💬 NLP

PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology

PanCanBench एक व्यापक बेंचमार्क है जिसमें अग्नाशय के कैंसर के रोगियों के 282 वास्तविक प्रश्न और 3,130 विशेषज्ञ-व्युत्पन्न मानदंड शामिल हैं जो 22 लार्ज लैंग्वेज मॉडल्स की तथ्यात्मक सटीकता और पूर्णता में महत्वपूर्ण भिन्नताओं को प्रकट करता है, जो यह रेखांकित करता है कि उच्च रूब्रिक स्कोर और वेब-सर्च एकीकरण आवश्यक रूप से नैदानिक सुरक्षा या मतिभ्रम (hallucinations) में कमी की गारंटी नहीं देते हैं।

मूल लेखक: Yimin Zhao, Sheela R. Damle, Simone E. Dekker, Scott Geng, Karly Williams Silva, Jesse J Hubbard, Manuel F Fernandez, Fatima Zelada-Arenas, Alejandra Alvarez, Brianne Flores, Alexis Rodriguez, Stephen

प्रकाशित 2026-03-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yimin Zhao, Sheela R. Damle, Simone E. Dekker, Scott Geng, Karly Williams Silva, Jesse J Hubbard, Manuel F Fernandez, Fatima Zelada-Arenas, Alejandra Alvarez, Brianne Flores, Alexis Rodriguez, Stephen Salerno, Carrie Wright, Zihao Wang, Pang Wei Koh, Jeffrey T. Leek

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 आपके पास एक बहुत ही बुद्धिमान, सुपर-फास्ट रोबोट लाइब्रेरियन है जिसने अब तक की हर मेडिकल किताब पढ़ ली है। आप उससे पूछते हैं, "मेरे अंकल को अग्नाशय का कैंसर (pancreatic cancer) है; हमें क्या करना चाहिए?" रोबोट एक लंबा, आत्मविश्वास से भरा जवाब देता है।

बड़ी समस्या: सिर्फ इसलिए कि रोबोट आत्मविश्वास से भरा हुआ लगता है और बड़े शब्दों का उपयोग करता है, इसका मतलब यह नहीं है कि वह सच बोल रहा है। चिकित्सा की दुनिया में, एक आत्मविश्वास से भरा झूठ खतरनाक हो सकता है।

यह पेपर, जिसे PanCanBench कहा जाता है, विशेष रूप से इन रोबोट लाइब्रेरियनों को अग्नाशय के कैंसर जैसे पेचीदा और डरावने विषय पर टेस्ट करने के लिए बनाया गया एक "फाइनल एग्जाम" है। उन्होंने इसे कैसे किया, इसे सरल भाषा में यहाँ समझाया गया है:

1. "वास्तविक दुनिया" का परीक्षण (कोई नकली सवाल नहीं)

AI के अधिकांश परीक्षण कंप्यूटर द्वारा बनाए गए नकली सवालों का उपयोग करते हैं (जैसे, "फ्रांस की राजधानी क्या है?")। लेकिन वास्तविक मरीज उलझे हुए, भावनात्मक और जटिल सवाल पूछते हैं जैसे, "मेरे डॉक्टर ने कहा कि यह स्टेज 4 है, लेकिन बायोप्सी स्पष्ट नहीं थी। अब क्या करें?"

शोधकर्ताओं ने अग्नाशय के कैंसर के मरीजों के लिए एक वास्तविक हेल्पलाइन पर जाकर 282 वास्तविक सवाल जुटाए। उन्होंने AI से केवल उत्तर देने के लिए नहीं कहा; उन्होंने पूछा: "क्या यह उत्तर सुरक्षित और सहायक है?"

