Creating a Biomedical Causal Knowledge Graph via Semi-Supervised Learning
यह शोध पत्र इस बात की समीक्षा करता है कि कैसे सेमी-सुपरवाइज्ड लर्निंग प्रतिमान, जैसे कि सेल्फ-ट्रेनिंग और एक्टिव लर्निंग, प्रिसिजन मेडिसिन के लिए स्केलेबल कॉज़ल बायोमेडिकल नॉलेज ग्राफ के निर्माण को सक्षम करने हेतु एनोटेटेड डेटा की कमी को दूर करते हैं, साथ ही बड़े भाषा मॉडल (लार्ज लैंग्वेज मॉडल्स) से जुड़े वर्तमान चुनौतियों और भविष्य की दिशाओं पर प्रकाश डालते हैं।
मूल पेपर CC BY 4.0 (https://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
आधुनिक चिकित्सा की दुनिया हर दिन सूचनाओं की एक आश्चर्यजनक मात्रा उत्पन्न करती है। शोधकर्ता हजारों नए लेख प्रकाशित करते हैं जो बताते हैं कि जीन कैसे परस्पर क्रिया करते हैं, दवाएं शरीर को कैसे प्रभावित करती हैं, और बीमारियां कैसे आगे बढ़ती हैं। डॉक्टरों और वैज्ञानिकों के लिए चुनौती अब इस जानकारी को खोजने की नहीं, बल्कि इसे समझने की है। उन्हें न केवल यह जानने की आवश्यकता है कि दो चीजें एक साथ होती हैं, बल्कि यह भी कि क्या वास्तव में एक दूसरे का कारण बनती है। यदि कोई दवा किसी दुष्प्रभाव (साइड इफेक्ट) से जुड़ी है, तो क्या वह समस्या उस दवा के कारण हुई थी, या यह केवल एक संयोग था? यह अंतर केवल जुड़ावों की एक साधारण सूची और कारण और प्रभाव के मानचित्र के बीच का अंतर है। इस ज्ञान को व्यवस्थित करने के लिए, वैज्ञानिक डिजिटल संरचनाओं का उपयोग करते हैं जिन्हें 'नॉलेज ग्राफ' कहा जाता है, जो चिकित्सा अवधारणाओं को एक विशाल जाल की तरह जोड़ते हैं। हालांकि, वास्तविक कारणों को दर्शाने वाला मानचित्र बनाना अविश्वसनीय रूप से कठिन है क्योंकि इसके लिए मानव विशेषज्ञों को प्रत्येक वाक्य को पढ़ना और लेबल करना आवश्यक होता है, जो एक ऐसा कार्य है जो नए शोध की बाढ़ के साथ तालमेल बिठाने के लिए बहुत धीमा और महंगा है।
मियामी यूनिवर्सिटी ऑफ साइंस एंड टेक्नोलॉजी के एक शोधकर्ता ने सटीकता से समझौता किए बिना इस प्रक्रिया को तेज करने का एक तरीका खोजा है। केवल मानव विशेषज्ञों पर निर्भर रहने के बजाय कि वे हर टेक्स्ट को लेबल करें, उन्होंने एक ऐसी विधि विकसित की जो कंप्यूटर को विशेषज्ञों द्वारा लेबल किए गए उदाहरणों के एक छोटे सेट से सीखना सिखाती है और फिर उस ज्ञान को चिकित्सा लेखों के बहुत बड़े संग्रह पर लागू करती है। यह दृष्टिकोण, जिसे 'सेमी-सुपरवाइज्ड लर्निंग' (semi-supervised learning) के रूप में जाना जाता है, सिस्टम को हजारों ऐसे दस्तावेजों को पढ़ने की अनुमति देता है जिन्हें किसी इंसान ने कभी मार्क नहीं किया है, जिससे यह पहचान की जा सके कि वैज्ञानिक कारण और प्रभाव का वर्णन कैसे करते हैं। शोधकर्ता ने विशेष रूप से संक्रामक रोगों पर ध्यान केंद्रित किया, जिसमें 'सेल्फ-ट्रेनिंग' (self-training) नामक एक तकनीक का उपयोग किया गया जहाँ कंप्यूटर बिना लेबल वाले टेक्स्ट पर अपने स्वयं के अनुमान लगाता है, सबसे आत्मविश्वासी उत्तरों का चयन करता है, और खुद को बेहतर बनाने के लिए उनका उपयोग करता है।
