DoctorAgents: an agentic framework to iteratively refine AutoML pipeline for small clinical temporal data
DoctorAgents एक एजेंटिक एआई फ्रेमवर्क है जो तर्क-आधारित अपडेट और प्राकृतिक भाषा फीडबैक के माध्यम से क्लिनिकल मशीन लर्निंग पाइपलाइनों को पुनरावृत्ति रूप से परिष्कृत करने के लिए विशिष्ट लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जो छोटे, विषम टेम्पोरल डेटा पर पारंपरिक AutoML सिस्टम 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 कंप्यूटर को डॉक्टर बनना सिखाने की कोशिश कर रहे हैं। आप उसे मरीजों के रिकॉर्ड का एक ढेर देते हैं, इस उम्मीद में कि वह उन पैटर्न को पहचान सके जो यह बता सकें कि किसे बीमारी होने वाली है या किसे किसी विशेष उपचार की आवश्यकता है। यह क्लिनिकल मशीन लर्निंग (Clinical Machine Learning) की दुनिया है। लेकिन यहाँ एक पेंच है: वास्तविक मरीज के रिकॉर्ड बिखरे हुए होते हैं। वे वे साफ-सुथरी स्प्रेडशीट नहीं हैं जहाँ हर पंक्ति समय का एक सटीक चित्रण हो। इसके बजाय, वे एक अस्त-व्यस्त डायरी की तरह हैं जहाँ एक मरीज साल में एक बार डॉक्टर के पास जाता है, फिर हफ्ते में तीन बार, और फिर महीनों तक गायब रहता है। कुछ नोट्स गायब हैं, कुछ अस्पष्ट हैं, और किसी माप का समय उतना ही महत्वपूर्ण हो सकता है जितना कि वह संख्या स्वयं।
इस अराजकता को समझने के लिए, वैज्ञानिक आमतौर पर मशीन लर्निंग पाइपलाइन्स (Machine Learning Pipelines) बनाते हैं। एक पाइपलाइन को एक कस्टम-निर्मित फैक्ट्री असेंबली लाइन की तरह समझें। एक हिस्सा डेटा को साफ करता है, दूसरा हिस्सा बिखरे हुए नोट्स को उस प्रारूप में व्यवस्थित करता है जिसे कंप्यूटर समझ सके, और एक अंतिम हिस्सा भविष्यवाणी करने वाला मॉडल बनाता है। पारंपरिक रूप से, इन फैक्ट्रियों को बनाना एक धीमा, मैनुअल काम रहा है जिसमें विशेषज्ञों की एक टीम की आवश्यकता होती थी: गणित की जांच के लिए एक सांख्यिकीविद् (statistician), कोड लिखने के लिए एक कंप्यूटर वैज्ञानिक, और यह सुनिश्चित करने के लिए कि तर्क चिकित्सा की दृष्टि से सही है, एक डॉक्टर। हाल ही में, आर्टिफिशियल इंटेलिजेंस (AI) ने इसे स्वचालित करने की कोशिश की है। कुछ सिस्टम, जिन्हें ऑटोएमएल (AutoML) कहा जाता है, एक घबराए हुए शेफ की तरह काम करते हैं जो दुनिया की हर संभव रेसिपी आजमाकर देखता है कि कौन सी सबसे अच्छी लगती है। वे हजारों संयोजनों को समस्या पर थोप देते हैं, इस उम्मीद में कि कोई एक काम कर जाए। लेकिन छोटे, बिखरे हुए मेडिकल डेटासेट के लिए, यह "ब्रूट फोर्स" (बलात प्रयोग) दृष्टिकोण अक्सर समय बर्बाद करता है, सूक्ष्म संकेतों को चूक जाता है, और ऐसे परिणाम देता है जिन्हें समझना कठिन होता है।
यहाँ डॉक्टरएजेंट्स (DoctorAgents) आता है, जो मैकगिल यूनिवर्सिटी और क्यूबेक एआई इंस्टीट्यूट के शोधकर्ताओं द्वारा वर्णित एक नया दृष्टिकोण है। एक घबराए हुए शेफ की तरह, जो सामग्री को दीवार पर फेंकता है, के बजाय, शोधकर्ता विशेषज्ञ AI "डॉक्टरों" की एक टीम का प्रस्ताव देते हैं जो एक सहयोगी मेडिकल बोर्ड की तरह मिलकर काम करते हैं। यह प्रणाली, जिसे डॉक्टरएजेंट्स कहा जाता है, केवल अनुमान नहीं लगाती; यह तर्क देती है। यह लार्ज लैंग्वेज मॉडल (LLM) एजेंटों—विशेषज्ञ AI सहायकों—की एक टीम का उपयोग करती है जो डेटा का विश्लेषण करती है, एक पाइपलाइन बनाती है, उसका परीक्षण करती है, और फिर एक छोटा, लक्षित सुधार करने से पहले यह सोचती है कि वह क्यों विफल हुआ।
