RAG-MedDx: A Preliminary Offline Prototype of a Citation-Traced Retrieval-Augmented Framework for Intelligent Medical Diagnosis Support

चिकित्सा की आधुनिक दुनिया में, कंप्यूटर शक्तिशाली सहायकों के रूप में उभरे हैं, जो चिकित्सा ग्रंथों के विशाल पुस्तकालयों को पढ़ने और धाराप्रवाह, मानव जैसी वाक्यों में बोलने में सक्षम हैं। ये प्रणालियाँ, जिन्हें लार्ज लैंग्वेज मॉडल्स (large language models) के रूप में जाना जाता है, लाखों दस्तावेजों से सीखे गए पैटर्न के आधार पर वाक्य में अगले शब्द की भविष्यवाणी करके काम करती हैं। हालांकि वे आत्मविश्वासपूर्ण और सुसंगत दिखने में प्रभावशाली हैं, लेकिन उनमें एक महत्वपूर्ण दोष है: वे हमेशा सच नहीं जानते। क्योंकि वे तथ्यों की लाइव जांच के बजाय स्मृति (मेमोरी) पर भरोसा करते हैं, इसलिए वे कभी-कभी ऐसी विवरण बना सकते हैं जो सुनने में तर्कसंगत लगते हैं लेकिन पूरी तरह से गलत होते हैं। स्वास्थ्य सेवा जैसे उच्च-जोखिम वाले क्षेत्र में, जहाँ बीमारी या दवा के परस्पर प्रभाव के बारे में गलत अनुमान मरीज को खतरे में डाल सकता है, मनगढ़ंत बातें बनाने की यह प्रवृत्ति एक गंभीर समस्या है। इसके अलावा, जब ये कंप्यूटर सिस्टम कोई उत्तर देते हैं, तो वे अक्सर 'ब्लैक बॉक्स' की तरह कार्य करते हैं, जिससे यह देखने का कोई तरीका नहीं मिलता कि उन्होंने उस निष्कर्ष तक पहुँचने के लिए किस पुस्तक या अध्ययन का उपयोग किया। डॉक्टरों और मरीजों को न केवल यह जानने की आवश्यकता है कि उत्तर क्या है, बल्कि यह भी कि वह कहाँ से आया है, ताकि वे उसकी पुष्टि कर सकें।

इन खतरों को दूर करने के लिए, अकांक्षा गायकवाड़ नामक एक शोधकर्ता ने एक नए प्रकार के चिकित्सा सहायता प्रणाली का एक प्रारंभिक प्रोटोटाइप बनाया है। यह प्रणाली, जिसे RAG-MedDx कहा जाता है, को बोलने से पहले एक विशिष्ट विश्वसनीय पुस्तकों के सेट में उत्तर खोजने के लिए मजबूर करने और फिर यह दिखाने के लिए डिज़ाइन किया गया है कि उसने किस पुस्तक का उपयोग किया। लक्ष्य एक ऐसा नैदानिक उपकरण बनाना है जो केवल अनुमान न लगाए, बल्कि अपने हर एक कथन को एक वास्तविक स्रोत से जोड़ सके। शोधकर्ता ने इस विचार का परीक्षण करने के लिए इस प्रणाली का एक सरलीकृत, ऑफलाइन संस्करण बनाया जो इंटरनेट से जुड़े बिना पूरी तरह से एक स्थानीय कंप्यूटर पर चलता है। परिणाम दिखाते हैं कि प्रणाली सफलतापूर्वक प्रासंगिक चिकित्सा जानकारी खोज सकती है, इसे एक विशिष्ट प्रश्न से जोड़ सकती है, और यह स्वीकार कर सकती है कि वह उत्तर नहीं जानती है, और यह सब क्लाउड-आधारित कंप्यूटर पर सोचने की आवश्यकता के बिना किया जा सकता है।