2. "मानवीय ग्रेडर" बनाम "रोबोट जज"

जवाबों को ग्रेड करने के लिए, शोधकर्ताओं ने केवल एक कंप्यूटर का उपयोग नहीं किया। उन्होंने ऑन्कोलॉजी फेलोज़ (डॉक्टर जो कैंसर के विशेषज्ञ बनने की ट्रेनिंग ले रहे हैं) को एक "ग्रेडिंग रूब्रिक" (grading rubric) बनाने के लिए काम पर रखा।

रूब्रिक एक रेसिपी की तरह है: कल्पना कीजिए कि एक परफेक्ट केक की रेसिपी है। इसमें लिखा है: "मैदा होना चाहिए (5 अंक), चीनी होनी चाहिए (5 अंक), नमक नहीं होना चाहिए (-10 अंक)।"
डॉक्टरों ने हर एक सवाल के लिए ऐसी ही "रेसिपी" लिखी।
फिर, उन्होंने एक सुपर-स्मार्ट AI (GPT-5) का उपयोग जज के रूप के रूप में किया, जो अन्य रोबोटों के जवाबों की जांच इन मानव-लिखित रेसिपी के आधार पर करता था।

परिणाम: AI जज ग्रेडिंग करने में मानव डॉक्टरों के लगभग बराबर था। इसका मतलब है कि हम भविष्य में AI के जवाबों को ग्रेड करने के लिए AI का उपयोग कर सकते हैं, जिससे समय और पैसा बचेगा!

3. चौंकाने वाले निष्कर्ष

जब उन्होंने टेस्ट चलाया, तो यहाँ क्या हुआ:

आत्मविश्वास $\neq$ शुद्धता: कुछ नवीनतम, "सबसे स्मार्ट" रीजनिंग मॉडल (जैसे o3) ने "रेसिपी" टेस्ट पर उच्चतम स्कोर प्राप्त किया। वे एकदम परफेक्ट लग रहे थे! लेकिन, वे ही सबसे अधिक खतरनाक तथ्यात्मक गलतियाँ करने वाले भी थे। यह एक ऐसे छात्र की तरह है जो एक सुंदर निबंध तो लिखता है लेकिन गणित में गलत हो जाता है।
"हैलुसिनेशन" (Hallucination) की दर: यह तब होता है जब AI चीजें मनगढ़ंत बनाता है।
- सबसे अच्छे मॉडल (जैसे GPT-5 और Gemini) केवल 6% समय तथ्य मनगढ़ंत बनाते थे।
- कुछ ओपन-सोर्स मॉडल (मुफ्त मॉडल जिन्हें कोई भी डाउनलोड कर सकता है) अपने जवाबों में 54% बार तथ्य मनगढ़ंत बनाते थे! यह दवा लेने का फैसला करने के लिए सिक्का उछालने जैसा है।
"गूगल सर्च" का जाल: शोधकर्ताओं ने रोबोटों के लिए "वेब सर्च" बटन चालू कर दिया, इस उम्मीद में कि वे तथ्यों को खोज लेंगे।
- आश्चर्य: इसने हमेशा मदद नहीं की! कभी-कभी, जब रोबट इंटरनेट पर खोजने लगता, तो वह उस अच्छी जानकारी को भूल जाता जो वह पहले से जानता था। यह एक शेफ की तरह है जो रेसिपी बुक पढ़ने के लिए खाना बनाना रोकता है और ध्यान भटकने के कारण सूप जला देता है।
- साथ ही, रोबोट कभी-कभी विश्वसनीय मेडिकल जर्नल्स के बजाय खराब लिंक (जैसे कोई रैंडम ब्लॉग) ढूंढ लेते थे।

4. "AI बनाम मानव" रूब्रिक प्रयोग

शोधकर्ताओं ने पूछा: "क्या हम डॉक्टरों को काम पर रखने के बजाय AI को ग्रेडिंग रेसिपी (रूब्रिक) लिखने दे सकते हैं?"

जवाब: नहीं।
जब AI ने ग्रेडिंग रेसिपी लिखी, तो रोबोट्स को बहुत अधिक स्कोर मिले (जो लगभग 18 अंकों से बढ़कर आया था)।
यह ऐसा है जैसे किसी छात्र ने खुद अपने टेस्ट के सवाल लिखे और फिर अपने ही जवाबों को ग्रेड किया। वे A+ प्राप्त करेंगे, लेकिन वे वास्तव में विषय को नहीं जानते होंगे। नियम तय करने के लिए मानव विशेषज्ञों की आवश्यकता अभी भी है।

निचोड़ (The Bottom Line)

