درمان دقیق به عنوان یک رویکرد حیاتی در مراقبتهای بهداشتی ظهور کرده است که درمانها را با پروفایلهای فردی بیمار تنظیم میکند تا نتایج را بهینه کرده و در عین حال خطرات را کاهش دهد. با این حال، تعیین داروی مناسب شامل تجزیه و تحلیل پیچیدهای از عوامل متعدد است: ویژگیهای بیمار، بیماریهای همراه، تداخلات دارویی احتمالی، موارد منع مصرف، دستورالعملهای بالینی فعلی، مکانیسمهای دارو و زیستشناسی بیماری. در حالی که مدلهای زبانی بزرگ (LLM) از طریق پیشآموزش و تنظیم دقیق دادههای پزشکی، قابلیتهای وظیفه درمانی را نشان دادهاند، با محدودیتهای قابل توجهی روبرو هستند. این مدلها به دانش زیستپزشکی به روز شده دسترسی ندارند، اغلب توهم تولید میکنند و برای استدلال قابل اعتماد در بین متغیرهای بالینی متعدد تلاش میکنند. همچنین، آموزش مجدد LLMها با اطلاعات پزشکی جدید به دلیل فراموشی فاجعهبار از نظر محاسباتی بسیار پرهزینه است. این مدلها همچنین خطر گنجاندن محتوای پزشکی تایید نشده یا عمداً گمراهکننده از دادههای آموزشی گسترده خود را دارند که بیشتر قابلیت اطمینان آنها را در کاربردهای بالینی به خطر میاندازد.
LLMهای تقویتشده با ابزار برای رفع محدودیتهای دانش از طریق مکانیسمهای بازیابی خارجی مانند تولید تقویتشده با بازیابی (RAG) توسعه یافتهاند. این سیستمها تلاش میکنند با واکشی اطلاعات دارویی و بیماری از پایگاههای داده خارجی، بر مشکلات توهم غلبه کنند. با این حال، آنها هنوز در اجرای فرآیند استدلال چند مرحلهای که برای انتخاب درمان موثر ضروری است، کوتاهی میکنند. درمان دقیق به طور قابل توجهی از قابلیتهای استدلال تکراری بهرهمند میشود، جایی که مدلها میتوانند به منابع اطلاعاتی تأیید شده دسترسی داشته باشند، به طور سیستماتیک تعاملات بالقوه را ارزیابی کنند و به طور پویا توصیههای درمانی را بر اساس تجزیه و تحلیل بالینی جامع اصلاح کنند.
محققان دانشکده پزشکی هاروارد، آزمایشگاه MIT لینکلن، موسسه کمپنر برای مطالعه هوش طبیعی و مصنوعی، دانشگاه هاروارد، موسسه Broad MIT و هاروارد، و ابتکار علوم داده هاروارد، TXAGENT را معرفی میکنند که نشاندهنده یک سیستم هوش مصنوعی نوآورانه است که با ادغام استدلال چند مرحلهای با ابزارهای زیستپزشکی در زمان واقعی، توصیههای درمانی مبتنی بر شواهد ارائه میدهد. این عامل پاسخهای زبان طبیعی تولید میکند و در عین حال ردیابیهای استدلال شفافی را ارائه میدهد که فرآیند تصمیمگیری آن را مستند میکند. این از انتخاب ابزار هدفمند استفاده میکند، به پایگاههای داده خارجی و مدلهای یادگیری ماشین تخصصی دسترسی پیدا میکند تا از دقت اطمینان حاصل کند. TOOLUNIVERSE، یک جعبه ابزار زیستپزشکی جامع حاوی ۲۱۱ ابزار تخصصی است که مکانیسمهای دارویی، تعاملات، دستورالعملهای بالینی و حاشیهنویسیهای بیماری را پوشش میدهد، از این چارچوب پشتیبانی میکند. این ابزارها منابع معتبری مانند openFDA، Open Targets و هستیشناسی فنوتیپ انسانی را در خود جای دادهاند. برای بهینهسازی انتخاب ابزار، TXAGENT از TOOLRAG، یک سیستم بازیابی مبتنی بر ML استفاده میکند که به طور پویا مرتبطترین ابزارها را از TOOLUNIVERSE بر اساس زمینه پرس و جو شناسایی میکند.
