सटीक थेरेपी स्वास्थ्य सेवा में एक महत्वपूर्ण दृष्टिकोण के रूप में उभरी है, जोखिमों को कम करते हुए परिणामों को अनुकूलित करने के लिए व्यक्तिगत रोगी प्रोफाइल के लिए उपचार की सिलाई। हालांकि, उपयुक्त दवा का निर्धारण करने में कई कारकों का एक जटिल विश्लेषण शामिल है: रोगी की विशेषताएं, कोमोरिडिटीज, संभावित ड्रग इंटरैक्शन, कॉन्ट्रिनेशन, वर्तमान नैदानिक दिशानिर्देश, दवा तंत्र और रोग जीव विज्ञान। जबकि बड़े भाषा मॉडल (एलएलएम) ने प्रीट्रेनिंग और फाइन-ट्यूनिंग मेडिकल डेटा के माध्यम से चिकित्सीय कार्य क्षमताओं का प्रदर्शन किया है, वे महत्वपूर्ण सीमाओं का सामना करते हैं। इन मॉडलों में अद्यतन बायोमेडिकल ज्ञान तक पहुंच की कमी है, अक्सर मतिभ्रम उत्पन्न करते हैं, और कई नैदानिक चर में मज़बूती से तर्क देने के लिए संघर्ष करते हैं। इसके अलावा, नई चिकित्सा जानकारी के साथ एलएलएम को फिर से देखना विनाशकारी भूलने के कारण कम्प्यूटेशनल रूप से निषेधात्मक साबित होता है। मॉडल भी अपने व्यापक प्रशिक्षण डेटा से अप्रत्याशित या जानबूझकर चिकित्सा सामग्री को भ्रमित करने का जोखिम उठाते हैं, जिससे नैदानिक अनुप्रयोगों में उनकी विश्वसनीयता से समझौता होता है।
टूल-एयूजीएएनटीईडी एलएलएम को बाहरी पुनर्प्राप्ति तंत्रों जैसे पुनर्प्राप्ति-अनुमानित पीढ़ी (आरएजी) जैसे बाहरी पुनर्प्राप्ति तंत्र के माध्यम से ज्ञान सीमाओं को संबोधित करने के लिए विकसित किया गया है। ये सिस्टम बाहरी डेटाबेस से दवा और रोग की जानकारी प्राप्त करके मतिभ्रम के मुद्दों को दूर करने का प्रयास करते हैं। हालांकि, वे अभी भी प्रभावी उपचार चयन के लिए आवश्यक बहु-चरणीय तर्क प्रक्रिया को निष्पादित करने में कम हैं। प्रिसिजन थेरेपी को पुनरावृत्त तर्क क्षमताओं से काफी लाभ होगा जहां मॉडल सत्यापित सूचना स्रोतों तक पहुंच सकते हैं, व्यवस्थित रूप से संभावित इंटरैक्शन का मूल्यांकन कर सकते हैं, और व्यापक नैदानिक विश्लेषण के आधार पर गतिशील रूप से उपचार सिफारिशों को परिष्कृत कर सकते हैं।
हार्वर्ड मेडिकल स्कूल, एमआईटी लिंकन लेबोरेटरी, केम्पनर इंस्टीट्यूट फॉर द स्टडी ऑफ नेचुरल एंड आर्टिफिशियल इंटेलिजेंस, हार्वर्ड यूनिवर्सिटी, ब्रॉड इंस्टीट्यूट ऑफ एमआईटी और हार्वर्ड, और हार्वर्ड डेटा साइंस पहल के शोधकर्ता परिचय के शोधकर्ता Txagent, वास्तविक समय के बायोमेडिकल टूल के साथ मल्टी-स्टेप तर्क को एकीकृत करके साक्ष्य-ग्राउंडेड उपचार सिफारिशों को वितरित करने वाले एक अभिनव एआई प्रणाली का प्रतिनिधित्व करना। एजेंट पारदर्शी तर्क प्रदान करते हुए प्राकृतिक भाषा प्रतिक्रियाएं उत्पन्न करता है जो इसकी निर्णय लेने की प्रक्रिया का दस्तावेजीकरण करता है। यह सटीकता सुनिश्चित करने के लिए बाहरी डेटाबेस और विशेष मशीन लर्निंग मॉडल तक पहुंच, लक्ष्य-संचालित टूल चयन को नियोजित करता है। इस फ्रेमवर्क का समर्थन करना टूल्यूनवर्स है, एक व्यापक बायोमेडिकल टूलबॉक्स है जिसमें दवा तंत्र, इंटरैक्शन, नैदानिक दिशानिर्देश और रोग एनोटेशन को कवर करने वाले 211 विशेषज्ञ-क्यूरेट टूल हैं। इन उपकरणों में OpenFDA, ओपन टारगेट और ह्यूमन फेनोटाइप ऑन्कोलॉजी जैसे विश्वसनीय स्रोत शामिल हैं। टूल चयन का अनुकूलन करने के लिए, Txagent टूलराग को लागू करता है, एक एमएल-आधारित पुनर्प्राप्ति प्रणाली जो गतिशील रूप से क्वेरी संदर्भ के आधार पर टूलुनिवर से सबसे अधिक प्रासंगिक उपकरणों की पहचान करता है।
