MedUPS: Towards Diagnostic Assistance in Uncommon Medical Cases with Large Language Models
यह शोध पत्र MedUPS को प्रस्तुत करता है, जो एक अलाइनमेंट फ्रेमवर्क और संबंधित डेटासेट (MedUPSQA) है, जो सुदृढीकरण शिक्षण (reinforcement learning) का उपयोग करके बड़े भाषा मॉडलों को मध्यवर्ती नैदानिक निर्णयों की भविष्यवाणी करने के लिए प्रशिक्षित करके दुर्लभ चिकित्सा मामलों के लिए नैदानिक सहायता में सुधार करता है, जिससे यह अगले-चरण की सटीकता (next-step accuracy) में बेस मॉडलों और बड़े फ्रंटियर मॉडलों दोनों से बेहतर प्रदर्शन 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 विशाल, जटिल रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपको अंतिम समाधान चांदी की थाली में परोस कर नहीं दिया जाता, बल्कि आपको सुराग-दर-सुराग इसे जोड़ना पड़ता है। वास्तविक दुनिया में डॉक्टर बिल्कुल इसी तरह काम करते हैं। उन्हें मरीज का पूरा मेडिकल इतिहास, उनके सभी टेस्ट के परिणाम और अंतिम निदान (डायग्नोसिस) एक व्यवस्थित पैकेज के रूप में नहीं मिलता। इसके बजाय, एक मरीज एक लक्षण के साथ आता है, डॉक्टर एक टेस्ट का आदेश देता है, परिणाम प्राप्त करता है, और फिर उसे निर्णय लेना होता है: मैं आगे क्या करूँ? क्या मैं एमआरआई (MRI) का आदेश दूँ? क्या मैं किसी विशेषज्ञ को बुलाऊँ? क्या मैं एक अलग दवा आज़माऊँ? यह प्रक्रिया "अगले कदमों" की एक यात्रा है, जहाँ हर निर्णय केवल आंशिक जानकारी के साथ लिया जाता है, और आगे का रास्ता अक्सर धुंधला होता है।
आर्टिफिशियल इंटेलिजेंस की दुनिया में, हमने "लार्ज लैंग्वेज मॉडल्स" (LLMs) बनाए हैं—सुपर-स्मार्ट कंप्यूटर दिमाग जो इंसानों की तरह पढ़ और लिख सकते हैं। वैज्ञानिकों ने इन एआई (AI) को डॉक्टरों की तरह कार्य करने के लिए प्रशिक्षित किया है, लेकिन हम उन्हें ग्रेड देने के लिए जो अधिकांश परीक्षणों का उपयोग करते हैं, वे उच्च-दांव वाली अंतिम परीक्षाओं की तरह होते हैं। एआई को पूरी कहानी दी जाती है जिसमें सभी सुराग होते हैं और उससे अंतिम निदान का अनुमान लगाने को कहा जाता है। हालांकि यह इस बात की जांच करने के लिए अच्छा है कि क्या एआई को उत्तर पता है, लेकिन यह हमें यह नहीं बताता कि क्या एआई उस तरह से सोच सकता है जैसे एक डॉक्टर तब सोचता है जब कहानी अभी भी विकसित हो रही हो। यह एक जासूस को केवल इस आधार पर ग्रेड देने जैसा है कि उसने अंत में मामला सुलझाया या नहीं, बिना यह जांचे कि क्या उसने सबूत जुटाते समय सही निर्णय लिए थे। यह शोध पत्र, जिसका शीर्षक MedUPS है, एक महत्वपूर्ण प्रश्न पूछता है: क्या हम इन एआई "डॉक्टरों" को एक रहस्य के बीच में, भले ही वे अंत नहीं जानते हों, सही "अगला कदम" उठाने के लिए सिखा सकते हैं?