यह पेपर स्वास्थ्य सेवा में AI के भविष्य के लिए एक चेतावनी लेबल है।

सबसे "स्मार्ट" दिखने वाले AI पर भरोसा न करें: जो मॉडल सबसे अधिक आत्मविश्वास से भरा लगता है, वह हमेशा सबसे सटीक नहीं होता है।
मानव विशेषज्ञ अपूरणीय हैं: हमें टेस्ट डिजाइन करने और तथ्यों की जांच करने के लिए डॉक्टरों की आवश्यकता है।
ओपन-सोर्स मॉडल्स पर काम करने की जरूरत है: गंभीर मेडिकल सलाह के लिए ओपन-सोर्स मॉडल वर्तमान में बहुत जोखिम भरे हैं क्योंकि वे बहुत अधिक झूठ बोलते हैं।

संक्षेप में: PanCanBench एक वास्तविकता की जाँच है। यह दिखाता है कि हालांकि AI डॉक्टर की तरह बात करने में बेहतर हो रहा है, फिर भी यह सुनिश्चित करने के लिए कि वह एक खतरनाक धोखेबाज की तरह व्यवहार न करे, उसे एक मानव पर्यवेक्षक की आवश्यकता है।

यहाँ शोध पत्र "PanCanBench: पैनक्रिएटिक ऑन्कोलॉजी में लार्ज लैंग्वेज मॉडल्स के मूल्यांकन के लिए एक व्यापक बेंचमार्क" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जबकि लार्ज लैंग्वेज मॉडल्स (LLMs) ने मानकीकृत मेडिकल मल्टीपल-चॉइस परीक्षाओं (जैसे USMLE वाया MedQA) पर विशेषज्ञ-स्तर का प्रदर्शन किया है, उनकी वास्तविक नैदानिक पूछताछ (real-world clinical inquiries) पर प्रदर्शन अभी भी अपुष्ट है। वर्तमान बेंचमार्क तीन महत्वपूर्ण सीमाओं से ग्रस्त हैं:

रोग-विशिष्ट गहराई का अभाव: मौजूदा फ्रेमवर्क (जैसे HealthBench) सिंथेटिक प्रश्नों और व्यापक स्वास्थ्य विषयों पर निर्भर करते हैं, जो अग्नाशय के कैंसर (pancreatic cancer) जैसे विशिष्ट रोगों की उच्च-जोखिम वाली जटिलता को पकड़ने में विफल रहते हैं।
अपर्याप्त सुरक्षा मेट्रिक्स: रूब्रिक-आधारित मूल्यांकन पर उच्च स्कोर तथ्यगत शुद्धता की गारंटी नहीं देता है। मॉडल चिकित्सकीय रूप से पूर्ण उत्तर दे सकते हैं जिनमें खतरनाक 'हैलुसिनेशन' (hallucinations) हो सकते हैं।
स्केलेबिलिटी बनाम कठोरता का ट्रेड-ऑफ: कठोर, मानव-क्यूरेटेड मूल्यांकन रूब्रिक्स बनाना समय लेने वाला और महंगा है, जो विविध मॉडल्स और प्रश्नों के लिए मूल्यांकन को स्केल करने की क्षमता को सीमित करता है।

लेखक इस अंतर को पाटने के उद्देश्य से एक बेंचमार्क बनाने का लक्ष्य रखते हैं जो अग्नाशय के कैंसर के संबंध में प्रामाणिक, डी-आइडेंटिफाइड (de-identified) रोगी प्रश्नों पर LLMs का मूल्यांकन करे, जिसमें नैदानिक पूर्णता (clinical completeness), तथ्यात्मक सटीकता और AI-जनित मूल्यांकन मानदंडों की विश्वसनीयता पर ध्यान केंद्रित किया गया हो।

2. कार्यप्रणाली (Methodology)

2.1 डेटासेट निर्माण (PanCanBench)

