RAG-Based Medical Question Answering Assistant Using Semantic Embedding NLP Technique

आर्टिफिशियल इंटेलिजेंस के विशाल परिदृश्य में, एक विशिष्ट चुनौती लंबे समय से शोधकर्ताओं को पहेली बना रही है: कंप्यूटर को चिकित्सा की सूक्ष्म और उच्च-दांव वाली भाषा को कैसे समझाया जाए। लार्ज लैंग्वेज मॉडल्स, जो आधुनिक चैटबॉट्स के पीछे के शक्तिशाली इंजन हैं, पूरे इंटरनेट पर प्रशिक्षित होते हैं, जिससे वे एक सुशिक्षित मानव की तरह बोलना सीखते हैं। हालाँकि, जब कोई उपयोगकर्ता एक जटिल चिकित्सा प्रश्न पूछता है, तो ये सामान्य मॉडल अक्सर लड़खड़ा जाते हैं। वे किसी दुर्लभ लक्षण के सटीक अर्थ को समझने में चूक सकते हैं या दो समान दिखने वाले उपचारों के बीच भ्रमित हो सकते हैं क्योंकि उनका प्रशिक्षण डेटा चिकित्सा शब्दों के साथ वैसा ही व्यवहार करता है जैसा वह रोजमर्रा के शब्दों के साथ करता है। इसे हल करने के लिए, वैज्ञानिकों ने 'रिट्रीवल-ऑगमेंटेड जनरेशन' (retrieval-augmented generation) नामक एक विधि विकसित की है। कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है जिसे कमरे में एक पाठ्यपुस्तक लाने की अनुमति है। केवल स्मृति पर निर्भर रहने के बजाय, छात्र पहले पुस्तक में उत्तर खोजता है और फिर उस साक्ष्य के आधार पर एक प्रतिक्रिया लिखता है। डिजिटल दुनिया में, इसका अर्थ है कि कंप्यूटर किसी प्रश्न का उत्तर देने का प्रयास करने से पहले चिकित्सा तथ्यों के एक विश्वसनीय पुस्तकालय की खोज करता है, यह सुनिश्चित करता है कि प्रतिक्रिया अनुमान के बजाय वास्तविकता पर आधारित हो। इस प्रक्रिया में महत्वपूर्ण कदम स्वयं खोज है। कंप्यूटर के लिए पाठ्यपुस्तक में सही पृष्ठ खोजने के लिए, उसे उपयोगकर्ता के प्रश्न और पुस्तकालय की सामग्री को एक गणितीय मानचित्र में अनुवादित करना होगा जहाँ समान विचार एक-दूसरे के करीब स्थित हों। यह प्रश्न कि क्या एक सामान्य मानचित्र चिकित्सा के क्षेत्र के लिए विशेष रूप से बनाए गए मानचित्र के समान प्रभावी है, इस क्षेत्र में एक केंद्रीय बहस बनी हुई है।