इस कार्य के पीछे का मूल विचार यह है कि कंप्यूटर चिकित्सा सलाह कैसे उत्पन्न करता है, इसे बदला जाए। कंप्यूटर को केवल अपने आंतरिक प्रशिक्षण पर निर्भर रहने देने के बजाय, नई प्रणाली एक ऐसे लाइब्रेरियन की तरह कार्य करती है जिसे उत्तर देने से पहले अलमारियों की जांच करनी होती है। जब कोई उपयोगकर्ता लक्षणों का विवरण टाइप करता है, तो प्रणाली पहले छह मेडिकल टेक्स्टबुक प्रविष्टियों के एक छोटे, स्थानीय संग्रह की खोज करती है। यह उन कीवर्ड्स (keywords) को खोजती है जो उपयोगकर्ता के प्रश्न से मेल खाते हैं। यदि इसे कोई मिलान मिलता है, तो यह उस जानकारी को निकाल लेती है और उसका उपयोग उत्तर बनाने के लिए करती है। महत्वपूर्ण रूप से, अंतिम उत्तर के प्रत्येक वाक्य के साथ एक छोटा टैग होता है जो सीधे उस विशिष्ट टेक्स्टबुक प्रविष्टि की ओर संकेत करता है जहाँ से वह आया है। यह निदान से साक्ष्य तक एक स्पष्ट मार्ग बनाता है, जिससे एक इंसान तुरंत स्रोत की पुष्टि कर सकता है। यदि प्रणाली अपने संग्रह की खोज करती है और उसे लक्षणों से मेल खाने वाला कुछ भी नहीं मिलता है, तो वह अनुमान लगाने की कोशिश नहीं करती। इसके बजाय, वह बस उपयोगकर्ता को बताती है कि कोई मिलान वाली जानकारी नहीं मिली, जिससे प्रणाली को गलत निदान बनाने से रोका जा सके।

इस पेपर के लिए किए गए परीक्षणों में, प्रोटोटाइप ने प्रदर्शित किया कि यह दृष्टिकोण एक नियंत्रित वातावरण में काम करता है। जब एक उपयोगकर्ता ने बाएं हाथ में दर्द (chest pain radiating to the left arm) के बारे में प्रश्न दर्ज किया, तो प्रणाली ने तेजी से अपने स्थानीय डेटाबेस की खोज की। इसने दो प्रासंगिक स्रोत खोजे और 0.77 सेकंड में एक उत्तर तैयार किया। प्रतिक्रिया में इनलाइन साइटेशन (inline citations) शामिल थे जिन्होंने सलाह के प्रत्येक भाग को उस विशिष्ट टेक्स्टबुक प्रविष्टि से जोड़ा जिस पर वह आधारित था। दूसरे परीक्षण में, उपयोगकर्ता ने एक गलत वर्तनी वाला शब्द दर्ज किया जो डेटाबेस में किसी भी मेडिकल टर्म से मेल नहीं खाता था। इस मामले में, प्रणाली ने सही ढंग से रिपोर्ट किया कि कोई स्रोत नहीं मिला और गलत उत्तर नहीं बनाया। इस पूरी प्रक्रिया में 0.49 सेकंड लगे। ये परीक्षण बाहरी सर्वरों से बिना किसी कनेक्शन के एक एकल डिवाइस पर चलाए गए थे, जो यह सिद्ध करता है कि यह प्रणाली ऑफलाइन काम कर सकती है और मरीज के डेटा को निजी रख सकती है।