इस प्रयोग के परिणाम महत्वपूर्ण थे। मानव-लेबल वाले डेटा की एक छोटी मात्रा को बिना लेबल वाले टेक्स्ट की विशाल मात्रा के साथ जोड़कर, सिस्टम केवल मानव लेबल पर प्रशिक्षित सिस्टम की तुलना में कारण संबंधी संबंधों को पहचानने में बहुत बेहतर हो गया। जब परीक्षण किया गया, तो नई विधि ने कारण-और-प्रभाव के संबंध को संकेत देने वाले विशिष्ट शब्दों को लगभग 83 प्रतिशत बार सही ढंग से पहचाना, जो पुराने, पूरी तरह से सुपरवाइज्ड पद्धति द्वारा प्राप्त 75 प्रतिशत से एक उल्लेखनीय उछाल है। सुधार और भी नाटकीय था जब सिस्टम को पूर्ण संबंध की पहचान करनी थी, जिसमें कारण, प्रभाव और जोड़ने वाले शब्द शामिल थे, जहाँ सटीकता 68 प्रतिशत से बढ़कर 78 प्रतिशत हो गई। यह सुझाव देता है कि कंप्यूटर ने बिना लेबल वाले टेक्स्ट से मूल्यवान पैटर्न सीख लिए जो वह अपने आप नहीं खोज सकता था।
इन निकाले गए संबंधों को एक उपयोगी उपकरण में बदलने के लिए, शोधकर्ता ने एक 'कॉज़ल नॉलेज ग्राफ' बनाया जिसमें लगभग 13,000 विशिष्ट चिकित्सा संस्थाएं (entities), जैसे कि विशिष्ट रोग, दवाएं और जीन शामिल थे, जो 34,000 से अधिक कारण लिंक्स द्वारा जुड़े हुए थे। इस जाल के प्रत्येक लिंक को एक 'कॉन्फिडेंस स्कोर' दिया गया था, जो एक विश्वसनीयता रेटिंग की तरह काम करता है जो उपयोगकर्ताओं को बताता है कि सिस्टम उस संबंध के बारे में कितना आश्वस्त है। परिणामी मानचित्र बहुत हद तक प्रकृति में पाए जाने वाले जटिल नेटवर्क की तरह दिखता था, जिसमें कुछ केंद्रीय केंद्र (hubs) कई अन्य नोड्स से जुड़े होते हैं, जो यह दर्शाता है कि कैसे कुछ रोग और दवाएं कई अलग-अलग जैविक मार्गों के लिए केंद्रीय होती हैं। मौजूदा, विशेषज्ञ-क्यूरेटेड डेटाबेस के साथ तुलना करने पर, नए सिस्टम ने ज्ञात संबंधों में से लगभग 67 प्रतिशत को उच्च स्तर की सटीकता के साथ सफलतापूर्वक पुनः प्राप्त किया। इससे भी महत्वपूर्ण बात यह है कि इसने ऐसे नए संबंध भी खोजे जो संदर्भ डेटाबेस में नहीं थे, और एक मैनुअल समीक्षा ने पुष्टि की कि इनमें से लगभग 60 प्रतिशत नए निष्कर्ष वैध कारण संबंध थे।
इस कार्य का असली परीक्षण तब हुआ जब शोधकर्ता ने नए ग्राफ का उपयोग प्रतिकूल दवा प्रभावों (adverse drug effects) की भविष्यवाणी करने के लिए किया, जो रोगी सुरक्षा के लिए एक महत्वपूर्ण कार्य है। सिस्टम ने हानिकारक दुष्प्रभावों की पहचान करने में उस स्तर की सटीकता दिखाई जो उन तरीकों से बेहतर थी जो केवल दवाओं और बीमारियों के बीच सरल जुड़ाव देखते हैं। उन कनेक्शनों पर ध्यान केंद्रित करके जिनके बारे में सिस्टम सबसे अधिक आश्वस्त था, भविष्यवाणी की सटीकता और भी बेहतर हो गई। यह प्रदर्शित करता है कि वास्तविक कारणों को केवल सहसंबंधों से अलग करने का अतिरिक्त प्रयास रंग लाता है, जो एक ऐसा उपकरण प्रदान करता है जो दवा सुरक्षा की निगरानी करने और नैदानिक निर्णयों में सहायता करने में मदद कर सकता है। अध्ययन यह निष्कर्ष निकालता है कि हालांकि वर्तमान ग्राफ उन विशिष्ट लेखों तक सीमित है जिन पर इसे प्रशिक्षित किया गया है, लेकिन यह विधि डेटा लेबलिंग की बाधा को दूर करने के लिए एक शक्तिशाली समाधान है। यह दिखाता है कि कंप्यूटर को बिना लेबल वाले चिकित्सा साहित्य के विशाल महासागर से सीखने देकर, हम मानव शरीर के काम करने के अधिक पूर्ण और विश्वसनीय मानचित्र बना सकते हैं, जो अंततः मरीजों को सुरक्षित रखने में मदद करेगा।
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।