भारत के संजीवनी विश्वविद्यालय के एक शोधकर्ता ने अब इस बहस को सुलझाने के लिए एक कार्यशील प्रणाली बनाई है, जिससे एक चिकित्सा प्रश्न-उत्तर सहायक तैयार हुआ है जो चिकित्सा ज्ञान को मैप करने के विभिन्न तरीकों का परीक्षण करता है। यह अध्ययन "एम्बेडिंग" (embedding) मॉडल पर केंद्रित है, जो वह सॉफ्टवेयर घटक है जो टेक्स्ट को उन गणितीय निर्देशांकों में अनुवादित करने के लिए जिम्मेदार है। शोधकर्ता ने संयुक्त राज्य अमेरिका की विश्वसनीय सरकारी स्वास्थ्य वेबसाइटों से प्राप्त 16,000 से अधिक वास्तविक चिकित्सा प्रश्नों और उत्तरों के एक विशाल संग्रह का उपयोग करके एक नियंत्रित प्रयोग स्थापित किया। यह डेटासेट इस प्रणाली के लिए पाठ्यपुस्तक के रूप में कार्य करता था। शोधकर्ता ने फिर एक पाइपलाइन बनाई जहाँ कंप्यूटर दो प्रकार के मानचित्रों में से चुन सकता था: एक सामान्य-उद्देश्य वाला, जिसे सभी मानव भाषाओं को समझने के लिए डिज़ाइन किया गया है, और कई विशिष्ट वाले, जिन्हें विशेष रूप से जीव विज्ञान और चिकित्सा की बारीकियों को समझने के लिए डिज़ाइन किया गया है। सिस्टम एक चिकित्सा प्रश्न लेगा, उसे एक मॉडल का उपयोग करके एक मानचित्र निर्देशांक में परिवर्तित करेगा, निकटतम मिलान वाले तथ्यों के लिए पुस्तकालय की खोज करेगा, और फिर एक उत्तर उत्पन्न करेगा। प्रत्येक संस्करण के माध्यम से बिल्कुल समान प्रश्नों को चलाकर, शोधकर्ता यह माप सकता था कि किस दृष्टिकोण ने सबसे प्रासंगिक जानकारी खोजी और सबसे सटीक उत्तर दिए।

इस तुलना के परिणाम स्पष्ट और निर्णायक थे। सामान्य-उद्देश्य वाले मानचित्र का उपयोग करने वाला सिस्टम चिकित्सा शब्दावली के जटिल क्षेत्र में नेविगेट करने में संघर्ष करता है, और अक्सर ऐसे तथ्य प्राप्त करता है जो प्रश्न से केवल ढीले रूप से संबंधित होते हैं। इसके विपरीत, विशिष्ट चिकित्सा मानचित्रों ने लगातार सबसे प्रासंगिक जानकारी खोजी। परीक्षण किए गए विशिष्ट मॉडलों में से, 'मेडसीपीटी' (MedCPT) नामक एक मॉडल सबसे प्रभावी मार्गदर्शक के रूप में उभरा। जब सिस्टम ने इस विशिष्ट मॉडल का उपयोग किया, तो इसने 91.5 प्रतिशत की सटीकता (precision) के साथ सही चिकित्सा तथ्य खोजे, जिसका अर्थ है कि प्रत्येक दस सूचनाओं में से नौ से अधिक सीधे प्रश्न से प्रासंगिक थीं। यह सामान्य मॉडल की तुलना में एक महत्वपूर्ण सुधार था, जिसने केवल 74.2 प्रतिशत की सटीकता प्राप्त की। विशिष्ट मॉडल टेक्स्ट के भीतर गहराई में दबे सही उत्तरों को खोजने में भी उत्कृष्ट रहा, जिसे 'रिकॉल' (recall) कहा जाता है, जो सामान्य मॉडल के 68.5 प्रतिशत की तुलना में 87.8 प्रतिशत तक पहुँच गया।

सही तथ्यों को खोजने के अलावा, जब सिस्टम ने विशिष्ट मानचित्र का उपयोग किया तो अंतिम उत्तरों की गुणवत्ता में नाटकीय रूप से सुधार हुआ। मेडसीपीटी मॉडल के साथ उत्पन्न उत्तर 94.1 प्रतिशत सटीक पाए गए, और उन्होंने उच्च स्तर की निष्ठा (faithfulness) प्रदर्शित की, जिसका अर्थ है कि कंप्यूटर बिना विवरण गढ़े सख्ती से मिले साक्ष्यों पर टिका रहा। इसकी तुलना में, सामान्य-उद्देश्य वाले मॉडल ने केवल 78.4 प्रतिशत सटीक उत्तर दिए। अध्ययन ने यह भी मापा कि सिस्टम को सोचने और प्रतिक्रिया देने में कितना समय लगा। सामान्य मॉडल सबसे तेज़ था, जिसने लगभग 42.5 मिलीसेकंड में खोज पूरी की। विशिष्ट मॉडलों को थोड़ा अधिक समय लगा, जिसमें मेडसीपीटी ने 85.0 मिलीसेकंड का समय लिया। हालाँकि, शोधकर्ताओं ने नोट किया कि विश्वसनीयता और सटीकता में पर्याप्त वृद्धि के लिए समय में यह मामूली वृद्धि एक सार्थक समझौता था। सिस्टम ने अपने कार्य का एक पारदर्शी दृश्य भी प्रदान किया, जिससे उपयोगकर्ता को ठीक से पता चल सका कि उसने किस स्रोत दस्तावेज़ का उपयोग किया और निकाला गया टेक्स्ट प्रश्न से कितनी निकटता से मेल खाता है, जिससे उत्तर की उत्पत्ति का स्पष्ट ऑडिट संभव हुआ।