स्रोत: पैनकेनिक कैंसर एक्शन नेटवर्क (PanCAN) पेशेंट सर्विसेज हेल्प लाइन से एकत्र किए गए 282 डी-आइडेंटिफाइड प्रश्न।
वर्गीकरण: प्रश्नों को छह श्रेणियों में बांटा गया था: उपचार और क्लिनिकल ट्रायल्स, निदान और स्क्रीनिंग, सपोर्टिव और पेलिएटिव केयर, जेनेटिक्स और रिस्क, साइड इफेक्ट्स और सिम्पटम मैनेजमेंट, और जनरल।
रूब्रिक विकास: रूब्रिक्स (मूल्यांकन मानदंड) बनाने के लिए एक ह्यूमन-इन-द-लूप पाइपलाइन का उपयोग किया गया।
- चरण 1: दो ऑन्कोलॉजी फेलो ने सौंपे गए प्रश्नों के लिए स्वतंत्र रूप से रूब्रिक्स डिजाइन किए।
- चरण 2: AI मॉडल्स (GPT-4.1, Claude-Sonnet-4) ने रूब्रिक्स को पॉलिश किया और निरंतरता सुनिश्चित करने के लिए मॉडल पेयर्स को स्कोर देकर "गट चेक" (gut checks) किया।
- चरण 3: AI ने प्रत्येक फेलो के अद्वितीय अंतर्दृष्टि को बनाए रखते हुए रेडंडेंट (अनावश्यक) मानदंडों को सिमेंटिक रूप से मर्ज किया।
- चरण 4: एक तीसरे फेलो ने रूब्रिक्स की समीक्षा की और उन्हें अंतिम रूप दिया।
रूब्रिक डिजाइन: मानदंड बाइनरी (पूर्ण क्रेडिट या शून्य) हैं, पूर्ण वाक्यों के रूप में लिखे गए हैं, और भ्रामक सामग्री के लिए नकारात्मक अंक (negative points) शामिल करते हैं।

2.2 मूल्यांकन ढांचा (Evaluation Framework)

अध्ययन ने तीन अलग-अलग मूल्यांकन आयामों का उपयोग करके 22 LLMs (जिसमें GPT-5, o3, Gemini-2.5 Pro जैसे प्रोप्रायटरी मॉडल और Llama-3.1, Qwen-3 जैसे ओपन-सोर्स मॉडल शामिल हैं) का मूल्यांकन किया:

रूब्रिक-आधारित पूर्णता (LLM-as-a-Judge):
- ग्रेडर: मानव-क्यूरेटेड रूब्रिक्स के विरुद्ध प्रतिक्रियाओं को स्कोर करने के लिए GPT-5 का उपयोग स्वचालित जज के रूप में किया गया।
- वैलिडेशन: LLM जज ने मानव विशेषज्ञों के विरुद्ध 0.528 का कोहेन का $\kappa$ (Cohen's $\kappa$ ) प्राप्त किया, जो मानव विशेषज्ञों के बीच इंटर-रेटर रिलायबिलिटी (0.518) के तुलनीय है, जो एक स्केलेबल प्रॉक्सी के रूप में इसके उपयोग को प्रमाणित करता है।
- स्कोरिंग: अंतिम स्कोर कुल संभावित अंकों के प्रतिशत के रूप में गणना किए गए, जिसमें सूचना समावेश और त्रुटियों के लिए दंड (penalties) दोनों को ध्यान में रखा गया।
तथ्यात्मक त्रुटि का पता लगाना (Hallucination Analysis):
- पाइपलाइन: प्रतिक्रियाओं को एटॉमिक तथ्यात्मक दावों (atomic factual claims) में विभाजित किया गया।
- सत्यापन: वेब-सर्च क्षमताओं वाले दो स्वतंत्र जजों (GPT-5 और Gemini-2.5 Pro) ने प्रत्येक दावे को सत्यापित किया। एक दावे को केवल तभी त्रुटि के रूप में लेबल किया गया जब दोनों जजों ने इसे गलत बताया।
- मेट्रिक: कम से कम एक तथ्यात्मक त्रुटि वाली प्रतिक्रियाओं का प्रतिशत।
वेब सर्च एकीकरण (Web Search Integration):
- यह मूल्यांकन किया गया कि क्या वेब सर्च सक्षम करने से प्रदर्शन में सुधार हुआ।
- मेट्रिक्स में शामिल थे: सर्च ट्रिगरिंग रेट, रिसोर्स एप्रोप्रिएटनेस (जैसे PMIDs बनाम ब्लॉग उद्धृत करना), और सपोर्टिव लिंक प्रतिशत (LLM-as-a-judge द्वारा सत्यापित)।

