HemOncAgent: an artificial intelligence system for retrieving structured and narrative oncology knowledge
यह शोध पत्र HemOncAgent को प्रस्तुत करता है, जो एक एआई (AI) प्रणाली है जो ऑन्कोलॉजी ज्ञान की उच्च-सटीकता वाली, हाइब्रिड पुनर्प्राप्ति प्रदान करने के लिए संरचित नॉलेज ग्राफ और नैरेटिव केयर पाथवे को एकीकृत करती है, जिससे एकल-स्रोत प्रणालियों की सीमाओं को दूर किया जा सके।
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
कैंसर के उपचार की जटिल दुनिया में, डॉक्टरों को दो बहुत ही अलग प्रकार की सूचनाओं के बीच रास्ता बनाना पड़ता है। एक प्रकार कठोर और सटीक है, जैसे कि सामग्रियों का एक कैटलॉग जो यह सूचीबद्ध करता है कि एक विशिष्ट संयोजन में कौन सी दवाएं शामिल हैं या कौन से मेडिकल कोड एक विशेष बीमारी का वर्णन करते हैं। दूसरा प्रकार तरल और वर्णनात्मक है, जो विशेषज्ञों के लिखित नोट्स में पाया जाता है जो यह समझाते हैं कि समय के साथ उपचारों का क्रम कैसे तय किया जाए, जैसे कि नया उपचार कब शुरू करना है या पुनरावृत्ति (recurrence) के बाद रोगी का प्रबंधन कैसे करना है। दशकों से, डॉक्टरों की मदद करने के लिए डिज़ाइन किए गए कंप्यूटर सिस्टम इन दोनों को एक साथ संभालने में संघर्ष करते रहे हैं। कुछ सिस्टम सटीक तथ्य खोजने में उत्कृष्ट हैं लेकिन उपचार योजना की कहानी समझने में विफल रहते हैं, जबकि अन्य टेक्स्ट को पढ़ने में अच्छे हैं लेकिन विशिष्ट दवाओं के बीच महत्वपूर्ण संबंधों को पहचानने में चूक जाते हैं। यह अंतर महत्वपूर्ण है क्योंकि कैंसर देखभाल के बारे में सवाल पूछने वाला डॉक्टर एक क्षण में सटीक दवा सूची की आवश्यकता महसूस कर सकता है और अगले ही क्षण उपचार के मार्गों की वर्णनात्मक व्याख्या की।
शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए 'हेमओंक एजेंट' (HemOncAgent) नामक एक नया डिजिटल सहायक बनाया है। एक एकल विधि को सारा काम करने के लिए मजबूर करने के बजाय, यह प्रणाली एक विचारशील लाइब्रेरियन की तरह कार्य करती है जिसे पता होता है कि कब एक संरचित डेटाबेस की जांच करनी है और कब एक विस्तृत हैंडबुक को पढ़ना है। शोधकर्ताओं ने इस टूल का परीक्षण ऑन्कोलॉजी ज्ञान से संबंधित सैकड़ों प्रश्नों का उपयोग करके मानक कंप्यूटर प्रणालियों के विरुद्ध किया। उन्होंने पाया कि प्रत्येक विशिष्ट प्रश्न के लिए सही स्रोत चुनने की अनुमति देकर, यह नई प्रणाली तथ्यात्मक प्रश्नों और जटिल उपचार परिदृश्यों दोनों का उच्च सटीकता के साथ उत्तर दे सकती है। परिणाम बताते हैं कि चिकित्सा ज्ञान के लिए, जो आंशिक रूप से कठिन डेटा और आंशिक रूप से मानवीय अनुभव है, केवल एक प्रकार की खोज पर निर्भर रहने की तुलना में एक हाइब्रिड (मिश्रित) दृष्टिकोण कहीं अधिक विश्वसनीय है।
