ist. Es ist darauf ausgelegt, vorsichtig zu sein, und verweigert die Antwort, wenn ein Bild unklar oder außerhalb seines Trainingsumfangs liegt, und es kann die vorherigen Korrekturen eines Nutzers berücksichtigen, um Fehler bei ähnlichen Bildern zu vermeiden. Schließlich gibt es einen Mechanik-Tab, der vorhersagen kann, wie sich ein Knochen unter Druck verformen wird, indem er lediglich ein einzelnes Bild davon betrachtet – eine Aufgabe, die normalerweise komplexe und zeitaufwendige Computersimulationen erfordert.
Das Team testete das System, um zu sehen, wie gut es funktioniert. Sie fanden heraus, dass das System bei der Suche nach spezifischen Informationen hochgradig präzise war und fast jedes Mal die richtige Passage in der riesigen Bibliothek der Arbeiten fand. Als sie die Fähigkeit des Systems testeten, komplexe Fragen zu beantworten, die erforderten, eine Zahl aus einer Arbeit zu finden und sie in einer Berechnung zu verwenden, schnitt das System signifikant besser ab, wenn es gezwungen war, die korrekte Textpassage zu nutzen. Ohne den Text lieferte es nur in 42 % der Fälle die richtige Antwort; mit der Bereitstellung der korrekten Passage stieg die Genauigkeit auf 78 %. Das System erwies sich auch als effektiv bei der Identifizierung von Knochen in Röntgenbildern und benannte den Körperteil in mehr als 92 % der Testfälle korrekt. Die Forscher weisen jedoch vorsichtig darauf hin, dass das System zwar ein leistungsstarkes Forschungs- und Bildungswerkzeug ist, aber noch kein Diagnosegerät für Ärzte im Umgang mit Patienten darstellt.
Was BoneGraph wirklich unterscheidet, ist seine Verpflichtung, ein Werkzeug zu sein, das geprüft und vertraut werden kann. Jeder Anspruch, den es erhebt, wird durch eine spezifische Zitierung gestützt, und jede Regel, der es folgt, ist sichtbar und editierbar. Das System läuft vollständig auf lokaler Hardware, was bedeutet, dass es keine sensiblen Daten an externe Server sendet, und es ist so gebaut, dass es leicht an andere wissenschaftliche Felder angepasst werden kann. Durch die Kombination einer tiefen Bibliothek spezialisierten Wissens mit strengen physikalischen Prüfungen und einem Mechanismus zur menschlichen Korrektur haben die Forscher ein System geschaffen, das nicht nur Intelligenz imitiert, sondern das rigorose, evidenzbasierte Denken unterstützt, das in der Knochenwissenschaft erforderlich ist. Es stellt einen Schritt in Richtung einer Zukunft dar, in der komplexes wissenschaftliches Wissen nicht nur verfügbar, sondern auch zugänglich, verifizierbar und durch die Zusammenarbeit zwischen Mensch und Maschine ständig verbesserbar ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.