Knowledge Graph Augmented Large Language Models for Disease Prediction
यह शोध पत्र एक नॉलेज ग्राफ-निर्देशित चेन-ऑफ-थॉट फ्रेमवर्क प्रस्तावित करता है जो स्पष्ट, कालानुक्रमिक रूप से सुसंगत तर्कों के साथ मजबूत, नैदानिक रूप से पसंदीदा रोग भविष्यवाणी और ज़ीरो-शॉट ट्रांसफर प्रदर्शन प्राप्त करने के लिए इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड पर लाइटवेट लार्ज लैंग्वेज मॉडल्स को फाइन-ट्यून करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन अपराध स्थल के बजाय, आप एक मरीज के चिकित्सा इतिहास को देख रहे हैं। यह चिकित्सा इतिहास नोट्स, कोड और लैब परिणामों का एक विशाल, अराजक ढेर है जिसे इलेक्ट्रॉनिक हेल्थ रिकॉर्ड्स (EHRs) कहा जाता है। लंबे समय तक, कंप्यूटर इन ढेरों को देखने और यह कहने में अच्छे रहे हैं कि "इस मरीज के बीमार होने की 70% संभावना है।" लेकिन वे यह समझाने में बहुत खराब थे कि "क्यों"। यह एक ऐसे जासूस की तरह था जो किसी संदिग्ध की ओर इशारा करते हुए कहता है, "मुझे बस पता है," बिना एक भी सुराग दिखाए। यह वास्तविक डॉक्टरों के लिए निराशाजनक है, जिन्हें जीवन-मृत्यु के निर्णय लेने के लिए तर्क को समझने की आवश्यकता होती है।
हाल ही में, एक नए प्रकार के कंप्यूटर मस्तिष्क, जिसे लार्ज लैंग्वेज मॉडल (LLM) कहा जाता है, का आगमन हुआ है। ये लगभग सब कुछ पढ़ सकने वाले और कहानियाँ लिख सकने वाले अत्यंत बुद्धिमान छात्रों की तरह हैं। वे अपनी सोच को चरण-दर-चरण समझा सकते हैं, जिसे "चेन-ऑफ-थॉट" (Chain-of-Thought) नामक प्रक्रिया कहा जाता है। हालाँकि, ये छात्र कभी-कभी चीजें बना लेते हैं या भ्रमित हो जाते हैं, विशेष रूप से गंभीर चिकित्सा तथ्यों के मामले में। इसे ठीक करने के लिए, वैज्ञानिक इन AI छात्रों को चिकित्सा तथ्यों के एक विशाल, पूर्व-लिखित विश्वकोश, जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है, का उपयोग करना सिखाने की कोशिश कर रहे हैं। नॉलेज ग्राफ को एक मानचित्र के रूप में सोचें जो दिखाता है कि बीमारियाँ, जीन और दवाएं आपस में कैसे जुड़ी हुई हैं। बड़ा सवाल यह है: क्या हम एक स्मार्ट AI को इस मानचित्र का उपयोग करके अपनी चिकित्सा भविष्यवाणियों को स्पष्ट और सही ढंग से समझाने के लिए प्रशिक्षित कर सकते हैं, भले ही उसने लाखों उदाहरण न देखे हों?
यह शोध पत्र इस प्रश्न का उत्तर "हाँ" देने के लिए एक चतुर नई विधि प्रस्तुत करता है। शोधकर्ताओं ने एक ऐसी प्रणाली बनाई है जो एक AI छात्र के लिए एक सख्त लेकिन सहायक शिक्षक के रूप में कार्य करती है। AI को स्वतंत्र रूप से अनुमान लगाने देने के बजाय, वे पहले एक विशाल चिकित्सा मानचित्र (PrimeKG) का उपयोग करते हैं ताकि मरीज के वर्तमान लक्षणों को भविष्य की बीमारी से जोड़ने वाले विशिष्ट सुरागों को खोजा जा सके। फिर वे AI को भविष्यवाणी समझाने के लिए एक कहानी लिखने के लिए कहते हैं, लेकिन वे AI को मानचित्र पर दिए गए पथ का अनुसरण करने के लिए मजबूर करते हैं। यदि AI की कहानी वास्तविक चिकित्सा तथ्यों या मानचित्र के तर्क से मेल नहीं खाती है, तो सिस्टम उस कहानी को फेंक देता है और फिर से प्रयास करता है। यह प्रक्रिया पूर्ण उदाहरणों का एक छोटा, उच्च-गुणवत्ता वाला पुस्तकालय बनाती है।
टीम ने अस्पताल के रिकॉर्ड के एक डेटासेट, MIMIC-III पर परीक्षण किया, जिसमें दस अलग-अलग बीमारियों पर ध्यान केंद्रित किया गया। उन्होंने दो हल्के AI मॉडलों (LLaMA-3.1 और Gemma) को बहुत कम डेटा—केवल 400 या 1,000 मरीज दौरों—का उपयोग करके प्रशिक्षित किया। परिणाम आश्चर्यजनक थे: इन छोटे, सावधानीपूर्वक प्रशिक्षित मॉडलों ने पारंपरिक भारी-भरकम कंप्यूटर प्रोग्रामों के साथ प्रतिस्पर्धात्मक प्रदर्शन किया और कुछ मामलों में उनसे थोड़ा बेहतर प्रदर्शन किया। उन्होंने एक स्कोर (AUROC) 0.66 और 0.70 के बीच और एक मैक्रो-AUPR 0.40 और 0.47 के बीच प्राप्त किया, जो इतने कम प्रशिक्षण डेटा के लिए एक मजबूत परिणाम है, जो विशिष्ट मेट्रिक्स पर XGBoost और Random Forest जैसे मजबूत शास्त्रीय बेसलाइन के बराबर या उससे अधिक है। इससे भी अधिक प्रभावशाली बात यह है कि जब उन्होंने इन मॉडलों को बिना किसी अतिरिक्त प्रशिक्षण के मरीजों के एक पूरी तरह से अलग समूह (CRADLE कोहॉर्ट) पर परीक्षण किया, तो मॉडलों की सटीकता लगभग 0.40–0.51 से बढ़कर 0.72–0.77 हो गई। यह सुझाव देता है कि मॉडलों ने बीमारी के बारे में सोचने का एक सामान्य तरीका सीखा है, न कि केवल तथ्यों को रटा है।
अंत में, शोधकर्ताओं ने वास्तविक डॉक्टरों से AI के स्पष्टीकरणों की समीक्षा करने के लिए कहा। एक ब्लाइंड टेस्ट में, डॉक्टरों ने भारी बहुमत से "मानचित्र-निर्देशित" (map-guided) AI द्वारा उत्पन्न स्पष्टीकरणों को पसंद किया। उन्होंने पाया कि ये स्पष्टीकरण अधिक स्पष्ट, प्रासंगिक और चिकित्सकीय रूप से सुसंगत थे। डॉक्टरों ने नोट किया कि AI ने मनगढ़ंत अनुमान लगाना बंद कर दिया और साक्ष्यों को तार्किक रूप से व्यवस्थित करना शुरू कर दिया, बिल्कुल वैसे ही जैसे एक वास्तविक चिकित्सक करता है। यह शोध पत्र सुझाव देता है कि AI तर्क को एक ठोस चिकित्सा मानचित्र से जोड़कर, हम ऐसे उपकरण बना सकते हैं जो न केवल बीमारी की भविष्यवाणी करते हैं बल्कि अपने तर्क को समझाने का एक ऐसा तरीका भी प्रदान करते हैं जिस पर डॉक्टर भरोसा कर सकें और उपयोग कर सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।