ऑन्कोलॉजी में चुनौती यह है कि ज्ञान दो अलग-अलग रूपों में मौजूद है। एक ओर, क्यूरेटेड डेटाबेस हैं जो संरचित तथ्यों को संग्रहीत करते हैं, जैसे कि कौन सी दवाएं एक विशिष्ट रेजिमेन (regimen) बनाती हैं या किसी स्थिति के लिए कौन से मानक मेडिकल कोड लागू होते हैं। ये एक खेल के कठोर नियमों की तरह हैं, जहाँ प्रत्येक तत्व का एक परिभाषित स्थान होता है। दूसरी ओर, चिकित्सकों द्वारा लिखे गए संसाधन हैं जो वर्णन करते हैं कि वास्तव में अभ्यास में उपचारों का उपयोग कैसे किया जाता है, जिसमें यह विवरण दिया जाता है कि रोग के विभिन्न चरणों के लिए उपचारों का क्रम क्या होगा। ये नैरेटिव (वृत्तांत) निर्णय लेने की उस सूक्ष्मता को पकड़ते हैं जिसे कठोर डेटाबेस अक्सर छोड़ देते हैं। हालांकि लार्ज लैंग्वेज मॉडल्स—कंप्यूटर प्रोग्राम जिन्हें टेक्स्ट की विशाल मात्रा पर प्रशिक्षित किया गया है—प्रश्नों के उत्तर दे सकते हैं, लेकिन इन विशिष्ट बाहरी स्रोतों तक पहुंच की कमी होने पर वे अक्सर भ्रमित हो जाते हैं या अनुमान लगाने लगते हैं। इसे हल करने के लिए, शोधकर्ताओं ने एक ऐसी प्रणाली विकसित की जो दोनों प्रकार के संसाधनों तक पहुँच सकती है, और उपयोगकर्ता के प्रश्न के आधार पर सबसे उपयुक्त स्रोत का चयन कर सकती है।
शोधकर्ताओं ने हेमओंक एजेंट को एक केंद्रीय केंद्र (hub) के रूप में बनाया है जो दो विशिष्ट ज्ञान स्रोतों से जुड़ता है। पहला एक संरचित नॉलेज ग्राफ (knowledge graph) है, जो 1,26,000 से अधिक अवधारणाओं और 4,24,000 संबंधों का एक विशाल नेटवर्क है जो दवाओं, रेजिमेन और बीमारियों को जोड़ता है। यह स्रोत सटीक संरचनाओं या नियामक अनुमोदनों के बारे में प्रश्नों का उत्तर देने के लिए उत्कृष्ट है। दूसरा स्रोत एक नैरेटिव वेबसाइट है जिसमें विशेषज्ञों द्वारा लिखे गए हजारों पृष्ठों का टेक्स्ट शामिल है, जो उपचार मार्गों और देखभाल अनुक्रमों का वर्णन करता है। जब कोई प्रश्न पूछा जाता है, तो एजेंट अनुरोध का विश्लेषण करता है और यह तय करता है कि उसे संरचित ग्राफ को क्वेरी करना चाहिए, नैरेटिव टेक्स्ट को खोजना चाहिए, या दोनों का उपयोग करना चाहिए। इसके बाद यह प्रासंगिक जानकारी प्राप्त करता है और एक अंतिम उत्तर तैयार करता है। यह देखने के लिए कि क्या यह दृष्टिकोण सफल रहा, टीम ने हेमओंक एजेंट की तुलना तीन अन्य प्रणालियों से की: बिना किसी बाहरी ज्ञान के एक मानक भाषा मॉडल, एक प्रणाली जो केवल नैरेटिव टेक्स्ट को खोजती थी, और एक प्रणाली जो केवल संरचित ग्राफ को क्वेरी करती थी।
परीक्षण में 600 प्रश्न शामिल थे जिन्हें दो समूहों में विभाजित किया गया था। पहला समूह संरचित तथ्यों पर केंद्रित था, जैसे कि किसी रेजिमेन में दवाओं की पहचान करना या एक विशिष्ट मेडिकल कोड खोजना। दूसरा समूह नैरेटिव विवरणों पर केंद्रित था, जैसे कि किसी विशिष्ट बीमारी के संदर्भ में उपचारों के क्रम का निर्धारण करना। परिणामों ने एक स्पष्ट पैटर्न दिखाया। वह प्रणाली जो केवल नैरेटिव टेक्स्ट को खोजती थी, उपचार अनुक्रमों पर अच्छा प्रदर्शन करती थी लेकिन सटीक कोड या दवा सूचियों को खोजने में बुरी तरह विफल रही। इसके विपरीत, वह प्रणाली जिसने केवल संरचित ग्राफ का उपयोग किया, तथ्यों के लिए उत्कृष्ट थी लेकिन टेक्स्ट में वर्णित सही उपचार मार्गों को खोजने में संघर्ष करती रही। बिना किसी बाहरी सहायता के मानक भाषा मॉडल दोनों पर खराब प्रदर्शन करता रहा। हालाँकि, हेमओंक एजेंट ने उच्चतम समग्र स्कोर प्राप्त किया। इसने तथ्यात्मक प्रश्नों पर विशिष्ट ग्राफ प्रणाली के प्रदर्शन का मुकाबला किया और नैरेटिव प्रश्नों पर टेक्स्ट-ओनली प्रणाली से बेहतर प्रदर्शन किया, जिससे दोनों दृष्टिकोणों की शक्तियों का सफलतापूर्वक संयोजन हुआ।