इसका मूल विचार इटरेटिव एजेंटिक रिफाइनमेंट (Iterative Agentic Refinement) है। कल्पना कीजिए कि आप एक जटिल पहेली सुलझा रहे हैं। एक पारंपरिक कंप्यूटर हर बार जब कोई टुकड़ा फिट नहीं बैठता, तो वह पूरी पहेली का बोर्ड बदलने की कोशिश कर सकता है। हालाँकि, डॉक्टरएजेंट्स एक जासूस की तरह कार्य करता है। यदि कोई टुकड़ा फिट नहीं बैठता है, तो यह पूछता है, "क्यों?" और फिर पूरे प्रोग्राम को फिर से लिखने के बजाय, केवल उसी एक टुकड़े को धीरे से धकेलता है या बोर्ड के कोण को थोड़ा बदल देता है। यह टेक्स्टुअल ग्रेडिएंट डिसेंट (Textual Gradient Descent) नामक तकनीक का उपयोग करता है, जो एक डॉक्टर के स्वाभाविक भाषा के फीडबैक ("यह फीचर बहुत शोर भरा/अस्पष्ट है") को पूरे प्रोग्राम को फिर से लिखे बिना एक सटीक कोड अपडेट में अनुवाद करने जैसा है।
शोधकर्ताओं ने वास्तविक रोगी डेटा का उपयोग करके चार अलग-अलग क्लिनिकल चुनौतियों पर इस प्रणाली का परीक्षण किया। इनमें यह भविष्यवाणी करना शामिल था कि आईसीयू (ICU) में किसकी मृत्यु हो सकती है, किसे एक सप्ताह के भीतर दोबारा भर्ती किया जा सकता है, अस्पताल में मरीज कितने समय तक रहेगा, या क्या रुमेटॉइड अर्थराइटिस (rheumatoid arthritis) के मरीज को एक विशिष्ट दवा उपचार से लाभ होगा। डेटा "छोटा" था बड़े पैमाने पर AI के संदर्भ में (अक्सर केवल कुछ सौ से कुछ हजार मरीज) और "टेम्पोरल" (समय-आधारित) था, जिसका अर्थ था कि हर माप का समय अत्यंत महत्वपूर्ण था और अनियमित था।
परिणाम बताते हैं कि डॉक्टरएजेंट्स एक मजबूत दावेदार है। इन प्रयोगों में, AI टीम ने अन्य स्वचालित प्रणालियों, जिनमें वर्तमान अत्याधुनिक "ब्रूट फोर्स" तरीके और अन्य AI एजेंट शामिल हैं, को लगातार पछाड़ दिया। उदाहरण के लिए, ICU मृत्यु दर की भविष्यवाणी करने में, डॉक्टरएजेंट्स-डीएस (एक विशेष संस्करण) ने 0.520 का स्कोर प्राप्त किया, जिसने अगले सर्वश्रेष्ठ तरीके को मात दी जिसका स्कोर 0.476 था। रुमेटॉइड अर्थराइटिस उपचार प्रतिक्रिया की भविष्यवाणी करने में, इसने 0.577 तक पहुँचकर पिछले सर्वश्रेष्ठ 0.564 को भी पीछे छोड़ दिया।
लेकिन शोध पत्र कुछ और भी महत्वपूर्ण बात का सुझाव देता है: व्याख्यात्मकता (Interpretability)। क्योंकि AI एजेंट अपने चरणों के माध्यम से तर्क देते हैं और एक "मेमोरी लॉग" रखते हैं कि क्या काम किया और क्या नहीं, उनके द्वारा बनाए गए फीचर्स (विशेषताएं) मनुष्यों के लिए अर्थपूर्ण होते हैं। अर्थराइटिस भविष्यवाणी के लिए, सिस्टम ने केवल एक रैंडम नंबर नहीं खोजा; इसने ऐसे फीचर्स बनाए जिन्हें एक मानव डॉक्टर सार्थक के रूप में पहचान सके, जैसे कि एक वर्ष में मरीज के थकान के स्तर में परिवर्तनशीलता या उन्हें दी गई विशिष्ट दवा का प्रकार। सिस्टम ने स्पष्ट रूप से इस विचार को खारिज कर दिया कि पूरी पाइपलाइन को शुरू से फिर से बनाना सबसे अच्छा तरीका है; इसके बजाय, इसने पाया कि लक्षित, मेमोरी-जागरूक सुधार अधिक स्थिर और विश्वसनीय परिणाम देते हैं।
लेखक सावधानीपूर्वक यह नोट करते हैं कि हालांकि यह प्रणाली मजबूत और कुशल है, लेकिन यह कोई जादुई छड़ी नहीं है। रुमेटॉइड अर्थराइटिस कार्य में, प्रदर्शन सभी तरीकों में मामूली था, जो यह दर्शाता है कि डेटा में ही मजबूत भविष्य कहने वाले संकेत (predictive signals) की कमी हो सकती है, जो एक ऐसी सीमा है जिसे AI जादुई रूप से पार नहीं कर सकता। हालाँकि, अध्ययन दृढ़ता से सुझाव देता है कि छोटे, बिखरे हुए, समय-आधारित चिकित्सा डेटा के लिए, तर्क देने वाले AI एजेंटों की एक टीम जो अपनी गलतियों से सीखती है, उस प्रणाली की तुलना में अधिक प्रभावी रणनीति है जो केवल सब कुछ आज़माती है और सफल होने की उम्मीद करती है। यह चिकित्सा भविष्यवाणी मॉडल बनाने की प्रक्रिया को संयोग के खेल से बदलकर, मशीन और उस डेटा के बीच एक विचारशील, इटरेटिव (पुनरावृत्तिपूर्ण) संवाद में बदल देता है जिसे वह समझने की कोशिश कर रही 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।