2.3 तुलनात्मक प्रयोग: मानव बनाम AI रूब्रिक्स

एक नियंत्रित प्रयोग ने मानव-क्यूरेटेड रूब्रिक्स बनाम AI-जनित रूब्रिक्स (जहाँ GPT-5 को मानव फेलो को दिए गए समान दिशानिर्देशों के आधार पर रूब्रिक्स बनाने का कार्य दिया गया था) का उपयोग करके उत्पन्न किए गए स्कोर की तुलना की।

3. मुख्य परिणाम (Key Results)

3.1 रूब्रिक पूर्णता पर मॉडल प्रदर्शन

शीर्ष प्रदर्शनकर्ता: रीजनिंग-ऑप्टिमाइज्ड मॉडल o3 ने उच्चतम औसत स्कोर (82.3%) प्राप्त किया, जिसके बाद Grok-4 (80.4%) और GPT-5 (78.4%) का स्थान रहा।
ओपन-सोर्स प्रदर्शन: Olmo3-32B-think ने 66.3% के साथ ओपन-सोर्स मॉडल्स का नेतृत्व किया।
विविधता: स्कोर 46.5% से 82.3% तक व्यापक रूप से भिन्न थे, जो नैदानिक पूर्णता में महत्वपूर्ण असमानता को दर्शाते हैं।

3.2 तथ्यात्मक सटीकता और हैलुसिनेशन (Factual Accuracy and Hallucinations)

महत्वपूर्ण निष्कर्ष: उच्च रूब्रिक स्कोर का तथ्यात्मक सटीकता के साथ कोई सहसंबंध नहीं था।
- o3 (उच्चतम रूब्रिक स्कोर) में अन्य GPT मॉडल्स की तुलना में 12.9% (चर्चा संदर्भ से अनुमानित) या अधिक की हैलुसिनेशन दर थी।
- Llama-3.1-8B में भारी हैलुसिनेशन दर देखी गई (53.8%)।
- Gemini-2.5 Pro और GPT-4o की त्रुटि दर सबसे कम 6.0% थी।
नैदानिक प्रभाव: त्रुटियाँ चिकित्सकीय रूप से खतरनाक थीं। उदाहरण के लिए, Llama-3.1-8B ने स्टेज III अग्नाशय के कैंसर को मेटास्टैटिक रोग (स्टेज IV) के रूप में गलत परिभाषित किया, जो उपचार के पूर्वानुमान और रोगी के मनोविज्ञान को नाटकीय रूप से बदल देता है।

3.3 वेब सर्च का प्रभाव

कोई शुद्ध लाभ नहीं: वेब सर्च सक्षम करने से शीर्ष मॉडल्स (जैसे GPT-5 और Gemini-2.5 Pro) के समग्र स्कोर में सांख्यिकीय रूप से कोई सुधार नहीं हुआ ( $p > 0.05$ )।
नॉलेज क्राउडिंग आउट (Knowledge Crowding Out): जब सर्च सक्षम किया गया, तो मॉडल्स ने कभी-कभी अपने आंतरिक ज्ञान को छोड़ दिया।
रिट्रीवल क्वालिटी: हालांकि मॉडल्स ने सही ढंग से सर्च ट्रिगर किया (>80%), उन्होंने अक्सर उच्च-अधिकार वाले पीयर-रिव्यूड लिटरेचर के बजाय निम्न-गुणवत्ता वाले स्रोत (जेनेरिक ब्लॉग) प्राप्त किए।

3.4 मानव बनाम AI रूब्रिक्स

स्कोर इन्फ्लेशन (Score Inflation): AI-जनित रूब्रिक्स का उपयोग करने से मानव रूब्रिक्स की तुलना में औसत स्कोर में 17.9 अंक की वृद्धि हुई।
रैंकिंग स्थिरता: स्कोर इन्फ्लेशन के बावजूद, मॉडल्स की सापेक्ष रैंकिंग (relative ranking) काफी हदतः स्थिर रही (22 में से 18 मॉडल्स केवल एक स्थान या उससे कम विस्थापित हुए)।
निष्कर्ष: AI रूब्रिक्स पूर्ण स्कोरिंग के लिए अपर्याप्त हैं, लेकिन वे मॉडल की सापेक्ष रैंकिंग के लिए एक स्केलेबल प्रॉक्सी के रूपas काम कर सकते हैं।

