A ReAct Agentic AI System for Natural Language Querying and Statistical Analysis of The Cancer Genome Atlas Clinical Data
यह शोध पत्र TCGA-Agent प्रस्तुत करता है, जो एक ReAct-आधारित एजेंटिक AI प्रणाली है जो आठ कम्प्यूटेशनल उपकरणों के एक समूह का उपयोग करके स्वायत्त रूप से जटिल TCGA क्लिनिकल डेटा को क्वेरी और विश्लेषित करती है, 93.4% सटीकता प्राप्त करती है और यह प्रदर्शित करती है कि मौजूदा क्यूरेटेड संसाधनों से परे नैदानिक रूप से मूल्यवान अंतर्दृष्टि निकालने के लिए मॉडल का पैमाना (scale) तुलना में टूल डिज़ाइन और रीजनिंग लूप अधिक महत्वपूर्ण हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
अस्पताल और अनुसंधान केंद्र रोगियों के बारे में सूचनाओं का विशाल भंडार उत्पन्न करते हैं, जिसमें उनके चिकित्सा इतिहास से लेकर उनके ट्यूमर की विशिष्ट आनुवंशिक संरचना तक सब कुछ शामिल है। इस डेटा के सबसे महत्वपूर्ण संग्रहों में से एक 'कैंसर जीनोम एटलस' (The Cancer Genome Atlas) है, जो एक विशाल डिजिटल लाइब्रेरी है जिसमें 33 विभिन्न प्रकार के कैंसर के 11,000 से अधिक रोगियों के नैदानिक रिकॉर्ड सुरक्षित हैं। दशकों से, वैज्ञानिक बेहतर उपचारों की ओर ले जाने वाले पैटर्न खोजने के लिए इस संसाधन पर भरोसा करते आए हैं, लेकिन इस जानकारी तक पहुँचना एक कठिन कार्य रहा है। डेटा जटिल फ़ाइल संरचनाओं में संग्रहीत है और कई अलग-अलग प्रारूपों में बिखरा हुआ है, जिसके लिए शोधकर्ताओं को सरल प्रश्न पूछने के लिए भी विशेष कंप्यूटर कोड लिखने की आवश्यकता होती है। यह बाधा यह सुनिश्चित करती है कि मूल्यवान अंतर्दृष्टि अक्सर छिपी रहती है, जो केवल उन्नत प्रोग्रामिंग कौशल रखने वाले लोगों के लिए ही सुलभ है, जबकि डॉक्टर और चिकित्सक, जो इस डेटा का तुरंत उपयोग कर सकते थे, उनके पास इसे सीधे पूछने का कोई सीधा तरीका नहीं रह जाता।
इस समस्या को हल करने के लिए, शोधकर्ताओं ने एक नए प्रकार का कंप्यूटर सिस्टम विकसित किया है जिसे चिकित्सा डेटा पर प्राकृतिक भाषा को समझने और सांख्यिकीय विश्लेषण करने के लिए डिज़ाइन किया गया है। किसी मनुष्य को जटिल प्रोग्रामिंग भाषा सीखने के लिए मजबूर करने के बजाय, यह प्रणाली उपयोगकर्ता को साधारण अंग्रेजी में प्रश्न पूछने की अनुमति देती है, जैसे कि किसी विशिष्ट उपचार वाले रोगियों की उत्तरजीविता दर (survival rates) के बारे में पूछताछ करना। यह प्रणाली एक स्वायत्त एजेंट (autonomous agent) के रूप में कार्य करती है, जो एक डिजिटल सहायक है जो किसी समस्या पर चरण-दर-चरण विचार कर सकता है। जब कोई प्रश्न आता है, तो एजेंट उत्तर का अनुमान नहीं लगाता; इसके बजाय, वह सत्य खोजने के लिए आवश्यक उपकरणों के बारे में सोचने के लिए एक 'लार्ज लैंग्वेज मॉडल' का उपयोग करता है। वह आठ अलग-अलग कम्प्यूटेशनल उपकरणों के सेट में से चयन करता है, जिनमें विशिष्ट डेटा बिंदु निकालने, औसत की गणना करने, या समूहों के बीच अंतर की सांख्यिकीय सार्थकता देखने के लिए कार्यों का उपयोग शामिल हो सकता है।
यह प्रक्रिया इस तरह काम करती है कि एजेंट एक जटिल प्रश्न को छोटे चरणों में विभाजित करता है। यदि कोई उपयोगकर्ता एक निश्चित ट्यूमर वाले रोगियों के जीवित रहने के समय के बारे में पूछता है, तो एजेंट पहले प्रासंगिक रोगी रिकॉर्ड प्राप्त कर सकता है, फिर गणना कर सकता है कि वे कितने समय तक जीवित रहे, और अंत में यह देखने के लिए एक सांख्यिकीय परीक्षण चला सकता है कि परिणाम कितना विश्वसनीय है। महत्वपूर्ण रूप से, यह प्रणाली अपने काम की जाँच स्वयं करती है। यह सटीकता सुनिश्चित करने के लिए अपने निष्कर्षों की तुलना 'क्लिनिकल डेटा रिसोर्स' (Clinical Data Resource) नामक एक क्यूरेटेड, विश्वसनीय संस्करण से करती है। यदि प्रारंभिक प्रयास विफल हो जाता है या यदि डेटा अधूरा दिखता है, तो एजेंट अपने दृष्टिकोण को अनुकूलित करता है, एक अलग उपकरण या संख्याओं को देखने का एक अलग तरीका आजमाता है, जब तक कि वह एक सही, नैदानिक रूप से सार्थक उत्तर तक न पहुँच जाए। तर्क, क्रिया और सत्यापन का यह चक्र प्रणाली को उन कठिन प्रश्नों को संभालने में सक्षम बनाता है जो एक मानक कंप्यूटर प्रोग्राम या एक साधारण चैटबॉट को उलझा सकते हैं।