शोधकर्ता ने यह भी ध्यान दिया कि सिस्टम विभिन्न प्रकार के चिकित्सा प्रश्नों को कैसे संभालता है, यह सुनिश्चित करते हुए कि परिणाम केवल कुछ आसान प्रश्नों का संयोग न हों। डेटासेट में लक्षणों, उपचारों, कारणों और रोकथाम के बारे में प्रश्न शामिल थे, जो चिकित्सा विषयों की एक विस्तृत श्रृंखला को कवर करते हैं। मूल्यांकन ने दिखाया कि विशिष्ट मॉडल सभी श्रेणियों में अच्छा प्रदर्शन करते हैं, न कि केवल सबसे सामान्य श्रेणियों में। यह सुझाव देता है कि चिकित्सा-विशिष्ट मानचित्र का लाभ, चाहे उपयोगकर्ता सामान्य सर्दी के बारे में पूछ रहा हो या किसी दुर्लभ आनुवंशिक स्थिति के बारे में, निरंतर बना रहता है। अध्ययन ने अपने दृष्टिकोण की सीमाओं को भी स्वीकार किया। सिस्टम उतना ही अच्छा है जितना कि वह पुस्तकालय जिसे वह खोजता है; यदि पुस्तकालय में किसी विशिष्ट बीमारी के बारे में जानकारी नहीं है या जानकारी पुरानी है, तो सिस्टम नए तथ्य नहीं बना सकता है। इसके अलावा, संपूर्ण डेटासेट अंग्रेजी में था, जो अतिरिक्त अनुवाद चरणों के बिना गैर-अंग्रेजी भाषियों की सेवा करने की सिस्टम की क्षमता को सीमित करता है।

अंततः, यह कार्य प्रदर्शित करता है कि चिकित्सा अनुप्रयोगों के लिए, कंप्यूटर भाषा को कैसे समझता है, यह केवल एक मामूली विवरण नहीं बल्कि सुरक्षा और सटीकता का एक मौलिक कारक है। अध्ययन सिद्ध करता है कि एक सामान्य-उद्देश्य वाला उपकरण, हालांकि कई संदर्भों में प्रभावशाली है, स्वास्थ्य सेवा में आवश्यक सटीकता के लिए पर्याप्त नहीं है। बायोमेडिकल साहित्य पर विशेष रूप से प्रशिक्षित मॉडल का उपयोग करके, सिस्टम चिकित्सा भाषा की जटिलताओं को उस स्तर की देखभाल के साथ नेविगेट कर सकता है जो सामान्य मॉडल नहीं कर सकते। निष्कर्ष बताते हैं कि स्वास्थ्य जानकारी के साथ सहायता करने के लिए किसी भी आर्टिफिशियल इंटेलिजेंस के लिए, आधार विशिष्ट ज्ञान पर निर्मित होना चाहिए। इस अध्ययन में विकसित सिस्टम एक कार्यशील प्रोटोटाइप के रूप में कार्य करता है, जो दिखाता है कि सही उपकरणों के साथ, कंप्यूटर चिकित्सा सूचना के घने जंगल के माध्यम से विश्वसनीय मार्गदर्शक के रूप में कार्य कर सकते हैं, जो हमेशा सत्य को सत्यापित करने वाले विश्वसनीय स्रोतों की ओर संकेत करते हैं।