4. मुख्य योगदान (Key Contributions)

PanCanBench डेटासेट: अग्नाशय के ऑन्कोलॉजी के लिए विशेष रूप से 282 प्रामाणिक रोगी प्रश्नों और 3,130 विशेषज्ञ-डिजाइन किए गए रूब्रिक्स वाला पहला बेंचमार्क।
ह्यूमन-इन-द-लूप पाइपलाइन: एक प्रमाणित पद्धति जो मानव विशेषज्ञता और AI दक्षता के बीच संतुलन बनाकर सुसंगत, स्केलेबल मूल्यांकन रूब्रिक्स उत्पन्न करती है।
पूर्णता और तथ्यात्मकता का पृथक्करण: यह प्रदर्शित किया गया कि "पूर्णता" (रूब्रिक स्कोर) और "तथ्यात्मकता" (हैलुसिनेशन दर) ऑर्थोगोनल (स्वतंत्र) मेट्रिक्स हैं; एक मॉडल व्यापक हो सकता है लेकिन खतरनाक रूप से गलत भी हो सकता है।
वेब सर्च की सीमाएं: प्रमाणिक साक्ष्य प्रदान किया कि वर्तमान वेब-सर्च एकीकरण मॉडल्स के प्रदर्शन को खराब कर सकता है, जिससे आंतरिक ज्ञान "क्राउड आउट" हो जाता है और गैर-कठोर स्रोत प्राप्त होते हैं।
AI रूब्रिक विश्लेषण: AI-जनित रूब्रिक्स के कारण होने वाले स्कोर इन्फ्लेशन को मापा, जो कठोर सुरक्षा मूल्यांकन के लिए मानव निरीक्षण की आवश्यकता को रेखांकित करता है।

5. महत्व और निहितार्थ (Significance and Implications)

नैदानिक सुरक्षा: यह अध्ययन रेखांकित करता है कि कैंसर देखभाल के लिए LLMs को तैनात करने के लिए मल्टीपल-चॉइस टेस्ट पर उच्च सटीकता से कहीं अधिक की आवश्यकता है। ओपन-सोर्स मॉडल्स में हैलुसिनेशन दर (50% से अधिक) रोगी की सुरक्षा के लिए गंभीर जोखिम पैदा करती है, जिससे संभावित रूप से उपचारात्मक उपचारों को समय से पहले छोड़ने की स्थिति बन सकती है।
मूल्यांकन मानक: निष्कर्ष बताते हैं कि भविष्य के मेडिकल AI बेंचमार्क्स को नैदानिक पूर्णता के साथ-साथ तथ्यात्मक ग्राउंडिंग (factual grounding) और स्रोत एट्रीब्यूशन (source attribution) को स्पष्ट रूप से मापना चाहिए।
मानव विशेषज्ञता की भूमिका: जबकि AI मूल्यांकन को स्केल करने में सहायता कर सकता है, उच्च-जोखिम वाले चिकित्सा डोमेन में कठोर, सुरक्षित मूल्यांकन मानक बनाने के लिए मानव विशेषज्ञता अपरिहार्य है।
ओपन-सोर्स गैप: सुरक्षित AI-संचालित स्वास्थ्य जानकारी तक न्यायसंगत पहुंच सुनिश्चित करने के लिए चिकित्सकीय रूप से संरेखित, मजबूत ओपन-सोर्स मॉडल्स विकसित करने की तत्काल आवश्यकता है, क्योंकि प्रोप्रायटरी मॉडल्स अक्सर पे-वॉल के पीछे रहते हैं।

निष्कर्षतः, PanCanBench स्थापित करता है कि यद्यपि LLMs आशाजनक हैं, तथ्यात्मक विश्वसनीयता और सूचना एकीकरण में महत्वपूर्ण अंतराल बने हुए हैं। यह बेंचमार्क कठोर नैदानिक मूल्यांकन के लिए एक स्केलेबल, उच्च-सहमति वाले प्रॉक्सी के रूप में कार्य करता है, जो यह जोर देता है कि ऑन्कोलॉजी में AI सुरक्षा सुनिश्चित करने के लिए मानव विशेषज्ञता गैर-परक्राम्य (non-negotiable) है।