इस प्रणाली के कार्य करने के तरीके का परीक्षण करने के लिए, शोधकर्ताओं ने एक कठोर मूल्यांकन बनाया जिसे 'TCGA-Agent-Bench' कहा गया। इस परीक्षण में 440 अलग-अलग प्रश्न शामिल थे, जो एक एकल रोगी के रिकॉर्ड की सरल खोज से लेकर लोगों के बड़े समूहों के बीच जटिल तुलनाओं तक विस्तृत थे। प्रश्नों को कठिनाई के पांच स्तरों पर वर्गीकृत किया गया था, और उत्तरों की जाँच विश्वसनीय 'क्लिनिकल डेटा रिसोर्स' के विरुद्ध की गई ताकि यह देखा जा सके कि सिस्टम ने संख्याएँ सही प्राप्त कीं या नहीं और क्या चिकित्सा संदर्भ पूर्ण था। परिणामों ने दिखाया कि एजेंटिक प्रणाली अत्यधिक प्रभावी थी, जिसने 93.4% प्रश्नों के सही उत्तर दिए। इसने सरल खोजों पर पूर्ण प्रदर्शन किया और रोगियों के समूहों के बारे में प्रश्नों पर 99.1% सफलता दर हासिल की। अन्य विधियों, जैसे कि नियमों के एक निश्चित सेट या एक मानक भाषा मॉडल (जो बिना टूल्स के उपयोग के करता है) की तुलना में, यह नई प्रणाली काफी अधिक सटीक थी। एक मानक मॉडल जो केवल डेटा को पढ़ता है और चरणों के माध्यम से तर्क नहीं करता, उसकी सटीकता केवल 81.8% रही, जबकि एक प्रणाली जो संरचित तर्क लूप के बिना जानकारी प्राप्त करने का प्रयास करती है, उसकी सटीकता गिरकर 66.9% रह गई।
अध्ययन ने यह भी प्रकट किया कि यह प्रणाली कहाँ सबसे अधिक मूल्य जोड़ती है। हालांकि विश्वसनीय 'क्लिनिकल डेटा रिसोर्स' अकेले ही अधिकांश प्रश्नों का उत्तर दे सकता था, लेकिन कुछ विशिष्ट क्षेत्र थे जहाँ यह कमज़ोर था, जैसे कि दवा उपचार, विशिष्ट ट्यूमर माप और जैविक मार्कर। जब शोधकर्ताओं ने इन छूटे हुए विवरणों की आवश्यकता वाले 26 प्रश्नों का परीक्षण किया, तो पूर्ण एजेंटिक प्रणाली ने उनमें से 100% को सही ढंग से उत्तर दिया, जबकि केवल विश्वसनीय संसाधन पर भरोसा करने से केवल 3.8% उत्तर सही मिलते। यह दर्शाता है कि कच्चे, जटिल फ़ाइलों से डेटा निकालने की प्रणाली की क्षमता एक पूर्ण चित्र के लिए आवश्यक है। आगे के विश्लेषण से पता चला कि 'रीजनिंग लूप' (reasoning loop)—वह हिस्सा जहाँ एजेंट अपने अगले कदम के बारे में सोचता है और अपने काम की जाँच करता है—सबसे महत्वपूर्ण कारक था, जिसने सटीकता को 9.1% बढ़ाया और उत्तरों की पूर्णता में 22 प्रतिशत अंक का सुधार किया।
निष्कर्ष बताते हैं कि इस प्रणाली की शक्ति स्वयं कंप्यूटर मॉडल के आकार से नहीं, बल्कि इस बात से आती है कि इसे उपकरणों का उपयोग करने और अपने परिणामों को सत्यापित करने के लिए कैसे बनाया गया है। मानवीय भाषा को समझने की क्षमता को सांख्यिकीय सॉफ्टवेयर की सटीकता और आत्म-जाँच के अनुशासन के साथ जोड़कर, यह प्रणाली एक विशाल, कठिन-से-उपयोग योग्य चिकित्सा डेटाबेस को किसी भी ऐसे व्यक्ति के लिए सुलभ बनाती है जो एक प्रश्न पूछ सकता है। यह सटीक, ऑडिट योग्य उत्तर और स्पष्ट स्रोत प्रदान करने का एक तरीका प्रदान करता है, जिससे जटिल फ़ाइलों की एक लाइब्रेरी को चिकित्सा खोज के लिए एक संवादात्मक साथी में बदल दिया जाता है। यह दृष्टिकोण नैदानिक डेटा के विश्लेषण के लिए एक मार्ग प्रस्तुत करता है, जो यह सिद्ध करता है कि सही आर्किटेक्चर उन अंतर्दृष्टि को भी उजागर कर सकता है जो पहले तकनीकी जटिलता की दीवार के पीछे छिपी हुई थीं।
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।