यह समझना महत्वपूर्ण है कि इस पेपर ने क्या हासिल किया है। वर्णित प्रणाली एक प्रोटोटाइप है, जो एक बड़े प्रोजेक्ट का पहला कदम है। इस अध्ययन में परीक्षण किए गए संस्करण ने उत्तर लिखने के लिए किसी वास्तविक, उन्नत आर्टिफिशियल इंटेलिजेंस का उपयोग नहीं किया; इसके बजाय, इसने यह सिम्युलेट करने के लिए नियमों के एक सरलीकृत सेट का उपयोग किया कि एक AI कैसे व्यवहार कर सकता है। इस कारण से, पेपर यह दावा नहीं करता है कि यह प्रणाली वास्तविक मरीजों का निदान करने के लिए तैयार है या यह वर्तमान चिकित्सा उपकरणों से बेहतर है। शोधकर्ताओं ने अभी तक यह नहीं मापा है कि क्या यह विधि त्रुटियों को कम करती है या मानक कंप्यूटर मॉडल की तुलना में निदान की गति में सुधार करती है। यहाँ प्रस्तुत कार्य एक व्यवहार्यता (feasibility) का प्रदर्शन है। यह दिखाता है कि सूचना प्राप्त करना, उद्धरण (citations) संलग्न करना और साक्ष्य की कमी होने पर उत्तर देने से मना करना, एक एकल, निरीक्षण योग्य पाइपलाइन के भीतर संभव है।

शोधकर्ता ने भविष्य में पूर्ण प्रणाली का परीक्षण करने के लिए एक अलग कंप्यूटर फ्रेमवर्क भी बनाया है। यह फ्रेमवर्क इस नए तरीके की तुलना एक मानक कंप्यूटर मॉडल से करने के लिए डिज़ाइन किया गया है जो जानकारी नहीं खोजता है। योजना यह है कि दोनों प्रणालियों को चिकित्सा प्रश्नों के एक बड़े सेट पर चलाया जाए और यह मापा जाए कि वे कितनी बार सही होते हैं, वे कितनी बार मनगढ़ंत बातें बनाते हैं, और उत्तर देने में उन्हें कितना समय लगता है। हालाँकि, ये परीक्षण अभी तक नहीं किए गए हैं। वर्तमान पेपर सिस्टम के डिज़ाइन और इसके बुनियादी कार्यों के सफल प्रदर्शन पर केंद्रित है। शोधकर्ता स्वीकार करते हैं कि वर्तमान प्रोटोटाइप सरल कीवर्ड मिलान का उपयोग करता है, जो गलत वर्तनी होने पर उत्तरों को मिस कर सकता है, और नियम-आधारित उत्तर निर्माण एक अधिक जटिल बुद्धिमत्ता के स्थान पर एक प्रतिनिधि (stand-in) है।

इन सीमाओं के बावजूद, प्रोटोटाइप एक स्पष्ट दृष्टिकोण प्रदान करता है कि चिकित्सा आर्टिफिशियल इंटेलिजेंस को कैसे सुरक्षित और अधिक विश्वसनीय बनाया जा सकता है। कंप्यूटर को अपना काम दिखाने और यह स्वीकार करने के लिए बाध्य करके कि वह नहीं जानता, यह प्रणाली दो प्रमुख चिंताओं को संबोधित करती है: गलत सूचना का जोखिम और पारदर्शिता की कमी। पूरी तरह से ऑफलाइन चलने की क्षमता यह सुझाव देती है कि ऐसी प्रणाली का उपयोग अस्पतालों में संवेदनशील रोगी डेटा को क्लाउड पर भेजे बिना किया जा सकता है। हालांकि यह कार्य प्रारंभिक है और सटीकता एवं विश्वसनीयता पर अंतिम परिणाम अभी आने बाकी हैं, प्रोटोटाइप सफलतापूर्वक सिद्ध करता है कि एक साइटेशन-ट्रेस्ड (citation-traced), नो-मैच-अवेयर (no-match-aware) रिट्रीवल सिस्टम बनाया और परीक्षण किया जा सकता है। यह उस भविष्य की नींव रखता है जहाँ कंप्यूटर से मिलने वाली चिकित्सा सलाह न केवल धाराप्रवाह हो, बल्कि सत्यापन योग्य और ईमानदार भी हो।