नई गेम प्लान: दौड़ने से पहले चलना सीखना
MedUPS के पीछे के शोधकर्ताओं ने महसूस किया कि दुर्लभ और कठिन मामलों में डॉक्टरों की मदद करने के लिए, उन्हें चिकित्सा मामलों को स्थिर परीक्षा प्रश्नों की तरह मानना बंद करना होगा और उन्हें एक ऐसी कहानी के रूप में देखना होगा जो समय के साथ विकसित होती है। उन्होंने एक नया प्रशिक्षण तंत्र बनाया जिसे MedUPS कहा जाता है, जो एआई के लिए एक वीडियो गेम की तरह है जहाँ लक्ष्य सीधे फिनिश लाइन पर कूदना नहीं है, बल्कि हर एक स्तर पर सबसे अच्छा कदम उठाना है।
इसे करने के लिए, उन्होंने MedUPSQA नामक एक विशाल लाइब्रेरी बनाई। उन्होंने 5,500 से अधिक वास्तविक जीवन के मेडिकल केस रिपोर्ट्स—असामान्य स्थितियों वाले रोगियों की कहानियों—को लिया और उन्हें कालानुक्रमिक "टंक्स" (chunks) में विभाजित किया। एक मूवी रील की कल्पना करें जिसे व्यक्तिगत फ्रेम में काट दिया गया हो। प्रत्येक फ्रेम के लिए, उन्होंने एआई से पूछा: "अब तक आपने जो देखा है, उसके आधार पर, अगला सबसे तार्किक कदम क्या है?" उत्तर अंतिम निदान नहीं था, बल्कि एक विशिष्ट क्रिया थी, जैसे "ब्लड टेस्ट का आदेश दें" या "कार्डियोलॉजिस्ट के पास रेफर करें।" उन्होंने 21,000 से अधिक ऐसे "अगले-कदम" के निर्णय बिंदु उत्पन्न किए।
चालाकी भरा हिस्सा यह है कि उन्होंने एआई को कैसे सिखाया। केवल उसे सही उत्तर दिखाने और यह कहने के बजाय कि "इसे याद करो" (जिसे सुपरवाइज्ड फाइन-ट्यूनिंग कहा जाता है), उन्होंने रीइन्फोर्समेंट लर्निंग (Reinforcement Learning) का उपयोग किया। इसे एक कोच के रूप में सोचें जो एआई खिलाड़ी के बगल में खड़ा है। एआई अगले कदम के बारे में एक अनुमान लगाता है, और कोच (एक बाहरी एआई जो एक जज के रूप में कार्य करता है) उसे एक स्कोर देता है कि वह अनुमान कितना अच्छा था। यदि एआई एक स्मार्ट कदम उठाता है, तो उसे इनाम मिलता है; यदि वह गलत कदम उठाता है, तो उसे दंड मिलता। हजारों प्रयासों के बाद, एआई चिकित्सा मामले के धुंधले रास्ते पर चलना सीख जाता है, और बिना पहले से अंतिम निदान जाने, अगले तार्किक कदम की भविष्यवाणी करने में बेहतर होता जाता है।
उन्होंने क्या पाया: छोटे दिमाग, बड़े कदम
परिणाम आश्चर्यजनक और रोमांचक थे। टीम ने अपने नए प्रशिक्षण पद्धति का परीक्षण तीन अलग-अलग एआई मॉडल पर किया, जो छोटे (8 बिलियन पैरामीटर्स) से लेकर बड़े (27 बिलियन पैरामीटर्स) तक थे। उन्होंने पाया कि एआई को "अगले कदम" पर ध्यान केंद्रित करने के लिए सिखाने से बड़ा अंतर पड़ा।
उनके द्वारा परीक्षण किए गए सबसे बड़े मॉडल, Qwen3.6-27B नामक 27-बिलियन-पैरामीटर एआई के लिए, सही अगले कदम की भविष्यवाणी करने की सटीकता 55.2% से बढ़कर 66.7% हो गई। यह एक बड़ी प्रगति है। और भी दिलचस्प बात यह है कि छोटे मॉडल भी अपने शुरुआती बिंदु के सापेक्ष उतने ही, या शायद उससे भी अधिक सुधार कर गए। 9-बिलियन पैरामीटर वाला मॉडल 47.2% से बढ़कर 57.8% हो गया, और 8-बिलियन मेडिकल मॉडल 37.8% से बढ़कर 44.4% हो गया।