Txagent की वास्तुकला तीन मुख्य घटकों को एकीकृत करती है: टूलुनिवर, जिसमें 211 विविध बायोमेडिकल टूल शामिल हैं; मल्टी-स्टेप रीजनिंग और टूल निष्पादन के लिए एक विशेष एलएलएम फाइन-ट्यून; और अनुकूली उपकरण पुनर्प्राप्ति के लिए टूलराग मॉडल। टूल संगतता टूलजेन के माध्यम से सक्षम है, एक मल्टी-एजेंट सिस्टम जो एपीआई प्रलेखन से उपकरण उत्पन्न करता है। एजेंट Txagent-Instruct के साथ फाइन-ट्यूनिंग से गुजरता है, एक व्यापक डेटासेट जिसमें 378,027 निर्देश-ट्यूनिंग नमूने होते हैं, जो 85,340 मल्टी-स्टेप रीजनिंग ट्रेस से प्राप्त होते हैं, जिसमें 177,626 तर्क और 281,695 फ़ंक्शन कॉल शामिल हैं। यह डेटासेट प्रश्नों और ट्रेसजेन द्वारा उत्पन्न होता है, मल्टी-एजेंट सिस्टम जो विभिन्न चिकित्सीय क्वेरी और स्टेपवाइज रीजनिंग ट्रेस बनाते हैं, जो एफडीए लेबल से उपचार की जानकारी और ड्रग डेटा को कवर करते हैं, जो 1939 में वापस डेटिंग करते हैं।
Txagent अपने बहु-टूल दृष्टिकोण के माध्यम से चिकित्सीय तर्क में असाधारण क्षमताओं को प्रदर्शित करता है। सिस्टम पारदर्शी तर्क के निशान के साथ सटीक और विश्वसनीय प्रतिक्रियाओं को सुनिश्चित करने के लिए एफडीए द्वारा अनुमोदित ड्रग लेबल और खुले लक्ष्यों सहित कई सत्यापित ज्ञान ठिकानों का उपयोग करता है। यह चार प्रमुख क्षेत्रों में उत्कृष्टता प्राप्त करता है: टूल कॉल का उपयोग करके ज्ञान ग्राउंडिंग, विश्वसनीय स्रोतों से सत्यापित जानकारी प्राप्त करना; टूलराग मॉडल के माध्यम से लक्ष्य-उन्मुख उपकरण चयन; कई सूचना स्रोतों की आवश्यकता वाले जटिल समस्याओं के लिए बहु-चरण चिकित्सीय तर्क; और लगातार अद्यतन किए गए ज्ञान स्रोतों से वास्तविक समय की पुनर्प्राप्ति। महत्वपूर्ण रूप से, Txagent ने दिसंबर 2024 में अनुमोदित एक दवा Bizengri के लिए सफलतापूर्वक संकेतों की पहचान की, अपने बेस मॉडल के ज्ञान कटऑफ के बाद अच्छी तरह से, OpenFDA API को पुराने आंतरिक ज्ञान पर भरोसा करने के बजाय सीधे क्वेरी करके।
Txagent बहु-चरणीय तर्क और लक्षित उपकरण एकीकरण के माध्यम से पारंपरिक एलएलएम की महत्वपूर्ण सीमाओं को संबोधित करते हुए, ए-असिस्टेड सटीक दवा में एक महत्वपूर्ण उन्नति का प्रतिनिधित्व करता है। सिफारिशों के साथ-साथ पारदर्शी तर्क ट्रेल्स उत्पन्न करके, सिस्टम चिकित्सीय समस्याओं के लिए व्याख्या योग्य निर्णय लेने की प्रक्रिया प्रदान करता है। Tooluniverse का एकीकरण सत्यापित बायोमेडिकल ज्ञान के लिए वास्तविक समय तक पहुंच को सक्षम बनाता है, जिससे Txagent को स्थैतिक प्रशिक्षण जानकारी के बजाय वर्तमान डेटा के आधार पर सिफारिशें करने की अनुमति मिलती है। यह दृष्टिकोण सिस्टम को नई अनुमोदित दवाओं के साथ वर्तमान रहने, उचित संकेतों का आकलन करने और साक्ष्य-आधारित नुस्खे देने में सक्षम बनाता है। सत्यापित स्रोतों में सभी प्रतिक्रियाओं को आधार बनाकर और पता लगाने योग्य निर्णय कदम प्रदान करते हुए, Txagent नैदानिक निर्णय समर्थन में भरोसेमंद AI के लिए एक नया मानक स्थापित करता है।
चेक आउट पेपर, प्रोजेक्ट पेज और GitHub पेज। इस शोध के लिए सभी श्रेय इस परियोजना के शोधकर्ताओं को जाते हैं। इसके अलावा, हमें फॉलो करने के लिए स्वतंत्र महसूस करें ट्विटर और हमारे साथ जुड़ने के लिए मत भूलना 85K+ एमएल सबरेडिट।
ASJAD MarkTechPost में एक प्रशिक्षु सलाहकार है। वह भारतीय प्रौद्योगिकी संस्थान, खड़गपुर में मैकेनिकल इंजीनियरिंग में B.Tech को बनाए रख रहे हैं। असजाद एक मशीन लर्निंग और डीप लर्निंग उत्साही है जो हमेशा हेल्थकेयर में मशीन लर्निंग के अनुप्रयोगों पर शोध कर रहा है।