معماری TXAGENT سه مؤلفه اصلی را ادغام میکند: TOOLUNIVERSE، شامل ۲۱۱ ابزار زیستپزشکی متنوع. یک LLM تخصصی که برای استدلال چند مرحلهای و اجرای ابزار تنظیم شده است. و مدل TOOLRAG برای بازیابی ابزار تطبیقی. سازگاری ابزار از طریق TOOLGEN، یک سیستم چند عاملی که ابزارها را از مستندات API تولید میکند، فعال میشود. این عامل با TXAGENT-INSTRUCT، یک مجموعه داده گسترده حاوی ۳۷۸۰۲۷ نمونه تنظیم دستورالعمل مشتق شده از ۸۵۳۴۰ ردیابی استدلال چند مرحلهای، شامل ۱۷۷۶۲۶ مرحله استدلال و ۲۸۱۶۹۵ فراخوانی تابع، تنظیم دقیق میشود. این مجموعه داده توسط QUESTIONGEN و TRACEGEN، سیستمهای چند عاملی که پرس و جوهای درمانی متنوع و ردیابیهای استدلال گام به گام را پوشش میدهند، ایجاد میشود که اطلاعات درمانی و دادههای دارویی را از برچسبهای FDA از سال ۱۹۳۹ پوشش میدهد.
TXAGENT از طریق رویکرد چند ابزاره خود، قابلیتهای استثنایی در استدلال درمانی نشان میدهد. این سیستم از پایگاههای دانش تأیید شده متعددی از جمله برچسبهای دارویی مورد تأیید FDA و Open Targets استفاده میکند تا از پاسخهای دقیق و قابل اعتماد با ردیابیهای استدلال شفاف اطمینان حاصل کند. این در چهار حوزه کلیدی برتری دارد: پایه دانش با استفاده از فراخوانی ابزار، بازیابی اطلاعات تأیید شده از منابع معتبر. انتخاب ابزار هدفمند از طریق مدل TOOLRAG. استدلال درمانی چند مرحلهای برای مشکلات پیچیده که نیاز به منابع اطلاعاتی متعدد دارد. و بازیابی در زمان واقعی از منابع دانش به طور مداوم به روز شده. نکته مهم این است که TXAGENT با پرس و جو مستقیم از API openFDA به جای تکیه بر دانش داخلی منسوخ شده، با موفقیت نشانههایی را برای Bizengri، دارویی که در دسامبر ۲۰۲۴ تأیید شد، مدتها پس از قطع دانش مدل پایه خود، شناسایی کرد.
TXAGENT نشاندهنده پیشرفت قابل توجهی در پزشکی دقیق با کمک هوش مصنوعی است و محدودیتهای مهم LLMهای سنتی را از طریق استدلال چند مرحلهای و یکپارچهسازی ابزار هدفمند برطرف میکند. با تولید مسیرهای استدلال شفاف در کنار توصیهها، این سیستم فرآیندهای تصمیمگیری قابل تفسیر را برای مشکلات درمانی ارائه میدهد. ادغام TOOLUNIVERSE دسترسی در زمان واقعی به دانش زیستپزشکی تأیید شده را فراهم میکند و به TXAGENT اجازه میدهد تا بر اساس دادههای فعلی و نه اطلاعات آموزشی ثابت، توصیههایی ارائه دهد. این رویکرد سیستم را قادر میسازد تا با داروهای تازه تأیید شده به روز بماند، نشانههای مناسب را ارزیابی کند و نسخههای مبتنی بر شواهد را ارائه دهد. TXAGENT با پایه ریزی همه پاسخها در منابع تأیید شده و ارائه مراحل تصمیمگیری قابل ردیابی، استاندارد جدیدی را برای هوش مصنوعی قابل اعتماد در پشتیبانی از تصمیمگیری بالینی ایجاد میکند.
برای اطلاعات بیشتر مقاله، صفحه پروژه و صفحه GitHub را بررسی کنید. تمام اعتبار این تحقیق به محققان این پروژه میرسد.