यहाँ एक मोड़ है जो एआई के सामान्य नियमों को चुनौती देता है: बड़ा हमेशा बेहतर नहीं होता। मध्य-प्रवाह में चिकित्सा निर्णय लेने के इस विशिष्ट कार्य में, एक छोटा, अच्छी तरह से प्रशिक्षित एआई वास्तव में उन विशाल, "फ्रंटियर" मॉडल्स से बेहतर प्रदर्शन करता है जिन्हें आमतौर पर दुनिया में सबसे स्मार्ट माना जाता है। शोधकर्ताओं ने पाया कि उनके नए तरीके से प्रशिक्षित एक 27-बिलियन-पैरामीटर वाला मॉडल उन बहुत बड़े, क्लोज्ड-सोर्स मॉडल्स से बेहतर प्रदर्शन कर सकता है जो बहुत बड़े हैं। यह सुझाव देता है कि जटिल, वास्तविक दुनिया के चिकित्सा तर्क के लिए, आप एआई को कैसे प्रशिक्षित करते हैं (यात्रा पर ध्यान केंद्रित करना, न कि केवल मंजिल पर), यह केवल एआई को बड़ा बनाने से अधिक महत्वपूर्ण हो सकता है।
सावधानियां: यह कोई जादू की छड़ी नहीं है
हालांकि परिणाम आशाजनक हैं, लेखक यह दावा करने में सावधान हैं कि उन्होंने चिकित्सा निदान को "हल" कर दिया है। वे बताते हैं कि उनका सिस्टम उत्तरों को ग्रेड देने के लिए एक एआई "जज" पर निर्भर करता है, और हालांकि उन्होंने निष्पक्षता सुनिश्चित करने के लिए विभिन्न जजों के साथ इसका परीक्षण किया है, फिर भी इस बात की थोड़ी संभावना है कि स्कोर इस पर निर्भर करते हैं कि कौन सा जज ग्रेडिंग कर रहा है। वे यह भी जोर देते हैं कि ये "अगले-कदम" की भविष्यवाणियां हैं, अंतिम इलाज नहीं। एआई अगले टेस्ट या विशेषज्ञ का सुझाव देना सीख रहा है, डॉक्टर की जगह लेना नहीं।
इसके अलावा, जब उन्होंने एआई द्वारा की गई गलतियों को करीब से देखा, तो उन्होंने पाया कि कई "गलतियां" वास्तव में खराब तर्क नहीं थीं। कभी-कभी एआई ने एक पूरी तरह से तार्किक कदम का सुझाव दिया, लेकिन केस रिपोर्ट में वास्तविक जीवन के डॉक्टर ने कुछ थोड़ा अलग किया। यह दिखाता है कि अव्यवस्थित वास्तविक दुनिया में, हमेशा केवल एक "सही" उत्तर नहीं होता है, और एआई उस ग्रे एरिया (धुंधले क्षेत्र) में नेविगेट करना सीख रहा है।
यह क्यों मायने रखता है
MedUPS का मुख्य निष्कर्ष यह है कि हमें महान चिकित्सा सहायता प्राप्त करने के लिए अनंत विशाल एआई मॉडल बनाने की आवश्यकता नहीं हो सकती है। इसके बजाय, हमें बस उन्हें इंसानों की तरह सोचना सिखाने की आवश्यकता हो सकती है: कदम-दर-कदम, अनिश्चितता से निपटना, और उस जानकारी के साथ सबसे अच्छा निर्णय लेना जो हमारे पास अभी है। रोगी की यात्रा के "मध्य-प्रवाह" पर ध्यान केंद्रित करके, यह दृष्टिकोण ऐसे एआई उपकरण बनाने के लिए एक नया मार्ग प्रदान करता है जो वास्तव में डॉक्टरों की मदद कर सकते हैं जब वे सबसे कठिन और दुर्लभ मामलों का सामना कर रहे होते हैं, जिससे एक स्थिर परीक्षा एक गतिशील, सहायक बातचीत में बदल जाती है।
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।