जब शोधकर्ताओं ने बारीकी से अध्ययन किया, तो हाइब्रिड प्रणाली के लाभ और भी स्पष्ट हो गए। उन प्रश्नों के लिए जिनमें सटीक मिलान की आवश्यकता थी, जैसे कि किसी दवा के वर्गीकरण या क्लिनिकल ट्रायल नंबर को खोजना, एजेंट ने लगभग पूरी तरह से संरचित डेटाबेस पर भरोसा किया और लगभग पूर्ण सटीकता प्राप्त की। उपचार सेटिंग्स के बारे में प्रश्नों के लिए, जैसे कि पहली पंक्ति (first-line) के उपचार के विफल होने के बाद क्या होता है, एजेंट ने मुख्य रूप से नैरेटिव पेजों को खोजा। इन मामलों में, इसने ग्राफ-ओनली प्रणाली की तुलना में काफी बेहतर प्रदर्शन किया, जो गद्य (prose) में छिपे उत्तरों को नहीं खोज सकी थी। एजेंट ने यह भी प्रदर्शित किया कि वह आवश्यकतानुसार स्रोतों को बुद्धिमानी से मिला सकता है, जिससे पूर्ण उत्तर सुनिश्चित करने के लिए लगभग एक चौथाई नैरेटिव प्रश्नों के लिए ग्राफ और टेक्स्ट दोनों का उपयोग किया गया। इस लचीलेपन ने इसे पूरे ऑन्कोलॉजी ज्ञान के दायरे में उच्च सटीकता बनाए रखने में सक्षम बनाया।
अध्ययन ने यह भी परीक्षण किया कि उत्तर उत्पन्न करने वाले अंतर्निहित कंप्यूटर मॉडल को बदलकर ये निष्कर्ष कितने सुदृढ़ हैं। यहाँ तक कि जब शोधकर्ताओं ने प्राथमिक इंजन को एक अलग प्रकार के आर्टिफिशियल इंटेलिजेंस से बदल दिया, तब भी हाइब्रिड प्रणाली ने एकल-स्रोत विकल्पों से बेहतर प्रदर्शन करना जारी रखा। हालांकि पूर्ण स्कोर थोड़े बदल गए, लेकिन पैटर्न वही रहा: संरचित और नैरेटिव दोनों स्रोतों तक पहुंच होने से निरंतर लाभ मिलता है। शोधकर्ताओं ने उल्लेख किया कि उत्तरों का मूल्यांकन करने के लिए उपयोग की गई स्वचालित ग्रेडिंग प्रणाली दूसरे, स्वतंत्र ग्रेडिंग सिस्टम के साथ लगभग 94 प्रतिशत उत्तरों पर सहमत थी, जिससे यह विश्वास बढ़ गया कि परिणाम किसी एक विशिष्ट मूल्यांकन पद्धति का संयोग मात्र नहीं थे।
इन सफलताओं के बावजूद, लेखक अपने निष्कर्षों की सीमाओं के प्रति सावधान हैं। परीक्षण के लिए उपयोग किए गए प्रश्न सीधे उन्हीं संसाधनों से उत्पन्न किए गए थे जिन्हें सिस्टम खोज रहा था, जिसका अर्थ है कि परीक्षण ने यह मापा कि सिस्टम उन विशिष्ट स्रोतों से जानकारी कितनी अच्छी तरह प्राप्त कर सकता है, न कि यह कि वह नए, अनदेखे नैदानिक परिदृश्यों के बारे में कितनी अच्छी तरह तर्क कर सकता है। यह अध्ययन यह दावा नहीं करता है कि यह प्रणाली डॉक्टरों को बदलने के लिए तैयार है या यह कैंसर देखभाल के बारे में हर संभव प्रश्न का उत्तर दे सकती है, विशेष रूप से क्योंकि चिकित्सा दिशानिर्देश तेजी से बदलते हैं और ज्ञान आधार एक निश्चित समय का स्नैपशॉट है। हालाँकि, परिणाम दृढ़ता से सुझाव देते हैं कि नैदानिक ज्ञान संसाधनों के लिए जो कठिन डेटा और मानवीय नैरेटिव दोनों को कवर करते हैं, एक एकल खोज रणनीति अपर्याप्त है। आर्टिफिशियल इंटेलिजेंस एजेंट को काम के लिए सही उपकरण चुनने की अनुमति देकर, शोधकर्ताओं ने एक व्यावहारिक तरीका प्रदर्शित किया है जिससे चिकित्सा जानकारी को अधिक सुलभ और विश्वसनीय बनाया जा सके।
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।